Nocoes de Estatistica e Probabilidade - 2013 Parte 2

14.
AMOSTRAGEM
14.1 INTRODUO
CONFIABILIDADE DA AMOSTRA
A estimativa do tamanho da amostra um dos fatores determinantes para o sucesso de
uma Pesquisa Estatstica. O tamanho da amostra pode ser pequeno em relao
populao geral. Veremos formas especficas para o clculo da amostra mnima
necessria para dar confiana aos resultados obtidos.
Entretanto, existem dois fatores estatsticos que devem ser mantidos em mente:
- Quanto maior o tamanho da amostra, as informaes sobre a populao sero mais
precisas;
- Acima de determinado tamanho poucas informaes extras sobre a populao
podem ser obtidas, no entanto, o tempo e os custos aumentam.
PLANEJAMENTO DA AMOSTRA
A amostragem ideal para todo o estudo estatstico a Amostragem Aleatria Simples.
Em estatstica, um planejamento da amostra um plano definido completamente antes
da coleta de quaisquer dados e que tem por objetivo a obteno de uma amostra de uma
populao.
Os mtodos mais usuais de amostragem alm da amostragem aleatria simples so:
- Amostragem Sistemtica;
- Amostragem Estratificada;
- Amostragem por Conglomerados.
Noes de Estatstica e Probabilidade 108 Prof Berenice C. Damasceno

ERROS PROVENIENTES DA AMOSTRAGEM
Estes erros surgem do fato da amostra no ser representativa em relao populao

em questo. Eles geralmente so minimizados com a considerao cuidadosa do
mtodo de amostragem a ser utilizado. Com amostras aleatrias, o tamanho desses
erros de amostragem pode ser posteriormente estimado e existem mtodos de clculo
para estim-lo.
ERROS NO PROVENIENTES DA AMOSTRAGEM
Estes erros surgem devido a vrias causas, incluindo:
- Registros incorretos dos dados;

- Transferncia incorreta de dados para a calculadora ou computador para
processamento;
- Medies incorretas;
- Perguntas mal elaboradas;
PLANEJAMENTO GERAL DA PESQUISA
Para resumir, aqui temos uma lista de verificao das principais etapas do projeto de uma
pesquisa:
Defina as metas da pesquisa;

Defina a populao;
Identifique o esquema de Amostragem (definir a amostra e o tamanho que ela deve
ter);
Decida que mtodo de coleta de dados utilizar (questionrio pessoal, entrevista,
medies, etc);
Caso decida usar questionrio, preparar um apropriado para entrevistas pessoais;
Selecione e treine qualquer pessoa envolvida no processo de coleta de dados.

14.2 DISTRIBUIES AMOSTRAIS
A distribuio amostral provavelmente o conceito mais fundamental da inferncia

estatstica, e est relacionado com a idia de variao aleatria que permite enfatizar a
necessidade de medir a variabilidade de dados.
Para ilustrar o conceito de distribuio amostral vamos construir a distribuio da mdia
de uma amostra aleatria de tamanho n=2 extradas sem reposio, de uma populao
finita de tamanho N=5 cujos dados poderiam ser (3,5,7,9 e 11).
Neste caso teremos:
3 + 5 + 7 + 9 + 11
= =7
5
e seu desvio padro :
( 3 7 ) 2 + (5 7 ) 2 + (7 7 ) 2 + (9 7 ) 2 + (11 7 ) 2
= = 8
5
Se tomarmos agora amostra n=2 neste caso temos 10 possibilidades, isto , a

5! 5! 5.4.3! 5.4
combinao 5,2 , ou seja, C 5,2 = = = = = 10 . Tais possibilidades so:
2!.(5 2)! 2! .3! 2.3! 2
(3 e 5) (3 e 7) (3 e 9) (3 e 11) (5 e 7) (5 e 9) (5 e 11) (7 e 9) (7 e 11) (9 e 11)
e suas mdias so:
4 5 6 7 6 7 8 8 9 10
Como cada amostra tem probabilidade 1/10, obtemos a seguinte Distribuio Amostral da
Mdia:
__ Probabilidade
Mdia X
4 1/10
5 1/10
6 2/10
7 2/10
8 2/10
9 1/10
10 1/10

Desta forma o Histograma da Distribuio das Probabilidades fica:
PROBABILIDADE
0,2
6 7 8
0,1
4 5 9 10
0,0
4 5 6 7 8 9 10
MDIA
__
Observa-se que para X = 6, 7, 8 h uma probabilidade de 6/10 de uma Mdia Amostral
no ser diferente de 1 da Mdia Populacional = 7.
__
Tambm para mdia X = 5, 6, 7, 8 ou 9 h uma probabilidade de 8/10 de uma Mdia
Amostral no ser diferente de 2 da Mdia Populacional = 7
Assim, se no conhecssemos a Mdia da Populao dada e quisssemos estim-la com

a mdia de uma Amostra Aleatria de tamanho n = 2, o processo acima nos daria uma
idia do tamanho possvel do erro envolvido.
Para obtermos outras informaes teis sobre a Distribuio Amostral da Mdia

calculamos : __ e __ .
X X
4 + 5 + 6 + 6 + 7 + 7 + 8 + 8 + 9 + 10
__ = =7
X 10
(4 7 ) 2 + (5 7 ) 2 + (6 7 ) 2 + (6 7 ) 2 + (7 7 ) 2 + (7 7 ) 2 + (8 7 ) 2 + (8 7 ) 2 + (9 7 ) 2 + (10 7 ) 2
__ =
X 10
__ = 3
X

