Curso de Estatística Inferêncial e Probabilidades

GIOVANI GLAUCIO DE OLIVEIRA COSTA
Curso de Estatstica Inferencial e Probabilidades

Teoria e Prtica
2 Edio
EDITORA ATLAS
SO PAULO, 2013
Agradecimentos:
minha mezinha querida, Oneida Barreto de Campos

Costa; Aos meus irmos amigos e companheiros Andr
Luiz de Oliveira Costa e Andra Viviane de Oliveira Costa;
minha afilhadinha e sobrinha amada Juliana Paula Costa
Lima e a Editora Atlas pela confiana que depositou em
meu trabalho.
Prefcio
Este livro o resultado de experincias vividas a partir de 1991, quando

iniciei a minha vida acadmica como docente de graduao das Faculdades
Cndido Mendes em Campus do Goitacazes no Estado do Rio de Janeiro. A
partir da o material didtico que utilizava para lecionar Estatstica foi se
aperfeioando com a prtica adquirida em outras instituies de ensino
superior, tais como a Universidade Salgado de Oliveira, a Universidade Federal
do Rio de Janeiro, a Universidade da Cidade, a Universidade Federal
Fluminense, dentre muitas outras, at terminar nos ltimos quatro anos com a
Universidade Federal Rural do Rio de Janeiro. Foi tambm testado em cursos
de especializao e mestrado em economia e administrao, sendo
apresentado como texto para contemplar diversos programas.
Essa soma de cursos e experincias mostrou que a melhor maneira de
apresentar a matria a de expor os assuntos de maneira objetiva, prtica e
instrumental, onde os conceitos so contextualizados dentro da rea de
formao de cada curso ou estudante. Este recurso didtico importante
porque motiva e impulsiona o gosto pela disciplina pelos estudantes.
Procuro, na maioria dos casos, apresentar os conceitos sucintamente de
maneira a ser usado imediatamente na empresa ou em situaes de
pesquisas, sem grandes demonstraes matemticas ou formalismos. Logo em
seguida, os exemplifico atravs de cases prticos, reais em diversas reas de
negcios, sade e engenharias. So disponibilizados exerccios propostos no
final de cada unidade.
O presente livro se destina a cursos de estatstica em nvel intermedirio
ou avanado, como parte do programa de reas de cincias humanas e
sociais, mas tambm de exatas. O seu contedo objetiva dar uma viso geral e
instrumental de inferncia estatstica e suas aplicaes. Para tanto, versa sobre
introduo ao clculo de probabilidades, variveis aleatrias, modelos
probabilsticos,
distribuies
por
amostragem,
estimao,
testes
de
significncia, anlise da varincia, correlao de variveis e regresso e

correlao linear simples.
No final do livro, em anexos, so apresentadas as tabelas da Normal, TStudent, Qui-quadrado, F-Snedecor, Tukei, Durbin-Watson e a de KolmogorovSmirnov.
As reas e os cursos de aplicao deste livro so amplos e muito
diversificados em cursos de estatstica de nvel intermedirio e avanado, mas
podemos destacar a adoo deste compndio em disciplinas de estatstica
aplicada dos cursos de Administrao, Economia, Sade, Engenharias, e
tambm em programas de mestrado e doutorado de reas anlogas.
Gostaria muito de contar com a ajuda de todos os leitores, alunos e
colegas para avaliao crtica positiva deste exemplar, de modo que possamos
evoluir em qualidade, superando os erros e aperfeioando os acertos. Ser
muito gratificante para mim se meu livro tiver sido de alguma forma til para o
leitor, nem que tenha sido em somente um pargrafo e/ou em somente uma
pgina, mas espero de verdade que ele seja relevante em todo o seu contedo.
Obrigado a todos e boa leitura.
O autor.
Sumrio
Unidade I: Introduo ao Clculo de Probabilidades............................. .

Conceitos de Probabilidades...........................................................................
Experimentos Aleatrios..................................................................................
Espao Amostral(S).........................................................................................
Eventos(E).......................................................................................................
Conceitos de Probabilidades em Funo da Noo de Eventos.....................
Definio Frequncial(Intuitiva) de Probabilidade- A Posteriori.....................
Tipos e Associaes de Eventos.....................................................................
Definio Matemtica de Probabilidades- A Priori........................................
Eventos Mutuamente Exclusivos.....................................................................
Axiomas do Clculo das Probabilidades..........................................................
Eventos Complementares................................................................................
Eventos Independentes...................................................................................
Regra do Produto para Eventos Independentes..............................................
Eventos Condicionados...................................................................................
Probabilidade Condicionada............................................................................
Regra do Produto para Eventos Condicionados..............................................
Teorema da Probabilidade Total......................................................................
Teorema de Bayes...........................................................................................
Exerccios Propostos.......................................................................................
Unidade II: Variveis Aleatrias...................................................................
Conceitos de Variveis Aleatrias...................................................................
Variveis Aleatrias Discretas.........................................................................
Distribuio de Probabilidades........................................................................
Funo Repartio de Probabilidades.............................................................
Esperana Matemtica ou Mdia: E(X)...........................................................
Varincia: V(X)................................................................................................
Propriedades da Esperana Matemtica.........................................................
Propriedades da Varincia..............................................................................
Variveis Aleatrias Contnuas........................................................................
Distribuio de Probabilidades........................................................................
Funo Repartio de Probabilidades.............................................................
Esperana Matemtica....................................................................................
Varincia..........................................................................................................
Propriedades da Esperana Matemtica e da Varincia................................
Unidade III: Modelos Probabilsticos...........................................................

Conceito de Modelos Probabilsticos...............................................................
Modelo de Bernoulli.........................................................................................
Modelo Binomial..............................................................................................
Modelo Hipergeomtrico..................................................................................
Modelo Poisson...............................................................................................
Modelo Uniforme..............................................................................................
Modelo Exponencial.........................................................................................
Modelo Normal ou Curva de Gauss.................................................................
Modelo T-STudent ..........................................................................................
Teorema Central do Limite .............................................................................
Teorema das Combinaes Lineares..............................................................
Modelo do Qui-quadrado ( 2).........................................................................
Modelo F de Snedecor.....................................................................................
Unidade I V : Distribuies por Amostragem.......................................................
Conceito de Distribuio por Amostragem............................................................
Distribuio por Amostragem da Mdia................................................................
Distribuio por Amostragem da Proporo.........................................................
Distribuio
por
Amostragem das Somas ou Diferenas de Duas Mdias Amostrais,
Conhecidos os Desvios-padro Populacionais...................................

Distribuio por Amostragem das Somas ou Diferenas de Duas Mdias Amostrais, No
sendo Conhecidos os Desvios-padro Populacionais, mas Supostamente Iguais...................
Distribuio por Amostragem das Somas ou Diferenas de Duas Mdias Amostrais, No
Sendo Conhecidos os Desvios-padro Populacionais, mas Supostamente Desiguais.................
Distribuio por Amostragem da Soma ou Diferena de Mdias quando as Amostras so
Emparelhadas................................................................................
Distribuio por Amostragem da Soma ou Diferena de Duas Propores.....................................
Distribuio por Amostragem da Varincia(S2).....................................................
Distribuio por Amostragem do Quociente de Duas Varincias(S 21/S22)...........
Exerccios Propostos............................................................................................
Unidade V: Estimao.........................................................................................
Estatstica Inferencial............................................................................................
Diviso da Inferncia Estatstica...........................................................................
Estimao.............................................................................................................
Estimador..............................................................................................................
Estimativa.............................................................................................................
Tipos de Estimao.............................................................................................
Estimao Pontual................................................................................................
Estimao por Intervalo........................................................................................
Qualidades de um Estimador................................................................................
Erro Mdio Quadrtico..........................................................................................
Conceitos de Intervalos de Confiana...................................................................
Expresso do Intervalo de Confiana....................................................................
Intervalo de Confiana para a Mdia , quando conhecido............................
Intervalo de Confiana para a Mdia ,quando Desconhecido, mas o Tamanho da Amostra
Grande, n 30.................................................................
Intervalo de Confiana para a Mdia ,quando Desconhecido, mas o Tamanho da Amostra
Pequeno, n <30................................................................
Intervalo de Confiana para a Proporo ...........................................................
Intervalo de confiana para a Soma ou Diferena de Mdias, quando os Desvios-padro
Populacionais so conhecidos....................................................
Intervalo de Confiana para a Soma ou Diferena de Mdias, quando os Desvios-padro
Populacionais so desconhecidos, mas supostamente iguais.............................................
Intervalo de Confiana para a Soma ou Diferena de Mdias, quando os Desvios-padro
Populacionais so desconhecidos, mas supostamente desiguais........................................
Intervalo de Confiana da Soma ou Diferena de Mdias quando a as Amostras so
Emparelhadas.....................................
Intervalo de Confiana da Soma ou Diferena de Duas Propores...................
Intervalo de Confiana da Varincia(2) de uma Populao Normal....................
Intervalo de Confiana para o Desvio-Padro de uma Populao Normal......
Intervalo de Confiana para o Quociente das Varincias Populacionais(22/21)
Exerccios Propostos.............................................................................................
Unidade VI : Testes de Significncia..................................................................

Conceitos de Testes de Significncia....................................................................
Fundamentos dos Testes de Significncia............................................................
Raciocnio de Teste de Significncia....................................................................
Formas de Apresentar as Hipteses.......................................................................
Tipos de Testes de Significncia...........................................................................
Tcnicas de Realizar Testes de Significncia.......................................................
Estatstica de Teste...............................................................................................
Conceito de Valor-p...............................................................................................
Clculo do Valor-p.................................................................................................
Significncia Estatstica.........................................................................................
Estatstica Significante...........................................................................................
Teste de Significncia Utilizando o Intervalo de Confiana...................................
Teste de Significncia para Mdia da Amostra,
quando a Varincia Populacional
Conhecida.........................................................................
Teste de Significncia para Mdia da Amostra, quando a Varincia Populacional Desconhecida e
o Tamanho da Amostra Suficientemente Grande..........................................................
o Tamanho da Amostra No Suficientemente Grande.................................................
Teste de Significncia para a Proporo da Amostra............................................................
Teste de Significncia para a Diferena de Mdias das Amostras quando as Varincias
Populacionais so Conhecidas...................................................................................................
Populacionais so Desconhecidas, mas Supostamente Iguais...........................................
Populacionais so Desconhecidas, mas Supostamente Desiguais....................................
Teste de Significncia para a Diferena de Propores das Amostras..............................
Teste de Significncia para Mdia da Amostra,
quando a Varincia Populacional
Conhecida............................
o Tamanho da Amostra Suficientemente Grande........................................................
o Tamanho da Amostra No Suficientemente Grande.................................................
Teste de Significncia para a Proporo da Amostra...............................................................
Populacionais so Conhecidas...............................................................................................
Populacionais so Desconhecidas, mas Supostamente Iguais........................................
Populacionais so Desconhecidas, mas Supostamente Desiguais...................................
Teste de Significncia para a Diferena de Propores das Amostras............................
Teste de Significncia para a Varincia da Amostra (S 2)........................................

Teste de Significncia para Igualdade de Duas Varincias de Amostras S21 e S22 ...........
Potncia de um Teste de Hiptese...........................................................................
Erros do Tipo I e do Tipo II.......................................................................................
Esquema de Decises em Testes de Hipteses....................................................
Unidade VII : Anlise da Varincia......................................................................
Conceitos de Anlise da Varincia........................................................................
Modelo de Classificao nica..............................................................................
Modelo de Classificao Dupla..............................................................................
Validao das Pressuposies Bsicas................................................................
Anlise de Resduos..............................................................................................
Dados Discrepantes(Outlier)..................................................................................
Independncia ou Autocorrelao Residual..........................................................
Teste de Durbin-Watson........................................................................................
Varincia Constante(Homocedascidade)..............................................................
Teste de Levene....................................................................................................
Heterocedascidade................................................................................................
Normalidade..........................................................................................................
Conseqncias da No validao dos Pressupostos..........................................
ANOVAS sobre Postos........................................................................................
Mtodo da Anlise da Anlise da Varincia........................................................
Unidade VIII: Correlao de Variveis..................................................................

Conceito de Correlao(r)......................................................................................
Correlao de Variveis Contnuas-Correlao Linear.........................................
Coeficiente de Correlao Linear de Pearson(r)...................................................
Teste de Significncia de r ....................................................................................
Pressupostos para Correlao Linear de Pearson...................................................
Correlao de Variveis Ordinais((rs)....................................................................
Coeficiente de Correlao de Spearman(rs)..........................................................
Teste de Significncia de rs...................................................................................
Correlao de Variveis Nominais(C)....................................................................
Coeficiente de Contingncia(C).............................................................................
Teste de Significncia de C...................................................................................
Correlao entre Variveis Nominal e Ordinal(r NO)...............................................
Coeficiente de Correlao Nominal/Ordinal(rNO)...................................................
Teste de Significncia de rNO.................................................................................
Correlao entre Variveis Ordinal/Contnua(rOC).................................................
Coeficiente de Correlao Ordinal/Contnua(rOC)..................................................
Teste de Significncia de rOC.................................................................................
Unidade IX: Regresso Linear Simples.............................................................
Conceito de Regresso Linear..............................................................................
Conceito de Regresso Linear Simples.................................................................
Varivel Independente(X)......................................................................................
Varivel Dependente(Y).........................................................................................
Equao de Regresso Linear Simples.................................................................
Fases da Regresso Linear Simples.....................................................................
Estimao dos Parmetros de Regresso Linear Simples....................................
Coeficiente de Explicao ou de Determinao(R 2)..............................................
Testes de Significncia da Existncia de Regresso Linear Simples ou Teste da Significncia do
Coeficiente de Explicao(R2)................................................ ......
Teste de Significncia do Coeficiente de Regresso(b)-Teste de Wald..................
Validao das Pressuposies Bsicas................................................................
Anlise dos Resduos............................................................................................
Dados Discrepantes(Outlier)..................................................................................
Independncia ou Autocorrelao Residual..........................................................
Teste de Durbin-Watson........................................................................................
Varincia Constante(Homocedasticidade).............................................................
Teste de Pesaran-Pesaran....................................................................................
Heterocedasticidade..............................................................................................
Normalidade...........................................................................................................
10
Importncia da Anlise dos Resduos...................................................................

Anexo : Tabelas...................................................................................................
Bibliografia...........................................................................................................
11
Unidade I
Introduo ao Clculo das Probabilidades
Conceito de Probabilidades:
o campo do conhecimento que estuda os fenmenos ou experimentos
aleatrios.
Experimentos Aleatrios:
So aqueles cujos resultados no so sempre os mesmos, apresentam
variaes, mesmo quando repetidos indefinidamente em condies uniformes.
Exemplos:
A experincia que consiste no lanamento de uma moeda um

fenmeno aleatrio;
A experincia que consiste no lanamento de um dado um

fenmeno aleatrio;
Uma promoo de preos que feita para toda a linha de

produtos de uma empresa traz um aumento variado e imprevisvel
no volume de vendas;
Quando selecionamos um cliente para fazer uma pesquisa sobre

satisfao, a sua avaliao sobre um determinado quesito
considerado um fenmeno aleatrio.
12
Espao Amostral (S):

o conjunto de todos os resultados possveis de uma experincia
aleatria.
Exemplos:
Seja a experincia que consiste no lanamento de uma moeda, o

espao amostral associado :
{Cara, Coroa}
Seja a experincia que consiste no lanamento de um dado, o

{1,2,3,4,5,6}
Quando uma pessoa sorteada para avaliar como timo, bom,

regular, ruim ou pssimo um determinado governo federal, o
{timo, bom, regular, ruim, pssimo}
Quando uma pessoa sorteada para escolher, quando de olhos

vedados e pelo sabor, entre duas marcas, A ou B, concorrentes
de um refrigerante, o espao amostral :
{Marca A, Marca B}
13
Eventos (E):
todo subconjunto finito de um espao amostral. um conjunto de
resultados de interesse em uma experincia aleatria.
Exemplos:
Seja a experincia que consiste no lanamento de uma moeda,

podemos ter os seguintes eventos de interesse:
{Cara}, {Coroa}, {Cara, Coroa}
Seja a experincia que consiste no lanamento de um dado,

podemos ter os seguintes eventos de interesse:
{1}, {2}, {3}, {4}, {5}, {6}, {1, 2, 3}

regular, ruim, pssimo um determinado governo federal, podemos
ter os seguintes eventos de interesse, se formos o poltico
analisado em questo:
{timo}, {bom}, {timo, bom}
14
Conceito de Probabilidades em Funo da Noo de Eventos:

uma medida numrica, em termos relativos/ percentuais, que expressa
a chance que um evento de interesse ocorra. a quantificao de incertezas.
Exemplo:
Seja a experincia que consiste no lanamento de uma moeda. A
medida numrica que expressa a chance de ocorrer o evento cara, em um
dado lanamento, 50%.
Definio Frequncial (Intuitiva) de Probabilidades- A Posteriori
Trata-se da probabilidade avaliada, emprica;
Ela tem por objetivo estabelecer um modelo adequado

interpretao de certa classe de fenmenos observados (no
todos);
A experincia a base para se montar o modelo ou para ajust-lo

ao modelo ideal (terico).
15
Exemplo:
Consideremos um grupo de mquinas de uma fbrica, operadas de certa
forma, tendo um determinada capacidade de produo. Vamos caracterizar a
qualidade do produto manufaturado por essas mquinas, com um critrio prestabelecido para se decidir se a pea produzida perfeita (P) ou defeituosa
(D). Tomemos 6 amostras de peas produzidas pelas mquinas, sendo cada
amostra constituda de 25 peas. Aps a anlise de qualidade, contemos as
peas defeituosas e calculemos a porcentagem de peas defeituosas, para
cada amostra. Repitamos a experincia, mas aumentando o tamanho da
amostra para 250 peas inicialmente e depois para 2500 peas. Suponhamos
que tenhamos encontrado os valores anotados na tabela a seguir:
n = 25
D
4
1
0
2
1
0
N de Peas Tomadas para Amostra (n)

n= 250
n = 2500
%D
D
%D
D
%D
16
12
4,8
157
6,28
4
14
5,6
151
6,08
0
22
8,8
136
5,44
8
15
6,0
160
6,40
4
8
3,3
153
6,12
0
15
6,0
157
6,28
Onde: %D = (D/n) . 100
16
Concluso:
Notemos que, em cada caso, as quantidades de peas defeituosas
encontradas constituem as frequncias absolutas, enquanto as porcentagens
de peas defeituosas constituem as freqncias relativas. Verificamos que,
quando o tamanho da amostra pequeno, as freqncias relativas apresentam
oscilaes irregulares grandes, porm, medida que o tamanho da amostra
cresce, as oscilaes tendem a ser menores e elas oscilam em torno de um
valor constante hipottico.
Assim, para amostras suficientemente grandes as freqncias relativas
pouco diferem entre si. o que chamamos de Regularidade Estatstica dos
Resultados.
O valor hipottico fixo no qual tende a haver uma estabilizao da
frequncia
relativa,
denomina-se
probabilidade.
No
exemplo,
seria
probabilidade de ocorrncia de peas defeituosas daquele grupo de mquinas.

A frequncia relativa portanto considerada um medio experimental do valor
da probabilidade.
Diramos:
P (E) = lim {F(E)/n)]
n
Onde:
P (E) = probabilidade de ocorrer o evento E
F (E) = frequncia absoluta do evento ocorrer E
n = tamanho da amostra
17
Do ponto de vista matemtico, essa definio de probabilidade

apresenta dificuldades, porque um nmero limite real pode no existir. Assim, a
formalizao da definio no obedece rigorosamente teoria matemtica de
limite. Isso traz como consequncia que existem dificuldades em demonstrar os
teoremas de probabilidades, muito embora essa definio seja bastante
intuitiva.
A denominao a posteriori resulta do fato de termos que repetir a
experincia vrias vezes para podermos calcular a probabilidade.
Tipos e Associaes de Eventos:
Evento Simples:
o evento formado por um nico elemento do espao amostral
associado.
Exemplos:

podemos ter os seguintes eventos simples de interesse;
{ Cara},{ Coroa}

podemos ter os seguintes eventos simples de interesse:
{ 1}, { 2}, { 3}, { 4}, { 5}, { 6}

regular ou pssimo um determinado governo federal, podemos ter
os seguintes eventos simples de interesse, se formos o poltico
analisado em questo:
{ timo}, {bom}
18
Evento Composto:
o evento formado por dois ou mais elementos do espao amostral S
associado.
Exemplos:

podemos ter o seguinte evento composto de interesse:
{ Cara, Coroa}

podemos ter os seguintes eventos compostos de interesse:
{ 1, 2}, {3, 4, 5} , { 1, 2, 3, 4, 5, 6}

regular, ruim ou pssimo um determinado governo federal,
podemos ter o seguinte evento composto de interesse, se formos
o poltico analisado em questo:
{ timo, bom}
19
Evento Certo (C):

aquele que sempre ocorre, em qualquer realizao da experincia
aleatria.
aquele
que
coincide
com
prprio
espao
amostral.
Consequentemente, a probabilidade de ocorrer o evento certo sempre P (C)

= 1 ou P (C) = 100%, isto , a certeza.
Exemplos:
Seja a experincia que consiste no lanamento de uma moeda, o

evento certo associado :
C = { Cara, Coroa} P (C) = 1

C = { 1, 2, 3, 4, 5, 6} P (C) = 1

C = { timo, bom, regular, ruim, pssimo} P (C) = 1
20
Evento Impossvel (I):

aquele que nunca ocorre, em nenhuma realizao do experimento
aleatrio. A probabilidade de um evento impossvel sempre igual a zero, isto
, P (I) = 0.
Exemplos:

evento impossvel associado :
I = { face > 6} P (I) = 0

I = {outra} P (I) = 0
21
Definio Matemtica de Probabilidades- A Priori

Seja uma experincia aleatria onde todos os elementos de um espao
amostral S associado a uma experincia aleatria tenham a mesma chance de
ocorrer e seja E um evento de interesse do espao amostral S, ento a
probabilidade de ocorrer o evento E pode ser assim definida:
, onde
P (E) = n (E)
n (S)
n (E) o nmero de elementos do evento de interesse E,

n (S) o nmero de elementos do espao amostral S.
Exemplos:
1)Uma pessoa tem 3 notas de R$ 2,00 e 1 nota de R$ 5,00 no bolso.
Esta pessoa entra apressadamente no nibus e retira uma nota do seu
bolso. Qual a probabilidade de ter retirado uma nota de R$ 2,00?
E = retirar uma nota de R$ 2,00 do bolso
n (E) = 3
n(S) = 4, ento:
P (E) =
= 0,75 ou 75% chance
22
2)Um banco de dados de clientes cadastrados de uma loja possui 40

pessoas do sexo masculino e 60 pessoas do sexo feminino. Seja a
experincia de selecionar uma pessoa do cadastro aleatoriamente. Qual
a probabilidade dessa pessoa ser homem?
E = pessoa selecionada do cadastro de clientes ser homem.
n (E) = 40
n (s) = 100
P (E) = 40 = 0,40 ou 40% chance
100
3) Em uma loja de departamento existem 70 calas de couro vermelho e
90 de couro preto. Selecionanda uma cala aleatoriamente dentre as
160 existentes, qual a probabilidade da cala selecionada ser de couro
preta?
E = cala selecionada ser de couro preto
n (E) = 90
n (S) = 160
P(E) = 90 = 56,25% de probabilidade
160
4)Quando uma pessoa sorteada para avaliar como timo, bom,
regular, ruim ou pssimo um determinado governo federal, qual a
probabilidade da pessoa avaliar positivamente o referido governo?
E = a pessoa avaliar positivamente o referido governo.
E = {timo, bom}
23
n (E) = 2
n (S) = 5
Portanto:
P(E) = 2 = 40% de probabilidade
5
Eventos Mutuamente Exclusivos:
So aqueles que nunca podem ocorrer simultaneamente em uma
mesma realizao de um experincia aleatria.
Exemplos:
o No lanamento de uma moeda, os eventos cara e coroa so
mutuamente exclusivos;
o No lanamento de um dado, os eventos 1 e 4 so mutuamente
exclusivos.
Lembrando da Teoria dos Conjuntos, podemos dizer que eventos
mutuamente exclusivos constituem conjuntos disjuntos, isto , a interseo o
conjunto vazio.
E = E1 E2 = P ( E1 E2) = 0
24
Axiomas do Clculo das Probabilidades:

Pelos conceitos que acabamos de ver at agora; podemos concluir que:
1. 0 P (E) 1
2. P (S) = 1
3. Se E1 e E2 forem eventos mutuamente exclusivos, ento:
P (E1 + E2) = P (E1) + P (E2)
OBS: Se E1 E2 , ento P (E) = P (E1 + E2) = P (E1) + P (E2) P (E1 E2)
Exemplos:
1)No lanamento de um dado, qual a probabilidade de sair face 1 ou
face 4?
E1 = sair face 1 P (E1) = 1/6
E2 = sair face 4 P (E2) = 1/6
E = sair face 1 ou face 4.
Em probabilidade, a chance de sair um evento ou outro igual soma
das probabilidades dos eventos envolvidos, ento a probabilidade pedida
:
P (E) = P (E1 + E2)
Como E1 e E2 so mutuamente exclusivos, ento:

P (E) = P (E1 + E2) = P (E1) + P (E2) = 1/6 +1/6 = 2/6 = 1/3
25
2)Uma populao formada de 20 pessoas que consomem o produto A

e, 30 pessoas que consomem o produto B e 50 pessoas que consomem
o produto C. Um pesquisador de mercado seleciona uma pessoa desta
populao. Sabendo que uma pessoa no consome mais de um produto
ao mesmo tempo, qual a probabilidade de ter sido selecionada uma
pessoa que consome o produto A ou C?
E1 = consumir o produto A P (E1) = 20/100 =0,2
E2 = consumir o produto C P (E2) = 50/100 = 0,5
E = consumir o produto A ou C
Como E1 e E2 so mutuamente exclusivos, ento:
P (E) = P (E1 + E2) = P (E1) + P (E2) = 0,2 + 0,5 = 0,7 ou 70%
3)Em uma empresa, o departamento de recursos humanos ofereceu
a oportunidade de seus analistas de sistemas aceitarem realizar
pelo menos 2 cursos de lngua estrangeira para aperfeioamento:
ingls ou espanhol. A probabilidade de aceitarem fazer um curso de
ingls de 30%, aceitarem fazer um curso de espanhol de 40% e
ambos 10%. Qual a probabilidade de um analista de sistemas
selecionado aleatoriamente do banco de dados da empresa, aceitar
fazer um curso de lnguas?
E = analista de sistemas selecionado aleatoriamente do banco de
dados da empresa, aceitar fazer um curso de lnguas.
P (E) = 0,30 + 0,40 0,10 = 0,60 ou 60%
26
4)Uma pesquisa foi realizada por um instituto para traar o perfil dos que
compram DVDs e vdeos no Brasil. Numa amostra aleatria de 2000
pessoas, foi constatado que entre pessoas das classes sociais A e B, 100
compram s filmes piratas, 80 s filmes originais e 120 compras piratas e
originais. Seleciona-se aleatoriamente da planilha Excel, onde a base de
dados est salva, uma pessoa. Responda:
a)
Qual a probabilidade da pessoa ser da classe social A ou B?
b)
Qual a probabilidade da pessoa ter o hbito de comprar filmes

originais e tambm piratas?
Soluo:
O diagrama abaixo nos revela a configurao da amostra segundo
os resultados da pesquisa:
27
Ento:
a)
Qual a probabilidade da pessoa ser da classe social A ou B?
E = a pessoa ser da classe social A ou B

300
P(E) = = 0,15 ou 15%
2000
b)
Qual a probabilidade da pessoa ter o hbito de comprar filmes

originais e tambm piratas?
O P = pessoa ter o hbito de comprar filmes originais e tambm piratas

120
P(O P) = = 0,06 ou 6%
2000
28
Eventos Complementares:
Um evento E
complementar ao evento E , se ele somente
ocorrer se o evento E deixar de ocorrer. So todos os elementos do

espao amostral S, que no pertencem ao evento E.
Visualizando:
Portanto:
E+E
= S
E E
= 0
Assim, eventos complementares so mutuamente exclusivos.
29
Podemos escrever:
S=E+E
P(S) = 1
P(E + E) = 1, como so eventos mutuamente exclusivos vem que
P(E) + P( E ) = 1 P( E ) = 1 P(E)
Sabemos que um evento pode ocorrer ou no ocorrer. Sendo p a

probabilidade de que ele ocorra (sucesso) e q a probabilidade de que ele
no ocorra (insucesso).
Chamando E o evento ocorrer o sucesso e E o insucesso, temos:
P(E) = p
P(E)= q
Vem que:
p+q=1q=1-p
30
Exemplos:
1)A probabilidade de se realizar um evento p = 1/5, a probabilidade de
que ele no ocorra :
q = 1 p = 1 - 1/5 = 4/5
2)A probabilidade de tirar 4 no lanamento de um dado p= 1/6, logo, a
probabilidade de no tirar 4 no lanamento de um dado :
q = 1 p = 1- 1/6 = 5/6
3)A probabilidade de uma dona de casa escolher uma determinada
marca de caf em p num supermercado de 65%. Qual a
probabilidade que em um dado dia ela escolha outra marca?
q = 1 p = 1 0,65 = 0,35 ou 35%
31
pessoas, foi constatado que entre pessoas das classes sociais A e B e de
nvel educacional alto, 100 compram s filmes piratas, 80 s filmes
originais e 120 compras piratas e nacionais. Seleciona-se aleatoriamente
da planilha Excel, onde a base de dados est salva, uma pessoa. Qual a
probabilidade da pessoa no ser das sociais A ou B?
Soluo:
32
Ento:
Qual a probabilidade da pessoa no ser da classe social A ou B?
E = a pessoa no ser da classe social A ou B
1700
P(E) = = 0,85 ou 85%
2000
Ou pelo complementar:
E = pessoa ser da classe social A ou B
P(E) = p P(E) = q , logo:

q = 1-0,15 = 0,85 ou 85%
33
Eventos Independentes:
Dizemos que dois eventos so independentes quando a realizao
ou no-realizao de um dos eventos no afeta a probabilidade da
realizao do outro e vice-versa. A ocorrncia de um deles, no aumenta
ou diminui a ocorrncia do outro. A realizao de um deles no modifica a
chance de realizao do outro.
Exemplos:
o Quando lanamos dois dados, o resultado obtido em um deles no

afeta o resultado obtido no outro;
o O eventos pane no seu computador e aumento dos preos de
computadores desktops no pas;
o Uma pessoa no ir trabalhar e queda do edifcio em que trabalha;
o Uma pessoa ser despejada do imvel que alugou e aumento de
temperatura no dia;
o A satisfao de uma pessoa com o emprego e aumento do ndice
de criminalidade no pas.
34
Regra do Produto para Eventos Independentes:

Se dois eventos so independentes, a probabilidade de que eles se
realizem simultaneamente igual ao produto das probabilidades de
realizao dos dois eventos.
Sejam E1 e E2 dois eventos independentes. Suponha que
tenhamos o interesse que numa experincia aleatria de quantificar a
ocorrncia dos eventos E1 e E2 simultaneamente, ento, desejamos:
P(E1 E2)=
P ( E1 E2) = P (E1) x P (E2)
Sendo p1 a probabilidade de realizao do primeiro evento(E 1) e p2 a

probabilidade de realizao do segundo evento(E 2), a probabilidade de que tais
eventos se realizem simultaneamente dada por:
p1 x p2
Exemplos:
1)Lanamentos dois dados:

.
A probabilidade de obtermos 1 no primeiro dado :
p1 = 1/6
A probabilidade de obtermos 5 no segundo dado :
p2 = 1/6
Logo, a probabilidade de obtermos, simultaneamente, 1 no primeiro e 5
no segundo :
P = 1/6 x 1/6 = 1/36
35
2)A probabilidade de um consumidor ficar satisfeito com o desempenho

de certa marca de um produto de 25%. A probabilidade de outro
consumidor ficar satisfeito com a mesma marca do produto 40%.
Suponhamos que os dois consumidores vo consumir o produto num
mesmo momento e de forma independente, qual a probabilidade dos dois
consumidores ficarem satisfeitos simultaneamente:
A probabilidade do consumidor 1 ficar satisfeito :
p1 = 0,25
A probabilidade do consumidor 2 ficar satisfeito :
p2 = 0,40
Logo, a probabilidade de simultaneamente os dois consumidores ficarem
satisfeitos :
P = 0,25 x 0,40 = 0,10 ou 10%
36
Eventos Condicionados (E1/E2):

Dois eventos associados a uma mesma experincia aleatria so
ditos condicionados, quando a ocorrncia prvia de um deles aumenta ou
diminui a ocorrncia do outro. A j ocorrncia de um deles modifica a
ocorrncia do outro.
Exemplos:
Suponhamos que uma pessoa que est saindo para trabalhar de

manh tem dvida se leva guarda-chuva ou no ao sair. Ele vai
janela ver o tempo. A chance de sair com guarda-chuva depende
da informao que obtiver ao olhar o tempo: se o tempo estiver
ruim, a probabilidade de sair com guarda-chuva aumenta, ou
seja, os eventos tempo ruim e sair com guarda-chuva so
condicionados.
Seja o evento E1 = a letra u ocorre na palavra e evento E 2 = a

letra q ocorre na palavra. Certamente o evento E 1 tem uma
probabilidade, mas ao saber que o evento E 2 ocorre, fica mais
certo de que E1 deve tambm ocorrer, uma vez que q raramente
ocorre em uma palavra sem vir seguido de u.
Se for sabido que os nibus de certa linha passam em um ponto

em intervalos de, aproximadamente, 10 minutos, a probabilidade
de passar um nibus dessa linha no prximo minuto ser
fortemente influenciada pelo conhecimento que se tem da
passagem de um nibus da linha nos ltimos 5 minutos.
37
(ta em outro lugar agora no livro)

3)Suponhamos que um setor de uma empresa tenha 5 operacionais e 2
gerentes, e que a diretoria ir selecionar dois funcionrios deste setor, um
aps o outro, para obteno de um prmio de final de ano: uma
passagem de ida e volta para os EUA para cada um. Suponha que o
primeiro funcionrio selecionado aleatoriamente seja operacional. Ser
que a probabilidade que o segundo funcionrio selecionado tambm seja
um operacional influenciada pela retirada do primeiro funcionrio que j
era do mesmo cargo?
Temos dois casos a considerar:
Se houver reposio do primeiro funcionrio, o setor vai ter a

mesma configurao inicial, e ento a 1 retirada em nada
influenciar
retirada,
ou
seja,
temos
eventos
independentes;
Se no houver a reposio da 1 retirada, o setor conter um

funcionrio a menos, isto , diminui a probabilidade de sair um
segundo funcionrio operacional na 2 retirada, ou seja, temos
eventos condicionados.
38
Exemplo:
Uma urna contm 4 bolas brancas e 8 bolas pretas. Seja a experincia
aleatria de retiramos trs bolas desta urna. Qual a probabilidade das trs
serem pretas?
a)Numa extrao Com reposio;
b)Numa extrao Sem reposio.
Soluo:
a)Com reposio:
E = extrair trs bolas sucessivas pretas.
8
P(E) = X
12
X = 0,30 ou 30%
12
12
Eventos independentes: reparem que as probabilidades sucessivas

permanecem constantes
b)Sem reposio:
E = extrair trs bolas sucessivas pretas.
8
P(E) = X
12
X = 0,25 ou 25%
11
10
39
Eventos condicionados: reparem que as probabilidades sucessivas

vo diminuindo.
Probabilidade Condicionada:
o percentual da ocorrncia de E 2 no universo de E1 ou vice-versa.

a probabilidade de ocorrer E2, mas no espao de E1 ou vice-versa. O
que se quantifica a chance de ocorrer E 2 , mas atrelada a j ocorrncia
de E1, isto , condicionada a E1 e vice-versa.
Baseando-se na definio intuitiva da probabilidade, pode-se
calcular a probabilidade condicionada de E 2 dado que E1 j ocorreu (ou
que j se tenha conhecimento) pela frmula:
n(E1E2)
P(E2/E1) =
n(E1)
Esta expresso calcula a probabilidade de ocorrncia de E 2, nas
ocorrncias de E1, isto , somente quando E1 ocorre. Este procedimento
condiciona a ocorrncia de E1 ocorrncia de E2.
Se dividirmos o numerador e o denominador da expresso acima,
pela mesma quantidade n(s), teremos:
40
n(E1E2)
n(S)
P(E2/E1) =
n(E1)
n(S)
A expresso de probabilidade fica ento:
PE1E2)
P(E2/E1) =
P(E1)
Com P(E1) 0
Exemplos:
1)Observou-se em 10 dias a freqncia com que uma dada pessoa foi
praia e se fez sol:
Dia
10
Foi a
Praia?
Fez
Sol?
41
Tomando por base as informaes acima, responda:

a) Qual a probabilidade da pessoa em geral ir praia?
b) Sabendo que fez sol, qual a probabilidade da pessoa ir em geral
praia?
c) Os eventos a pessoa ir praia e fazer sol so independentes ou
condicionados?
Soluo:
a)Qual a probabilidade da pessoa em geral ir praia?
IP = evento a pessoa em geral ir praia
6
P( IP ) = = 0, 60 ou 60%
10
b)Sabendo que fez sol, qual a probabilidade da pessoa ir em geral
praia?
FS = evento fazer sol
IP = evento ir praia
5
P( IP / FS ) = = 0, 83 ou 83%
6
c)Os eventos a pessoa ir praia e fazer sol so independentes ou
condicionados?
Os eventos a pessoa ir praia e fazer sol so condicionados, pois a

probabilidade da pessoa ir praia aumenta de 60% para 83% quando se inclui
em seu clculo a informao adicional de que fez sol:
P( IP ) P( IP/FS ).
42
2)Em uma cidade existem 15.000 usurios de telefonia, dos quais 10.000
possuem telefones fixos, 8000 telefones mveis e 3000 tm telefones
fixos e mveis. Seja a experincia aleatria de uma operadora de telefone
mvel selecionar uma pessoa da cidade para oferecer uma promoo do
tipo Fale Grtis de seu Mvel para seu Fixo. Pergunta-se:
a)J sabendo que ela tem telefone mvel, qual a probabilidade dela ter
telefone fixo tambm?
b)J sabendo que ela tem telefone fixo, qual a probabilidade dela ter
telefone mvel tambm?
Soluo:
Espao Amostral S:
MF
3000
F = pessoa com telefone fixo.

M = pessoa com telefone mvel.
MF = pessoa com telefone fixo e mvel.
43
a) P (F/M) = n ( MF) =
n (M)
b) P (M/F) = n ( MF) =
n (M)
3000
= 3/8 = 0,375
8000
3000
= 3/10= 0,300
10000
3)Seja a probabilidade do Brasil endurecer nas exigncias de

entrada de espanhis no pas de 60%. A probabilidade prevista
da entrada de espanhis no Brasil em 2013 de 80%. A
probabilidade simultnea de o Brasil endurecer ainda mais em
2013 as exigncias para a entrada de espanhis no Brasil e
haver entrada de espanhis no Brasil de 45%. Dado que o
Brasil endureceu na entrada de espanhis no Brasil em 2013,
como fica o percentual de entrada de espanhis no Brasil?
Soluo:
E= evento entrada de espanhis no Brasil
B= evento Brasil endurecer nas exigncias de entrada de
espanhis no pas
BE=Brasil endurecer nas exigncias de entrada de espanhis
no pas e haver entrada de espanhis no Brasil.
0,45
P(E/B)= = 0,75 ou 75%
0,60
P(E)= 0,80
44
Com a informao adicional que o Brasil endureceu nas

exigncias, a medio da probabilidade da visita de espanhis
ao pas diminui, em 10%(NI= 80/75=93,75% =-6,25%).
4)A probabilidade dos Estados Unidos facilitarem ainda mais a

concesso de vistos aos brasileiros em 2013 de 40%.
Atualmente, a probabilidade da entrada de brasileiros nos
Estados Unidos fica em torno de 72%. A probabilidade dos EUA
facilitar ainda mais a concesso de vistos a brasileiros e haver
a entrada de brasileiros na Amrica de 32%. Dado que os
Estados Unidos facilitaram ainda mais a concesso de vistos
americanos a brasileiros em 2013, como fica a probabilidade
da entrada de brasileiros na Terra do Tio San?
Soluo:
V= evento os EUA facilitarem ainda mais a concesso de

vistos ao brasileiros em 2013.
E= evento entrada de brasileiros nos Estados Unidos.
VE= evento os EUA facilitarem ainda mais a concesso de
vistos a brasileiros em 2013 e haver a entrada de brasileiros
na Amrica.
45
0,32
P(E/V)= = 0,80 ou 80%
0,40
P(E)= 0,72
Com a informao adicional que os Estados Unidos facilitaram de

fato ainda mais a concesso de vistos a brasileiros, a medio da
probabilidade da visita de brasileiros Amrica aumentou, em 11%
(NI=80/72=60% =+11%).
46
5)Uma pesquisa de perfil demogrfico feito junto a 20 consumidores

adultos da mercadoria X revelou a base de dados abaixo:
Consumidor
Sexo
Idade
Nvel
Escolar
N de
Filhos
Classe
Social
35
25
40
25
32
22
37
28
25
10
39
11
35
12
21
13
27
14
45
15
57
16
33
17
36
18
35
19
33
20
22
47
Os cdigos usados para montar a base de dados foram:
Varivel Sexo: M masculino e F feminino;

Varivel Idade: idade em anos, em dois dgitos;
Varivel Nvel Escolar: 0 ausncia de nvel escolar, 1 ensino
fundamental, 2 ensino mdio, 3 ensino superior e 4 psgraduao;
Varivel N Filhos: nmero de filhos do morador;
Varivel Classe Social: A Alta; B Mdia e C Baixa
Qual a probabilidade de ao selecionar aleatoriamente um consumidor

desta base de dados?
a)Dado que mulher, ter menos de 2 filhos.
b)Dado que homem, ser da classe social C.
c)Dado que da classe social B, ter menos que 3 filhos.
d)Seja um homem, sabendo que tem nvel de escolaridade mdio e
classe social mdia.
e)Seja um consumidor de ensino mdio, com 2 ou menos filhos, sabendo
que tm 30 anos ou mais.
Soluo:
a ) P (<2 filhos//F) = 6/9
b) P(C/H) = 3/11
c) P (<3 filhos/B) = 8/9
d) P (H/2 B) = 5/6
e) P (2 2/ 30 anos) = 6/12
48
6)Numa escola com 100 alunos, 40 estudam s biologia, 30 estudam s

alemo e 20 estudam biologia e alemo. Qual a probabilidade de um
aluno que j estuda biologia, estudar tambm alemo?
Espao Amostral S
20
10
E1 = aluno estudar biologia.

E2 = aluno estudar alemo
P (E2/E1) = P( E2 E1) =
P (E1)
20/100
= 20/60 = 33%
60/100
7)Suponha que o seguinte quadro represente uma possvel diviso dos

alunos matriculados em um dado instituto de matemtica, num dado ano:
Curso
Matemtica Pura
Matemtica Aplicada
Estatstica
Computao
Total
M
70
15
10
20
115
F
40
15
20
10
85
Total
110
30
30
30
200
Seleciona-se aleatoriamente um estudante deste instituto. Foi

constatado que ele do curso de estatstica. Qual a probabilidade
dele ser homem?
49
Soluo:
E1 = aluno do curso de estatstica
E2 = aluno do sexo masculino
P (E2/E1) = P( E2 E1) =
P (E1)
10/200
= 10/30 = 33%
30/200
8)Considere o lanamento de um dado e a observao da face superior:

Sendo:
a) E1 = { 2, 3, 4, 5} e E2 = {1, 3, 4}
b) E1 = { 1, 3, 5, 6} e E2 = {1, 3, 6}
c) E1 = { 2, 3, 5, 6} e E2 = {1, 2}
Em cada caso obtenha P (E2/E1) e indique se os eventos E 1 e E2 so
independentes ou condicionados.
a) E1 = { 2, 3, 4, 5} e E2 = { 1, 3, 4}
E2 E1 = { 3, 4} P (E2 E1) = 2/6 e P(E1) = 4/6
P (E2/E1) = P( E2 E1) =
P (E1)
2/6 = 1/2 = 50%

4/6
P (E2) = 3/6 = 50%
50
Concluso:
A informao adicional de que E1 j ocorreu, no altera a ocorrncia de
E2, portanto so independentes.
b)E1 = { 1 3, 5, 6} e E2 = { 1, 3, 6}
E2 E1 = {1, 3, 6} P (E2 E1) = 3/6 e P(E1) = 4/6
P (E2/E1) = P( E2 E1) =
P (E1)
3/6 = 3/4= 75%

4/6
P (E2) = 3/6 = 50%

Concluso:
A informao adicional de que E 1 j ocorreu, altera a ocorrncia de E 2. A
chance de ocorrer E2 fica mais certa, portanto, so condicionados.
c)E1 = { 2, 3, 5, 6} e E2 = { 1, 2}
E2 E1 = { 2} P (E2 E1) = 1/6 e P(E1) = 4/6
P (E2/E1) = P( E2 E1) =
P (E1)
1/6 = 1/4 = 25%

4/6
P (E2) = 2/6 = 33%

Concluso:
51
A informao adicional de que E 1 j ocorreu, altera a ocorrncia de E 2. A

chance de ocorrer E2 fica menos certa, portanto so condicionados.
pessoas, foi constatado que entre pessoas das classes sociais A e B e de
nvel educacional alto, 100 compram s filmes piratas, 80 s filmes
originais e 120 compras piratas e nacionais. Seleciona-se aleatoriamente
da planilha Excel, onde a base de dados est salva, uma pessoa das
classes sociais A ou B. Sabendo que ela tem o hbito de comprar DVDs e
vdeos originais, qual a probabilidade dela comprar tambm filmes
piratas?
Soluo:
52
Sejam os eventos:
P= a pessoa comprar filmes piratas.
O = a pessoa comprar filmes originais
O P = a pessoa comprar filmes originais e piratas
Logo a probabilidade pedida :
n(O P)
120
P( P/O) = = = 0,40 ou 40%

n(O)
300
Regra do Produto para Eventos Condicionados:

Se dois eventos so condicionados, ento, tirando das
expresses de probabilidades condicionadas:
P( E2 E1) = P (E1) . P (E2/E1)
Exemplo:
Num setor de uma corporao, existem 4 engenheiros e 5
administradores de empresas. Seja a experincia aleatria de
selecionar quatro destes profissionais, sem reposio, para
formar uma comisso de fiscalizao de obras de um prdio.
Qual a probabilidade do evento?
{ engenheiro administrador engenheiro administrador }
53
Soluo:
Trata-se da aplicao da Regra do Produto para eventos
condicionados:
Vamos chamar:
ENG o evento selecionar um engenheiro
ADM o evento selecionar um administrador
Logo a probabilidade pedida :
P (ENG ADM ENG ADM) =
4 x 5 x 3 x 4 = 240 /3024 = 0,08
9
54
Teorema da Probabilidade Total:

Sejam os eventos E1, E2,.., En eventos complementares do
espao amostral S e B um evento qualquer em S. Ento, pode-se
ter a seguinte visualizao em diagrama:
P(B) = P(E1B) + P(E2B) + P(E3B) + ... + P(EnB) = P(EiB)

i=1
Aplicado a Regra do Produto ltima igualdade descrita

acima para eventos condicionados:
n
P(B) = [P((Ei) . P(B/Ei)] (1)

I=1
55
A expresso (1) chamada de Teorema da Probabilidade

Total, que a probabilidade da conseqncia ou efeito.
Teorema de Bayes:
O
reverendo
matemtico
ingls
Thomas
Bayes
desenvolveu, no sculo 18, uma opo para o clculo de

probabilidades a qual gerou um importante artigo publicado,
postumamente, pela Royal Society. Esta teoria ficou conhecida
como Teorema de Bayes, e atualmente tem aplicaes em
diferentes reas do conhecimento.
Conceito de Teorema de Bayes:
a participao relativa, percentual, de uma dada causa E i na

formao do espao do evento B, que s pode ocorrer como efeito
de uma das causas complementares Ei,isto :
P(EiB)
P(Ei/B) = (2)
P(B)
P(B) 0
56
O que Significa a Expresso Acima na Prtica?
Suponhamos um evento B que s pode ocorrer devido a uma

das causas complementares E1, E2, E3,..., En, eventos de um mesmo
espao amostral S. Dado que o evento B tenha ocorrido, a
probabilidade que tenha se manifestado devido a uma das causas E 1
ou E2 ou E3,..., ou En pode ser calculada pela frmula (2),
denominada
frmula
da
probabilidade
das
causas
ou
dos
antecedentes.
Desenvolvendo a frmula 2, aplicando a regra do produto no
numerador e inserido a frmula 1 no denominador, temos:
Demonstrao:
P(EiB)
P (Ei/B) = =
P(Ei).P(B/Ei)
=
n
P(B)
[P (Ei) . P (B/ Ei)]

i=1
Temos, ento, o Teorema de Bayes:
P (Ei) . P (B/ Ei)

P (Ei/B) =
n
[P (Ei) . P (B/ Ei)]

i=1
57
Ele relaciona uma das parcelas da probabilidade total

com a prpria probabilidade total.
Ela nos d a probabilidade de um particular E i ocorrer(isto ,
uma causa), desde que B j tenha ocorrido, o efeito. A se
questiona at que ponto a causa E i teve participao nesta
ocorrncia.
O
Teorema
de
Bayes
importante
porque
inverte
probabilidades condicionais. s vezes fcil calcular P(B/E i), mas o

que se deseja conhecer P(Ei/B). O Teorema de Bayes permite
calcular P(Ei/B) em termos de P(B/EI). O Teorema de Bayes nada
mais do que a mistura da Regra do Produto e do Teorema da
Probabilidade Total.
Exemplo 1:
Em uma cidade, durante um perodo de observao, verificou-se que
o trnsito ficou engarrafado no horrio do rush da manh 30% das
vezes. Nos dias em que o trnsito ficou engarrafado, um funcionrio
chegou atrasado 10% das vezes e nos dias de trnsito bom, ele
chegou atrasado com uma freqncia de 1%. Certo dia o funcionrio
chegou atrasado. Qual a probabilidade de ter sido em um dia de
trnsito engarrafado?
Soluo:
Evento efeito B: chegar atrasado.
Eventos causais (Ei): trnsito engarrafado(E1) e trnsito no
engarrafado(E2) .
58
Elementos da frmula (modelagem):

P(E1)=0,3
P(B|E1)=0,10
P(E2)=0,7
P(B|E2)=0,01
P(Ei) . P(B|Ei)
P(E1|B)=
=
n
[P(Ei) . P(B|Ei)]
i=1
0,3 . 0,10
P(E1|B)=
= 0,81
[( 0,3.0,10) + (0,7.0,01)]
59
Exemplo 2:
Do exemplo da observou-se em 10 dias a freqncia com que uma dada
pessoa foi praia e se fez sol. Dado que a pessoa foi praia, qual a
probabilidade de ter sido um dia de sol?
Dia
10
Foi a
Praia?
Fez
Sol?
Soluo:
P(FS)=0,6
P(IP/FS)= 0,83
P(NFS)=0,4
P(IP/NFS)=0,25
0,6 x 0,83
0,498
P(FS/IP)= = = 0,83 ou 83%

0,6x0,83 + 0,4x0,25
0,598
60
Exemplo 3:
Um indivduo pode chegar atrasado ao emprego utilizando-se
apenas de um desses meios de locomoo: bicicleta, motocicleta ou
carro. Sabe-se que por experincia, que a probabilidade de ele
utilizar do carro de 0,6; bicicleta 0,1 e de motocicleta 0,3. A
probabilidade de chegar atrasado, dado que se utilizou do carro
0,05; de bicicleta 0,02 e de motocicleta 0,08. Certo dia ele chegou
atrasado, qual a probabilidade de ter sido devido ao uso do carro?
Soluo:
Inicialmente, voc deve considerar os eventos de interesse que
so:
Evento efeito B: chegar atrasado.
Eventos
causais
(Ei):
utilizar
carro(E1),
bicicleta(E2)
ou
motocicleta(E3);
Assim, voc pode agora partir para os elementos requeridos

pela frmula para a modelagem, que so as probabilidades dos
eventos de interesse e as probabilidades condicionais, dadas por:
P(E1)=0,6
P(B|E1)=0,05
P(E2)=0,1
P(B|E2)=0,02
P(E3)=0,3
P(B|E3)=0,08
Isto posto voc tem, agora, elementos suficientes para alocar as

probabilidades na frmula de Bayes que fica:
61
P(Ei) . P(B|Ei)
P(E1|B)=
=
n
[P(Ei) . P(B|Ei)]
i=1
0,6 . 0,05
P(E1|B)=
=
[( 0,6.0,05) + (0,1.0,02) + (0,3 .0,08)]
0,03
P(E1|B)=
= 54 %
(0,03+ 0,002+ 0,024)
Com este resultado voc pode concluir que a probabilidade do

indivduo ter ido de carro, sabendo-se que ele chegou atrasado ao
emprego, de 0,54.
62
Exemplo 4:
Ficou constatado que o aumento nas vendas de certo produto

comercializado por certa empresa num certo ms pode ocorrer
somente por uma das causas mutuamente exclusivas: ao de
marketing, publicidade/propaganda, oscilaes econmicas do pas
e sazonalidade. A probabilidade de haver uma ao de marketing
eficaz no ms de 40%, de publicidade/propaganda 30%,
oscilaes econmicas 20% e sazonalidade 10%. Uma pesquisa
mostrou que a probabilidade de haver aumento nas vendas do
produto devido a uma ao de marketing eficaz de 7%, de
publicidade/propaganda de 7,5%, de oscilaes econmicas no
pas de 3% e de sazonalidade 2%. Em um dado ms o incremento
nas vendas foi considervel. Indique a causa mais provvel. Qual a
probabilidade de aumento nas vendas em dado ms?
Soluo:
Inicialmente, voc deve considerar os eventos de interesse que
so:
Evento efeito B: aumento nas vendas:
Eventos
causais
(Ei):
ao
de
marketing
(E1),
publicidade/propaganda (E2), oscilaes econmicas no pas

(E3) e sazonalidade (E4).
63
Assim, voc pode agora partir para os elementos requeridos

pela frmula para a modelagem, que so as probabilidades dos
eventos de interesse e as probabilidades condicionais, dadas por:
P(E1)=0,4
P(B/E1)=0,070
P(E2)=0,3
P(B/E2)=0,075
P(E3)=0,2
P(B/E3)=0,030
P(E4)=0,1
P(B/E4)=0,020
Agora voc tem elementos suficientes para alocar as

probabilidades na frmula de Bayes, que fica:
P(Ei) . P(B/Ei)
P(Ei|B)=
=
n
[P(Ei) . P(B/Ei)]
i=1
64
Dado que ocorreu um aumento das vendas, a probabilidade

deste aumento ter sido devido ao de marketing dada
por:
0,4 . 0,07
P(E1|B)=
[(0,4.0,07)+(0,3.0,075)+(0,2 .0,03)+(0,1.0,02)]
0,028
P(E1|B)=
= 47,8%
(0,028+ 0,0225+ 0,006+0,002)

deste aumento ter sido devido a publicidade/propaganda
dada por:
0,3.0,075
P(E1|B)=
[(0,4.0,07)+(0,3.0,075)+(0,2 .0,03)+(0,1.0,02)]
0,0225
P(E1|B)=
= 38,5%
(0,028+ 0,0225+ 0,006+0,002)
65

deste aumento ter sido devido s oscilaes econmicas
dada por:
0,2.0,03
P(E1|B)=
[(0,4.0,07)+(0,3.0,075)+(0,2 .0,03)+(0,1.0,02)]
0,006
P(E1|B)=
= 10,3%
(0,028+ 0,00225+ 0,006+0,002)

deste aumento ter sido devido sazonalidade dada por:
0,1.0,02
P(E1|B)=
[(0,4.0,07)+(0,3.0,075)+(0,2 .0,03)+(0,1.0,02)]
0,002
P(E1|B)=
= 3,4%
(0,028+ 0,0225+ 0,006+0,002)
66
Pelas probabilidades calculadas anteriormente, voc tem elementos

para concluir que a causa mais provvel para o aumento das vendas naquele
ms foi a ao de marketing.
Qual a probabilidade de aumento nas vendas em dado ms?
A probabilidade de aumento nas vendas em dado ms dada pelo
denominador do Teorema de Bayes, portanto 5,8%.
Exemplo 5:
No Brasil, dos 365 dias do ano, em geral, 146 constituem o perodo
de horrio de vero. Neste perodo constatada uma taxa de 10% de
baixo consumo de energia no horrio considerado de pico, que vai do fim
da tarde e incio da noite. Em dias de horrio convencional, esta taxa cai
para 4%. Considere um dia do ano em que no horrio de pico houve um
baixo consumo de energia. Qual a probabilidade de ter sido em um dia
em que estivesse vigorando o horrio de vero no Brasil?
Soluo:
Elementos da frmula (modelagem):
P(HV)=0,4
P(HV)=0,6
P(BCE/HV)=0,10
P(BCE/HV)=0,04
P(HV) . P(BCE/HV)
P(HV/BCE)=
[P(HV) . P(BCE|HV) + P(HV) . P(BCE|HV)]
67
P(HV/BCE) =
0,4 . 0,10
= 0,625 ou 62,5%
[( 0,4.0,10) + (0,6.0,04)]
Exemplo 6:
Solicitaes de amizade no facebook tm mais probabilidade de

serem aceitas se voc envi-las a pessoas que voc j conhece, como
colegas de classe, amigos, familiares e colegas de trabalho. Sabe-se por
pesquisa que probabilidade da pessoa, que adiciona, conhecer a pessoa
na solicitao de amizade no facebook de 70%. Conhecendo a pessoa,
a probabilidade de ela ser aceita no convite de 60% e no conhecendo
a pessoa, esta probabilidade cai para 20%.
a)Sabe-se que uma pessoa foi aceita no facebook de um usurio que
adicionou, qual a probabilidade de ser de um desconhecido?
b)Qual a probabilidade de um usurio ser aceito no facebook por uma
pessoa que adicionou?
Soluo:
P(CO)=0,70
P(A/CO)= 0,60
P(NCO)=0,30
P(A/NCO)=0,20
(0,3 X 0,2)
a)P(NCO/A)= = 0,125 ou 12,5%

(0,7X0,6) + (0,3X0,2)
68
b)P(A)= (0,7X0,6) + (0,3X0,2)= 0,48 ou 48%
Exemplo 7:
Ao usar o carto bancrio numa grande loja de departamento, a
probabilidade de um cliente optar pela funo dbito de 80% e pela
funo crdito de 20%. Nesta loja s existem disponveis estas duas
formas de pagamento com carto bancrio. Dado que optou pela funo
dbito, probabilidade da transao ser autorizado de 60% e pela funo
crdito, 80%. Um cliente est no caixa da referida loja e a sua transao
acaba de ser autorizada, qual a probabilidade de ter optado pela funo
dbito?
Soluo:
P(D)=0,80
P(A/D)= 0,60
P(C)=0,20
P(A/C)=0,80
(0,8 X 0,6)
P(D/A)= = 0,75 ou 75%

(0,8X0,6) + (0,2X0,8)
69
Exemplo 8:
Seja a probabilidade do Brasil endurecer nas exigncias de entrada
de espanhis no pas de 60%. Dado que o Brasil endureceu na entrada
de espanhis no Brasil em 2013, o percentual de entrada de espanhis no
Brasil de 75% e esse percentual de 80%, se no houver
endurecimento brasileiro nas exigncias de entrada de espanhis no
Brasil. Sabendo que um espanhol entrou no Brasil em 2013, qual a
probabilidade de ter no ter havido endurecimento braseiro nos entraves
de entrada de espanhis no Brasil neste ano?
Soluo:
P(Endurecimento)= 0,60
P(Entrada/Endurecimento)=0,75
P(No-endurecimento)=0,40
P(Entrada/No-endurecimento)=0,80
0,40x0,80
P(No-edurecimento/entrada)=
0,60x0,75+0,40x0,80
0,32
P(No-edurecimento/entrada)=
0,45+0,32
0,32
P(No-edurecimento/entrada)= = 0,42 ou 42%
0,77
70
Exemplo 9:
A probabilidade dos Estados Unidos facilitarem ainda mais a

concesso de vistos aos brasileiros em 2013 de 80%. Dado que os
Estados Unidos facilitaram ainda mais a concesso de vistos americanos
a brasileiros em 2013, a probabilidade da entrada de brasileiros na Terra
do Tio San fica em 90%. Em caso de no facilitao, esse percentual
cai para 36%. Um brasileiro conseguiu visto para entrada nos Estados
Unidos em 2013, qual a probabilidade da Amrica ter facilitado ainda mais
a consseo de vistos?
Soluo:
P(FV)= 0,80
P(E/FV)=0,90
P(NFV)= 0,20
P(E/NFV)=0,36
0,80x0,90
P(FV/E)= = 0,9191
0,80x0,90+0,20x0,36
P(FV/E)= 91,91%
71
Exemplo 10:
Numa pesquisa sobre hbitos de comprar de filmes, sabe-se que 15% da
amostra da pesquisa so de pessoas de classe social alta. Das pessoas
de classe social alta, 25% compram filmes piratas. Dos que no so da
classe desta classe, 45% compram filmes piratas. Responda as perguntas
abaixo.
a)Qual a proporo de pessoas da classe alta que no compram piratas
de jeito nenhum?
b)Selecionando uma pessoa da amostra, constata-se que ela compra
filmes piratas, qual a probabilidade dela ter provindo da classe alta?
c)Selecionando uma pessoa da amostra, qual a probabilidade dela ter o
mau hbito de comprar filmes piratas?
Soluo:
P(Alta)= 0,15
P(Pirata/Alta) = 0,25
P(Alta)= 0,85
P(Pirata/Alta) = 0,45
72
a)Qual a proporo de pessoas da classe alta que no compram piratas

de jeito nenhum?
E = proporo de pessoas da classe alta que no compram piratas de
jeito nenhum
P(E) = P(Pirata/Alta) = 1- 0,25 = 0,75 ou 75%

b)Selecionando uma pessoa da amostra, constata-se que ela compra
filmes piratas, qual a probabilidade dela ter provindo da classe alta?
Probabilidade de Bayes:
(0,15 X 0,25)
P(Alta/Piratas) =
(0,15 X 0,25) + (0,85 X 0,45)
0,0375
P(Alta/Piratas) =
0,0375 + 0,3825
0,0375
P(Alta/Piratas)= =0,089 ou 8,9%
0,42
73
c)Selecionando uma pessoa da amostra, qual a probabilidade dela ter o

mau hbito de comprar filmes piratas?
Teorema da probabilidade Total:
o denominador de Bayes:
P(Pirata) = 0,42 ou 42%
74
Exerccios Propostos:
1) Uma populao de funcionrios da seo de pessoal de uma empresa

formada por 5 pessoas casadas e 7 solteiras. Seleciona-se uma pessoa
aleatoriamente desta populao. Qual a probabilidade desta pessoa ser
solteira?
2) Em uma bolsa tm-se 2 canetas azuis e 1 vermelha. Suponha que uma
pessoa apanhe de forma aleatria uma caneta da bolsa, qual a
probabilidade dela ser azul?
3) Uma empresa de brinquedos tem no estoque 8 bolas brancas, 7 pretas
e 4 verdes. O gerente de vendas seleciona aleatoriamente do estoque
uma bola para ir para o giro. calcule as probabilidades:
a) Selecionar uma bola branca;
b) Selecionar uma bola preta;
c) Selecionar uma bola que no seja verde.
4) Em um conjunto de consumidores, 30% compram um produto da
marca A, 20% da B, 30% da C e 15% da D e 5% da E. Seleciona-se de
um banco de dados, um consumidor deste grupo. Qual a probabilidade de
consumir o produto A ou D?
5) De 300 estudantes de administrao, 100 esto matriculados em
Contabilidade e 80 em Estatstica. Estes dados incluem 30 estudantes
que esto matriculados em ambas as disciplinas. Qual a probabilidade de
que um estudante escolhido aleatoriamente esteja matriculado em
Contabilidade ou em Estatstica?
75
6) Um teste de marketing revelou que a probabilidade de um produto ser

bem recebido pelo mercado de 20% e a probabilidade do mesmo
produto da concorrente 10%. Se os dois eventos so independentes,
qual a probabilidade de ambos serem aceitos pelo mercado consumidor?
7) Em geral, a probabilidade de que um possvel cliente faa uma compra
quando procurado por um vendedor de 40%. Se um vendedor seleciona
do arquivo, aleatoriamente, trs clientes e faz contato com os mesmos,
qual a probabilidade de que os trs faam compras?
8) Uma dona de casa tem 30% de chance de identificar o sabor, quando
vedada, de um tipo de refrigerante. Uma outra dona de casa de casa tem
35%. As duas donas de casa em uma pesquisa qualitativa de entrevista
em profundidade em suas respectivas residncias foram chamadas a
identificar de forma independente o sabor do refrigerante para identificar o
seu tipo. Qual a probabilidade do sabor do refrigerante ser identificado?
9) Em um grupo focal sobre lembrana da marca de certa linha de um
produto, Joo tem 50% de probabilidade de lembrar-se da marca e Pedro,
outro consumidor, tem 60%. Qual a probabilidade da marca da certa linha
do produto ser lembrada?
10) Em uma pesquisa de mercado, probabilidade de um homem lembrar
quantas vezes foi ao cinema no ano passado de 1/4 e a probabilidade
de sua esposa lembrar quantas vezes foi ao cinema no ano passado de
1/3. Encontre as probabilidades:
a) Ambos lembrarem quantas vezes foi ao cinema no ano passado;
b) Nenhum lembrar quantas vezes foi ao cinema no ano passado;
c) Somente a esposa lembrar quantas vezes foi ao cinema no ano
passado;
76
d) Somente o homem lembrar quantas vezes foi ao cinema no ano

passado.
11) A probabilidade de um produto satisfazer as necessidades do cliente
de 25%. A probabilidade de satisfazer as necessidades do cliente e
tambm fidelizar o consumidor de 20%. Supondo que o pesquisador
atravs de pesquisa de mercado constatou que o produto satisfez as
necessidades dos clientes, qual a probabilidade de fidelizar tambm o
mercado alvo?
12) Em uma pesquisa, constatou-se que 50% dos clientes cadastrados
tm somente carto de crdito Visa; 30% Mastercard e, 20% Visa e
Mastercard. Qual a probabilidade de um cliente que j tenha carto de
crdito Visa, ter tambm o Mastercard?
13) Uma pesquisa feita junto aos vestibulandos com opes para o curso
de economia revelou que 30% dos candidatos fizeram contabilidade, 23%
fizeram o curso cientfico e 47% outros cursos no ensino mdio. Dos que
estudaram no ensino mdio contabilidade, 35% conseguiram a vaga, no
cientfico 65% e em outros cursos, 18%. Aps as aprovaes, escolheuse uma prova de um candidato aprovado, qual a probabilidade de ter feito
o curso cientfico?
14) Entre os clientes cadastrados que possuem carto de crdito de uma
loja, constatou-se que 60% tm somente o Visa e 40% somente o
Mastercard. Nenhum dos clientes da loja tm os dois cartes ao mesmo
tempo. Dado que cliente Visa, 15% so inadimplentes e dado que
Mastercard, 5% so inadimplentes. Uma pessoa selecionada
aleatoriamente do banco de dados de clientes cadastrados e constata-se
que inadimplente, qual probabilidade de ser um cliente Visa?
77
15) De acordo com dados coletados em uma pesquisa, apresentado o

quadro abaixo:
Indivduo
1
2
3
4
5
Nacionalidade (A)
Americana (AME)
Brasileiro (BRA)
Argentino (ARG)
Brasileiro (BRA)
Argentino (ARG)
Idade (B)
38
34
41
43
37
Gasto c/ alimentao (C)