14.2.1 ERRO PADRO DA MDIA
Para amostras aleatrias de tamanho n extradas de uma Populao com mdia e
__
desvio padro , a Distribuio Normal de X tem mdia:
__ =
X
e o Desvio Padro da Mdia definido como:
N n
__ = ou __ = .
X n X n N 1
Dependendo da Populao ser infinita ou finita de tamanho N, costuma-se referir-se a
como o Erro Padro da Mdia, onde:
- se __ for pequeno h uma boa chance que a Mdia da Amostra (ou Amostral)
X
esteja prxima da Mdia da Populao;

- se __ for grande a Mdia Amostral ser consideravelmente diferente da Mdia
X
da Populao
N n
O Fator chamado de Fator de Correo para Populao Finita.
N 1
Exemplo: Com referncia ao exerccio anterior, tnhamos n = 2 e N = 5 e = 8,

verifique que a segunda das frmulas de __ igual a 3.
X
Fazendo n = 2, N = 5 e = 8 para a frmula para populaes finitas temos:
N n 8 52 8 3 8.3 24
__ = . = = = =
X n N 1 2 5 1 2 4 2.4 8
__ = 3
X

EXERCCIOS:
1- Qual o fator de correo para a populao finita, quando:
(a) n = 10 e N = 200
(b) n = 10 e N = 500
(c) n = 10 e N = 2000
(d) n = 20 e N = 200
(e) n = 40 e N = 400
(f) n = 400 e N = 4000
2- Dada uma Populao Finita de N = 6 nmeros: 6, 9, 12, 15, 18 e 21:
(a) Calcule a Mdia Populacional e o Desvio Padro
(b) Calcule quantas amostras so possveis se n = 2 (combinao 6,2)
__
(c) Liste todas as amostras possveis e calcule as suas mdias X
(d) Construa o Histograma da Distribuio Amostral da Mdia para
amostras aleatrias de tamanho n = 2 extradas, sem reposio,
dessa Populao Finita
(e) Determine o Desvio Padro da Distribuio Amostral da Mdia __ .

X

14.3 TEOREMA CENTRAL DO LIMITE
A capacidade de usar AMOSTRAS para se fazer inferncias sobre parmetros

populacionais depende do conhecimento da Distribuio Amostral.
J sabemos calcular a mdia e o desvio padro, mas temos tambm que saber a forma
da Distribuio Amostral.
Se uma distribuio a distribuio das mdias tambm ser

individual normal, normal para qualquer nmero de amostras.
Se uma distribuio a distribuio das mdias ser normal

individual no normal, apenas para amostras grandes.
Isso significa que para qualquer distribuio individual, podemos ter a distribuio normal
com a nica restrio que o tamanho da amostra seja grande, ou seja, acima de 30
amostras.
Esses resultados so conhecidos como o Teorema Central do Limite ou do Limite Central.
O TEOREMA CENTRAL DO LIMITE
1- Se a populao sob amostragem tem distribuio normal, a distribuio das mdias

tambm ser normal para todos os tamanhos de amostras.
2- Se a Populao bsica no normal, a distribuio das mdias amostrais ser
aproximadamente normal para grandes amostras.
Exemplo 1 - Uma Populao muito grande tem mdia = 20 e desvio padr

o = 1,4.
Extrai-se uma amostra de 49 observaes.
Questes Resolvidas:
(A) Qual a mdia da Distribuio Amostral?
, logo
A mdia da distribuio Amostral sempre igual mdia da Populao
__ = 20 .
X

Qual o desvio padro da distribuio amostral?
1,4 1,4
__ = = = __ = 0,2
X n 49 7 X
(B) Qual a porcentagem das possveis mdias amostrais que diferiro por mais de 0,2
da mdia da Populao?
Como n > 30, podemos supor que a distribuio normal.
Temos:
__ = 0,2 e __ = 20
X X
Portanto a curva normal seria
F(X)
0,3413 0,3413
( -3 )( -2 )( - ) ( + )( +2 )( +3 )
__ __ __ __ __ __ __ __ __ __ __ __ __
X X X X X X X X X X X X X
Z1 Z2 Z
19,8 20 0,2
Z1 = = = 1 I Z 1 = 0,3413
0,2 0,2
20,2 20 0,2
Z2 = = =1 I Z 2 = 0,3413
0,2 0,2
I T = 0,5 0,3413 + 0,5 0,34132 I T = 0,1587 + 0,1587 = 0,3174
Mdias Inferiores a 19,8 e Superiores a 20,2.

EXERCCIOS:
1- Um fabricante de baterias alega que seu artigo, de primeira categoria, tem uma vida
mdia esperada de 50 meses. Sabe-se que o desvio padro correspondente de 4
meses. Que porcentagem da amostra de 36 observaes acusar vida mdia no intervalo
de 1 ms em torno de 50 meses, admitindo-se ser de 50 meses a verdadeira vida mdia
das baterias, qual ser a resposta para uma amostra de 64 observaes?
2- A mdia de uma distribuio amostral de mdias 50 e seu desvio padro 10.
Suponha que a Distribuio Amostral seja normal:
(a) Que porcentagem de mdias amostrais estar entre 45 e 55?

(b) Idem para 42,5 e 57,5
(c) Qual a porcentagem de mdias amostrais ser menor que a mdia populacional?
(d) Qual a porcentagem de mdias amostrais ser igual mdia populacional?
3- Determine a mdia da distribuio de mdias amostrais, dada cada uma das seguintes
mdias populacionais:
(a) 5,01
(b) 199,5
4- Calcule o desvio padro da distribuio amostral de mdias para cada um dos
seguintes casos:
(a) = 5,0 e n=6

(b) = 6,2 e n = 100
(c) = 1,0 e n = 36
(d) = 3,2 e n = 44
(e) = 2,0 e n = 40

5- Deve-se extrair uma amostra de 36 observaes de uma mquina que cunha moedas
comemorativas. A espessura mdia das moedas de 0,2 cm, com desvio padro
amostral de 0,01 cm.
(a) preciso saber que a populao normal para determinar a porcentagem de

mdias amostrais que esto dentro de certos intervalos? Explique.
(b) Qual a porcentagem de mdias amostrais estar no intervalo (0,20 0,004) cm ?
(c) Qual a probabilidade de se obter uma mdia amostral que se afaste por mais de
0,005 cm da mdia do processo?

15 ESTIMATIVAS E TAMANHO DE AMOSTRAS
15.1 ASPECTOS GERAIS
Quando decidimos usar mtodos de Amostragem para chegar a uma deciso sobre a
varivel investigada, devemos definir rigorosamente nossos conceitos e procedimentos.
Em seguida, devemos assegurar que nossa Amostra reflita as caractersticas do

agregado no mximo grau possvel.
A principal vantagem de se adotar seleo Aleatria de amostras em investigao

cientifica a de que sabemos matematicamente alguma coisa sobre a natureza do
comportamento destas Amostras Aleatrias.
Do ponto de vista do Estatstico as amostras devem ser to grandes quanto possveis.

Quanto maior a amostra, maior a confiana que se tem nos resultados. Para
entender as razes desse ponto de vista, imagine que em uma cidade existem dois
hospitais. Em um deles nascem 120 bebs por dia e no outro 12. A razo de meninos e
meninas , em mdia, 50% nos dois hospitais.
Uma vez nasceu, em um dos hospitais, duas vezes mais meninos do que meninas (67%
meninos e 33% meninas). Em qual dos hospitais provvel que isso tenha ocorrido?
claro que foi no menor.
A probabilidade de obter uma estimativa que se desvia muito do parmetro aumenta

quando a amostra for pequena.
As amostras muito pequenas so inteis por que no do, em geral, boas estimativas.
No entanto amostras muito grandes, porm mal feitas, so piores porque do a iluso de
conter a verdade.

15.2 ESTIMATIVAS DE UMA MDIA POPULACIONAL:
GRANDES AMOSTRAS
__
Em geral a mdia amostral X a melhor estimativa de uma mdia populacional .
__
Um estimador uma estatstica amostral (como a mdia amostral X ) utilizada para
obter uma aproximao de um parmetro populacional.
Uma estimativa um valor especfico, ou um intervalo de valores, usado para

aproximar um parmetro populacional.
__
H duas razes para explicar por que uma mdia amostral X tende a centrar-se em
torno da mdia populacional .
__
1- Para muitas populaes, a distribuio de mdias amostrais X tende a ser
consistente (apresenta menor variao) do que as distribuies de outras
estatsticas amostrais (mediana ou moda)
__
2- A mdia amostral X tende a centrar-se em torno da mdia populacional .
__ __
X1 __ X6
__ X5
X3
__
X4 __
__ X8
X2 __
X7
15.2.1 INTERVALOS DE CONFIANA
__
Quando usamos a mdia X para estimar a mdia populacional e fazemos uma
estimativa pontual no temos qualquer indicao de quo boa essa estimativa. Para
isso foi desenvolvido outro tipo de estimativa que efetivamente indica quo boa uma
estimativa pontual.

Essa estimativa, chamada intervalo de confiana ou estimativa intervalar, consiste em
uma amplitude (ou um intervalo) de valores, em lugar de um nico valor.
Um intervalo de confiana est associado a um grau de confiana que a medida da

nossa certeza de que o intervalo contem o parmetro populacional.
Para tanto usa-se a probabilidade , que corresponde rea na curva normal, a qual
pela simetria da curva divide-se em duas partes como aparece sombreada na curva
abaixo:
/2 Z=0 /2
So escolhas comuns para o grau de confiana:
90% (com = 0,10)
95% (com = 0,05)
99% (com = 0,01)
A opo mais comum a opo 95%
EXEMPLO
Ache os valores crticos Z / 2 correspondentes aos graus de confiana:
90%
95%
99%

90% = 0,10 10% DE INCERTEZA
0,45 0,45
/2=0.05
/2=0,05
z=-1,645 z=0 z=1,645
0,475 0,475 /2=0.025
/2=0.025
z=-1,96 z=0 z=1,96

0,495 0,495
/2=0.005
/2=0.005
z=-2,576 z=0 z=2,576
z/2 z=0 z/2
REAS SIMTRICAS NAS CAUDAS

REA Z / 2 REA Z / 2 REA Z / 2 REA Z / 2
0,001 3,291 0,01 2,576 0,06 1,881 0,20 1,282

0,002 3,090 0,02 2,326 0,07 1,812 0,30 1,036
0,003 2,968 0,03 2,170 0,08 1,751 0,40 0,842
0,004 2,878 0,04 2,054 0,09 1,695 0,50 0,674
0,005 2,807 0,05 1,960 0,10 1,645 0,60 0,524

Quando utilizamos dados amostrais para estimar uma mdia populacional , a margem
de erro, denotada por E a diferena mxima provvel (com probabilidade 1 - ) entre a
mdia amostral observada e a verdadeira mdia populacional .
E erro mximo da estimativa
FRMULA

E = Z / 2
n
Esta frmula s pode ser usada quando conhecemos (Desvio Padro da Populao).
Quando desconhecido, temos:
- Se n > 30, podemos substituir na frmula acima pelo Desvio Padro

Amostral S.
- Se n 30, a curva deve ser normal e devemos conhecer obrigatoriamente o
para aplicar a frmula.
Adiante daremos uma outra soluo quando n 30.
Com base na definio da margem de erro E, podemos agora identificar o intervalo de

confiana para a mdia populacional .
Intervalo de confiana (ou estimativa intervalar) para a mdia populacional (com base
em grandes amostras: n > 30) :
__ __
X E X + E , onde:

E = Z / 2
n

RESUMO
Processo de construo de um intervalo de confiana para a mdia (n > 30).
1- Determinar o valor critico Z / 2 correspondente ao grau de confiana desejado.
Exemplo: 95% Z / 2 = 1,96

2 - Calcular a margem de erro E = Z / 2 . Se o desvio padro da populao no for
n
conhecido, utilizar o desvio padro da amostra S, desde que n > 30.
__ __
3 - Com a margem de erro e o valor da mdia amostral X , calcular os valores X E e
__
X + E . Levar esses valores na expresso do intervalo de confiana.
__ __
X E X +E
__ E
ou = X ou (X E; X + E).