R$ 2900,0
R$ 3100,00
R$ 3200,00
R$ 2900,00
R$ 3000,00
Calcule a probabilidade dos eventos indicados:

a) D = {BRA e C> 3000} P (D) = ?
b) E = {B< 40}, F = {ARG e C 3000} P(E F) = ?
c) Dos itens (a) e (b) P (D/E) = ?
16) Em uma agncia bancria, 30% das contas so de clientes que
possuem cheque especial. O histrico do banco mostra que 3% dos
cheques apresentados so devolvidos por insuficincia de fundos e que
dos cheques especiais, 1% so devolvidos por insuficincia de fundos.
Calcule a probabilidade de que:
a) Um cheque no especial que acaba de ser apresentado ao caixa seja
devolvido.
b) Um cheque seja especial, sabendo-se que acaba de ser devolvido.
17) A associao das seguradoras de veculos afirma que 40% dos
veculos em circulao possuem seguro e que dos veculos sinistrados
45% possuem seguro. O Departamento de Trnsito informa que 8% dos
veculos sofrem algum tipo de sinistro durante um ano. Calcule a
probabilidade de que um veculo segurado no sofra sinistro durante um
ano.
78
18) Um pesquisador desenvolve sementes de quatro tipos de plantas, P 1,

P2, P3 e P4. Plantados canteiros-pilotos destas sementes, a probabilidade
de todas germinarem de 40% para P 1, 30% para P2, 25% para P3 e 50%
para P4.
a) Escolhido um canteiro ao acaso, verificou-se que nem todas as
sementes haviam germinado. Calcule a probabilidade de que o canteiro
escolhido seja o de semente de P3.
b) Escolhido um canteiro ao acaso, verificou-se que todas as sementes
haviam germinado. Calcule a probabilidade de que o canteiro escolhido
seja o de sementes de P1.
19) Um candidato e seus correligionrios tm uma expectativa de 90% de
que ganharo as prximas eleies. Um auxiliar de campanha resolveu
por conta prpria fazer uma pesquisa sobre o fato, entrevistando
indivduos do comit do candidato e de pessoas que l compareciam para
pedir favores em troca de votos. Se o resultado desta pesquisa confirmar
o fato, nada se altera ou seja, a probabilidade de a pesquisa acertar o
resultado de 90%. Se o resultado no confirmar a expectativa, o
ambiente se modifica, j que nestas circunstncias, a pesquisa tem
credibilidade quase total. Considerando estes fatos, ele atribui pesquisa
uma probabilidade de 98% de acertar, se concluir pela derrota nas
eleies. Se este fato ocorrer, qual a nova expectativa do candidato?
20) O encarregado de uma agncia de detetives comenta com uma
cliente: Se chegarmos a concluso de que seu marido infiel, pode
acreditar, pois nossa margem de erro de apenas 5%. Entretanto, se as
provas que conseguirmos no forem convincentes, diremos que ele fiel.
Neste caso, nossa margem de erro 30%. A cliente diz ter quase certeza
de que o marido infiel, isto , acha que a probabilidade disto ocorrer
de 90%.
79
a) Se a investigao concluir que o marido infiel, qual a nova

expectativa da cliente?
b) E se a investigao concluir que no?
21) Os funcionrios de uma empresa foram classificados de acordo com
seu grau de escolaridade e nvel salarial segundo o quadro abaixo:
Nvel Salarial
Nvel I
Nvel II
Nvel III
Nvel IV
E. FUND.
120
40
1
0
Grau de Escolaridade
E. MDIO
20
10
5
1
E. SUPER.
0
2
4
5
Um funcionrio escolhido ao acaso. Determine a probabilidade de que:

a) Tenha somente o ensino fundamental.
b) Tenha o ensino mdio.
c) Tenha somente o ensino mdio.
d) Tenha nvel salarial II e ensino mdio.
e) Tenha nvel salarial III sabendo-se que tem ensino superior.
f) Tenha ensino mdio sabendo-se que tem nvel salarial III.
g) Tenha ensino superior e nvel salarial I.
h) Tenha nvel salarial III ou ensino mdio.
i) Tenha nvel salarial menor que III.
j) Tenha ensino fundamental ou ensino mdio sabendo-se que tem nvel
salarial maior que II.
22) Uma empresa produz 4% de peas defeituosas. O controle de
qualidade da empresa realizado em duas etapas independentes. A
primeira etapa acusa um pea defeituosa com 80% de probabilidade de
acerto. A segunda etapa acusa uma pea defeituosa com 90% de
probabilidade.
80
Calcule a probabilidade de que:

a) Uma pea defeituosa passe pelo controle de qualidade.
b) Ao adquirir uma pea produzida por esta empresa, ela seja defeituosa.
23) Uma pesquisa realizada sobre a preferncia dos consumidores por
categorias de veculos A, B e C de uma indstria automobilstica revelou
que dos 500 entrevistados:
210 preferiam o veculo A
230 preferiam o veculo B
160 preferiam o veculo C
90 preferiam os veculos A e B
90 preferiam os veculos A e C
70 preferiam os veculos B e C
120 dos entrevistados no preferiam nenhuma das trs categorias.
Um consumidor selecionado ao acaso entre os entrevistados. Calcule a
probabilidade de que:
a) Ele prefira as trs categorias.
b) Ele prefira somente uma das categorias.
c) Ele prefira pelo menos duas categorias.
81
24) As fbricas A, B e C so responsveis por 50%, 30% e 20% do total

de peas produzidas por uma companhia. Os percentuais de peas
defeituosas na produo destas fbricas valem respectivamente 1%, 2%
e 5%. Uma pea produzida por esta companhia adquirida em um ponto
de venda. Determine a probabilidade de que:
a) A pea seja defeituosa.
b) A pea tenha sido produzida pela fbrica C, sabendo-se que
defeituosa.
c) No tenha sido produzida pela fbrica A se ela boa.
25) Uma mquina produz parafusos e sabe-se que o percentual de
parafusos defeituosos produzidos de 0,5%. Sabendo-se que a
fabricao constitui um processo independente, calcule a probabilidade
de:
a) Aparecer dois parafusos defeituosos em sequncia.
b) Aparecer um parafuso defeituoso e um parafuso perfeito, em sequncia
nesta ordem.
c) Aparecer um parafuso perfeito e um parafuso defeituoso em sequncia.
d) Aparecer trs parafusos perfeitos em sequncia.
82
26) Uma junta aparadora de votos recebe 50 urnas, dos quais 5 vindas de
bairro classe A, 15 de bairros classe B e 30 de bairros classe C. A ltima
pesquisa realizada mostrou o quadro de intenes de votos:
Candidato
H.C.
LAL
Vetarola
Bairro A
40
20
10
Inteno de Votos por Bairro (%)

Bairro B
Bairro C
30
25
25
25
5
5
O primeiro voto anunciado foi do candidato H.C. Um partidrio de LAL

disse que o voto de um indivduo da classe A. Qual a probabilidade de
ele estar certo?
27) Uma pesquisa realizada entre 200 clientes de uma agncia de
automveis mostrou que 150 preferem carros nacionais, 100 preferem
carros populares e 80 preferem carros populares nacionais. Calcule a
probabilidade de que o prximo cliente a ser atendido nesta agncia:
a) Solicite um carro nacional
b) No solicite um carro popular
c) Solicite um carro popular ou nacional
83
28) No departamento de mtodos quantitativos de uma Faculdade, 60%

dos professores lecionam Matemtica, 30% lecionam Estatstica e 20%
dos professores de Matemtica tambm lecionam Estatstica. Calcule a
probabilidade
de
que
um
professor
selecionado
ao
acaso
no
Departamento:
a) Lecione Matemtica e Estatstica
b) Lecione matemtica e no lecione Estatstica
c) Lecione Estatstica e no lecione Matemtica
d) Lecione Matemtica ou Estatstica
e) No lecione Matemtica, sabendo-se que leciona Estatstica.
29) A probabilidade de que um carro apresente problemas de carburao
de 40%, e de distribuio de 30%. Se o problema for de carburao, a
probabilidade de conserto no local de 80%. Se o problema for de
distribuio, a probabilidade de conserto no local de 60%. Se o
problema for de outro natureza, a probabilidade de conserto no local de
10%. Um carro acaba de apresentar problemas. Calcule a probabilidade
de que seja consertado.
30) Uma pessoa deseja fazer sua barba de manh. Ele possui para isto
apenas um barbeador eltrico que funciona com um conversor ligado
rede eltrica, ou com duas pilhas. A probabilidade de que no haja
problemas de energia eltrica no momento de 90%. Caso haja
problemas de energia eltrica, ele possui duas pilhas usadas, cuja
probabilidade individual de funcionamento de 40%. Calcule a
probabilidade de que esta pessoa consiga fazer sua barba de manh.
84
31) Uma empresa est desenvolvendo trs projetos. Uma avaliao no

estgio atual de desenvolvimento dos projetos resultou na tabela abaixo:
Avaliador
Probabilidade de terminar no prazo- Otimista
Probabilidade de no terminar no prazo- Pessimista
A
80%
40%
B
70%
20%
C
50%
5%
Qual a probabilidade de a empresa terminar pelo menos dois projetos

no prazo, se:
a) O avaliador otimista
b) O avaliador pessimista
32) Uma pea processada em trs mquinas A, B e C. A probabilidade
de cada uma delas acarretar defeitos na pea de 1%, 2% e 3%
independentemente. Calcule a probabilidade de que uma pea seja
processada sem defeitos.
33) Uma fbrica de bonecas tem trs linhas de produo. Um
levantamento no final do dia forneceu as informaes:
Linha
Produo
No de Peas
A
B
C
24
38
18
Defeituosas
6
2
2
Calcule a probabilidade de que uma boneca escolhida ao acaso:

a) No apresente defeitos.
b) Apresentando defeitos, seja proveniente da linha A.
85
34) Os jogadores A e B jogam 12 partidas de xadrez. A vence seis, B

vence quatro e duas terminam empatadas. Eles iro disputar mais trs
partidas constantes de um torneio. Qual a probabilidade de:
a) A vencer as trs partidas.
b) Duas partidas terminarem empatadas.
c) B vencer pelo menos uma partida.
35) Uma pessoa foi contactada por uma agncia de turismo afirmando
que ela havia sido sorteada e ganho uma viagem de graa para a cidade
de Natal. A pessoa acredita que haja uma probabilidade de 70% de a
proposta ser sria. Consultando um amigo familiarizado com estas
promoes, ele afirmou que a proposta era sria. A expectativa de que o
amigo acerte um caso afirmativo de 90% e em caso negativo de 50%.
Qual a nova confiana da pessoa na lisura da proposta?
36) Uma empresa de consultoria, especialista em solucionar problemas
relativos
lanamentos
de
produtos,
classifica
os
problemas
apresentados em trs categorias A, B e C. 50% dos problemas so

classificados na categoria A, 40% na categoria B e o restante na categoria
C. A capacidade histrica de resolver problemas das diversas categorias
de 80% se o problema for da categoria A, 90% se for da B e 10% se for
da C. Calcule a probabilidade de que:
a) A empresa consiga solucionar o primeiro problema a dar entrada no dia
de hoje.
b) A empresa consiga solucionar os trs problemas que entraram no dia
de hoje.
c) Um dos problemas que entraram hoje, acaba de ser resolvido. Qual a
probabilidade que seja da categoria C?
86
37) Uma imobiliria trabalha com vendedores A e B. A probabilidade de A

vender um imvel de 5% e a de B vender de 8%. Operando
normalmente, qual a probabilidade de que:
a) Um deles venda um imvel
b) Apenas um deles venda um imvel
c) Nenhum deles venda
38) Se os eventos A e B so tais que: P(A) = 0,3, P (B) = 0,6, calcule:
a) P(A B) se A e B so independentes.
b) P(A B) se A e B so mutuamente exclusivos.
c) P (A/B) se P (A B) = 0,2
d) P (A B) se P (A B) = 0,2.
39) No lanamento de um dado e na observao do nmero de pontos da
face superior, os eventos:
A = {2, 3, 4, 5} e B = {3, 6}
a) So mutuamente exclusivos?
b) So independentes?
87
40)Suponhamos que 80% dos compradores de carros sejam bons

pagadores. Suponhamos, alm disso, que haja uma probabilidade de 0,7
de que um bom pagador obtenha carto de crdito e que esta
probabilidade passe a ser de apenas 0,4 para um mau pagador. Calcule a
a)Um comprador de carro selecionado ao acaso tenha um carto de
crdito;
b)Um comprador de carro selecionado ao acaso e que tenha um carto
de crdito seja um bom pagador;
c)Um comprador de carro escolhido ao acaso e que no tenha carto de
crdito seja um bom pagador.
41) Observou-se em 10 dias a freqncia com que uma dada pessoa foi
praia e se fez sol:
Dia
10
Foi a
Praia?
Fez
Sol?
Tomando por base as informaes acima, responda:

d) Qual a probabilidade da pessoa em geral ir praia?
e) Sabendo que fez sol, qual a probabilidade da pessoa ir em geral
praia?
f) Os eventos a pessoa ir praia e fazer sol so independentes ou
condicionados?
88
Unidade II
Variveis Aleatrias
Conceitos de Variveis Aleatrias:
Toda vez que uma varivel quantitativa influenciada pelo acaso, diz-se
que uma varivel aleatria. Seus resultados so imprevisveis, pois cada um
deles resulta de fatores no-controlados.
Exemplo:
Imagine uma empresa que em cada ms do ano existe sempre a
mesma
poltica.
No
entanto,
mesmo
com
todas
estas
caractersticas administrativas controladas, as vendas do produto

em cada ms tm valor diferente. Essa variabilidade ocorre ao
acaso, pois resulta de uma soma de fatores no-controlados
tambm.
Apesar de todo um esforo por parte do governo para controlar o
consumo de uma sociedade, em cada momento o consumo ou a
demanda por produtos varia, de forma aleatria, imprevisvel, pois
existem outros fatores que tambm influenciam a demanda por
produtos que no podem ou no foram controlados.
Muitos resultados de experincias aleatrias apresentam resultados que
no so numricos, so qualitativos. Mas variveis aleatrias devem ser
necessariamente quantitativas. Quando no forem a princpio, precisam ser,
ento, codificadas em valores.
89
Portanto, varivel aleatria X pode ser matematicamente definida como

uma funo que associa a cada ponto do espao amostral um nmero real.
.S
X(S)
E: lanamento de duas moedas

X: Nmero de caras obtidas nas duas moedas, onde k = cara e c = coroa
S : {(c,c) ; (c,k) ; (k,c) ; (K,k)}
x = 0 corresponde ao evento (c, c) com probabilidade 1/4
x = 1 correspondem ao evento (k, c) ou (c,k) com probabilidade 2/4
x = 2 corresponde ao evento (k, k) com probabilidade 1/4
Variveis Aleatrias Discretas:

Uma varivel aleatria X ser discreta se um dado valor que puder
assumir se originar de um processo de contagem. Seus valores podem ser
associados aos nmeros naturais (0,1, 2, 3, 4, etc).
90
Exemplos:
Num banco, um determinado caixa pode atender no horrio

comercial 0, 1, 2, 3 ... clientes.
O nmero de filhos de uma famlia consultada em uma pesquisa

de mercado uma varivel aleatria discreta.
O nmero de acidentes de carro na linha vermelha em certo dia

na Linha Vermelha.
Atirando-se 6 vezes uma moeda podemos definir como varivel

aleatria discreta o nmero de vezes que ocorre cara nas 6
provas. Esta varivel pode assumir os valores:
X1 = 0 X2 = 1 X3 = 2 X4 = 3 X5 = 4 X6 = 5 X7 = 6
Numa fbrica o nmero mensal de acidentes uma varivel

aleatria discreta. Num dado ms, podemos ter nenhum caso de
acidente, ou 1 caso, ou 2 casos, etc.
91
Distribuio de Probabilidade:
Entende-se por distribuio de probabilidades o conjunto de todos

os valores que podem ser assumidos por uma varivel aleatria
discreta, com as respectivas probabilidades.
Quando os resultados da varivel aleatria X so apresentados

em termos de suas probabilidades de ocorrncia (ou em termos
de
frequncias
relativas
com
amostras
ou
experincias
suficientemente grandes), tm-se, ento, uma distribuio de

probabilidades.
A probabilidade de que cada varivel aleatria X assuma o valor x

descrito em uma tabela ou por um modelo matemtico e se
chama distribuio de probabilidade de X, que podemos
representar por P (X=x) ou simplesmente P(x).
Se os resultados da varivel aleatria so resultantes de

contagem, do conjunto dos nmeros naturais, ento nas
condies acima, temos uma distribuio de probabilidade
discreta.
92
Exemplo 1:
Ento, os resultados que podem ocorrer no lanamento de um dado,
com as respectivas probabilidades, constituem uma distribuio discreta de
probabilidades.
X
1
2
3
4
5
6
Total
P (x)
1/6
1/6
1/6
1/6
1/6
1/6
1
Exemplo 2:
E: lanamento de duas moedas
X: nmero de caras obtidas
As expresses mais comuns para P (X) so:
93
Tabela:
x
P (x)
0
1/4
1
2/4
2
1/4
Modelo Matemtico:
x
P (x) = 1/4 C2
Funo Repartio de Probabilidades:
A funo de repartio da varivel aleatria X, no ponto x, a
probabilidade de que X assuma um valor menor ou igual a x, isto :
F (x) = P ( X x)
Algumas propriedades:
1) F (- ) = 0
2) F (+) = 1
3) F (x) contnua direita
4) F (x) descontnua esquerda
5) F (x) no decrescente
94
Esperana Matemtica ou Mdia: E (X):

A esperana matemtica de uma varivel aleatria X a soma de todos
os produtos possveis da varivel aleatria pela respectiva probabilidade:
E (X) = x = = xi . P (xi)
Conceitos Prticos do Parmetro Esperana Matemtica:

o Numa sequncia muito longa da experincia aleatria ou numa
amostra suficientemente grande, se espera que os resultados da
varivel aleatria se concentrem em torno de sua esperana.
o De um modo geral, o valor esperado pode ser interpretado como
o valor mdio da varivel aleatria em uma longa sequncia de
experincias aleatrias.
o o valor em torno do qual esto concentrados os resultados da
varivel aleatria.
o Os resultados da varivel aleatria giram em torno deste valor.
o uma medida do nvel geral da varivel aleatria ou do padro
regular dos resultados da varivel aleatria.
95
Exemplos:
Seja uma varivel aleatria definida como o ponto obtido no

lanamento de um dado. Calcular E(X).
x
1
P(x)
1/6
x . P(x)
1/6
1/6
2/6
1/6
3/6
1/6
4/6
1/6
5/6
1/6
6/6
21/6 = 3,5
E(X) = 21/6 = 3,5
As chamadas dirias do corpo de bombeiros apresentam a

seguinte distribuio de probabilidades. Calcular E(X)
X= nmero de chamadas/dia.
x
P(x)
x.P(x)
0,10
0,15
0,15
0,30
0,60
0,25
0,75
0,15
0,60
0,05
0,25
1,00
2,35
96
E(X) = 2,35 chamadas/dia
Uma empresa tem 4 caminhes de aluguel. Sabe-se que o

aluguel feito por dia e que a distribuio diria do nmero de
caminhes alugados especificada abaixo. Calcular E(X).
X
0
P(x)
0,10
x. P(x)
0
0,20
0,20
0,30
0,60
0,30
0,90
0,10
0,40
1,00
2,10
E (X) = 2,1 caminhes/dia
97
Varincia: V(x):
Fornece o grau de disperso dos valores da varivel aleatria em torno
da mdia. uma medida do grau de heterogeneidade dos resultados da
varivel aleatria. uma medida de disperso ou variabilidade dos resultados
da varivel aleatria.
V (x) = 2 = x2i . P (xi) [E (X)]2
Observaes:
Quanto mais alto o valor da varincia, mais dispersos ou

afastados os valores da varivel aleatria esto de seu valor
mdio.
A raiz quadrada da varincia o desvio-padro da varivel

aleatria:
S (X) = V(X).
O coeficiente de variao da varivel aleatria uma medida em

termos percentuais definido : CV(X) = [S(X)/E(X)] . 100.
98
Exemplos:
Seja uma varivel aleatria definida como o ponto obtido no

lanamento de um dado. Calcular V(X).
X
P(x)
X . P(x)
X2 . P(x)
1/6
1/6
1/6
1/6
2/6
4/6
1/6
3/6
9/6
1/6
4/6
16/6
1/6
5/6
25/6
1/6
6/6
36/6
3,5
91/6 = 15,2
V(X) = 15,2 (3,5)2 = 15,2 12,2 = 3,0
As chamadas dirias do corpo de bombeiros apresentam a

seguinte distribuio de probabilidades. Calcular V(X)
X= nmero de chamadas/dia.
X
P(x)
X.P(x)
X2 P(x)
0,10
0,00
0,15
0,15
0,15
0,30
0,60
1,20
0,25
0,75
2,25
0,15
0,60
2,40
0,05
0,25
1,25
1,00
2,35
7,25
V(X) = 7,25 (2,35)2 = 7,25 5,52 = 1,73
99
Uma empresa tem 4 caminhes de aluguel. Sabe-se que o

aluguel feito por dia e que a distribuio diria do nmero de
caminhes alugados especificada abaixo. Calcular V(X).
X
0
P(x)
0,10
x. P(x)
0
x2 P(x)
0,00
0,20
0,20
0,20
0,30
0,60
2,40
0,30
0,90
2,70
0,10
0,40
1,60
1,00
2,10
6,90
V(X) =6,90 (2,1)2 = 6,90 4,41 = 2,49
100
Joo e Paulo esto numa boate e tem uma menina extremamente

bonita, porm muito difcil de ser conquistada. Joo diz que est
com muita vontade de beij-la, mas Paulo o desencoraja,
alegando que das inmeras vezes que foi boate s presenciou
que 10% dos garotos que sem aproximaram da menina
conseguiram beij-la. Joo, ento, muito autoconfiante, faz uma
aposta com Paulo, afirmando que vai tentar beijar a menina e se
conseguir beij-la, ele ganha R$ 1000,00 de Paulo e se no
conseguir, ter que pagar a Paulo R$ 100,00. Se Joo tentar um
nmero suficientemente grande de vezes e a menina aceita ou
no os beijos de forma independente, qual o ganho esperado de
Joo? Este um jogo justo?
Soluo:
E(X) = 0,10 . (+1000) + 0,90 . (-100) = 0,10 . 1000 0,90 . 100 = R$
10,00.
Um jogo justo quando sua esperana de ganho nula,
favorvel ao apostador quando positiva e desfavorvel quando
negativa. Neste caso favorvel ao apostador (Joo).
101
Propriedades da Esperana Matemtica:

Com certo esforo matemtico pode-se demonstrar que:
1)A esperana de uma constante prpria constante;
E(k) = k
2)Multiplicando uma varivel aleatria por uma constante,

sua esperana ficar multiplicada por essa constante:
E(kX) = kE(X)
3)A esperana da soma ou diferena de duas variveis

aleatrias a soma ou diferena das esperanas:
E(X Y) = E(X) E(Y)
4)Somando-se ou subtraindo-se uma constante a uma

varivel aleatria, sua mdia fica somada ou subtrada da
mesma constante:
E(X K) = E(X) K
5)A esperana dos desvios da varivel em relao

prpria esperana Zero:
E((X E(X))
102
6)A esperana do produto de duas variveis aleatrias

independentes o produto das esperanas:
E(XY) = E(X) . E(Y)
Propriedades da Varincia:
Com certo esforo matemtico pode-se mostrar que:
1)A varincia de uma constante ZERO:
V (K) = 0
2)Multiplicando-se
uma
varivel
aleatria
por
uma
constante, sua varincia fica multiplicada pelo quadrado

da constante:
V (KX) = K2 V (X)
3)Somando-se ou subtraindo-se uma varivel por uma

constante, sua varincia no se altera:
V (X K) = V (X)
103
4)A varincia da soma ou diferena de duas variveis

aleatrias independentes a soma das respectivas
varincias:
V (X Y) = V (X) + V (Y)
Exemplo:
Numa indstria de produtos alimentcios, um determinado
material
acondicionado
em
pacotes
numa
mquina
automtica. A empacotadeira est regulada para pesar em

mdia 200g de material, porm, dado o grau de preciso da
mquina, o peso real obtido se distribui em torno dessa mdia
com desvio-padro 3 gramas. Supondo que a embalagem tem
um peso constate de 25 gramas, qual a mdia e o desviopadro do peso bruto do pacote?
Soluo:
Seja X o peso do material. Este peso uma varivel aleatria
em que:
E(X) = 200 g
V(X) = 9 g2
S(X) = 3 g
O peso bruto do pacote ser:
Z = X + 25
104
Portanto:
E(Z) = E(X +25) = E(X) +25 = 200 +25 = 225 g
V(Z) = V(X + 25) = V(X) = 9 g2 S(Z) = 9 = 3 g
105
Variveis Aleatrias Contnuas:

O pesquisador estuda variveis. O estatstico diz que essas
variveis so aleatrias porque tm uma componente que varia ao
acaso. Variveis aleatrias contnuas so todas as variveis
aleatrias que resultam de processo de medio.
Exemplos:
Altura de uma CPUS de computadores de uma

empresa;
Peso de clientes de um SPA;
Grau de satisfao de consumidores com certo

servio;
Variao de consumo de uma populao;
Extenso, em metros, de formulrio contnuo produzido

pelo output de um programa computacional;
Produto interno bruto de um pas;
Tempo que um banco de dados demora em finalizar

uma pesquisa relacional.
ndice de inflao de um pas em dado ms;
Juros brasileiros ao longo dos meses;
Tempo para execuo do download de um programa

computacional;
ndice de exportao e importao ao longo dos

meses;
Tempo que um programa demora na realizao de

uma tarefa;
Tempo de vida de lmpadas produzidas em uma

indstria;
106
Dimetros das cabeas de parafusos comercializados

por uma empresa;
Taxa de cmbio ao longo dos meses.
Peso de CPUS de computadores de uma empresa;
Taxa Selic a cada dia;
Tempo que um analista demora para finalizar um

programa computacional;
Altura de estudantes consultados em uma pesquisa de

mercado;
Tempo que um programa leva para verificar se um

computador tem vrus;
Tempo que um perito leva para identificar hackers que

vem atacando os computadores de empresas de uma
cidade.
Tempo em que os sinais de trnsito ficam fechados.
Clculo de Probabilidades Envolvendo Variveis Aleatrias

Contnuas:
A tabela de distribuio de probabilidades de uma varivel
aleatria contnua apresenta uma infinidade de pontos muito
prximos e distintos, cada uma, ento, com probabilidades
desprezveis. No tem sentido, o clculo de probabilidade no ponto,
P(X = x), porque igual praticamente zero.
107
Exemplo:
Tabela: Alturas de Alunos de uma Academia
Alturas
1,70
1,71
1,72
1,73
1,74
1,75
1,76
1,77
1,78
1,79
1,80
1,81
1,82
1,83
1,84
1,85
1,86
1,87
1,88
Total
P(X)
0.0
0.0
0.0
0.1
0.0
0.1
0.0
0.1
0.0
0.1
0.0
0.0
0.1
0.1
0.0
0.0
0.0
0.1
0.0
1.0
108
Concluses:
o Por ser uma varivel contnua, as ocorrncias das

variveis so muito prximas: um centsimo j
diferencia uma realizao da outra, gerando uma nova
frequncia absoluta;
o Isso faz com que as freqncias absolutas sejam
desprezveis em comparao com o tamanho da
amostra, gerando freqncias relativas prximas de
zero. Observe que cada altura tem valores muito
prximos e probabilidades tendendo zero.
o Probabilidades no ponto no tem sentido: P(X=
1,70)P(X=1,71)P(X=1,72)P(X=1,73)0
o Mas a probabilidade de P(X1,75)= 0,20, no to
desprezvel; o mesmo ocorrendo com P(X1,79)= 0,40.
o Para sermos mais racionais, no campo contnuo, as
variveis sempre sero consideradas em termos de
intervalos
para
clculo
de
probabilidades:
X<x,
x1<X<x2; e X>x.
Portanto, a probabilidade de um dado valor (ponto)

zero. No campo contnuo, no existe probabilidade num ponto:
P(X=x) = 0.
Podemos estender todas as definies de variveis
aleatrias discretas para variveis contnuas.
109
Distribuio de Probabilidades ou Funo Densidade de

Probabilidade
Uma varivel aleatria X contnua se existir uma funo f(x),

tal que;
1) f(x) 0 (no negativa)
2)
funo
f(x)
chamada
Funo
Densidade
de
Probabilidade (F.D.P).
Observamos que:
P(a<X<b) =
Funo Repartio de Probabilidades:
P(X < x) = F(x) =
Esperana Matemtica:
E(X) =
Varincia:
110
V(X) = E(X2) [E(X)]2 =
111
Propriedades da Esperana e da Varincia:

Todas as propriedades vlidas para a varivel aleatria
discretas so vlidas para as variveis aleatrias contnuas.
Exemplos:
1)Uma varivel aleatria X pode ser definida pela seguinte
funo densidade de probabilidade:
f(x) = kx
para 0 < x < 2
f(x) = 0
caso contrrio
Pede-se:
a) O valor de k;
b) F(1);
c) E(X);
d) V(x).
a) O valor de k:
2
K. X dx = 1
0
K = 1/2
112
b) F(1):
F(1) = P(x 1) =
F(1) = (1/2). X dx = 1/4

0
c) E(x):
E( X )= X. (1/2). X dx = 4/3
0
d) V(x):
E( X2 )= X2. (1/2). X dx = 2
0
V(X)= 2 (4/3)2 = 2/9
113
2)Seja X uma varivel aleatria contnua com a seguinte funo de

densidade de probabilidade:
1
x para 0 x 2
f ( x) 2
0 para x
Calcular: P(0X1)
Soluo:
P(0X1) = 01 1/2xdx
P(0X1) = 1/2 01 xdx
P(0X1) = 1/2 01 x2/2dx
P(0X1) = 1/2 [ x2/2]01
P(0X1) = 1/2 [1/2 0/2] = 1/2 . 1/2 = 0,25
3) Uma varivel aleatria X tem a seguinte funo densidade de

probabilidade:
f(x) =
KX3
0
para 0 X 2
para X fora desse intervalo
Determinar:
a)A constante K
b)P(X 1)
114
Soluo:
a)
2
KX3 dx = 1
0
K X3 dx = 1
0
K[ X4 / 4] = 1
0
K[ 24/4 04/4] = 1
K[16/4] = 1
4K = 1
K = 1/4
b)
P(X 1)
P(X 1) = F( 1 ) =
1
1/4 X3 dx =
0
1/4 X3 dx =
0
1/4[ X4 / 4] =
0
115
1/4[ 14/4 04/4] = 1/4 . 1/4 = 1/16 = 0,0625 ou 6,25%
4)Achar a mdia e o desvio-padro da seguinte distribuio de

probabilidade:
f(x) = 3X2
para 0 X 1
a)
Mdia:
1
E( X )= X. 3. X2 dx
0
E( X )= 3. X3 dx
0
3[ X4 / 4] = 3[ 1/4 ] = 3/4
0
Desvio-padro:
1
E( X2 )= X2. 3. X2 dx
0
E( X2 )= 3. X4 dx = 3[X5/5] = 3[1/5] = 3/5

0
V( X ) = 3/5 ( 3/4 )2 = 3/5 9/16 = 3/80 = 0,0375
116
_______ ___
S( X ) = 0,0375 = 0,1936
5)Uma varivel aleatria contnua tem funo densidade de probabilidade

como dada abaixo:
f(X) =
KX
0 < X< 1
caso contrrio
a)Encontre o valor de K;
b)Encontre a mdia da distribuio.
a)
0 KX dx =1
0 KX dx =1
117
K 0 X dx =1
1
K[ X2/2]0 = 1
1
K[1/2]0 = 1
K
=1
2
K= 2
b)
f(X) =
2X
0 < X< 1
caso contrrio
E(X)= 0 X. 2X dx =
1
E(X)= 0 2X2 dx =
1
E(X)= 2 0 X2 dx =
1
E(X)= 2[ X3/3]0 =
E(X)= 2[ 1/3 - 0] = 2/3
118
6)Um profissional de computao observou que seu sistema leva de 0 a 2

segundos
para
realizar
download
com
funo
densidade
de
probabilidade abaixo:
K(2+X)
0x2
caso contrrio
Pede-se:
a)Descubra o valor de K
b)Calcule E(X)
Soluo:
a)
2
0 K(2+X) dx =1
0 2Kdx + 0 KXdx =1
2K0 dx +K 0 Xdx =1
119
2K[X]0 + K [X2/2]0 = 1
2K[2-0] + K[4/2 - 0] =1
4K + 2K=1
6K=1
1
K=
6
b)
0 X(1/6)(2+X) dx =
0 (1/6)(2X+X2) dx=
2
(1/6)0 (2X+X2) dx=
(1/6)0 (2X)dx+(1/6)0 X2 dx=
(1/6) x 20 (X)dx+(1/6)0 X2 dx=
(1/3)0 (X)dx+(1/6)0 X2 dx=
120
(1/3) [X2/2]dx+(1/6)[ X3/3] dx=

0
(1/3)[(4/2 0) + (1/6)[8/3] =
(1/3)[(2 0) + (1/6)[8/3] =
(1/3)[(2) + (1/6)[8/3] = (2/3)+(4/9) = 20/18 = 10/9
121
1)Suponhamos que apostamos em um jogo simples de atirar uma moeda,
na qual recebemos R$ 3.000,00, quando a face cara cai para cima e
perdemos R$ 2.000,00, quando a face para cima for coroa. O jogo
favorvel para o apostador?
2)Um homem deseja segurar a sua casa contra incndio. O valor da casa
R$30.000. O prmio anual que deve pagar para o seguro de sua casa
R$ 4.000. Se a probabilidade de que o fogo destrua a casa de 1/10.000,
o seu contrato de seguro um jogo justo.
3)Um fabricante de pneus de automveis conservou os registros da
qualidade de seu produto e obteve o seguinte quadro de valores baseado
nos ltimos seis meses de produo.
0
60
N defeitos
Porcentagens
1
22
2
8
3
5
4
3
5
2
6
0
Calcular a mdia e o desvio padro do nmero de defeitos.

4)Um banco pretende aumentar a eficincia de seu caixa. Oferece um
prmio de R$ 150,00 para mais de 42 clientes atendidos. O banco tem um
ganho operacional de R$ 100,00 para cada cliente atendido alm de 41.
As probabilidades de atendimento so:
N de clientes
Probabilidade
41
0,88
42
0,06
43
0,04
44
0,01
45
0,006
46
0,004
Qual a esperana de ganho, se este novo sistema for implantado?
122
5)Os empregados A, B, C e D ganham 1, 2, 2 e 4 salrios mnimos

respectivamente. Retiram-se amostras com reposio de 2 indivduos e
mede-se o salrio mdio da amostra retirada. Qual a mdia e desvio
padro do salrio mdio amostral?
6)As probabilidades de que haja em cada carro que vo a Santos num
sbado 1, 2, 3, 4, 5 ou 6 pessoas so respectivamente: 0,05; 0,20; 0,40;
0,15; 0,12; 0,08. Qual o nmero mdio de pessoas por carro? Chega-se a
Santos 4.000 carros por hora, qual o nmero esperado de pessoas na
cidade, em 10 horas de contagem?
7)Um processo de fabricao produz peas com peso mdio de 30g e
desvio padro de 0,7 g. Essas peas so acondicionadas em pacotes de
uma dzia cada. A embalagem pesa em mdia 40g com varincia 2,25g 2.
Qual a mdia e o desvio padro do peso total do pacote?
8)O lucro unitrio L de um produto dado por L = 1,2 V 0,8C 3,5.
Sabendo-se que o preo unitrio de venda (V) tem mdia R$ 60,00 e
desvio padro R$ 5,00 e que o preo do custo unitrio C tem uma
distribuio de mdia R$ 50,00 e desvio padro R$ 2,00, qual a mdia e o
desvio padro do lucro unitrio?
123
9)Uma varivel aleatria X tem a seguinte funo densidade de

probabilidade:
f(x) =
KX3
0
para 0 X 2
para X fora desse intervalo
Determinar:
a)A constante K
b)P(X 1)
10)Achar a mdia e o desvio-padro da seguinte distribuio de

probabilidade:
f(x) = 3X2
para 0 X 1
124
Unidade III
Modelos Probabilsticos
Conceito de Modelos Probabilsticos:
Existem variveis aleatrias que apresentam certos padres de

comportamento. Para estas variveis, e com base nestes comportamentos
tpicos, foram estruturados funes, modelos ou distribuies de probabilidade
e tambm desenvolvidas frmulas para expresses de suas esperanas
matemticas e varincias. o que iremos estudar nesta unidade.
Modelos de Distribuies Discretas:
Modelos de Bernoulli:
Suponhamos a realizao de um nico experimento e, cujo resultado
pode ser um sucesso (se acontecer o evento que nos interessa) ou um
fracasso (o evento no se realiza).
Definimos a varivel aleatria discreta como X e a distribuio de
probabilidade de X :
X
1
0
Eventos
Sucesso
Fracasso
___
P(X)
p
1p=q
1
P(X) = px . q1 - x
125
Exemplo:
Seja uma experincia aleatria que consiste no lanamento de um dado
uma nica vez. Suponhamos que o lanador tem interesse que ocorra
face 5.
A varivel aleatria assim definida de Bernoulli e sua
distribuio de probabilidade :
X
1
0
Eventos
Sucesso
Fracasso
_________
P(X)
1/6
5/6
1
Parmetros Caractersticas:
E(x) = p
V(x) = p.q
Exemplo:
No exemplo anterior temos os seguintes parmetros caractersticos:
E(X)= 1/6
V(X)= 1/6 x 5/6 = 5/36
126
Modelo Binomial:
uma
distribuio
de
probabilidade
adequada
aos
experimentos que apresentam apenas dois resultados: Sucesso ou

Fracasso. Portanto, deriva da distribuio de Bernoulli.
Exemplos:
o Vender(sucesso) ou no vender(fracasso) pacotes
matemticos para empresas;
o Cancelar(sucesso) ou no cancelar(fracasso) uma
reserva num show;
o Ocorrncia(sucesso) ou no ocorrncia(fracasso) de
vrus a computadores numa empresa;
o Ter ocorrido(sucesso) ou no ter ocorrido(fracasso)
ataque de hackers a computadores de uma empresa;
o Conceder(sucesso) ou no conceder(fracasso) licena
para uso de programas computacionais a uma empresa.
o Conseguir
emprego(sucesso)
ou
no
conseguir(emprego) quando um ps-graduado volta da

realizao de um MBA;
o O Banco Central pode manter(sucesso) ou no
manter(fracasso) a taxa Selic de juros;
o Um
novo
produto
lanado
no
mercado
pode
ter(sucesso) ou no ter(fracasso) xito de venda.
A varivel aleatria que tem distribuio binomial o

nmero de sucessos(X) em n oportunidades de ocorrncias de
sucessos e fracassos.
127
, portanto, o nmero de tentativas bem sucedidas. o

nmero
total
de
sucessos
ocorridos
em
provas
independentes observadas.
Exemplos:
o Verificar o nmero de clientes satisfeitos com a

operadora
OI
numa
amostra
selecionada
aleatoriamente.
o Verificar
nmero
de
clientes
de
um
banco
inadimplentes com cheque especial;

o Verificar o nmero de clientes de um banco que
optaram pela portabilidade para outro banco numa
amostra aleatria;
o Verificar numa amostra de empresas o nmero de
corporaes com bom clima organizacional;
o Verificar o nmero de processadores ativos, num
sistema com multiprocessadores;
o Verificar o nmero de bits que no esto afetados por
rudos, em um pacote com n bits.
128
Probabilidade Binomial
Sejam a experincia de se observar 5 programas
distintos computacionais consecutivos na realizao de uma
tarefa. Seja a situao de conseguir realizar a tarefa(sucesso)
ou no realizar a tarefa(fracasso). Se o programa realizar com
sucesso a tarefa vai atribuir valor 1, caso contrrio, o valor 0,
ento seja que o resultado da observao seja a situao
abaixo:
Observado a situao acima temos: somente o segundo

e o quinto programas fracassaram na realizao da tarefa: os
programas no realizariam a tarefa. Neste caso, ocorreriam 3
sucessos
em
oportunidades,
em
cinco
experincias
independentes de Bernoulli: X=3.

A distribuio binomial calcula a probabilidade de em 5
programas distintos na realizao de uma tarefa, 3 programas
a realizarem com sucesso: P(X=3).
Para calcular esta probabilidade algumas consideraes
tm que ser garantidas e alguns dados tm que ser
conhecidos:
129
Pressuposies para o Ajuste ao Modelo Binomial:
1)O nmero de n oportunidades de ocorrncias dos sucessos e

fracassos tem que ser conhecidos a priori, isto , o nmero de
experincias aleatrias para observao da ocorrncia ou no do sucesso
tem que ser conhecidos e fixos.
2)Estas n experincias de Bernoulli tm que ser independentes umas
das outras;
3)Em cada experincia independente, a probabilidade de ocorrer o
sucesso(p) deve ser constante.
No caso discutido acima, vamos supor que por histrico a
probabilidade de um programa nas linguagens computacionais utilizadas
realizar a tarefa abordada de 75%: p = 0,75
Assim, a distribuio de probabilidades da varivel aleatria que
conta o nmero de sucessos ou de tentativas bem sucedidas em n
experimentos aleatrios independentes de Bernoulli dada por:
P(X=x) = C px . q(n-x)
n
Com parmetros n e p:
X~B(n;p)
Onde:
X = nmero de sucessos ou de tentativas bem sucedidas em n repeties
independentes do experimento aleatrio;
n = nmero de experimentos aleatrios (nmero de tentativas);
130
p = probabilidade de ocorrer sucesso em um experimento aleatrio;

q=1-p = probabilidade de ocorrer fracasso em um experimento aleatrio.
n!
x
Cn =
x! (n x)!
A varivel aleatria que tem distribuio binomial o nmero de

sucessos(X) em n oportunidades de ocorrncias de sucessos e fracassos.
, portanto, o nmero de tentativas bem sucedidas. o nmero total de
sucessos ocorridos em n provas independentes observadas.
Exemplo:
No nosso caso, vamos enfim calcular a P(X=3):
X = nmero de programas em 5 considerados que executaram com
sucesso a tarefa.
X~B(5;0,75)
Logo:
x
n
3
P(X=3) = C (0,75)3. (0,25)(5-3)

5
3
P(X=3) = C (0,75)3. (0,25)2

5
P(X=3) = 0,2637 ou 26,37%
131
Parmetros Caractersticos da Binomial:

Vamos considerar a mdia(esperana matemtica) e a varincia como os
parmetros caractersticos da binomial.
A mdia de uma varivel aleatria binomial a mdia do nmero de
sucessos se pudssemos realizar as n experincias um nmero
suficientemente grande de vezes e a varincia o grau de variao do
nmero de sucessos ao realizar as n experincias um nmero
suficientemente grande de vezes.
Pode-se demonstrar luz das propriedades da mdia e da varincia, que
o valor esperado e a varincia de X so respectivamente:
E(X) = n.p
V(X) = n.p.q
Lembrando que a varivel aleatria binomial uma soma de n variveis

aleatrias independentes de Bernoulli fica fcil e intuitivo entender as
expresses acima.
Exemplo 1:
No exemplo trabalhado acima, temos o seguinte clculo da mdia:
E(X) = n x p = 5 x 0,75 = 3,75
132
Interpretao:
Se pudssemos observar 5 programas distintos na realizao da tarefa, a
mdia do nmero de programas que realizariam a tarefa seria de 3,75.
No exemplo trabalhado acima, temos o seguinte clculo da varincia:
V(X) = n x p x q = 5 x 0,75 x 0,25 = 0,938
S(X) = 0,938 = 0,968 1 programa
Interpretao:
Este o grau de disperso que teramos do nmero de programas que
realizariam a tarefa com sucesso em 5 chamadas verses distintas, se
pudssemos repeti-las um nmero grande de vezes.
Exemplo 2:
Sabe-se que 10% dos pacotes estatsticos vendidos para universidades
brasileiras so da Europa. Determine as probabilidades de que, dentre
trs pacotes vendidos para universidades brasileiras:
a)Dois sejam da Europa;

b)Nenhum seja da Europa.
133
Soluo:
Vamos identificar qual a varivel aleatria em estudo e quais so o
sucesso e o fracasso associados a esta varivel:
X: varivel aleatria nmero de pacotes vendidos para universidades
brasileiras.
Assim, voc pode agora identificar os elementos da expresso da
distribuio Binomial.
a)
x= nmero de sucessos, x=2
n= nmero de experimentos aleatrios, n=3
p=probabilidade de sucesso, p=0,10 e q=0,90
Com estes elementos podemos calcular a probabilidade:
n
2
P(X=2) = C (0,10)2 . (0,90)(3-2) = 0,027

3
Pode-se concluir que, dentre trs pacotes vendidos, a probabilidade de

dois serem da Europa de 0,027 ou aproximadamente 2,7%.
134
b)

n=nmero de experimentos aleatrios, n=3
p=probabilidade de sucesso, p=0,10 e 1-p=0,90

0
P(X=0) = C (0,10)0 . (0,90)(3-0) = 0,7290

3
Pode-se
concluir
que,
dentre
trs
pacotes
vendidos,
probabilidade de nenhum ser da Europa de 0,7290 ou 72,90%.
Parmetros Caractersticos:
E(X) = 3 x 0,10 = 0,3

V(X) = 3 x 0,10 x 0,90 = 0,27
S(X) = 0,27 = 0,52
135
Exemplo 3:
Se 20% dos alunos de um curso pr-vestibular so aprovados para
universidades federais, determine a probabilidade de que, em 4 alunos
escolhidos aleatoriamente:
a)Um seja aprovado em universidades federais.

b)Nenhum seja aprovado em universidades federais.
c)Menos que dois sejam aprovados em universidades federais.
Soluo:
Primeiramente voc ir identificar qual a varivel aleatria em
estudo e quais so o sucesso e o fracasso associados a esta varivel:
X: varivel aleatria aprovao em universidades federais
Assim, voc pode agora identificar os elementos da expresso da
distribuio Binomial.
136
a)
n = nmero de experimentos aleatrios, n=4
p = probabilidade de sucesso, p=0,20 e 1-p=0,80
P(X=1) = C (0,20)1 . (0,80)(4-1) = 0,4096

4
Pode-se concluir que, dentre quatro alunos deste cursinho, a

probabilidade de um ser aprovado em universidade federal de 0,4096
ou 40,96%, aproximadamente.
b)
P(X=0) = C (0,20)0 . (0,80)(4-0) = 0,4096

4

probabilidade de nenhum ser aprovado em universidade federal
tambm de 0,4096 ou 40,96%.
137
c)
x= nmero de sucessos, x= 0 ou 1
P(X<2) = P(X=0) + P(X=1) = 0,4096 + 0,4096 = 0,8192
probabilidade de menos de dois, ou seja, nenhum ou um, serem
aprovados em universidade federal de 0,8192 ou 81,92%.
E(X) = 4 x 0,20 = 0,80
V(X) = 4 x 0,20 x 0,80 = 0,64
138
Exemplo 4:
A probabilidade que um aluno acerte cada questo de uma prova de 6
questes 0,3.
Se o aluno tentar resolver todas elas de forma
independente, qual a probabilidade de acertar 4 questes?

Soluo:
P(X=4) = C (0,30)4 . (0,70)(6-4) =

6
P(4) 0,0595 ou 5,95%

Exemplo 5:
Uma pessoa trabalha em 3 empregos onde desenvolve atividades iguais,
sendo remunerada tambm igualmente nos trs lugares. A probabilidade
de que o pagamento saia at o 2 dia til nos trs empregos de 0,85.
Qual a probabilidade de apenas um salrio sair at o 2 dia til?
Soluo:
P(X=1) = C (0,85)1 . (0,15)(3-1) =

3
P(1) 0,0574 ou 5,74%
139
Modelo Hipergeomtrico:
Seja uma populao N dividida em 2 subgrupos (r e N-r). Retira-se uma
amostra, sem reposio, de tamanho n. Tem-se o interesse em verificar a
ocorrncia de x elementos de r na amostra selecionada.
A probabilidade do evento de interesse dada pela expresso
matemtica:
x
n-x
Cr
CN-r
P(X=x) =
n
CN
X a varivel aleatria definida como o nmero de elementos de r na

amostra selecionada aleatoriamente, sem reposio.
Parmetros Caractersticas:
E(x) = np
V(x) = npq . [ (N n)/(N 1)]
fator de correo de populao finita.
Observao:
Uma conveniente regra de bolso que se pode usar a distribuio
binomial, como uma aproximao hipergeomtrica quando n 0,05N, isto ,
quando o n for menor ou igual do que 5% do tamanho da populao.
140
Exemplo:
1) Um lote de 10 peas de uma indstria possui 6 peas boas e 4 peas
defeituosas. Retira-se uma amostra, sem reposio, de tamanho 5. Qual
a probabilidade de encontrarmos 3 peas defeituosas na amostra
selecionada?
Soluo:
C4
C6
P(X=x) = = 0,2381
5
C 10
2) Seja o seguinte problema: uma urna contm 100 boas, sendo 60

brancas e 40 pretas. Tirando-se 5 bolas sem reposio, qual a
probabilidade de sarem 2 pretas?
Soluo:
n 0,05N
5 0,05 . 100 (Verdadeiro)
Podemos, ento, utilizar a binomial como uma aproximao da
hipergeomtrica.
p = 40/100 = 0,4
q = 0,6
141
P(X=1) = C (0,40)2 . (0,60)3) =

5
P(2) 0,3458
Pela Hipergeomtrica:
C 40
C60
P(X=x) = = 0,3545
5
C 100
Modelo de Poisson:
A varivel aleatria de Poisson definida como o nmero de
sucessos em certo intervalo contnuo fixo considerado.
Correspondem s situaes em que se avalia o nmero de
ocorrncias de um tipo de evento por unidade de tempo, de comprimento,
de rea, ou de volume.
Exemplos:
o Nmero de consultas a uma base de dados em um minuto;
o Nmero de pedidos a um servidor num intervalo de tempo
o Nmero de erros de tipografia em um formulrio
o Numero de vezes em que o corpo de bombeiros chamado por
dia para combater incndios numa cidade grande;
o Nmero de defeitos na impresso de certo livro;
o Nmero de pessoas que chegam ao caixa de um supermercado
nos primeiros 5 minutos em que aberto;
142
o Nmero de carros que passam por um pedgio no intervalo de

tempo de 30 minutos.
Suposies Bsicas:
o Independncia entre as ocorrncias do evento considerado;
o Os eventos ocorrem de forma aleatria, de tal forma que no haja
tendncia de aumentar ou reduzir as ocorrncias do evento, no
intervalo considerado.
Indicaes para Construo do Modelo:
o Selecione um intervalo de tempo fixo de observao;
o Observe o nmero de ocorrncias de certo evento de interesse
neste intervalo. Este nmero de ocorrncias uma varivel
discreta com valores possveis 0, 1, 2 ...;
o Se a probabilidade da ocorrncia do evento de Poisson rara ou
nula num intervalo relativamente pequeno e s passa a ser
considervel quando o intervalo de observao cresce, ento o
evento pode ser na prtica modelado pela distribuio de Poisson.
Lei dos Fenmenos Raros:

Uma distribuio de Poisson modela bem eventos raros. Fenmenos
raros so aqueles que no acontecem com grande frequncia para qualquer
intervalo de tempo de observao.
143
Exemplo:
O estacionamento de um automvel da linha Gol num estacionamento
na A.V. Presidente Vargas no Rio de Janeiro num intervalo de 1 hora
certamente no um evento de Poisson, mas o evento chegada de um
BMW no mesmo estacionamento e no mesmo perodo de tempo deve
ser uma ocorrncia de Poisson.
Formulao do Modelo:
Trata-se de uma distribuio Binomial em que:
nep0
= np = t
Pode-se demonstrar que:
x
lim P(X=x) = C px . q(n-x) =

n
-
x
e .
P(X=x) =
x!
144
E(X) =
V(X) =
Exemplos:
1)Em um dado posto de pedgio, passam em mdia 5 carros por minuto.
Qual a probabilidade de passarem exatamente 3 carros por minuto?
Soluo:
= t = 1.5 = 5
e-5 . 53
P(X = 3) = = 0,1404 ou 14,04%
3!
2) Certo posto de bombeiros recebe em mdia 3 chamadas por dia. Qual
a probabilidade de receber 4 chamadas em dois dias?
Soluo:
= 3/dia
= t = 2. 3 = 6
Logo:
e-5 . 64
P(X = 4) = = 0,1339 ou 13,39%
4!
3)Supondo que as consultas num banco de dados ocorrem de forma

independente e aleatria, com uma taxa mdia de trs consultas por
145
minuto. Qual a probabilidade de que no prximo minuto ocorram menos

do que trs consultas?
Soluo:
Seja X o nmero de consultas por minuto.
Ento:
P(X < 3 ) = P(0) + P(1) + P(2) =
e-3 . 30
e-3 . 31
e-3 . 32
+ + = 0,4232
0!
1!
2!
146
4)Qual seria a probabilidade do exemplo acima de que no prximo minuto

ocorram mais do que 5 consultas?
Soluo:
P( X > 5 ) = 1 P( X 5 ) = 1 F(5)
Vamos calcular primeiramente a F(5):
P(X 5 ) = P(0) + P(1) + P(2) + P(3) + P(4) + P(5) =
e-3 . 30
e-3 . 31
e-3 . 32
+ + +
0!
e-3 . 33
1!
e-3 . 34
2!
e-3 . 35
+ + = 0,9160
3!
4!
5!
P( X > 5 ) = 1 P( X 5 ) = 1 0,9160 = 0,0840
147
Modelos de Distribuies Contnuas:
1)Modelo Uniforme:
Quando uma varivel aleatria X s pode assumir valores dentro de um
intervalo contnuo de variao [ a , b ], com funo densidade de probabilidade
como a descrita abaixo e assumir valor zero em caso contrrio, ento ela tem
distribuio uniforme.
1
f(x) =
para a X b
b-a
em caso contrrio
O que caracteriza a distribuio uniforme que todo subintervalo de

mesma amplitude em [a , b] tem a mesma probabilidade.
148
Seu grfico :
1/(b a)
(a + b)
E(X) =
2
(b - a)2
V(X) =
12
Diz-se que X~U[ a, b ]
149
Exemplos:
1)Um profissional de Computao observou que seu sistema gasta entre
20 e 24 segundos para realizar determinada tarefa. Considere a
probabilidade uniforme em [ 20, 24 ] , isto , todo subintervalo de mesma
amplitude em [ 20, 24 ] tem a mesma probabilidade.
a)P(20<X<21)
b)P(21<X<22)
c)P(20<X<22)
d)P(22<X<24)
e)P(X>23)
f)E(X)
g)V(X)
Soluo:
Tem-se que X~U[ 20, 24 ] . Logo a funo densidade de probabilidade de

X :
1
f(x) =
para 20 X 24
4
0
em caso contrrio
150
Portanto podemos calcular as probabilidade sob essa densidade:
a)P(20<X<21)
21
21
P(20<X<21) = (1/4) dx
= 1/4 [X]
20
20
= (21-20)/ 4 = 0,25 ou 25%
b)P(21<X<22)
22
22
P(21<X<22) = (1/4) dx
= 1/4 [X]
21
21
= (22-21)/ 4 = 0,25 ou 25%
c)P(20<X<22)
22
22
P(20<X<22) = (1/4) dx
20
= 1/4 [X]
20
= (22-20)/ 4 = 0,5 ou 50%
151
d)P(22<X<24)
24
24
P(22<X<24) = (1/4) dx
= 1/4 [X]
22
22
= (24-22)/ 4 = 0,5 ou 50%
e)P(X>23)
24
24
P(23<X<24) = (1/4) dx
= 1/4 [X]
23
23
= (24-21)/ 4 = 0,25 ou 25%
f)
20 + 24
E(X) = = (44/2) = 22
2
g)
( 24 20 )2
V(X) = = (16/12) = 0,73
12
2)Um
pequeno
desenho
foi
planejado
para
estar
distribudo
aleatoriamente de maneira uniforme no intervalo de [0, 2] metros de um
152
Cartaz Publicitrio. Qual a probabilidade de que o pequeno desenho

esteja no intervalo entre 1 e 1,5 metros do cartaz?
Soluo:
f(x) = 1/2 se 0 x 2
0
se
c/c
1,5
1,5
P(1<X<1,5) = (1/2) dx = 1/2 [X]

1
1
= 0,25
3)A dureza de uma pea de ao pode ser pensada como sendo uma
varivel aleatria uniforme no intervalo [ 50, 70 ] da escala de Rockwel.
Calcular a probabilidade de que uma pea tenha dureza entre 55 e 60.
Soluo:
f(h) = 1/20 se 50 h 70
0
se
c/c
60
60
P(55<h<60) = (1/20) dh = 1/20 [h]

55
= 0,25
55
153
4)Considere um crculo, com medidas de ngulos, em graus, a partir de

determinada origem. Nesse crculo, h um ponteiro que colocado a
girar.Seja a varivel aleatria X contnua definida pelo ngulo formado
entre a posio que o ponteiro pra e a linha horizontal do lado direito.
Assuma que no existe regio de preferncia para o ponteiro parar. A
distribuio de probabilidades de X pode ser representada por uma
funo que assume um valor constante e positivo em todo intervalo [ 0 o ,
360 ), de tal forma as probabilidades possam ser vistas por reas sob a
curva dessa funo. Como certamente vai ocorrer um resultado em [ 0 o ,
360 ), ento a rea sob a funo neste intervalo deve ser igual a 1, e nula
fora deste intervalo. Nessas condies, podemos considerar que todo
intervalo de mesma amplitude, contido em [ 0 o , 360 ), tem a mesma
probabilidade de ocorrncia. Qual a probabilidade do ponteiro no
intervalo [ 30 , 60 ]?
Soluo:
Tem-se que X~U[ 0, 360 ]. Logo a funo densidade de probabilidade de
X :
1
f(x) =
para 0 X 360
360
0
em caso contrrio
Portanto podemos calcular a probabilidade sob essa densidade:
154
Soluo:
P(30<X<60) =
60
60
P(30<X<60) = (1/360) dx
= 1/360 [X]
30
30
= (60-30)/ 360 = 30/360 = 1/12
155
Modelo Exponencial:
O modelo exponencial tem forte relao com o modelo discreto de

Poisson. Enquanto a distribuio de Poisson pode ser usada para modelar o
nmero de ocorrncias em um perodo contnuo(tempo ou de comprimento), a
distribuio exponencial pode modelar a varivel aleatria contnua que
representa o intervalo( de tempo ou de comprimento) entre duas ocorrncias
sucessivas de Poisson.
, portanto, a distribuio de probabilidades do intervalo T entre dois
sucessos consecutivos de Poisson. O intervalo T a varivel aleatria.
Exemplos:
o Tempo (em minutos) at a prxima consulta a uma base de dados;

o Tempo (em segundos) entre dois pedidos a um servidor;
o Distncia (em metros) entre dois defeitos de uma fita;
o Tempo de vida de lmpadas;
o Tempo entre chegadas de clientes numa fila de banco.
A distribuio exponencial pode ser usada quando as suposies de

Poisson(independncia entre as ocorrncias e taxa mdia de ocorrncias
constante no intervalo considerado) estiverem satisfeitas.
156
A figura abaixo ilustra a relao entre as duas distribuies :
157
Sua funo densidade de probabilidade :
f(T) = e-t
para T 0
f(T) = 0
para T < 0
Onde a frequncia mdia de sucessos por unidade de observao.
A Funo Repartio :
F(t) = P( T t ) = 1 e-t
t0
F(t) = 0
c/c
Portanto: P(T > t) = e-t
158
E(T) = 1/
V(T) = 1/2
Grfico de f(t) (o grfico est diferente)
Logo se diz que T ~ E ()
159
Observaes:
1)A probabilidade exponencial de que o primeiro evento ocorra dentro do

intervalo considerado de tempo ou espao :
P( T t) = 1 e t
2)A probabilidade exponencial de que o primeiro evento ocorra fora do

intervalo considerado de tempo ou espao:
P( T > t) = e-t
Exemplos:
1)Os defeitos de um tecido seguem a distribuio de Poisson com mdia

de um defeito a cada 400 m. Qual a probabilidade de que o intervalo entre
dois defeitos consecutivos seja:
a) No mnimo de 1000 m;
b) No mximo de 1000 m;
c) Entre 800 e 1000 m.
160
Soluo:
a)
= 1/400 defeitos/metros
P(T 1000) = e-1/4000. 1000 = e-2,5 = 0,0820
b) P(T 1000) = 1 e t = 1 e-2,5 = 1 0,0820 = 0,9180
c) P (800 < T < 1000) = e(-1/400) . 800 e(-1/400) . 1000

= 0,1353 0,0820 = 0,0533 (o grfico est diferente)
f(t)
800
1000
161
2)Em mdia, um navio atraca em certo posto a cada dois dias. Qual a
probabilidade de que, a partir da partida de um navio, se passem mais de
4 dias antes da chegada do prximo navio?
Soluo:
P(T 4) = e-1/2 . 4 = e-2 = 0,1353
3)Cada rolo de lmina de ao de 500 metros contm, em mdia, duas

imperfeies. Qual a probabilidade de que, medida que se desenrole
um rolo, a primeira imperfeio aparea no primeiro segmento de 50
metros?
Soluo:
= 2/500 = 0,004
P(T 50) = 1 e-2/500 . 50 = 1 e-0,2 = 1 0,8187 = 0,1813
162
4) Um departamento de conserto de mquinas recebe, em

mdia, 5 chamadas por hora. Iniciando em um ponto de tempo
aleatoriamente escolhido, qual a probabilidade de que a
primeira chamada chegue dentro de meia hora?
Soluo:
=5
P( T 0,5 ) = 1- e-5 . 0,5 = 1 e-2,5 = 1- 0,0821 = 0,9179
5)Suponhamos que o manuscrito de um livro-texto tem um total

de 50 erros nas 500 pginas de material, sendo os erros
distribudos
aleatoriamente
atravs
do
texto,
qual
probabilidade de que, quando o revisor comece a ler um

captulo, o primeiro erro se encontre:
a) Dentro das cinco primeiras pginas.

b) Depois das quinze primeiras pgina.
163
Soluo:
a)
= 50/500 = 0,1
P (T 5) = 1 e-0,1 . 5 = 1 e-0,5 = 1 0,6065 = 0,3935
b)
= 0,1
P(T > 15) = e-0,1 . 15 = e-1,5 = 0,2231
164
Modelo Normal ou Curva de Gauss:

A normal considerada a distribuio de probabilidade mais importante,
pois permite modelar uma infinidade de fenmenos naturais e, alm disso,
possibilita realizar aproximaes para calcular probabilidades de muitas
variveis aleatrias que tm outras distribuies. muito importante tambm
na inferncia estatstica, como ser observado nos captulos seguintes.
Esta distribuio chamada de curva normal porque a sua mdia
representa uma norma, um modelo de comportamento para a varivel na
populao. Os valores que se desviam da mdia considerado erro, da o
conceito de desvio-padro.
A distribuio normal caracterizada por uma funo de probabilidade,
cujo grfico descreve uma curva em forma de sino, unimodal e simtrica, como
mostra a figura abaixo:
Essa forma de distribuio evidencia que h maior probabilidade de a

varivel aleatria assumir valores prximos do centro.
165
Dados os parmetros R e > 0, a funo densidade de

probabilidades da normal dada por:
-< X <+
Com certo esforo matemtico, possvel mostrar que o valor esperado

e a varincia da distribuio normal so dados por:
E(X) = e V(X) = 2
Aplicaes da Curva Normal
Quanto estudamos os grficos de anlise e as medidas da forma da
distribuio, aprendemos a detectar se uma distribuio de freqncia tinha a
forma da Curva Normal.
Uma vez detectada que a distribuio se ajusta Curva Normal,
podemos realizar duas aplicaes com esta informao:
1. Clculo de probabilidades da varivel em estudo pertencer a

determinados intervalos;
2. Modelagem da distribuio de estimativas de parmetros para
inferncia estatstica.
Neste captulo, aprenderemos a realizar a primeira aplicao.
166
Propriedades:
A varivel aleatria X pode assumir todo e qualquer valor real;

A representao grfica da distribuio normal uma curva em
forma de sino, unimodal e simtrica em torno da mdia , que
recebe o nome de Curva Normal ou de Gauss;

A rea total limitada pela curva e pelo eixo das abscissas igual a
1, j que essa rea corresponde probabilidade de a varivel
aleatria X assumir qualquer valor real;

A curva normal assinttica em relao ao eixo das abscissas
sem, contudo, alcan-la;

Como a curva simtrica em torno de , a probabilidade de
ocorrer valor maior do que a mdia igual probabilidade de
ocorrer valor menor do que a mdia, isto , ambas as
probabilidades so iguais a 0,5. Escrevemos:
P( X > ) = P( X < ) = 0,5
Quando temos em mos uma varivel aleatria com distribuio normal,

nosso principal interesse obter a probabilidade de essa varivel aleatria
assumir um valor em um determinado intervalo.
167
Passos Gerais:
o Identificar no problema dados da relao:
X ~ N( ; 2 )
o Transformar a varivel aleatria original X na varivel aleatria

padronizada Z, pela frmula:
A transformao assim obtida uma varivel aleatria que tem

distribuio normal reduzida ou distribuio normal padro com mdia 0 e
desvio padro 1 para qualquer natureza da varivel original X simtrica: Z ~ N (
0; 1 ). A Curva Normal padro distribuio simtrica e mesocrtica.
Sua densidade de probabilidades fica ento:
o Localizar
na
figura
da
normal
rea
correspondente
probabilidade pedida;
o Consultar a tabela da normal padro e localizar a probabilidade
necessria para o clculo da probabilidade pedida;
o Realizar o clculo da probabilidade.
168
Exemplos:
1)Uma populao de entrevistadores, aps um perodo de treinamento, foi

submetida a um teste padronizado de avaliao de conhecimentos
adquiridos, obtendo mdia 100 e desvio-padro 10. Se presumirmos que
as notas so distribudas normalmente, calcule as probabilidades:
a)
b)
c)
d)
e)
P(100 < X < 120)

P(X > 120)
P(X > 80)
P(85 < X < 115)
P(X < 125)
Soluo:
a) P(100 < X < 120)

X ~N ( ; 2 ) X ~ N ( 100; 100 )
2,0
P((0 < Z < 2,0) = 0,4772 ou 47,72%
169
b) P(X>120)
2,0
P( Z > 2,0 ) = 0,5 0,4772 = 0,0228 ou 2,28%

c) P( X >80 )
FECHAR O PARENTESES DA EXPRESSO

A FIGURA TA MODIFICADA:
-2,0
P( Z > -2,0 ) = 0,4772 + 0,5 = 0,9772 ou 97,72%.
170
d) P(85 < X < 115)
-1,5
1,5
P( - 1,5 < Z < 1,5) = 0,4332 + 0,4332 = 0,8664 ou 86,64%

e) P(X < 125)
2,5
P ( Z < 2,5 ) = 0,5 + 0,4938 = 0,9938 ou 99,38%
171
2)O volume de correspondncia recebido por uma firma quinzenalmente

tem distribuio normal com mdia de 4.000 cartas e desvio padro de
200 cartas. Qual a probabilidade de numa dada quinzena a firma receber?
a)P( 3600 < X < 4250)
X ~N ( ; 2 ) X ~ N ( 4000; 2002 )
P ( - 2,00 < Z < 1,25) =
-2,0
1,25
P ( - 2,00 < Z < 1,25) = 0,4771 + 0,3944 = 0,8716 ou 87,16%

b) P( x < 3400)
-3,0
P( Z < -3,0 ) = 0,5 0,4987 = 0,0013 ou 0,13%
172
Modelo T-Student:
Suponhamos que a partir de uma amostra aleatria de n valores
retirados de uma populao normal de desvio padro conhecido , se desejem
estimar a mdia a partir da estatstica:
_
X -
Z =
/n
Suponha, agora que no conheamos o desvio-padro populacional e
que para estimar utilizaremos na frmula acima o desvio-padro da
amostra(S). Entretanto, se usarmos na estatstica acima o desvio padro da
amostra (S), ao invs do desvio-padro da populao , obteremos uma
estatstica cuja distribuio no mais a normal reduzida. A distribuio da
estatstica no teria uma forma constante, como a normal reduzida, pois
depende da estatstica S, que uma varivel aleatria (a normal reduzida
depende de , que uma constante fixa ). Como mostrou Student, a estatstica
abaixo tem distribuio T-Student.
Assim:
_
X -
t =
S/n
173
Caractersticas:
Esta distribuio simtrica com mdia 0, mas no a normal
reduzida(Z), pois S/n uma varivel aleatria, o que no ocorre com (Xbarra)//n, em que o denominador uma constante.
Para grandes amostras, o desvio padro amostral S deve ser prximo de
e as correspondentes distribuies t devem estar prximas da normal
reduzida Z.
Existe uma famlia de distribuies cuja forma tende distribuio
normal reduzida quando n cresce indefinidamente. Para trabalharmos com uma
distribuio t- Student precisamos saber qual a sua forma especfica e isso
informado por uma estatstica denominada grau de liberdade.
Graus de Liberdade ():
O nmero de informaes independentes ou livres da amostra d o
nmero de graus de liberdade da distribuio t.
Genericamente, podemos dizer que o nmero de graus de liberdade
igual ao nmero de elementos da amostra (n) menos o nmero (K) de
parmetros da populao a serem estimados, alm do parmetro inerente ao
estudo:
=nK
Toda estatstica de teste que dependa de uma varivel aleatria tem
graus de liberdade associada.
O presente estudo visa naturalmente estimar a mdia populacional ,
atravs da mdia da amostra. Porm, para estimarmos , teremos que
adicionalmente estimar tambm 2, atravs de S2. Isto significa que a
estatstica t tem n 1 graus de liberdade:
=n1
Para cada valor de temos uma curva diferente de t e quando n ,
tende a Z.
174
Observao:
Suponha que se deseje estimar a varincia populacional atravs
da varincia da amostra. A expresso no tendenciosa do estimador
fica ento:
( X X )2
S2 =
n-1
A diviso por ( n 1) ao invs de n devido ao fato de S 2 ter
= n 1 graus de liberdade, pois para obter a estimativa referida tem-se
que adicionalmente obter a estimativa da mdia da amostra.
A figura abaixo ilustra comparativamente uma distribuio t e a
distribuio normal reduzida (Z):
Vemos que uma distribuio t genrica mais achatada e

alongada que a normal reduzida (Z). Quanto maior o valor de , mais
elevada a curva. A curva t simtrica com relao mdia .
175
E(t) = 0
V(t) =
-2
Utilizao da Distribuio t-Student:
A distribuio t-Student vai ser utilizada em nosso curso para, dado um
valor de probabilidade de interesse( probabilidade notvel ), obter junto tabela
T-Student o seu ponto crtico. Esse processo importante na construo de
intervalos de confiana e testes de significncia com pesquisas com pequenas
amostras.
Exemplos:
a)Qual o valor de t bicaudal para um grau de liberdade = 10 e nvel de
significncia = 5%?
t = 2,228
b)Qual o valor de t monocaudal para uma amostra n = 26 e nvel de
significncia = 10%?
= 26 -1 = 25
t = 1,316
176
Teorema Central do Limite:

Seja X1; X2; X3; X4; ...; Xn uma sequncia de variveis independentes
com
E(Xi) = i e V(Xi) = 2i, i = 1, 2, 3, 4, ...,n.