EXERCCIOS:
1 - Determine o intervalo de confiana 95% para a mdia populacional para os valores

abaixo:
69,9 69,9 72,6 70,2 70,0 71,8 70,6 72,8 69,0 68,4
60,0 68,4 68,3 69,6 71,7 69,2 70,8 71,0 70,4 66,8
70,4 66,8 69,9 69,2 70,5 70,2 70,0 70,8 72,6 70,6
72,8 70,8 70,2 71,7 70,0 68,3 66,8 69,9 69,0 69,4
70,4 69,4 69,9 70,0 71,7 70,2 70,8 72,8 71,0 69,9
2 - Determine o valor critico de Z / 2 que corresponde ao grau de confiana indicado:
a- 99%
b- 94%
c- 98%
d- 92%
e- 96%
3 - Use o grau de confiana e os valores amostrais dados para achar a margem de erro e
o intervalo de confiana para a mdia populacional .
__
a- Altura das alunas: 95% de confiana, n = 50, X = 164, S = 4,5
__
b- Mdias das notas: 99% de confiana, n = 70, X = 7,0, S = 0,88
__
c- Notas de um teste: 90% de confiana, n = 150, X = 77,6 , S = 14,6
__
d- Salrio da Policia: 92% de confiana, n = 64, X = R$ 1200,00 , S = R$
80,00
4 - A partir de uma amostra de 35 crnios de homens egpcios que viveram por volta de
1850 AC mede-se a largura mxima de cada crnio, obtendo-se:
__
X = 134,5 mm e S = 3,48 mm. Com esses dados amostrais construa um intervalo de
95% de confiana para a mdia populacional .

15.2.2 DETERMINAO DO TAMANHO DA AMOSTRA
Suponha que estamos definindo um procedimento para uma pesquisa cientifica. Como
sabemos quantos elementos da Populao devem ser escolhidos?
Suponha, por exemplo, que queiramos estimar a renda mdia de pessoas que concluram
um curso superior, no primeiro ano aps a formatura. Quantas rendas devemos incluir em
nossa amostra?
Partindo-se da expresso da margem de erro E e resolvendo em relao ao tamanho da

amostra n temos:
2
Z .
n= /2
E
O nmero da amostra deve ser um nmero inteiro, quando isso no ocorre devemos
arredondar usando o nmero inteiro mais prximo para cima.
EXEMPLO:
Um economista deseja estimar a renda mdia para o primeiro ano de trabalho de um

bacharel por uma faculdade, que teve a feliz idia de fazer um curso de Estatstica.
Quantos valores de renda devem ser tomados se o economista deseja ter 95% de
confiana que a mdia amostral esteja a menos de R$ 20,00 da verdadeira mdia
populacional? Suponha que saibamos por um estudo prvio, que, para tais rendas o
desvio padro = R$ 100,00.
SOLUO: Queremos determinar o tamanho da amostra n dado que = 0,05 (95% de

confiana).
Desejamos que a mdia amostral esteja a menos de R$ 20,00 da mdia populacional de

forma que o Erro seja E = 20. Supondo que = R$ 100,00, aplicamos a Frmula
2 2
Z . 1,96 . 100
n= / 2 = = 96,04 97 valores de renda
E 20

Devemos, portanto, obter uma amostra de 97 rendas de primeiro ano, selecionadas
aleatoriamente, de Bacharis de Faculdades que tenham feito um curso de Estatstica.
__
Com tal amostra teremos 95% de confiana de que a mdia amostral X difira em menos
de R$ 20,00 da verdadeira mdia populacional,
__ __ __ __
X E X + E X 20 X + 20
Quando no conhecemos o valor de podemos estimar o valor a partir pelo menos de 31

valores amostrais selecionando aleatoriamente em um estudo piloto. No caso anterior
poderamos encontrar o valor R$ 2300,00 como a maior renda e R$ 1900,00 como a
menor renda, o pode ser estimado por:
RT 400
= = = 100
4 4

15.3 ESTIMATIVA DE UMA MDIA POPULACIONAL:
PEQUENAS AMOSTRAS
Agora veremos a estimativa da mdia populacional quando o tamanho n da

amostra pequeno, ou seja, n 30.
Neste caso:
__
A melhor estimativa continua sendo a partir de X .
Usaremos intervalo de confiana a partir da curva normal com a mesma margem de erro
do captulo anterior.
Usaremos a Distribuio t de Student:
X
t=
S
n
O nmero de graus de liberdade para um conjunto de dados corresponde ao nmero de

valores que podem variar aps terem sido impostas certas restries a todos os valores.
EXEMPLO
Se 10 estudantes tm em um teste mdia 80, podemos atribuir valores arbitrrios a nove

delas, mas a dcima fica determinada univocamente.
A soma das 10 notas deve ser 800, de modo que a 10 deve ser igual a 800 menos a
soma das 9 primeiras.
Como as 9 primeiras podem ser escolhidas arbitrariamente, dizemos que h 9 graus de

liberdade (n 1 ).

Propriedades importantes da Distribuio t de Student:
1- A distribuio t de Student diferente, conforme o tamanho da amostra;
2- A distribuio t de Student tem a mesma forma geral simtrica (forma de
sino) que a distribuio normal, mas reflete a maior variabilidade que

esperada em pequenas amostras;
3- A distribuio t de Student tem mdia t = 0 igual distribuio normal
padronizada que tem mdia Z = 0;
4- O desvio padro da distribuio t de Student varia com o tamanho da
amostra n mas superior a 1, ao contrrio da distribuio normal onde = 1;

5- medida que aumenta o tamanho n da amostra a Distribuio t de
Student se aproxima mais e mais da distribuio normal padronizada
Condies para o uso da Distribuio t de Student:
1- O tamanho da amostra pequeno (n 30)

2- desconhecido
3- A Populao original tem distribuio Normal
Margem de erro para a estimativa de para n 30:
S
E =t / 2 onde t / 2 tem (n - 1) graus de liberdade
n
Intervalo de confiana para estimativa de :
__ __
X E X +E

EXEMPLO: Testes Destrutivos
O teste de coliso de carros um exemplo muito dispendioso de teste destrutivo.

Dificilmente pode-se fazer colidir mais de 30 carros, a fim de poder utilizar uma
distribuio normal.
Suponhamos que tenhamos feito teste de coliso de 12 carros de um tipo A cujo preo
de venda seja R$ 59.000,00 sob diversas condies que simulam colises tpicas.
A anlise de 12 carros danificados resulta em custos de conserto que parecem ter

distribuio em forma de sino com mdia de R$ 26.000,00 e desvio padro
S = R$ 15.000,00. Determine:
a- A melhor estimativa da mdia populacional do custo do conserto de cada carro

danificado.
b- A estimativa intervalar de 95% de .
SOLUO:
__
a- A melhor estimativa pontual de o valor X , neste caso R$ 26.000,00.
b- Usamos t de Student porque as condies bsicas esto satisfeitas:
- n 30 (n=12)
- desconhecido, porm conhecemos S= R$ 15.000,00
- A curva tem a forma de sino
Ento:
S 15000
E =t / 2 E = 2,201 . = 9.530,61
n 12
Podemos agora escrever a estimativa intervalar de 95% de confiana:

__ __
X E X +E
26000 9530,61 < < 26000 + 9530,61
16469 < < 35530 ou 26000 9530 ou (16469 ; 35530)
Com base nesse resultado, temos 95% de confiana de que os limites 16490 e 35530
contem o valor da mdia populacional .
Esse exemplo real e trata de um carro americano, dos mais caros para consertar em
caso de coliso.
Esta informao de grande importncia para as companhias de seguros.

EXERCCIOS:
1- Ache os valores crticos t /2 que corresponde ao grau de confiana e ao tamanho da

amostra n, para:
a- 98% e n=10
b- 98% e n=21
c- 95% e n=16
d- 90% e n=8
2- Dados os graus de confiana e os elementos amostrais, determine:

I- Margem de erro
II- O intervalo de confiana para a mdia . Admita que a Populao tenha
distribuio normal
__
a- Altura das alunas: 95% de confiana; n=10; X = 164; S= 4,5cm.
__
b- Mdia das Notas: 99% de confiana; n=15; X = 7,0; S= 0,88
__
c- Notas de um teste: 90% de confiana; n= 16, X = 77,6; S= 14,2
__
d- Salrio da Polcia: 98% de confiana, n=19, X =R$1200,00; S= R$80,00
3- Determine corretamente se os intervalos de confiana so calculados com a
distribuio normal padronizada ou com a Distribuio t de Student. Em um teste de
coliso feito em 15 minivans Honda, os custos de conserto apresentam distribuio em

forma de sino, com mdia de R$ 1786 e desvio padro de R$ 937. Construa um intervalo
de confiana de 99% para o custo mdio de conserto para esse tipo de veculo.
4- Suponha que tenhamos apenas 10 temperaturas do corpo humano. Para esses

__
valores a mdia X = 98,44F e S= 0,30F. Construa um intervalo de confiana de 95%
para a mdia de todas as temperaturas do corpo humano. Sabendo-se que essa
distribuio normal.

15.4 ESTIMATIVA DE UMA PROPORO POPULACIONAL
Vamos abordar agora os mesmos trs conceitos estudados anteriormente.
(1) Estimativa pontual

(2) Intervalo de confiana
(3) Determinao do tamanho da Amostra n
Anteriormente aplicamos esses conceitos estimativa de uma mdia populacional ;

neste capitulo vamos aplic-lo Proporo Populacional P.
EXEMPLO:
Uma companhia de seguros poderia se interessar na estimativa da proporo de

motoristas embriagados.
Vamos trabalhar com a denominao p^ (l-se p chapu) para a proporo amostral.
J sabemos que Q=1-P; podemos associar que Q^= 1-P^, desta forma:
P= Proporo Populacional
P^= Proporo Amostral
FRMULAS
Estimativa Pontual
A proporo Amostral P^ a melhor estimativa pontual da Proporo Populacional P.
Margem de Erro da Estimativa P
P ^ Q^
E = Z / 2
n
Intervalo de confiana (ou estimativa intervalar de uma Proporo Populacional P)
P^ E P P^ + E

Eventualmente podemos dizer:
P = P^ E ou (P^ - E; P^ + E)
EXEMPLO:
Os pesquisadores de opinio pblica so atormentados por uma diversidade de fatores de

confuso, como secretrias eletrnicas. Em uma pesquisa junto a 1068 Americanos, 673
informaram ter secretria eletrnica. Com esses resultados amostrais determine:
a- A estimativa pontual da proporo populacional de todos os Americanos que

possuem secretria eletrnica.
b- A estimativa intervalar 95% da proporo Populacional de todos os Americanos
que tm secretria eletrnica
SOLUO:
A- A estimativa pontual de P :
X 673
P^ = = = 0,630
n 1068
e Q^ = 1 P^ Q^ = 1 0,63 = 0,37
B- A construo do intervalo de confiana exige primeiro o clculo da

margem de erro E.
P ^ Q^ 0,63. 0,37
E = Z / 2 = 1,96 . = 0,029 0,03
n 1068
Podemos agora achar o intervalo de confiana usando P^=0,63 e E= 0,03:
P^ E P P^ + E
0,63 0,03 < P < 0,63 + 0,03
0,60 P 0,66 ou 60% P 66%
O resultado costuma ser apresentado da seguinte forma:
Entre os Americanos, a porcentagem dos que tm secretria eletrnica

estimada em 63%, com uma margem de erro de 3 pontos percentuais.