Faamos:
Yn = X1 + X2 + X3 + X4 + ... + Xn
Ento, sob condies bastantes gerais, Yn tem no limite, n , uma

grande amostra, distribuio normal de mdia e varincia:
E(Yn) = i
V(Yn) = 2i
Teorema:
Seja uma sucesso de variveis aleatrias independentes com mesma
mdia e varincia e 2.
Faamos:
Yn = X1 + X2 + X3 + X4 + ... + Xn
X= ( X1 + X2 + X3 + X4 + ... + Xn ) / n
Pelo Teorema Central do Limite:
Yn ~ N ( n ; n2 ) e
~N ( ; 2 /n )
177
Interpretao do Teorema:
O Teorema Central do Limite garante que se estivermos trabalhando
com uma amostra muito grande ( n 30 ) e podemos obter uma quantidade
exaustiva dessas amostras de uma populao e calculamos a mdia dos
valores em cada amostra selecionada, o resultado ser uma distribuio de
frequncia de mdias. Esta distribuio de mdias ser uma Curva Normal.
O mesmo raciocnio vale para a distribuio de somas.
Consequncias:
O fato de que os valores da amostra possam ter qualquer

distribuio e a soma e mdia das amostras possam ser
aproximadamente normais torna possvel a Inferncia Estatstica
Paramtrica.
O Teorema Central do Limite torna possvel o clculo de
probabilidades de variveis aleatrias que sejam totais e mdias
sob a Curva Normal. Vejamos um exemplo.
178
Observao:
Como j estudamos, assumir a distribuio normal em pesquisa est
baseado em dois fundamentos:
1- Quando a distribuio da varivel de interesse na populao
normal;
2- Quando a distribuio da varivel de interesse na populao no for
normal, mas o tamanho da amostra for grande, pelo Teorema do
Limite Central.
Qualquer que seja a distribuio dos dados do pesquisador, se tiver uma
grande amostra(n), se pode utilizar com tranqilidade a curva normal como
uma aproximao adequada para anlise dos dados. Um tamanho de
amostra(n) igual a 30 j considerado um grande nmero se a distribuio da
populao for prxima da normal. Um tamanho de amostra bem maior ser
necessrio se a distribuio da populao no for normal.
Exemplo:
O QI de engenheiros: sujeitos com QI mediano ou baixo dificilmente
sero encontrados entre os engenheiros. Ento, para um estudo por
amostragem de QIS de engenheiros ser necessrio uma amostra muito bem
maior do que 30.
179
Exemplo:
Determinada pea, produzida em uma fbrica encaixotada em lotes de
250 peas. Os pesos das peas so aleatrios com mdia de 0,5 kg e
desvio-padro 0,1 kg . Containeres so carregados com 20 caixotes cada.
Qual a probabilidade de container ter peas pesando mais de 2510 kg?
Soluo:
= 0,5 kg e = 0,1 kg
Mdia total das peas por caixa T:
T = 250 . 0,5 = 125
Mdia total das peas por container TC:
TC = 125 . 20 = 2500
Varincia total das peas por caixa 2T:
2T = 250 . 0,01 = 2,5
Varincia total das peas por container 2TC:
2TC = 2,5 . 20 = 50
180
Definindo a varivel aleatria T como a soma dos pesos das peas de um

container, temos que pelo Teorema do Limite Central:
T ~N ( 2500; 50)
Pede-se:
P(T > 2510) =]
P[Z > (2510 2500/7,070] = P(Z > 1,41) = 0,5 0,4207 = 0,0793
181
Teorema das Combinaes Lineares:

A combinao linear de variveis aleatrias normais independentes
tambm uma varivel normal independente.
Se X e Y so variveis aleatrias normais independentes, ento:
Z = aX + bY + C tambm uma varivel aleatria normal independente
com
E(Z) = E(aX + bY + C) = aE(X) + bE(Y) + C
V(Z) = V(aX + bY + C) = a2V(X) + b2V(Y)
Concluso:
Z ~N[ E(Z); V(Z)]
Exemplo:
Um administrador de transportes estuda o fluxo de trfego no metr de
uma dada estao no Rio de Janeiro. Indica com Z o nmero de passageiros
que chegam a dado instante na estao. X, o nmero de passageiros que
chegam estao no trem. Registra o nmero Y de passageiros que
desembarcam na referida estao. O metr segue com N passageiros. As
variveis X, Y e Z so variveis aleatrias normais independentes, com tais
parmetros:
Z ~N[ 100; 81 ]
X ~ N [50; 144]
Y ~N [40; 400]
Especifique o modelo N, a distribuio de probabilidade de N e P(N > 70).
182
Soluo:
Modelo N:
N=Z+XY
Baseando-se no Teorema das Combinaes Lineares,
E(N) = E(Z+ X Y) = E(Z) + E(X) E(Y) = 100 + 50 40 = 110

V(N) = V(Z + X Y) = V(Z) + V(X) + V(Y) = 81 + 144 + 440 = 625
A distribuio de probabilidade de N:
N ~N [ 110; 625 ]
P( N > 70 ):
P( N > 70 ) = P( Z > 70 110/25) = P(Z> -1,6) = 0,5 + 0,4452 = 0,9452 ou
94,52%
-1,6
183
Modelo do Qui-quadrado ( 2):
Faz parte de uma famlia de distribuio de grande importncia em

diversos problemas da Inferncia Estatstica.
Seja a estatstica:
Se Xi so valores aleatrios independentes retirados de uma populao

normal de mdia e desvio-padro , dizemos, ento, que 2 tem distribuio
do qui-quadrado com graus de liberdade.
Portanto, uma qui-quadrado uma soma dos quadrados de n variveis
aleatrias normais padres.
E(
2) =
V(
2) = 2
Propriedades:
o Como a varivel
2, uma soma de variveis aleatrias independentes
e igualmente distribudas, invocando-se o Teorema Central do Limite,

tem-se que a famlia de distribuies do tipo
2 tende a distribuio
normal, quando o nmero de graus de liberdade tende ao infinito.

o A soma de duas variveis independentes com distribuio do quiquadrado com 1 e 2 graus de liberdade respectivamente ter tambm
184
distribuio do qui-quadrado com 1 + 2 graus de liberdade. Esta a

chamada propriedade aditiva da qui-quadrado.
o Dependendo do grau de liberdade, a distribuio do qui-quadrado
assume as seguintes formas grficas:
A distribuio do qui-quadrado constitui uma famlia de curvas, cada qual

caracterizada pelos graus de liberdade e ela est tabelada em funo do
parmetro . O tipo mais comum a tabela unicaudal direita:
185
Observao:
Para uma dada probabilidade e para um dado , o corpo da tabela
fornece o valor de
2 0
tal que P(
>
2 0)
= , probabilidade esta
representada, na figura acima, pela rea hachurada.

Convm ressaltar que a distribuio do qui-quadrado tem as seguintes
diferenas em relao normal:
sempre positiva.
assimtrica.
A tabela fornece o valor do
2 a partir de uma probabilidade e
de certo nmero de graus de liberdade.

Exemplo:
Calcular o valor de
02, com = 20, tal que:
a) P(
2 > 02) = 5%
b) P(
2 > 02) = 95%
a)
= 0,05
02 = 31,4
= 20
186
b)
= 0,95
02 = 10,8
= 20
Modelo F de Snedecor:
Define-se a varivel F com 1 graus de liberdade no numerador e 2
graus de liberdade no denominador ou F(1, 2) por:
1
F =
2
Observao: A varivel sempre positiva.
187
A varivel F com 1 graus de liberdade no numerador e 2 graus de

liberdade no denominador tem a seguinte funo densidade de probabilidades:
22/2 . 11/2 X(1/2) - 1

F(1;2) =
(2 + 1X)(1+2)/2 . (1/21 ; 1/22)
Onde (1/21 ; 1/22) a funo beta:
(1/21 1)! . (1/22 1)!

(1/21 ; 1/22) =
(1/21 +1/22 1)!
Define-se a varivel F com 1 graus de liberdade no numerador e 2
graus de liberdade no denominador ao modelo de distribuio de probabilidades
que tem a seguinte funo densidade de probabilidades:
22/2 . 11/2 X(1/2) - 1

F(1;2) =
(2 + 1X)(1+2)/2 . (1/21 ; 1/22)
Onde (1/21 ; 1/22) a funo beta:
188
(1/21 1)! . (1/22 1)!

(1/21 ; 1/22) =
(1/21 +1/22 1)!
2
E(F) = , 2>2
2 -2
222(1 + 2 2 )
V(F) = , 2 > 4
1(2 2 )2 (2 4)
Essa definio engloba, na verdade, uma famlia de distribuies de

probabilidades para cada par de valores (1, 2).
A distribuio encontra-se tabelada. Como ela depende de dois
parmetros (1, 2), so construdas vrias tabelas, cada uma delas
correspondentes a uma dada probabilidade (10%, 5%, 1%, etc), situada na
cauda direita da curva, como mostra a figura abaixo:
A tabela fornece o valor de F0, tal que:
189
P[ F(1, 2) F0 ] =
Exemplo:
Calcular o valor de F 0, com 1=10 e 2 = 15 graus de liberdade, que
superado com probabilidade de 5%.
Soluo:
Tabela F para 0,05 :
1 = 10
F0 = 2,54
2 = 15
Logo: P[ F0,05(10, 15) 2,54] = 0,05
190
1)Uma moeda lanada 5 vezes seguidas e independentes. Calcule a
probabilidade de serem obtidas 3 caras nessas 5 provas?
2)Jogando-se um dado 3vezes, determine a probabilidade de se obter 4
no mximo 2 vezes.
3)A probabilidade de um atirador acertar o alvo 2/3. Se ele atirar5 qual a
probabilidade de acertar pelo menos 4 tiros?
4)A probabilidade de um consumidor acertar a marca de um determinado
refrigerante 1/3. Se o referido consumidor for consultado 5 vezes, qual a
probabilidade dele acertar 3 vezes?
5)Um grupo de clientes de uma Fast- food foram consultados para
responder (sim) ou (no) se esto satisfeitos com os servios da casa.
Sabe-se que 30% dos entrevistados responderam sim pergunta. Seis
pessoas so escolhidas ao acaso deste grupo. Qual a probabilidade de
terem sido escolhidas 3 pessoas que disseram (no) satisfao com o
servio?
6)No departamento de engenharia, a probabilidade de um funcionrio
chegar atrasado sempre constante e igual a 1/3. Em um ms corrido de
30 dias, qual a probabilidade deste funcionrio chegar atrasado 10 dias,
nenhum dia, no mximo quatro dias, e pelo menos 5 dias. Se ele perde a
cada dia que chega atrasado R$ 5,00 de seu salrio, qual o valor
esperado de sua perda no ms?
191
7)Figos maduros so embalados em caixas com 15 unidades cada.

Escolheu-se uma caixa ao acaso e verificou-se que havia 4 unidades
estragadas. Retirando-se da caixa 5 unidades, sem reposio, qual a
a) contenham 3 figos estragados;
b) mais de 2 figos estragados;
c) pelo menos 1 figo estragado.
8)O grupo de um departamento composto por 5 engenheiros e 9
tcnicos. Se 5 indivduos forem aleatoriamente, e se lhes atribui um
projeto, qual a probabilidade de que o grupo do projeto inclua exatamente
2 engenheiros?
9)De 20 estudantes em uma classe, 15 no esto satisfeitos com o texto
utilizado. Se a uma amostra aleatria de 4 estudantes se perguntaram
sobre
texto,
determinar
probabilidade
de
que
estivessem
descontentes:
a) Exatamente 3;
b) No mnimo 3 estudantes.
10)Uma loja atende em mdia 2 clientes por hora. Calcular a
probabilidade em uma hora:
a) Atender exatamente 2 clientes;
b) Atender 3 clientes.
192
11) Suponha que haja em mdia 2 suicdios por ano numa

populao de 50.000 habitantes. Encontre a probabilidade de que
em um dado ano tenha havido:
a) 0
b) 1
c) 2
12) Suponha 400 erros de impresso distribudos aleatoriamente
em um livro de 500 pginas. Encontre a probabilidade que em
uma dada pgina contenha:
a) Nenhum erro;
b) Exatamente 2 erros;
13) Uma empresa deseja empacotar e amarrar com barbante
bem resistente pacotes de caf modo. Estuda a viabilidade de
usar certo tipo de barbante, cuja resistncia R uma varivel
aleatria distribuda sobre o intervalo fechado [ 50, 70 ].
Estabelecer a probabilidade P( R < 65 ).
14) As
interrupes no funcionamento de energia eltrica
ocorrem segundo um Poisson com mdia de uma interrupo por

ms (quatro semanas). Qual a probabilidade de que entre duas
interrupes consecutivas haja um intervalo de:
a) Menos de uma semana;
b) Entre dez a doze semanas;
c) Exatamente um ms;
d) Mais de trs semanas.
193
15) Uma mdia de 0,5 clientes por minuto chega a um balco.

Depois que o funcionrio abre o balco, qual a probabilidade de
que ele tenha que esperar pelo menos 3 minutos antes que
aparea o primeiro cliente?
16) Em mdia seis pessoas por hora se utilizam de uma caixaautomtica de um banco em uma loja de departamentos:
a) Qual a probabilidade de que se passem pelo menos 10
minutos entre a chegada de dois clientes?
b) Qual a probabilidade de que, depois da sada de um cliente,
no se apresente outro em pelo menos 20 minutos?
c) Qual a probabilidade de que chegue um segundo cliente dentro
de 1 minuto, aps a chegada do primeiro?
17) A idade dos respondentes a uma pesquisa de marketing
normalmente distribuda com mdia 35 anos e desvio padro 5
anos. Calcule a probabilidade de selecionar ao acaso deste grupo
um respondente com:
a) Mais de 40 anos;
b) Entre 40 e 45 anos;
c) Com menos de 40 anos;
d) Entre 30 e 45 anos.
18) Um grupo de donas de casa foram selecionadas a darem
notas sua satisfao quanto ao funcionamento de uma
determinada marca de cafeteira. As notas so normalmente
distribudas com mdia 5 e desvio padro 1. Calcule a
probabilidade de uma dona de casa selecionada ao acaso deste
grupo, tenha dado nota:
a) Maior que 3;
b) Menor que 4,5.
194
19) O tempo necessrio para o atendimento de uma pessoa em

um grande banco tem aproximadamente distribuio normal com
mdia 130 segundos e desvio padro 45 segundos. Qual a
probabilidade de um indivduo aleatoriamente selecionado
requerer
menos
de
100
segundos
para
terminar
suas
transaes?
20) Uma pessoa tem 20 minutos para chegar ao escritrio. Para
tal pode escolher entre 2 caminhos (X ou Y). Sabendo-se que o
tempo para percorrer o caminho X ~ N(18 ; 25) min e que o
tempo para percorrer o caminho Y~ N (19 ; 4) min. Qual a melhor
escolha?
21) Determinar os valores de t 1 para a Distribuio de Student
que satisfaam cada uma das condies:
a) rea entre tc e tc de 90% com = 25;
b) rea esquerda de tc de 2,5% com = 20;
c) Soma das reas direita de t c e esquerda de tc de 1% com
= 5;
d) rea direita de tc de 55%, com = 16.
22) Para uma distribuio de qui-quadrado com = 12 graus de
liberdade, determinar o valor de 02 de modo que:
a) P( 2 > 02) = 5%
b) P( 2 < 02) = 99%
195
23) Calcular o valor de F0, com 1 = 20 e 2 = 25 graus de

liberdade, que superado com probabilidade as seguintes
probabilidades:
a) 5%
b) 10%
c) 1%
24) Um computador ao adicionar nmeros, arredonda zero para o
inteiro mais prximo. Admita-se que todos os erros de
arredondamento sejam independentes e uniforme em [ -0,5 ;
0,5 ]. Se 1500 nmeros foram arredondados, qual a probabilidade
do erro total em mdulo ultrapasse a 15?
25) Uma urna contm 3 bolas numeradas com inteiros 1, 2, 3.
Sero sacadas n bolas uma a uma com reposio. Determine a
probabilidade de P { Xi < 200 }, onde Xi o nmero que
aparecer na i-sima extrao e 100 o nmero de extraes.
26)Certo produto tem peso mdio de 10g e desvio padro 0,5g.
embalado em caixas de 120 unidades que pesam em mdia 150g
e desvio padro 8g. Qual a probabilidade que uma caixa cheia
pese mais que 1370g?
27)Determinada mquina enche latas baseada no peso bruto
com mdia 1 kg e desvio padro 25 g. As latas tm peso mdio
de 90g com desvio padro 8g
Pede-se:
a) A probabilidade de uma lata conter menos de 870g de peso
lquido;
b) A probabilidade de uma lata conter mais de 900g de peso
lquido.
196
28) Um avio de turismo de 4 lugares pode levar uma carga til

de 350 kg. Supondo que os passageiros tm peso mdio de 70
kg com distribuio normal de peso e desvio padro 20 kg e que
a bagagem de cada passageiro pese em mdia 12 kg, com
desvio padro 5 kg e distribuio normal de peso. Calcular a
probabilidade de haver sobre carga se o piloto no pesar os 4
passageiros e respectiva bagagem?
29) Seja Y uma funo que Y = X 1 + X2 + X3 e as variveis so
independentes com as seguintes distribuies:
X1 ~N(10; 9)
X2 ~ N (-2 ; 4)
X3 ~N (5 ; 25)
Calcule P[Y > 15], E(Y) e V(Y).
197
Unidade IV
Distribuies por Amostragem
Conceitos de Distribuio por Amostragem:
Seja uma populao de N elementos da qual se quer extrair
todas as possveis amostras de tamanho n. Em cada amostra,
pode-se calcular uma mesma medida descritiva, como por exemplo,
mdia e proporo, da caracterstica investigada. O conjunto de
valores resultantes dessa operao nos d uma distribuio de
estimativas, que denominamos de Distribuio por Amostragem.
Exemplo:
Suponhamos
que
de
uma
populao
de
tamanho
possamos retirar um nmero mximo de n* amostras de tamanho n.

Em cada n* amostras calculemos
mdia
da
caracterstica
investigada. Teremos esto n* mdias, que forma a distribuio por

amostragem da mdia.
Observao:
n
N amostras, se o processo for com reposio;
CN, se o processo for sem reposio.
198
Distribuio por Amostragem da Mdia:

Seja a experincia:
De uma populao de mdia e varincia 2 de tamanho N,
vamos extrair todas as amostras possveis de tamanho n dessa
populao.
De cada amostra iremos calcular a mdia da caracterstica
investigada. Esta distribuio de mdias denomina-se:
Distribuio por Amostragem da X

Qual o modelo de probabilidade dessa distribuio? Qual a
mdia e o desvio-padro desta distribuio?
Se conhecermos o modelo de probabilidade assumido pela
distribuio amostral da estimativa, bem como o seu desvio-padro
poderemos
realizar
inferncias
para
parmetros
populacionais
desconhecidos.
Pelo
Teorema
das
Combinaes
Lineares,
pode-se
demonstrar que se a distribuio da populao for normal, a

distribuio obtida segundo a experincia acima tambm normal
com mdia e varincia 2/n, portanto:
_
X ~ N ( ; 2/n )
_
S(X)=2/n =/n denominado erro padro(EP) da mdia,
que fornece a base principal para a inferncia estatstica no que diz
respeito a uma populao com mdia desconhecida. Ento, o erro
padro da mdia pode ser assim expresso:
EP= 2/n = /n
Observao:
Se a distribuio da populao no for normal, mas a amostra
for suficientemente grande, resultar que a distribuio amostral da
mdia ser aproximadamente normal pelo Teorema Central do
Limite, tambm com mdia e varincia 2/n.
Exemplo:
Seja uma
populao
normal
constituda
dos
seguintes
elementos 2,3,4,5. Extrair todas as amostras de 2 elementos dessa

populao com reposio e determinar:
a)Mdia e varincia populacional;
b)Mdia e varincia da distribuio amostral das mdias.
Resoluo:
a) =( 2+3+4+5 ) / 4 = 3,5
2 = [(2-3,5)2+(3-3,5)2+(4-3,5)2+(5-3,5)2] / 4 = 1,25
b) E(X) = 3,5 e
V(X)=2/n= 1,25/2= 0,625
O erro-padro ser, ento: EP= 0,625 = 0,79

Pode-se
facilmente
verificar
validade
dos
resultados
obtidos acima. Para isso, basta levantar todas as amostras de

tamanho 2, com reposio. A seguir calcular a mdia da cada
amostra
amostrais:
e finalmente calcular a mdia e a varincia das mdias
Amostras Possveis:
2e2
2e3
2e4
3e2
3e3
3e4
4e2
4e3
4e4
5e2
5e3
5e4
2e5
3e5
4e5
5e 5
Mdias Amostrais
2,0 2,5 3,0 3,5
2,5 3,0 3,5 4,0
3,0 3,5 4,0
3,5 4,0 4,5
4,5
5,0
Nn = 42 = 16 amostras possveis.
Distribuio Amostral das Mdias:

Mdias
Freqncias
2,0
2,5
3,0
3,5
4,0
4,5
5,0
1
2
3
4
3
2
1
Total
16
O modelo de probabilidade da distribuio por amostragem da

mdia a curva normal, como comprova o histograma e polgono de
freqncia abaixo e como j havamos adiantado:
_
_
Calculemos E(X) e V(X) da distribuio amostral das mdias:
Mdias
Freqncias
Xi . f i
2,0
2,5
3,0
3,5
4,0
4,5
5,0
1
2
3
4
3
2
1
2,0
5,0
9,0
14,0
12,0
9,0
5,0
Total
16
56
X ifi
4,0
12,5
27,0
49,0
48,0
40,5
25,0
206,0
_
E( X) = 56/16 = 3,5=
_
206 (56)2/16
V(X) = = 10/16 = 0,625 =2/n

16
EP=0,625= 0,79=/n
Resolver
item
(b)
do
exemplo
amostragem
sem reposio:
Amostras Possveis:
2e3
2e4
2e5
3e4
3e5
4e5
anterior,
supondo
Mdias Amostrais:
2,5
3,5
3,0
4,0
3,5
4,5
Distribuio Amostral das Mdias:

Mdias
Freqncias
2,5
3,0
3,5
4,0
4,5
1
1
2
1
1
Total
_
_
Calculemos E(X) e V(X) da distribuio amostral das mdias:
Mdias
Freqncias
Xi . f i
2
X i .fi
2,5
3,0
3,5
4,0
4,5
1
1
2
1
1
2,5
3,0
7,0
4,0
4,5
6,25
9,00
24,50
16,00
20,25
Total
21
76
Neste caso:
_
E(X) =
_
V(X)
=2/n . [(N n)/(N 1)] fator de correo de
populao finita.
Ento:
_
E( X)= 21/6 = 3,5=
76 (21)2/6
_
V(X) =
6
= 2,5/6 = 0,417
Este resultado,ento, pode ser obtido diretamente pela

frmula abaixo:
2/n[(N n ) / (N 1)]
EP=0,417 = 0,65
Distribuio por Amostragem da Proporo:
Seja uma populao da qual se investiga a proporo ou

a freqncia relativa de uma determinada caracterstica de interesse.
Suponha que seja possvel selecionar desta populao todas
as amostras possveis de tamanho n, n 30.
Para
cada
amostra
obtida
verifica-se
proporo
da
realizao da caracterstica de interesse.

Se as propores observadas nas amostras colhidas
apuradas e
descritas
em
uma
distribuio
forem
de freqncia, o
resultado de tal operao a Distribuio por Amostragem da

Proporo.
Chamando de a proporo da caracterstica na populao e
p a proporo da caracterstica na amostra, pode-se demonstrar que :
p ~N[; (1 -)/n ]
S(p)=EP=( 1 -)/nerro padro da proporo.

Exemplo:
Seja uma populao formada hipoteticamente por 5 pessoas.
Se a pessoa fuma damos valor 1 a ela, se no fuma o valor 0. Ento
suponhamos o seguinte quadro populacional aps a observao: 0, 1
, 1 , 0 , 1. Extrair todas as amostras de 2 elementos dessa populao
com reposio e determinar:
a)A proporo populacional de fumantes e a varincia da
varivel fumante;
b)A mdia e a varincia da distribuio amostral da proporo.
Soluo:
a)=3/5 = 0,6
(00,6)2+(1- 0,6)2+(1 0,6)2+(0 0,6)2+(1- 0,6)2
2
= = 0,24
5
b)E(p) = = 0,6
V(p)= (1- )/n = (0,6 . 0,4)/2 = 0,12
EP=0,12= 0,35
Verificao:
Amostras Possveis:
0e0
0e1
0e1
0e0
0e1
1e1
1e0
1e1
1e0
1e1
1e1
1e0
1e1
1e0
1e1
0e0
0e0
0e1
0e1
0e1
1e1
1e0
1e1
1e1
1e0
Propores Amostrais:
0,0
1,0
1,0
0,0
1,0
0,5
0,5
0,5
0,0
0,5
0,5
1,0
1,0
0,5
1,0
0,0
0,5
0,5
0,5
1,0
0,5
1,0
1,0
0,5
0,5
Distribuio Amostral da Proporo:

Propores(p)
Clc
Valor
E(p)
Freqncias(fi)
0,0
0,5
12
1,0
Total
25
ulo do
Esperado
e da
Varincia V(p):
pi
0,0
0,5
1,0
fi
4
12
9
Total
pi . fi
0,0
6,0
9,0
25
pi2fi
0,0
3,0
9,0
15
12
E(P) = 15/25=0,6
12 ( 15)2/ 25
V(p)=
25
EP= 0,12= 0,35
= (12 9 ) /25 = 0,12
Distribuio por Amostragem das Somas ou Diferenas

de Duas Mdias Amostrais, Conhecidos os Desvios-padro
Populacionais:
_
Suponhamos
que
X1~N(1;
21)
X2~N(2;
22)
so
independentes, com:
__
__
X1~N(1; 21/n1) e X2~N(2; 22/n2)
Teremos, pois, que a distribuio
amostral das somas ou
diferenas ser uma normal com:

_
_
E[ X1 X2 ] = 1 2

1
V[X X ] = ( /n ) + ( /n )
O Erro-padro das diferenas de mdias :

_
1
_
2
S[X X ] = EP = ( /n ) + ( /n )
Observao:
Quando se sabe que 1 e 2 tm o mesmo valor, conhecido, o
erro padro da soma ou diferenas de mdias fica:
_
_
S[X1 X2 ] = EP= (1/n1)+ (1/n2 )
Exemplo:
Uma empresa tem duas filiais(A e B), para as quais os
desvios- padro das vendas dirias so 5 e
3, respectivamente.
Uma amostra de 20 dias forneceu uma venda mdia diria de 40

peas para a filial A e 30 peas para a filial B. Q ual o erropadro da distribuio por amostragem da diferena de mdias das
vendas nas duas filiais?
Soluo:
_
_
S[X1 - X2 ] =( 21/n1) + ( 22/n2 ) = ( 25/20) + ( 9/20)=
= 1,7=1,30.
de Duas Mdias Amostrais, No sendo Conhecidos os
Desvios-padro Populacionais, mas Supostamente Iguais:
Suponhamos agora que no conhecemos os desvio-padro

das duas populaes, mas podemos admitir que esses desviospadro so iguais, ou seja, 1= 2= .
Nesse caso, devemos substituir, na expresso do erro-padro
do caso anterior, o desvio-padro desconhecido por uma estimativa
S. Como temos duas amostras, devemos utilizar os resultados de
ambas ao realizar essa estimao. Logo a estimativa da varincia 2:
S2p=
(n1-1)S21 + (n2-1)S22
n1+ n2 - 2
Esta a mdia ponderada das varincias amostrais.

2
Devemos usar a t-student relacionada com a estimativa S , a

qual tem =( n1 + n2 - 2 ) graus de liberdade.
A distribuio por amostragem da soma ou diferena de
mdias uma t-student, com =( n1+ n2 2).
Observao:
Se o grau de liberdade da estatstica t for suficientemente
grande,
podemos
utilizar
distribuio
normal
associada
distribuio por amostragem da soma ou diferena de mdias,

quando os desvios
padro so desconhecidos e supostamente
iguais.
_
E[ X1 X2 ] = 12
_ _
V[X1 X2 ] = (S2p / n1) + (S2P/n2 )
O erro-padro ento:
__ __
S[X1 X2 ] = EP= (S2p / n1) + (S2P/n2 ) = Sp(1 / n1)+ (1/n2)
Exemplo:
De uma grande turma extraiu-se uma amostra de quatro notas:
64, 66, 89 e 77. Uma amostra independente de trs notas de uma
segunda turma foi: 56, 71 e 53. Se
razovel admitir que as
varincias das duas turmas sejam aproximadamente iguais, qual o

erro padro da distribuio por amostragem da diferena de
mdias?
Soluo:
Os resultados dos clculos da mdia e dos desvios-padro
das notas para cada amostra so:
__
X1= 74
S1= 11,52
__
X2= 60
S2= 9,64
(n1-1)S21 + (n2-1)S22
S p=
2
n1+n2-2
S2p=
(4 1 ).132,71 + (3-1)92,93
4+3-2
S2p= 583,99 / 5 = 116,80
Sp = 116,80 = 10,81
O erro-padro da distribuio por amostragem da diferena :

_
_
S[X1 - X2 ] = EP= Sp(1/n1)+(1/n2 ) =10,811/4+1/3 = 8,26.

de Duas Mdias Amostrais, No Sendo Conhecidos os
Desvios-padro
Populacionais,
mas
Supostamente
Desiguais:
Suponhamos agora que no conhecemos os desvio-padro
das duas populaes, mas no podemos
admitir que esses
desvios- padro so iguais, ou seja,1 2

da soma ou diferena de
mdias,
os
respectivos
erros-padro
amostrais.
A expresso do erro-padro no caso em questo fica:
_
_
S[X1 X2 ] =EP= (S21 / n1) + (S22/n2 )
A distribuio por amostragem da soma ou diferenas de
mdias no caso em que as varincias so desconhecidas e
supostamente distintas ter distribuio aproximadamente normal se o
grau de liberdade da estatstica t for suficientemente grande ou tstudent, em caso contrrio.
Se usarmos a t-student, o nmero de graus de liberdade
calculado por:
( V 1 + V 2 )2
= - 2
V12/(n1+1) + V22/(n2+1)
Onde:
V1 = S12/n1
V2= S22/n2
Exemplo:
De uma pequena classe do curso do ensino mdio pegou-se

uma amostra de
4 provas de matemtica e obteve: mdia=81,
varincia=2. Outra amostra, de 6 provas de

mdia=77,varincia=14,4.
Suponhamos
biologia,
que
as
forneceu:
varincias
populacionais so supostamente diferentes, qual o erro-padro

desta estimativa?
Soluo:
O erro-padro, ento fica:
_ _
S[X1 - X2 ] = EP=(2 / 4)+(14,4/6 )= 1,70
Distribuio
por Amostragem da Diferena de Mdias
quando as Amostras so Emparelhadas:

Dizemos
que
os
resultados
considerados dados emparelhados,
de
quando
duas
amostras
esto
so
relacionados
dois a dois, segundo algum critrio. O referido critrio, embora

possa ter influencia igual sobre os valores de cada par, pode
influenciar bastante sobre os diversos pares.
O emparelhamento fere um dos pressupostos bsicos de uma
anlise de diferena de mdias entre amostras: a independncia das
observaes, comprometendo a credibilidade do resultado do teste
realizado.
Para isolar o efeito do emparelhamento ou dependncia das
amostras utilizado o processo de transformar as duas amostras em
uma, calculando a diferena entre o valor observado da medida antes
menos o valor da medida depois, isso para cada observao. Com a
estimativa do erro-padro da mdia das diferenas calculadas
possvel construir intervalos de confiana e realizar testes de
significncia.
Exemplo:
Imaginemos que estamos de posse de 15 peas usinadas, as quais
so inicialmente pesadas. Em seguida
tais peas so colocadas num
tanque que contm um agente erosivo, por um tempo prolongado, e,

ao final, elas so novamente pesadas. Desejando obter concluses sobre a
diminuio de peso das peas, devida ao ataque da eroso, as peas
devem ser identificadas(por exemplo, por uma codificao) e teremos, pois,
ao final do experimento, duas amostras de valores do tipo antes e depois
e os dados so considerados emparelhados, pois cada valor da 1 amostra
estar perfeitamente associado ao respectivo valor da 2 amostra.
Observao:
Sempre que possvel e justificvel devemos sempre promover a
transformao das duas amostras em uma, quando os dados so
emparelhados, pois teremos uma informao adicional, que levar a
resultados estatisticamente mais fortes.
Exemplo:
Se quisermos saber o quanto o agente tem poder erosivo, no
devemos somente interpretar o quanto os pesos dos dados da 2 amostra
em mdia so pequenos, mas sim, relacion-los com os pesos que tinham
na 1 amostra.
Havendo emparelhamento, calculamos a diferena di, para cada par
de valores, recaindo assim numa nica amostra de n diferenas.
claro
que, neste caso, as duas amostras so de mesmo tamanho, ou seja,

n1=n2=n.
Definindo a mdia de di por:
__
d=di /n
Ento, se as amostras so emparelhadas, a distribuio por

amostragem tem os seguintes parmetros:
__
E(d)= d
__
S[d] = EP= Sd / n
onde:
__
S2d=( di d )2 / (n- 1)
A distribuio por amostragem da diferena de mdias

para amostras emparelhadas tem distribuio t-student com =(n-1).
Exemplo:
A tabela abaixo indica as vendas de um produto em 2 pocas
do ano( I e II ) em cinco supermercados. Qual o erro-padro para a
diferena de mdias?
Supermercados
Vendas na poca 1
14
20
11
12
10
Vendas na poca 2
16
16
10
Soluo:
A partir dos dados, obtemos:
Supermercados
di
(di-d)
(di-d)2
10
7,6
57,76
1,6
2,56
-0,4
0,16
-4
-6,4
40,96
-2,4
5,76
12
107,2
d = 12/5 = 2,4
Sd = 107,2/4 = 26,8 = 5,18

_ _
S[X1 - X2 ] = EP= 5,18 /5 = 2,31
Distribuio por Amostragem para a Soma ou Diferena de

Duas Propores:
Se a proporo amostral p1~N[p1; (p1q1)/n1] e p2~N[p2; (p2q2)/n2],
vlidas quando n30, ento a distribuio amostral das diferenas ou
somas ser aproximadamente normal com:
E[p1 p2] =1 2
V[p1 p2]= (p1q1)/n1+ (p2q2)/n2
S[p1 p2]=EP=(p1q1)/n1 + (p2q2)/n2

Dessa forma,
p1 p2~ N[12; (p1q1)/n1+(p2q2)/n2]
Observao:
Quando no conhecemos os valores de 1 e 2, que so
parmetros populacionais e n 30, substitumos 1 por p1 e 2 por
p2.
Exemplo:
Num levantamento de opinio pblica para previso de uma
eleio, foram ouvidos 500 eleitores escolhidos ao acaso na cidade
A, onde 236 declararam que iriam votar num certo
candidato.
Na
cidade B, foram ouvidos outros 500 eleitores onde 200 declararam

que iriam votar no candidato em questo. Qual a estimativa do
erro- padro da diferena de propores?
Soluo:
Como as propores populacionais so desconhecidas, vamos
substitu-las pelas respectivas propores amostrais e o erro- padro
da estimativa das diferenas de proporo fica:
V[p1-p2]=(0,47.0,53)/500+(0,40.0,60)/500=0,0004982+0,00048=
0,0009782
S[p1 - p2]= EP=0,0009782 = 0,031
Distribuio por Amostragem da Varincia(S2):
O conhecimento das distribuies
2 nos
leva determinao
da distribuio por amostragem da estatstica S2:
i=1
Xi -
( Xi -) 2
=
2
Substituindo por
_
X
na expresso acima, temos que a
estatstica tem distribuio 2 com = n-1 graus de liberdade.
Podemos escrever:
Xi X
i=1
(X i -X)2
=
2
Podemos escrever:
( Xi -X)2
i=1
2n-1
=
2
Multiplicando e dividindo por (n-1) a expresso no se altera,
ento:
( Xi -X)
i=1
n-1
=
2
Donde deduzimos:
( n-1) S2
2n-1 =
2
Tirando o valor de S2:
2
S2 =
2n-1
( n-1)
(n-1)
.
(n-1)
Vemos, pois, a menos de uma constante, a estatstica S 2,

varincia de uma amostra extrada da populao normalmente
distribuda se comporta conforme uma distribuio do qui-quadrado
( 2n-1) com =n-1 graus de liberdade.
Pode-se provar que seus parmetros caractersticos so:
E(S2)=2
2. 4
V(S2)=
n-1
EP = S[S] = (2. 4)/n-1
Distribuio
por
Amostragem
do
Quociente
de
Duas
Varincias(S21/S22):
Suponhamos que duas amostras independentes retiradas de
populaes normais com mesma varincia 2 forneam varincias
amostrais S21 e S22 com, respectivamente, n1 e n2 elementos e que
desejamos conhecer a distribuio amostral do quociente S21/S22.
Temos que:
2n-1
( n1-1)
S21/S22 =
2n-1
( n2-1)
n1-1
( n1-1)
S21/S22 =
1
2
n2-1
( n2-1)
Lembrando que uma varivel aleatria tem distribuio F com
1 graus de liberdade no numerador e 2 graus de liberdade no
denominador se for dada por:
21/1
F 1 2 =
22/2
Constatamos, portanto, que a distribuio por amostragem do

quociente de duas varincias segue a distribuio F com 1 graus de
liberdade no numerador e 2 graus de liberdade no denominador. A
expresso uma F(n1-1), (n2-1).
Alm da normal(Z), as distribuies
, t e F so de grande
importncia para a soluo dos problemas da Estatstica Inferencial.
1)Uma populao consiste de cinco nmeros: 2 , 3 , 6, 8, e 11.

Consideremos todas as amostras possveis de 2 elementos que
dela podemos retirar, com reposio:
Determinar:
a)A mdia e o desvio padro da populao;
b)A mdia e o desvio padro da distribuio amostral das mdias;
c)Verificar as relaes numricas entre a mdia , a varincia e o
desvio padro populacional e amostrais .
2) Seja uma populao formada hipoteticamente por 4 pessoas. Se a
pessoa tem a inteno de votar no candidato A damos valor 1 a ela,
se no, o valor 0. Ento, obtivemos
os
seguintes
quadro
populacional aps a o bservao: 1,1,0,1. Extrair todas as amostras

de 2 elementos dessa populao com reposio e determinar:
a)A mdia e o desvio padro da populao;
b)A mdia e o desvio padro da distribuio amostral das propores;
c)Verificar as relaes numricas entre a mdia , a varincia e o
desvio padro populacional e amostrais .
3)Suponha que a mdia de uma populao bastante grande seja
=50,0 e o desvio padro =12,0. Determinar a distribuio amostral
das mdias das amostras de tamanho n=36 em termos de valor
esperado e de erro padro da distribuio em
reposio.
amostragem com
4)No exerccio anterior, considere agora amostragem

sem reposio e N=1000, obtenha o valor preciso do erro padro da
mdia.
5)Um auditor toma uma amostra aleatria de tamanho n=16 de um
conjunto de N=100 contas a receber. No se conhece o desvio
padro dos valores das 100 contas a receber. Contudo, o desvio
padro da
amostra S= R$ 57,00. Determinar o valor do erro
padro da distribuio de amostragem da mdia .

6)Um auditor toma uma amostra de n=36 de uma populao de
1.000 contas a receber. O desvio padro desconhecido, mas o
desvio padro da amostra S= R$ 43 ,00. Se o verdadeiro valor da
mdia da populao de contas a receber = R$ 260,00, qual a
probabilidade de que a mdia da amostra seja menor ou igual a R$
250 ,00 ?
7)O valor mdio das vendas de um determinado produto durante o
ltimo ano foi de = R$ 3400,00 por varejista que trabalha com o
produto, com um desvio padro de = R$ 200,00. Se um grande
nmero de
varejistas trabalha com o produto, determinar o erro
padro da mdia para uma amostra de tamanho n=25.

8)Uma empresa de pesquisa de mercado faz contato com uma
amostra de 100 homens em uma grande comunidade e verifica que
uma proporo de 0,40 na amostra prefere lmina de barbear
fabricadas por seu cliente em vez de qualquer outra marca.
Determinar a distribuio amostral da proporo em termos de valor
esperado e de erro padro .
9)Um administrador de uma universidade coleta dados sobre uma

amostra aleatria de mbito nacional de 230 alunos de cursos de
administrao de empresas e encontra que 54 de tais estudantes
tm diploma de Tcnico
de
Contabilidade.
Determinar
distribuio amostral da proporo em termos de valor esperado e de

erro padro.
10)Em uma grande rea metropolitana em que esto localizados
800 postos de gasolina, para uma amostra aleatria de 30 postos, 20
comercializam um determinado leo lubrificante que tem publicidade
nacional. Determinar a distribuio amostral da proporo em termos
de valor esperado e de erro padro.
11)Uma indstria fabrica dois tipos de pneus. Numa pista de teste, os
desvios-padro das distncias percorridas, para produzir certo
desgaste, so de 2500 km e 3000 km. Tomou-se uma amostra de
50 pneus do 1 tipo e 40 do 2 tipo, obtendo mdias de 24.000km e
26.000km, respectivamente. Qual o erro-padro da estimativa da
diferena de mdias?
12)Uma mquina automtica enche latas, com base no peso lquido,
com um desvio-padro de 5 kg. Duas amostras independentes,
retiradas em
dois perodos
de trabalhos consecutivos, de 10 e 20
latas, forneceram pesos lquidos mdios de
184,6 e 188,9 g,
respectivamente. Qual o erro-padro para a diferena de mdias

entre as duas amostras?
13)Duas amostras de barras de ao, ambas de tamanho n=5, foram
ensaiadas e obteve-se que as resistncias mdias foram de 55
kgf/mm2 e 53 kgf/mm2 e as varincias das resistncias foram de 7,5
e 5,0kgf/mm2, respectivamente. As varincias so desconhecidas,
mas supostamente iguais. Para testar a hiptese de que as
mdias
populacionais so iguais, qual o modelo de distribuio por

amostragem da estimativa da diferena de mdias assumido e qual o
erro-padro desta estimativa?

14)A mdia de salrios semanais para uma amostra de n=30
empregados em uma grande firma
R$ 1800,00, com desvio-
padro R$ 140,00. Em uma outra grande empresa, uma amostra

aleatria de n=40 empregados apresentou um salrio mdio semanal
de R$1700, 00, com um desvio-padro de R$ 100,00. As varincias
populacionais so desconhecidas, mas supostamente desiguais.
Qual o erro-padro para se estimar a diferena entre os salrios
mdios das duas firmas?
15)De uma populao animal escolheu-se uma amostra de 10
cobaias. Tais cobaias foram submetidas ao tratamento com uma
rao especial por um ms. Na tabela a seguir, esto mostradas os
pesos antes(Xi) e depois(Yi) do tratamento, em Kg. Qual o erropadro da diferena de mdias?
Cobaias
10
Xi
635
704
662
560
603
745
698
575
633
669
Yi
640
712
681
558
610
740
707
585
635
682
16)Num inqurito com os telespectadores de televiso de uma

cidade, 60 de 200 homens desaprovam certo programa, acontecendo
o mesmo com 75 de 300 mulheres. Qual o erro- padro da
diferena das propores para testar se h uma diferena real entre
as opinies de homens e mulheres?
Unidade V
Estimao
Estatstica Inferencial:
a parte da Estatstica que tem o objetivo de estabelecer nveis
de confiana da tomada de deciso de associar uma estimativa
amostral a um parmetro populacional de interesse.
A inferncia estatstica paramtrica utiliza processos estatsticos
e probabilsticos para testar a significncia de estimativas calculadas
em uma amostra aleatria.
Exemplo 1:
Suponha que tivssemos interesse na renda mdia dos
habitantes de uma cidade. Para investigar o seu valor, optou-se por um
estudo por amostragem. Na amostra colhida, verificou-se uma
estimativa de R$ 800,00 para a renda mdia dos habitantes da cidade.
Com base nesta estimativa, o que se pode dizer do parmetro
populacional correspondente?
Exemplo 2:
Suponha
que
tivssemos
colhido
uma
amostra
de
50
contracheques de um total de 2000 funcionrios de uma grande

empresa, e obtivssemos a porcentagem de pessoas que tiveram
descontos por falta ou atrasos num ms considerado. funo da
estatstica inferencial determinar se este resultado encontrado em 50
trabalhadores estatisticamente significante, isto , no fruto de uma
amostra ingrata e, um valor prximo do que se encontraria se
tivssemos usado a populao toda para realizar o clculo.
A Estatstica Inferencial realiza, portanto, concluses sobre

parmetros populacionais de interesse atravs da informao da
amostra desta populao. um processo de induo, porque atravs
do particular (amostra) tiram-se generalizaes sobre o todo
populacional.
Diviso da Inferncia Estatstica:

A Inferncia Estatstica tem dois problemas bsicos :
o A Estimao.
o O Teste de Significncia.
Estimao:
Processo inferencial pela qual se toma o valor de um
parmetro populacional de interesse pelo valor de uma estimativa
ou um intervalo de estimativas amostrais considerados. lgico,
que o que se obtm um valor ou um intervalo de valores que
so aproximaes do parmetro populacional desconhecido.
A estimao muito usada como estgio inicial para a
realizao de testes de significncia.
Estimador:
uma frmula, funo dos elementos amostrais, usada para
a estimao de um parmetro populacional desconhecido e de
interesse. qualquer funo das observaes amostrais.
Exemplo:
_
X = Xi / n um estimador da mdia populacional . .
Estimativa:
o valor numrico obtido pela aplicao do estimador a uma
amostra selecionada.
Exemplo:
_
X=Xi/n um estimador utilizado para estimar uma mdia
populacional
desconhecida.
Dessa
populao
retirou-se
aleatoriamente uma amostra cujos resultados foram estes:

5 , 6 , 6, 7
Clculo da estimativa:
_
x= (5+6+6+7)/4 = 6 uma estimativa da mdia populacional
desconhecida.
Tipos de Estimao:
oEstimao Pontual
oEstimao por Intervalo(Intervalos de Confiana).
Estimao Pontual:
Quando a partir de uma amostra, procura-se tomar o valor do
parmetro
populacional
desconhecido
por
um
geralmente a correspondente estatstica amostral.
nico
nmero,
Exemplo:
Deseja-se tomar a porcentagem de negros em uma dada
universidade() pela porcentagem de negros calculada em uma
amostra convenientemente selecionada(p).
Estimao por Intervalo:
Quando a partir de uma amostra, procura-se tomar o valor
do parmetro populacional desconhecido por um conjunto ou intervalo
de estimativas,
intervalo este com alta probabilidade de conter o
parmetro populacional desconhecido.

Exemplo:
Deseja-se tomar a porcentagem de negros em uma dada
universidade por um intervalo de porcentagens de negros obtido
com base na informao de uma amostra
aleatria.
Assim
porcentagem de negros deve est no intervalo de 1% 5% na

universidade, com 95% de certeza.
Qualidades de um Estimador:
^
^
Vamos supor dois estimadores 1 e 2 do mesmo parmetro
populacional.
Qual o melhor?
Para essa resposta surgem dois problemas a saber:
1)Nunca poderemos conhecer o verdadeiro valor de , sendo

assim no poderemos afirmar que:
^
2 mais correto que 1 e vice-versa

2)Se tivermos os dois estimadores acima, uma forma de
decidir qual deles o melhor estimador pontual para , utilizar
o critrio das qualidades de um estimador: aquele que reunir o
maior nmero dessas qualidades deve ser o escolhido.
Vejamos:
1) Estimador no-tendncioso, Justo ou Acurado:
aquele cujo valor esperado da sua distribuio amostral
o prprio valor do parmetro populacional desconhecido:
^
E( )=
Exemplo:
_
X=X/n um estimador justo de , como j havamos
mostrado na unidade anterior, em distribuio por amostragem da
mdia, pois :
_
E(X) =
2)Consistente ou Convergente:
^
um estimador consistente ou coerente se a seguinte regra
for verificada:
^
Se E( ) =
Se lim V() = 0
n
Ento, um estimador consistente para . Esta qualidade

tambm chamada de Lei dos
Grandes
Nmeros/Regularidade Estatstica dos Resultados.
3 ) Eficiente ou Preciso:
Sejam 1 e 2 dois estimadores justos de um parmetro

populacional . Ser mais eficiente aquele cuja varincia de sua
distribuio amostral for menor.
Exemplo:
Observando o grfico abaixo:
Responda:
a)Quais os estimadores justos de ?
b)Qual(is) o(s) estimador(es) viezado(s) de ?
c)Qual o estimador eficiente de ?
Erro Mdio Quadrtico (EMQ):

Com certo esforo matemtico possvel mostrar que o erro mdio
quadrtico a expresso abaixo:
^
^
EMQ = {V( ) + [ E( ) -]2 }
Onde:
^
^
V( ) varincia da distribuio amostral de .
^
^
E( ) esperana da distribuio amostral de .
valor hipottico do parmetro populacional .
Observao:
^
V( )mede a eficincia ou preciso do estimador.
^
[ E( ) -] mede a tendncia ou acurcia do estimador.
Interpretao e uso do EMQ:

o Um estimador preciso aquele que tem varincia pequena,
tendendo zero.
o Um estimador acurado aquele que tem tendncia indo zero.
Um estimador acurado e preciso implica em um EMQ pequeno.
o Quanto menor o valor do EMQ de um estimador, maior ser a
qualidade do estimador em estudo.
Exemplo:
Tm-se duas frmulas distintas
para
populacional. Para ajudar a escolher
estimar
um
parmetro
o melhor, simulou-se uma
situao onde =100. Desta populao, retiraram-se 1.000 amostras de

10
unidades cada uma e aplicaram-se ambas as frmulas s 10
unidades da cada amostra. Desse modo, obtm-se 1.000 valores para

a primeira frmula(t1) e outros 1.000 valores para a
frmula(t2), cujos estudos descritivos
Qual
das duas
estimar ? Por qu?
segunda
esto resumidos abaixo.
frmulas voc acha mais conveniente para
Valores descritivos
Mdia
Varincia
Mediana
Moda
Frmula 1 (t1)
102
5
100
98
Frmula 2 (t2)
100
10
100
100
Soluo:
EMQ(t1) = 5 +( 102-100)2 = 9
EMQ(t2) = 10 +( 100 100 )2 = 10
Concluso:
A frmula 1 oferece o melhor estimador, pois tem EMQ
menor, apesar do estimador ser tendencioso.
Conceitos de Intervalos de Confiana:

Intervalo de Confiana, ao contrrio da estimativa pontual,
estabelece um conjunto de estimativas para o parmetro e objetiva
informar sobre o valor do mesmo.
Portanto,
estimao
pontual
estabelece
apenas
uma
estimativa para o parmetro populacional. J a estimao intervalar

indica para o valor do parmetro populacional um intervalo, um
conjunto de estimativas. Este conjunto de estimativas estabelece
vrias alternativas para o valor alvo desconhecido e apresenta cada
vez mais estimativa medida que a confiana requerida aumenta.
Cada estimativa includa no intervalo de confiana uma informao a
mais a respeito do valor do parmetro.
A confiana da estimao intervalar tem a ver com o nmero de
estimativas que ser quer disponibilizar para se conhecer ou se ter
informao sobre o parmetro. Quanto maior a confiana arbitrada,
mais largo ento ser o intervalo de confiana, fornecendo assim um
leque maior para valores aceitveis, possveis para o parmetro, isto
, um conjunto maior de estimativas que informe o valor provvel do
parmetro.
Uma estimao intervalar que envolva um erro padro grande
precisar de um nmero maior de estimativas para o parmetro do que
um estudo intervalar que envolva estimativas para o erro padro
menor.
A distncia mdia das estimativas ao parmetro medida pelo
erro padro. Portanto, a amplitude do intervalo de confiana tambm
depende do erro padro. Um intervalo de confiana com um erro
padro pequeno para as estimativas ter uma amplitude menor do que
um intervalo de confiana com erro padro grande, com mesma
confiana estabelecida. Quer dizer, um intervalo de confiana com um
erro padro pequeno ter um conjunto de estimativas aceitveis para o
parmetro menor que um intervalo de confiana que envolva
estimativas com um erro padro maior, ambos com mesmo nvel de
confiana arbitrado.
Concluso: a amplitude do intervalo de confiana, isto , o

conjunto de estimativas que informam sobre o parmetro,
diretamente proporcional confiana estabelecida e ao erro padro
das estimativas do parmetro.
Vem que um intervalo construdo em torno de uma estimativa
pontual, com base no erro padro e na teoria da probabilidade, que
informa com grande certeza o domnio em que deve est o
parmetro populacional desconhecido.
Esta certeza quantificada em termos de probabilidades e,
chamada de confiana do intervalo().
J a probabilidade do intervalo no conter o parmetro
populacional desconhecido chamado nvel de significncia (), que
igual a 1- .
As confianas mais utilizadas so 68%, 90%, 95% e 99%, e so
chamadas de intervalos de confiana notveis. Consequentemente
os nveis de significncia mais utilizados so: 32%, 10%, 5% e 1%.
Nos exemplos e exerccios propostos neste livro, quando no se
indicar, o nvel de significncia a ser adotado de 5%.
Expresso dos Intervalos de Confiana:
A expresso de intervalo de confiana origina das leis das

probabilidades que configuram as curvas das distribuies por
amostragem das estimativas envolvidas na construo da estimao
intervalar. Neste momento, necessrio assumir uma distribuio de
probabilidade terica para a distribuio de estimativas de parmetros
para inferncia estatstica.
Exemplo:
Para estimar a mdia populacional podem-se retirar vrias
amostras diferentes que podem gerar vrias estimativas pontuais
diferentes.
Se a amostra for representativa da populao, ela tende gerar
valor prximo do parmetro populacional, mas no igual.
A estimativa pontual baseada em uma nica amostra. Ento o
quo prximo o valor encontrado est prximo do parmetro
populacional? No h como saber se a amostra coletada foi extrada
da cauda inferior ou superior da curva de frequncia.
Logo, para se ter confiana de estimar o verdadeiro parmetro
populacional, gera-se um intervalo de possveis valores para o
parmetro populacional, a partir do valor encontrado da amostra.
Quanto
maior
amplitude
do
intervalo,
maior
confiana(probabilidade) de estimar corretamente o verdadeiro valor

do parmetro.
Na estimao da mdia populacional desconhecida, temos que

o modelo de probabilidades da distribuio amostral das mdias segue
via de regra Curva Normal.
Vejamos:
X -
Z =
mdia
X - = Zmdia
Tirando o valor de X , vem:
X = + Zmdia
A distncia + Zmdia simtrica distncia - Zmdia .

Por exemplo, na distribuio por amostragem da mdia, fato,
lei, que 95% destas estimativas caiam no intervalo de 1,96mdia a
+ 1,96mdia .
95%
xbarra
-1,96mdia +1,96mdia
Temos que:
1,96mdia X + 1,96mdia .
Vem que:
1 )
1,96mdia X + 1,96mdia .
1,96mdia X, tirando o valor de :
X + 1,96mdia
2 )
1,96mdia X + 1,96mdia .
X + 1,96mdia, tirando o valor de :
X 1,96mdia
Concluso:
O conjunto das 95% das estimativas da distribuio por
amostragem da mdia amostral que estimaro a mdia populacional
deve estar neste intervalo:
X 1,96mdia X + 1,96mdia .
Como Achar o Valor de Z para cada Confiana Arbitrada?
Se o analista deseja, ento, construir um intervalo de confiana

que tome para a mdia populacional 95% das estimativas geradas por
sua distribuio por amostragem, o pesquisador ter que descobrir
quem Z na expresso acima e isso facilmente informado pela
tabela da curva normal padro e tambm calcular mdia, que o
valor do erro-padro da mdia, dado por /n.
Para descobrir quem o valor de Z que deixa 95% das mdias
amostrais em tornu de , basta dividir 0,95/2=0,475 e procurar no
miolo da tabela da curva normal qual resultar no valor informado de
1,96.
A expresso do intervalo de confiana para fica ento:
X 1,96mdia
Que decorre,
P[X 1,96mdia X + 1,96mdia] = 95%
Para 68% fcil constatar que o valor de Z=1,0; para 90%,

Z=1,65 e para 99% de confiana o valor Z=2,58.
Logo, o intervalo de confiana para mdia segue a expresso

geral:
_
X Zmdia
_
X Z(n)
_
X - Z(n) X + Z(n)
Portanto, as expresses dos intervalos de confiana se baseiam

na relao dos ponto crticos das distribuies de probabilidades das
estatsticas e dos erros padres das estimativas.
Intervalo de Confiana para a Mdia , quando

Conhecido:
Quando a varivel populacional for normal, pelo Teorema
das Combinaes Lineares, a distribuio amostral da mdia
ser normal e o intervalo de confiana para mdia, como j havamos
demonstrado em pargrafos acima, ser:
_
X z (/n) X + z ( /n)
Exemplo:
Em uma pesquisa de mercado, feita junto a16
pessoas
selecionadas aleatoriamente, revelou que o salrio mdio dos

entrevistados de R$ 1.200,00.
desvio padro histrico da
populao R$ 200,00. Qual o intervalo de confiana de 95% para

a mdia de salrios de todo o mercado considerado?
Soluo: Obteno de Z:
95% tabela da normal padro procurar no miolo da tabela
a rea de 0,95/2= 0,4750, logo Z = 1,96
Intervalo de Confiana:
1200 1,96 .( 200/16) 1200 + 1,96 .( 200/16)
1200 981200 + 98
R$ 1102 R$ 1298
Concluso:
O salrio de todo o mercado deve est entre R$ 1.102,00 <<
R$1298,00 com 95% de certeza.
Intervalo de Confiana para a Mdia ,quando

Desconhecido, mas o Tamanho da Amostra Grande, n
30:
Quando o desvio padro populacional for
desconhecido
no podemos garantir a utilizao da normal padro, pois o que se

tem
disponvel, associado distribuio amostral da mdia,
desvio padro amostral S. Contudo, ainda neste caso, podemos

aceitar a hiptese da normalidade da distribuio amostral da mdia,
recorrendo-se ao Teorema Central do Limite.
Assim:
_
_
X z (S/n) X +z (S/n)
Exemplo:
Em uma pesquisa de mercado, feita junto a 100 pessoas
selecionadas aleatoriamente, revelou que o
salrio
mdio dos
entrevistados de R$ 1.200,00 e o desvio padro R$ 200,00. Qual

o intervalo de confiana de 95% para a mdia de salrios de todo o
mercado considerado?
Soluo: Obteno de Z:
95% tabela da normal padro procurar no miolo da tabela a
rea de 0,95/2= 0,4750, logo Z = 1,96
1200 1,96 .( 200/100) 1200 + 1,96 .( 200/100)
1200 39,2 1200 + 39,2

R$ 1160,80 R$ 1239,20
Concluso:
R$1239,20, com 95% de certeza.
Intervalo de Confiana para a Mdia ,quando

Desconhecido, mas o Tamanho da Amostra Pequeno,n <
30:
Quando o desvio padro populacional for desconhecido no
podemos garantir a utilizao da normal padro, pois o que se tem
disponvel o desvio padro amostral S.
Como podemos
constatar, a distribuio neste caso a t-student, e assim:

_
X t(S/n) X + t (S/n)
Exemplo:
Em uma pesquisa de mercado, feita junto a
16
pessoas
selecionadas aleatoriamente, revelou que o salrio mdio dos

entrevistados de R$ 1.200,00 e o desvio padro R$ 200,00. Qual
o intervalo de confiana de 95% para a mdia de salrios de todo o
mercado?
Soluo: Obteno de t:
95% = 5%tabela da t com = n 1 = 16 1 = 15t =
2,13
1200 2,13 .( 200/ 16) 1200 + 2,13 .( 200/ 16)
1200 106,5< < 1200 + 106,5
R$ 1093,50 R$ 1306,5
Concluso:
R$1306,50; com 95% de certeza.
Intervalo de Confiana para a Proporo :

Neste caso a distribuio amostral original de p no normal
e sim binomial. Isso porque uma proporo uma soma de bernoullis
dividida por uma constante, que o tamanho da amostra. Para garantir
a normalidade desta distribuio amostral
necessrio
que
utilizemos amostras aleatrias grandes, n 30, pois podemos

recorrer ao Teorema Central do Limite e assim:
P - Zpq/n P + Zpq/n
Exemplo:
Em uma amostra aleatria de 2.000
eleitores
de
um
pas
constataram-se uma inteno de voto de 43% para um candidato

presidncia, na poca das eleies. Depois das eleies, qual o
intervalo de variao da proporo de votos do candidato, com uma
confiana de 99%?
Soluo: Obteno de Z:
99%tabela da normal padroprocurar no miolo da tabela
a rea de 0,99/2= 0,4950, logo Z = 2,58
0,43-2,580,43.0,57/2000 0,43+2,580,43.0,57/2000
0,43-0,01 0,43+0,01
0,42 0,44
Concluso:
Aps as eleies, as urnas revelaro um percentual de 42% a
44% para o candidato em questo, com 99% de probabilidade.
Intervalo de Confiana para a Soma ou Diferena de
Mdias
quando
os
Desvios-padro
Populacionais
so
Conhecidos:
O intervalo referido, baseada na distribuio por amostragem
da soma ou diferena quando os desvios-padro populacionais so
conhecidos :
_
_
_ _
(X1 X2) Z.(21/n1)+(22/n2 )1 2 (X1 X2)+Z.(21/n1)+(22/n2)
Observao:
Quando se sabe que 1 e 2 tm o mesmo valor, conhecido , o
erro-padro da soma ou diferenas de mdias fica:
EP = (1/n1)+(1/n2)
E o intervalo de confiana toma a seguinte forma:

_
_
_ _
(X1 X2) Z. (1/n1)+(1/n2 )1 2 (X1 X2)+Z. (1/n1)+(1/n2)
Exemplo:
desvios- padres das vendas dirias so de 5 e 3, respectivamente.
peas para a filial A e 30 peas para a filial B. Supondo que
a distribuio diria de vendas seja normal, qual o intervalo de
confiana para a diferena de mdias das vendas nas duas filiais
com uma confiana de 95%?
Soluo:
_ _
(X1- X2) = 40 30 = 10
_ _
S[X1 - X2 ] = EP = 1,30
Obteno de Z :
95%tabela da normal padroprocurar no miolo da tabela
a rea de 0,95/2= 0,4750, logo Z = 1,96
Intervalo de Confiana :
_ _
_ _
(X1 X2) Z.(21/n1)+(22/n2 )1 2 (X1 X2)+Z.(21/n1)+(22/n2)
10-1, 96.1,301 2 10 + 1,96. 130
7,451212,55
Concluso:
Existe uma probabilidade de 95% da diferena de mdias
de vendas entre as duas filiais est contida no intervalo acima.