C- Determinao do tamanho da amostra
P ^ Q^
Se E = Z / 2
n
Podemos definir:
- Quando se conhece uma estimativa de P^:
2
Z / 2 . P^ . Q^
n=
E2
- Quando no se conhece uma estimativa de P^:
2
Z / 2 . 0,25
n=
E2
EXEMPLO: As companhias de seguros esto preocupadas com o fato de que o nmero

crescente de telefones celulares resulte em um maior nmero de colises de veculos.
Ento, por isso, pensando em cobrar um prmio maior para motoristas que usam celular,
deseja-se estimar, com uma margem de erro de trs pontos percentuais (3%), a
porcentagem de motoristas que falam ao celular enquanto esto dirigindo. Supondo que
se pretende um nvel de confiana de 95% nos resultados, quantos motoristas devem ser
pesquisados?
A- Suponha que tenhamos uma estimativa de P^ com base em estudos anteriores que
mostrou que 18% dos motoristas falam ao telefone dirigindo.
B- Suponha que no tenhamos qualquer informao que possa sugerir um valor de P^.
SOLUO:
A- P^ = 0,18 e Q^ = 0,82
Ao nvel de 95%, temos Z / 2 = 1,96

Margem de erro 3% ou 0,03
2
Z / 2 . P^ . Q^ 1,96 2 . 0,18 . 0,82
n= = = 631 (arredondado para cima)
E2 0,03 2
B- Quando no conhecemos P^ usamos P^ . Q^ = 0,25:
2
Z / 2 . 0,25 1,96 2 . 0,25
E2 0,03 2
EXEMPLO: No caso da pesquisa eleitoral, determine o tamanho da amostra necessria

para saber a preferncia do eleitorado com um nvel de confiana de 95% e admitindo um
erro de mais ou menos 2,2 pontos percentuais.
SOLUO:
Como desconhecemos as propores P^ dos candidatos usamos a frmula:
2
Z / 2 . 0,25 1,96 2 . 0,25
E2 0,022 2
Refaa o exemplo acima para os seguintes casos:
a- Um nvel de confiana de 99% com margem de erro de 2 pontos percentuais.

b- Um nvel de confiana de 90% com margem de erro de 2 pontos percentuais.
Note que essas frmulas no incluem o tamanho da Populao N, neste caso

irrelevante.
A maioria das pesquisas de opinio apresentadas em jornais, revistas e tv envolvem

amostras com tamanho de 1000 a 2000 elementos.

EXERCCIOS:
1- Usando uma amostra para estimar uma proporo populacional P, determine a

margem de erro que corresponde aos valores dados n, X e o grau de confiana:
a- n= 800 X=600 grau de confiana 95%
b- n= 4275 X=2576 grau de confiana 98%
c- n= 1400 X=420 grau de confiana 99%
d- n= 887 X=209 grau de confiana 90%
2- Utilize os dados amostrais e o grau de confiana para construir uma estimativa

intervalar para a proporo populacional P:
a- n= 800 X=600 grau de confiana 95%
b- n= 2000 X=300 grau de confiana 99%
c- n= 2475 X=992 grau de confiana 90%
d- n= 5200 X=1024 grau de confiana 98%
3- Utilize os dados abaixo para determinar o tamanho da amostra necessria para estimar
uma proporo ou porcentagem populacional:
a- Margem de erro 0,02, nvel de confiana 95%, P^ e Q^ desconhecidos.
b- Margem de erro 0,01, nvel de confiana 90%, P^ e Q^ desconhecidos
c- Margem de erro 4 pontos percentuais, nvel de confiana 99%, P^ estimado em 0,20

com base em estudos anteriores.

d- Margem de erro 2 pontos percentuais, nvel de confiana 97%, P^ estimado em 0,85
com base em estudos anteriores.
4- A Ita seguros deseja estimar a porcentagem dos motoristas que trocam fita ou CD
enquanto dirigem. Uma amostra de 850 motoristas acusou 544 que trocam fitas ou CD
quando dirigem.
a- Determine a estimativa pontual da porcentagem de todos os motoristas que trocam

fitas ou CD quando dirigem.
b- Determine uma estimativa intervalar de 90% da porcentagem de todos os
motoristas que trocam fitas ou CD.
5- Selecionados aleatoriamente e pesquisados 500 estudantes universitrios, verificou-se

que 135 deles tm computadores pessoais.
A- Determine a estimativa pontual da verdadeira proporo populacional de

todos os universitrios que tm computador pessoal.
B- Determine um intervalo de confiana de 95% para a verdadeira proporo
de todos os universitrios que tm computador pessoal.

15.5 ESTIMATIVA DE UMA VARINCIA POPULACIONAL
Mantendo a linha de estudos dos itens anteriores usaremos agora a VARINCIA

POPULACIONAL , no lugar do desvio padro .
Para isso usaremos a Distribuio Qui-Quadrado:
(n 1) . S 2
X2 = , onde:
2
n tamanho da amostra
S varincia amostral
varincia populacional
Denotamos Qui-Quadrado por .
Para achar os valores crticos dos valores Qui-Quadrado, recorremos Tabela 1 a seguir.
A Distribuio Qui-Quadrado determinada pelo nmero de graus de liberdade. Neste
capitulo utilizamos (n-1) graus de liberdade.
Propriedades da Distribuio Qui-Quadrado.
1- A Distribuio Qui-Quadrado no simtrica ao contrrio das distribuies Normal
e t de Student. Na medida que aumenta o nmero de graus de liberdade, a
distribuio vai se tornando menos assimtrica.
GL=10
GL=20
5 10 15 20 25 30 35 40 45
2- Os valores podem ser zero ou positivos, nunca negativos.