Mdias quando os Desvios-padro
Populacionais so
Desconhecidos, mas Supostamente Iguais:

do caso anterior, o desvio-padro desconhecido, por uma estimativa.
Como temos duas amostras, devemos utilizar os resultados de ambas
ao realizar essa estimao. Logo a estimativa da varincia 2 :
(n1-1)S21 + (n2-1)S22
S2p=
n1+ n2 2
Esta a mdia ponderada das varincias amostrais.
Devemos usar a t-student relacionada mdia ponderada das
varincias amostrais. O erro-padro fica, ento:
_
S[X1 X2 ] =EP= (S2p / n1) + (S2P/n2 )= Sp(1 / n1)+(1/n2 )

da soma ou diferena, quando os desvios-padro populacionais so
desconhecidos, mas supostamente iguais, :
_
(X1 X2) t.Sp(1/n1) +(1/n2 )1
+(1/n2)
(X1 X2) + t.Sp(1/n1)
Observao:
Se o grau de liberdade da estatstica t for suficientemente
grande,
podemos utilizar
distribuio
normal associada
expresso do intervalo de confiana acima. Ento:
(X1 X2) Z.Sp(1/n1) +(1/n2 )1 2(X1 X2)+Z.Sp(1/n1) +(1/n2)

Exemplo:
64,66,89 e 77. Uma amostra independente de trs notas de uma

segunda turma foi: 56, 71 e 53. Se for
varincias das duas turmas sejam aproximadamente iguais, qual o

intervalo de confiana de 95% para a diferena de mdias?
Soluo:
Os resultados dos clculos da mdia, dos desvios-padro
das notas para cada amostra e do erro-padro so:
_
X1= 74
S1= 11,52
_
X2= 60
S2= 9,64
_ _
[X1 - X2 ] = 74 60=14
_ _
S[X1 - X2 ] =EP= 8,26.
Obteno de t:
95% = 5%tabela da t com = n1 + n2 -2= 4+3 -2= 5t =
2,57
14 2,57.8,261 214+2,57.8,26
-7,231 235,23
Concluso:
Existe uma probabilidade de 95% de que a diferena de
mdias entre as duas turmas esteja neste intervalo.
Mdias quando os Desvios-padro
Populacionais so
Desconhecidos, mas Supostamente Desiguais:

Suponhamos agora que no conhecemos os desvios-padro
das duas populaes, mas no podemos
admitir que esses
desvios- padro so iguais, ou seja,12.

da soma ou diferena de
mdias
os
respectivos
erros-padro
amostrais.
A expresso do erro-padro no caso em questo fica:
_
_
S[X1 X2 ] = EP=(S21 / n1) + (S22/n2)
A distribuio por amostragem da soma ou diferenas de

mdias no caso em que as varincias so desconhecidas e
supostamente distintas ter distribuio aproximadamente normal se o
grau de liberdade da estatstica t for suficientemente grande ou tstudent, em caso contrrio.
Se usarmos a t-student, o nmero de graus de liberdade
calculado por:
( V 1 + V 2 )2
= -2
V12/(n1+1) + V22/(n2+1)
Onde:
V1 = S12/n1
V2= S22/n2

da soma ou diferena quando os desvios-padro populacionais so
desconhecidos, mas supostamente desiguais :
a)Se as amostras forem suficientemente grandes(n 30):
_ _
2
1
X1 X2 - Z(S /n1)+(S 2/n2)12X1X2 +Z(S21/n1)+(S22/n2)
b)Se as amostras no forem suficientemnte grandes(n<30):

_ _
_ _
X1 X2 - t(S21/n1)+(S22/n2)12X1X2 +t(S21/n1)+(S22/n2)
Exemplo:
uma amostra de 4 provas de matemtica e obteve:mdia=81,
biologia,
forneceu:
mdia=77, varincia=14,4. Para testar a hiptese de que as mdias

populacionais so iguais, qual o intervalo de confiana de 99% para
a diferena de mdias, supondo os desvios-padro populacionais
desiguais?
Soluo:
_
X1 - X2 = 81 77 = 4
V1= 2/4= 0,5
V2= 14,4/6=2,4
(0,5 + 2,4)2
= - 2 = 8
0,52
2,42
+
4 +1
6 +1
_
S[X1 - X2 ] =EP=(2 / 4) + (14,4/6 )= 1,70
Como o grau de liberdade no suficientemente grande(<30),

o intervalo de confiana dever ser baseado na t-student, com 8
graus de liberdade:
Obteno de t:
99%= 1%tabela da t com = 8t = 3,36
4 -3,36.1,701 24 + 3,36.1,70
-1,711 29,71
Concluso:
O intervalo acima tem uma probabilidade de 99% de conter a
diferena entre a mdia da nota de matemtica e a mdia da nota
de biologia.
Intervalo de Confiana para a Diferena de Mdias quando
as Amostras so Emparelhadas:
Havendo emparelhamento, calculamos a diferena di para
cada par de valores, recaindo assim numa nica amostra de n
diferenas.
As duas amostras so de mesmo tamanho, ou seja, n1=n2=n.
Definindo a mdia de di por:
d =di /n
Se as amostras so emparelhadas, o erro-padro da diferena de
mdias :
_
S[d] =EP= Sd /n , onde:
S2d=( di d )2 / (n- 1)
O intervalo de confiana para a diferena de mdias para

amostras emparelhadas baseado na distribuio t-student, com
=(n-1) e sua expresso :
_
_
d - t. (Sd /n)dd + t. (Sd /n)
Exemplo:
A tabela abaixo indica as vendas de um produto em 2
pocas do ano( I e II ) em cinco supermercados. Construir um
intervalo de confiana de 90% para a diferena de mdias.
Supermercados
Vendas na poca 1
14
20
11
12
10
Vendas na poca 2
16
16
10
Soluo:
A partir dos dados, obtemos:
_
(di-d)
_
(di-d)2
10
7,6
57,76
1,6
2,56
B
C
-0,4
0,16
-4
-6,4
40,96
-2,4
5,76
12
107,2
Supermercados
_
d = 12/5 = 2,4
Sd =107,2/4 =26,8 = 5,18
_
S[d ] =EP= 5,18 /5 = 2,31
Obteno de t :
di
90%= 10%tabela da t com = 5 -1 = 4t = 2,13

_
_
d - t. (Sd /n)dd+ t. (Sd /n)
2,4- 2,13. 2,31d2,4+ 2,13. 2,31
2,4-4,9d 2,4+4,9
-2,5d 7,3
Concluso:
O intervalo construdo tem chance de 90% de conter a
diferena de mdias de vendas nas duas pocas do ano( I e II ) do
produto.
Intervalo de Confiana para a Soma ou Diferena de Duas

Propores:
Se a proporo amostral p1~N[p1; (p1q1)/n1] e p2~N[p2; (p2q2)/n2],
vlidas quando n30, ento a distribuio amostral das diferenas ou
somas ser aproximadamente normal.
Observao:
Quando no conhecemos os valores de 1 e2,
que
so
parmetros populacionais, e n30, substitumos 1 por p1 e 2 por

p 2.
A expresso do intervalo de confiana fica, ento:
[p1 p2] - Z(p1q1)/n1 + (p2q2)/n212[p1 p2] + Z(p1q1)/n1+ (p2q2)/n2
Exemplo:
Num levantamento de
opinio
pblica
para
previso
de
uma eleio, foram ouvidos 500 eleitores escolhidos ao acaso

na cidade A onde 236 declararam
que
iriam
votar
num
certo
candidato. Na cidade B, foram ouvidos outros 500 eleitores onde 200

declararam que iriam votar no candidato em questo. Para verificar,
com base nesta previso, se o desempenho do candidato difere nas
duas cidades, qual a estimativa intervalar com um nvel de
significncia de 5% para a diferena de propores?
Soluo:
[p1 - p2]=0,47 0,40 = 0,07
S[p1 - p2]= EP= 0,0009782 = 0,031
95%= 5% tabela da normal padroprocurar no miolo

da tabela a rea de 0,95/2= 0,4750, logo Z = 1,96
[p1 - p2] - Z(p1q1)/n1 + (p2q2)/n212 [p1 - p2] + Z(p1q1)/n1+ (p2q2)/n2
0,07- 1,96. 0,031120,07+ 1,96. 0,031
0,01120,13
Concluso:
O intervalo acima tem uma probabilidade de 95% de conter a
diferena de inteno de voto do candidato nas duas cidades.
Intervalo de Confiana para a Varincia 2

de uma Populao
Normal:
Seja X uma populao normal com distribuio normal

de mdia e varincia 2.
Sabe-se, pelo Teorema de Fisher, que:
S2 . (n-1)
2(n-1) =
2
Deste teorema, resulta por demonstrao, a expresso
do intervalo de confiana para varincia:
S2 . (n-1)
S 2 . (n-1)
2
2sup
2inf
Onde:
2inf = 2( 1 /2)
2sup = 2(/2)
Ambos os qui-quadrados com = n-1.
262
Exemplos:
1 ) Uma amostra formada pelos seguintes valores:
6, 6, 7, 8, 9, 9, 9, 10, 11, 12
Calcular o intervalo de confiana para 2, ao nvel de
90%.
Soluo:
Temos que:
S2 = 4
n= 10
/2 = (1-0,90)/2 = 0,05
2sup =
16,919
= 10 -1 = 9
Tabela
1- /2 = 1- (1-0,90)/2 = 1- 0,05 = 0,95
2inf =
3,325
= 10 -1 = 9
263
O Intervalo de confiana para a varincia 2, fica

ento:
S2 . (n-1)
S 2 . (n-1)
2
2sup
2inf
4 . (10-1)
4 . (10-1)
2
16,919
3,325
4 . (9)
4 . (9)
2
16,919
3,325
2,13 2 10,83
2 )De uma populao normal foi retirada uma

amostra de 15 elementos e calculou-se Xi=8,7 ,
X2i=
27,3. Determinar um intervalo de confiana de 80% para a

varincia dessa populao:
264
Soluo:
Temos que:
27,3 (8,7)2
15
S2 = = 1,59
14
n= 15
/2 = (1-0,80)/2 = 0,10
2sup = 21,064
= 15 -1 = 14
Tabela
1- /2 = 1- (1-0,80)/2 = 1- 0,10 = 0,90
inf
= 7,790
= 15 -1 = 14
265
O Intervalo de confiana para a varincia 2, fica

ento:
S2 . (n-1)
S 2 . (n-1)
2
2sup
2inf
1,59 . (15-1)
1,59 . (15-1)
2
21,604
7,790
1,59 . (14)
1,59 . (14)
2
21,604
7,790
1,03 2 2,86
266
Intervalo de Confiana para o Desvio Padro de uma

Populao Normal:
Calcular-se- apenas um intervalo aproximado para o desvio

padro atravs da raiz quadrada do intervalo de confiana da
varincia, uma vez que se pode verificar que o desvio padro S no
um estimador justo de :
Exemplo:
Calcular os intervalos de confiana para o desvio padro dos
exemplos anteriores(da varincia):
1 )2,13 10,83=1,46 3,29
2 ) 1,03 2,86=1,01 1,69
Intervalo de Confiana para o Quociente das Varincias

Populacionais(22/21):
Para duas populaes normais de varincias

desconhecidas, sabe-se:
21 / 1
F(1,2) =
22 / 2
Pelo Teorema de Fisher:
S2 . (n-1)
2(n-1) =
2
267
Pode-se
confiana
demonstrar
para
que
quociente
intervalo
das
de
varincias
populacionais :
S2 2
S 22
. 22/21 .
F/2(1,2)
S21
F/2(2,1)
S2 1
Ou:
S21
S
2
1
. 21/22 .
F/2(2,1)
S22
F/2(1,2)
S2 2
Exemplo:
Construir o intervalo de confiana, para =2%,
para o quociente de varincias de duas populaes
normais, das quais foram extradas as amostras
seguintes: 41 elementos da 1, obtendo S 21=43,2 e
31 elementos da 2 , obtendo-se S22= 29,5.
268
Soluo:
/2 = 0,02/2 = 0,01
1 = 41 -1 = 40
F0,01(40,30)=
2,30
2 = 31 -1 = 30
/2 = 0,01/2 = 0,01
1 = 41 -1 = 40
F0,01(30,40)=
2,20
2 = 31 -1 = 30
O Intervalo de confiana para o quociente das

duas varincias, fica ento:
S21
S 21
. 21/22 .
F/2(2,1)
S2 2
F/2(1,2)
43,2
S2 2
43,2
. 21/22
. 2,20
29,5
2,30
29,5
269
0,64 21/22 3,22
270
1)Em uma populao em que N=6, tal que X={1, 3, 4, 7, 8,11},
calcular a mdia amostral para todas as amostras de tamanho 2.
Mostrar que X um estimador no tendencioso de . Use o
processo com reposio.
2)Seja X uma populao normal com mdia e varincia 2, de que
so extradas todas as amostras possveis de tamanho 2. Dos
estimadores abaixo:
_
I) X= 1/2X1 + 1/2X2
_
II) X * = 1/4X1 + 3/4X2
Responda:
a)Qual ou quais os estimadores justos de ?
b)Qual o estimador mais eficiente?
271
3)Tm-se
duas frmulas distintas para
populacional . Para ajudar a escolher
estimar um parmetro
o melhor, simulou-se uma
situao onde =500. Desta populao retirou-se 2.500 amostras de

25 unidades cada uma e aplicaram-se ambas as frmulas s 25
unidades da cada amostra. Desse modo, obtm-se 2.500 valores para
a primeira frmula(t1) e outros 2.500 valores para a segunda frmula(t2),
cujos estudos descritivos esto resumidos abaixo. Qual das duas
frmulas voc acha mais conveniente para estimar? Por qu?
Valores
Mdia
descritivos
Frmula
Frmula
Varincia
500
(t1)
20
500
(t2)
50
Moda
501
500
Mediana
502
501
4)O Automvel Clube de So Paulo realizou uma pesquisa de

consumo de combustvel
entre
seus
obtido indicou que eles consumiam,
em
associados.
mdia,
resultado
9,75
litros de
combustvel por quilmetro rodado. Qual a estimativa pontual da mdia

de consumo do motorista paulista?
5)O Vaticano achou por bem conhecer melhor as caractersticas dos
alunos da PUC-Brasil. Uma das medidas levantadas foi o peso mdio
deles. Tomando-se uma amostra de 121 dos alunos pesquisados,
obteve um peso mdio de 72 kg Admitindo-se que o desvio padro
dessa medida populacional seja 20 kg, construa um intervalo de 95%
para a mdia dos pesos de todos os alunos da PUC-Brasil.
272
6)O secretrio de sade do Imprio Romano props-se a melhorar o

atendimento
mdico
plebe.
Como
no
dinheiro
para
contratar mais mdicos, ele decidiu tornar o atendimento mais

eficiente. Para estimar o tempo mdio gasto em cada consulta ele
sorteou 64 acidentes de um hospital
escolhido: essa amostra indicou
que
pblico
o
tempo
aleatoriamente
mdio
de
atendimento era de 10 minutos, com um desvio padro de 3

minutos. Com base nisso, determine um intervalo de confiana de
90% para o tempo mdio de atendimento no hospital.
7)Em uma pesquisa de mercado, foram solicitadas a 10 clientes que
entravam em uma loja que desse nota de 1 a 5 para a
decorao do ambiente e vitrine. A mdia dos resultados foi 2,5 e
desvio padro 0,1. Em que intervalo deve est a mdia das notas se
todos os clientes tivessem respondido pesquisa, com 90% de
probabilidade?
8)Uma pesquisa em 36 teatros do Rio de Janeiro indicou que 65%
deles apresentavam peas de autores nacionais. Determine a
estimativa intervalar da proporo de peas nacionais nos teatros do
Rio, a um nvel de confiana de 95%.
9)Uma rdio tocou durante certo dia 250 msicas, das quais 50
eram msicas nacionais. Determine um intervalo de 95% para a
proporo de msicas nacionais que ela normalmente programa.
10)Em uma pesquisa de mercado com 200 pessoas, 25% dos
entrevistados concordaram que seria muito bom que uma nova rede
de lojas de departamento fosse aberta em um shopping local.
Construir um intervalo de confiana de 99% para a porcentagem
real de clientes que concordaram que seria muito bom que uma
nova rede de lojas de departamento fosse aberta em um shopping
local.
273

26.000km, respectivamente. Qual o intervalo de confiana de 95%
para a diferena de mdias?
12)Uma mquina automtica enche latas,
com
base
no
peso
lquido, com um desvio-padro de 5g. Duas amostras independentes,

retiradas em
dois perodos de trabalhos consecutivos, de 10 e 20
latas, forneceram pesos lquidos mdios de 184,6g e 188,9g,

respectivamente. Qual o intervalo de confiana de 95% para a
diferena de mdias?
kgf/mm2 e 53 kgf/mm2 e as varincias da resistncias foram de 7,5 e
5,0 kgf/mm 2, respectivamente. As varincias so desconhecidas, mas
supostamente iguais. Qual o intervalo de confiana de 99% para a
diferena de mdias?

Qual o intervalo de confiana de 95% para a diferena de mdias?
274

pesos antes(Xi) e depois(Yi) do tratamento, em Kg. Qual
intervalo de confiana de 95% para a diferena de mdias?
Cobaias
10
Xi
635
704
662
560
603
745
698
575
633
669
Yi
640
712
681
558
610
740
707
585
635
682

cidade, 60
de
200 homens desaprovam certo programa,
acontecendo o mesmo com 75 de 300 mulheres. Qual o intervalo

de confiana de 95% para a diferena de propores?
17)Calcular um intervalo de confiana de 96% para a varincia da

distribuio abaixo(suposta como normal).
Classes
Frequncias
2,2 6,2
6,2 10,2
10,2 14,2
14,2 18,2
18)Calcular um intervalo de confiana para o desvio padro do

exerccio 17.
275
19)Com n1=25 elementos de uma populao obtivemos:

_
X1=8, S1=1,58.
E com n2=31 elementos de uma populao obtivemos:
_
X2=7, S2=1,24 .
Determinar os intervalos de confiana para:

a)1, com = 10%
b)1/2, com =2%
c) 2/1, com =2%
276
Unidade VI
Testes de Significncia
Conceitos de Testes de Significncia:

a parte mais importante de um processo inferencial. Todo
estudo com levantamento por amostragem que merea crdito deve
realizar testes de significncia de estimativas geradas.
Quando
quisermos
avaliar
um
parmetro
populacional,
sobre o qual no possumos nenhuma informao com respeito a

seu valor, no resta alternativa a no ser estim-lo atravs do
intervalo de confiana.
No entanto, se tivermos alguma informao com respeito ao
valor do parmetro que desejamos avaliar, podemos testar esta
informao no sentido de aceit-la
como verdadeira ou rejeit-la.
Teste de Significncia uma regra de deciso que permite

aceitar ou rejeitar como verdadeira uma hiptese com base na
evidncia amostral.
Isto significa que utilizaremos uma amostra desta populao
para verificar se ela confirma ou no o valor do parmetro informado
pela hiptese formulada.
Teste de Significncia uma tcnica de aceitar ou rejeitar
determinada afirmao, baseando-se em um conjunto de evidncias.
Teste de Significncia simplesmente uma afirmao acerca de
um parmetro da populao, que pode ser testada atravs de uma
amostra aleatria.
O Teste de Significncia avalia a evidncia fornecida pelos
dados sobre alguma afirmao relativa populao;
Teste de Significncia uma prova de hiptese que testa a
aceitao de
uma afirmao
sobre a populao
luz das
informaes da amostra e do clculo das probabilidades.
277
Teste de Significncia um processo inferencial em que se

tem uma idia a cerca do valor do parmetro populacional
desconhecido e testa-se a aceitao ou a rejeio desta afirmao
luz da informao amostral e da teoria das probabilidades.
Exemplo de um Problema de Teste de Significncia:

Um pesquisador de mercado desconfia que a satisfao
mdia dos clientes da empresa em que trabalha no mais 3,0,
numa escala de 0 a 5. Ele selecionou aleatoriamente do cadastro da
empresa 10.000 clientes, na qual calculou a mdia de satisfao que
resultou em 3,2, com desvio padro 10. O pesquisador suspeita,
ento, que o nvel mdio de satisfao possa ter aumentado. Ele
credita a uma nova estratgia de marketing mais agressiva
adotada o possvel aumento no nvel mdio de
satisfao. Para
confirmar suas suspeitas ele realiza um teste de significncia do

resultado 3,2 de satisfao.
Fundamentos dos Testes de Significncia:
As condies ou pressupostos bsicos para realizao de
testes de significncia paramtricos so:
o Amostragem aleatria simples(AAS);
o Populao normal com desvio padro conhecido;
o Um
modelo
de
probabilidade
assumido
para
distribuio por amostragem da estatstica em estudo.
278
Raciocnio de Testes de Significncia:
o A estimativa fornecida pela amostra apia a

formulada
ou
realmente
confirma
hiptese
uma
hiptese
alternativa?
o Suponha, para raciocinar, que uma afirmao ou
hiptese sobre um parmetro seja verdadeira. Se
repetssemos nossa produo de dados muitasvezes,
obteramos freqentemente estimativas como a fornecida
pela amostra disponvel?
o Se a estimativa amostral improvvel de ser obtida
quando a afirmao formulada verdadeira, ela fornece
evidncia contrria hiptese formulada.
Formas de Apresentar as Hipteses:

Quando
pesquisador
realiza
uma
prova
estatstica,
inicialmente formula 2 hipteses:

H0: hiptese nula ou hiptese bsica, que ser
aceita ou rejeitada.
H1:
hiptese
automaticamente
alternativa,
aceita
caso
que
H0
ser
seja
rejeitada.
279
Exemplo:
H0 : =0
H1 : 0
parmetro populacional desconhecido(,,)

0 um valor atribudo a por hiptese. Tambm chamado
simplesmente de hiptese nula.
Exemplo:
O valor de mercado do salrio de uma categoria profissional
nos ltimos dez anos era de R$ 2500,00 reais. Uma amostra de 500
empresas do mercado atual revelou um salrio mdio de 3500,00. O
salrio desta categorial profissional maior hoje no mercado?
As hipteses do problema, ento seriam:
H0 : =2500
H1 : >2500
O valor da hiptese nula R$2500,00. O valor da hiptese

alternativa de 3500,00.
280
Observao:
Na prtica, a hiptese alternativa formulada com base

na evidncia da estimativa obtida junto amostra, ou seja, no geral, a
informao amostral
parece,
inicialmente,
apoiar
hiptese
alternativa. Caso a hiptese nula seja aceita, isto implica que o

resultado encontrado na amostra em particular fruto de erro
amostral, ou em termos tcnicos, no significante. Caso a
hiptese nula seja rejeitada, isto implica na confirmao do apoio da
informao amostral
hiptese
alternativa
se
diz
que
resultado encontrado na amostra significante.

Portanto, s tem sentido realizar testes de significncia se o
resultado amostral, contrariar a hiptese nula. Os testes de
significncias so realizados para se comprovar se a oposio
hiptese nula fruto de erro amostral ou uma nova realidade que se
apresenta.
281
Tipos de Testes de Significncia:
1 )Teste Bilateral
H0 : = 0
H1 : 0
Exemplo:
H0 : = 1200
H1 : 1200
2 )Teste Unilateral Direita
H0 : = 0
H1 : > 0
Exemplo:
H0 : = 1200
H1 : > 1200
3 )Teste Unilateral Esquerda
H0 : = 0
H1 : < 0
Exemplo:
H0 : = 1200
H1 : < 1200
282
Tcnicas de se Realizar Testes de Significncia:

Para testar significncia existem as alternativas do intervalo
confiana e do valor-p. Os testes de significncia pelo valor-p e pelo
intervalo de confiana so os mais usuais atualmente na rea da
pesquisa estatstica.
Estatstica de Teste:
o Um teste de significncia usa dados na forma de uma
estatstica de teste;
o Esta
estatstica
compara
valor
do
parmetro
estabelecido pela hiptese nula com uma estimativa do

parmetro a partir da amostra;
o A estimativa normalmente a mesma usada em um
intervalo de confiana para o parmetro;
o Valores grandes da estatstica de teste indicam que a
estimativa
est
afastada
do
valor
do
parmetro
especfico para H0;

o A hiptese alternativa determina que direes importam
para contrariar H0.
283
Exemplo:
A estatstica de teste sobre teste de significncia para
hipteses em torno da mdia de uma distribuio normal a
verso padronizada de Xbarra:
X - 0
Z=
/n
A estatstica Z diz a que distncia a mdia da amostra est

da mdia da populao em unidades de desvio padro. Para
o exemplo:
3,2 - 3,0
Z== 0,2/0,1 = 2,0
10/10000
A estimativa est a 2,0 desvios-padro acima da mdia
admitida por hiptese nula.
Conceito de Valor-p:
o valor da probabilidade de ser possvel uma estimativa
pontual, obtida de uma amostra aleatria, ter sido selecionada de
uma populao com o valor da hiptese nula.
o grau de confiana que a informao amostral d a
hiptese formulada. uma medida de credibilidade de H0.
284
Clculo do Valor-p:
Basta calcular a probabilidade de uma dada estimativa ter
provindo de uma populao com valor descritivo indicado na
hiptese nula.
a probabilidade da estimativa obtida junto amostra ser to
grande ou to pequena quanto o valor
efetivamente observado,
considerando o valor estipulado para a hiptese nula verdadeiro.

Exemplo:
Vamos testar as seguintes hipteses pelo valor-p:
H0 : = 0
H1 : > 0
Isto significa que queremos saber: Qual a probabilidade de uma
estimativa igual a xbarrazero ou maior que xbarrazero ter provindo de uma
populao de mdia igual a 0?
Esta probabilidade toma, ento a forma abaixo:
_
_ _
x - 0
Valor-p = P( x x0 / 0) = P( Z )
/ n
Logo, o valor-p toma a forma para teste de significncia de :
Estimativa hiptese nula
P( Z )
Erro-padro da estimativa
285
Os testes de significncia de outras estimativas seguem

raciocnio anlogo de clculo.
Exemplo:
Do exemplo anterior da satisfao de clientes...:
Valor-p= P[ Z>(3,2-3,0)/0,1)] = P[z>2,0] = 0,5 0,4772 = 0,0228
ou 2,28%.
Significncia Estatstica:
o Podemos comparar o valor-p com um valor fixo que
consideramos decisivo;
o Este valor decisivo do valor-p o nvel de significncia();
o Se o valor-p igual ou menor do que , dizemos que a
estimativa significante no nvel de ;
o At este limite, o valor-p pode ser considerado como
pequeno, indicando baixa credibilidade da hiptese
nula.
286
Estatstica Significante:
o Significante
em linguagem estatstica no
significativa importante;
o Significante quer dizer simplesmente no provvel
de ocorrer apenas ao acaso, no fruto de erro amostral;
o O valor da estimativa
no
fruto de
erro
amostral, corresponde a uma estimativa de qualidade

do parmetro populacional;
o O nvel
de significncia torna mais exato o no
provvel;
o Significncia no nvel 0,01 freqentemente enunciado
pela afirmao: os resultados foram significantes(p<
0,01);
o O valor-p mais informativo do que uma afirmao de
significncia(probabilidade
de
erro
de
estimao),
porque foi calculado e fruto da observao emprica.

J o nvel de significncia arbitrado pelo pesquisador;
o Por
exemplo:
um
resultado
com
valor-p=0,03
significante no nvel =0,05, mas no significante no

nvel de =0,01.
287
Teste de Significncia Utilizando o Intervalo de Confiana:

o Calculando o intervalo de confiana, ele pode ser usado
imediatamente, sem qualquer outro clculo, para testar
qualquer hiptese.
o O intervalo de confiana pode ser encarado como um
conjunto de hipteses aceitveis.
o Qualquer hiptese H0 que esteja fora do intervalo de
confiana deve ser rejeitada. Por outro lado, qualquer
hiptese que esteja dentro do intervalo de confiana
deve ser aceita.
Exemplo:
Um pesquisador de mercado desconfia que a satisfao
mdia dos clientes da empresa em que trabalha no mais 3,0,
numa escala de 0 a 5. Ele selecionou aleatoriamente do cadastro da
empresa 10.000 clientes, na qual calculou a mdia de satisfao que
resultou em 3,2, com desvio padro 10. O pesquisador suspeita,
ento, que o nvel mdio de satisfao possa ter aumentado. Ele
credita a uma nova estratgia de marketing mais agressiva
adotada o possvel aumento no nvel mdio de
satisfao. Para
confirmar suas suspeitas ele realiza um teste de significncia do

resultado 3,2 de satisfao.
Formulao das Hipteses:

H0: = 3,0
H1: 3,0
288
3,2 1,96. 0,1 3,2 +1,96. 0,1
3,2- 0,196 3,2+ 0,196
3,004 3,396
Deciso:
3,0 est fora do intervalo de confiana, portanto a hiptese
nula deve ser
rejeitada, isto , a estratgia de marketing mais
agressiva surtiu efeito, como indicava inicialmente a informao

amostral.
nvel
mdio de
satisfao aumentou com uma
probabilidade de 95%. A mdia de satisfao 3,2 significante a 5%

de significncia(p<0,05).
Teste de Significncia para Mdia da Amostra, quando a

Varincia Populacional Conhecida:
O valor-p ser calculado atravs da estatstica :
X - 0
Z=
/n
X- 0
Valor-p=P( Z ou )
/n
289
Teste Unilateral Esquerda:

_
X- 0
Valor-p=P( Z )
/n
Teste Unilateral Direita:
_
X- 0
Valor-p=P( Z)
/n
Exemplo:
Um exemplo de valor-p unilateral direita pode ser o da
satisfao de cliente, cujo valor foi de 2,28%.
Teste Bilateral:
O valor-p bilateral ser duas vezes o valor-p unilateral.
Exemplo:
Do exemplo da satisfao de clientes... :
O valor-p unilateral calculado foi de 0,0228 ou 2,28%. O dobro
deste valor 0,0456 ou 4,56%.
290
Critrio de Deciso ou Regra de Significncia Estatstica:

Se o valor-p for menor do que , rejeita-se H0 e o resultado
significante para a estimativa colhida na amostra.
Exemplo:
A deciso do exemplo de satisfao do cliente pelo valor-p
considerando o teste bilateral:
Deciso:
Como o valor-p(4,56%) menor que 5,00%, rejeita-se a
hiptese nula e toma-se a estimativa encontrada na amostra como
significante.
Vejamos outros exemplos de testes de significncia para a
mdia populacional
Exemplo:
Uma empresa tem constatado um volume mdio de vendas
de seus produtos comercializados no varejo na ordem de 200 mil
reais mensais. Contudo, o pesquisador selecionou uma amostra de 16
estabelecimentos
onde
so
comercializados
seus
produtos
constatou um volume mdio de vendas de 198 mil reais mensais. O

pesquisador suspeita , ento, que o volume mdio de vendas possa
ter cado. Os fatores podem ser
o aumento do dlar e a mudana
poltica no pas. O desvio padro das vendas em todos os

estabelecimentos em que so comercializados os produtos da
empresa de 4 mil reais. Teste as suspeitas dos executivos da
empresa a um nvel de significncia de 1% .
291

H0: = 200
H1:< 200
Valor-p:
_
X- 0
Valor-p=P( Z )
/n
198- 200
Valor-p=P( Z )
4/16
Valor-p = P ( Z-2,0 ) = 0,5 0,4772 = 0,0228 ou 2,28%
Deciso:
2,28%>1%, H0 no pode ser rejeitada a este nvel de
significncia. A credibilidade de H0 alta. As suspeitas dos
executivos so infindveis: o volume mdio de vendas continua o
mesmo, no h indcios suficientes de que queda apesar do contexto
negativo. O volume mdio de vendas de 198 mil reais mensais
no significante.
292

Varincia Populacional Desconhecida e o Tamanho da
Amostra Suficientemente Grande:
Pelo Teorema Central do Limite o valor p continua sendo

calculado pela curva normal , somente no lugar de usa-se S .
Exemplo:
reais mensais. Contudo, o pesquisador selecionou uma amostra de
36 estabelecimentos onde so comercializados seus produtos e
constatou um volume mdio de vendas de 198 mil reais mensais
com desvio padro de 12 mil reais. O pesquisador suspeita , ento,
que o volume mdio de vendas possa ter cado. Os fatores podem
ser o aumento do dlar e a mudana poltica no pas. Teste as
suspeitas dos executivos da empresa a um nvel de significncia
de 1% .
H0: = 200
H1:< 200
Valor-p:
_
X- 0
Valor-p=P( Z )
S/n
198- 200
Valor-p=P( Z )
12/36
Valor-p = P ( Z-1,0 ) = 0,5 0,3413 = 0,1587 ou 15,87%
293
Deciso :
15,85%>1% , H0 no pode ser rejeitada a este nvel de
significncia. A credibilidade de H0
alta. As suspeitas dos
executivos so infundveis: o volume mdio de vendas continua o

mesmo, no h indcios suficientes de houve queda, apesar do
contexto negativo. O volume mdio de
vendas de 198 mil reais
mensais no significante.

Varincia Populacional Desconhecida e o Tamanho da
Amostra No Suficientemente Grande:
Neste caso a distribuio utilizada deve ser a t -Student .
O valor-p ser calculado atravs da estatstica :
X - 0
t=
S/n
_
X- 0
Valor-p=P( t ou )
S/n
294

_
X- 0
Valor-p=P( t )
S/n
_
X- 0
Valor-p=P( t)
S/n
Exemplo:
reais mensais. Contudo, o pesquisador selecionou uma amostra de 16
estabelecimentos
constatou
onde
so
comercializados
seus
produtos
um volume mdio de vendas de 198 mil reais mensais
com desvio padro de 4 mil reais. O pesquisador suspeita , ento,

que o volume mdio de vendas possa ter cado. Os fatores podem
ser o aumento do dlar e a mudana poltica no pas. Teste as
suspeitas dos executivos da empresa a um nvel de significncia de
1% .
H0: = 200
H1:< 200
295
Valor-p:
_
X- 0
Valor-p=P( t )
S/n
198- 200
Valor-p=P( t )
4/16
= 16- 1 = 15
Valor-p = P ( t -2,0 ) tabela t 0,025 ou 2,5%
Deciso :
2,5%>1% , H0
no pode ser rejeitada a este nvel de
significncia. A credibilidade de H0
alta. As suspeitas dos
executivos so infundveis: o volume mdio de vendas continua o

mesmo, no h indcios suficientes de houve queda, apesar do
contexto negativo. O volume mdio de
vendas de 198 mil reais
mensais no significante.
296
Teste de Significncia para a Proporo da Amostra:

O valor-p ser obtido atravs da seguinte expresso:
p 0
Valor-p=P( Z > ou < )
[ 0 (1 0)]/n
Exemplo:
Um estatstico selecionou uma amostra aleatria de 2.000
eleitores, constatando uma inteno de voto de 43% para um
candidato presidncia na poca das eleies. O poltico desconfia,
ento, que sua inteno de voto se alterou, no est mais em torno
de 52%. Pede ao estatstico que teste a hiptese. Ao nvel de 99%
de confiana, utilizando o intervalo de confiana e o valor-p, o teste
requerido :
Soluo:
Formulao da Hiptese:
H0 := 0,52
H1: 0,52
Pelo Intervalo de confiana: Obteno de Z:
99%tabela da normal padroprocurar no miolo da tabela a rea
de 0,99/2= 0,4950, logo Z = 2,58
297
0,43-2,580,52.0,48/2000<< 0,43+2,580,52.0,48/2000
0,43-0,03< <0,43+0,03
0,40< <0,46
Deciso:
0,52 est fora do intervalo de confiana, portanto rejeita-se
H0, isto , as suspeitas do poltico parecem ter sentido: sua inteno
de voto no mais de 52%. A inteno de voto de 43% para o
candidato presidncia na poca das eleies significante ao
nvel de 1% de significncia(p<0,01).
Pelo valor-p:
p 0
Valor-p=P( Z < )
[ 0 (1 0)]/n
0,43 0,52
Valor-p=P( Z < )
[(0 , 5 2 . 0,48)/2000]
Valor-p = P[ Z< -8,18 ] = 0,5 0,5 = 0,0000

Valor-p bilateral = 2. 0,000 = 0,0000
Deciso:
A credibilidade de H0 nula, rejeita-se a hiptese de que
o percentual continua sendo de 52% . A inteno de voto se alterou. A
proporo de 43% para o candidato presidncia na poca das
eleies significante ao nvel de 1% de significncia(p<0,01).
298
Teste de Significncia para a Diferenas de Mdias das

Amostras
quando
as
Varincias
Populacionais
so
Conhecidas

Teste Bilateral:
H0 : ( 1 2 ) = ( 01 02 )
H1 : ( 1 2 ) ( 01 02 )

H0 : ( 1 2 ) = ( 01 02 )
H1 : ( 1 2 ) > ( 01 02 )

H0 : ( 1 2 ) = ( 01 02 )
H1 : ( 1 2 ) < ( 01 02 )
O valor-p ser obtido atravs da seguinte estatstica de teste:

Valor- p= P[ Z> ou < (estimativa da diferena- valor da hiptese nula)]
erro-padro da estimativa
Lembrando, que neste caso o erro-padro da estimativa :
EP = (21/n1) + (22/n2)
299
Exemplo:
desvios- padro das vendas dirias so de 5 e 3, respectivamente.
peas para a filial A e 30 peas para a filial B. Supondo que
a distribuio diria de vendas seja normal, teste a hiptese nula de
que a diferena de mdia das vendas entre as filiais seja de 8
peas contra a alternativa de ser maior do que 8 peas,com uma
confiana de 95%?
Estimativa da diferena:
_
X1 X2 = 40 30 = 10
Erro-padro da Estimativa:
EP = 1,30
H0 : ( 1 - 2 ) = 8
H1 : ( 1 - 2 ) > 8
Valor-p = P[Z > (10 8) /1,30]=P[Z >1,53]=0,5 0,4370=0,063 ou

6,3%.
Deciso:
6,3%>5%, H0
no pode ser rejeitada a este nvel de
significncia. A credibilidade de H0 alta. A diferena de 8 peas para

a venda mdia entre as duas filiais deve ser aceita a este nvel
de significncia. A estimativa de diferena mdia de vendas entre as
filiais de 10 peas no significante.
300

Amostras
quando
as
Varincias
Populacionais
so
Desconhecidas, mas Supostamente Iguais

Valor- p= P[ t> ou < (estimativa da diferena- valor da hiptese nula)]
Lembrando que neste caso o erro-padro da estimativa :
EP = Sp (1/n1) + (1/n2)
Exemplo:
64,66, 89 e 77. Uma amostra independente de trs notas de uma
segunda turma foi: 56, 71 e 53. Se for
varincias das duas turmas sejam aproximadamente iguais, teste a

hiptese de que a diferena entre as mdias das notas entre as
duas turmas seja de 30 pontos contra a alternativa ser menor que 30
pontos, ao nvel de 1% de significncia?
Soluo:
_
X1 X2 = 74 60 = 14
301
EP = 8,26
H0 : ( 1 - 2 ) = 30
H1 : ( 1 - 2 ) < 30
=4+32=5
Valor-p = P[ t < (14 30) /8,26]=P[t <-1,94] tabela 0,05 ou 5%
Deciso:
5%>1% , H0 no pode ser rejeitada a este nvel de significncia.
A credibilidade de H0 alta. A diferena de 14 pontos para a
diferena entre as notas mdias das duas turmas no significante a
este nvel(P<0,01).
302

Amostras
quando
as
Varincias
Populacionais
so
Desconhecidas, mas Supostamente Desiguais

Lembrando que neste caso o erro-padro da estimativa :
EP = (S21/n1) + (S22/n2)
Exemplo:
uma amostra de 4 provas de matemtica e obteve: mdia=81,
biologia,
forneceu:
mdia=77, varincia=14,4. Testar a hiptese de que as mdias

populacionais so
iguais contra a alternativa de serem diferentes,
supondo as varincia populacionais desiguais:

a)Pelo Intervalo de confiana de 99%.
b)Pelo valor-p ao nvel de 1% de significncia.
303
Soluo:
Estimativa da Diferena:
_
X1 - X2 = 81 77 = 4
EP = 1,70
H0 : ( 1 - 2 ) = 0
H1 : ( 1 - 2 ) 0
a)Pelo Intervalo de Confiana:

Como o grau de liberdade da estatstica t no grande(<30),
o intervalo de confiana dever ser baseado na t-student, com 8
graus de liberdade:
Obteno de t:
99%= 1%tabela da t com = 8t = 3,36
Como o grau de liberdade da estatstica t menor do que 30, o
intervalo de confiana dever ser baseado na t Student, com =8
graus de liberdade:
304
4 -3,36.1,701 - 2 4 + 3,36.1,70
-1,711 - 2 9,71
Deciso:
Como o zero est dentro do intervalo de confiana, no
podemos rejeitar a hiptese nula a este nvel de significncia. H
evidncias suficientes para se afirmar que a diferena entre as
mdias de matemtica e biologia seja zero. A diferena de 4 pontos
entre as mdias no significante.
b) Pelo O valor-p deve ser bilateral:

=8
Valor-p=P[t>( 4 0/ 1,70)] = P[ t> 2,35]= 0,025
Valor-p bilateral = 2 . 0,025 = 0,05 ou 5%
Deciso:
Como 5%>1%, no podemos rejeitar a hiptese nula a este

nvel de significncia. H evidncias suficientes para se afirmar que
a diferena entre as mdias de matemtica e biologia seja zero. A
diferena de 4 pontos entre as mdias no significante.
305
Teste de Significncia para a Diferena de Mdias das

Amostras quando as Amostras so Emparelhadas:
Lembrando, que neste caso o erro-padro da estimativa :
EP = S2d/n
Exemplo:
A tabela abaixo indica as vendas de um produto em 2 pocas
do ano( I e II ) em cinco supermercados. Testar a hiptese de que a
diferena de mdias seja nula, contra a alternativa de ser maior do
que zero, pelo valor-p, ao nvel de 10% de significncia.
Supermercados
Vendas na poca 1
Vendas na poca 2
A
14
4
B
20
16
C
11
9
D
12
16
E
10
10
Soluo:
_
d = 2,4
EP = 2,31
H0 : d = 0
H1 : d > 0
= 5-1 = 4
Valor-p = P[t >( 2,4 0) /2,31]=P[t >1,04] tabela 0,25 ou 25%
Deciso:
25%>10%, no podemos rejeitar a hiptese nula neste nvel
de significncia. No existe evidncia de diferena de mdias de
vendas entre as duas filiais. O resultado de diferena de mdias
igual a 2,4 no significante. fruto de erro amostral.
Teste de Significncia para a Diferena de Propores das

Amostras
Para efetuar o teste para a diferena de mdias envolvendo
propores necessrio de antemo trabalharmos com amostras
suficientemente grandes(n 30).

Valor- p= P[ Z> ou < (estimativa da diferena- valor da hiptese nula)]
Lembrando que neste caso, o erro-padro da estimativa :
EP = (p q /n1) + (p q /n2 )
Onde:
p = (n1p1 + n2p2 ) / n1 + n2
Exemplo:
Num levantamento de
opinio
pblica
para
previso
de
uma eleio, foram ouvidos 500 eleitores escolhidos ao acaso

na cidade A onde 236 declararam que iriam
votar num certo
candidato.Na cidade B,foram ouvidos outros 500 eleitores onde 200

declararam que iriam votar no candidato em questo.
Teste a
hiptese de que a inteno de votos do candidato nas duas cidades

igual zero, contra a hiptese alternativa de ser maior que zero,
com uma confiana de 95% , pelo valor-p.
[p1 - p2]=0,47 0,40 = 0,07
p = (500.0,47 + 500.0,40 ) / 500 + 500 = 0,44
EP=(0,44 . 0,56 /500) + (0,44 . 0,56 /500) = 0,03
H0 : ( 1 - 2 ) = 0
H1 : ( 1 - 2 ) > 0
Valor-p = P[Z > (0,07 0) /0,03]=P[Z >2,33]=0,5 0,4901=0,0099

ou 0,99%.
Deciso:
0,99%<5%, rejeita-se a hiptese nula. Existe diferena entre
as intenes de votos nas duas cidades ao nvel de significncia de
5%. A diferena de inteno de voto de 7% significativa.
Teste
de
Significncia
para
Varincia
da
Amostra(S2):
H 0 : 2 = 20
H 1 : 2 20
H 1 : 2 > 20
H 1 : 2 < 20
Deve-se fixar o nvel de significncia . A varivel
escolhida 2, com = n-1 graus de liberdade.
Clculo do Valor-p:
S2(n-1)
Valor-P= P (2(n-1) > ou < )
20
O valor do sinal da expresso do valor-p depende do
sinal da hiptese alternativa.
310
Onde:
n=tamanho da amostra
S2= varincia amostral
20= valor da hiptese nula
Deciso:
Se o valor-p , rejeita-se H0 , rejeita-se a hiptese
nula e o resultado significante para a estimativa colhida
na amostra.
Exemplo 1:
Numa amostra aleatria de 20 elementos, obteve-se S 2
= 64. Testar a hiptese que 2 = 36 , ao nvel de
significncia de 10%.
311
Soluo:
H0 : 2 = 36
H1 : 2 > 36
Nvel de Significncia:
= 0,10
Graus de Liberdade:
= 20 1 = 19
Clculo do Valor-p:
64(20-1)
Valor-P= P (2(20-1) > )=
36
312
64(19)
Valor-P= P (2(19) > )=
36
1216
Valor-P= P (2(19) > )=
36
Valor-P= P (2(19) > 33,778)

= 20 1 = 19
Tabela da Qui-quadrado
valor-p = 0,0250.
Deciso:
Valor-p < 0,10; rejeita-se H0. S2 = 64 significante.
313
Exemplo 2:
Uma amostra de 10 elementos de uma populao
forneceu varincia igual a 24,8. Pergunta-se: esse resultado
suficiente para se concluir, ao nvel de = 5% que a
varincia dessa populao inferior a 50?
Soluo:
H0 : 2 = 50
H1 : 2 < 50
= 0, 05
Graus de Liberdade:
= 10 1 = 9
314
Clculo do Valor-p:
24,8(10-1)
Valor-P= P (2(10-1) < )=
50
24,8(9)
Valor-P= P (2(9) > )=
50
223,2
Valor-P= P (2(19) > )=
50
Valor-P= P (2(9) < 4,464)
= 10 1 = 9
Tabela da Qui-quadrado
valor-p = 0,9000.
Valor-p > 0,05; aceita-se H0. S2 = 24,8 no
significante. fruto de erro amostral.
315
Teste de Significncia para Igualdade de Duas

Varincias de Amostras S21 e S22 :
H0 : 21 = 22
H1 : 21 22
H1 : 21 > 22
H1 : 21 < 22
Deve-se fixar o nvel de significncia . A varivel

escolhida
F de Snedecor, com 1= n1-1
graus de
liberdade no numerador e 2= n2-1 graus de liberdade no

denominador.
Clculo do Valor-p:
S2 1
Valor-P= P (F > ou < )
S22
O valor do sinal da expresso do valor-p depende do
sinal da hiptese alternativa.
316
Onde:
n1=tamanho da amostra 1
n2=tamanho da amostra 2
S21= varincia amostral da amostra 1
S22= varincia amostral da amostra 2
Deciso:
Se o valor-p , rejeita-se H0 , rejeita-se a hiptese
nula e o resultado significante para a estimativa colhida
na amostra.
Exemplo:
Dois programas de treinamento de funcionrios foram
efetuados. Os 21 funcionrios treinados no programa antigo
apresentaram uma varincia 146 em suas taxas de erro. No
novo
programa,
13
funcionrios
apresentaram
uma
varincia de 200. Sendo =5%, pode-se concluir que a

varincia diferente para os dois programas?
317
Soluo:
H0 : 21 = 22
H1 : 21 < 22
= 0,05 .
Graus de Liberdade:
1= 21-1= 20
2= 13-1 = 12
Clculo do Valor-p:
146
Valor-P= P (F < ) =
200
318
Valor-P= P (F < 0,73) =

1= 20
Tabela F Valor-P
= 0,2500
2= 12
Deciso:
Se o valor-p > 0,05 , aceita-se H 0 . O quociente
de 0,73 no significante, fruto de erro amostral. As
varincias so iguais, ao nvel de 5% de significncia.
319
Potncia de um Teste de Significncia:

o Uma maneira de avaliarmos o desempenho de um teste
de significncia;
o A Potncia de um teste de
significncia
probabilidade de rejeitar H0, quando realmente ela for

falsa e por isto mesmo deve ser rejeitada;
o A Potncia de um teste , ento, a probabilidade de um
teste de significncia de nvel fixo rejeitar H0, quando um
valor alternativo especfico do parmetro verdadeiro;
o Quanto maior a potncia mais sensvel o teste;
o Devemos apontar a alternativa especfica que temos em
mente antes de questionar se o teste rejeita usualmente
H0.
Exemplos de Clculo de Potncia do Teste:
Exemplo 1:
Um fabricante de refrigerante determina que uma perda de
doura seja muito grande para ser aceita se a resposta mdia para
todos os provadores =1,1. Um teste de significncia de 5% das
hipteses abaixo, baseado em uma amostra de 10 provadores e
sabendo que o desvio padro populacional =1, ir usualmente
detectar uma mudana desse tamanho?
H0 : =0
H1 : >0
Qual a potncia do teste contra a alternativa = 1,1? Esta representa a
probabilidade do teste rejeitar H0, quando =1,1 verdadeira.
320
Soluo do Exemplo:
Passo 1: Escreva a regra para rejeitar H0
em termos
de Xbarra. Sabemos que =1. Logo, o teste Z rejeita H0 no nvel

=0,05 quando:
_
Z= (X 0) /(1/ 10)1,645
Fazendo os clculos:
_
Rejeitar H0 quando X0,520.
Passo 2: A potncia a probabilidade desse evento sob
a condio de que a alternativa =1,1 seja verdadeira. Para calcular
essa probabilidade, padronize a mdia amostral usando =1,1.
_
Potncia=P(X0,520/=1,1)=P[Z(0,520-1,1)/(1/10)]=
=P[Z-1,83]=0,5+0,4664= 0,9664
Concluso:
O teste ir indicar que o refrigerante perde doura 96,64% das
vezes quando a verdadeira mdia de perda de doura for
=1,1(potncia = 96,64%).
321
Exemplo 2:
Um administrador de empresas formulou as seguintes
hipteses a cerca do faturamento mensal de sua empresa nos
prximos meses:
H0: =300 mil reais mensais

H1: :>300 mil reais mensais
Baseando-se numa amostra de tamanho 16, e sabendo
que o desvio-padro histrico dos rendimentos em todas as
lojas da corporao por ms de 8 mil reais e com uma confiana
de 99%, qual a potncia deste teste para uma hiptese alternativa
de =308 mil reais de faturamento?
Soluo do Exemplo:
em termos

=0,01 quando:
_
Z= (X 300) /(8/16)2,33
Fazendo os clculos:
_
Rejeitar H0 quando X305.
322
Passo 2: A potncia a probabilidade desse evento

sob a condio de que a alternativa =308 seja verdadeira. Para
calcular essa probabilidade, padronize a mdia amostral usando
=308.
_
Potncia=P(X305/=308)=P[Z(305-308)/(8/16)]=
=P[Z-1,5]=0,5 + 0,4332= 0,9332
Concluso:
O teste ir indicar que o faturamento mensal no ser de
300 mil reais mensais 93,32% das vezes quando a verdadeira mdia
de faturamento mensal for =308 mil reais mensais(potncia =
93,32%).
Exemplo 3:
Um professor de estatstica formulou as seguintes hipteses
a cerca do desempenho de seus alunos nos ltimos semestres:
H0: =8,0
H1: :>8
Baseando-se numa amostra de tamanho 100, e sabendo
que o desvio-padro histrico das notas dos alunos do professor
na disciplina 2 e com uma confiana de 90%, qual a potncia
deste teste para uma hiptese alternativa de =8,5?
323
Soluo do Exemplo:
em termos

=0,10 quando:
_
Z= (X 8) /(2/100)1,29
Fazendo os clculos:
_
Rejeitar H0 quando X8,26.
Passo 2: A potncia a probabilidade desse evento
sob
a condio de que a alternativa =8,5 seja verdadeira. Para
calcular essa probabilidade, padronize a mdia amostral usando

=8,5.
_
Potncia=P(X8,26/=8,5)=P[Z(8,26-8,5)/(2/100)]=
=P[Z-1,2]=0,5 + 0,3849= 0,8849
Concluso:
A probabilidade do teste rejeitar a hiptese nula 8,0, quando a nova mdia para
o parmetro for 8,5, de 88,49%.
324
Erros do Tipo I e do Tipo II:

o Podemos descrever o desempenho de um teste em
um nvel fixo fornecendo as probabilidades dos dois
tipos de erro: Tipo I e Tipo II ;
o Um erro do Tipo I ocorre se rejeitarmos H0, quando ela
verdadeira;
o Um erro do Tipo II ocorre se aceitarmos H0 quando
ela falsa( igual a 1 Potncia);
o Em um teste de significncia de nvel fixo, o nvel de
significncia a probabilidade de um erro do Tipo I;
o No
exemplo
anterior,do
teor
de
doura
do
refrigerante,o teste ir indicar que o refrigerante

perde doura apenas 5% das vezes
quando na
verdade no perde(Erro do Tipo I : =0,05)

o A potncia contra uma alternativa especfica 1,
menos a probabilidade de um erro do Tipo II, para
aquela alternativa;
o Aumentar o tamanho da amostra(n) aumenta a
potncia (reduz a probabilidade de um erro de Tipo II),
quando o nvel de significncia permanece fixo.
o Nos casos precedentes, nos preocupamos apenas
com o controle do erro Tipo I. Os testes realizados
com este objetivo so chamados de Testes de
Significncia.
o Quando nos preocupamos tambm com o erro do
Tipo II e seu controle, os testes passam a se chamar
Testes de Hipteses.
325
Esquemas de Decises em Testes de Hipteses:
Deciso com
Verdade acerca da
base
populao
na amostra
H0
H0 falsa
verdadeira
Rejeitar
Erro do
H0
Tipo I
Aceitar
H0
Deciso
correta
Potncia do
teste
Erro do
Tipo II
326
Observao:
Todos os valores-p calculados neste captulo e no restante
do livro, relativos s distribuies t , 2
e F, so valores
aproximados, porque foram indicados em funo de

pontos crticos prximos.
327
1)A Good Times mediu o tempo de durao de 50 fitas cassetes

DKW, modelo A60 . O tempo mdio obtido foi de 61,8 min, com
desvio padro 3,5 min. Contudo, h uma suspeita de que a
amostra encontrada constitui uma estimativa
enganosa,
pois durante muitos anos o tempo de vida mdia das fitas do

modelo referido foi de 70 min . Teste a suspeita da Good Times ao
nvel de que tempo de durao da fitas no mudou, utilizando
o intervalo de confiana de 90% .
2)A Automvel Clube de So Paulo acredita que a proporo de
seus associados que possuem carro a lcool seja de 40 %. Para
tanto realizou uma
pesquisa,
perguntando
aos
associados
se
possuam carro a lcool ou gasolina. Dos 3570 motoristas

consultados, 2.285 responderam ter carro a lcool e os demais
gasolina. Com base nestes dados, teste a hiptese da Automvel
Clube de So Paulo pelo intervalo de confiana , ao nvel de 99% de
confiana.
3)Um processo de fabricao produziu milhes de vlvulas de TV com
vida mdia = 1200 e
= 300 horas. Experimentou-se um novo
processo em uma amostra aleatria de100 vlvulas, obtendo-se uma

mdia xbarra = 1265 horas. Teste a hiptese de que a mdia
populacional continuaa mesma, contra a
hiptese
alternativa
que
aumentou, com 95% de confiana. Teste pelo Valor-p.
328
4)Uma cadeia de lanchonetes se instalar em um local proposto se

passarem pelo local mais de 200 carros
por hora durante certos
perodos do dia. Para 36 horas aleatoriamente selecionadas durante

tais perodos do dia, o nmero mdio de carros que passaram
pelo local foi xbarra= 208,5 com desvio padro s = 30,0. Supe-se
que a
populao estatstica seja aproximadamente normal. O
gerente da cadeia de lanchonetes
adota conservadoramente a
hiptese nula de que o volume de trfego no satisfaz a exigncia,

isto , H0 = 200 carros, contra a hiptese alternativa H1 : 200 carros.
Teste pelo Valor-p.
5)Escolheram-se aleatoriamente 16 notas de uma turma muito

grande e na amostra o desvio padro 12. Se a mdia amostral
58, testar a hiptese nula de = 60 , contra a alternativa 60. Teste
pelo:
a) Intervalo de Confiana;
b) Valor-p.
6)Em Boston em 1968, o Dr. Benjamin Spock, famoso pediatra e
ativista contra a guerra do Vietn, foram
julgados por conspirao
por violar a lei de recrutamento. O juiz que julgou o Dr.Spock tinha

uma folha corrida interessante: das 700 pessoas que o
juiz
tinha
selecionado para jri em seus ltimos julgamentos, apenas 15% eram

mulheres. No entanto, na cidade como um todo, cerca de 29%
da
sociedade formada por mulheres. Para julgar a imparcialidade do

juiz na escolha de mulheres para o jri, formule a hiptese nula e a
teste ao nvel de 5% de significncia. Teste pelo valor-p:
329

26.000km, respectivamente. Teste a hiptese nula de que a diferena
de mdias -10.000km, contra a hiptese alternativa de ser menor
que -10.000km, pelo valor-p, com uma confiana de 95%?
8)Uma mquina automtica enche latas, com base no peso lquido,
com um desvio-padro de 5 kg. Duas amostras independentes,
retiradas em
dois perodos de trabalhos consecutivos, de 10 e 20
latas, forneceram pesos lquidos mdios de 184,6 e 188,9g,

respectivamente. Teste a hiptese nula de que a diferena de mdias
-5 kg, contra a hiptese alternativa de ser maior que -5 kg, pelo
valor-p, com uma confiana de 95%?
kgf/mm2 e 53 kgf/mm2 e as varincias das resistncias foram de 7,5 e
5,0 kgf/mm 2, respectivamente. As varincias so desconhecidas, mas
supostamente iguais. Teste a hiptese nula de que a diferena de
mdias zero, contra a hiptese alternativa de ser diferente de zero,
pelo intervalo de confiana e pelo valor-p, com uma confiana de
99%?
330


Teste a hiptese nula de que a diferena de mdias entre as firmas
seja de R$150,00, contra a hiptese alternativa de ser menor de
R$150,00, pelo valor-p , com uma confiana de
95%?
pesos antes(Xi) e depois(Yi) do tratamento, em Kg. Teste
hiptese nula de que a diferena de mdias zero, contra a

hiptese alternativa de ser diferente de zero, pelo intervalo de
confiana e pelo valor-p, com uma confiana de 99%?
Cobaias
10
Xi
635
704
662
560
603
745
698
575
633
669
Yi
640
712
681
558
610
740
707
585
635
682

cidade, 60 de 200 homens desaprovam certo programa, acontecendo
o mesmo com 75 de 300 mulheres. Teste a hiptese nula de que a
diferena de propores de 10%, contra a hiptese alternativa de
ser menor de 10%,pelo valor-p, com uma confiana de 99%?
13)Voc tem os escores quantitativos do NAEP de uma AAS de 840

331
homens jovens. Voc planejou testar hipteses sobre o escore mdio

da populao no nvel de significncia de 1%:
H0: =275
H1: <275
Sabemos que o desvio-padro da populao =60. A estatstica de
teste Z :
_
X 275
Z=
60/840
Pergunta-se:
a)Qual a regra para rejeitar H0 em termos de Z?
B)Qual a regra para rejeitar H0 reenunciada em termos de Xbarra?
c)Voc
deseja saber se esse teste ir usualmente
rejeitar
H0,
quando a verdadeira mdia populacional 5 pontos abaixo do que

afirma a hiptese nula. Responda a esta pergunta calculando a
potncia quando =270.
332
14)As garrafas de um refrigerante popular devem conter 300

mililitros (ml) de refrigerante. H uma certa variao de garrafa para
garrafa, porque as mquinas usadas no enchimento no so
perfeitamente precisas. A distribuio dos contedos normal,
com desvio-padro =3 ml. Ainspeo de 6 garrafas possibilitar que
se descubra o preenchimento incompleto? As hipteses so:
H0:=300
H1:<300
Um teste de significncia de 5% rejeita H0 se z - 1,645, em que a
estatstica de teste Z :
_
X 300
Z=
3/6
Clculos da potncia nos ajudam a ver quanto a menos no
contedo das garrafas podemos esperar que o teste detecte.
a)Ache a potncia desse teste contra a alternativa =299
b)Ache a potncia desse teste contra a alternativa =295
c)A potncia contra =290 maior ou menor do que o valor que
voc encontrou em(b)? No calcule realmente essa potncia. Explique
sua resposta.
15)Aumentar o tamanho da amostra aumenta a potncia de um teste

de
hiptese quando o nvel permanece o mesmo. No exerccio
anterior, n=6.Suponha que tenha sido medida uma amostra com

n garrafas.O teste de significncia de 5% ainda rejeita H0 quando
z-1,645, mas a estatstica Z agora:
_
X 300
Z=
3/n
a)Ache a potncia desse teste contra a alternativa =299 quando
n=25
b)Ache a potncia desse teste contra a alternativa =299 quando
n=100
16)Sua empresa comercializa um programa de diagnstico mdico
computadorizado. O programa examina os resultados de testes
mdicos de rotina(pulsao, testes sangneos, entre outros) e
elucida o paciente ou encaminha o caso para um mdico. O
programa feito para examinar milhares de pessoas que no
apresentam reclamaes especficas de sade. O programa toma
uma deciso acerca de cada pessoa.
a)Quais so as duas hipteses e os dois tipos de erros que o
programa pode cometer? Descreva os dois tipos de erro em
termos de resultados de teste falso-positivo e falso-negativo?
b)O programa pode ser ajustado para diminuir uma probabilidade de
erro,
custa de, entretanto, aumentar outro tipo de probabilidade de
erro. Qual probabilidade de erro voc escolheria tornar menor e por

qu?
17)Voc tem os escores quantitativos do NAEP de uma AAS de 840

homens jovens. Voc planejou testar hipteses sobre o escore mdio
da populao no nvel de significncia de 1%:
H0:=275
H1:<275
Sabemos que o desvio-padro da populao = 60. A estatstica de
teste Z :
_
X 275
Z=
60/ 840
Pergunta-se:
a)Qual a regra para rejeitar H0 em termos de Z?
b)Qual a probabilidade do erro do Tipo I ?
c)Voc deseja saber se esse teste ir usualmente rejeitar H0,
quando a verdadeira mdia populacional 5 pontos abaixo do que
afirma a hiptese nula. Responda a esta pergunta calculando a
probabilidade do erro Tipo II quando =270.
18)Voc tem uma
AAS de tamanho n=9
partir
de
uma
distribuio normal com = 1 Voc deseja testar:

H0:=0
H1:<0
Voc deseja rejeitar H0 se xbarra > 0 e aceitar H0 em caso contrrio.
a)Ache a probabilidade do erro do Tipo I, ou seja, a probabilidade de

rejeitar H0 quando na verdade =0.
b)Ache a probabilidade do erro do Tipo I I quando =0,3. Essa a
probabilidade de aceitar H0( =0), quando na verdade =0,3.
c)Ache a probabilidade do erro do Tipo I I quando = 1.
19)Numa amostra de 20 elementos de uma populao normal obtevese varincia de 25. Ao nvel de 10% , testar: 2 = 16 contra 2 >16.
20)Se n1 = 12, n2=10 , S1 = 6, S2 = 5, provindas de duas populaes
normais independentes, testar a hiptese de igualdade das varincias
populacionais, ao nvel de 5%n de significncia.
Unidade VII
Anlise da Varincia
Conceitos de Anlise da Varincia:

A anlise de varincia um teste estatstico amplamente
difundido entre os analistas, e visa fundamentalmente verificar se
existe uma diferena significante entre as mdias e se os fatores
exercem influncia nesta diferena.
Os fatores propostos podem ser de origem qualitativa ou
quantitativa, mas a varivel dependente necessariamente dever ser
contnua.
Em ingls, anlise da varincia analysis of variance. Ento,
em ingls e muitas vezes em portugus, se usa a sigla ANOVA(AN
da analysis, O de of e VA de variance) para significar anlise da
varincia.
um teste de diferena de mdias envolvendo varincias. O
teste informa se existe diferena de mdias significante, que no
fruto de erro amostral, quando comparadas duas a duas, entre as
possveis combinaes de um conjunto de mdias. Contudo, a prova
no informa onde est, entre as combinaes duas a duas, a
diferena significante estatisticamente. Ai teremos que realizar um
teste de comparao mltipla para verificar em que par( ou pares) de
mdias est (o) a(s) diferena(s) significante(s).
Se o teste indicar que as mdias so iguais, isto significa
que qualquer diferena entre suas estimativas fruto de erro
amostral e no pode ser associado ao fator ou fatores em estudo.
Na ANOVA, testamos duas hipteses: a Hiptese Nula(H 0) de
que as mdias so iguais e a Hiptese Alternativa, de que existe pelo
menos um par de mdias da combinao duas a duas com diferena
significante.
Uma anlise da varincia s deve ser feita se forem satisfeitas

algumas suposies bsicas, que sero discutidas mais tarde.
Modelo de Classificao nica
a anlise da varincia que serve para testar a diferena
entre mdias levando em conta somente um fator, que se supe
influenciar a varivel dependente ou resposta, e os seus nveis,
chamados tratamentos, inseridos nas colunas. Ento, existe uma
hiptese alternativa de que a diferena de mdias comparadas duas
a duas pode ser predominantemente influncia do fator e seus
tratamentos.
As hipteses da ANOVA portanto so:
H0: estatisticamente, as vrias mdias so iguais.
H1: existe pelo menos uma mdia com efeito diferente das
outras.
Num caso geral, a pergunta a que a ANOVA responde :
Ser que o tratamento influncia a varivel resposta?
A ANOVA diz:
Sim, estatisticamente, h diferena entre diferentes
mdias devido aos tratamentos, ou...
No, estatisticamente, no h diferenas significativas
entre as mdias devido aos tratamentos
Uma anlise da varincia embora exija o clculo de varincias, na realidade

compara mdias de tratamentos. A comparao feita por meio do Teste F.
Na anlise da varincia de um fator, os dados obtidos, ou seja, as respostas das
unidades aos tratamentos podem se escritos na forma de um modelo:
Resposta = mdia do tratamento + erro
o erro que d carter aleatrio Resposta e que impede ver a olho nu se
h diferena entre os tratamentos.
O modelo indica que a resposta de uma observao ao tratamento dada pela
mdia verdadeira do tratamento, acrescida de uma quantidade, que os estatsticos
chamam de erro.
A anlise da varincia de um conjunto de dados exige que sejam feitas algumas
pressuposies sobres os erros, sem as quais os resultados da anlise no so vlidos.
As pressuposies so:
o Ausncia de dados discrepantes;
o Erros so independentes(sem autocorrelao);
o Varincia constante(Homocedasticidade);
o Distribuio dos erros normal.
Vamos falar dos pressupostos bsicos da ANOVA com mais detalhes na sesso
Pressupostos Bsicos.
A variabilidade total dos dados pode ser escrita como a soma de dois termos, um
devido ao erro(QMR) e o outro devido ao tratamento(QMTr).
A anlise da varincia feita, ento, decompondo a varincia total das

observaes em duas componentes: varincia dos tratamentos(QMTr) e a varincia do
resduo(QMR) ou do erro .
Se a varincia calculada usando o tratamento (QMTr) for maior do que a calculada
usando o fator acaso(QMR), isso pode indicar que existe uma diferena significativa entre
as mdias e, devido ao tratamento em estudo.
Segundo a filosofia da ANOVA, a disperso das observaes pode acontecer
por duas razes: o erro e o tratamento. A ANOVA tenta ver se por detrs da
disperso causada pelos erros, se consegue reconhecer um padro de diferena
entre os tratamentos. A ANOVA testa se estatisticamente plausvel que a varincia
total das observaes possa vir apenas pelos erros, ou se, por outro lado, h
sinais claros que a varincia total no pode ser completamente explicada sem uma
contribuio adicional do fator e seus tratamentos.
A principal atrao da ANOVA (analise of variance) a comparao de mdias
oriundas de grupos diferentes, podendo atribuir essa diferena a uma causa especfica,
que justamente o tratamento: mdias de vendas de vendedores diferentes, mdias
histricas de questes de satisfao, empresas que operam simultaneamente com
diferentes rendimentos, entre muitas outras aplicaes.
O diferencial da ANOVA para o t de diferenas de mdias que a possvel
diferena significante existente entre duas mdias comparadas duas a duas pode ser
explicada por um fator em considerao: o tratamento. Da o teste de diferena de
mdias poder ser utilizados para testar novas tecnologias, novos procedimentos, etc.
associados a diferentes amostras.
A anlise da varincia , portanto, uma extenso do teste t de Student que
compara duas e s duas mdias. A anlise da varincia permite que o pesquisador
compare qualquer nmero de mdias. No caso particular de um estudo com apenas dois
tratamentos, tanto se pode aplicar um teste t como a ANOVA, que se chega mesma
concluso: prova-se teoricamente que o valor calculado de t igual raiz quadrada de F,
calculado na anlise da varincia.
Para anlise da varincia compara a variao devido aos tratamentos( por
exemplo, mtodos de treinamentos de funcionrios) com a variao devido ao acaso ou
resduo preciso proceder a uma srie de clculos. Mas a aplicao das frmulas exige
conhecimento da notao. Veja a tabela abaixo.
Nessa tabela est apresentado uma anlise com k tratamentos: cada tratamento
tem r repeties. A soma dos resultados das r repeties de um mesmo tratamento

constitui o total desse tratamento.
As mdias dos tratamentos foram indicadas por
_ _ _
_
y1, y2, y3, ...,yn.
O total geral dado pela soma dos totais de tratamentos.
Uma ANOVA com um Fator
Total
1
y11
2
y21
y12
y22
...
Tratamento
3
y31
...
...
K
yk1
y32
...
yk2
...
...
...
...
y1r1
y2r2
Y3r3
...
ykrk
T1
T2
T3
...
Tk
T= y
n = kr
Nmero de
...
repeties
Mdia
y1
y2
y3
...
_
yk
Para fazer a anlise da varincia de um fator preciso calcular as seguintes

quantidades:
a)Os graus de liberdade:

de tratamentos: k 1
do resduo: n k
do total: (k 1) + ( n k ) = n-1
b)O valor de C, dado pelo total geral elevado ao quadrado e dividido pelo nmero
de observaes. O valor de C conhecido como correo:
C = ( y )2
n
c)A soma de quadrado total:
SQT = y2 C
d)A soma dos quadrados de tratamentos:
SQTr = T2 C
r
e)A soma dos quadrados de resduos:
SQR = SQT SQTr
f)O quadrado mdio de tratamentos:
QMTr = SQTr
k-1
g) O quadrado mdio de resduos:

QMR = SQR
nk
h) O valor F:
F= QMTr
QMR
Onde:
o SQT= SQTr + SQR (mede a variao geral de todas as observaes);
o SQT a soma dos quadrados totais, decomposta em: SQTr e SQR;
o SQTr a soma dos quadrados dos grupos (tratamentos), associada
exclusivamente a um efeito dos grupos;;
o SQR a soma dos quadrados dos resduos, devidos exclusivamente ao erro
aleatrio, medida dentro dos grupos.
o QMTr = Mdia quadrada dos grupos;
o QMR = Mdia quadrada dos resduos (entre os grupos);
o SQTr e QMTr: medem a variao total entre as mdias;
o SQR e QMR: medem a variao das observaes dentro de cada grupo.
Note que os quadrados mdios so obtidos dividindo as somas de quadrados
pelos respectivos graus de liberdade().
Todas as quantidades calculadas so apresentadas numa tabela de anlise da
varincia. Veja o Quadro da ANOVA apresentado a seguir.
Quadro da ANOVA de um Fator
Fonte de Variao
SQ
QM
Tratamentos
SQTr
k -1
QMTr
Resduo
Total
SQR
SQT
nk
n -1
QMR
F
QMTr/QMR
Deciso da ANOVA:
Calcular o Valor-p com base na Tabela 6 - V a l o r - p p o r v a l o r e s d e F ,
que est anexa.
Deciso: se o valor-p , rejeitar H0.
Observao:
Os clculos e grficos deste captulo so realizados na planilha eletrnica Excel.
fortemente recomendado que o leitor se familiarize com o referido software para que
possa refazer os exemplos e realizar os exerccios.
Exemplos de Aplicao:
Exemplo 1:
Em uma faculdade, existem 3 professores de economia. Na primeira avaliao,
foram selecionados aleatoriamente trs alunos de cada professor e anotada as notas
obtidas. Os resultados constam da tabela abaixo.
Professor A
Professor B
Professor C
6,0
1,0
10,0
5,0
1,0
9,0
4,0
1,0
8,0
15
27
5,0
1,0
9,0
O desempenho dos alunos influenciado pela maneira de ensinar de cada

professor? A diferena de mdias de desempenho dos alunos devida ao carter
didtico de cada mestre ou por fruto de erro amostral?
Para responder estas perguntas temos a tcnica da ANOVA.
Clculos Necessrios:
C = ( 15+3+27 )2/ 9 = ( 45 )2/ 9 = 2025/9 = 225
X2 = 77 + 3 + 245 = 325
SQT = 325 225 = 100
SQTr = [ 152/3 + 32/3 +272/3] 225 = 321 225 = 96
SQR = 100 96 = 4
Quadro da ANOVA
FV
SQ
QM
Tratamento
96
48
Residual
2/3
48
F=
= 48. 2/3 = 72
2/3
Total
100
1 = 2 e 2 = 6 valor-p 0, 001
Deciso:
O valor-p < 0,05, rejeita-se a hiptese nula de que as mdias so iguais. A
diferena de mdias de desempenhos significante. O desempenho dos alunos
influenciado pela maneira de ensinar de cada professor. A diferena de mdias de
desempenho dos alunos devida ao carter didtico de cada mestre.
Exemplo 2:
Um pesquisador realizou um estudo para verificar qual posto de trabalho gerava
mais satisfao para o funcionrio. Para isso, durante um ms, 10 funcionrios foram
entrevistados. Ao final de um ms os funcionrios responderam um questionrio gerando
uma nota para o bem estar do funcionrio( grau de satisfao).
Postos
Funcionrios
10
10
Total
73
59
86

de tratamentos: 3 1 = 2
do resduo: 30 3 = 27
do total: (k 1) + ( n k ) = 29
b)O valor de C, dado pelo total geral elevado ao quadrado e dividido pelo nmero
de observaes. O valor de C conhecido como correo:
C = ( y )2
n
C = ( 73 + 59 + 86 )2 = (218)2 / 30 = 1584
SQT = y2 C = [541+353+744] 1584 = 1638 1584 = 54
SQTr = T2 C
r
SQTr = [(73)2/10 + (59)2/10 + (86)2/10] 1584 =[533+348+740] 1584=1621 1584
= 37
SQR = SQT SQTr
SQR = 54 37 = 17

QMTr = SQTr
k-1
QMTr = 37/2 = 18
QMR = SQR
nk
QMR = 17/ 27 = 0,63
h) O valor F:
F= QMTr
QMR
F = 18/0, 63 = 29
Quadro da ANOVA
Fonte de Variao
SQ
QM
Tratamentos
37
18
Resduo
Total
17
54
27
29
0,63
F
29
Deciso da ANOVA:
Utilizando um nvel de significncia igual a 5%, temos:
Com 1 graus de liberdade no numerador(grau de liberdade do tratamento) e 2
graus de liberdade do denominador(grau de liberdade do resduo), da Tabela da ANOVA
tem-se: 1 = 2 e 2 = 27 Tabela 6 valor-p 0,001
Deciso:
0,001 0,05, rejeitar H0. H diferenas significativas entre os grupos. Observa-se
que QMTr muito superior a QMR, indicando uma forte varincia entre os grupos.
Exemplo 3:
Verificando os ndices de produo segundo os postos de trabalho, durante
certo perodo, analisar se as diferenas se devem aos postos de trabalho, isto ,
se os postos de trabalho diferem quanto produtividade.
Posto A : 90,8 100,0 81,1
Posto B : 85,5 83,0 73,7
Posto C: 65,5 77,1 68,5
Posto A
90,8
100,0
81,1
271,9
Posto B
85,5
83,0
73,7
242,2
Posto C
65,5
77,1
68,5
211,1

do resduo: 9 3 = 6
do total: (K 1) + ( n k )= n-1 = 8
b)O valor de C, dado pelo total geral elevado ao quadrado e
dividido pelo nmero de observaes. O valor de C conhecido
como correo:
C = ( y )2
n
C = (271,9+242,2+211,1)2 = 58.435
9
SQT=y2C= 59380-58435 = 944
SQTr = T2 C
r
SQTr =[(271,9)2/3+(242,2)2/3+ (211,1)2/3] 58.435=
=616
SQR = SQT SQTr
SQR = 944 616 = 328

QMTr = SQTr
k-1
QMTr = 944/2 = 308
QMR = SQR
nk
QMR = 328/ 6 = 55
h) O valor F:
F= QMTr
QMR
F = 308/55 = 6
Quadro da ANOVA
Fonte de Variao
Tratamentos
Resduo
Total
SQ
QM
616
328
944
2
6
8
308
55
Clculo do valor-p:
Consultando a tabela com 1=2 no numerador e 2=6 no
denominador o valor p0,05
Deciso:
Valor-p 0,05 = , rejeita-se a hiptese nula. A credibilidade
de H0 baixa. Os postos diferem quanto produtividade. Parece
plausvel considerar que os postos produzam efeito sobre os
ndices de produo.
Modelo de Classificao Dupla:
anlise
da
varincia
que
serve
para
testar,
simultaneamente, a diferena entre mdias levando em conta 2

fatores( os tratamentos, nas colunas e os blocos, nas linhas ).
A anlise feita para verificar se h diferena de mdias entre
os tratamentos e paralelamente, de forma independente, se h
diferena de mdias devido aos blocos.
Blocos geralmente so variveis de perfil influentes nas medidas
do estudo e cujas categorias se comportam de forma heterognea na
populao e por isso devem ser consideradas subpopulaes, de onde
se devem selecionar correspondentes subamostras e a cada
subamostra so, ento, aplicados todos os tratamentos.
O experimento, portanto, deve estratificar por essas categorias
para que a anlise seja realizada com uma amostra representativa em
relao varivel de estratificao. Todas as observaes de um bloco
recebem todos os tratamentos.
Para entender como se faz a anlise da varincia com
classificao dupla, primeiro observe a tabela a seguir. Nessa tabela,
esto indicados os dados de uma anlise da varincia com dois
fatores, com k tratamentos e r blocos. O total de cada tratamento
dado pela soma das r observaes submetidas a esse tratamento. O
total de blocos dado pela soma das k unidades do bloco.
Uma ANOVA com dois Fatores

Bloco
Tratamento
Total
1
y11
2
y21
3
y31
...
...
K
yk1
B1
y12
y22
y32
...
yk2
B2
...
...
...
...
...
B3
...
...
...
...
...
...
...
y1r1
y2r2
y3r3
...
ykrk
Br
Total
T1
T2
T3
...
Tk
T= T =y
Nmero de
...
repeties
Mdia
y1
y2
y3
n=r
_
...
yk
Para fazer a anlise da varincia de dois fatores preciso

calcular as seguintes quantidades:

de tratamentos: k 1
de blocos: r - 1
do resduo: ( k 1) . ( r 1 )
do total: kr -1 = n - 1
b)O valor de C, dado pelo total geral elevado ao quadrado e
dividido pelo nmero de observaes. O valor de C conhecido
como correo:
C = ( y )2
n
SQT = y2 C
SQTr = T2 C
r
e)A soma dos quadrados de blocos:
SQB = B2 C
k
f)A soma dos quadrados de resduos:
SQR = SQT SQTr - SQB
g) O quadrado mdio dos tratamentos:

QMTr = SQTr
k-1
h) O quadrado mdio dos blocos:

QMB = SQB
r-1
i) O quadrado mdio dos resduos:
QMR =
SQR
(k 1)(r 1)
j) Os valores de F:
FTr= QMTr
QMR
FB= QMB
QMR
As somas de quadrados so apresentados na tabela da anlise da varincia.

Para calcular os quadrados mdios basta dividir cada soma de quadrados pelos
respectivos graus de liberdade. O valor de F para tratamentos dado pelo
quociente entre o quadrado mdio de tratamentos e o quadrado mdio do resduo.
O valor de F para blocos dado pelo quociente entre o quadrado mdio de blocos
e o quadrado mdio do resduo.
Observando a tabela da ANOVA para dois fatores, note que a soma de
quadrado total(SQT), que d a variabilidade dos dados em torno da mdia geral, foi
dividia em trs componentes: SQTr, que a variabilidade devida aos tratamentos,
SQB, que a variabilidade devida heterogeneidade do bloco, e SQR, que a
variabilidade prpria do fenmeno em estudo, aquela devido ao acaso.
Quadro da ANOVA de dois Fatores

SQ
QM
Tratamentos
SQTr
k -1
QMTr
FTr
Blocos
Resduo
Total
SQB
SQR
SQT
r-1
(k 1)(r 1)
kr -1
QMB
QMR
FB
Fonte de Variao
Valor-p do Tratamento:
Com o grau de liberdade do tratamento(1) e o grau de liberdade do
resduo(2), consultar a Tabela 6(anexa) e obter o valor-p aproximado.
Deciso: se o valor-p , rejeitar H0. com relao aos tratamentos.
Valor-p do Bloco:
Com o grau de liberdade do bloco(1) e o grau de liberdade do resduo(2),
consultar a Tabela 6(anexa)e obter o valor-p aproximado.
Deciso: se o valor-p , rejeitar H0, com relao aos blocos
Exemplo 1:
Suponhamos agora que os alunos do Exemplo 1, de
classificao nica tenham, sido agrupados em blocos de faixa
etria.
Blocos
Tratamentos
Prof. A
Prof. B
Prof. C
Jovens
6,0
1,0
10,0
17
Adultos
5,0
1,0
9,0
15
Idosos
4,0
1,0
8,0
13
27
(Faixas
Total
Etrias)
Total
15
C = ( 15+3+27 )2/ 9 = ( 45 )2/ 9 = 2025/9 = 225

X2 = 77 + 3 + 245 = 325
SQT = 325 225 = 100
SQTr = [ 152/3 + 32/3 +272/3] 225 = 321 225 = 96
SQBr = [ 172/3 + 152/3 +132/3] 225 = 228 225 = 3
SQR = 100 96 3 = 1
359
Quadro da ANOVA
FV
SQ
QM
Tratamento
96
48
48
Bloco
3/2
FTR= = 48. 4 = 192

1/4
3/2
Residual
1/4
FB=
= 3/2. 4 = 6
1/4
Total
100
Tratamentos:
1 = 2 e 2 = 4 valor-p 0, 001
Deciso:
O valor-p < 0,05, rejeita-se a hiptese nula de que as mdias so iguais. A
diferena de mdias de desempenhos significante. O desempenho dos alunos
influenciado pela maneira de ensinar de cada professor. A diferena de mdias de
desempenho dos alunos devida ao carter didtico de cada mestre.
360
Blocos:
1 = 2 e 2 = 4 valor-p 0, 05
Deciso:
O valor-p = 0,05, rejeita-se a hiptese nula de que as mdias so iguais. A
diferena de mdias de faixa etria significante. O desempenho dos alunos
influenciado pela sua faixa etria. A diferena de mdias de desempenho dos alunos
pode ser atribuda tambm faixa etria dos estudantes.
361
Exemplo 2:
Os dados da tabela seguinte referem-se s quantidades produzidas de um
produto por determinado mtodo em diferentes postos de trabalho.Os quatros
nveis do fator A representam postos de trabalho.Os dois nveis do fator B
representam os supervisores de trabalho.Os resultados fornecidos correspondem
a produo de um dia para cada posto e supervisor.
Nvel Fator B
A
31
47
78
Supervisor 1
Supervisor 2
Total
Nvel Fator A
B
C
27
33
35
39
62
72
Total
D
30
46
66
121
157
278
Pede-se :
a) a quantidade afetada significativamente por diferenas nos postos de
trabalho para = 0,01?
b) indiferente que se use o supervisor 1 ou supervisor 2 , com
= 0,05?
362
Soluo:
de blocos: 2 1 = 1
do resduo: ( 4 1) . ( 2 1 ) = 3
do total: 4.2 1 = 7 ou n-1 = 8-1 7
b)O valor de C, dado pelo total geral elevado ao quadrado e dividido pelo
nmero de observaes. O valor de C conhecido como correo:
C = ( x )2
n
C = (121+157)2 = 9.660,5
8
SQT = y2 C
SQT = 10750 9660,5 = 1089,5
SQTr = T2 C
r
SQTr = [(78)2/2 + (62)2/2 + (72)2/2 + (66)2/2] 9660,5 = 73,5
363

SQB = B2 C
k
SQB = [(121)2/4 + (157)2/4] 9660,5 = 162
SQR = 1089,5-162-73,5=854
As estatsticas de g a j foram calculadas no prprio quadro da

ANOVA.
SQ
QM
Tratamentos
73,5
24,5
FTr = 0,09
Blocos
Resduo
Total
162
854
1089,5
1
3
7
162
284,7
FB = 0,57
Fonte de Variao
Com o grau de liberdade do tratamento( 1=3) e o grau de
liberdade do resduo(2= 3), consultar a Tabela 6(anexa) e o
valor-p 0,25
Deciso: O valor-p 0,25 > 0,01, aceitar H0. A qualidade
no afetada significativamente por diferenas nos postos de
trabalho, com nvel de significncia de 5%.
Valor-p do Bloco:
364
Com o grau de liberdade do tratamento( 1=1) e o grau de

liberdade do resduo(2= 3), consultar a Tabela 6(anexa) e o
valor-p 0,25
Deciso: O valor-p 0,25 > 0,05, aceitar H0. indiferente
que use o supervisor 1 ou o supervisor
2, com nvel de
significncia de 5%.
365
Exemplo 3:
Para um estudo de satisfao, um grupo painel de 6 pessoas foi
solicitado a usar por 4 semanas duas marcas de doce de leite(A e B).
O grupo foi dividido em crianas (I), adultos (II) e idosos (III). No final
da experincia, cada pessoa deu uma nota de 0 a 10 quanto
satisfao com as marcas do doce de leite. Faa a anlise da varincia
dos dados apresentados, com nvel de significncia de 5%.
Marcas de Doce de Leite

Grupos de Idades
10
10
II
III
366
Soluo:
de blocos: 3 1 = 2
do resduo: ( 2 1) . ( 3 1 ) = 2
do total: 2.3 1 = 5 ou n -1 = 6 -1 = 5
b)O valor de C, dado pelo total geral elevado ao quadrado e dividido pelo
nmero de observaes. O valor de C conhecido como correo:
C = ( x )2
n
C = (21+15)2 = 362/6 = 1296/6 = 216
6
SQT = y2 C
SQT = 278 216 = 62
SQTr = T2 C
r
SQTr = [(21)2/3 + (15)2/3] 216 = 222 216 = 6
367

SQB = B2 C
k
SQB = [(202/2 + (10)2/2+(6)2/2] 216 = 268 216 = 52
SQR = 62 -6 52= 4
SQ
QM
Tratamentos
Blocos
Resduo
Total
52
4
62
2
2
5
26
2
Fonte de Variao
F
Ftr= 6/2=4
FB= 26/2=13
Com o grau de liberdade do tratamento(1=1) e o grau de liberdade do
resduo(2= 2), consultar a Tabela 6(anexa) e o valor-p0,25
Deciso: O valor-p > 0,05, aceitar H0. No h diferena de mdias
quanto satisfao com as marcas de doce de leite.
368
Valor-p do Bloco:
Com o grau de liberdade do tratamento(1=2) e o grau de liberdade do
resduo(2= 2), consultar a Tabela 6(anexa) e o valor-p 0,05
Deciso: O valor-p= 0,05, rejeitar H0. H diferena de mdias quanto
satisfao com a faixa etria.
Concluso do estudo: Os clientes no diferem em satisfao quanto
s marcas de doce de leite, mas diferem quanto faixa etria.
Conceito de Resduos em Anlise da Varincia
Ningum conhece as mdias populacionais dos tratamentos
(1, 2, 4, 3, ..,.n) nem os erros e i. No entanto, o pesquisador faz um
estudo estatstico para obter as estimativas dessas mdias.
Ningum conhece os erros ei, porque eles so definidos em
funo das mdias verdadeiras 1, 2, 4, 3, ..,.n . Mas temos as
estimativas dessas mdias, pelas mdias amostrais. Podemos
estimar os erros fazendo a diferena entre cada dado e a mdia do
tratamento a que ele pertence:
_
eij = yij y
Exemplo: Seja uma observao que assuma no tratamento A
de uma ANOVA o valor 10 e que a mdia desse tratamento seja 15,
logo o resduo associado a esta observao ser:
eij = 10 15 = -5
O comportamento regular dos resduos fundamental para a
eficincia da anlise da varincia que estamos realizando.
369
Validao das Pressuposies Bsicas:

A anlise da varincia exige que sejam feitas a validao das
pressuposies sobre os resduos, sem as quais os resultados da
anlise no so vlidos.
Os pressupostos bsicos da anlise da varincia so:
o Ausncia de dados(erros) discrepantes;
o Os erros so variveis aleatrias independentes(no
autocorrelao);
o A variao constante(homocedasticidade);
o A distribuio dos erros normal.
Anlise dos Resduos
As estimativas dos erros recebem o nome de resduos. o
estudo dessas estimativas, ou seja, a anlise dos resduos que
ajuda verificar se a anlise da varincia feita aceitvel.
Para aprendermos a realizar a anlise dos resduos, vamos a
um exemplo prtico.
370
Exemplo 1:
Os dados abaixo se referem s vendas de um artigo( em mil
itens) em quatro filiais de uma loja de departamento(1, 2, 3 e 4). As
mdias esto no rodap da tabela.
1
25
26
20
23
21
23
2
31
25
28
27
24
27
3
22
26
28
25
29
26
4
33
29
31
34
28
31
Para aprender como feita a anlise de resduos, veja os

resduos calculados na tabela a seguir e apresentados em grfico
seguinte.
Tabela de Clculo dos Resduos do Exemplo 1
1
25-23=2
26-23=3
20-23=-3
23-23=0
21-23=-2
23
2
31-27=4
25-27=-2
28-27=1
27-27=0
24-27=-3
27
3
22-26=-4
26-26=0
28-26=2
25-26=-1
29-26=3
26
4
33-31=2
29-31=-2
31-31=0
34-31=3
28-31=-3
31
No grfico abaixo, os tratamentos esto no eixo das abscissas

e os resduos(valores calculados na tabela acima) esto no eixo das
ordenadas. O grfico dos resduos bsico: quando o modelo
adequado, os resduos exibem um padro aleatrio. No apresentam
tendncia.
Grfico dos Resduos do Exemplo 1
371
Para saber se as pressuposies de uma anlise de varincia

esto satisfeitas, basta verificar:
1- A presena de dados discrepantes;
2-Se
os
erros
so
independentes(ausncia
de
autocorrelao);
3- Se a varincia constante(homocedasticidade);
4- Se a distribuio dos erros normal.
Se, principalmente, o pressuposto da independncia dos erros
no puder ser admitido, as concluses do teste ANOVA podero ser
invlidas.
Uma alternativa para o caso dos pressupostos no serem
vlidos(principalmente a independncia dos erros) usar a ANOVA
sobre os Postos.
Ausncia de Dados Discrepantes(Outlier)
Dados discrepantes( outlier ) um valor muito maior ou muito
372
menor do que o valor esperado, do que a mdia. Pode-se verificar

outliers no prprio grfico de resduos.
O valor discrepante fica mais visvel se for desenhado um
grfico com resduos padronizados( epii ) em lugar dos resduos
propriamente ditos.
Para obter os resduos padronizados( epii ), basta dividir os
resduos pela raiz quadrada do quadrado mdio dos resduo(QMR) da
anlise da varincia.
A expresso dos resduos padronizados fica ento:
epi = ei /QMR
Realizada a anlise da varincia do Exemplo 1, que se refere
s vendas de um artigo( em mil itens) em quatro filiais de uma loja de
departamento(1, 2, 3 e 4), o valor do QMR 7:
Quadro da ANOVA do Exemplo 1
Fonte de Variao
SQ
QM
Valor-p
7,80
0,002
Tratamentos
163,75
54,58
Resduo
112,00
16
7,00
Total
275,75
19
Ento, o resduo padronizado para a primeira observao do

tratamento 1 ser:
epi = 2/7 = 0,756
373
Tabela dos Resduos do Exemplo 1

1
2
3
3
0
-2
2
4
-2
1
0
-3
3
-4
0
2
-1
3
4
2
-2
0
3
-3
Os demais resduos esto apresentados na tabela seguinte:

Tabela dos Resduos Padronizados do Exemplo 1
1
0,756
1,134
-1,134
0,000
-0,756
2
1,512
-0,756
0,378
0,000
-1,134
3
-1,512
0,000
0,756
-0,378
1,134
4
0,756
-0,756
0,000
1,134
-1,134
O grfico dos resduos padronizados o que segue:
374
Grfico dos Resduos Padronizados do Exemplo 1
Valores fora do intervalo de -3 e +3 devem ser considerados

suspeitos. Como todos os valores esto dentro do intervalo de -3 e +3,
logo no existe outlier neste estudo.
Independncia ou Ausncia de Autocorrelao
Para fazer uma anlise da varincia, preciso pressupor que
os erros so variveis aleatrias independentes. Mas o que significa
pressupor que os erros so variveis aleatrias independentes?
Exemplo:
Considere um experimento com voluntrios. Se for obtido uma
dado de cada voluntrio, razovel admitir que tais valores- e,
consequentemente, os erros- so independentes. No entanto, se o
pesquisador obtiver vrios dados do mesmo voluntrio, razovel
375
considerar que tais dados- e os erros- sejam dependente. Isto porque

qualquer medida obtida em uma pessoa em determinado momento
deve estar correlacionada com a medida obtida em momento anterior.
Unidades experimentais observadas em sequncia, no tempo
ou no espao, geralmente tm correlao. Medidas feitas na mesma
unidade experimental esto muitas frequentemente, correlacionadas.
A correlao- entre observaes seriadas ou tomadas em sequencia
chamada de correlao serial. Se isto acontecer, no razovel
pressupor independncia.
Se os erros forem dependentes- porque foram tomadas
observaes na mesma unidade ou em sries temporais, o resultado
da anlise da varincia fica totalmente comprometido. Alis, a noindependncia o mais grave problema para a anlise, porque o nvel
de significncia se torna muito maior do que informado. Mais ainda, a
dependncia difcil de ser corrigida.
Ento- diante de qualquer suspeita de no-independncia-,
essencial proceder anlise dos resduos. Desenha-se um grfico
dos resduos padronizados contra em funo dos tratamentos do
modelo ou em funo da ordem em que as observaes foram
coletadas. Se a pressuposio de independncia estiver satisfeita, os
resduos devem ficar dispersos em torno de zero, sem um padro
definido(aleatoriamente), como acontece no Grfico A, apresentado
abaixo. Se os resduos tiverem clara correlao com os tratamentos
ou contra a ordem de tomada de dados, como mostra o Grfico B
abaixo, no se pode pressupor independncia.
A anlise de resduos extremamente til, mas grfica. Isto
significa que no se pode associar um nvel de probabilidade
concluso de que os erros no so independentes. Mas a
pressuposio de independncia pode ser transformada em hiptese
e essa hiptese pode ser colocada em teste. Quando existe forte
suspeita de no-independncia(autocorrelao), pode-se aplicar o
Teste de Durbin-Watson, que veremos a seguir.
376
Grfico A
377
Grfico B
Teste de Durbin-Watson
378
Usando um grfico residual, as violaes dos pressupostos do

modelo no so sempre fceis de detectar e podem ocorrer apesar
dos grficos parecerem bem comportados. A anlise de resduos,
usando grficos residuais um mtodo subjetivo. Nesse sentido, a
verificao da independncia usualmente feita atravs do Teste de
Durbin-Watson correlao entre resduos sucessivos.
Se houver independncia, a magnitude de um resduo no
influencia a magnitude do resduo seguinte. Neste caso, a correlao
entre resduos sucessivos nula (autocorrelao = 0). As hipteses
do teste, para aferir se a relao entre dois resduos consecutivos
estatisticamente significativa, so ento:
H0: autocorrelao = 0 existe independncia
H1; autocorrelao 0 existe dependncia
Esse teste serve para detectar se h presena significativa de
autocorrelao entre os resduos em um modelo de anlise da
varincia. O coeficiente de Durbin-Watson mede a correlao entre
cada resduo e o resduo da observao imediatamente anterior. A
equao a seguinte:
( ei ei-1)2
i=1
D =
n
e i2
I=1
onde ei o resduo para o perodo de tempo i.
379
Os valores da estatstica D so interpretados da seguinte forma:

D 0 resduos positivamente autocorrelacionados.
D 2 resduos no so autocorrelacionados.
D 4 resduos negativamente autocorrelacionados.
Com a tabela de Durbi-Watson para o nvel de significncia ,
tamanho da amostra n e NVI(nmeros de variveis independentes do
modelo), obtm-se dU que o limite superior de variao e d L, o limite
inferior. Os valores de dU e dL encontram- se tabelados para os nveis
de significncia de 1% e 5% e tamanhos de amostras fixas esto
anexas ao livro.
Regra de Deciso para o Teste de Durbin-Watson

Valor de D
0 D < dL
dL D < dU
dU D < 4 - d U
4 - dU D < 4 - d L
4 - dL D 4
Interpretao
Evidncia de autocorrelao positiva
Zona de indeciso
Ausncia de autocorrelao
Zona de indeciso
Evidncia de autocorrelao negativa
Anlise de Resduos
380
Exemplo 1 de Teste de Durbi-Watson:

Vamos realizar o teste de autocorrelao do Exemplo 1 que se
refere s vendas de um artigo( em mil itens) em quatro filiais de uma
loja de departamento(1, 2, 3 e 4), j visto quando estudamos a anlise
de outlier:
1
25
26
20
23
21
23
2
31
25
28
27
24
27
3
22
26
28
25
29
26
4
33
29
31
34
28
31
Os resduos obtidos segundo a sequncia de tempo em que

foram coletados e o quadro de clculo para o teste se encontram na
tabela abaixo:
381
Sequncia de
tempo
ei
ei2
ei-1
ei - ei-1
(ei - ei-1)2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Total
2
3
-3
0
-2
4
-2
1
0
-3
-4
0
2
-1
3
2
-2
0
3
-3
4
9
9
0
4
16
4
1
0
9
16
0
4
1
9
4
4
0
9
9
112
0
2
3
-3
0
-2
4
-2
1
0
-3
-4
0
2
-1
3
2
-2
0
3
2
1
-6
3
-2
6
-6
3
-1
-3
-1
4
2
-3
4
-1
-4
2
3
-6
4
1
36
9
4
36
36
9
1
9
1
16
4
9
16
1
16
4
9
36
257
Calculando ento o coeficiente:
( ei ei-1)2
i=1
D =
n
e i2
I=1
257
D = 2,29
112
negrito em toda a expresso e no s no numerador!
382
Interpretao:
Consultando a Tabela de Durbin-Watson para 5%, n=20 e NVI=
1(em ANOVA de um fator s temos uma varivel independente que so
os tratamentos), temos que dL = 1,20 e dU= 1,41.
Temos que:
d U D < 4 - dU
1,41<2,29<2,59(V)
Deciso:
Ausncia de autocorrelao.
383

Os dados abaixo se referem aos resduos do Grfico A.
Sequncia de
tempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
Total
ei
ei2
ei-1
ei - ei-1
(ei - ei-1)2
4.0
-0.7
-5.3
5.5
3.9
6.9
3.6
-7.5
-0.8
4.4
-7.5
6.5
-3.0
1.5
-4.4
-5.0
-0.7
9.1
-0.5
1.5
-5.0
-0.8
-5.0
5.5
-4.4
3.3
5.8
-0.5
3.7
1.5
4.0
15.8
0.0
4.0
15.8
0.6
4.0
-4.7
22.3
28.0
-0.7
-4.5
20.6
30.7
-5.3
10.8
117.3
15.2
5.5
-1.6
2.7
48.0
3.9
3.0
9.2
12.7
6.9
-3.4
11.3
56.3
3.6
-11.1
122.5
0.6
-7.5
6.7
44.9
19.5
-0.8
5.2
27.2
56.3
4.4
-11.9
141.9
42.2
-7.5
14.0
195.9
8.8
6.5
-9.5
89.6
2.4
-3.0
4.5
20.3
19.0
1.5
-5.9
34.8
24.8
-4.4
-0.6
0.4
0.6
-5.0
4.2
17.9
82.1
-0.7
9.8
96.2
0.3
9.1
-9.6
91.4
2.4
-0.5
2.0
4.2
24.8
1.5
-6.5
42.5
0.6
-5.0
4.2
17.5
24.8
-0.8
-4.2
17.5
30.7
-5.0
10.5
110.7
19.0
5.5
-9.9
98.0
10.6
-4.4
7.6
58.0
33.5
3.3
2.5
6.4
0.3
5.8
-6.3
39.5
13.6
-0.5
4.2
17.6
2.4
3.7
-2.2
4.6
15.8
1.5
2.4
5.9
463.73
1082.19
Nota: Os valores dos resduos ao quadrado(ei2) foram calculados no Excel com todas as
casas as casas decimais consideradas na planilha.
384
( ei ei-1)2
i=1
D =
n
e i2
I=1
1082.19
D = 2,33
463.73
Interpretao:
Consultando a Tabela de Durbin-Watson para 5% , n=31 e NVI=
1, temos que dL = 1,36 e dU= 1,50. Logo o valor de D est no terceiro
intervalo da regra de deciso:
dU D < 4 - d U
1,50 2,33 < 4 1,50
1,50 2,33 < 4 1,50
1,50 2,33 < 2,50 (V)
Logo
conclumos
que
neste
caso,
existe
ausncia
de
autocorrelao, o que vai de encontro ao que verificamos graficamente

e a anlise da varincia pode ser feita sem maiores problemas.
385

Os dados abaixo se referem aos resduos do Grfico B.
Sequncia de
tempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
Total
ei
-7,50
-5,29
-6,90
-4,94
-4,98
-5,54
-1,11
-2,97
-2,23
-5,80
-4,36
-0,80
-0,75
-0,50
1,54
0,82
3,26
3,69
4,13
3,57
5,70
5,54
3,98
4,41
4,85
5,79
5,82
9,06
6,50
6,93
3,90
ei2
56,25
27,98
47,61
24,40
24,80
30,69
1,23
8,82
4,97
33,64
19,01
0,64
0,56
0,25
2,37
0,67
10,63
13,62
17,06
12,74
32,49
30,69
15,84
19,45
23,52
33,52
33,87
82,08
42,25
48,02
15,21
714,91
ei-1
0
-7,50
-5,29
-6,90
-4,94
-4,98
-5,54
-1,11
-2,97
-2,23
-5,80
-4,36
-0,80
-0,75
-0,50
1,54
0,82
3,26
3,69
4,13
3,57
5,70
5,54
3,98
4,41
4,85
5,79
5,82
9,06
6,50
6,93
ei - ei-1
-7,50
2,21
-1,61
1,96
-0,04
-0,56
4,43
-1,86
0,74
-3,57
1,44
3,56
0,05
0,25
2,04
-0,72
2,44
0,43
0,44
-0,56
2,13
-0,16
-1,56
0,43
0,44
0,94
0,03
3,24
-2,56
0,43
-3,03
(ei - ei-1)2
56,25
4,88
2,59
3,84
0,00
0,31
19,62
3,46
0,55
12,74
2,07
12,67
0,00
0,06
4,16
0,52
5,95
0,18
0,19
0,31
4,54
0,03
2,43
0,18
0,19
0,88
0,00
10,50
6,55
0,18
9,18
165,07
386
( ei ei-1)2
i=1
D =
n
e i2
I=1
165,07
D = 0,23
714,91
Interpretao:
1, temos que dL = 1,36 e dU= 1,50. Logo o valor de D est no primeiro
0 D < dL
0<0,23<1,36(V)
Logo, conclumos que neste caso, existe evidncia de
autocorrelao positiva, o que vai de encontro ao que verificamos
graficamente e a anlise da varincia tradicional neste caso fica
seriamente comprometida.
Varincia Constante( Homocedasticidade )

387
Se for razovel admitir que os erros sejam independentes,

o passo seguinte consiste em verificar se as varincias so
constantes ou, como preferem dizer os estatsticos- se existe
homocedasticidade.
No caso do modelo de anlise da varincia de um nico
fator, convm verificar se as varincias dos tratamentos so
iguais. A violao
do pressuposto
da
homocedasticidade
compromete a credibilidade do Teste F.

Observao:
Se as varincias so heterogneas acentuadamente isto
significa que as diferenas de mdias podem ser devido a este
fato, do que propriamente devidos aos tratamentos. sabido que
as mdias so medidas de tendncia
central fortemente
influenciadas pelo grau de disperso da srie.

Os
grficos
ilustram
respectivamente
resduos
homocedsticos e heterocedsticos.
388
Grfico C
389
Grfico D
390
Regra Prtica de Verificao de Homocedasticidade:
Uma regra prtica defendida por quem estudou o assunto

sugere pressupor que os resultados de uma anlise da varincia
sejam considerados vlidos desde que a maior varincia no exceda
em trs vezes a menor.
Exemplo de Teste de Homocedasticidade pela Regra Prtica:
Vamos realizar o teste de homocedasicidade do Exemplo 1
que se refere s vendas de um artigo( em mil itens) em quatro filiais
de uma loja de departamento(1, 2, 3 e 4), j visto anteriormente.
Estatsticas
A
23
6,5
Mdia
Varincia
Tratamentos
B
C
27
26
7,5
7,5
D
31
6,5
No caso, como a maior varincia 7,5 e a menor 6,5, temos:

7,5
= 1,15 < 3
6,5
Interpretao:
Pelo exposto, ento, razovel pressupor varincias iguais.
391
Observao:
Existem situaes prticas que embora a maior varincia
exceda em trs vezes a menor, o pressuposto da igualdade de
varincia pode ser aceito. Por isso devemos tomar muito cuidado com
essas regras prticas. Para se ter maior segurana na concluso da
varincia constante convm realizar um teste de homogeneidade
baseado em prova de significncia.
Para testar a igualdade de varincias, foram propostos
diversos testes. Mas neste livro estudaremos o Teste de Levene.
O Teste de Levene usado para testar se k amostra tem a
mesma varincia. Alguns testes estatsticos, como por exemplo a
anlise de varincia, assumem que as varincias so iguais dentro das
categorias da varivel independente ou amostras. O teste de Levene
pode ser usado para verificar essa suposio.
Teste de Levene:
A lgica do Teste de Levene simples: quanto maiores so as
varincias, maiores sero os resduos(os resduos so calculados
em funo da distncia de cada observao de sua mdia dentro
de cada tratamento). Podemos, ento, pensar num modelo de
regresso em que o resduo a varivel dependente e a varincia, a
independente, e testar a existncia da associao atravs do Teste
F(F = variao explicada pelas varincias/variao explicada por
fatores aleatrios ou alheios ao modelo).
Se as varincias so homogneas, o resultado do Teste F para
comparar as mdias dos valores absolutos dos resduos ser no
significante, isto , os resduos so mais fortemente explicados por
fatores aleatrios do que pelas varincias tidas como variveis
explicativas. No grfico, isto resultar em erros dispersos, de forma
aleatria, com compacidade constante.
392
O Teste de Levene , portanto, a anlise da varincia dos

valores absolutos dos resduos. Quando dizemos que o teste deu
positivo,
no
significante,
conclui-se
que
os
erros
so
homocedsticos.
Exemplo 1 de Teste de Levene:
Vamos realizar o teste de homocedasicidade atravs do Teste
de Levene com os dados do Exemplo 1 que se refere s vendas de
um artigo( em mil itens) em quatro filiais de uma loja de
departamento(1, 2, 3 e 4), j visto anteriormente.
Tabela dos Resduos do Exemplo 1
1
2
3
3
0
-2
2
4
-2
1
0
-3
3
-4
0
2
-1
3
4
2
-2
0
3
-3
Valores Absolutos dos Resduos do Exemplo 1

1
2
3
3
0
2
2
4
2
1
0
3
3
4
0
2
1
3
4
2
2
0
3
3
393
Quadro da ANOVA
Fonte de Variao
Tratamentos
Resduo
Total
SQ
QM
Valor-p
0,00
32,00
32,00
3
16
19
0,00
2,00
0,00
1,00
Interpretao:
A credibilidade da hiptese nula de que as mdias so iguais
altssima, ou melhor, absoluta. As diferenas de mdias so no
significantes, fruto de erro amostral. Portanto, as varincias podem
ser consideradas homogneas. O Teste de Levene deu positivo.
Exemplo 2 do Teste de Levene:
Os dados abaixo se referem s notas de fsica dadas por seis
professores de seis cursinhos pr-vestibulares vestibulandos de
universidades federais.
Prof. 1
1.0
1.5
1.0
1.5
2.0
2.5
2.0
2.5
3.0
3.5
2.05
Prof. 2
1.0
3.0
4.0
4.5
5.0
6.0
6.5
7.0
3.0
4.0
4.4
Prof. 3
2.0
1.0
7.0
9.0
5.0
2.0
3.0
9.0
8.0
1.0
4.7
Prof. 4
0.5
1.0
10.0
1.0
9.0
4.0
2.0
3.0
2.0
8.0
4.05
Prof. 5
0.0
0.0
10.0
0.0
0.5
0.5
1.0
9.0
9.5
2.0
3.25
394
Os valores dos resduos absolutos so:

Prof. 1
1.05
0.55
1.05
0.55
0.05
0.45
0.05
0.45
0.95
1.45
Prof. 2
3.4
1.4
0.4
0.1
0.6
1.6
2.1
2.6
1.4
0.4
Prof. 3
2.7
3.7
2.3
4.3
0.3
2.7
1.7
4.3
3.3
3.7
Prof. 4
3.55
3.05
5.95
3.05
4.95
0.05
2.05
1.05
2.05
3.95
Prof. 5
3.25
3.25
6.75
3.25
2.75
2.75
2.25
5.75
6.25
1.25
O quadro da ANOVA com os valores absolutos dos resduos :

Quadro da ANOVA
Fonte de Variao
SQ
QM
Valor-p
8.51
Tratamentos
Resduo
Total
64.05
4.00
16.01
84.69
45.00
1.88
148.73
0.000
49.00
Interpretao:
A credibilidade da hiptese nula de que as mdias so iguais
baixssima,
ou
melhor,
nula.
As
diferenas
de
mdias
so
significantes, no fruto de erro amostral. Portanto, as varincias

podem ser consideradas heterogneas e h heterocedasticidade.
Teste de Levene deu negativo.
O grfico dos resduos fica:
395
Transformaes Estabilizadoras da Varincia:

Quando as varincias so muito heterogneas, possvel fazer
a anlise da varincia desde que seja feita uma transformao dos
dados, que as torne homogneas. Tais transformaes estabilizadoras
da varincia tambm eliminam a falta de normalidade.
A varivel obtida por contagem geralmente no tm varincia
constante e nem distribuio normal. No entanto, so relativamente
comuns em anlise de dados.
Para fazer a anlise da varincia recomenda-se transformar a
varivel, ou seja, extrair a raiz quadrada dos dados. A transformao
eficiente porque diminui a heterogeneidade das varincias.
396
Exemplos de Variveis obtidas por Contagem:

Nmero de itens vendidos por uma amostra de vendedores em
algumas filiais de uma grande loja de departamento, nmero de
clientes atendidos por uma amostra de bancrios em algumas
agncias, nmero de clientes satisfeitos por uma amostra de
sequncia de tempo em algumas operadoras de telefonia celular, etc..
Para analisar dados de contagem, recomenda-se extrair a raiz
quadrada. Essa nova varivel tem, em geral, varincia constante.
Exemplo de Transformao Estabilizadora da Varincia:
Os dados abaixo se referem ao nmero de clientes atendidos
por uma amostra de 20 bancrios em 4 agncias bancrias:
Agncia A
10
15
5
15
5
Agncia B
30
15
40
35
40
Agncia C
20
15
10
5
25
Agncia D
10
10
15
5
15
A tabela abaixo apresenta as varincias dos dados segundo o

grupo, antes e depois da transformao de variveis(raiz quadrada
dos dados originais).
397
Varincias dos Dados segundo grupo, Antes e Depois da

Transformao
Grupo
Sem
Com
Agncia A
Agncia B
Agncia C
Agncia D
transformao
25,0
107,5
62,5
17,5
transformao
0,7
1,0
1,2
0,5
Suprimir a interpretao e a ANOVA fornecida: sem

importncia analtica
398
Normalidade: (ATENO: Algumas frases e pargrafos foram

suprimidos)
Em linhas gerais, o pesquisador no precisa se preocupar com
a no-normalidade, desde que os dados no transgridam fortemente a
forma gaussiana. Para verificar o atendimento a este pressuposto,
vamos calculamos o coeficiente de assimetria e verificar o grfico de
resduos padronizados.
Exemplo:
Os dados abaixo se referem aos resduos do Grfico A. A
estatstica de assimetria se encontra na tabela abaixo:
Coeficiente Momento de Assimetria dos Dados do Grfico A
Estatsticas
Coeficiente momento de assimetria(M AS)
Valores
-0,17
Nota ; Clculos do Excel
A distribuio beira os limites tolerveis de simetria(curva

assimtrica negativa moderada), o que no implica em grandes
transgresses normalidade. Testes mais rigorosos de normalidade
sero fornecidos nos captulos seguintes(Teste de Bera-Jarque e
Teste de Kolmogorov-Smirnov).
399
Teste de Normalidade pelo Grfico de Resduos Padronizados:

A anlise da normalidade pode ser feita observando-se
diretamente o grfico dos resduos padronizados. Se os erros
padronizados estiverem 99% dentro da rea de -3 a 3, eles podem ser
considerados normalmente distribudos. Note que esse grfico e
esses limitem so os mesmos usados para verificar a presena de
dados discrepantes.
Ento do exemplo anterior, temos o grfico dos resduos
padronizados:
Interpretao:
Os resduos padronizados esto bem dentro dos limites
estabelecidos pela probabilidade da normal de 99%.
400
Exemplo Completo de Atendimento aos Pressupostos Bsicos

Agora vamos fazer uma anlise completa a um s problema do
atendimento aos pressupostos bsicos.
Os dados abaixo se referem s avaliaes de satisfao dada
por 25 clientes a cinco operadoras de TV Cabo com Internet, via
telefone de auto-atendimento.
Satisfao com Operadoras de TV a Cabo e Internet
A
7.5
7.0
8.0
8.5
9.0
B
5.0
5.5
5.0
6.5
6.0
C
10.0
10.0
9.0
9.5
10.0
D
2.0
2.5
3.0
2.5
4.0
E
8.0
6.0
7.0
7.5
8.5
1 )Anlise de Outlier:
Tabela de Resduos
-0.5
-1.0
0.0
0.5
1.0
Resduos
-0.6
0.3
-0.1
0.3
-0.6
-0.7
0.9
-0.2
0.4
0.3
-0.8
-0.3
0.2
-0.3
1.2
0.6
-1.4
-0.4
0.1
1.1
401
Quadro da ANOVA das Avaliaes
Fonte
Variao
de
SQ
QM
Valor-p
Tratamentos
138
11
149
Resduo
Total
4
20
24
34.5
0.55
62.73
0.000
Anlise:
O Teste F deu significante: existe diferena de mdias de
satisfao entre as operadoras de TV Cabo e Internet.
Tabela de Resduos Padronizados
-0.67
-1.35
0.00
0.67
1.35
Resduos
-0.8
-0.1
-0.8
1.2
0.5
Padronizados
0.4
-1.1
0.4
-0.4
-0.9
0.3
-0.3
-0.4
0.4
1.6
0.8
-1.9
-0.5
0.1
1.5
402
Grfico dos Resduos Padronizados
Interpretao:
Observado o grfico dos resduos padronizados, verificamos
que todos os resduos esto no intervalo de -3 a +3, comprovando a
ausncia de dados discrepantes(outliers).
403
2 )Teste da Independncia dos Resduos

a)Pelo Teste de Durbin-Watson:
Sequncia de
tempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
25
25
Total
ei2
0.25
1.00
0.00
0.25
1.00
0.36
0.01
0.36
0.81
0.16
0.09
0.09
0.49
0.04
0.09
0.64
0.09
0.04
0.09
1.44
0.36
1.96
0.16
0.01
1.21
11.00
ei
-0.50
-1.00
0.00
0.50
1.00
-0.60
-0.10
-0.60
0.90
0.40
0.30
0.30
-0.70
-0.20
0.30
-0.80
-0.30
0.20
-0.30
1.20
0.60
-1.40
-0.40
0.10
1.10
ei-1
0.00
-0.50
-1.00
0.00
0.50
1.00
-0.60
-0.10
-0.60
0.90
0.40
0.30
0.30
-0.70
-0.20
0.30
-0.80
-0.30
0.20
-0.30
1.20
0.60
-1.40
-0.40
0.10
ei - ei-1
-0.50
-0.50
1.00
0.50
0.50
-1.60
0.50
-0.50
1.50
-0.50
-0.10
0.00
-1.00
0.50
0.50
-1.10
0.50
0.50
-0.50
1.50
-0.60
-2.00
1.00
0.50
1.00
(ei - ei-1)2
0.25
0.25
1.00
0.25
0.25
2.56
0.25
0.25
2.25
0.25
0.01
0.00
1.00
0.25
0.25
1.21
0.25
0.25
0.25
2.25
0.36
4.00
1.00
0.25
1.00
19.89
D= (19,89/11.00) = 1,81
Consultado a Tabela de Durbin-Watson de 5% ,n=25 e NVI= 1,
temo que dL=1,29 e dU=1,45, logo:
1,45<1,81<2,55
(V)
Anlise:
O intervalo acima indica que os erros independentes.
b)Pela Observao do Grfico dos Resduos:
404
Grfico dos Resduos
Anlise:
Verifique pelo grfico acima que os resduos se distribuem de
forma aleatria no plano cartesiano.
3 )Teste da Homocedasticidade:
405
a)Pelo Teste de Levene:

Tabela dos Valores Absolutos dos Resduos
Valores Absolutos dos Resduos
0.5
0.6
0.3
0.8
0.6
1.0
0.1
0.3
0.3
1.4
0.0
0.6
0.7
0.2
0.4
0.5
0.9
0.2
0.3
0.1
1.0
0.4
0.3
1.2
1.1
Quadro da ANOVA
Fonte de Variao
SQ
QM
Tratamentos
0.34
4.00
0.09
Resduo
3.04
20.00
0.15
Total
3.38
24.00
Valor-p
0.56
0.69
Anlise:
Pelo valor-p, a credibilidade da hiptese nula alta, isto , a
diferena de mdias no significante, o que implica em
homocedasticidade das varincias. O Teste deu positivo.
406
b)Pela Observao do Grfico dos Resduos:
Grfico dos Resduos:
Anlise:
O grfico dos resduos confirma que a varincia dos resduos
constante ao longo do tempo.
407
4 )Teste de Normalidade:
a)Pelo Coeficiente Momento de Assimetria:
A estatstica de assimetria se encontra na tabela abaixo:
Coeficiente Momento de Assimetria
Estatsticas
Coeficiente momento de assimetria
Valores
0,000
Nota ; Clculos do Excel
Interpretao:
A distribuio simtrica, o que pressupe normalidade dos
erros.
b)Pelo Histograma com o Polgono de Freqncia Sobreposto:
Histograma dos Resduos
Interpretao:
O grfico apresenta simetria visual, o que implica na
confirmao da normalidade dos erros.
408
Validao dos Pressupostos Bsicos do Exemplo Geral

Os dados respeitam a todos os pressupostos da anlise da
varincia e isso indica que os resultados da anlise so vlidos, so
confiveis.
Conseqncias da No Validao dos Pressupostos:
Violao da independncia, normalidade e homocedasticidade
dos erros levam ao aumento dos erros do Tipo I e II. Quando isso
acontece, as concluses da tabela da ANOVA tornam-se duvidosas e
devem ser interpretadas com reservas.
A independncia
dos erros
crucial. A sua
violao
praticamente inviabiliza qualquer ANOVA.

A normalidade dos erros menos importante. Quando o
nmero de repeties dos tratamentos grande( r i 30), o Teorema
Central do Limite diz-nos que essas mdias tero aproximadamente
distribuio normal.
Entretanto, quando os grupos so pequenos em cada
tratamento,
estatstica
resistente
violao
de
normalidade(sua violao, em geral, no compromete a deciso

do teste de significncia da diferena de mdias) quando os erros
tm assimetria no mximo moderada.
A
estatstica
tambm
resistente
violao
da
homocedasticidade. A sua violao trs problemas apenas quando

grupos de tratamentos com varincia alta tm mdias muito afastadas
das restantes: a no se sabe se a diferena de mdias devido s
varincias heterogneas ou aos tratamentos em anlise.
409
Resumindo, o que foi dito em pargrafos acima, h trs

situaes em que a no violao de pressupostos pode ter
conseqncias graves:
o Independncia dos erros no plausvel. Deveremos ter
sempre assegurado este pressuposto. A indefinio
sobre este pressuposto tambm no aceitvel;
o Violao
grosseira
da
normalidade,
principalmente
quando os grupos so pequenos;

o Violao da homocedasticidade, quando grupos de alta
varincia tm mdias afastadas das restantes.
Nos casos em que h pressupostos violados de forma menos
graves, pode-se ainda assim executar a ANOVA normalmente. Neste
caso, deve-se tomar mais cuidado quando o resultado da deciso for
rejeitar a hiptese nula, isto , quando a estatstica F significante.
Para assegurar-se que a deciso foi correta, sugere-se mais
dados e repetir a ANOVA ou usar outro tipo de ANOVA. Fora isso, se
pode basear decises na tabela ANOVA com confiana.
Quando a violao de pressuposies grave, teremos de
recorrer a testes alternativos ANOVA. Existem vrios na literatura,
mas aqui estudaremos mais adiante apenas um: a ANOVA sobre os
Postos.
410
ANOVA sobre Postos( RT ANOVA):

simplesmente uma ANOVA paramtrica usual sobre os postos.
A transformao de postos a substituio dos dados originais Yij pelos
postos(Rij) de uma amostra ordenada. Chamaremos esta posio de
Rij. Se houver empate nos postos atribuir postos mdios.
As hipteses da ANOVA sobre Postos so:
Ho: Os grupos tm todos os mesmos postos mdios
H1: H pelo menos um grupo com posto mdio diferente dos
outros.
Exemplo:
Vamos realizar a ANOVA e o Teste de Durbin-Watson sobre os
dados do experimento abaixo e se for necessrio realizar uma ANOVA
sobre Postos.
Nmero de Vtimas Fatais numa Cidade
2007
174
192
195
196
191
180
184
168
180
2008
175
166
197
175
194
163
200
201
179
2009
204
182
214
237
190
214
213
228
204
2010
182
182
190
188
229
203
221
221
000
411
Soluo:
Quadro da ANOVA:
FV
SQ
QM
Valor-p
Tratamentos
5080
1693
1,24
0,31
Residual
43737
32
1367
Total
48816
35
Deciso:
Valor-p>0,05, aceita-se a hiptese nula. O nmero de vtimas
fatais no difere de ano para ano na cidade referida. A diferena de
mdias no significante.
412
Tabela de Clculo de Clculo do Teste de Durbi-Watson:

Sequncia de
tempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
26
27
28
29
30
31
32
33
34
35
36
Total
ei
-10.44
7.56
10.56
11.56
6.56
-4.44
-0.44
-16.44
-4.44
-8.33
-17.33
13.67
-8.33
10.67
-20.33
16.67
17.67
-4.33
-5.56
-27.56
4.44
27.44
-19.56
4.44
18.44
-5.56
2.44
2.44
10.44
8.44
49.44
23.44
41.44
41.44
-179.56
ei2
109.09
57.09
111.42
133.53
42.98
19.75
0.20
270.42
19.75
69.44
300.44
186.78
69.44
113.78
413.44
277.78
312.11
18.78
30.86
759.31
19.75
753.20
382.42
19.75
340.20
30.86
5.98
5.98
109.09
71.31
2444.75
549.64
1717.64
1717.64
32240.20
43737
ei-1
0.00
-10.44
7.56
10.56
11.56
6.56
-4.44
-0.44
-16.44
-4.44
-8.33
-17.33
13.67
-8.33
10.67
-20.33
16.67
17.67
-4.33
-5.56
-27.56
4.44
27.44
-19.56
3.44
18.44
-5.56
2.44
2.44
10.44
8.44
49.44
23.44
41.44
41.44
ei - ei-1
-10.44
18.00
3.00
1.00
-5.00
-11.00
4.00
-16.00
12.00
-3.89
-9.00
31.00
-22.00
19.00
-31.00
37.00
1.00
-22.00
-1.22
-22.00
32.00
23.00
-47.00
24.00
15.00
-24.00
8.00
0.00
8.00
-2.00
41.00
-26.00
18.00
0.00
-221.00
(ei - ei-1)2
109.09
324.00
9.00
1.00
25.00
121.00
16.00
256.00
144.00
15.12
81.00
961.00
484.00
361.00
961.00
1369.00
1.00
484.00
1.49
484.00
1024.00
529.00
2209.00
576.00
225.00
576.00
64.00
0.00
64.00
4.00
1681.00
676.00
324.00
0.00
48841.00
63002
413
( ei ei-1)2
i=1
D =
n
e i2
I=1
63002
D = 1,44
43737
Interpretao:
1, temos que dL = 1,41 e dU= 1,52. Logo o valor de D est no segundo
dL D < d U
1,41 1,44 < 1,52 (V)
Logo, conclumos que neste caso, temos uma indefinio
quanto autocorrelao dos erros, o que nos leva a adotar uma
medida preventiva que a aplicao da ANOVA sobre postos.
414
Nmero de Vtimas Fatais numa Cidade

2007
174
192
195
196
191
180
184
168
180
2008
175
166
197
175
194
163
200
201
179
2009
204
182
214
237
190
214
213
228
204
2010
182
182
190
188
229
203
221
221
000
Dados Transformados em Postos:

Sequncia
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Dados Ordenados
000
163
166
168
174
175
175
179
180
180
182
182
182
184
188
190
190
191
192
194
195
196
197
200
201
203
204
204
213
214
214
221
221
228
229
237
Postos
1
2
3
4
5
6,5
6,5
8
9.5
9.5
12
12
12
14
15
16.5
16.5
18
19
20
21
22
23
24
25
26
27.5
27.5
29
30.5
30.5
32.5
32.5
34
35
36
415
Postos Distribudos nos Tratamentos para a ANOVA

2007
2008
6,5
3
23
6,5
20
2
24
25
8
5
19
21
22
18
9.5
14
4
9.5
2009
27.5
12
30,5
36
16.5
30.5
29
34
27.5
2010
12
12
16.5
15
35
26
32.5
32.5
1
Quadro da ANOVA sobre Postos:
FV
SQ
QM
Valor-p
Tratamentos
1168.61
389.54
4.60
0.01
Residual
2711.39
32
84.73
Total
1168.61
35
Deciso:
O valor-p< 0,05; rejeita-se a hiptese nula. Existe pelo menos
um par de postos mdios que so diferentes. Resultado contrrio ao
encontrado com a ANOVA Paramtrica, o que ratifica o engano que se
comete ao lidar com erros autocorrelacionados.
Com a validao realizada pelo teste da ANOVA sobre Postos, o
analista tem maior confiana nos resultados.
416
Teste de Comparao Mltipla:

A anlise
da
varincia
serve
para
verificar
se
existe
diferena significante entre colunas( tratamentos ), no caso de

classificao nica e entre linhas ( blocos) e colunas ( tratamentos ),
no caso de classificao dupla. Se houver diferena, no sabemos
atravs da anlise da varincia, quais linhas ou colunas diferem
entre si. Para tanto,
so
usados os Testes de Comparao
Mltipla. Vamos apresentar o Teste de Tukey.

Critrio de Deciso da Significncia das Diferenas:
(tirei a expresso: como mostra a figura)
A d.m.s, diferena mnima significante, ser o instrumento de
medida. Toda vez que o valor absoluto da diferena entre duas
mdias igual ou maior do que a diferena mnima significante, as
mdias so consideradas estatisticamente diferentes, ao nvel de
significncia estabelecido.
Matematicamente,
_
Se /XB
XC/ d.m.s, ento a diferena entre XB
e XC
significante estatisticamente.
417
Formas de Clculo das d.m.s:

o Foram propostas diversas maneiras de calcular a diferena mnima
significante.
o Cada proposta , na realidade, um teste que, em geral, leva o nome de
seu autor.
o No existe um procedimento para comparao de mdias que seja
definitivamente melhor que todos os outros.
Teste de Tukey:
O processo apresentado serve tanto para o modelo de classificao nica
quanto dupla. Para obter o valor da diferena mnima significante (d.m.s) pelo
Teste de Tukey basta calcular:
d.m.s= q.(QMR) / r
Onde:
q=valor dado nas Tabelas 5-Teste de Tukey (= 1%), na Tabela 5-Teste de
Tukey (= 5%), na Tabela 5-Teste de Tukey (=10%), em funo do nmero de
colunas(k) e nmeros graus de liberdade dos resduos, presentes no anexo.
Onde:
o QMR = quadrado mdio dos resduos obtido pelo clculo da ANOVA.
o r = nmero mdio de repeties dos tratamentos.
418
Exemplo:
Diminuio da Presso Arterial, em Milmetros de
Mercrio, segundo o Tratamento
A
25
17
27
21
15
Tratamento
C
D
18
23
8
29
4
25
14
35
6
33
B
10
-2
12
4
16
E
11
23
5
17
9
Controle
8
-6
6
0
2
Quadro da ANOVA
Fonte de Variao
Tratamentos
Resduo
Total
SQ
QM
2354,17
864,00
3218,17
5
24
29
470,83
36,00
13,08
Deciso:
Como o valor de F apresentado na tabela acima significante ao nvel
de
5%, pode-se afirmar que existe diferena de mdias significantes neste nvel.
Tabela de Mdias da Diminuio da Presso Arterial Segundo o Tratamento

Tratamento
A
B
C
D
E
Controle
Mdias
21
8
10
29
13
2
419
razovel procurar um teste para comparar as mdias dos tratamentos. A

d.m.s estabelecido pelo Teste de Tukey, ao nvel de significncia de 5%, :
d.m.s= 4,37.(36,00)/5=11,73, uma vez que q=4,37, valor dado na Tabela
5-Teste de Tukey 0,05, associado a 6 tratamentos(k=6) e 24 graus de liberdade
de resduos(=24), QMR=36,00, obtido na anlise da varincia e r=5, nmero de
repeties dentro de cada tratamento(colunas).
As mdias esto na tabela de mdia da diminuio da presso arterial
segundo o tratamento. Pode-se ento concluir, por exemplo, que a mdia de A
significante maior que a mdia de B por que :
/ 21 8 / = 13 > 11,73.
Observao:
A ANOVA e os Testes de Comparao Mltipla tm potncia mxima quando
o nmero de repeties em cada tratamento ou grupo igual. Uma ANOVA deve ser
planejada antes da execuo das medies, justamente para se tentar ter o mesmo
nmero de medies para cada grupo/tratamento. Se isso no for possvel, o mal
menor ter pouca diferena entre o nmero de repeties das amostras. Muita
diferena entre grupos leva a perda de potncia, ou seja, a dificuldade em identificar
diferenas estatsticas entre grupos.
420
Mtodo da Anlise da Varincia
Para realizar uma anlise da varincia de confiana fortemente

recomendvel que o analista siga as fases abaixo, que podemos
nomear de Mtodo da Anlise da Varincia.
Fases
1)Delineamento e coleta de dados.
Definio
o
Definio do objetivo de estudo, estabelecimento

de hipteses a testar e planejamento do nmero de
repeties por tratamento.
2)Validao de pressupostos e deciso da ANOVA.
Verificao de dados discrepantes(outliers),
Execuo
dos
testes
de
independncia,
homocedasticidade e normalidade;
o
Deciso sobre que ANOVA usar(paramtrica ou por

postos).
3)Quadro da ANOVA e Deciso.
4)Teste de Comparao Mltipla(s se a ANOVA identificar
Clculo do Quadro da ANOVA;
Clculo da estatstica F e deciso estatstica.
Execuo do Teste de Comparao Mltipla de
diferenas entre grupos).
Tukey e identificar os grupos com diferenas

significantes;
o
Tomada de deciso empresarial ou institucional.
421
1)O resultado das vendas efetuadas por 3 vendedores de uma

indstria durante certo perodo dado a seguir. Deseja-se saber,
ao nvel de 5%, se h diferena de eficincia entre os vendedores.
29
27
30
27
27
30
31
30
31
29
28
27
32
29
30
2)Obtm-se amostras de tamanho trs de cada uma das populaes

normais com os seguintes resultados: 3,5,4; 11,10,12; 16,21,17.
Testar a hiptese de que as mdias populacionais so as mesmas
com um nvel de significncia de 5%.
3)Um ensaio de trao mede a qualidade de uma solda a ponto de

um material revestido de alumnio. A fim de determinar se h
efeito de mquina quando se solda um material de bitola
especificada, obtm-se as seguintes amostras de 3 mquinas.
Realize a Anlise da Varincia conveniente
Mquina A : 3,2;4,1;3,5;3,0;3,1
Mquina B : 4,9;4,5;4,5;4,0;4,2
Mquina C : 3,0;2,9;3,7;3,5;4,2
4)Uma mquina para ensaio de desgaste consta de 4 escovas, sob

422
as quais se fixam amostras do material, a fim de medir suas

resistncias abraso. A perda de peso do material, depois de um
dado nmero de ciclos, usada como medida de resistncia ao
desgaste. Os dados da tabela a seguir indicam a perda de peso de
4 materiais ensaiados. Realize a Anlise da Varincia conveniente
e o Teste de Tukey.
Material
Posio da Escova
1
2
1,93
2,55
2,40
2,33
A
B
C
D
3
2,38
2,72
2,68
2,40
4
2,20
2,75
2,31
2,28
2,25
2,70
2,28
2,25
5)Com 5 marcas de automveis foi feita uma experincia para

verificar o nmero de quilmetros
percorridos com 4 litros de
gasolina. Esta experincia foi repetida em 3 cidades diferentes. Os

resultados obtidos foram. Realize a Anlises da Varincia
Marcas
A
B
C
D
E
A
20,3
19,5
22,1
17,6
23,6
Cidades
B
21,6
20,1
20,1
19,5
17,6
C
19,8
19,6
22,3
19,4
22,1
423
6)Os dados abaixo se referem s avaliaes de satisfao dada por

25 clientes a cinco operadoras de telefone celular, via telefone de
auto-atendimento. Faa a anlise de validao dos pressupostos
bsicos e conclua se a anlise da varincia confivel.
Satisfao com Operadoras de Telefone Celular
A
B
8.0
7.0
C
10.0
9.0
9.0
8.0
E
4.0
9.0
10.0
2.5
6.0
5.0
10.0
3.0
8.0
9.0
6.5
10.0
5.0
6.0
9.0
7.0
8.0
4.0
9.0
8.0
7.0
10.0
4.0
9.0
7)Verifique se os dados abaixo atendem ao pressuposto de

homocedasticidade pelo Teste de Levene .
Nmero de Reclamaes Feitas em 20 Ouvidorias de Quatro
Tipos de Planos de Sade
A
10
30
10
15
40
15
10
10
10
15
15
35
25
25
25
15
424
8)Um agricultor usa trs fertilizantes diferentes numa cultura de milho. No

fim da escolha, para cada tratamento, recolhe 6 espigas(18 no total) e
conta o nmero de gros, tendo obtido os dados da tabela abaixo.Ser
que estatisticamente os fertilizantes tm todos os mesmo efeitos? Ou ser
que produzem efeitos diferentes? Sero as flutuaes da mdia algo de
normal ou indicadores de uma tendncia?
Fertilizante 1
332
321
353
401
329
395
1778
Fertilizante 2
382
354
435
334
325
415
2245
Fertilizante 3
453
399
343
459
488
482
2624
9)Realize o teste de independncia dos resduos do exerccio 8 pelo Teste

de Durbin-Watson, ao nvel de 5% de significncia.
10)Realize o teste de igualdade de varincias dos resduos do exerccio 8
pelo Teste de Levene, ao nvel de 5% de significncia.
11)Realize a ANOVA sobre Postos do exerccio 8, caso seja necessrio,
ao nvel de 5% de significncia.
425
12)Um estudo se props a testar a eficcia de trs campanhas

publicitrias(A,B,C) na reduo da taxa de comprometimento de
renda de pessoas com jogos de azar.Uma amostra de 9 jogadores
tirada para experimento foi sujeita s campanhas publicitrias.
Utilizando a anlise da varincia, teste se as campanhas
publicitrias tm efeitos diferentes.
20
35
10
25
40
15
30
45
30
75
120
13)Numa anlise da varincia com um fator envolvendo uma

amostra de tamanho 75, foram geradas as estatsticas abaixo.
Utilizando o Teste de Durbin Watson, verifique se h autocorrelao
dos resduos.
n
( ei ei-1)2 = 300
i=1
ei2 =125
e
i=1
ei = distribuio de resduos.
426
Unidade VIII
Correlao de Variveis
Conceito de Correlao:
A correlao uma medida padronizada da relao entre duas variveis,
bem como a fora dessa relao.
A correlao nunca pode ser maior do que 1 ou menor do que menos 1.
Uma correlao prxima a zero indica que as duas variveis no esto
relacionadas. Uma correlao positiva indica que as duas variveis movem
juntas, e a relao forte quanto mais correlao se aproxima de um.
Uma correlao negativa indica que as duas variveis movem-se em
direes opostas, e que a relao tambm fica mais forte quanto mais prxima
de menos 1 a correlao ficar.
Duas variveis que esto perfeitamente correlacionadas positivamente
movem-se essencialmente em perfeita proporo na mesma direo, enquanto
dois conjuntos que esto perfeitamente correlacionados negativamente
movem-se em perfeita proporo em direes opostas.
Correlao de Variveis Contnuas- Correlao Linear:
o grau de relao linear existente entre duas variveis contnuas e
normalmente distribudas. Indica o grau de aderncia ou a qualidade do ajuste
dos pares X e Y a uma equao linear: a uma reta.
427
Coeficiente de Correlao Linear de Pearson:

O grau de relao entre duas variveis contnuas na populao pode ser
medido atravs do coeficiente de correlao de Pearson: .
Na populao, mede a aderncia ou a qualidade do ajuste
verdadeira reta, na qual pretendemos relacionar X e Y.
Mas, por questes operacionais de custo e tempo, nem sempre
podemos dispor de uma populao de pares X e Y e o que se tem disponvel
uma amostra de n pares ordenados X e Y.
O coeficiente de correlao de Pearson calculado na amostra chamase
r. O r , portanto, uma estimativa do parmetro :
^
=r
Expresso do Coeficiente de Correlao:
(XY) (X).(Y)/n
r=
(X2 (X)2/n). ( Y2 (Y)2/n)
Tambm pode ser obtido pela expresso:
(nXY) (X).(Y)
r=
[nX2 (X)2]. [nY2 (Y)2]
Onde n o nmero de observaes.
428
Intervalo de Variao de r:
O coeficiente de correlao r uma medida cujo valor se situa no

intervalo compreendido pelos valores [-1, +1 ]:
-1 r +1
Assim temos:
r=1, correlao linear perfeita positiva
r=-1, correlao linear perfeita negativa
r=0, no h relao linear entre as variveis X e Y.
Empiricamente, mostrou-se que a intensidade de r pode ser consultada
no quadro abaixo:
Valor Absoluto de r
0
(0; 0,3]
(0,3 ; 0,6]
(0,6 ; 0,9]
(0,9 ; 0,99]
1
Intensidade da Relao de X e Y
Nula
fraca
Mdia
Forte
Fortssima
perfeita
Para podermos tirar algumas concluses significativas sobre o

comportamento simultneo das variveis analisadas, necessrio que:
0,6 r 1
Contudo, se r for igual a zero no significa necessariamente que exista

ausncia de relao entre X e Y, mas apenas ausncia de relao linear. Uma
relao no linear perfeita entre X e Y poderia resultar igualmente em r = 0.
429
Representando, em um sistema coordenado cartesiano ortogonal, os

pares (X ; Y) obtemos uma nuvem de pontos que denominamos diagrama de
disperso. Esse diagrama fornece uma idia grosseira, porm til, da
correlao existente.
Exemplo:
Os pontos obtidos, vistos em conjunto, formam uma elipse em diagonal.

Podemos imaginar que, quanto mais fina for a elipse, mais ela se aproxima de
uma reta. Dizemos, ento, que a correlao de forma elptica que tem como
imagem uma reta forma a correlao linear.
O grfico abaixo mostra a imagem da elipse dos pontos do grfico
acima.
430
possvel verificar que a cada correlao est associada como

imagem uma relao funcional. Por esse motivo, os modelos lineares so
chamados relaes perfeitas, porque constituem imagens de elipses surgidas
no diagrama de disperso.
Como a correlao do diagrama acima tem como imagem uma reta
ascendente, ela chamada correlao linear positiva.
431
Diagramas de Disperso de X e Y com Casos Possveis de r:
432
Exemplo:
1)Um jornal quer verificar a eficcia de seus anncios na venda de
carros usados. A tabela abaixo mostra o nmero de anncios e o
correspondente nmero de carros vendidos por 6 companhias que usaram
apenas este jornal como veculo de propaganda. Existe relao linear entre as
variveis? Construa o diagrama de disperso e Calcule o coeficiente de
correlao linear r.
Companhia
Anncios(X)
Carros Vendidos(Y)
A
B
C
D
E
F
Total
74
45
48
36
27
16
246
139
108
98
76
62
57
540
Diagrama de Disperso:
433
Coeficiente de Correlao r:
Companhia Anncios(X)
A
74
B
45
C
48
D
36
E
27
F
16
Total
246
Carros
Vendidos(Y)
139
108
98
76
62
57
540
XY
10286
4860
4704
2736
1674
912
25172
X2
5476
2025
2304
1296
729
256
12086
Y2
19321
11664
9604
5776
3844
3249
53458
(nXY) (X)(Y)
r=
[nX2 (X)2]. [nY2 (Y)2]
(6.25172) (246).(540)
r=
[6.12086 (246)2]. [6.53458 (540)2]
r= (18192)/(18702) = 0,97, fortssima correlao linear positiva.
434
2)A indstria MIMI vende um remdio para combater resfriado. Aps dois
anos de operao, ela coletou as seguintes informaes trimestrais. Qual o
grau da relao entre as vendas do remdio e as despesas com propaganda?
Calcule r.
Quadro de Clculo
Trimestres Despesas(X) Vendas(Y)
1
2
3
4
5
6
7
8
Total
11
5
3
9
12
6
5
9
60
25
13
8
20
25
12
10
15
128
XY
X2
Y2
275
65
24
180
300
72
50
135
1101
121
25
9
81
144
36
25
81
522
625
169
64
400
625
144
100
225
2352
(nXY) (XY)
r=
[nX2 (X)2]. [nY2 (Y)2]

(8.1101) (60)(128)
r=
[8.522 (60)2]. [8.2352 (128)2]
r= (1120)/(1184) = 0,95, fortssima correlao linear positiva.
435
3)O faturamento de uma loja durante o perodo de janeiro a agosto de

2010 dado a seguir em milhares de reais. Qual a tendncia da evoluo do
faturamento da loja?
Meses
JAN
FEV
MR
ABR
MAI
JUN
JUL
AGO
Total
(X)
1
2
3
4
5
6
7
8
36
Faturamento(Y)
20
22
23
26
28
29
32
36
216
XY
20
44
69
104
140
174
224
288
1063
X2
1
4
9
16
25
36
49
64
204
Y2
400
484
529
676
784
841
1024
1296
6034
(nXY) (XY)
r=
[nX2 (X)2]. [nY2 (Y)2]

(8.1063) (36)(216)
r=
[8.204 (36)2]. [8.6034 (216)2]
r = 0,99, fortssima correlao linear positiva.

Existe uma tendncia de evoluo linear crescente do faturamento da
loja ao longo do tempo.
436
4)Em um presdio de uma cidade foram coletados dados sobre dias de

frias de servidores em funo de licenas solicitadas por stress. Qual o
sentido da associao entre as variveis?
Funcionrio
A
B
C
D
E
F
G
H
I
J
Total
Dias de
Frias(X)
20
18
16
14
12
10
8
6
4
2
110
Licenas por Stress(Y)

10
15
17
21
35
32
39
42
55
60
326
XY
200
270
272
294
420
320
312
252
220
120
2680
X2
400
324
256
196
144
100
64
36
16
4
1540
Y2
100
225
289
441
1225
1024
1521
1764
3025
3600
13214
(nXY) (XY)
r=
[nX2 (X)2]. [nY2 (Y)2]
(10.2680) (110)(326)
r=
[10.1540 (110)2]. [10.13214 (326)2]
r = -0,98, fortssima correlao linear negativa.

Quanto maior o perodo de frias , menor ser o perodo por licena por
stress. Veja o diagrama de disperso abaixo:
437
Teste de Significncia de r:
Quando calculamos a estatstica r, calculamos uma estimativa de um
parmetro populacional . Toda estatstica pode estar sujeita a um erro
amostral grande. Para conhecer se o valor do coeficiente de correlao obtido
junto amostra significante ou fruto de erro amostral, fortemente
recomendado que testemos a significncia de r.
oportuno testarmos as seguintes hipteses:
H0; = 0
H1: 0
438
Para realizar o referido teste de significncia, poderemos calcular o

valor-p bilateral junto distribuio t-Student com = n-2:
r
t =
(1- r2) / n-2
O valor-p obtido junto a tabela t-Student. Na linha do grau de liberdade
, procura-se o valor mais prximo do valor absoluto de t. O valor-p a
probabilidade na linha bilateral do cabealho da tabela associada a este
valor mais prximo de t.
Exemplo:
Em um estudo sobre como a safra de trigo depende do fertilizante,
suponhamos que dispomos de lotes para apenas sete observaes
experimentais. O pesquisador fixa X como quantidade de fertilizante em litros e
Y a toneladas da produo de trigo. Os dados se encontram na tabela abaixo.
Calcular o coeficiente de correlao entre as variveis e testar a sua
significncia.
Litros de
Fertilizantes(X)
100
200
300
400
500
600
700
2800
Toneladas de Trigo(Y)
40
50
50
70
65
65
80
420
XY
4000
10000
15000
28000
32500
39000
56000
184500
X2
10000
40000
90000
160000
250000
360000
490000
1400000
Y2
1600
2500
2500
4900
4225
4225
6400
26350
439
(7.184500) (2800.420)
r=
[7.1400000 (2800)2]. [726350 (420)2]
r = 0,92, fortssima correlao linear positiva.
0,92
t = = 5,25
(1- 0,922) / 7-2
= 7-2 = 5 Valor-p0,01
Valor-p 0,01 ou 1%
Deciso:
1% < 5%, rejeita-se H0. O coeficiente de correlao diferente de zero.
Existe correlao de X e Y. r=0,92 significante ao nvel de 5%. Existe
dependncia significante entre as variveis.
440
Vamos testar agora a significncia dos quatros exemplos anteriores de

clculo do coeficiente de correlao linear.
Do Exemplo 1:
0,97
t = = 7,98
(1- 0,972) / 6-2
= 6-2 = 4 Valor-p0,01
Valor-p 0,01 ou 1%
Deciso:
441
Do Exemplo 2:
0,95
t = = 7,45
(1- 0,952) / 8-2
= 8-2 = 6 Valor-p0,01
Valor-p 0,01 ou 1%
Deciso:
442
Do Exemplo 3:
0,99
t = = 17,19
(1- 0,992) / 8-2
= 8-2 = 6 Valor-p0,01
Valor-p 0,01 ou 1%
Deciso:
443
Do Exemplo 4:
-0,98
t = = -13,93
(1- (-0,98)2) / 10-2
= 10-2 = 8 Valor-p 0,01

Valor-p 0,01 ou 1%
Deciso:
Existe correlao de X e Y. r= -0,98 significante ao nvel de 5%. Existe
444
Observao:
A distribuio amostral do coeficiente de correlao amostral r, sob a
hiptese nula de o coeficiente de correlao populacional =0, simtrica,
enquanto que, se a hiptese nula for 0, assimtrica.
No primeiro caso, se utiliza uma estatstica que envolve a distribuio t
de Student, como vimos em pargrafos acima, e no segundo caso, se recorre a
uma alternativa desenvolvida por Fisher, a qual d origem a uma estatstica
com distribuio aproximadamente normal, obtida atravs da transformao da
estatstica r numa estatstica , que tem distribuio bastante prxima da
normal, mas foge ao escopo deste livro.
Como alternativa a este ltimo processo, pode-se criar uma distribuio
de amostragem real emprica de estimativas de coeficientes de correlao
atravs de simulaes ou re-amostragem e a partir da construir intervalos de
confiana no paramtricos e testar hipteses para um valor no nulo de ,
baseada nesta estimao intervalar, sem ter que se preocupar com a
normalidade da distribuio de amostragem da estatstica r. Sugere-se, ento,
uma alternativa vivel e prtica para a construo do intervalo de confiana
para ou para o teste de significncia de r.
De maneira operacional e em tempo hbil, graas ao crescente avano
da informtica e a disponibilidade de variados softwares estatstico amigveis,
pode ser realizada com mais freqncia a inferncia para o coeficiente de
correlao linear nos casos em que o valor do coeficiente de correlao linear
populacional testado seja o de no nulidade.
Portanto, prope-se obter via processo de reamostragem, uma
distribuio por amostragem real emprica para a estatstica r e calcular o seu
erro padro, possibilitando assim construir intervalo de confiana e realizar
testes de significncia para o coeficiente de correlao linear referente
hiptese de um valor no nulo.
445
Pressupostos para a Correlao Linear de Pearson
Vimos como calcular o coeficiente de correlao e isso j algo til no

dia a dia do pesquisador. No entanto, no qualquer dado que serve para o
clculo do coeficiente de correlao. Se os dados no so bem comportados,
ento existe uma grande possibilidade de que os resultados no sejam
confiveis. Relaes fracas podem parecer enganosamente fortes ou viceversa. Dados mal-comportados tm que ser tratados com vrios tipos de
transformaes antes de entrar nas frmulas. Os dados devem seguir pelo
menos trs pressupostos:
o Linearidade;
o Estacionaridade.
o Normalidade;
1-Linearidade:
O coeficiente de correlao uma medida de relacionamento entre duas
variveis, sempre supondo que esta relao seja linear. No diagrama de
disperso, a relao linear representada por uma linha reta. Em outras
palavras, uma relao forte e bem definida entre duas variveis, mas em forma
no-linear, por exemplo, quadrtica, vai produzir um r prximo zero, e levar
o pesquisador a decises erradas. Por isso, a relao das variveis deve ser
linearizada antes de entrar no clculo do coeficiente. Para isto basta
transformar uma ou as duas variveis numa maneira apropriada
e o
coeficiente de correlao resultante aumentar em valor, assim como a

estatstica de t seu teste de significncia. Em outras palavras, com uma
transformao das variveis, pode-se tornar uma relao aparentemente fraca
em surpreendentemente forte.
446
Exemplo:
Vejamos os dados do famoso Experimento de Boyle onde se encontra a
famosa lei de correlao linear de Presso(X) e a inversa do Volume(Y):
Presso(X)
29.12
30.56
31.94
33.50
35.31
36.79
39.31
41.12
44.19
46.60
50.31
54.31
58.25
61.31
63.55
66.57
70.00
74.25
77.67
82.75
87.88
93.06
100.44
107.81
117.56
Volume(Y)
48
46
44
42
40
38
36
34
32
30
28
26
24
23
22
21
20
19
18
17
16
15
14
13
12
447
Diagrama de Disperso das Variveis:
Interpretao:
A relao entre presso e volume intrinsecamente no-linear, nas duas
variveis originais sem transformao.
448
Transformaes Linearizveis:
Tradicionalmente, na rea de pesquisa quantitativa, as transformaes
mais usuais que transformam X em W so:
o
X-1
X-2
X-1/2
Exemplo:
Vamos transformar a varivel volume na sua inversa e construir o
diagrama de disperso de volume transformado e presso:
Presso(X)
29.12
30.56
31.94
33.50
35.31
36.79
39.31
41.12
44.19
46.60
50.31
54.31
58.25
61.31
63.55
66.57
70.00
74.25
77.67
82.75
87.88
93.06
100.44
107.81
117.56
Volume Transformado(W)
0.02
0.02
0.02
0.02
0.03
0.03
0.03
0.03
0.03
0.03
0.04
0.04
0.04
0.04
0.05
0.05
0.05
0.05
0.06
0.06
0.06
0.07
0.07
0.08
0.08
449
Diagrama de Disperso com Volume Transformado(W):
Interpretao:
A relao foi linearizada com a transformao da varivel volume. A
transformao que deve ser escolhida ser aquela que resulta em um
coeficiente de correlao mais alto. Com este exemplo, procurou-se mostrar
que muito importante transformar as relaes numa relao linear, antes de
se fazer o clculo do coeficiente de correlao .
450
2-Estacionaridade na Mdia e na Varincia:

Quando o caso de analisar a relao de duas variveis que so sries
temporais,
dados
coletados
ao
longo
do
tempo
em
intervalos
aproximadamente regulares, a estacionaridade dos dados uma condio

importante na anlise estatstica. A estacionaridade se revela quando a srie se
desenvolve no tempo aleatoriamente ao redor de uma mdia constante,
refletindo alguma forma de equilbrio estvel. Todavia, a maior parte das sries
que se encontra na prtica apresenta alguma forma de no-estacionaridade.
Exemplo:
As sries econmicas apresentam em geral tendncias mltiplas ao
longo do tempo.
Observao:
Uma srie pode ser estacionria durante um perodo muito longo, mas
pode ser estacionria em perodos muito curtos, mudando de nvel e/ou
inclinao. Neste ltimo caso, temos o que chamamos de no-estacionaridade
homognea, como mostra a figura abaixo:
451
Y(t)
Exemplo de srie No-estacionria Real:
452
Correlao de Sries Temporais:

As sries temporais tm a tendncia de subir e descer durante longos
perodos de tempo, e se forem comparadas duas sries deste tipo certamente
o coeficiente de correlao ter um valor alto. Mas neste caso, o valor alto no
revela um fato novo, que uma varivel necessariamente relaciona-se com
outra, apenas que as duas sries sobem e descem durante longos perodos e o
coeficiente de correlao est registrando o fato. Isso pode ocorrer em funo
de varias razes, mas a mais comum quando alguma terceira varivel
escondida da viso do pesquisador afeta simultaneamente a duas variveis
sob investigao.
Exemplo 1:
Preo de Compra(X) e Preo de Venda(Y) de uma Mercadoria
praticada em Vinte pocas Sequenciais Distintas
Preo de Compra(X)
Preo de Venda(Y)
(Em R$)
20
22
21
23
24
25
20
40
40
41
43
42
44
45
100
101
102
105
105
103
(Em R$)
50
50
51
50
55
50
51
70
71
70
75
75
71
73
150
152
151
155
150
153
453
O grfico das duas sries est abaixo:
Interpretao:
As duas sries so no-estacionrias. Isso se reflete no coeficiente de
correlao alto, r=0,998. Deveremos verificar se esta forte correlao real ou
fruto da no estacionaridade das variveis.
454
Transformaes Estacionarizveis:
A transformao mais comum consiste em tomar diferenas sucessivas
da srie temporal, at obter-se uma srie estacionria. A primeira diferena de
Y(t) definida por:
Y(t) = Y(t) Y(t 1)
A segunda diferena :
2Y(t) = [Y(t)] = [ Y(t) Y(t 1)]=
2Y(t) = Y(t) 2Y(t 1)] + Z(t 2)=
De modo geral, a n-sima diferena de Y(t) :
nY(t) = [n-1Y(t)]
Em situaes normais, ser suficiente tomar uma ou duas diferenas
para que a srie se torne estacionria.
Observao:
Outra razo para transformar os dados estabilizar a varincia.
comum, em sries econmicas, por exemplo, a existncia de diferentes
tendncias numa mesma srie e pode haver tambm um acrscimo de
varincia da srie medida que o tempo passa. Neste caso, uma
transformao logartima pode ser adequada.
455
Um procedimento usual em sries temporais econmicas considerar:

log Y(t) = log Y(t) log Y(t 1)
Uma classe geral de transformaes que pode ser utilizada a de BoxCox.
Exemplo:
Vamos proceder ao clculo das primeiras diferenas das sries do
exemplo dos preos de compra e venda de uma mercadoria.
Primeiras Diferenas do Preo de Compra(X) e Preo de Venda(Y) de
uma Mercadoria praticada em Vinte pocas Sequenciais Distintas
Tempos
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
X(t)
Y(t)
2
-1
2
1
1
-5
20
0
1
2
-1
2
1
55
1
1
3
0
-2
0
1
-1
5
-5
1
19
1
-1
5
0
-4
2
77
2
-1
4
-5
3
456
O grfico destes valores transformados se encontra abaixo:
Interpretao:
A primeira diferena eliminou a no-estacionaridade das sries e revelou
um coeficiente de correlao menor para as variveis, r=0,972.
No final, a boa aplicao do coeficiente de correlao exige que todos os
momentos das variveis aleatrias sejam constantes, pelo menos a mdia e a
varincia.
457
3-Normalidade:
Dependemos de um teste de significncia para decidir se a correlao
existe ou no. Nesta deciso, necessrio calcular o valor da estatstica t. s
vezes, quem utiliza a ferramenta no se preocupa com a pressuposio bsica
de normalidade das duas variveis. Se os dados no so distribudos
normalmente, ento o teste de significncia com o t no perfeitamente
confivel. O pesquisador pode sofrer o engano de aceitar a existncia de
correlao quando no existe ou vice-versa. Conseqentemente, devemos ver
dois conceitos aqui: um teste para verificar se a varivel tem ou no
normalidade, e se no tiver, temos que procurar alguma transformao da
varivel para resolver o problema e trazer a varivel para a normalidade.
Teste de Normalidade:
Existem vrios testes de normalidade, mas um dos mais simples o
teste chamado de Bera-Jarque. A fundamentao estatstica utilizada como
base do teste de Bera-Jarque dada pela equao:
(MAS)2
(Mk)2
BJ = n [ + ] < 6,0 para normalidade

6
24
Onde:
n= tamanho da amostra
n
MAS = . M3
(n-1)(n-2)
458
Tem-se que:
M3 = [( Xi )3 / S3]
i=1
n(n+1)
3(n-1)2
MK= [ . M4 ] [ ]
(n-1)(n-2)(n-3)
(n-2)(n-3)
Tem-se que:
M4 = [( Xi )4 / S4]
i=1
Observao:
Tanto o MAS quanto o MK
podem ser obtidos automaticamente e
diretamente na planilha eletrnica Excel na funo inserir funo e nas opes

Distoro e na funo Curt para assimetria e curtose respectivamente. A
estatstica de Bera-Jarque no est disponvel diretamente no Excel.
459
Exemplo 1:
Sejam as duas sries abaixo que representam o nvel de satisfao de
clientes usurios da Net com os planos NET TV e NET VIRTUAl. Qual o grau
de correlao entre as variveis?
Grau de Satisfao de Clientes com os Planos NET TV e NET
VIRTUAL da NET
NET TV(X)
1
2
2
2
2
3
3
3
3
3
3
3
3
3
3
4
4
4
4
5
NET VIRTUAl(Y)
1
1
2
2
2
3
3
3
3
3
3
3
3
3
3
4
4
4
5
5
460
Soluo:
Mas, antes, vamos verificar a normalidade por Bera-Jarque.
1 ) Verificando a varivel X:
a)Clculo da Assimetria:
X
1
2
2
2
2
3
3
3
3
3
3
3
3
3
3
4
4
4
4
5
Soma
(X-media)3
-8
-1
-1
-1
-1
0
0
0
0
0
0
0
0
0
0
1
1
1
1
8
0.00
Mdia
S
[(X-media) 3/S3
-10.35
-1.29
-1.29
-1.29
-1.29
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
1.29
1.29
1.29
1.29
10.35
0.00
3
0.92
461
20
MAS = . 0 = 0, distribuio simtrica
(20-1)(20-2)
b)Clculo da Curtose:
X
1
2
2
2
2
3
3
3
3
3
3
3
3
3
3
4
4
4
4
5
Soma
(X-media) 4
16
1
1
1
1
0
0
0
0
0
0
0
0
0
0
1
1
1
1
16
40.00
[(X-media)4/S4
22.56
1.41
1.41
1.41
1.41
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
1.41
1.41
1.41
1.41
22.56
56.41
Mdia
0.92
[(X-media)4/S4
22.56
1.41
1.41
1.41
1.41
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
1.41
1.41
1.41
1.41
22.56
56.40
462
20(20+1)
3(20-1)2
MK= [ . 56,40 ] [ ]
(20-1)(20-2)(20-3)
(20-2)(20-3)
20.21
3(19)2
MK= [ . 56,40 ] [ ]
(19)(18)(17)
420
(18)(17)
3.361
MK= [ . 56,40 ] [ ]
5814
(18)(17)
420
1083
MK= [ . 56,40 ] [ ]
5814
306
MK= 4,08 3,54 = 0,54, distribuio leptocurtica
463
c) Clculo de Bera-Jarques:
(0)2
BJ = 20 [
6
(0,54)2
+ ]
24
(0,54)2
BJ = 20 [ ] = 20 . 0,01 = 0,20 < 6,0, distribuio normal
24
Concluso:
A varivel X tem distribuio normal.
464
2 ) Verificando a varivel Y:
a)Clculo da Assimetria:
Y
1
1
2
2
2
3
3
3
3
3
3
3
3
3
3
4
4
4
5
5
Soma
(Y-media)3
-8
-8
-1
-1
-1
0
0
0
0
0
0
0
0
0
0
1
1
1
8
8
60.00
Mdia
S
[(Y-media) 3/S3
-6.42
-6.42
-0.80
-0.80
-0.80
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.80
0.80
0.80
6.42
6.42
0.00
3
1.08
20
MAS = . 0 = 0, distribuio simtrica
(20-1)(20-2)
465
b)Clculo da Curtose:
Y
1
1
2
2
2
3
3
3
3
3
3
3
3
3
3
4
4
4
5
5
Soma
(Y-media) 4
16
16
1
1
1
0
0
0
0
0
0
0
0
0
0
1
1
1
16
16
70.00
Mdia
S
[(Y-media)4/S4
11.93
11.93
0.75
0.75
0.75
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.75
0.75
0.75
11.93
11.93
52.22
3
1.08
466
20(20+1)
3(20-1)2
MK= [ . 52,22 ] [ ]
(20-1)(20-2)(20-3)
(20-2)(20-3)
20.21
3(19)2
MK= [ . 52,22] [ ]
(19)(18)(17)
420
(18)(17)
3.361
MK= [ . 52,22] [ ]
5814
(18)(17)
420
1083
MK= [ . 52,22] [ ]
5814
306
MK= 3,77 3,54 = 0,23, distribuio leptocurtica
467
c) Clculo de Bera-Jarques:
(0)2
BJ = 20 [
6
(0,23)2
+ ]
24
(0,23)2
BJ = 20 [ ] = 20 . 0,00 = 0,00 < 6,0, distribuio normal
24
Concluso:
A varivel Y tem distribuio normal.
Portanto, com esse pressuposto validado podemos calcular a relao
entre as variveis, que resultou em r=0,96, forte relao entre a satisfao com
a TV por assinatura e a internet da NET.
468
Exemplo 2:
A amostra abaixo se refere ao grau de satisfao de funcionrios de uma
empresa com salrio percebido e emprego, numa escala de 1 a 5.
Grau de Satisfao de Funcionrios com Salrio e Emprego
X(Salrio)
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
3
4
4
5
Y(Emprego)
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
3
4
4
5
Qual o grau de relao entre as variveis?
469
Soluo:
Mas, antes, vamos verificar a normalidade por Bera-Jarque.
1 ) Varivel X:
Efetuando os clculos temos:
MAs
MK
1.46
1.22
A estatstica de Bera-Jarque fica:
(1,46)2
BJ = 20 [
6
(1,22)2
+ ]
24
BJ = 20[0,36+ 0,06] = 20 . 0,42 = 8,4 > 6,0, distribuio no-normal
Concluso:
A varivel X no tem distribuio normal.
470
2 ) Varivel Y:
MAs
MK
1.52
1.31
(1,52)2
BJ = 20 [
6
(1,34)2
+ ]
24
BJ = 20[0,39+ 0,07] = 20 . 0,46 = 9,2 > 6,0, distribuio no-normal
Concluso:
A varivel Y no tem distribuio normal.
471
3 )Transformao Adotada:
Antes de entrar na equao do coeficiente de correlao, as duas
variveis no-normais tero quer ser transformadas em normais. Por exemplo,
quando a varivel no normal, o pesquisador pode buscar uma
transformao como o logaritmo ou a inversa. A varivel transformada talvez
seja normal.
Outras
transformaes
so
disponveis
em
diversos
programas
computacionais, como a transformao de Box-Cox, que no veremos neste

curso.
4 )Transformao dos Dados:
Aplicaremos a transformao logaritmo de base 10 aos dados:
Grau de Satisfao de Funcionrios com Salrio e Emprego

Transformados
Log X(Salrio)
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.30
0.30
0.30
0.30
0.30
0.48
0.60
0.60
0.70
Log Y(Emprego)
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.3
0.3
0.3
0.3
0.5
0.6
0.6
0.70
472
Vamos, agora, verificar a normalidade por Bera-Jarque.
1 ) Varivel Log X:
MAs
MK
0.85
-0.67
(0,85)2
BJ = 20 [
6
(-0,67)2
+ ]
24
BJ = 20[0,12+ 0,02] = 20 . 0,14 = 2,8 < 6,0, distribuio normal
Concluso:
A varivel log. X tem distribuio normal.
473
2 ) Varivel Log Y:
MAs
MK
0.99
-0.48
(0,99)2
BJ = 20 [
6
(-0,48)2
+ ]
24
BJ = 20[0,16+ 0,01] = 20 . 0,17 = 3,4 < 6,0, distribuio normal
Concluso:
A varivel log. Y tem distribuio normal.
474
3) Clculo do Coeficiente de Correlao:

Calcule os coeficiente e correlao de Pearson entre as variveis:
Log X(Salrio)
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.30
0.30
0.30
0.30
0.30
0.48
0.60
0.60
0.70
Log Y(Emprego)
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.3
0.3
0.3
0.3
0.5
0.6
0.6
0.70
0.96
Concluso:
Forte correlao entre as variveis.
475
Correlao de Variveis Ordinais:

Os pesquisadores em administrao frequentemente descobrem que as
respostas para as suas perguntas s podem ser mensuradas com escalas
ordinais ou nominais. Por exemplo, se quisermos verificar se o gnero est
relacionado com o consumo de refrigerantes, temos um problema, pois gnero
uma varivel nominal. Se usssemos o coeficiente de correlao de Pearson
para examinar o consumo de refrigerantes por homens e mulheres e
supusssemos que a medida tem propriedades de variveis quantitativas
contnuas ou de classificao nossos resultados seriam enganosos. Por
exemplo,
uso
de
uma
escala
de
dois
pontos(qualitativa)reduz
substancialmente a quantidade de informaes disponveis e pode resultar em

uma atenuao do verdadeiro coeficiente na populao.
Quando as escalas para coletar dados so nominais ou ordinais, o que o
analista pode fazer? Uma opo utilizar o coeficiente de correlao de ordem
de ranqueamento de Spearman em vez do coeficiente de correlao de
Pearson. O coeficiente de correlao de Spearman tipicamente resulta em um
coeficiente mais baixo, mas considerada uma estatstica mais conservadora.
Exemplo:
A pesquisa sobre os clientes dos restaurantes coletou dados sobre
quatro fatores de escolha de restaurantes. Pediu-se aos clientes que
classificassem os quatro fatores seguintes em termos de sua importncia na
seleo de um restaurante: qualidade da comida, ambiente, preos,
funcionrios. As variveis da amostra iam de X 13 a X16 e eram mensuradas
ordinalmente. O administrador gostaria de saber se as classificaes para a
qualidade da comida esto relacionadas com as classificaes para
ambiente. Uma resposta para esta questo ajudar o administrador a saber
se deve enfatizar a qualidade da comida ou o ambiente em seus comerciais.
Esses dados so ordinais(ranqueamento) e, portanto, a correlao de Pearson
476
no pode ser usada. A correlao de Spearman a adequada para o clculo. A

hiptese nula a de que no existe diferena nos ranqueamentos dos dois
fatores de seleo de restaurantes.
Coeficiente de Spearman:
Se cada uma das variveis X e Y so classificadas em variveis
ordinais, como sendo especificamente classificaes, a correlao entre elas
no pode ser medida pelo Coeficiente de Correlao de Pearson( r ) e sim pelo
Coeficiente de Spearman.
Ao contrrio do coeficiente de correlao de Pearson, no requer a
suposio que a relao entre as variveis linear, nem requer que as
variveis sejam medidas quantitativas. Pode ser usado, ento, para as
variveis medidas no nvel ordinal.
Este coeficiente o mais antigo e tambm o mais conhecido para
calcular o coeficiente de correlao entre variveis mensuradas em nvel
ordinal, chamado tambm de coeficiente de correlao por postos de
Spearman, designado rs.
importante enfatizar que as correlaes ordinais no podem ser
interpretadas da mesma maneira que para variveis medidas em nvel
quantitativo. Inicialmente, no mostram necessariamente tendncia linear, mas
podem ser consideradas como ndices de monotonicidade, ou seja, para
aumentos positivos da correlao, aumentos no valor de X correspondem a
aumentos no valor de Y, e para coeficientes negativos ocorre o oposto.
Seu estimador foi derivado a partir do estimador do coeficiente de
correlao linear de Pearson.
477
Coeficiente de Correlao de Spearman(rs):

O coeficiente de correlao de Spearman( rs) leva em considerao no
os valores das variveis envolvidas, mas os dados dispostos em ordem de
tamanho, importncia ou classificaes.
Os valores das variveis do lugar, neste caso, aos nmeros 1, 2, 3,
4,..., os quais indicam posio, ordem, classificaes, postos ocupados por
cada um dos elementos da amostra em relao aos demais.
Dois ordenamentos assim obtidos de uma amostra de pares ordenados
levaram ao desenvolvimento da frmula:
6. D2
rs = 1 -
n(n2 - 1 )
Onde:
D = a diferena entre cada posto de valor correspondentes de X e Y, e
n = o nmero dos pares dos valores.
Da mesma forma que o coeficiente de correlao r, r s varia no intervalo
de [-1; 1], isto :
-1 rs +1
478
Exemplo 1:
A pesquisa sobre os clientes dos restaurantes coletou dados sobre
classificassem os quatro fatores seguintes em termos de sua importncia na
seleo de um restaurante: qualidade da comida, ambiente, preos,
ordinalmente. O administrador gostaria de saber se as classificaes para a
qualidade da comida esto relacionadas com as classificaes para
ambiente. Uma resposta para esta questo ajudar o administrador a saber
se deve enfatizar a qualidade da comida ou o ambiente em seus comerciais.
Esses dados so ordinais(ranqueamento) e, portanto, a correlao de Pearson
no pode ser usada. A correlao de Spearman a adequada para o clculo. A
hiptese nula a de que no existe diferena nos ranqueamentos dos dois
fatores de seleo de restaurantes. A tabela abaixo apresenta a base de dados
gerada atravs da coleta. Calcule rs e interprete os resultados.
X13-Qualidade da Comida
X14-Ambiente
X15-Preo
X16-Funcionrios
1
1
2
1
1
2
1
1
2
1
3
3
4
3
3
1
3
3
4
2
2
2
1
2
2
3
2
2
1
3
4
4
3
4
4
4
4
4
3
4
Quadro de Clculo de rS:
479
Clientes do
Restaurante
A
B
C
D
E
F
G
H
I
J
Total
Classificao
X13-Qualidade
da Comida
1
1
2
1
1
2
1
1
2
1
Classificao
X14-Ambiente
3
3
4
3
3
1
3
3
4
2
D
-2
-2
-2
-2
-2
1
-2
-2
-2
-1
D2
4
4
4
4
4
1
4
4
4
1
34
6. 34
rs = 1 -
10(102 - 1 )
204
rs = 1 - = 0,79
10(99 )
Forte correlao entre as duas classificaes.
O coeficiente de correlao de Spearman informa uma forte correlao
das variveis, contudo percebe-se que a qualidade da comida o fator mais
importante para escolha do restaurante pelos clientes. Portanto,os clientes que
colocam uma grande importncia na qualidade da comida como fator de
seleo, classificaro o ambiente como fator significativamente menos
importante. Os clientes do restaurante classificam a qualidade da comida como
algo muito importante com muito mais freqncia do que consideram o
ambiente e este deve ser o foco dos comerciais dos restaurantes.
Exemplo 2:
480
Cinco vestibulandos de um mesmo cursinho pr-vestibular foram

observados quanto s suas classificaes num simulado e no vestibular
propriamente dito. Qual o grau de associao entre a classificao no
simulado e no vestibular?
Vestibulandos
Classificao
no Simulado
2
4
5
1
3
A
B
C
D
E
Total
Classificao
no Vestibular
3
4
5
1
2
D2
-1
0
0
0
1
1
0
0
0
1
2
6. 2
rs = 1 -
5(52 - 1 )
12
rs = 1 -
5(24 )
12
rs = 1 -
120
rs = 1 - 0,1 = 0,90
Fortssima correlao entre as duas classificaes: a do simulado e a
do vestibular.
481
Exemplo 3:
Uma empresa de propaganda testou o grau de memorizao
proporcionado por 10 anncios de televiso atravs de dois grupos, um de
homens e o outro de mulheres. Os resultados em termos de classificao
quanto ao grau de memorizao encontram-se na tabela abaixo. Qual grau de
correlao entre a memorizao dos homens e mulheres?
Anncios
A
B
C
D
E
F
G
H
I
J
Total
Classificao
Classificao
D2
dos Homens
8
3
9
2
7
10
4
6
1
5
das Mulheres
9
5
10
1
8
7
3
4
2
6
-1
-2
-1
1
-1
3
1
2
-1
-1
1
4
1
1
1
9
1
4
1
1
24
6. 24
rs = 1 -
10(102 - 1 )
144
rs = 1 - = 0,85
10(99 )
Forte correlao entre as duas classificaes.
Teste de Significncia de rs:
482
Quando a seleo dos elementos que compem a amostra feita de

forma aleatria, a partir de uma populao, possvel determinar se as
variveis em estudo so associadas na populao. Ou seja, possvel testar a
hiptese de que as duas variveis esto associadas na populao. Para
amostras superiores a 10, a significncia de um valor obtido de r s pode ser
verificada atravs de t calculado pelo estimador apresentado a seguir:
n-2
t=
rs
1 - rs2
A expresso acima tem distribuio t-Student com = n-2 graus de

liberdade. A relao entre uma escala contnua e ordinal de monotonicidade e
a transformao monotnica em uma varivel causa pouco efeito sobre os
coeficientes de correlao, razes t e F. Assim, uma varivel medida em nvel
ordinal pode ser tratada como intervalar.
O valorp obtido de maneira anloga ao obtido no teste de
significncia de r. As hipteses testadas so as mesmas para o coeficiente de
correlao de Pearson.
Vamos testar a significncia dos r s calculados nos dois exemplos
anteriores.
483
Do Exemplo 1:
10 - 2
t=
0,79
1 (0,79)2
t = 3,64
= 10-2 = 8 Valor-p 0,05
Valor-p 0,05 ou 5%
Deciso:
O valor-p = 5% rejeita-se H 0. O coeficiente de correlao de Spearman
diferente de zero. Existe correlao de X e Y. rs= 0,79 significante ao nvel de
5%. Existe dependncia significante entre as variveis.
484
Do Exemplo 2:
n-2
t=
rs
1 - rs2
5-2
t=
0,90
1 - (0,90)2
t = 3,58
= 5-2 = 3 Valor-p 0,05
Valor-p 0,05 ou 5%
Deciso:
O valor-p igual ao nvel de significncia de 5% rejeita-se H 0. O
coeficiente de correlao de Spearman diferente de zero. Existe
correlao de X e Y. r s= 0,90 significante ao nvel de 5%. Existe
485
Do Exemplo 3:
10 - 2
t=
0,85
1 (0,85)2
t = 4,56
= 10-2 = 8 Valor-p 0,01
Valor-p 0,01 ou 1%
Deciso:
O valor-p < 5% rejeita-se H 0. O coeficiente de correlao de Spearman
diferente de zero. Existe correlao de X e Y. r s= 0,85 significante ao
nvel de 5%. Existe dependncia significante entre as variveis.
486
Correlao de Variveis Nominais:

Em algumas situaes, as variveis so medidas em nvel nominal ou
por categorias discretas e expressas em forma de freqncias. Nesses casos,
no possvel a utilizao de nenhum dos mtodos vistos anteriormente.
O estimador do coeficiente de correlao entre variveis nominais, o
coeficiente de contingncia C, tambm foi obtido a partir do estimador do
coeficiente linear de Pearson.
Tabela de Contingncia
X
Y
1
a
c
a+c
1
0
Total
Total
0
b
d
b+d
a+b
c+d
n=a+b+c+d
Onde a,b,c e d so as freqncias da tabela de contingncia e n a

soma destas freqncias.
Coeficiente de Contingncia:
Mede o grau de associao entre duas variveis nominais. O coeficiente
de contingncia C pode ser obtido pela expresso abaixo:
(ad-bc)
C =
(a+b)(a+c)(b+d)(c+d)
Da mesma forma que o coeficiente de correlao r, C varia no intervalo
de [-1; 1], isto :
-1 C +1
487
Exemplo 1:
Em uma pesquisa de satisfao, feita junto a clientes de um shopping
foram cruzadas duas variveis da pesquisa: satisfao(Y) e sexo(X). Os
resultados esto na tabela de contingncia abaixo. Qual o grau de relao
entre as variveis? A satisfao depende do sexo?
Y
Masculino(1)
Feminino(0)
Total
X
Satisfeito(1)
1
10
11
Total
Insatisfeito(0)
12
2
14
13
12
25
(ad-bc)
C =
2-120
C =
(13)(11)(14)(12)
-118
C = = -0,76
155
Forte correlao inversa
488
Exemplo 2:
Numa pesquisa sobre lembrana/ imagem do ltimo comercial da marca
de carro WY veiculado na TV aberta foram cruzadas duas perguntas do
questionrio: O modelo de carro WY umas de suas marcas preferidas de
carro? Voc se lembra do ltimo comercial veiculado na TV da marca WY? Os
resultados so apresentados na tabela de contingncia abaixo. Qual o grau de
associao entre as questes?
Marca Preferida?
Sim
No
Total
Lembra?
Sim
23
2
25
Total
No
2
73
75
25
75
100
(ad-bc)
C =
(1679-4)
C =
(25)(25)(75)(75)
1675
C = = 0,89
1875
Forte correlao positiva
489
Teste de Significncia de C:
O coeficiente de contingncia C est relacionado com a distribuio do
qui-quadrado(2) para tabela 2x2, dada pela expresso a seguir:
2
C=
ou
2 = (n)C2
Esta ltima expresso utilizada para o teste de significncia de C com
=1 grau de liberdade. Par obter o valorp basta ir linha 1 do grau de
liberdade e procurar o escore mais prximo do valor de 2. No cabealho da
probabilidade , o valor-p ser duas vezes(a qui-quadrado no uma
distribuio simtrica) a probabilidade associada ao escore mais prximo do
valor do 2. As hiptese testadas so as mesmas para o coeficiente de
correlao de Pearson.
Vamos testar a significncia dos coeficientes de continncia dos
exemplos anteriores:
490
Exemplo 1:
2 = (25)(-0,76)2 = 14,44=1Valor-p = 2x 0,005 = 0,01 ou 1%
Deciso:
1% < 5%, rejeita-se H0. O coeficiente de contingncia diferente de zero.
Existe correlao de X e Y. C= -0,76 significante ao nvel de 5%. Existe
Exemplo 2:
2 = (100)(0,89)2 = 79,21=1Valor-p = 2x 0,005 0,01 ou 1%
Deciso:
1% < 5%, rejeita-se H0. O coeficiente de contingncia diferente de
zero. Existe correlao de X e Y. C=0,89 significante ao nvel de 5%. Existe
491
Correlao entre Varivel Nominal e Ordinal:

Estamos diante da situao de anlise quando uma das variveis (X)
nominal dicotmica e a outra ordinal classificao(Y). O estimador da
correlao entre essas variveis tambm foi obtido a partir do coeficiente de
correlao linear de Pearson.
Coeficiente de Correlao Nominal/Ordinal( rNO):
O coeficiente de correlao para variveis nominal e ordinal obtido a
partir do coeficiente de correlao de Pearson toma a seguinte expresso:
n1
2. Yi - n1(n + 1)
i=1
rNO =
[n1n0(n2 1)]/3
Onde:
rNO = coeficiente de correlao nominal/ordinal
n1
Yi = soma da varivel ordinal Y

i=1
n = nmero total de observaes

n0 = nmero de observaes cuja varivel X assume o valor zero
n1 = nmero de observaes cuja varivel X assume o valor 1
492
Esta expresso especfica para a varivel Y em forma de classificao.

Para medir a correlao de variveis nominal e ordinal em que Y toma a forma
de qualquer varivel ordinal, deve-se usar a frmula do coeficiente de
correlao de Pearson:
(nXY) (XY)
rNO =
[nX2 (X)2]. [nY2 (Y)2]
Exemplo 1:
Numa seleo de motoristas para uma empresa que presta servios
logsticos, anotaram-se os resultados da classificao dos candidatos ao
cargo(Y) segundo sexo(X). Os resultados esto apresentados na tabela abaixo.
Existe relao entre X e Y? Qual o grau de associao entre as variveis?
493
X(Sexo)
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Nota: 1=Homem e 0=Mulher
Y(Classificao)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
494
n1
2. Yi - n1(n + 1)
i=1
rNO =
[n1n0(n2 1)]/3
2. 105 14.(30+1)
rNO =
[14.16(302 1)]/3
210 434
rNO =
[14.16.899]/3
-224
rNO =
[20376]/3
-224
rNO =
67125
-224
rNO = = -0,86
259
Forte Correlao Inversa
495
Exemplo 2:
Em uma empresa 30 funcionrios foram submetidos a um teste de
qualidade na execuo de uma tarefa especfica. Os resultados da prova
possibilitaram a classificao dos empregados(Y). cada colaborador foi
registrado tambm a existncia ou no de treinamento prvio(X). Os dados
constam da tabela abaixo. Existe associao entre estas variveis?
X(Treinamento)
Y(Classificao)
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
1
10
1
11
1
12
1
13
1
14
1
15
1
16
1
17
1
18
0
19
0
20
0
21
0
22
0
23
0
24
0
25
0
26
0
27
0
28
0
29
0
30
Nota: 1=Sim e 0=No
496
n1
2. Yi - n1(n + 1)
i=1
rNO =
[n1n0(n2 1)]/3
2. 171 18.(30+1)
rNO =
[18.12(302 1)]/3
342 558
rNO =
[18.12.899]/3
-216
rNO =
[64728]
-216
rNO = = -0,85
254
497
Exemplo 3:
Trinta funcionrios de empresas variadas foram consultados em como
percebem o clima organizacional das empresas em que trabalham. Duas
questes constaram da pesquisa:
1)Na sua empresa, existem mecanismos sistemticos de promoo?
0-(
)No
1-(
)Sim
2 )Qual o seu grau de satisfao com seu ambiente de trabalho?

1- (
)Muito Insatisfeito
2-(
)Insatisfeito
3-(
)Neutro
4-(
)Satisfeito
5-(
)Muito satisfeito
Os resultados da coleta destas opinies constam da tabela abaixo.

Existe associao entre as variveis?
498
X
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
Y
5
5
4
4
5
3
3
5
3
4
4
5
5
3
4
5
3
4
2
2
1
2
3
2
2
1
2
2
3
2
499
Quadro de Clculo:
(X)
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
18
(Y)
5
5
4
4
5
3
3
5
3
4
4
5
5
3
4
5
3
4
2
2
1
2
3
2
2
1
2
2
3
2
98
XY
5
5
4
4
5
3
3
5
3
4
4
5
5
3
4
5
3
4
0
0
0
0
0
0
0
0
0
0
0
0
74
X2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
18
Y2
25
25
16
16
25
9
9
25
9
16
16
25
25
9
16
25
9
16
4
4
1
4
9
4
4
1
4
4
9
4
368
rNO =
(nXY) (XY)
[nX2 (X)2]. [nY2 (Y)2]
rNO =
(30.74) (18.98)
= 0,82
[30.18 (18)2]. [30.368 (98)2]
500
Teste de Significncia de rNO:

A significncia do coeficiente estimado para amostras com n 30,
poder ser obtida atravs da estatstica Z, como segue:
z = rNOn-1
O valor-p obtido junto tabela da normal padro e seu clculo dado
pela expresso:
Valor-p = 2. P[ Z ou z]
Quando n<30, deve-se realizar o teste t de significncia como ilustrado
para o coeficiente de correlao linear de Pearson e usaremos para obter o
valor-p na linha bicaudal da t-Student a estatstica t = rNOn-1.
Vamos agora testar a significncia dos exemplos anteriores:
Do Exemplo 1:
z = -0,86. n-1 = -0,86 . 29 = -4,63
Valor-p = 2.P(Z -4,63) = 2.(0,5 0,5) = 0,000
Deciso:
A credibilidade da hiptese nula nula, rejeita-se H 0. O coeficiente de
correlao entre as variveis nominal e ordinal diferente de zero. Existe
correlao de X e Y. rN0= -0,86 significante ao nvel de 5%. Existe
501
Do Exemplo 2:
z = -0,85. n-1 = -0,85. 29 = -4,58
Valor-p = P(Z -4,58) = 2.(0,5 0,5) = 0,000
Deciso:
correlao de X e Y. rN0= -0,85 significante ao nvel de 5%. Existe
Do Exemplo 3:
z = 0,82. n-1 = 0,82. 29 = 4,41
Valor-p = 2. P(Z 4,41) = 2.( 0,5 0,5) = 0,000
Deciso:
correlao de X e Y. rN0= 0,82 significante ao nvel de 5%. Existe
502
Correlao entre Varivel Ordinal e Contnua:

Quando se tem uma varivel (X) ordinal e outra (Y) contnua, possvel
estimar o coeficiente de correlao entre uma varivel ordinal e contnua a
partir do estimador do coeficiente de correlao linear populacional de Pearson.
Coeficiente de Correlao Ordinal/Contnua( rOC):
O coeficiente de correlao para variveis ordinal e contnua obtido a
partir do coeficiente de correlao de Pearson toma a seguinte expresso:
. XiYi - (n + 1) . Y
i=1

n
2
rOC =
[ (n2 1)]/12 . SY
Onde:
rOC o coeficiente de correlao entre a varivel ordinal e contnua.
S Y o desvio padro da varivel Y.
n o nmero de observaes da amostra.
503
Esta expresso tambm especfica para a varivel X em forma de

classificao. Para medir a correlao de variveis ordinal e contnua em que X
toma a forma de qualquer varivel ordinal, deve-se usar a frmula do
coeficiente de correlao de Pearson:
(nXY) (XY)
rOc =
[nX2 (X)2]. [nY2 (Y)2]
Exemplo 1:
A classificao dos trinta candidatos ao mestrado de matemtica no
exame de seleo(X) e o coeficiente de rendimento Y(CR) ao final da titulao
constam da tabela abaixo. Existe relao entre as variveis?
504
X
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Y(CR)
9.0
8.0
8.0
7.5
7.0
9.5
9.0
8.5
7.0
7.0
6.0
8.5
8.0
7.5
7.0
7.5
6.0
5.5
5.0
5.0
5.0
6.5
6.0
5.5
5.0
5.0
5.0
5.0
5.0
5.0
505
Temos que:
XY = 2776
Y = 6,7
SY = 1,5
Logo,
n
XiYi - (n + 1) . Y
i=1
rOC =
[ (n2 1)]/12 . SY
. 2776 -
(30 + 1) . 6,7
30
rOC = =
[ (302 1)]/12 . 1,5
92,5 - 103,7
rOC = =
13,0
-11,2
rOC = = -0,86
13,0
506
Teste de Significncia de rOC:

A significncia do coeficiente estimado poder ser obtida atravs de:
n-2
t = roc
1 r2oc
A referida estatstica de teste uma t-Student com = n-2 graus de

liberdade. O valor-p obtido de maneira anloga ao do teste de significncia
do coeficiente de correlao linear de Pearson.
Vamos testar a significncia do coeficiente de correlao do exemplo
anterior:
Do Exemplo anterior:
30-2
t = -0,86
= -8,92
1 (-0,86)2
= 30-2 = 28 Valor-p 0,01

Valor-p 0,01 ou 1%
507
Deciso:
O valor-p < 5% rejeita-se H 0. O coeficiente de correlao diferente de
zero. Existe correlao de X e Y. roc= -0,86 significante ao nvel de 5%.
Existe dependncia significante entre as variveis.
Todos os valores-p calculados junto s distribuies t-Student e quiquadrado pelo mtodo desenvolvido aqui nesta unidade so valores
aproximados, uma vez que esto associados a valores prximos e no exatos
de escores das respectivas distribuies.
Os testes de significncia quando do positivos so indicadores de
existncia de correlao entre as variveis na populao. Portanto, podem ser
usados como testes de independncia de variveis.
Conclui-se que possvel utilizar o coeficiente linear de Pearson para
variveis medidas a nvel contnuo, ordinal e dicotmica, tendo as devidas
precaues na interpretao, ou seja, o quadrado do coeficiente de correlao
no pode ser interpretado como a proporo da varincia comum s duas
variveis, quando envolvem variveis ordinais e dicotmicas. Dentre os fatores
que afetam o coeficiente linear de Pearson, pode-se citar o tamanho da
amostra, principalmente quando pequeno. Assim, apesar da possibilidade da
utilizao do coeficiente linear de Pearson, para as variveis que no so
medidas em nvel quantitativo, h que se atentar para a questo do tamanho
da amostra, das variveis envolvidas na anlise.
508
1)A tabela abaixo informa a quantidade de emprstimos averbados no

contracheque de uma amostra de servidores pblicos federais(X) em
funo da quantidade de refinanciamentos dos mesmos(Y). Construa o
diagrama de disperso, calcule o coeficiente de correlao de Pearson e
teste a sua significncia. Interprete os resultados.
X
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Y
2
4
6
7
12
12
13
16
17
18
22
23
25
26
28
30
30
31
37
38
509
2)A pesquisa sobre os clientes dos restaurantes coletou dados sobre

classificassem os quatro fatores seguintes em termos de sua importncia
na seleo de um restaurante: qualidade da comida, ambiente, preos,
ordinalmente. O administrador gostaria de saber se as classificaes para
a qualidade da comida esto relacionadas com as classificaes para
ambiente. Uma resposta para esta questo ajudar o administrador a
saber se deve enfatizar a qualidade da comida ou o ambiente em seus
comerciais.
Esses dados so ordinais(ranqueamento) e, portanto, a
correlao de Pearson no pode ser usada. A correlao de Spearman

a adequada para o clculo. A hiptese nula a de que no existe
diferena
nos
ranqueamentos
dos
dois
fatores
de
seleo
de
restaurantes. A tabela abaixo apresenta a base de dados gerada atravs

da coleta. Calcule o coeficiente de correlao de Spearman e teste a
significncia entre as variveis X13/X15. Interprete os resultados.
X13-Qualidade da
Comida
1
1
2
1
1
2
1
1
2
1
X14Ambiente
3
3
4
3
3
1
3
3
4
2
X15-Preo
2
2
1
2
2
3
2
2
1
3
X16-Funcionrios
4
4
3
4
4
4
4
4
3
4
510
3)Um administrador de um restaurante tem a hiptese de que o

sexo descrimina os clientes quanto s suas classificaes do
ambiente como fator importante na seleo de um restaurante. O
analista obteve uma amostra de clientes do restaurante e a tabela
abaixo apresenta os resultados da coleta. teste a dependncia
entre as variveis.
X
Feminino(1)
Masculino(0)
Total
Y
Importante(1)
20
10
30
Total
No Importante(0)
10
30
40
30
40
70
511
4)Um administrador levantou o nvel de satisfao dos seus clientes(Nosatisfeito=0 e Satisfeito=1) e a classificao dos mesmos em funo da
frequncia ao
estabelecimento. Os dados esto registrados na tabela
abaixo. Calcule o coeficiente de correlao pertinente e teste a sua

significncia.
X
Y
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
X
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Y
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
5)Uma pesquisa de um restaurante a peso do tipo Fast Food registrou a

classificao dos clientes pela frequncia ao estabelecimento em funo
do peso mdio da refeio consumidas pelos mesmos. O administrador
gostaria de saber se a classificao dos clientes pela frequncia esto
relacionadas com o peso mdio da refeio consumida por eles. Existe
associao entre estas variveis? Teste a independncia das variveis.
X(Classificao)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Y(Gramas)
1000
990
980
960
955
950
920
910
900
890
885
880
860
850
830
825
820
815
810
800
795
790
740
735
700
690
650
600
580
500
OBS: O primeiro colocado em frequncia ao restaurante consume em

mdia 1000 g de refeies por dia no estabelecimento.
513
6)Verifique se as variveis abaixo atendem aos pressupostos para clculo

de correlao linear de Pearson.
Acidentes que Matam

Ano
2002
X(Nmero Total de Mortes

por Acidentes de Transporte
Terrestre no Brasil)
32753
Y(Nmero Total de Mortes por

Acidentes com Motocicletas
no Brasil)
3744
2003
33139
4271
2004
35105
5042
2005
35994
5974
2006
36367
7162
2007
37407
8078
2008
38273
8898
2009
37594
9268
2010
40610
10134
514
7)Verifique se as variveis abaixo so estacionrias e caso contrrio

indique a diferena que deve ser aplicvel para torn-la estacionrias.
ndices de Custo de Vida de Duas Sries Temporais
Tempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
29
X(t)
95.90
96.70
97.80
99.10
100.00
102.20
103.70
104.70
106.00
106.70
107.90
110.40
112.30
114.10
116.10
117.10
117.50
118.90
120.20
Y(t)
71.60
72.50
73.50
74.50
75.20
76.30
76.90
78.10
80.00
80.90
81.70
82.90
84.70
86.30
88.80
90.90
91.50
93.40
94.60
515
8)Verifique se as variveis notas de satisfao com a verso antiga e

verso nova do site de relacionamento Orkut dada por 40 usurios so
normalmente distribudas e, caso contrrio, realize a transformao
logaritmo e conclua sobre a normalidade das variveis transformadas.
Notas de Satisfao com a Verso Antiga e Verso Nova do Site de
Relacionamento Orkut dada por 40 Usurios
X
X
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
2.00
2.00
2.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
3.00
5.00
5.00
10.00
10.00
10.00
10.00
10.00
10.00
10.00
10.00
Y
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
2.00
2.00
2.00
2.00
2.00
3.00
3.00
3.00
3.00
0.48
0.48
0.48
0.48
0.48
0.48
0.48
0.60
0.60
0.60
0.70
0.70
0.90
0.95
0.95
1.00
1.00
1.00
1.00
1.00
516
9)Verifique por Bera-Jarque(BJ) se as duas variveis abaixo, preo do

aluguel e preo do condomnio de 20 residncias atendem ao
pressuposto da normalidade:
X(Preo do Aluguel)
252.20
262.00
356.40
408.10
598.30
616.30
569.20
582.30
653.00
692.00
568.20
468.40
436.20
517.70
594.70
666.40
681.50
656.30
735.50
865.20
Y(Preo do Condomnio)
58.18
56.89
55.78
56.98
58.31
62.42
62.52
61.01
60.40
63.32
70.85
70.74
72.73
87.77
93.85
101.59
103.71
99.31
108.54
123.45
517
10)Dadas s sries abaixo:

X(ICM da Cidade A)
71.60
72.50
73.50
74.50
75.20
76.30
76.90
78.10
80.00
80.90
81.70
82.90
Y(ICM da Cidade B)
50.00
55.00
52.00
55.00
54.00
56.00
100.00
102.00
101.00
105.00
100.00
102.00
a)As sries so estacionrias?

b)As sries X(t), Y(t), 2X(t), 2Y(t) so estacionrias?
518
Unidade IX
Regresso Linear Simples
Conceito de Regresso Linear:

o estabelecimento de uma relao, traduzida por uma equao, que
permite estimar e explicar o valor de uma varivel em funo de outras
variveis.
A anlise de regresso linear , ento, um conjunto de mtodos e
tcnicas para o estabelecimento de uma reta emprica que interprete a relao
funcional entre variveis como boa aproximao.
Conceito de Regresso Linear Simples:

o estabelecimento de uma relao, traduzida por uma equao linear,
que permite estimar e explicar o valor de uma varivel em funo de uma
nica outra varivel. A anlise da regresso linear simples tem como resultado
uma equao matemtica que descreve o relacionamento entre duas variveis.
chamada de regresso linear simples, portanto, porque s envolve uma
nica varivel explicativa num modelo linear.
Finalidades da Anlise de Regresso Linear Simples:

o Estimar o valor de uma varivel com base no valor conhecido de outra;
o Explicar o valor de uma varivel em termos de outra;
o Predizer o valor futuro de uma varivel.
519
Varivel Independente(X):
a varivel explicativa do modelo. com ela que se procura explicar ou
predizer a outra varivel. Tambm chamada de varivel preditora, explicativa
ou exgena.
Varivel Dependente(Y):
a varivel explicada do modelo. a varivel que se procura explicao
atravs da varivel explicativa. A regresso linear tenta reproduzir numa
equao matemtica o modo como o comportamento da varivel dependente
explicada pela varivel independente. Tambm chamada de varivel
desfecho, resposta, explicada ou endgena.
Exemplos:
{Altura(X): Peso(Y)}
{Nmero de dependentes(X); Gastos da famlia(Y)}
{Propaganda(X), Vendas do produto(Y)}
{Quilmetros rodados(X), Consumo de gasolina (Y)}
{Peso da refeio no Fast Food(X); Preo da refeio do Fast
Food(Y)}
{Nota em Clculo(X); Nota em Estatstica(Y)}
{IDH(X); Esperana de vida(Y}
520
Equao de Regresso Linear Simples:
impraticvel conhecer e utilizar todas as variveis que influenciam Y:

pelo desconhecimento da natureza e/ou valores de algumas ou pela dificuldade
de observ-las ou medi-las. Portanto, operacionalmente vivel utilizarmos um
nmero menor de variveis para explicar Y e chamar de e i todas as variveis
que no conseguimos colocar no modelo, isto , que no conseguimos
controlar. Esta varivel chamada de erro e sua estimativa denominada de
resduo, tal como na anlise da varincia.
Na anlise de regresso linear simples, a explicao da varivel
resposta pode se escrita na forma de um modelo:
Resposta = valor mdio de Y + erro
O modelo indica que a resposta de uma varivel explicada dada pelo
valor mdio de Y acrescida de uma quantidade, que os estatsticos chamam de
erro.
A anlise de regresso linear simples de um conjunto de dados exige,
assim como a anlise da varincia, que sejam feitas algumas pressuposies
sobres os erros, sem as quais os resultados das anlises no so vlidos. As
pressuposies so:
o Ausncia de pontos discrepantes;
o Erros independentes;
o Varincia constante;
o Distribuio dos erros normalmente distribudos.
521
Vamos falar dos pressupostos bsicos da anlise da regresso com

mais detalhes na sesso Pressupostos Bsicos.
O modelo linear simples o que contem uma nica varivel
independente. Logo, podemos escrever o modelo de regresso linear simples
da seguinte maneira:
Resposta = valor mdio de Y + erro

Resposta = reta de regresso + erro
Y = + X + erro
Y = + X + e
Os coeficientes do modelo so e , isto , os parmetros a serem
estimados. O valor de , coeficiente angular da reta, chamado de coeficiente
de regresso e indica em termos absolutos a importncia ou o peso que a
varivel explicativa X tem como preditora de Y: cada incremento de uma
unidade em X provoca um aumento ou diminuio igual ao coeficiente de
regresso em Y.
Exemplo:
Vamos supor que uma estimativa de um modelo que explique Y seja:
Y^ = 2 + 2X
X=1 Y^ = 4
X=2 Y^ = 6
X=3 Y^= 8
X=4 Y^= 10
E assim por diante...
522
Fases da Regresso Linear Simples:

1)Sempre iniciar com um grfico de disperso para observar a possvel
relao entre X e Y, calcular o coeficnete de correlao de Pearson para
confirmar a inspeo grfica e realizar o seu teste de significncia;
2)Estimar os valores dos coeficiente da linha de regresso, se a
correlao linear for aceitvel;
3)Calcular o coeficiente de explicao do modelo;
4)Realizar os testes de exitncia de regresso linear, inclusive o do
coeficiente de regresso;
5)Verificar a violao dos pressupostos bsicos e caso haja algum tomar
as providncias cabveis;
6)Se a avaliao feita nos item acima no indicar violao nos
pressupostos, ento podem-se considerar os aspectos de inferncia da
anlise de regresso e explicar a varivel dependente pela varivel
independente e fazer previses.
Estimao dos Parmetros do Modelo de Regresso Linear Simples:
A estimao consiste em estimar os valores dos parmetros e
atravs do mtodo dos mnimos quadrados.
Exemplo:
O modelo linear da forma:
Y = + X + e
Para estimar utilizaremos o estimador a e para estimar o estimador
b. Ser necessrio estimar aas estatsticas a e b a partir de n pares de
523
observaes(X; Y). Dessa forma utilizaremos como estimativa da linha de

regresso:
Y^ = a + bX
Onde, Y^(l-se Y chapu) ser o estimador de Y.
Visualizao do Erro no Diagrama de Disperso:
e3
524
e3
e6
Para determinao dos estimadores do modelo de regresso, existem

vrios mtodos, dos quais se sobressai o Mtodo dos Mnimos Quadrados.
Ele tem por objetivo obter a e b de modo que a soma da diferena ao quadrado
entre o valor real de Y e o estimado, Y^, seja mnimo:
Min (Y Y^)2 = Min (e)2
Substituindo Y^ = a + bX na expresso acima e chamando-a de S:
S= Min (Y a - bX )2
Como o mtodo dos mnimos quadrados consiste em determinar valores
de a e b de modo que a soma dos quadrados dos erros seja mnima,
525
deveremos ter as derivadas parciais de S em relao aos estimadores a e b

iguais a zero:
S
= -2(Y a - bX ) = 0
a
S
= -2X(Y a - bX ) = 0
b
Dessa forma, obtemos o sistema de equaes seguintes
Y = na + b X
XY = aX + b X2
526
Resolvendo o sistema de equaes acima, encontramos as expresses

dos estimadores a e b:
XY -
XY
b =
X2 -
(X)2
a= Y
b.X
Onde:
= (X)/n
= (Y)/n
527
Observaes:
o A previso da varivel dependente resultar sempre em um valor
mdio. Em analogia mdia aritmtica, a linha de regresso
uma Mdia dos valores de Y para cada valor de X. A relao
entre X e Y mdia;
o Quando fazemos previso no obteremos para um dado valor de
Y, necessariamente, um valor exato e sim um valor mdio quando
a varivel independente assume um dado valor X;
o Para fazermos previso a cerca da varivel dependente Y, no
devemos utilizar valores da varivel
independente X que
extrapolem o intervalo de valores utilizados no modelo de

regresso, porque a linha de regresso s vale para o domnio de
X utilizado.
528
Exemplo 1:
Um jornal quer verificar a eficcia de seus anncios na venda de carros
usados. A tabela abaixo mostra o nmero de anncios e o correspondente
nmero de carros vendidos por 6 companhias que usaram apenas este jornal
como veculo de propaganda. Obtenha a equao de regresso linear simples.
Qual a previso do nmero de carros vendidos para um volume de 70
anncios?
Companhia
A
B
C
D
E
F
Total
Anncios(X)
74
45
48
36
27
16
246
Carros Vendidos(Y)
139
108
98
76
62
57
540
Quadro de Clculo:
A
74
B
45
C
48
D
36
E
27
F
16
Total
246
Carros
Vendidos(Y)
139
108
98
76
62
57
540
XY
10286
4860
4704
2736
1674
912
25172
X2
5476
2025
2304
1296
729
256
12086
Y2
19321
11664
9604
5776
3844
3249
53458
529
XY -
XY
b =
X2 -
(X)2
25172 - 246.540
6
b = = 1,5
(246)2
12086 -
Y = (540)/6 = 90 e X = (246)/6 = 41
a= Y
b . X = 90 1,5.41 = 28,5
Logo a linha de regresso :