3- H uma distribuio Qui-Quadrado diferente para cada nmero de graus de
liberdade. medida que eles aumentam a distribuio tende distribuio
normal.

Tabela 1 Cada valor critico corresponde uma rea dada na linha superior da Tabela, e essa rea
representa a regio total localizada direita do valor critico. v o N de graus de liberdade.
2 2 2 2 2 2 2 2 2 2 2 2 2
X X X X X X X X X X X X X
v 0,995 0,99 0,975 0,95 0,90 0,75 0,50 0,25 0,10 0,05 0,025 0,01 0,005
1 7,88 6,63 5,02 3,84 2,71 1,32 0,455 0,102 0,0158 0,0039 0,0010 0,0002 0,0000
2 10,6 9,21 7,38 5,99 4,61 2,77 1,39 0,575 0,211 0,103 0,05,6 0,0201 0,0100
3 12,8 11,3 9,35 7,81 6,25 4,11 2,37 1,21 0,584 0,352 0,216 0,115 0,072
4 14,9 13,3 11,1 9,49 7,78 5,39 3,36 1,92 1,06 0,711 0,484 0,297 0,207
5 16,7 15,1 12,8 11,1 9,24 6,63 4,35 2,67 1,61 1,15 0,831 0,554 0,412
6 18,5 16,8 14,4 12,6 10,6 7,84 5,35 3,45 2,20 1,64 1,24 0,872 0,676
7 20,3 18,5 16,0 14,1 12,0 9,04 6,35 4,25 2,83 2,17 1,69 1,24 0,989
8 22,0 20,1 17,5 15,5 13,4 10,2 7,34 5,07 3,49 2,73 2,18 1,65 1,34
9 23,6 21,7 19,0 16,9 14,7 11,4 8,34 5,90 4,17 3,33 2,70 2,09 1,73
10 25,2 23,2 20,5 18,3 16,0 12,5 9,34 6,74 4,87 3,94 3,25 2,56 2,16
11 26,8 24,7 21,9 19,7 17,3 13,7 10,3 7,58 5,58 4,57 3,82 3,05 2,60
12 28,3 26,2 23,3 21,0 18,5 14,8 11,3 8,44 6,30 5,23 4,40 3,57 3,07
13 29,8 27,7 24,7 22,4 19,8 16,0 12,3 9,30 7,04 5,89 5,01 4,11 3,57
14 31,3 29,1 26,1 23,7 21,1 17,1 13,3 10,2 7,79 6,57 5,63 4,66 4,07
15 32,8 30,6 27,5 25,0 22,3 18,2 14,3 11,0 8,55 7,26 6,26 5,23 4,60
16 34,3 32,0 28,8 26,3 23,5 19,4 15,3 11,9 9,31 7,96 6,91 5,81 5,14
17 35,7 33,4 30,2 27,6 24,8 20,5 16,3 12,8 10,1 8,67 7,56 6,41 5,70
18 37,2 34,8 31,5 28,9 26,0 21,6 17,3 13,7 10,9 9,39 8,23 7,01 6,26
19 38,6 36,2 32,9 30,1 27,2 22,7 18,3 14,6 11,7 10,1 8,91 7,63 6,84
20 40,0 37,6 34,2 31,4 28,4 23,8 19,3 15,5 12,4 10,9 9,59 8,26 7,43
21 41,4 38,9 35,5 32,7 29,6 24,9 20,3 16,3 13,2 11,6 10,3 8,90 8,03
22 42,8 40,3 36,8 33,9 30,8 26,0 21,3 17,2 14,0 12,3 11,0 9,54 8,64
23 44,2 41,6 38,1 35,2 32,0 27,1 22,3 18,1 14,8 13,1 11,7 10,2 9,26
24 45,6 43,0 39,4 36,4 33,2 28,2 23,3 19,0 15,7 13,8 12,4 10,9 9,89
25 46,9 44,3 40,6 37,7 34,4 29,3 24,3 19,9 16,5 14,6 13,1 11,5 10,5
26 48,3 45,5 41,9 38,9 35,6 30,4 25,3 20,8 17,3 15,4 13,8 12,2 11,2
27 49,6 47,0 43,2 40,1 36,7 31,5 26,3 21,7 18,1 16,2 14,6 12,9 11,8
28 51,0 48,3 44,5 41,3 37,9 32,6 27,3 22,7 18,9 16,9 15,3 13,6 12,5
29 52,3 49,6 45,7 42,6 39,1 33,7 28,3 23,6 19,8 17,7 16,0 14,3 13,1
30 53,7 50,9 47,0 43,8 40,3 34,8 29,3 24,5 20,6 18,5 16,8 15,0 13,8
40 66,8 63,7 59,3 55,8 51,8 45,6 39,3 33,7 29,1 26,5 24,4 22,2 20,7
50 79,5 76,2 71,4 67,5 63,2 56,3 49,3 42,9 37,7 34,8 32,4 29,7 28,0
60 92,0 88,4 83,3 79,1 74,4 67,0 59,3 52,3 46,5 43,2 40,5 37,5 35,5
70 104,2 100,4 95,0 90,5 85,5 77,6 69,3 61,7 55,3 51,7 48,8 45,4 43,3
80 116,3 112,3 106,0 101,9 96,6 88,1 79,3 71,1 64,3 60,4 57,2 53,5 51,2
90 128,3 124,1 118,1 113,3 107,6 98,6 89,3 80,6 73,3 69,1 65,6 61,8 59,2
100 140,2 135,8 129,6 124,3 118,5 109,1 99,3 90,1 82,4 77,9 74,2 70,1 67,3