Y^= 28,5 + 1,5 X
Previso : Y^= 28,5 + 1,5 . 70 = 134. Em mdia 134 carros vendidos.
530
Exemplo 2:
A indstria MIMI vende um remdio para combater resfriado. Aps dois
anos de operao, ela coletou as seguintes informaes trimestrais. Obtenha a
equao de regresso linear simples.
Trimestres
1
2
3
4
5
6
7
8
Total
Despesas(X)
11
5
3
9
12
6
5
9
60
Vendas(Y)
25
13
8
20
25
12
10
15
128
XY
275
65
24
180
300
72
50
135
1101
X2
121
25
9
81
144
36
25
81
522
Y2
625
169
64
400
625
144
100
225
2352
531
XY -
XY
b =
X2 -
(X)2
1101 -
60.128
b = = 2,0
(60)2
522 -
Y = (128)/8 = 16 e X = (60)/8 = 7,5
a= Y
b . X = 16 2,0.7,5 = 1,0

Y^= 1,0 + 2,0 X
532
Exemplo 3:
O faturamento de uma loja durante o perodo de janeiro a agosto de
2010 dado a seguir em milhares de reais. Obtenha a equao de regresso
linear simples.Qual a previso do faturamento para setembro deste ano?
Meses
JAN
FEV
MR
ABR
MAI
JUN
JUL
AGO
Total
(X)
1
2
3
4
5
6
7
8
36
Faturamento(Y)
20
22
23
26
28
29
32
36
216
XY
20
44
69
104
140
174
224
288
1063
X2
1
4
9
16
25
36
49
64
204
Y2
400
484
529
676
784
841
1024
1296
6034
533
XY -
XY
b =
X2 -
(X)2
1063 -
36.216
b = = 2,17
(36)2
204 -
Y = (216)/8 = 27 e X = (36)/8 = 4,5
a= Y
b . X = 27 2,17.4,5 = 17,24

Y^= 17,24 + 2,17 X
Previso: Y^= 17,24 + 2,17.9 = 36,77 mil reais em mdia.
534
Exemplo 4:
Em um presdio de uma cidade foram coletados dados sobre dias de
frias de servidores em funo de licenas solicitadas por stress. Obtenha a
equao de regresso linear simples
Funcionrio
A
B
C
D
E
F
G
H
I
J
Total
Dias de
Frias(X)
20
18
16
14
12
10
8
6
4
2
110

10
15
17
21
35
32
39
42
55
60
326
XY
200
270
272
294
420
320
312
252
220
120
2680
X2
400
324
256
196
144
100
64
36
16
4
1540
Y2
100
225
289
441
1225
1024
1521
1764
3025
3600
13214
535
XY -
XY
b =
X2 -
(X)2
2680 -
110.326
10
b = = -2,7
(110)2
1540 -
10
Y = (326)/10 = 32,6 e X = (110)/10 = 11,0
a= Y
b . X = 32,6 + 2,7.11 = 62,3

Y^= 62,3 - 2,7 X
Observao: As
estimativas
dos parmetros
de
regresso
se
apresentam nos exemplos acima como valores aproximados tendo em vista os

arredondamentos realizados.
536
Coeficiente de Explicao ou de Determinao (R 2):

uma medida estatstica que tem o objetivo de informar, em termos
percentuais, o quanto a varivel independente X, includa no modelo, contribui
para o comportamento da varivel dependente Y. Se a varivel independente X
tem uma taxa de explicao satisfatria, isso significa que o modelo que se
criou para explicar X adequado. Portanto, o coeficiente de determinao um
indicador utilizado para verificar se o modelo adotado para explicar Y bom.
Tal coeficiente definido por:
Variao Explicada
VE
R2 = = =
Variao Total
VT
b. SXY
R2 = . 100
SYY
Onde:
SXY =
XY -
XY
SYY =
Y2 -
(Y)2
537
O intervalo de variao do R2 :
0R21
Observe que:
a)Se R2= 0 o modelo adotado no explica nada a realidade
a)Se R2= 1 o modelo adotado explica a realidade com perfeio
Portanto, quanto mais VE se aproxima de VT, mais nos aproximamos a
realidade. Assim, quanto maior o coeficiente de explicao, melhor o modelo
adotado.
Observao:
Pode-se provar que o valor da raiz quadrada do coeficiente de
explicao o Coeficiente de Correlao de Pearson. Logo, o coeficiente de
explicao o quadrado do Coeficiente de Correlao de Pearson.
Interpretao:
O coeficiente de explicao indica em porcentagem o quanto X explica
Y, isto , a porcentagem do poder de explicao das variaes de Y pelo
modelo adotado.
538
Exemplo 1:

como veculo de propaganda. Existe relao linear entre as variveis? Calcule
o coeficiente de explicao do modelo e interprete o resultado.
Companhia
A
B
C
D
E
F
Total
Anncios(X)
74
45
48
36
27
16
246
Carros Vendidos(Y)
139
108
98
76
62
57
540
Coeficiente de Correlao r:
Carros
A
74
B
45
C
48
D
36
E
27
F
16
Total
246
Vendidos(Y)
139
108
98
76
62
57
540
XY
10286
4860
4704
2736
1674
912
25172
X2
5476
2025
2304
1296
729
256
12086
Y2
19321
11664
9604
5776
3844
3249
53458
(nXY) (X)(Y)
r=
[nX2 (X)2]. [nY2 (Y)2]
539
(6.25172) (246).(540)
r=
[6.12086 (246)2]. [6.53458 (540)2]
r= (18192)/(18702) = 0,97 R2 = 0,94 ou 94%

Interpretao:
O nmero de carros vendidos explicado 94% pela varivel anncio.
Exemplo 2:
540
A indstria MIMI vende um remdio para combater resfriado. Aps dois

anos de operao, ela coletou as seguintes informaes trimestrais. Qual o
grau da relao entre as vendas do remdio e as despesas com propaganda?
Calcule o coeficiente de explicao do modelo e interprete o resultado.
Trimestres
1
2
3
4
5
6
7
8
Total
Despesas(X)
11
5
3
9
12
6
5
9
60
Vendas(Y)
25
13
8
20
25
12
10
15
128
XY
275
65
24
180
300
72
50
135
1101
X2
121
25
9
81
144
36
25
81
522
Y2
625
169
64
400
625
144
100
225
2352
(nXY) (XY)
r=
[nX2 (X)2]. [nY2 (Y)2]

(8.1101) (60)(128)
r=
[8.522 (60)2]. [8.2352 (128)2]
r= (1120)/(1184) = 0,95 R2 = 0,90 ou 90%
Interpretao:
As vendas so explicadas 90% pelas despesas.
541
Exemplo 3:
O faturamento de uma loja durante o perodo de janeiro a agosto de
2010 dado a seguir em milhares de reais. Calcule o coeficiente de explicao
do modelo e interprete o resultado.
Meses
JAN
FEV
MR
ABR
MAI
JUN
JUL
AGO
Total
(X)
1
2
3
4
5
6
7
8
36
Faturamento(Y)
20
22
23
26
28
29
32
36
216
XY
20
44
69
104
140
174
224
288
1063
X2
1
4
9
16
25
36
49
64
204
Y2
400
484
529
676
784
841
1024
1296
6034
(nXY) (XY)
r=
[nX2 (X)2]. [nY2 (Y)2]

(8.1063) (36)(216)
r=
[8.204 (36)2]. [8.6034 (216)2]
r = 0,99 , logo: R2 = 0,98 ou 98%

Interpretao:
O modelo linear em funo do tempo explica 98% da tendncia mensal
do faturamento da loja.
542
Exemplo 4:
Em um presdio de uma cidade foram coletados dados sobre dias de
frias de servidores em funo de licenas solicitadas por stress. Qual o
sentido da associao entre as variveis? Calcule o coeficiente de explicao
do modelo e interprete o resultado.
Funcionrio
A
B
C
D
E
F
G
H
I
J
Total
Dias de
Frias(X)
20
18
16
14
12
10
8
6
4
2
110

10
15
17
21
35
32
39
42
55
60
326
XY
200
270
272
294
420
320
312
252
220
120
2680
X2
400
324
256
196
144
100
64
36
16
4
1540
Y2
100
225
289
441
1225
1024
1521
1764
3025
3600
13214
(nXY) (XY)
r=
[nX2 (X)2]. [nY2 (Y)2]

(10.2680) (110)(326)
r=
[10.1540 (110)2]. [10.13214 (326)2]
r = -0,98 R2 = (-0,98)2 = 0,96 ou 96%
543
Interpretao:
As licenas por stress so explicadas 96% pelos dias de frias tirados
pelos servidores.
Testes de Significncia da Existncia de Regresso Linear Simples
ou Teste da Significncia do Coeficiente de Explicao(R 2):
Ajustar uma reta a valores observados de duas variveis sempre
possvel, por pior que seja a dependncia linear entre essas variveis.
Entretanto, a priori, no podemos garantir que existe de fato regresso linear
entre as variveis na populao. Estamos com uma amostra de pares de
valores e a dependncia revelada na amostra pode ser fruto de erro-amostral.
Para testar a existncia de regresso linear na populao das variveis
X e Y atravs da amostra dos pares (X ; Y) , podemos utilizar o Teste F atravs
da Anlise da Varincia, adaptada ao caso de anlise de regresso linear.
O modelo de regresso linear dado por:
Y = + X + e
Pode-se decompor o modelo de regresso linear em duas partes:
1 Parte: + X variao explicada(VE)
2 Parte: e
variao residual(VR)
A variao total de Y dada pelo prprio modelo Y = + X + e ou pela

soma das duas componentes:
VT = VE + VR
544
Se VE foi significativamente maior do que VR, existe regresso linear

entre as variveis X e Y. Caso contrrio, no existe regresso linear entre as
variveis .
Para se verificar se VE significativamente maior do que VR, a ANOVA
utiliza da relao:
VE
F =
VR
Para testar a significncia da regresso linear necessrio testar a
significncia da estimativa b e para isso testamos as seguintes hipteses:
H0 : = 0
H1 ; 0
Portanto, se a relao entre as variveis do modelo de regresso
significativa, possvel predizer os valores da varivel dependente, com base
nos valores da varivel independente
545
O quadro da ANOVA adaptada ao teste de significncia da linha de

regresso fica:
Fonte de
Soma dos
Graus de
Variao
Quadrados
Liberdade
Quadrado Mdio
Explicada
SQE = b . SXY
QME = b.SXY
Residual
SQR =SYY-bSXY
n-2
QMR = (SQR)/(n-2)
Total
SQT = SYY
n-1
Teste F
F=QME/QMR
Deciso da ANOVA:
Calcular o Valor-p com base na Tabela 6 - V a l o r - p p o r v a l o r e s
d e F , que est anexa.
Deciso: se o valor-p , rejeitar H0.
546
Exemplo 1:
como veculo de propaganda. Teste a existncia da regresso pela ANOVA.
Companhia
A
B
C
D
E
F
Total
Anncios(X)
74
45
48
36
27
16
246
Carros Vendidos(Y)
139
108
98
76
62
57
540
Quadro de Clculo:
A
74
B
45
C
48
D
36
E
27
F
16
Total
246
Carros
Vendidos(Y)
139
108
98
76
62
57
540
XY
10286
4860
4704
2736
1674
912
25172
X2
5476
2025
2304
1296
729
256
12086
Y2
19321
11664
9604
5776
3844
3249
53458
b = 1,5
SXY = 25172 - 246.540
= 3032
6
SYY =
53458 -
(540)2
= 4858
547
Quadro da ANOVA:
Tirar o negrito do que est em vermelho
Fonte de
Soma dos
Graus de
Quadrado
Variao
Quadrados
Liberdade
Mdio
Explicada
SQE= 1,5 .
QME = 4548
Teste F
3032 =4548
F=4548/77,5=
Residual
SQR =4858-
6-2 = 4
4548 = 310
Total
SQT = 4858
QMR = 310/4 =
58,68
77,5
6-1= 5
548
Consultando a Tabela 6 para 1=1 e 2=4 valor-p 0,001

Deciso:
O valor-p< 0,05, rejeita-se H0. 0. b=1,5 significante. A
regresso existe entre X e Y.
Exemplo 2:
A indstria MIMI vende um remdio para combater resfriado.
Aps dois anos de operao, ela coletou as seguintes informaes
trimestrais. Qual o grau da relao entre as vendas do remdio e as
despesas com propaganda? Teste a existncia da regresso pela
ANOVA
Trimestres
1
2
3
4
5
6
7
8
Total
Despesas(X)
11
5
3
9
12
6
5
9
60
Vendas(Y)
25
13
8
20
25
12
10
15
128
XY
275
65
24
180
300
72
50
135
1101
X2
121
25
9
81
144
36
25
81
522
Y2
625
169
64
400
625
144
100
225
2352
b = 2,0
SXY = 1101 -
60.128
= 141
549
SYY = 2352 -
(128)2
= 304
8
Quadro da ANOVA:
Fonte de
Soma dos
Graus de
Variao
Quadrados
Liberdade
Explicada
SQE = 2,0 . 141
Quadrado Mdio
Teste F
QME = 282
= 282
F=282/3,7=
Residual
SQR =304-282
8-2 = 6
QMR = 22/6 = 3,7
8-1= 7
76,2
= 22
Total
SQT = 304
550
Deciso:
O valor-p< 0,05, rejeita-se H0. 0. b= 2,0 significante. A
Exemplo 3:
O faturamento de uma loja durante o perodo de janeiro a
agosto de 2010 dado a seguir em milhares de reais. Teste a
existncia da regresso pela ANOVA
Meses
JAN
FEV
MR
ABR
MAI
JUN
JUL
AGO
Total
(X)
1
2
3
4
5
6
7
8
36
Faturamento(Y)
20
22
23
26
28
29
32
36
216
XY
20
44
69
104
140
174
224
288
1063
X2
1
4
9
16
25
36
49
64
204
Y2
400
484
529
676
784
841
1024
1296
6034
b = 2,17
SXY = 1063 -
36.216
= 91
8
SYY = 6034 -
(216)2
= 202
551
Quadro da ANOVA:
Fonte de
Soma dos
Graus de
Quadrado
Variao
Quadrados
Liberdade
Mdio
Explicada
SQE = 2,17 .
QME =
91 = 197,47
Teste F
197,47
F=197,47/0,76=
Residual
Total
SQR =202-
8-2 = 6
QMR =
197,47 =
4,53/6 =
4,53
0,76
SQT = 202
8-1= 7
259,83

Deciso:
O valor-p< 0,05, rejeita-se H 0. 0. b= 2,17 significante. A
552
Exemplo 4 :
Em um presdio de uma cidade foram coletados dados sobre
dias de frias de servidores em funo de licenas solicitadas por
stress. Teste a existncia da regresso pela ANOVA.
Funcionrio
A
B
C
D
E
F
G
H
I
J
Total
Dias de
Frias(X)
20
18
16
14
12
10
8
6
4
2
110

10
15
17
21
35
32
39
42
55
60
326
XY
200
270
272
294
420
320
312
252
220
120
2680
X2
400
324
256
196
144
100
64
36
16
4
1540
Y2
100
225
289
441
1225
1024
1521
1764
3025
3600
13214
b = -2,7
SXY = 2680 -
110.326
= -906
10
SYY = 13214 -
(326)2
= 2586,4
10
553
Quadro da ANOVA:
Fonte de
Soma dos
Graus de
Quadrado
Variao
Quadrados
Liberdade
Mdio
Explicada
SQE = -2,7 -906
QME = 2446,2
Teste F
= 2446,2
F=2446,2/17,5=
Residual
SQR =2586,4-
10-2 = 8
2446,2 = 140,2
Total
SQT = 2586,4
QMR = 140,2/8
139,8
= 17,5
8-1= 7

Deciso:
O valor-p< 0,05, rejeita-se H0. 0. b= -2,7 significante. A
554
Teste da Significncia do Coeficiente de Regresso(b)- Teste

de Wald:
Aps a estimao do coeficiente de regresso deve-se proceder
investigao da significncia estatstica do mesmo. O teste de Wald
utilizado para avaliar se o coeficiente de regresso estatisticamente
significante. A estatstica teste utilizada obtida atravs da razo do
coeficiente pelo seu respectivo erro padro. Esta estatstica teste tem
distribuio t-Student, com =n-2 graus de liberdade, sendo seu valor
comparado com valores tabulados de acordo com o nvel de
significncia definido. A estatstica teste, para avaliar se o parmetro b
igual a zero, assim especificada:
Estatstica de Wald:
b
W =
EP( b)
Onde:
QMR
EP(b) =
SXX
SYY b.SXY
QMR =
n-2
SXX =
X2 -
(X)2
555
O valor-p obtido junto tabela T-Student com =n-2, como

procedemos comumente em unidades anteriores. O critrio de deciso
anlogo aos testes de significncia que j estudamos.
Um coeficiente de regresso no significante um indicador
forte de que a varivel independente inserida no modelo de regresso
no explica o comportamento da varivel dependente. A idia que ela
seja substituda por outra varivel explicativa.
O teste de Wald, todavia, freqentemente, aceita a hiptese de
que o coeficiente no significante, quando significante(Erro do Tipo
II). Sendo assim, aconselha-se que os coeficientes, identificados pelo
Teste de Wald como sendo estatisticamente no significantes, sejam
testados novamente pelo teste da razo de verossimilhana, que no
visto neste livro, mas que pode ser consultado na bibliografia sobre o
assunto.
Exemplo 1:
Um jornal quer verificar a eficcia de seus anncios na venda de
carros usados. A tabela abaixo mostra o nmero de anncios e o
correspondente nmero de carros vendidos por 6 companhias que
usaram apenas este jornal como veculo de propaganda. Teste a
significncia do coeficiente de regresso.
Quadro de Clculo:
Carros
A
74
B
45
C
48
D
36
E
27
F
16
Total
246
Vendidos(Y)
139
108
98
76
62
57
540
XY
10286
4860
4704
2736
1674
912
25172
X2
5476
2025
2304
1296
729
256
12086
Y2
19321
11664
9604
5776
3844
3249
53458
556
b = 1,5
QMR = 77,5
QMR = 77,5 = 8,80
SXX =
X2 -
(X)2
SXX =
(246)2
12086 -
= 2000
6
QMR
EP(b) =
SXX
8,80
EP(b) = = 0,20
2000
b
W =
EP( b)
1,5
W = = 7,5
0,20
Consultando a Tabela 2 com = 6-2 = 4 valor=p 0,01
557
Deciso:
O valor p < 0,05, rejeita-se H o. O coeficiente de regresso
b=1,5 significante. A varivel independente explica a varivel
dependente.
Exemplo 2:
A indstria MIMI vende um remdio para combater resfriado.
Aps dois anos de operao, ela coletou as seguintes informaes
trimestrais. Qual o grau da relao entre as vendas do remdio e as
despesas com propaganda? Teste a significncia do coeficiente de
regresso.
Trimestres
1
2
3
4
5
6
7
8
Total
Despesas(X)
11
5
3
9
12
6
5
9
60
Vendas(Y)
25
13
8
20
25
12
10
15
128
XY
275
65
24
180
300
72
50
135
1101
X2
121
25
9
81
144
36
25
81
522
Y2
625
169
64
400
625
144
100
225
2352
b = 2,0
QMR = 3,7
QMR = 3,7 = 1,92
SXX =
X2 -
(X)2
558
SXX =
(60)2
522 -
= 72
8
QMR
EP(b) =
SXX
1,92
EP(b) = = 0,23
72
b
W =
EP( b)
2,0
W = = 8,7
0,23
Consultando a Tabela 2 com = 8-2 = 6valor=p 0,01
Deciso:
dependente.
559
Exemplo 3:
O faturamento de uma loja durante o perodo de janeiro a
agosto de 2010 dado a seguir em milhares de reais. Teste a
significncia do coeficiente de regresso.
Meses
JAN
FEV
MR
ABR
MAI
JUN
JUL
AGO
Total
(X)
1
2
3
4
5
6
7
8
36
Faturamento(Y)
20
22
23
26
28
29
32
36
216
XY
20
44
69
104
140
174
224
288
1063
X2
1
4
9
16
25
36
49
64
204
Y2
400
484
529
676
784
841
1024
1296
6034
b = 2,17
QMR = 0,76
QMR = 0,76 = 0,87
SXX =
X2 -
(X)2
SXX =
204 -
(36)2
= 42
8
QMR
EP(b) =
SXX
560
0,87
EP(b) = = 0,13
42
b
W =
EP( b)
2,17
W = = 16,69
0,13
Deciso:
dependente.
561
Exemplo 4 :
Em um presdio de uma cidade foram coletados dados sobre
dias de frias de servidores em funo de licenas solicitadas por
stress. Teste a significncia do coeficiente de regresso.
Funcionrio
A
B
Dias de
Frias(X)
20
18

10
15
XY
200
270
X2
400
324
Y2
100
225
C
D
E
F
G
H
I
J
Total
16
14
12
10
8
6
4
2
110
17
21
35
32
39
42
55
60
326
272
294
420
320
312
252
220
120
2680
256
196
144
100
64
36
16
4
1540
289
441
1225
1024
1521
1764
3025
3600
13214
b = -2,7
QMR = 17,5
QMR = 17,5 = 4,18
SXX =
X2 -
(X)2
SXX =
1540 -
(110)2
= 330
10
562
QMR
EP(b) =
SXX
4,18
EP(b) = = 0,23
330
b
W =
EP( b)
- 2,70
W = = -11,74
0,23
Deciso:
O valor p < 0,05, rejeita-se H o. O coeficiente de regresso b=2,70 significante. A varivel independente explica a varivel
dependente.
563
Validao das Pressuposies Bsicas:

A anlise da regresso linear simples exige que algumas
pressuposies sobre os erros sejam satisfeitas, sem as quais os
resultados dos testes de significncia no so confiveis.
Os pressupostos bsicos da anlise da regresso so:
o Ausncia de pontos discrepantes;
o Erros independentes;
o Varincia constante;
o Distribuio dos erros normalmente distribudos.
Anlise dos Resduos e Verificao dos Pressupostos Bsicos da
Regresso:
O ajuste de modelos a um conjunto de dados muito til para
analisar, interpretar e fazer previses sobre questes de interesse de
pesquisadores.
O desenvolvimento desses modelos exige uma srie de
pressupostos para o fenmeno e uma boa modelagem no estaria
completa sem uma adequada investigao da veracidade das
mesmas. J sabemos que para que todos os testes estatsticos vistos
anteriormente tenham plena validade preciso que o modelo de
regresso sob anlise siga os pressupostos bsicos referentes
regresso.
A existncia e consequente detectao da transgresso de
algumas das suposies permite evitar o emprego de modelo pobres,
de pouca utilidade e que acarretam baixa confiabilidade nos seus
resultados.
564
Uma das maneiras de investigar o problema estudando o

comportamento do modelo no conjunto de dados observados,
principalmente as discrepncias entre os valores observados e os
valores ajustados, ou seja, pela "Anlise dos Resduos".
Tecnicamente, para cada observao, temos associado o resduo
e, a diferena entre o valor observado Y e o estimado de Y^, isto :
e = Y Y^
A ideia estudar o comportamento conjunto e individual dos
resduos, cotejando-os com as suposies feitas sobre os erros.
As estimativas dos erros recebem o nome de resduos. o
estudo dessas estimativas, ou seja, a anlise dos resduos que
ajuda verificar se a anlise da regresso linear simples feita
aceitvel.
Uma das maneiras mais usadas para anlise dos resduos a
representao grficas bidimensional dos mesmos, usando a varivel
auxiliar X como uma das componentes do par. A anlise de resduos
investiga a nuvem de disperso gerada pelo conjunto de pontos : ( X : e ) e
investiga a violao dos prespostos bsicos .
Nos pargrafos seguintes,
apresentaremos como
verificar se os
pressupostos bsicos da anlise de regresso esto sendo atendidos. Esta

verificao pode passar pela anlise grfica e/ou testes de estatsticos.
565
Ausncia de Dados Discrepantes(Outlier):

Dados discrepante( outlier ) um valor muito maior ou muito
menor do que o valor esperado. Pode-se verificar outliers no prprio
grfico de resduos.
O valor discrepante fica mais visvel se for desenhado um
grfico
com
resduos
padronizados
em
lugar
dos
resduos
propriamente ditos.
Para obter os resduos padronizados(epi), basta dividir os
resduos pela raiz quadrada do quadrado mdio dos resduo(QMR) da
anlise da varincia para a regresso.
A expresso dos resduos padronizados fica ento:
epi = ei /QMR
Exemplo :
Um analista pesquisou uma amostra de 30 pessoas que haviam
comprado relgios de pulso de particulares e revendidos a outras
pessoas. O preo de compra X e o preo de revenda, Y. Os dados
esto apresentados abaixo. Faa a anlise de outlier dos dados.
566
X(R$)
Y(R$)
10
12
20
21
30
26
40
32
50
35
60
40
70
45
80
54
90
55
100
60
110
70
120
71
130
81
140
82
150
85
160
93
170
95
180
98
190
100
200
110
210
115
220
120
230
125
240
133
250
135
260
145
270
150
280
152
290
155
300
160
567
Quadro da ANOVA
Fonte de Variao
SQ
QM
Tratamentos
Resduo
Total
Valor-p
9555,96
56789,1
166,40
56955,5
1
28
29
0,000
56789,1
5,94
Com a reta de regresso Y^= 10,59 + 0,50X, fazendo e = Y

Y^ e, ento, aplicando epi= ei /5,94, temos a tabela abaixo:
X
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
Y
12
21
26
32
35
40
45
54
55
60
70
71
81
82
85
93
95
98
100
110
115
120
125
133
135
145
150
152
155
160
Y^
15.6
20.6
25.7
30.7
35.7
40.7
45.8
50.8
55.8
60.9
65.9
70.9
75.9
81.0
86.0
91.0
96.0
101.1
106.1
111.1
116.1
121.2
126.2
131.2
136.3
141.3
146.3
151.3
156.4
161.4
ei
-3.6
0.4
0.3
1.3
-0.7
-0.7
-0.8
3.2
-0.8
-0.9
4.1
0.1
5.1
1.0
-1.0
2.0
-1.0
-3.1
-6.1
-1.1
-1.1
-1.2
-1.2
1.8
-1.3
3.7
3.7
0.7
-1.4
-1.4
epi
-1.51
0.15
0.14
0.55
-0.30
-0.31
-0.32
1.34
-0.35
-0.36
1.72
0.04
2.12
0.43
-0.41
0.83
-0.43
-1.28
-2.54
-0.47
-0.48
-0.49
-0.50
0.74
-0.52
1.55
1.54
0.28
-0.57
-0.58
O grfico dos resduos padronizados o segue:
568
Valores fora do intervalo de -3 a +3 devem ser considerados

suspeitos. Como todos os valores esto dentro do intervalo de -3 e +3,
logo no existe outlier neste estudo.
Caso houvesse a presena de outlier, a medida tomada seria a
identificao das causas plausveis para o evento e caso no seja por
erro de digitao ou mensurao dever(ao) ser iliminado(s). Se for
por erro de digitao ou mensurao o(s ) dado(s) dever(ao) ser
corrigido(s).
A manuteno de outlier na anlise causa srios desajustes
linha de regresso, distorcendo completamente a modelagem e
comprometendo os testes de significncia.
569
Independncia ou Ausncia de Autocorrelao Residual:

Para fazer uma anlise de regresso, preciso pressupor que
os erros so variveis aleatrias independentes: os resduos devem
ser distribudos aleatoriamente em torno da reta de regresso. Os
resduos no devem ter correlao entre si.
Grficos de Sries com e sem Autocorrelao respectivamente:
Grfico 1- Ausncia de Autocorrelao entre os Resduos
570
Grfico 2- Presena de Autocorrelao entre os Resduos
A autocorrelao dos resduos um problema importante na

anlise de dados, principalmente na econometria. Mas existem testes
para o diagnstico deste problema. Tambm existem correes para
ele.
A presena de autocorrelao residual faz com que ocorra uma
piora na eficincia das estimativas dos parmetros. Ou seja, estas
estimativas no apresentam o atributo desejvel da varincia mnima.
No se pode garantir que a reta estimada seja de fato a reta de
mnimos quadrados. Alm disso, estimativas ficam com os seus
desvios padres enviesados. Isto faz com que os Testes t , F e os
clculos de intervalos de confiana sejam prejudicados.
571
Tipos de Autocorrelao:
A autocorrelao residual positiva ocorre quando os resduos

so diretamente relacionados entre si. A autocorrelao negativa
ocorre quando medida que a varivel X aumenta, os erros
decrescem. Autocorrelao residual positiva um problema mais srio
do que a autocorrelao residual negativa.
Consequncia das Autocorrelaes:
o Autocorrelao
positiva
=> os desvios padres ficam
subestimados => valores das estatsticas F ficam subestimados.

Quando se faz o Teste F, na presena de autocorrelao
residual positiva, h o risco de aceitar a hiptese nula de
ausncia de regresso (quando o correto seria rejeit-la).
o Autocorrelao negativa => os desvios padres ficam
superestimados
=>
valores
das
estatsticas
ficam
superestimados. Quando se faz o Teste F, na presena de

autocorrelao residual negativa, h o risco de rejeitar-se a
hiptese nula de ausncia de regresso (quando o correto seria
aceit-la).
Fatores de Autocorrelao:
o Erro na forma matemtica da especificao do modelo.
o Omisso de varivel independente (explicativa) causada por
erros na especificao do modelo. Por exemplo, h uma
tendncia
de
as
variveis
econmicas
serem
autocorrelacionadas. Assim, a omisso de uma ou mais

variveis explicativas causar impactos no termo residual.
Portanto, os valores dos resduos podem ficar correlacionados
entre si;
572
Observao:
Pode ocorrer que, mesmo se muitas variveis explicativas forem
omitidas, os resduos apresentem ausncia de autocorrelao. Isto
ocorrer desde que o padro da autocorrelao das variveis
explicativas, inseridas efetivamente no modelo, apresente uma
configurao que compense a autocorrelao do termo residual.
Testes para detectar a autocorrelao residual
o Teste de Durbin-Watson;
o Teste de Godfrey.
Neste livro, apresentaremos somente o Teste de DurbinWatson.
Mtodos de Correo da Autocorrelao Residual:
o Mtodo interativo de Cochrane-Orcutt;
o Mtodo de dois estgios de Durbin;
o Mtodo das primeiras diferenas.
A verificao da independncia dos erros pela inspeo do
grfico dos resduos extremamente til, mas grfica. Isto significa
que no se pode realizar um teste de significncia. Mas a
pressuposio de independncia pode ser transformada em hiptese
e essa hiptese pode ser colocada em teste. Quando existe forte
suspeita de no-independncia, pode-se aplicar o Teste de DurbinWatson, que veremos a seguir.
573
Teste de Durbin-Watson
Usando um grfico residual, as violaes dos pressupostos do
modelo no so sempre fceis de detectar e podem ocorrer apesar
dos grficos parecerem bem comportados. A anlise de resduos,
usando grficos residuais um mtodo subjetivo. Nesse sentido, a
verificao da independncia usualmente feita atravs do Teste de
Durbin-Watson correlao entre resduos sucessivos, como vimos
na unidade de anlise da varincia.
Como j aprendemos se houver independncia, a magnitude de
um resduo no influencia a magnitude do resduo seguinte. Neste
caso, a correlao entre resduos sucessivos nula (autocorrelao =
0). As hipteses do teste, para aferir se a relao entre dois resduos
consecutivos estatisticamente significativa, so ento:
H0: autocorrelao = 0 existe independncia
H1; autocorrelao 0 existe dependncia
Sabemos que este teste serve para detectar se h presena
significativa de autocorrelao entre os resduos em um modelo de
anlise de regresso. O coeficiente de Durbin-Watson mede a
correlao
entre
cada
resduo
resduo
da
observao
imediatamente anterior. Recorrendo Unidade VII, a equao a

seguinte:
( ei ei-1)2
i=1
D =
n
e i2
I=1
onde ei o resduo para o perodo de tempo i.
574
J sabemos que os valores da estatstica D so interpretados

da seguinte forma:
D 0 resduos positivamente autocorrelacionados.
D 2 resduos no so autocorrelacionados.
D 4 resduos negativamente autocorrelacionados.
Lembrando que com a tabela de Durbi-Watson para o nvel de
significncia , tamanho da amostra n e NVI(nmeros de variveis
independentes do modelo), obtm-se dU que o limite superior de
variao e dL, o limite inferior. Os valores de d U e dL encontram- se
tabelados para os nveis de significncia de 1% e 5% e tamanhos de
amostras fixas esto anexas ao livro.
Regra de Deciso para o Teste de Durbin-Watson, j foi

vista e, :
Valor de D
Interpretao
0 D < dL
Evidncia de autocorrelao positiva
dL D < dU
Zona de indeciso
dU D < 4 - dU
4 - dU D < 4 - dL
4 - dL D 4
Ausncia de autocorrelao
Zona de indeciso
Evidncia de autocorrelao negativa
575
Exemplo:
Vamos realizar o teste de autocorrelao do exemplo do
analista que pesquisou uma amostra de 30 pessoas que haviam
comprado relgios de pulso de particulares e revendido a outras
pessoas. O preo de compra X e o preo de revenda, Y.
1 ) Pela Inspeo Grfica:
576
Pela anlise do grfico de resduos, observamos que parece

haver aleatoriedade dos erros no geral, mas existem certos trechos
onde existe evidncia de tendncia, caracterizando uma indefinio no
diagnstico por esse mtodo. fortemente recomendvel neste caso
a realizao do Teste de Durbin-Watson.
2 ) Pelo Teste de Durbin-Watson:

Os resduos obtidos segundo a sequncia de tempo em que
foram coletados e o quadro de clculo para o teste se encontram na
tabela abaixo:
Sequncia
ei
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Total
-3.60
0.40
0.30
1.30
-0.70
-0.70
-0.80
3.20
-0.80
-0.90
4.10
0.10
5.10
1.00
-1.0
2.00
-1.00
-3.10
-6.10
-1.10
-1.10
-1.20
-1.20
1.80
-1.30
3.70
3.70
0.70
-1.40
-1.40
ei2
13.05
0.13
0.11
1.71
0.52
0.56
0.60
10.24
0.68
0.73
16.98
0.01
25.67
1.08
0.97
3.95
1.08
9.40
37.13
1.25
1.32
1.38
1.44
3.14
1.57
13.84
13.64
0.44
1.85
1.92
ei-1
0.00
-3.60
0.40
0.30
1.30
-0.70
-0.70
-0.80
3.20
-0.80
-0.90
4.10
0.10
5.10
1.00
-1.00
2.0
-1.0
-3.10
-6.10
-1.10
-1.10
-1.20
-1.20
1.80
-1.30
3.70
3.70
0.70
-1.40
ei - ei-1
-3.61
3.97
-0.03
0.97
-2.03
-0.03
-0.03
3.97
-4.03
-0.03
4.97
-4.03
4.97
-4.03
-2.03
2.97
-3.03
-2.03
-3.03
4.97
-0.03
-0.03
-0.03
2.97
-3.03
4.97
-0.03
-3.03
-2.03
-0.03
(ei - ei-1)2
13.05
15.79
0.00
0.95
4.11
0.00
0.00
15.79
16.21
0.00
24.73
16.21
24.73
16.21
4.11
8.84
9.16
4.11
9.16
24.73
0.00
0.00
0.00
8.84
9.16
24.73
0.00
9.16
4.11
0.00
166,40
263,91
577
( ei ei-1)2
i=1
D =
n
e i2
I=1
263,91
D = 1,59
166,40
Interpretao:
Consultando a Tabela de Durbin-Watson para 5%, n=30 e NVI=
1(temos uma varivel independente X), temos que dL = 1,35 e dU=
1,49. Logo o valor de D:
dU D< 4-dU
1,49 1,59< 2,51
O valor de D est, ento, no terceiro intervalo da regra de
deciso e indica ausncia de autocorrelao para os resduos.
Portanto, com o teste chegamos a uma concluso sobre a
independncia dos resduos.
Varincia Constante( Homocedasticidade ):

578
Quando os resduos se distribuem aleatoriamente em torno da

reta de regresso e de forma constante, ou seja, a varincia dos
resduos igual a uma constante para todo X, temos que o
pressuposto da homogeneidade est satisfeita.
A violao do pressuposto da homocedasticidade compromete
a eficincia das estimativas do modelo de regresso.
Para testar a homocedasticidade podemos recorrer inspeo
grfica, que pode indicar dvidas e o Teste de Pesaran-Pesaran, que
diluir possveis indefinies na tomada de deciso.
Teste de Pesaran-Pesaran:
O teste de Pesaran-Pesaran consiste em detectar a presena
de heterocedasticidade com base no coeficiente de explicao(R 2) na
regresso entre a varivel dependente(Y) representada pelos valores
dos quadrados dos resduos(e 2) e a varivel independente(X)
constituda pelos valores estimados (Y^). Num modelo de regresso
no aceitvel que medida que a estimativa cresa, o erro, que no
caso est ao quadrado, que se cometa, cresa tambm. Isso alm de
evidenciar aumento na variao dos resduos implica em um modelo
de previso pobre. Se houver baixo poder de explicao de X em Y,
implicando numa baixa correlao linear entre estimativa e erro ao
quadrado, ento podemos aceitar a hiptese de ausncia de
heterocedasticidade.
Portanto,
ANOVA NO-SIGNIFICANTE(y^ ; ei2) = HOMOCEDASTICIDADE
Se aceitarmos a hiptese nula de que no existe regresso
linear, ento o teste de homogeneidade deu positivo.
Exemplo:
579
Vamos realizar o teste de homocedasticidade do exemplo do

pessoas. O preo de compra X e o preo de revenda, Y.
Pela anlise do grfico de resduos, observamos parece que

haver homogeneidade na varincia dos resduos medida que X
cresce. Mas talvez pela insuficincia de ponto isso esteja no
plenamente claro. Vamos testar atravs de Pesaran-Pesaran.
580
2 )Pelo Teste Pesarn-Pesaran:

A tabela abaixo informa as variveis includas no clculo do
coeficiente de determinao:
X(y^)
15.6
20.6
25.7
30.7
35.7
40.7
45.8
50.8
55.8
60.9
65.9
70.9
75.9
81.0
86.0
91.0
96.0
101.1
106.1
111.1
116.1
121.2
126.2
131.2
136.3
141.3
146.3
151.3
156.4
161.4
ei
-3.6
0.4
0.3
1.3
-0.7
-0.7
-0.8
3.2
-0.8
-0.9
4.1
0.1
5.1
1.0
-1.0
2.0
-1.0
-3.1
-6.1
-1.1
-1.1
-1.2
-1.2
1.8
-1.3
3.7
3.7
0.7
-1.4
-1.4
Y(ei2)
13.05
0.13
0.11
1.71
0.52
0.56
0.60
10.24
0.68
0.73
16.98
0.01
25.67
1.08
0.97
3.95
1.08
9.40
37.13
1.25
1.32
1.38
1.44
3.14
1.57
13.84
13.64
0.44
1.85
1.92
581
Utilizando a planilha Excel para o clculo, temos o coeficiente

de explicao R2 = 0,38%. O Teste de F da ANOVA tambm resultou
em no significante. Portanto, podemos aceitar a hiptese nula de
independncia entre as variveis e ausncia de heterocedascicidade.
Quadro da ANOVA
Fonte de Variao
Explicada
Residual
Total
SQ
8.24
2186.52
2194.76
QM
1
28
29
8.24
78.09
Valor-p
0.11
0.7478
O valor-p no significante, o que indica independncia entre

as estimativas e os erros ao quadrado. O valor de R 2 = 0,38% no
significante, o que implica em homocedascidade. O teste deu positivo.
582
Heterocedascidade:
A suposio de mesma varincia dos erros para todos os nveis
da varivel independente X fundamental para validao dos testes
de significncia da anlise de regresso. Entretanto, nem sempre
possvel assegurar a validade desta afirmao.
Quando existe a constatao da heterocedascidade, possvel
fazer a anlise da regresso desde que seja feita uma transformao
dos
dados,
que
as
torne
homogneas.
Tais
transformaes
estabilizadoras da varincia tambm eliminam a falta de

normalidade.
Um modo de resolver a questo procurar remover a
heterocedascidade atravs de transformaes da varivel resposta Y,
ou da explicativa X, ou ento em ambas. So as chamadas
Transformaes Estabilizadoras da Varincia.
Abaixo relacionamos algumas transformaes que estabilizam
a varincia em uma anlise de regresso:
583
584
Exemplo:
Estamos interessados em analisar os acidentes ocorridos
durante certo perodo em uma amostra de 7 companhias de nibus
intermunicipais. Observou-se a porcentagem de viagens realizadas
por cada companhia(X) e o nmero de acidentes graves(Y). Vamos
realizar o teste de heterocedasticidade e realizar a transformao
necessria se for o caso.
X
6,0
8.6
10.7
14.6
15.6
21.5
23,0
Y
4
6
10
14
9
13
21
585
Exemplo:
Vamos testar a homocedasticidade do nosso exemplo anterior:
Pela anlise do grfico de resduos, observamos parece que

haver heterocedascicidade na varincia dos resduos medida que X
cresce. Mas talvez pela insuficincia de ponto isso no esteja
plenamente claro. Vamos testar atravs de Pesarn-Pesaran.
586

X(Y^)
4.5
6.6
8.2
11.2
12.0
16.6
17.8
Y(ei2)
0.29
0.32
3.22
7.59
9.15
13.12
10.29
ei
-0.54
-0.57
1.79
2.76
-3.02
-3.62
3.21
Utilizando a planilha Excel para o clculo, temos o coeficiente

de explicao R289%, indicado um poder de explicao forte das
estimativas em relao aos erros ao quadrado. O Teste de F da
ANOVA tambm resultou em significante. Portanto, podemos concluir
a presena de heterocedascicidade.
Quadro da ANOVA
Fonte de Variao
SQ
QM
Explicada
137
137
Residual
Total
16
154
5
6
Valor-p
42
0,001
Vamos proceder ento a uma transformao nos dados

originais: a varivel dependente Y ser transformada numa outra
varivel dependente atravs da raiz quadrada:
587
Y
6,0
8.6
10.7
14.6
15.6
21.5
23,0
2.0
2.4
3.2
3.7
3.0
3.6
4.6
Vamos testar a homocedasticidade dos dados transformados:

Pela anlise do grfico de resduos, observamos parece que o

grau de heterocedascidade reduziu. Mas talvez pela insuficincia de
ponto isso no esteja plenamente claro. Vamos testar atravs de
Pesarn-Pesaran.
588

X(Y^)
2.23
2.54
2.79
3.26
3.38
4.09
4.27
Y(ei2)
0.05
0.01
0.14
0.23
0.14
0.23
0.10
ei
-0.23
-0.09
0.37
0.48
-0.38
-0.48
0.32
O coeficiente de explicao R 2=32% e o Teste F resultou em

no significncia para a regresso, isto , as estimativas so
independentes dos erros ao quadrado. Existe, agora, a presena da
homocedasticidade dos erros. O Teste deu positivo.
Quadro da ANOVA
Fonte de Variao
Explicada
Residual
Total
SQ
0.014
0.029
0.043
QM
1
5
6
0.014
0.006
Valor-p
2,35
0,186
589
Normalidade:
Os testes de significncia e os intervalos de confiana das
estimativas do modelo de regresso so baseados no pressuposto da
normalidade, isto , que os resduos apresentem distribuio normal.
A violao da normalidade pode estar ligada a alguns aspectos
relacionados ao modelo, tais como: omisso de variveis explicativas
importantes, incluso de variveis irrelevantes no modelo, utilizao
de relao matemtica incorreta para anlise entre as variveis da
regresso.
Contudo, porm, em linhas gerais, o pesquisador no precisa
se preocupar com a no-normalidade, a no ser que os dados
transgridam fortemente a forma gaussiana.
Para verificar o atendimento a este pressuposto, temos vrias
alternativas que j estudamos:
o Histograma;
o Coeficientes de assimetria,
o Inspeo no Grfico dos Resduos;
o Teste de Bera-Jarque.
Neste momento, vamos estudar uma alternativa que no
utilizamos ainda:
o Teste de Kolmogorov-Smirno.
590
Exemplo:
Vamos testar a normalidade dos resduos do exemplo do
pessoas. O preo de compra X e o preo de revenda, Y. Os dados
esto apresentados abaixo.
X(R$)
Y(R$)
10
12
20
21
30
26
40
32
50
35
60
40
70
45
80
54
90
55
100
60
110
70
120
71
130
81
140
82
150
85
160
93
170
95
180
98
190
100
200
110
210
115
220
120
230
125
240
133
250
135
260
145
270
150
280
152
290
155
300
160
591

Para que uma srie de valores siga o modelo da Curva Normal,
necessrio que 99% de seus valores devam estar entre -3 a +3, se
os dados foram padronizados.
Exemplo:
O Grfico dos resduos do exemplo do analista que pesquisou
uma amostra de 30 pessoas que haviam comprado relgios de pulso
de particulares e revendido a outras pessoas apresentado abaixo:
Pela observao do grfico acima, 100% dos valores da srie

de resduos esto dentro do intervalo -3 a +3, respeitando a
probabilidade da Curva Normal. Mas para a confirmao da inspeo
grfica vamos realizar o Teste de Kolmogorov-Smirnov.
592
2 )Pelo Teste de Kolmogorov-Smirnov:

A estatstica de teste de Kolmogorov-Smirnov :
KS= Max I [(i/n)-P(Zepi)] I
Onde:
o i= 1, ... , n
o n = tamanho da amostra
o Z= valor crtico obtido junto a normal padro
o epi= resduo padronizado( ei/ EMQ)
o P(Zepi) = probabilidade obtida junto normal padro,
considerando os resduos padronizados ordenados
de forma crescente;
Para a realizao do teste, procedemos da seguinte maneira:
Se:
o KSKScrtico, aceitamos a hiptese de que os resduos se
distribuem normalmente;
o KS>KScrtico, rejeitamos a hiptese de que os resduos se
distribuem normalmente.
O KScrtico obtido junto Tabela 8-Tabela de KolmogorovSmirnov, em anexo.
593
A tabela abaixo apresenta o quadro de clculo:
i
1
2
3
4
5
6
7
8
9
10
11
12
13
Resduos
Ordenados
de Forma
Crescente
-6.093
-3.613
-3.067
-1.387
-1.360
-1.254
-1.200
-1.174
-1.147
-1.120
-1.040
-0.987
-0.853
Resduos
Padronizados(epi)
-2.500
-1.482
-1.258
-0.569
-0.558
-0.514
-0.492
-0.481
-0.470
-0.459
-0.427
-0.405
-0.350
P(Zepi)
0.006
0.069
0.104
0.285
0.288
0.304
0.311
0.315
0.319
0.323
0.335
0.343
0.363
i/n
0.033
0.067
0.100
0.133
0.167
0.200
0.233
0.267
0.300
0.333
0.367
0.400
0.433
4
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
-0.826
-0.773
-0.746
-0.720
0.093
0.334
0.360
0.666
1.040
1.307
1.773
1.987
3.200
3.693
3.720
4.120
5.067
-0.339
-0.317
-0.306
-0.295
0.038
0.137
0.148
0.273
0.427
0.536
0.727
0.815
1.313
1.515
1.526
1.690
2.078
0.367
0.376
0.380
0.384
0.515
0.554
0.559
0.608
0.665
0.704
0.766
0.792
0.905
0.935
0.936
0.954
0.981
0.133
0.500
0.533
0.567
0.600
0.633
0.667
0.700
0.733
0.767
0.800
0.833
0.867
0.900
0.933
0.967
1.000
[(i/n)-P(Zepi)]
0.027
-0.002
-0.004
-0.151
-0.122
-0.104
-0.078
-0.048
-0.019
0.010
0.032
0.057
0.070
-0.234
0.124
0.154
0.183
0.085
0.079
0.108
0.092
0.068
0.063
0.034
0.041
-0.039
-0.035
-0.003
0.012
0.019
I [(i/n)-P(Z<=epi)] I
0.027
0.002
0.004
0.151
0.122
0.104
0.078
0.048
0.019
0.010
0.032
0.057
0.070
0.234
0.124
0.154
0.183
0.085
0.079
0.108
0.092
0.068
0.063
0.034
0.041
0.039
0.035
0.003
0.012
0.019
Verificamos que o valor mximo da ltima coluna da tabela

acima KS=0,234 e para n=30 e =0,05 o KScrtico=0,240, o que indica
normalidade dos resduos(KS<KScrtico), como a inspeo grfica j
havia indicado.
Importncia da Anlise dos Resduos:
594
Os grficos de resduos so de importncia vital para uma

anlise de regresso completa. As informaes que eles fornecem so
to bsicas para uma anlise digna de crdito, que esses grficos
deveriam ser sempre includos como parte de uma anlise de
regresso. Portanto, uma estratgia que poderia ser empregada para
evitar a adoo de modelos de regresso inadequados envolveria o
seguinte mtodo:
1)Sempre iniciar com um grfico de disperso para observar a
possvel relao entre X e Y, calcular o coeficnete de correlao de
Pearson para confirmar a inspeo grfica e realizar o seu teste de
significncia;
2)Estimar os valores dos coeficiente da linha de regresso, se a
correlao linear for aceitvel;
3)Calcular o coeficiente de explicao do modelo;
4)Realizar os testes de exitncia de regresso linear, inclusive o
do coeficnete de regresso;
5)Verificar a violao dos pressupostos bsicos e caso haja
algum tomar as providncias cabveis;
6)Se a avaliao feita nos item acima no indicar violao nos
pressupostos, ento podem-se considerar os aspectos de
inferncia da anlise de regresso e explicar a varivel
dependente pela varivel independente e fazer previses.
595
1)Os dados abaixo correspondem s variveis: renda familiar e gasto com

alimentao numa amostra de 10 famlias, representadas em S.M._Salrios
Mnimos.
Renda Familiar
3
5
10
20
30
50
70
100
150
200
Gasto com Alimentao

1,5
2,0
6,0
10,0
15,0
20,0
25,0
40,0
60,0
80,0
Faa um grfico de disperso para observar a possvel relao entre X e Y, calcular

o coeficnete de correlao de Pearson para confirmar a inspeo grfica.
596
2)Um jornal quer verificar a eficcia de seus anncios na venda de

carros usados. A tabela abaixo mostra o nmero de anncios na
venda de carros e o correspondente nmero de carros vendidos por 6
companhias
que
usaram
apenas
este
jornal
como
veculo
de
propaganda.
Anncios
74
45
48
36
27
16
Carros Vendidos
139
108
98
76
62
57
Obtenha a Reta de Regresso Linear.
597
3)A indstria farmacutica MIMI vende um remdio para combater

resfriado. Aps 2 anos de operao, ela coletou as seguintes
informaes trimestrais:
Temperatura(X)
2
13
16
7
4
10
13
4
Vendas(Y)
25
13
8
20
25
12
10
15
Teste a significncia do coeficiente de regresso pelo Teste de Wald.
598
4)Realize Teste Pesarn-Pesaran com os dados abaixo:

X(anos de estudos)
15
8
12
19
16
16
12
15
12
12
18
12
20
8
8
12
12
12
8
16
12
19
12
16
15
16
12
16
12
18
Y(tempo de servio)
98
98
97
96
93
93
90
90
88
88
88
86
85
85
85
85
85
85
83
81
81
80
79
78
75
74
74
71
69
66
5)Faa uma anlise de regresso completa com os dados abaixo:
599
X
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
Y
12
21
26
32
35
40
45
54
55
60
70
71
81
82
85
93
95
98
100
110
115
120
125
133
135
145
150
152
155
160
600
6)Teste a normalidade dos resduos abaixo pela anlise do

histograma e confirmado pelo Teste de Kolmogorov-Smirnov,
ao nvel de 5% de significncia.
i
1
2
3
4
5
6
7
8
9
10
Resduos
0
2
2
4
4
4
4
6
6
8
Resduos Padronizados
-1.73
-0.87
-0.87
0.00
0.00
0.00
0.00
0.87
0.87
1.73
601
7)Realize o Teste de Durbin-Watson para verificar se os

resduos constantes da tabela abaixo so independentes, ao
nvel de 5% de significncia.
i
1
2
3
4
5
6
7
8
9
10
Resduos
-0.45
-0.10
0.52
-0.68
0.00
0.62
0.48
0.57
-0.95
0.00
602
8)Realize o Teste Pesaran-Pesaran para verificar se os resduos

presentes na tabela abaixo so homocedsticos, ao nvel de 1%
de significncia.
i
1
2
3
4
5
6
7
8
9
10
Y previsto
18
24
30
36
42
46
50
54
58
62
Resduos
-3
3
0
3
-3
0
0
0
0
0
603
9)Uma anlise de regresso linear simples forneceu as

estatsticas Abaixo. Teste a significncia do coeficiente de
Regresso pelo Teste de Wald, ao nvel de 5% de significncia.
Y^ = 22,5 -0,62X
Quadro da ANOVA
Fonte de Variao
SQ
QM
Explicada
82.32
82.32
Residual
7.28
0.91
Total
89.60
F
90.41
Valor-p
0.000
Sxx= 21,36
604
10)Teste utilizando a inspeo grfica e o Teste de PesaranPesaran se os resduos da anlise da regresso da amostra
abaixo so homocedsticos, ao nvel de 5% d significncia.
Relao entre Escolaridade e Salrio em SM
X(Escala de Escolaridade)
5
5
6
6
7
7
8
8
9
9
Y(Salrio em SM)
15.4
11.0
15.8
17.8
23.3
15.6
14.0
24.1
23.0
20.3
Resultado da Anlise de Regresso

i
1
2
3
4
5
6
7
8
9
10
Y previsto
14.5
14.5
16.19
16.19
17.88
17.88
19.57
19.57
21.26
21.26
Resduos
0.9
-3.5
-0.39
1.61
5.42
-2.28
-5.57
4.53
1.74
-0.96
605
ANEXO
Tabelas
606
Tabela 1
Distribuio Normal Reduzida (0< Z < z)
z
0,0
0
0,0000
1
0,0040
2
0,0080
3
0,0120
4
0,0160
5
0,0199
6
0,0239
7
0,0279
8
0,0319
9
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
0,2517
0,2549
0,7
0,2580
0,2611
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
0,4987
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
0,4997
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
0,4999
0,4999
0,4999
3,9
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
0,5000
607
Tabela 2
Distribuio T-Student
Valores de t, segundo os graus de liberdade( ) e o valor de
Monocaudal,
Bicaudal,
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
0,25
0,50
0,10
0,20
0,05
0,10
0,025
0,05
0,01
0,02
0,005
0,01
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,674
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,282
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,645
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
1,960
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,326
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,576
608
Tabela 3
Distribuio Qui-quadrado( 2 )
Valores de 2, segundo os graus de liberdade( ) e o valor de
0,995
0,99
0,975
0,95
0,90
0,10
0,05
0,025
0,01
0,005
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
0,000
0,000
0,001
0,004
0,016
2,706
3,841
5,024
6,635
7,879
0,010
0,020
0,051
0,103
0,211
4,605
5,991
7,378
9,210
10,597
0,072
0,115
0,216
0,352
0,584
6,251
7,815
9,348
11,345
12,838
0,207
0,297
0,484
0,711
1,064
7,779
9,488
11,143
13,277
14,860
0,412
0,554
0,831
1,145
1,610
9,236
11,070
12,833
15,086
16,750
0,676
0,872
1,237
1,635
2,204
10,645
12,592
14,449
16,812
18,548
0,989
1,239
1,690
2,167
2,833
12,017
14,067
16,013
18,475
20,278
1,344
1,646
2,180
2,733
3,490
13,362
15,507
17,535
20,090
21,955
1,735
2,088
2,700
3,325
4,168
14,684
16,919
19,023
21,666
23,589
2,156
2,558
3,247
3,940
4,865
15,987
18,307
20,483
23,209
25,188
2,603
3,053
3,816
4,575
5,578
17,275
19,675
21,920
24,725
26,757
3,074
3,571
4,404
5,226
6,304
18,549
21,026
23,337
26,217
28,300
3,565
4,107
5,009
5,892
7,042
19,812
22,362
24,736
27,688
29,819
4,075
4,660
5,629
6,571
7,790
21,064
23,685
26,119
29,141
31,319
4,601
5,229
6,262
7,261
8,547
22,307
24,996
27,488
30,578
32,801
5,142
5,812
6,908
7,962
9,312
23,542
26,296
28,845
32,000
34,267
5,697
6,408
7,564
8,672
10,085
24,769
27,587
30,191
33,409
35,718
6,265
7,015
8,231
9,390
10,865
25,989
28,869
31,526
34,805
37,156
6,844
7,633
8,907
10,117
11,651
27,204
30,144
32,852
36,191
38,582
7,434
8,260
9,591
10,851
12,443
28,412
31,410
34,170
37,566
39,997
8,034
8,897
10,283
11,591
13,240
29,615
32,671
35,479
38,932
41,401
8,643
9,542
10,982
12,338
14,041
30,813
33,924
36,781
40,289
42,796
9,260
10,196
11,689
13,091
14,848
32,007
35,172
38,076
41,638
44,181
9,886
10,856
12,401
13,848
15,659
33,196
36,415
39,364
42,980
45,559
10,520
11,524
13,120
14,611
16,473
34,382
37,652
40,646
44,314
46,928
11,160
12,198
13,844
15,379
17,292
35,563
38,885
41,923
45,642
48,290
11,808
12,879
14,573
16,151
18,114
36,741
40,113
43,195
46,963
49,645
12,461
13,565
15,308
16,928
18,939
37,916
41,337
44,461
48,278
50,993
13,121
14,256
16,047
17,708
19,768
39,087
42,557
45,722
49,588
52,336
13,787
14,953
16,791
18,493
20,599
40,256
43,773
46,979
50,892
53,672
20,707
22,164
24,433
26,509
29,051
51,805
55,758
59,342
63,691
66,766
27,991
29,707
32,357
34,764
37,689
63,167
67,505
71,420
76,154
79,490
35,534
37,485
40,482
43,188
46,459
74,397
79,082
83,298
88,379
91,952
43,275
45,442
48,758
51,739
55,329
85,527
90,531
95,023
100,425
104,215
51,172
53,540
57,153
60,391
64,278
96,578
101,879
106,629
112,329
116,321
59,196
61,754
65,647
69,126
73,291
107,565
113,145
118,136
124,116
128,299
67,328
70,065
74,222
77,929
82,358
118,498
124,342
129,561
135,807
140,169
Tabela 4
Tabela F 0,001
609
Valores de F para = 0,1%, segundo o nmero de graus de liberdade do numerador (1)

e do denominador( 2 )
1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
10
405284,07
998,50
167,03
74,14
47,18
35,51
29,25
25,41
22,86
21,04
19,69
18,64
17,82
17,14
16,59
16,12
15,72
15,38
15,08
14,82
14,59
14,38
14,20
14,03
13,88
13,74
13,61
13,50
13,39
13,29
12,61
11,97
11,38
10,83
499999,50
999,00
148,50
61,25
37,12
27,00
21,69
18,49
16,39
14,91
13,81
12,97
12,31
11,78
11,34
10,97
10,66
10,39
10,16
9,95
9,77
9,61
9,47
9,34
9,22
9,12
9,02
8,93
8,85
8,77
8,25
7,77
7,32
6,91
540379,20
999,17
141,11
56,18
33,20
23,70
18,77
15,83
13,90
12,55
11,56
10,80
10,21
9,73
9,34
9,01
8,73
8,49
8,28
8,10
7,94
7,80
7,67
7,55
7,45
7,36
7,27
7,19
7,12
7,05
6,59
6,17
5,78
5,42
562499,58
999,25
137,10
53,44
31,09
21,92
17,20
14,39
12,56
11,28
10,35
9,63
9,07
8,62
8,25
7,94
7,68
7,46
7,27
7,10
6,95
6,81
6,70
6,59
6,49
6,41
6,33
6,25
6,19
6,12
5,70
5,31
4,95
4,62
576404,56
999,30
134,58
51,71
29,75
20,80
16,21
13,48
11,71
10,48
9,58
8,89
8,35
7,92
7,57
7,27
7,02
6,81
6,62
6,46
6,32
6,19
6,08
5,98
5,89
5,80
5,73
5,66
5,59
5,53
5,13
4,76
4,42
4,10
585937,11
999,33
132,85
50,53
28,83
20,03
15,52
12,86
11,13
9,93
9,05
8,38
7,86
7,44
7,09
6,80
6,56
6,35
6,18
6,02
5,88
5,76
5,65
5,55
5,46
5,38
5,31
5,24
5,18
5,12
4,73
4,37
4,04
3,74
592873,29
999,36
131,58
49,66
28,16
19,46
15,02
12,40
10,70
9,52
8,66
8,00
7,49
7,08
6,74
6,46
6,22
6,02
5,85
5,69
5,56
5,44
5,33
5,23
5,15
5,07
5,00
4,93
4,87
4,82
4,44
4,09
3,77
3,47
598144,16
999,37
130,62
49,00
27,65
19,03
14,63
12,05
10,37
9,20
8,35
7,71
7,21
6,80
6,47
6,19
5,96
5,76
5,59
5,44
5,31
5,19
5,09
4,99
4,91
4,83
4,76
4,69
4,64
4,58
4,21
3,86
3,55
3,27
602283,99
999,39
129,86
48,47
27,24
18,69
14,33
11,77
10,11
8,96
8,12
7,48
6,98
6,58
6,26
5,98
5,75
5,56
5,39
5,24
5,11
4,99
4,89
4,80
4,71
4,64
4,57
4,50
4,45
4,39
4,02
3,69
3,38
3,10
605620,97
999,40
129,25
48,05
26,92
18,41
14,08
11,54
9,89
8,75
7,92
7,29
6,80
6,40
6,08
5,81
5,58
5,39
5,22
5,08
4,95
4,83
4,73
4,64
4,56
4,48
4,41
4,35
4,29
4,24
3,87
3,54
3,24
2,96
Tabela F 0,001- Continuao
2
1
2
11
12
13
14
15
16
17
18
19
20
608367,68
999,41
610667,82
999,42
612622,01
999,42
614302,75
999,43
615763,66
999,43
617045,18
999,44
618178,43
999,44
619187,70
999,44
620092,29
999,45
620907,67
999,45
610
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
128,74
47,70
26,65
18,18
13,88
11,35
9,72
8,59
7,76
7,14
6,65
6,26
5,94
5,67
5,44
5,25
5,08
4,94
4,81
4,70
4,60
4,51
4,42
4,35
4,28
4,22
4,16
4,11
3,75
3,42
3,12
2,84
128,32
47,41
26,42
17,99
13,71
11,19
9,57
8,45
7,63
7,00
6,52
6,13
5,81
5,55
5,32
5,13
4,97
4,82
4,70
4,58
4,48
4,39
4,31
4,24
4,17
4,11
4,05
4,00
3,64
3,32
3,02
2,74
127,96
47,16
26,22
17,82
13,56
11,06
9,44
8,32
7,51
6,89
6,41
6,02
5,71
5,44
5,22
5,03
4,87
4,72
4,60
4,49
4,39
4,30
4,22
4,14
4,08
4,01
3,96
3,91
3,55
3,23
2,93
2,66
127,64
46,95
26,06
17,68
13,43
10,94
9,33
8,22
7,41
6,79
6,31
5,93
5,62
5,35
5,13
4,94
4,78
4,64
4,51
4,40
4,30
4,21
4,13
4,06
3,99
3,93
3,88
3,82
3,47
3,15
2,85
2,58
127,37
46,76
25,91
17,56
13,32
10,84
9,24
8,13
7,32
6,71
6,23
5,85
5,54
5,27
5,05
4,87
4,70
4,56
4,44
4,33
4,23
4,14
4,06
3,99
3,92
3,86
3,80
3,75
3,40
3,08
2,78
2,51
127,14
46,60
25,78
17,45
13,23
10,75
9,15
8,05
7,24
6,63
6,16
5,78
5,46
5,20
4,99
4,80
4,64
4,49
4,37
4,26
4,16
4,07
3,99
3,92
3,86
3,80
3,74
3,69
3,34
3,02
2,72
2,45
126,93
46,45
25,67
17,35
13,14
10,67
9,08
7,98
7,17
6,57
6,09
5,71
5,40
5,14
4,92
4,74
4,58
4,44
4,31
4,20
4,10
4,02
3,94
3,86
3,80
3,74
3,68
3,63
3,28
2,96
2,67
2,40
126,74
46,32
25,57
17,27
13,06
10,60
9,01
7,91
7,11
6,51
6,03
5,66
5,35
5,09
4,87
4,68
4,52
4,38
4,26
4,15
4,05
3,96
3,88
3,81
3,75
3,69
3,63
3,58
3,23
2,91
2,62
2,35
126,57
46,21
25,48
17,19
12,99
10,54
8,95
7,86
7,06
6,45
5,98
5,60
5,29
5,04
4,82
4,63
4,47
4,33
4,21
4,10
4,00
3,92
3,84
3,77
3,70
3,64
3,59
3,53
3,19
2,87
2,58
2,31
126,42
46,10
25,39
17,12
12,93
10,48
8,90
7,80
7,01
6,40
5,93
5,56
5,25
4,99
4,78
4,59
4,43
4,29
4,17
4,06
3,96
3,87
3,79
3,72
3,66
3,60
3,54
3,49
3,14
2,83
2,53
2,27
611
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
12
0
21
22
23
24
25
26
27
28
29
30
621646,41
999,45
126,28
46,00
25,32
17,06
12,87
10,43
8,85
7,76
6,96
6,36
5,89
5,51
5,21
4,95
4,73
4,55
4,39
4,25
4,13
4,02
3,92
3,83
3,76
3,68
3,62
3,56
3,50
3,45
3,11
2,79
622318,83
999,45
126,15
45,92
25,25
17,00
12,82
10,38
8,80
7,71
6,92
6,32
5,85
5,48
5,17
4,91
4,70
4,51
4,35
4,21
4,09
3,98
3,89
3,80
3,72
3,65
3,58
3,52
3,47
3,42
3,07
2,75
622933,47
999,46
126,04
45,84
25,19
16,95
12,78
10,34
8,76
7,67
6,88
6,28
5,81
5,44
5,13
4,88
4,66
4,48
4,32
4,18
4,06
3,95
3,85
3,77
3,69
3,62
3,55
3,49
3,44
3,39
3,04
2,72
623497,46
999,46
125,93
45,77
25,13
16,90
12,73
10,30
8,72
7,64
6,85
6,25
5,78
5,41
5,10
4,85
4,63
4,45
4,29
4,15
4,03
3,92
3,82
3,74
3,66
3,59
3,52
3,46
3,41
3,36
3,01
2,69
624016,83
999,46
125,84
45,70
25,08
16,85
12,69
10,26
8,69
7,60
6,81
6,22
5,75
5,38
5,07
4,82
4,60
4,42
4,26
4,12
4,00
3,89
3,79
3,71
3,63
3,56
3,49
3,43
3,38
3,33
2,98
2,67
624496,66
999,46
125,75
45,64
25,03
16,81
12,65
10,22
8,66
7,57
6,78
6,19
5,72
5,35
5,04
4,79
4,57
4,39
4,23
4,09
3,97
3,86
3,77
3,68
3,60
3,53
3,47
3,41
3,35
3,30
2,96
2,64
624941,30
999,46
125,67
45,58
24,99
16,77
12,62
10,19
8,63
7,54
6,76
6,16
5,70
5,32
5,02
4,76
4,55
4,37
4,21
4,07
3,95
3,84
3,74
3,66
3,58
3,51
3,44
3,38
3,33
3,28
2,93
2,62
625354,49
999,46
125,59
45,53
24,94
16,74
12,59
10,16
8,60
7,52
6,73
6,14
5,67
5,30
4,99
4,74
4,53
4,34
4,18
4,05
3,93
3,82
3,72
3,63
3,56
3,49
3,42
3,36
3,31
3,26
2,91
2,60
625739,44
999,47
125,52
45,48
24,91
16,70
12,56
10,13
8,57
7,49
6,71
6,11
5,65
5,28
4,97
4,72
4,50
4,32
4,16
4,03
3,90
3,80
3,70
3,61
3,54
3,46
3,40
3,34
3,29
3,24
2,89
2,57
626098,96
999,47
125,45
45,43
24,87
16,67
12,53
10,11
8,55
7,47
6,68
6,09
5,63
5,25
4,95
4,70
4,48
4,30
4,14
4,00
3,88
3,78
3,68
3,59
3,52
3,44
3,38
3,32
3,27
3,22
2,87
2,55
2,50
2,23
2,46
2,19
2,43
2,16
2,40
2,13
2,37
2,10
2,35
2,08
2,33
2,05
2,30
2,03
2,28
2,01
2,26
1,99
612
1
40
60
80
628712,03
999,47
124,96
45,09
24,60
16,44
12,33
9,92
8,37
7,30
6,52
5,93
5,47
5,10
4,80
4,54
4,33
4,15
3,99
3,86
3,74
3,63
3,53
3,45
3,37
3,30
3,23
3,18
3,12
3,07
2,73
2,41
2,11
1,84
631336,56
999,48
124,47
44,75
24,33
16,21
12,12
9,73
8,19
7,12
6,35
5,76
5,30
4,94
4,64
4,39
4,18
4,00
3,84
3,70
3,58
3,48
3,38
3,29
3,22
3,15
3,08
3,02
2,97
2,92
2,57
2,25
1,95
1,66
633972,40
999,49
123,97
44,40
24,06
15,98
11,91
9,53
8,00
6,94
6,18
5,59
5,14
4,77
4,47
4,23
4,02
3,84
3,68
3,54
3,42
3,32
3,22
3,14
3,06
2,99
2,92
2,86
2,81
2,76
2,41
2,08
1,77
1,45
636619,12
999,50
123,47
44,05
23,79
15,75
11,70
9,33
7,81
6,76
6,00
5,42
4,97
4,60
4,31
4,06
3,85
3,67
3,51
3,38
3,26
3,15
3,05
2,97
2,89
2,82
2,75
2,69
2,64
2,59
2,23
1,89
1,54
1,01
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
613
Tabela 4
Tabela F 0,01
Valores de F para = 1%, segundo o nmero de graus de liberdade do
numerador ( 1 ) e do denominador(
2 )
10
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
4052,18
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,31
7,08
6,85
6,63
4999,50
99,00
30,82
18,00
13,27
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,18
4,98
4,79
4,61
5403,35
99,17
29,46
16,69
12,06
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,64
4,60
4,57
4,54
4,51
4,31
4,13
3,95
3,78
5624,58
99,25
28,71
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,83
3,65
3,48
3,32
5763,65
99,30
28,24
15,52
10,97
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
3,70
3,51
3,34
3,17
3,02
5858,99
99,33
27,91
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,29
3,12
2,96
2,80
5928,36
99,36
27,67
14,98
10,46
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,12
2,95
2,79
2,64
5981,07
99,37
27,49
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
2,99
2,82
2,66
2,51
6022,47
99,39
27,35
14,66
10,16
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
3,07
2,89
2,72
2,56
2,41
6055,85
99,40
27,23
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,80
2,63
2,47
2,32
614

1
11
12
13
14
15
16
17
18
19
20
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
6083,32
99,41
27,13
14,45
9,96
7,79
6,54
5,73
5,18
4,77
4,46
4,22
4,02
3,86
3,73
3,62
3,52
3,43
3,36
3,29
3,24
3,18
3,14
3,09
3,06
3,02
2,99
2,96
2,93
2,91
2,73
2,56
2,40
2,25
6106,32
99,42
27,05
14,37
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,66
2,50
2,34
2,18
6125,86
99,42
26,98
14,31
9,82
7,66
6,41
5,61
5,05
4,65
4,34
4,10
3,91
3,75
3,61
3,50
3,40
3,32
3,24
3,18
3,12
3,07
3,02
2,98
2,94
2,90
2,87
2,84
2,81
2,79
2,61
2,44
2,28
2,13
6142,67
99,43
26,92
14,25
9,77
7,60
6,36
5,56
5,01
4,60
4,29
4,05
3,86
3,70
3,56
3,45
3,35
3,27
3,19
3,13
3,07
3,02
2,97
2,93
2,89
2,86
2,82
2,79
2,77
2,74
2,56
2,39
2,23
2,08
6157,28
99,43
26,87
14,20
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,81
2,78
2,75
2,73
2,70
2,52
2,35
2,19
2,04
6170,10
99,44
26,83
14,15
9,68
7,52
6,28
5,48
4,92
4,52
4,21
3,97
3,78
3,62
3,49
3,37
3,27
3,19
3,12
3,05
2,99
2,94
2,89
2,85
2,81
2,78
2,75
2,72
2,69
2,66
2,48
2,31
2,15
2,00
6181,43
99,44
26,79
14,11
9,64
7,48
6,24
5,44
4,89
4,49
4,18
3,94
3,75
3,59
3,45
3,34
3,24
3,16
3,08
3,02
2,96
2,91
2,86
2,82
2,78
2,75
2,71
2,68
2,66
2,63
2,45
2,28
2,12
1,97
6191,53
99,44
26,75
14,08
9,61
7,45
6,21
5,41
4,86
4,46
4,15
3,91
3,72
3,56
3,42
3,31
3,21
3,13
3,05
2,99
2,93
2,88
2,83
2,79
2,75
2,72
2,68
2,65
2,63
2,60
2,42
2,25
2,09
1,93
6200,58
99,45
26,72
14,05
9,58
7,42
6,18
5,38
4,83
4,43
4,12
3,88
3,69
3,53
3,40
3,28
3,19
3,10
3,03
2,96
2,90
2,85
2,80
2,76
2,72
2,69
2,66
2,63
2,60
2,57
2,39
2,22
2,06
1,90
6208,73
99,45
26,69
14,02
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,37
2,20
2,03
1,88
615

1
21
22
23
24
25
26
27
28
29
30
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
6216,12
99,45
26,66
13,99
9,53
7,37
6,13
5,34
4,79
4,38
4,08
3,84
3,64
3,48
3,35
3,24
3,14
3,05
2,98
2,92
2,86
2,81
2,76
2,72
2,68
2,64
2,61
2,58
2,55
2,53
2,35
2,17
2,01
1,85
6222,84
99,45
26,64
13,97
9,51
7,35
6,11
5,32
4,77
4,36
4,06
3,82
3,62
3,46
3,33
3,22
3,12
3,03
2,96
2,90
2,84
2,78
2,74
2,70
2,66
2,62
2,59
2,56
2,53
2,51
2,33
2,15
1,99
1,83
6228,99
99,46
26,62
13,95
9,49
7,33
6,09
5,30
4,75
4,34
4,04
3,80
3,60
3,44
3,31
3,20
3,10
3,02
2,94
2,88
2,82
2,77
2,72
2,68
2,64
2,60
2,57
2,54
2,51
2,49
2,31
2,13
1,97
1,81
6234,63
99,46
26,60
13,93
9,47
7,31
6,07
5,28
4,73
4,33
4,02
3,78
3,59
3,43
3,29
3,18
3,08
3,00
2,92
2,86
2,80
2,75
2,70
2,66
2,62
2,58
2,55
2,52
2,49
2,47
2,29
2,12
1,95
1,79
6239,83
99,46
26,58
13,91
9,45
7,30
6,06
5,26
4,71
4,31
4,01
3,76
3,57
3,41
3,28
3,16
3,07
2,98
2,91
2,84
2,79
2,73
2,69
2,64
2,60
2,57
2,54
2,51
2,48
2,45
2,27
2,10
1,93
1,77
6244,62
99,46
26,56
13,89
9,43
7,28
6,04
5,25
4,70
4,30
3,99
3,75
3,56
3,40
3,26
3,15
3,05
2,97
2,89
2,83
2,77
2,72
2,67
2,63
2,59
2,55
2,52
2,49
2,46
2,44
2,26
2,08
1,92
1,76
6249,07
99,46
26,55
13,88
9,42
7,27
6,03
5,23
4,68
4,28
3,98
3,74
3,54
3,38
3,25
3,14
3,04
2,95
2,88
2,81
2,76
2,70
2,66
2,61
2,58
2,54
2,51
2,48
2,45
2,42
2,24
2,07
1,90
1,74
6253,20
99,46
26,53
13,86
9,40
7,25
6,02
5,22
4,67
4,27
3,96
3,72
3,53
3,37
3,24
3,12
3,03
2,94
2,87
2,80
2,74
2,69
2,64
2,60
2,56
2,53
2,49
2,46
2,44
2,41
2,23
2,05
1,89
1,72
6257,05
99,46
26,52
13,85
9,39
7,24
6,00
5,21
4,66
4,26
3,95
3,71
3,52
3,36
3,23
3,11
3,01
2,93
2,86
2,79
2,73
2,68
2,63
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,22
2,04
1,87
1,71
6260,65
99,47
26,50
13,84
9,38
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,39
2,20
2,03
1,86
1,70
616

1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
40
60
80
6286,78
99,47
26,41
13,75
9,29
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,42
2,38
2,35
2,33
2,30
2,11
1,94
1,76
1,59
6313,03
99,48
26,32
13,65
9,20
7,06
5,82
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,33
2,29
2,26
2,23
2,21
2,02
1,84
1,66
1,47
6339,39
99,49
26,22
13,56
9,11
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,17
2,14
2,11
1,92
1,73
1,53
1,32
6365,86
99,50
26,13
13,46
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,13
2,10
2,06
2,03
2,01
1,80
1,60
1,38
1,00
Tabela 4
617
Tabela F 0,05
Valores de F para = 5%, segundo o nmero de graus de liberdade do numerador (1) e
do denominador( 2 )
1
1
10
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
161,45
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,08
4,00
3,92
161,45
199,50
19,00
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33
3,32
3,23
3,15
3,07
199,50
215,71
19,16
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,98
2,96
2,95
2,93
2,92
2,84
2,76
2,68
215,71
224,58
19,25
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,61
2,53
2,45
224,58
230,16
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
2,53
2,45
2,37
2,29
230,16
233,99
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
2,42
2,34
2,25
2,18
233,99
236,77
19,35
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
2,33
2,25
2,17
2,09
236,77
238,88
19,37
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
2,27
2,18
2,10
2,02
238,88
240,54
19,38
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,12
2,04
1,96
240,54
241,88
19,40
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,08
1,99
1,91
241,88
618

1
11
12
13
14
15
16
17
18
19
20
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
242,98
19,40
8,76
5,94
4,70
4,03
3,60
3,31
3,10
2,94
2,82
2,72
2,63
2,57
2,51
2,46
2,41
2,37
2,34
2,31
2,28
2,26
2,24
2,22
2,20
2,18
2,17
2,15
2,14
2,13
2,04
1,95
1,87
1,79
243,91
19,41
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,15
2,13
2,12
2,10
2,09
2,00
1,92
1,83
1,75
244,69
19,42
8,73
5,89
4,66
3,98
3,55
3,26
3,05
2,89
2,76
2,66
2,58
2,51
2,45
2,40
2,35
2,31
2,28
2,25
2,22
2,20
2,18
2,15
2,14
2,12
2,10
2,09
2,08
2,06
1,97
1,89
1,80
1,72
245,36
19,42
8,71
5,87
4,64
3,96
3,53
3,24
3,03
2,86
2,74
2,64
2,55
2,48
2,42
2,37
2,33
2,29
2,26
2,22
2,20
2,17
2,15
2,13
2,11
2,09
2,08
2,06
2,05
2,04
1,95
1,86
1,78
1,69
245,95
19,43
8,70
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,92
1,84
1,75
1,67
246,46
19,43
8,69
5,84
4,60
3,92
3,49
3,20
2,99
2,83
2,70
2,60
2,51
2,44
2,38
2,33
2,29
2,25
2,21
2,18
2,16
2,13
2,11
2,09
2,07
2,05
2,04
2,02
2,01
1,99
1,90
1,82
1,73
1,64
246,92
19,44
8,68
5,83
4,59
3,91
3,48
3,19
2,97
2,81
2,69
2,58
2,50
2,43
2,37
2,32
2,27
2,23
2,20
2,17
2,14
2,11
2,09
2,07
2,05
2,03
2,02
2,00
1,99
1,98
1,89
1,80
1,71
1,62
247,32
19,44
8,67
5,82
4,58
3,90
3,47
3,17
2,96
2,80
2,67
2,57
2,48
2,41
2,35
2,30
2,26
2,22
2,18
2,15
2,12
2,10
2,08
2,05
2,04
2,02
2,00
1,99
1,97
1,96
1,87
1,78
1,69
1,60
247,69
19,44
8,67
5,81
4,57
3,88
3,46
3,16
2,95
2,79
2,66
2,56
2,47
2,40
2,34
2,29
2,24
2,20
2,17
2,14
2,11
2,08
2,06
2,04
2,02
2,00
1,99
1,97
1,96
1,95
1,85
1,76
1,67
1,59
248,01
19,45
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,84
1,75
1,66
1,57
619

1
21
22
23
24
25
26
27
28
29
30
248,31
19,45
8,65
5,79
4,55
3,86
3,43
3,14
2,93
2,76
2,64
2,53
2,45
2,38
2,32
2,26
2,22
2,18
2,14
2,11
2,08
2,06
2,04
2,01
2,00
1,98
1,96
1,95
1,93
1,92
1,83
1,73
1,64
1,56
248,58
19,45
8,65
5,79
4,54
3,86
3,43
3,13
2,92
2,75
2,63
2,52
2,44
2,37
2,31
2,25
2,21
2,17
2,13
2,10
2,07
2,05
2,02
2,00
1,98
1,97
1,95
1,93
1,92
1,91
1,81
1,72
1,63
1,54
248,83
19,45
8,64
5,78
4,53
3,85
3,42
3,12
2,91
2,75
2,62
2,51
2,43
2,36
2,30
2,24
2,20
2,16
2,12
2,09
2,06
2,04
2,01
1,99
1,97
1,96
1,94
1,92
1,91
1,90
1,80
1,71
1,62
1,53
249,05
19,45
8,64
5,77
4,53
3,84
3,41
3,12
2,90
2,74
2,61
2,51
2,42
2,35
2,29
2,24
2,19
2,15
2,11
2,08
2,05
2,03
2,01
1,98
1,96
1,95
1,93
1,91
1,90
1,89
1,79
1,70
1,61
1,52
249,26
19,46
8,63
5,77
4,52
3,83
3,40
3,11
2,89
2,73
2,60
2,50
2,41
2,34
2,28
2,23
2,18
2,14
2,11
2,07
2,05
2,02
2,00
1,97
1,96
1,94
1,92
1,91
1,89
1,88
1,78
1,69
1,60
1,51
249,45
19,46
8,63
5,76
4,52
3,83
3,40
3,10
2,89
2,72
2,59
2,49
2,41
2,33
2,27
2,22
2,17
2,13
2,10
2,07
2,04
2,01
1,99
1,97
1,95
1,93
1,91
1,90
1,88
1,87
1,77
1,68
1,59
1,50
249,63
19,46
8,63
5,76
4,51
3,82
3,39
3,10
2,88
2,72
2,59
2,48
2,40
2,33
2,27
2,21
2,17
2,13
2,09
2,06
2,03
2,00
1,98
1,96
1,94
1,92
1,90
1,89
1,88
1,86
1,77
1,67
1,58
1,49
249,80
19,46
8,62
5,75
4,50
3,82
3,39
3,09
2,87
2,71
2,58
2,48
2,39
2,32
2,26
2,21
2,16
2,12
2,08
2,05
2,02
2,00
1,97
1,95
1,93
1,91
1,90
1,88
1,87
1,85
1,76
1,66
1,57
1,48
249,95
19,46
8,62
5,75
4,50
3,81
3,38
3,08
2,87
2,70
2,58
2,47
2,39
2,31
2,25
2,20
2,15
2,11
2,08
2,05
2,02
1,99
1,97
1,95
1,93
1,91
1,89
1,88
1,86
1,85
1,75
1,66
1,56
1,47
250,10
19,46
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,74
1,65
1,55
1,46
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
620

1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
40
60
80
251,14
19,47
8,59
5,72
4,46
3,77
3,34
3,04
2,83
2,66
2,53
2,43
2,34
2,27
2,20
2,15
2,10
2,06
2,03
1,99
1,96
1,94
1,91
1,89
1,87
1,85
1,84
1,82
1,81
1,79
1,69
1,59
1,50
1,39
252,20
19,48
8,57
5,69
4,43
3,74
3,30
3,01
2,79
2,62
2,49
2,38
2,30
2,22
2,16
2,11
2,06
2,02
1,98
1,95
1,92
1,89
1,86
1,84
1,82
1,80
1,79
1,77
1,75
1,74
1,64
1,53
1,43
1,32
253,25
19,49
8,55
5,66
4,40
3,70
3,27
2,97
2,75
2,58
2,45
2,34
2,25
2,18
2,11
2,06
2,01
1,97
1,93
1,90
1,87
1,84
1,81
1,79
1,77
1,75
1,73
1,71
1,70
1,68
1,58
1,47
1,35
1,22
254,31
19,50
8,53
5,63
4,37
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,51
1,39
1,25
1,01
Tabela F 0,10
621
Valores de F para = 10%, segundo o nmero de graus de liberdade do numerador (1) e

do denominador( 2)
1
1
10
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
39,86
8,53
5,54
4,54
4,06
3,78
3,59
3,46
3,36
3,29
3,23
3,18
3,14
3,10
3,07
3,05
3,03
3,01
2,99
2,97
2,96
2,95
2,94
2,93
2,92
2,91
2,90
2,89
2,89
2,88
2,84
2,79
2,75
2,71
49,50
9,00
5,46
4,32
3,78
3,46
3,26
3,11
3,01
2,92
2,86
2,81
2,76
2,73
2,70
2,67
2,64
2,62
2,61
2,59
2,57
2,56
2,55
2,54
2,53
2,52
2,51
2,50
2,50
2,49
2,44
2,39
2,35
2,30
53,59
9,16
5,39
4,19
3,62
3,29
3,07
2,92
2,81
2,73
2,66
2,61
2,56
2,52
2,49
2,46
2,44
2,42
2,40
2,38
2,36
2,35
2,34
2,33
2,32
2,31
2,30
2,29
2,28
2,28
2,23
2,18
2,13
2,08
55,83
9,24
5,34
4,11
3,52
3,18
2,96
2,81
2,69
2,61
2,54
2,48
2,43
2,39
2,36
2,33
2,31
2,29
2,27
2,25
2,23
2,22
2,21
2,19
2,18
2,17
2,17
2,16
2,15
2,14
2,09
2,04
1,99
1,94
57,24
9,29
5,31
4,05
3,45
3,11
2,88
2,73
2,61
2,52
2,45
2,39
2,35
2,31
2,27
2,24
2,22
2,20
2,18
2,16
2,14
2,13
2,11
2,10
2,09
2,08
2,07
2,06
2,06
2,05
2,00
1,95
1,90
1,85
58,20
9,33
5,28
4,01
3,40
3,05
2,83
2,67
2,55
2,46
2,39
2,33
2,28
2,24
2,21
2,18
2,15
2,13
2,11
2,09
2,08
2,06
2,05
2,04
2,02
2,01
2,00
2,00
1,99
1,98
1,93
1,87
1,82
1,77
58,91
9,35
5,27
3,98
3,37
3,01
2,78
2,62
2,51
2,41
2,34
2,28
2,23
2,19
2,16
2,13
2,10
2,08
2,06
2,04
2,02
2,01
1,99
1,98
1,97
1,96
1,95
1,94
1,93
1,93
1,87
1,82
1,77
1,72
59,44
9,37
5,25
3,95
3,34
2,98
2,75
2,59
2,47
2,38
2,30
2,24
2,20
2,15
2,12
2,09
2,06
2,04
2,02
2,00
1,98
1,97
1,95
1,94
1,93
1,92
1,91
1,90
1,89
1,88
1,83
1,77
1,72
1,67
59,86
9,38
5,24
3,94
3,32
2,96
2,72
2,56
2,44
2,35
2,27
2,21
2,16
2,12
2,09
2,06
2,03
2,00
1,98
1,96
1,95
1,93
1,92
1,91
1,89
1,88
1,87
1,87
1,86
1,85
1,79
1,74
1,68
1,63
60,19
9,39
5,23
3,92
3,30
2,94
2,70
2,54
2,42
2,32
2,25
2,19
2,14
2,10
2,06
2,03
2,00
1,98
1,96
1,94
1,92
1,90
1,89
1,88
1,87
1,86
1,85
1,84
1,83
1,82
1,76
1,71
1,65
1,60

1
11
12
13
14
15
16
17
18
19
20
2
1
60,47
60,71
60,90
61,07
61,22
61,35
61,46
61,57
61,66
61,74
622
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
9,40
5,22
3,91
3,28
2,92
2,68
2,52
2,40
2,30
2,23
2,17
2,12
2,07
2,04
2,01
1,98
1,95
1,93
1,91
1,90
1,88
1,87
1,85
1,84
1,83
1,82
1,81
1,80
1,79
1,74
1,68
1,63
1,57
9,41
5,22
3,90
3,27
2,90
2,67
2,50
2,38
2,28
2,21
2,15
2,10
2,05
2,02
1,99
1,96
1,93
1,91
1,89
1,87
1,86
1,84
1,83
1,82
1,81
1,80
1,79
1,78
1,77
1,71
1,66
1,60
1,55
9,41
5,21
3,89
3,26
2,89
2,65
2,49
2,36
2,27
2,19
2,13
2,08
2,04
2,00
1,97
1,94
1,92
1,89
1,87
1,86
1,84
1,83
1,81
1,80
1,79
1,78
1,77
1,76
1,75
1,70
1,64
1,58
1,52
9,42
5,20
3,88
3,25
2,88
2,64
2,48
2,35
2,26
2,18
2,12
2,07
2,02
1,99
1,95
1,93
1,90
1,88
1,86
1,84
1,83
1,81
1,80
1,79
1,77
1,76
1,75
1,75
1,74
1,68
1,62
1,56
1,50
9,42
5,20
3,87
3,24
2,87
2,63
2,46
2,34
2,24
2,17
2,10
2,05
2,01
1,97
1,94
1,91
1,89
1,86
1,84
1,83
1,81
1,80
1,78
1,77
1,76
1,75
1,74
1,73
1,72
1,66
1,60
1,55
1,49
9,43
5,20
3,86
3,23
2,86
2,62
2,45
2,33
2,23
2,16
2,09
2,04
2,00
1,96
1,93
1,90
1,87
1,85
1,83
1,81
1,80
1,78
1,77
1,76
1,75
1,74
1,73
1,72
1,71
1,65
1,59
1,53
1,47
9,43
5,19
3,86
3,22
2,85
2,61
2,45
2,32
2,22
2,15
2,08
2,03
1,99
1,95
1,92
1,89
1,86
1,84
1,82
1,80
1,79
1,77
1,76
1,75
1,73
1,72
1,71
1,71
1,70
1,64
1,58
1,52
1,46
9,44
5,19
3,85
3,22
2,85
2,61
2,44
2,31
2,22
2,14
2,08
2,02
1,98
1,94
1,91
1,88
1,85
1,83
1,81
1,79
1,78
1,76
1,75
1,74
1,72
1,71
1,70
1,69
1,69
1,62
1,56
1,50
1,44
9,44
5,19
3,85
3,21
2,84
2,60
2,43
2,30
2,21
2,13
2,07
2,01
1,97
1,93
1,90
1,87
1,84
1,82
1,80
1,78
1,77
1,75
1,74
1,73
1,71
1,70
1,69
1,68
1,68
1,61
1,55
1,49
1,43
9,44
5,18
3,84
3,21
2,84
2,59
2,42
2,30
2,20
2,12
2,06
2,01
1,96
1,92
1,89
1,86
1,84
1,81
1,79
1,78
1,76
1,74
1,73
1,72
1,71
1,70
1,69
1,68
1,67
1,61
1,54
1,48
1,42
623

1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
21
61,81
9,44
5,18
3,84
3,20
2,83
2,59
2,42
2,29
2,19
2,12
2,05
2,00
1,96
1,92
1,88
1,86
1,83
1,81
1,79
1,77
1,75
1,74
1,72
1,71
1,70
1,69
1,68
1,67
1,66
1,60
1,53
1,47
1,41
22
61,88
9,45
5,18
3,84
3,20
2,83
2,58
2,41
2,29
2,19
2,11
2,05
1,99
1,95
1,91
1,88
1,85
1,82
1,80
1,78
1,76
1,74
1,73
1,71
1,70
1,69
1,68
1,67
1,66
1,65
1,59
1,53
1,46
1,40
23
61,95
9,45
5,18
3,83
3,19
2,82
2,58
2,41
2,28
2,18
2,11
2,04
1,99
1,94
1,90
1,87
1,84
1,82
1,79
1,77
1,75
1,74
1,72
1,71
1,70
1,68
1,67
1,66
1,65
1,64
1,58
1,52
1,46
1,39
24
62,00
9,45
5,18
3,83
3,19
2,82
2,58
2,40
2,28
2,18
2,10
2,04
1,98
1,94
1,90
1,87
1,84
1,81
1,79
1,77
1,75
1,73
1,72
1,70
1,69
1,68
1,67
1,66
1,65
1,64
1,57
1,51
1,45
1,38
25
62,05
9,45
5,17
3,83
3,19
2,81
2,57
2,40
2,27
2,17
2,10
2,03
1,98
1,93
1,89
1,86
1,83
1,80
1,78
1,76
1,74
1,73
1,71
1,70
1,68
1,67
1,66
1,65
1,64
1,63
1,57
1,50
1,44
1,38
26
62,10
9,45
5,17
3,83
3,18
2,81
2,57
2,40
2,27
2,17
2,09
2,03
1,97
1,93
1,89
1,86
1,83
1,80
1,78
1,76
1,74
1,72
1,70
1,69
1,68
1,67
1,65
1,64
1,63
1,63
1,56
1,50
1,43
1,37
27
62,15
9,45
5,17
3,82
3,18
2,81
2,56
2,39
2,26
2,17
2,09
2,02
1,97
1,92
1,88
1,85
1,82
1,80
1,77
1,75
1,73
1,72
1,70
1,69
1,67
1,66
1,65
1,64
1,63
1,62
1,56
1,49
1,43
1,36
28
62,19
9,46
5,17
3,82
3,18
2,81
2,56
2,39
2,26
2,16
2,08
2,02
1,96
1,92
1,88
1,85
1,82
1,79
1,77
1,75
1,73
1,71
1,69
1,68
1,67
1,66
1,64
1,63
1,62
1,62
1,55
1,49
1,42
1,35
29
62,23
9,46
5,17
3,82
3,18
2,80
2,56
2,39
2,26
2,16
2,08
2,01
1,96
1,92
1,88
1,84
1,81
1,79
1,76
1,74
1,72
1,71
1,69
1,68
1,66
1,65
1,64
1,63
1,62
1,61
1,55
1,48
1,41
1,35
30
62,26
9,46
5,17
3,82
3,17
2,80
2,56
2,38
2,25
2,16
2,08
2,01
1,96
1,91
1,87
1,84
1,81
1,78
1,76
1,74
1,72
1,70
1,69
1,67
1,66
1,65
1,64
1,63
1,62
1,61
1,54
1,48
1,41
1,34
624

1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
40
60
80
62,53
9,47
5,16
3,80
3,16
2,78
2,54
2,36
2,23
2,13
2,05
1,99
1,93
1,89
1,85
1,81
1,78
1,75
1,73
1,71
1,69
1,67
1,66
1,64
1,63
1,61
1,60
1,59
1,58
1,57
1,51
1,44
1,37
1,30
62,79
9,47
5,15
3,79
3,14
2,76
2,51
2,34
2,21
2,11
2,03
1,96
1,90
1,86
1,82
1,78
1,75
1,72
1,70
1,68
1,66
1,64
1,62
1,61
1,59
1,58
1,57
1,56
1,55
1,54
1,47
1,40
1,32
1,24
63,06
9,48
5,14
3,78
3,12
2,74
2,49
2,32
2,18
2,08
2,00
1,93
1,88
1,83
1,79
1,75
1,72
1,69
1,67
1,64
1,62
1,60
1,59
1,57
1,56
1,54
1,53
1,52
1,51
1,50
1,42
1,35
1,26
1,17
63,33
9,49
5,13
3,76
3,11
2,72
2,47
2,29
2,16
2,06
1,97
1,90
1,85
1,80
1,76
1,72
1,69
1,66
1,63
1,61
1,59
1,57
1,55
1,53
1,52
1,50
1,49
1,48
1,47
1,46
1,38
1,29
1,19
1,01
625
Tabela 5
Tabela de Tukey 0,01
R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120
N de Colunas da ANOVA( K )
2
90,00
14,00
8,26
6,51
5,70
5,24
4,95
4,74
4,60
4,48
4,39
4,32
4,26
4,21
4,17
4,13
4,10
4,07
4,05
4,02
3,96
3,89
3,82
3,76
3,70
3,64
3
135,00
19,00
10,60
8,12
6,97
6,33
5,92
5,63
5,43
5,27
5,14
5,04
4,96
4,89
4,83
4,78
4,74
4,70
4,67
4,64
4,54
4,45
4,37
4,28
4,20
4,12
4
164,00
22,30
12,20
9,17
7,80
7,03
6,54
6,20
5,96
6,77
5,62
5,50
5,40
5,32
5,25
5,19
5,14
5,09
5,05
5,02
4,91
4,80
4,70
4,60
4,50
4,40
5
186,00
24,70
13,30
9,96
8,42
7,56
7,01
6,63
6,35
6,14
5,97
5,84
5,73
5,63
5,56
5,49
5,43
5,38
5,33
5,29
5,17
5,05
4,93
4,82
4,71
4,60
6
202,00
26,60
14,20
10,60
8,91
7,97
7,37
6,96
6,66
6,43
6,25
6,10
5,98
5,88
5,80
5,72
5,66
5,60
5,55
5,51
5,37
5,24
5,11
4,99
4,87
4,76
7
216,00
28,20
15,00
11,10
9,32
8,32
7,68
7,24
6,91
6,67
6,48
6,32
6,19
6,08
5,99
5,92
5,85
5,79
5,73
5,69
5,54
5,40
5,27
5,13
5,01
4,88
8
227,00
29,50
15,60
11,50
9,67
8,61
7,94
7,47
7,13
6,87
6,67
6,51
6,37
6,26
6,16
6,08
6,01
5,94
5,89
5,84
5,69
5,54
5,39
5,25
5,12
4,99
9
237,00
30,70
16,20
11,90
9,97
8,87
8,17
7,68
7,32
7,05
6,84
6,67
6,53
6,41
6,31
6,22
6,15
6,08
6,02
5,97
5,81
5,65
5,50
5,36
5,21
5,08
10
246,00
31,70
16,70
12,30
10,20
9,10
8,37
7,87
7,49
7,21
6,99
6,81
6,67
6,54
6,44
6,35
6,27
6,20
6,14
6,09
5,92
5,76
5,60
5,45
5,30
5,16
11
253,00
32,60
17,10
12,60
10,50
9,30
8,55
8,03
7,65
7,36
7,13
6,94
6,79
6,66
6,55
6,46
6,38
6,31
6,25
6,19
6,02
5,85
5,69
5,53
5,38
5,23
Tabela 5
626
R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120
2
18,00
6,08
4,50
3,93
3,64
3,46
3,34
3,26
3,20
3,15
3,11
3,08
3,06
3,03
3,01
3,00
2,98
2,97
2,96
2,95
2,92
2,89
2,86
2,83
2,80
2,77
3
27,00
8,33
5,91
5,04
4,60
4,34
4,16
4,04
4,95
3,88
3,82
3,77
3,73
3,70
3,67
3,65
3,63
3,61
3,59
3,58
3,53
3,49
3,44
3,40
3,36
3,31
4
32,80
9,80
6,82
5,76
5,22
4,90
4,68
4,53
4,41
4,33
4,26
4,20
4,15
4,11
4,08
4,05
4,02
4,00
3,98
3,96
3,90
3,85
3,79
3,74
3,68
3,63
5
37,10
10,90
7,50
6,29
5,67
5,30
5,06
4,89
4,76
4,65
4,57
4,51
4,45
4,41
4,37
4,33
4,30
4,28
4,25
4,23
4,17
4,10
4,04
3,98
3,92
3,86
6
40,40
11,70
8,04
6,71
6,03
5,63
5,36
5,17
5,02
4,91
4,82
4,75
4,69
4,64
4,59
4,56
4,52
4,49
4,47
4,45
4,37
4,30
4,23
4,16
4,10
4,03
7
43,10
12,40
8,48
7,05
6,33
5,90
5,61
5,40
5,24
5,12
5,03
4,95
4,88
4,83
4,78
4,74
4,70
4,67
4,65
4,62
4,54
4,46
4,39
4,31
4,24
4,17
8
45,40
13,00
8,85
7,35
6,58
6,12
5,82
5,60
5,43
5,30
5,20
5,12
5,05
4,99
4,94
4,90
4,86
4,82
4,79
4,77
4,68
4,60
4,52
4,44
4,36
4,29
9
47,40
13,50
9,18
7,60
6,80
6,32
6,00
5,77
5,59
5,46
5,35
5,27
5,19
5,13
5,08
5,03
4,99
4,96
4,92
4,90
4,81
4,72
4,63
4,55
4,47
4,39
10
49,10
14,00
9,46
7,83
6,99
6,49
6,16
5,92
5,74
5,60
5,49
5,39
5,32
5,25
5,20
5,15
5,11
5,07
5,04
5,01
4,92
4,82
4,73
4,65
4,56
4,47
11
50,60
14,40
9,72
8,03
7,17
6,65
6,30
6,05
5,87
5,72
5,61
5,51
5,43
5,36
5,31
5,26
5,21
5,17
5,14
5,11
5,01
4,92
4,82
4,73
4,64
4,55
627
Tabela 5
R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120
2
8,93
4,13
3,33
3,01
2,85
2,75
2,68
2,63
2,59
2,56
2,54
2,52
2,50
2,49
2,48
2,47
2,46
2,45
2,45
2,44
2,42
2,40
2,38
2,36
2,34
2,33
3
13,40
5,73
4,47
3,98
3,72
3,56
3,45
3,37
3,32
3,27
3,23
3,20
3,18
3,16
3,14
3,12
3,11
3,10
3,09
3,08
3,05
3,02
2,99
2,96
2,93
2,90
4
16,40
6,77
5,20
4,59
4,26
4,07
3,93
3,83
3,76
3,70
3,66
3,62
3,59
3,56
3,54
3,52
3,50
3,49
3,47
3,46
3,42
3,39
3,35
3,31
3,28
3,24
5
18,50
7,54
5,74
5,03
4,66
4,44
4,28
4,17
4,08
4,02
3,96
3,92
3,88
3,85
3,83
3,80
3,78
3,77
3,75
3,74
3,69
3,65
3,60
3,56
3,52
3,48
6
20,20
8,14
6,16
5,39
4,98
4,73
4,55
4,43
4,34
4,26
4,20
4,16
4,12
4,08
4,05
4,03
4,00
3,98
3,97
3,95
3,90
3,85
3,80
3,75
3,71
3,66
7
21,50
8,63
6,51
5,68
5,24
4,97
4,78
4,65
4,54
4,47
4,40
4,35
4,30
4,27
4,23
4,21
4,18
4,16
4,14
4,12
4,07
4,02
3,96
3,91
3,86
3,81
8
22,60
9,05
6,81
5,93
5,46
5,17
4,97
4,83
4,72
4,64
4,57
4,51
4,46
4,42
4,39
4,36
4,33
4,31
4,29
4,27
4,21
4,16
4,10
4,04
3,99
3,93
9
23,60
9,41
7,26
6,14
5,65
5,34
5,14
4,99
4,87
4,78
4,71
4,65
4,60
4,56
4,52
4,49
4,46
4,44
4,42
4,40
4,34
4,28
4,21
4,16
4,10
4,04
10
24,50
9,72
7,29
6,33
5,82
5,50
5,28
5,13
5,01
4,91
4,84
4,78
4,72
4,68
4,64
4,61
4,58
4,55
4,53
4,51
4,44
4,38
4,32
4,25
4,19
4,13
11
25,20
10,00
7,49
6,49
5,97
5,64
5,41
5,25
5,13
5,03
4,95
4,89
4,83
4,79
4,75
4,71
4,68
4,65
4,63
4,61
4,54
4,47
4,41
4,34
4,28
4,21
Tabela 6
Valor-p por Valores de F
2
Valor-p
628
0,250
0,100
0,050
1
5,83
39,90
161,00
2
7,50
49,50
200,00
3
8,20
53,60
216,00
4
8,58
55,80
225,00
5
8,82
57,20
230,00
6
8,98
58,20
234,00
8
9,19
59,40
239,00
10
9,32
60,20
242,00
20
9,58
61,70
248,00
40
9,71
62,50
251,00
9,85
63,30
254,00
0,250
0,100
0,050
0,010
0,001
2,57
8,53
18,50
98,50
998,00
3,00
9,00
19,00
99,00
999,00
3,15
9,16
19,20
99,20
999,00
3,23
9,24
19,20
99,20
999,00
3,28
9,29
19,30
99,30
999,00
3,31
9,33
19,30
99,30
999,00
3,35
9,37
19,40
99,40
999,00
3,38
9,39
19,40
99,40
999,00
3,43
9,44
19,40
99,40
999,00
3,45
9,47
19,50
99,50
999,00
3,48
9,49
19,50
99,50
999,00
0,250
0,100
0,050
0,010
0,001
2,02
5,54
10,10
34,10
167,00
2,28
5,46
9,55
30,80
149,00
2,36
5,39
9,28
29,50
141,00
2,39
5,34
9,12
28,70
137,00
2,41
5,31
9,10
28,20
135,00
2,42
5,28
8,94
27,90
133,00
2,44
5,25
8,85
27,50
131,00
2,44
5,23
8,79
27,20
129,00
2,46
5,18
8,66
26,70
126,00
2,47
5,16
8,59
26,40
125,00
2,47
5,13
8,53
26,10
124,00
0,250
0,100
0,050
0,010
0,001
1,81
4,54
7,71
21,10
74,10
2,00
4,32
6,94
18,00
61,30
2,05
4,19
6,59
16,70
56,20
2,06
4,11
6,39
16,00
53,40
2,07
4,05
6,26
15,50
51,70
2,08
4,01
6,16
15,20
50,50
2,08
3,95
6,04
14,80
49,00
2,08
3,92
5,96
14,50
48,10
2,08
3,84
5,80
14,00
46,10
2,08
3,80
5,72
13,70
45,10
2,08
3,76
5,63
13,50
44,10
0,250
0,100
0,050
0,010
0,001
1,69
4,06
6,61
16,30
47,20
1,85
3,78
5,79
13,30
37,10
1,88
3,62
5,41
12,10
33,20
1,89
3,52
5,19
11,40
31,10
1,89
3,45
5,05
11,00
29,80
1,89
3,40
4,95
10,70
28,80
1,89
3,34
4,82
10,30
27,60
1,89
3,30
4,74
10,10
26,90
1,88
3,21
4,56
9,55
25,40
1,88
3,16
4,46
9,29
24,60
1,87
3,10
4,36
9,02
23,80
0,250
0,100
0,050
0,010
0,001
1,62
3,78
5,99
13,70
35,50
1,76
3,46
5,14
10,90
27,00
1,78
3,29
4,76
9,78
23,70
1,79
3,18
4,53
9,15
21,90
1,79
3,11
4,39
8,75
20,80
1,78
3,05
4,28
8,47
20,00
1,77
2,98
4,15
8,10
19,00
1,77
2,94
4,06
7,87
18,40
1,76
2,84
3,87
7,40
17,10
1,75
2,78
3,77
7,14
16,40
1,74
2,72
3,67
6,88
15,80
0,250
0,100
0,050
0,010
0,001
1,57
3,59
5,59
12,20
29,30
1,70
3,26
4,74
9,55
21,70
1,72
3,07
4,35
8,45
18,80
1,72
2,96
4,12
7,85
17,20
1,71
2,88
3,97
7,46
16,20
1,71
2,83
3,87
7,19
15,50
1,70
2,75
3,73
6,84
14,60
1,69
2,70
3,64
6,62
14,10
1,67
2,59
3,44
6,16
12,90
1,66
2,54
3,34
5,91
12,30
1,65
2,47
3,23
5,65
11,70
0,250
0,100
0,050
0,010
0,001
1,54
3,46
5,32
11,30
25,40
1,66
3,11
4,46
8,65
18,50
1,67
2,92
4,07
7,59
15,80
1,66
2,81
3,84
7,01
14,40
1,66
2,73
3,69
6,63
13,50
1,65
2,67
3,58
6,37
12,90
1,64
2,59
3,44
6,03
12,00
1,63
2,54
3,35
5,81
11,50
1,61
2,42
3,15
5,36
10,50
1,59
2,36
3,04
5,12
9,92
1,58
2,29
2,93
4,86
9,33
Valor-p
Tabela 6-Valor-p por Valores de F-(Continuao)

1
0,250
0,100
0,050
0,010
0,001
1
1,51
3,36
5,12
10,6
22,9
10
0,250
0,100
1,49
3,28
2
1,62
3,01
4,26
8,02
16,4
3
1,63
2,81
3,86
6,99
13,90
4
1,63
2,69
3,63
6,42
12,60
5
1,62
2,61
3,48
6,06
11,70
6
1,61
2,55
3,37
5,80
11,10
8
1,60
2,47
3,23
5,47
10,40
10
1,59
2,42
3,14
5,26
9,89
20
1,56
2,30
2,94
4,81
8,90
40
1,55
2,23
2,83
4,57
8,37
1,53
2,16
2,71
4,31
7,81
1,60
2,92
1,60
2,73
1,59
2,61
1,59
2,52
1,58
2,46
1,56
2,38
1,55
2,32
1,52
2,20
1,51
2,13
1,48
2,06
629
0,050
0,010
0,001
4,96
10,00
21,00
4,10
7,56
14,90
3,71
6,55
12,60
3,48
5,99
11,30
3,33
5,64
10,50
3,22
5,39
9,92
3,07
5,06
9,20
2,98
4,85
8,75
2,77
4,41
7,80
2,66
4,17
7,30
2,54
3,91
6,76
12
0,250
0,100
0,050
0,010
0,001
1,56
3,18
4,75
9,33
18,6
1,56
2,81
3,89
6,93
13,00
1,56
2,61
3,49
5,95
10,80
1,55
2,48
3,26
5,41
9,63
1,54
2,39
3,11
5,06
8,89
1,53
2,33
3,00
4,82
8,38
1,51
2,24
2,85
4,50
7,71
1,50
2,19
2,75
4,30
7,29
1,47
2,06
2,54
3,86
6,40
1,45
1,99
2,43
3,62
5,93
1,42
1,90
2,30
3,36
5,42
14
0,250
0,100
0,050
0,010
0,001
1,44
3,10
4,60
8,86
17,10
1,53
2,73
3,74
5,51
11,80
1,53
2,52
3,34
5,56
9,73
1,52
2,39
3,11
5,04
8,62
1,51
2,31
2,96
4,69
7,92
1,50
2,24
2,85
4,46
7,43
1,48
2,15
2,70
4,14
6,80
1,46
2,10
2,60
3,94
6,40
1,43
1,96
2,39
3,51
5,56
1,41
1,89
2,27
3,27
5,10
1,38
1,80
2,13
3,00
4,60
16
0,250
0,100
0,050
0,010
0,001
1,42
3,05
4,49
8,53
16,10
1,51
2,67
3,63
6,23
11,00
1,51
2,46
3,24
5,29
9,00
1,50
2,33
3,01
4,77
7,94
1,48
2,24
2,85
4,44
7,27
1,48
2,18
2,74
4,20
6,81
1,46
2,09
2,59
3,89
6,19
1,45
2,03
2,49
3,69
5,81
1,40
1,89
2,28
3,26
4,99
1,37
1,81
2,15
3,02
4,54
1,34
1,72
2,01
2,75
4,06
18
0,250
0,100
0,050
0,010
0,001
1,41
3,01
4,41
8,29
15,40
1,50
2,62
3,55
6,01
10,40
1,49
2,42
3,16
5,09
8,49
1,48
2,29
2,93
4,58
7,46
1,46
2,20
2,77
4,25
6,81
1,45
2,13
2,66
4,01
6,35
1,43
2,04
2,51
3,71
5,76
1,42
1,98
2,41
3,51
5,39
1,38
1,84
2,19
3,08
4,59
1,35
1,75
2,06
2,84
4,15
1,32
1,66
1,92
2,57
3,67
20
0,250
0,100
0,050
0,010
0,001
1,40
2,97
4,35
8,10
14,80
1,49
2,59
3,49
5,85
9,95
1,48
2,38
3,10
4,94
8,10
1,46
2,25
2,87
4,43
7,10
1,45
2,16
2,71
4,10
6,46
1,44
2,09
2,60
3,87
6,02
1,42
2,00
2,45
3,56
5,44
1,40
1,94
2,35
3,37
5,08
1,36
1,79
2,12
2,94
4,29
1,33
1,71
1,99
2,69
3,86
1,29
1,61
1,84
2,42
3,38
30
0,250
0,100
0,050
0,010
0,001
1,38
2,88
4,17
7,56
13,30
1,45
2,49
3,32
5,39
8,77
1,44
2,28
2,92
4,51
7,05
1,42
2,14
2,69
4,02
6,12
1,41
2,05
2,53
3,70
5,53
1,39
1,98
2,42
3,47
5,12
1,37
1,88
2,27
3,17
4,58
1,35
1,82
2,16
2,98
4,24
1,30
1,67
1,93
2,55
3,49
1,27
1,57
1,79
2,30
3,07
1,23
1,46
1,62
2,01
2,59
Tabela 6-Valor-p por Valores de F-(Continuao)
Valor-p
2
1,44
2,44
3,23
5,18
8,25
3
1,42
2,23
2,84
4,31
6,60
4
1,40
2,09
2,61
3,83
5,70
5
1,39
2,00
2,45
3,51
5,13
1
6
1,37
1,93
2,34
3,29
4,73
8
1,35
1,83
2,18
2,99
4,21
10
1,33
1,76
2,08
2,80
3,87
20
1,28
1,61
1,84
2,37
3,15
40
1,24
1,51
1,69
2,11
2.73
1,19
1,38
1,51
1,80
2,23
40
0,250
0,100
0,050
0,010
0,001
1
1,36
2,84
4,08
7,31
12,60
60
0,250
0,100
0,050
0,010
0,001
1,35
2,79
4,00
7,08
12,00
1,42
2,39
3,15
4,98
7,76
1,41
2,18
2,76
4,13
6,17
1,38
2,04
2,53
3,65
5,31
1,37
1,95
2,37
3,34
4,76
1,35
1,87
2,25
3,12
4,37
1,32
1,77
2,10
2,82
3,87
1,30
1,71
1,99
2,63
3,54
1,25
1,54
1,75
2,20
2,83
1,21
1,44
1,59
1,94
2,41
1,15
1,29
1,39
1,60
1,89
120
0,250
1,34
1,40
1,39
1,37
1,35
1,33
1,30
1,28
1,22
1,18
1,10
630
0,100
0,050
0,010
0,001
2,75
3,92
6,85
11,40
2,35
3,07
4,79
7,32
2,13
2,68
3,95
5,79
1,99
2,45
3,48
4,95
1,90
2,29
3,17
4,42
1,82
2,17
2,96
4,04
1,72
2,02
2,66
3,55
1,65
1,91
2,47
3,24
1,48
1,66
2,03
2,53
1,37
1,50
1,76
2,11
1,19
1,25
1,38
1,54
0,250
0,100
0,050
0,010
0,001
1,32
2,71
3,84
6,63
10,80
1,39
2,30
3,00
4,61
6,91
1,37
2,08
2,60
3,78
5,42
1,35
1,94
2,37
3,32
4,62
1,33
1,85
2,21
3,02
4,10
1,31
1,77
2,10
2,80
3,74
1,28
1,67
1,94
2,51
3,27
1,25
1,60
1,83
2,32
2,96
1,19
1,42
1,57
1,88
2,27
1,14
1,30
1,39
1,59
1,84
1,00
1,00
1,00
1,00
1,00
631
Tabela 7
Durbin-Watson 1%
n
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
NVI=1
dL
dU
0,81
1,07
0,84
1,09
0,87
1,10
0,90
1,12
0,93
1,13
0,95
1,15
0,97
1,16
1,00
1,17
1,02
1,19
1,04
1,20
1,05
1,21
1,07
1,22
1,09
1,23
1,10
1,24
1,12
1,25
1,13
1,26
1,15
1,27
1,16
1,28
1,17
1,29
1,18
1,30
1,19
1,31
1,21
1,32
1,22
1,32
1,23
1,33
1,24
1,34
1,25
1,34
1,29
1,38
1,32
1,40
1,36
1,43
1,38
1,45
1,41
1,47
1,43
1,49
1,45
1,50
1,47
1,52
1,48
1,53
1,50
1,54
1,51
1,55
1,52
1,56
NVI=2
dL
dU
0,70
1,25
0,74
1,25
0,77
1,25
0,80
1,26
0,83
1,26
0,86
1,27
0,89
1,27
0,91
1,28
0,94
1,29
0,96
1,30
0,98
1,30
1,00
1,31
1,02
1,32
1,04
1,32
1,05
1,33
1,07
1,34
1,08
1,34
1,10
1,35
1,11
1,36
1,13
1,36
1,14
1,37
1,15
1,38
1,16
1,38
1,18
1,39
1,19
1,39
1,20
1,40
1,24
1,42
1,28
1,45
1,32
1,47
1,35
1,48
1,38
1,50
1,40
1,52
1,42
1,53
1,44
1,54
1,46
1,55
1,47
1,56
1,49
1,57
1,50
1,58
NVI=3
dL
dU
0,59
1,46
0,63
1,44
0,67
1,43
0,71
1,42
0,74
1,41
0,77
1,41
0,80
1,41
0,83
1,40
0,86
1,40
0,88
1,41
0,90
1,41
0,93
1,41
0,95
1,41
0,97
1,41
0,99
1,42
1,01
1,42
1,02
1,42
1,04
1,43
1,05
1,43
1,07
1,43
1,08
1,44
1,10
1,44
1,11
1,45
1,12
1,45
1,14
1,45
1,15
1,46
1,20
1,48
1,24
1,49
1,28
1,51
1,32
1,52
1,35
1,53
1,37
1,55
1,39
1,56
1,42
1,57
1,43
1,58
1,45
1,59
1,47
1,60
1,48
1,60
NVI=4
dL
dU
0,49
1,70
0,53
1,66
0,57
1,63
0,61
1,60
0,65
1,58
0,68
1,57
0,72
1,55
0,75
1,54
0,77
1,53
0,80
1,53
0,83
1,52
0,85
1,52
0,88
1,51
0,90
1,51
0,92
1,51
0,94
1,51
0,96
1,51
0,98
1,51
1,00
1,51
1,01
1,51
1,03
1,51
1,04
1,51
1,06
1,51
1,07
1,52
1,09
1,52
1,10
1,51
1,16
1,51
1,20
1,51
1,25
1,52
1,28
1,52
1,31
1,57
1,34
1,58
1,37
1,59
1,39
1,60
1,41
1,60
1,43
1,61
1,45
1,62
1,46
1,63
NVI=5
dL
dU
0,39
1,96
0,44
1,90
0,48
1,85
0,52
1,80
0,56
1,77
0,60
1,74
0,63
1,71
0,66
1,69
0,70
1,67
0,72
1,66
0,75
1,65
0,78
1,64
0,81
1,63
0,83
1,62
0,85
1,61
0,88
1,61
0,90
1,60
0,92
1,59
0,94
1,59
0,95
1,59
0,97
1,59
0,99
1,59
1,00
1,58
1,02
1,58
1,03
1,58
1,05
1,58
1,11
1,59
1,16
1,59
1,21
1,60
1,25
1,61
1,28
1,61
1,31
1,61
1,34
1,62
1,36
1,62
1,39
1,63
1,41
1,64
1,42
1,64
1,44
1,64
632
Tabela 7
Durbin-Watson 5%
n
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
NVI=1
dL
dU
1,08
1,36
1,10
1,37
1,13
1,38
1,16
1,39
1,18
1,40
1,20
1,41
1,22
1,42
1,24
1,43
1,26
1,44
1,27
1,45
1,29
1,45
1,30
1,46
1,32
1,47
1,33
1,48
1,34
1,48
1,35
1,49
1,36
1,50
1,37
1,50
1,38
1,51
1,39
1,51
1,40
1,52
1,41
1,52
1,42
1,53
1,43
1,54
1,43
1,54
1,44
1,54
1,48
1,57
1,50
1,59
1,53
1,60
1,55
1,62
1,57
1,63
1,58
1,64
1,60
1,65
1,61
1,66
1,62
1,67
1,63
1,68
1,64
1,69
1,65
1,69
NVI=2
dL
dU
0,95
1,54
0,98
1,54
1,02
1,54
1,05
1,53
1,08
1,53
1,10
1,54
1,13
1,54
1,15
1,54
1,17
1,54
1,19
1,55
1,21
1,55
1,22
1,55
1,24
1,56
1,26
1,56
1,27
1,56
1,28
1,57
1,30
1,57
1,31
1,57
1,32
1,57
1,33
1,58
1,34
1,58
1,35
1,59
1,36
1,59
1,37
1,59
1,38
1,60
1,39
1,60
1,43
1,62
1,46
1,63
1,49
1,64
1,51
1,65
1,54
1,66
1,55
1,67
1,57
1,68
1,59
1,69
1,60
1,70
1,61
1,70
1,62
1,71
1,63
1,72
NVI=3
dL
dU
0,82
1,75
0,86
1,73
0,90
1,71
0,93
1,69
0,97
1,68
1,00
1,68
1,03
1,67
1,05
1,66
1,08
1,66
1,10
1,66
1,12
1,66
1,14
1,65
1,16
1,65
1,18
1,65
1,20
1,65
1,21
1,65
1,23
1,65
1,24
1,65
1,26
1,65
1,27
1,65
1,28
1,65
1,29
1,65
1,31
1,66
1,32
1,66
1,33
1,66
1,34
1,66
1,38
1,67
1,42
1,67
1,45
1,68
1,48
1,69
1,50
1,70
1,52
1,70
1,54
1,71
1,56
1,72
1,57
1,72
1,59
1,73
1,60
1,73
1,61
1,74
NVI=4
dL
dU
0,69
1,97
0,74
1,93
0,78
1,90
0,82
1,87
0,86
1,85
0,90
1,83
0,93
1,81
0,96
1,80
0,99
1,79
1,01
1,78
1,04
1,77
1,06
1,76
1,08
1,76
1,10
1,75
1,12
1,74
1,14
1,74
1,16
1,74
1,18
1,73
1,19
1,73
1,21
1,73
1,22
1,73
1,24
1,73
1,25
1,72
1,26
1,72
1,27
1,72
1,29
1,72
1,34
1,72
1,38
1,72
1,41
1,72
1,44
1,73
1,47
1,73
1,49
1,74
1,51
1,74
1,53
1,74
1,55
1,75
1,57
1,75
1,58
1,75
1,59
1,76
NVI=5
dL
dU
0,56
2,21
0,62
2,15
0,67
2,10
0,71
2,06
0,75
2,02
0,79
1,99
0,83
1,96
0,86
1,94
0,90
1,92
0,93
1,90
0,95
1,89
0,98
1,88
1,01
1,86
1,03
1,85
1,05
1,84
1,07
1,83
1,09
1,83
1,11
1,82
1,13
1,81
1,15
1,81
1,16
1,80
1,18
1,80
1,19
1,80
1,21
1,79
1,22
1,79
1,23
1,79
1,29
1,79
1,34
1,77
1,38
1,77
1,41
1,77
1,44
1,77
1,46
1,77
1,49
1,77
1,51
1,77
1,52
1,77
1,54
1,78
1,56
1,78
1,57
1,78
633
Tabela 8
Kolmogorov-Smirnov
Tamanho
da
Amostra(n)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
25
30
35
Mais de 35
Nvel de Significncia( )
0,10
0,05
0,20
0,15
0,900
0,684
0,565
0,494
0,446
0,410
0,381
0,358
0,339
0,322
0,307
0,295
0,284
0,274
0,266
0,258
0,250
0,244
0,237
0,231
0,210
0,190
0,180
1,07/n
0,925
0,726
0,597
0,525
0,474
0,436
0,405
0,381
0,360
0,342
0,326
0,313
0,302
0,292
0,283
0,274
0,266
0,259
0,252
0,246
0,220
0,200
0,190
1,14/n
0,950
0,776
0,642
0,564
0,510
0,470
0,438
0,411
0,388
0,368
0,352
0,338
0,325
0,314
0,304
0,295
0,286
0,278
0,272
0,264
0,240
0,220
0,210
1,22/n
0,975
0,842
0,708
0,624
0,565
0,521
0,486
0,457
0,432
0,410
0,391
0,375
0,361
0,349
0,338
0,328
0,318
0,309
0,301
0,294
0,270
0,240
0,230
1,36/n
0,01
0,995
0,929
0,828
0,733
0,669
0,618
0,577
0,543
0,514
0,490
0,468
0,450
0,433
0,418
0,404
0,392
0,381
0,371
0,363
0,356
0,320
0,290
0,270
0,63/n
Bibliografia
634
1. BARBETTA, PEDRO ALBERTO; REIS, MARCELO MENEZES;

BORNIA, ANTONIO CEZAR. Estatstica para Cursos de Engenharia
e Informtica. So Paulo. Editora Atlas, 2004.
2. BARNETT, V. Sample Survey: Principies and Methods. 3nd Edition.
London: Arnold, 1974.
3. BOLFARINE, H ; BUSSAB, W. O. Elementos de Amostragem. So Paulo:
ABE-Projeto Fisher, 2005.
4. BOLFARINE, HELENO; SANDOVAL, MNICA CARNEIRO. Introduo
Inferncia Estatstica. Rio de Janeiro. Coleo Matemtica Aplicada, 2000.
5. BUSSAB. W. O. ; MORETTIN, P. A. Estatstica Bsica. 5ed. So Paulo. Saraiva,
2003.
6. CONOVER, W J. (1998) Practical Nonparametric Statistics. 3. ed.
New York: John Wiley.
7. COSTA, Giovani G . O. Curso de Estatstica Bsica. So Paulo.
Editora Atlas, 2011.
8. COSTA, Giovani G . O. ; GIANNOTTI, Juliana D. G. Estatstica
Aplicada ao Turismo. Volumes 1 e 2. 3 ed. Rio de Janeiro: Fundao
CECIERJ, 2010.
9. COSTA NETO, PEDRO LUIZ DE OLIVEIRA. Estatstica. Editora
Edgard Blcher Ltda. So Paulo, 2002.
10. CRESPO, ANTNIO ARNOT. Estatstica Fcil. So Paulo. Editora
Saraiva, 2000.
11. DE GROOT, M.H. ; SCHERVISH, MJ.
Probability and Staistics. 3ed.,
NewYork: Addison-//weley, 2002.

12. DURBIN, J., and WATSON, G. S. "Testing for Serial Correlation in
Least Squares Regression, I." Biometrika 37, 409428,1950.
13. DURBIN, J., and WATSON, G. S, G. S. "Testing for Serial Correlation
in Least Squares Regression, II." Biometrika 38, 159179,1951.
14. FREUND, JOHN E.; SIMON, GARY A. Estatstica Aplicada: economia,

administrao e contabilidade.Traduo: Alfredo Alves de farias. 9ed. Porto Alegre:
Bookman, 2000.
635
15. GAUSS, CARL FRIEDRICH. Theoria Motus Corporum Coelestium in

Sectionibus Conicis Solem Ambientium. Estados Unidos. Paperback,
2011.
16. HAIR, JOSEPH F.; ANDERSON, ROLPH E.; TATHAM, RONALD L.;
BLACK, WILLIAN C. Anlise Multivariada de Dados. Traduo:
AdonaiSchlup SabtAnna e Anselmo Chaves Neto. Porto Alegre:Bookman.,
5ed. 2005.
17. HOFFMANN, Rodolfo. (2006) Anlise de Regresso. 4. ed. So
Paulo: Hucitec.
18. JARQUE, CARLOS M.; BERA, ANIL K. "Efficient tests for normality,
homoscedasticity and serial independence of regression residuals".
Economics Letters 6 (3): 255259. doi:10.1016/0165-1765(80)900245,1980
19. JARQUE, CARLOS M.; BERA, ANIL K. "Efficient tests for normality,
homoscedasticity and serial independence of regression residuals:
Monte
Carlo
evidence".
Economics
Letters
(4):
313318.
doi:10.1016/0165-1765(81)90035-5, 1981
20. JARQUE, CARLOS M.; BERA, ANIL K. "A test for normality of
observations and regression residuals". International Statistical
Review 55 (2): 163172. JSTOR 1403192, 1987.
21. JUDGE; et al. Introduction and the theory and practice of
econometrics (3rd ed.). pp. 890892, 1982.
22. JOHNSON,
Richard;
WICHERN,
Dean.
Applied
Multivariate
Statistical Analysis. 6. ed. New Jersey: Prentice Hall, 2007.

23. JNIO, Joseph F. Hair ; BALIM, Barry; MONEY Artur H.; SAMOUEL,
Phillip. Fundamentos de Mtodos de Pesquisa em Administrao.
So Paulo: Bookman, 2010.
24. KOLMOGOROV, A. "Sulla determinazione empirica di una legge di
distribuzione" G. Inst. Ital. Attuari, 4, 83,1933
25. KUTNER,
MICHAEL;
NETER,
JOHN;
NACHTSHEIM,
CHRISTOPHER J.; LI, WILLIAN. Applied Linear Statistical Models. 5.

ed. New York: McGraw-Hill/Irwin, 2004.
26. LARSON, RON.; FARBER, BETSY. Estatstica Aplicada. So Paulo.
Pearson Prentice Halll, 2004.
636
27. LEVINE, DAVID M.; BERENSON, MARK L.. Estatstica: Teoria e

Aplicaes Usando Microsoft Excel em Portugus. Rio de Janeiro.
Livros Tcnicos e Cientficos S.A, 2000.
28. MAGALHES, M.N ; LIMA, A.C.P DE- Noes de Probabilidade e
Estatstica. 5ed... So Paulo: Ed. Edusp, 2005.
29. MOORE, DAVID S. A Estatstica Bsica e Sua Prtica. Traduo: Cristiana
Filizola Carneiro Pessoa.3ed. Rio de Janeiro: LTC, 2005.
30. MORETTIN, LUIZ GONZAGA. Estatstica Bsica. Volumes 1 e 2. So
Paulo. Perarson Makron Books, 2000.
31. MORETTIN, PEDRO A; TOLOI, CLLIA M. Sries Temporais. So
Paulo. 2. Ed. Editora Atual, 1987.
32. NETER, J., KUTNER, M.H., NACHTSHEM, C.J., WASSERMAN, W.
Applied Linear Regression Models. 3 ed., Irwin, 1996.
33. OLIVEIRA, FRANCISCO ESTEVAM MARTINS. Estatstica e Probabilidades.
So Paulo. Editora Atlas, 1999.
34. PESARAN, H. M and B. PESARAN. Working with Microfit 4.0:
Interactive
Economteric
Analysis.
London:
Oxford
University
Press,1997.
35. PESARAN, H; SHIN, Y. and SMITH, R. Bound testing approaches to
the
analysis
of
level
relationships.
Journal
of
Applied
conometrics.16, 289-326, 2001.

36. PESARAN, H; SHIN, Y. and SMITH, R. Bound testing approaches to
the analysis of level relationships. University of Cambridge, RevisedDAE Working,2000.
37. ROSS, Sheldon. A First Course in Probability. 7. ed. New Jersey:
Prentice Hall,2005.
38. ROSS, Sheldon. Introduction to Probability Models. 9. ed. New York:
Academic Press,2006.
39. SIEGEL, SIDNEY. Nonparametric Statistic for the Behavioral Sciences.
USA: McGraw-Hill, 1956.
40. SILVA, Nilza Nunes. Amostragem Probabilstica. 1. ed. So Paulo:
Edusp,1997.
637
41. SMAILES, JOANNE; McGrane, ANGELA.
Estatstica Aplicada
Administrao com Excel. So Paulo. Editora Atlas, 2002

42. VIEIRA, Snia. Bioestatstica-Tpicos Avanados. 2. ed. Rio de
Janeiro: Campus Elsevier, 2004.
43. VIEIRA, Snia. Estatstica para a qualidade. Rio de Janeiro: Campus
Elsevier,1999.
44. VIEIRA, Snia. Anlise da Varincia(ANOVA). So Paulo. Editora
Atlas, 2006.
45. SMIRNOV, N.V. "Tables for estimating the goodness of fit of empirical
distributions", Annals of Mathematical Statistic, 19, 279, 1948.
638

Curso de Estatística Inferêncial e Probabilidades

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Curso de Estatística Inferêncial e Probabilidades

Caricato da

Copyright:

Formati disponibili

GIOVANI GLAUCIO DE OLIVEIRA COSTA

Curso de Estatstica Inferencial e Probabilidades

minha mezinha querida, Oneida Barreto de Campos

Este livro o resultado de experincias vividas a partir de 1991, quando

significncia, anlise da varincia, correlao de variveis e regresso e

Unidade I: Introduo ao Clculo de Probabilidades............................. .

Unidade III: Modelos Probabilsticos...........................................................

Amostragem das Somas ou Diferenas de Duas Mdias Amostrais,

Conhecidos os Desvios-padro Populacionais...................................

Unidade VI : Testes de Significncia..................................................................

quando a Varincia Populacional

quando a Varincia Populacional

Teste de Significncia para a Varincia da Amostra (S 2)........................................

Unidade VIII: Correlao de Variveis..................................................................

Importncia da Anlise dos Resduos...................................................................

A experincia que consiste no lanamento de uma moeda um

A experincia que consiste no lanamento de um dado um

Uma promoo de preos que feita para toda a linha de

Quando selecionamos um cliente para fazer uma pesquisa sobre

Espao Amostral (S):

Seja a experincia que consiste no lanamento de uma moeda, o

Seja a experincia que consiste no lanamento de um dado, o

Quando uma pessoa sorteada para avaliar como timo, bom,

Quando uma pessoa sorteada para escolher, quando de olhos

Seja a experincia que consiste no lanamento de uma moeda,

Seja a experincia que consiste no lanamento de um dado,

Quando uma pessoa sorteada para avaliar como timo, bom,

Conceito de Probabilidades em Funo da Noo de Eventos:

Trata-se da probabilidade avaliada, emprica;

Ela tem por objetivo estabelecer um modelo adequado

A experincia a base para se montar o modelo ou para ajust-lo

N de Peas Tomadas para Amostra (n)

Onde: %D = (D/n) . 100

probabilidade de ocorrncia de peas defeituosas daquele grupo de mquinas.

Do ponto de vista matemtico, essa definio de probabilidade

Seja a experincia que consiste no lanamento de uma moeda,

Seja a experincia que consiste no lanamento de um dado,

Quando uma pessoa sorteada para avaliar como timo, bom,

Seja a experincia que consiste no lanamento de uma moeda,

Seja a experincia que consiste no lanamento de um dado,

Quando uma pessoa sorteada para avaliar como timo, bom,

Evento Certo (C):

Consequentemente, a probabilidade de ocorrer o evento certo sempre P (C)

Seja a experincia que consiste no lanamento de uma moeda, o

Seja a experincia que consiste no lanamento de um dado, o

Quando uma pessoa sorteada para avaliar como timo, bom,

Evento Impossvel (I):

Seja a experincia que consiste no lanamento de um dado, o

Quando uma pessoa sorteada para avaliar como timo, bom,

Definio Matemtica de Probabilidades- A Priori

n (E) o nmero de elementos do evento de interesse E,

= 0,75 ou 75% chance

2)Um banco de dados de clientes cadastrados de uma loja possui 40

Axiomas do Clculo das Probabilidades:

P (E1 + E2) = P (E1) + P (E2)

OBS: Se E1 E2 , ento P (E) = P (E1 + E2) = P (E1) + P (E2) P (E1 E2)

Como E1 e E2 so mutuamente exclusivos, ento:

2)Uma populao formada de 20 pessoas que consomem o produto A

Qual a probabilidade da pessoa ser da classe social A ou B?

Qual a probabilidade da pessoa ter o hbito de comprar filmes

Qual a probabilidade da pessoa ser da classe social A ou B?

E = a pessoa ser da classe social A ou B

Qual a probabilidade da pessoa ter o hbito de comprar filmes

O P = pessoa ter o hbito de comprar filmes originais e tambm piratas