EXEMPLO: Determine os valores crticos de que definem regies criticas contendo
uma rea de 0,025 em cada cauda. Suponha que o tamanho da amostra seja 10, de
modo que o nmero de graus de liberdade 10-1= 9.
Soluo: Conforme a figura abaixo, o valor critico obtido direita ( = 19,023)

diretamente, localizando 9 na coluna de graus de liberdade esquerda e 0,025 na parte
superior. O valor critico = 2,70 esquerda mais uma vez correspondente a 9 na coluna
de graus de liberdade mas devemos localizar 0,975 (1- 0,025) na parte superior, porque
os valores no topo so sempre reas direita do valor critico. Verifique na figura abaixo
que a rea total direita de = 2,70 e 0,975.
0,025
0,025
X2L = 2,7 X2R = 19,0
(L=2,7 , onde L Left esquerda) (R=19,0 , onde R Rigth direita)

Este valor corresponde na coluna Este valor corresponde na coluna
esquerda a 9 graus de liberdade esquerda a 9 graus de liberdade e
e 0,025 na linha superior 0,975 na linha superior.
(GL=9)
Estimadores de
A varincia amostral S a melhor estimativa pontual da varincia populacional .

Embora S seja a melhor estimativa de no podemos avaliar quo boa essa
estimativa, portanto estabelecemos uma estimativa intervalar mais reveladora.

Intervalo de confiana (ou estimativa intervalar) para a varincia populacional .
(n 1) . S 2 (n 1) . S 2
< <
2
X 2R X L2
Dessa expresso deferimos a estimativa intervalar para o desvio padro populacional

atravs da raiz quadrada de cada componente.
(n 1) . S 2 (n 1) . S 2
<<
X 2R X L2
Com uma rea total dividida igualmente entre as extremidades de uma distribuio Qui-
Quadrado, X2L denota o valor crtico da extrema esquerda e X2R denota o valor crtico da
extrema direita.
EXEMPLO:
Uma confeitaria fabrica bombons que so embalados em pacotes com 12 unidades

pesando no total 420 gramas. Se a variao dos bombons muito grande, algumas
caixas tero peso a menos (prejudicando o consumidor) e outras tero peso a mais
(diminuindo o lucro). Este problema pode ser evitado se os bombons tiverem um peso
mdio de 35 gramas e um desvio padro de 0,60 gramas ou menos. Selecionam-se
aleatoriamente, na linha de produo, dez bombons que so pesados, dando os
resultados a seguir:
35,8 35,0 36,8 36,1 34,2 35,2 36,6 35,0 33,6 34,2 (gramas)
Construa dois intervalos de confiana de 95%, um para e outro para , e determine se
o processo est com problemas.

SOLUO:
Calculamos:
__
X = 35,25 e S = 1,070 superior ao desejado 0,60.
Passamos construo do intervalo de confiana de :
Com uma amostra de 10 valores, temos 9 graus de liberdade. Com o grau de confiana
de 95%, dividimos = 0,05 igualmente entre as duas caudas de distribuio e
localizamos os valores 0,975 e 0,025 na linha superior. Os valores crticos de X2L e X2R na
tabela so:
X2L = 2,70
X2R = 19,0
__
e X = 35,25 e S = 1,070
n = 10
Aplicamos a frmula
(n 1) . S 2 (n 1) . S 2
< 2
<
X 2R X L2
(10 1) . 1,07 2 2 (10 1) . 1,07 2

< <
19,0 2,70
0,5423 < 2 < 3,8163

ou
0,7364 < < 1,9535
Com base nesses resultados parece que o desvio padro populacional sempre superior
ao desejado = 0,60 mostrando que o peso dos bombons deve ser mais consistente.
Deve-se controlar melhor o processo.

EXERCCIOS:
1- Ache os valores crticos X2L e X2R que correspondem ao grau de confiana e ao

tamanho da amostra, dados:
a- 95% n = 26
b- 90% n = 60
c- 99% n = 17
d- 95% n = 50
2- Use o grau de confiana e os dados amostrais indicados para achar um intervalo de
confiana para o desvio padro populacional . Em cada caso admita que a populao
tenha distribuio normal.
__
a- Altura das alunas: 95% de confiana, n = 10, X = 164 , S = 4,5
__
b- Mdias das notas: 99% de confiana, n = 15, X = 7,0 , S = 0,88
__
c- Notas de um teste: 95% de confiana, n = 16, X = 77,6 , S = 14,2
__
d- Salrio da Polcia: 92% de confiana, n = 19, X = R $ 1200,00 , S= R$ 80,00
3- Suponha uma pesquisa numa Universidade, junto aos formandos do curso de

Administrao, sobre o tempo gasto para se formarem. A mdia de 5,15 anos e o desvio
padro 1,68 anos. Suponha que a amostra seja de 100 alunos. Com base nesses dados
amostrais, construa o intervalo de 99% de confiana para o desvio padro do tempo gasto
por todos os formandos.

16 TESTE DE HIPTESES ESTATSTICAS
J foi visto como uma amostra pode ser usada para desenvolver estimativas
pontuais e do intervalo dos parmetros da populao. Agora, continuaremos a discusso
da inferncia estatstica mostrando como o teste de hipteses pode ser usado para
determinar se uma declarao sobre o valor de um parmetro da populao deve ser
rejeitado.
No teste de hipteses comeamos fazendo uma hiptese tentativa sobre um

parmetro da populao. Essa hiptese tentativa chamada de hiptese nula e
denotada por H0. Definimos ento uma outra hiptese, chamada de hiptese alternativa,
que o oposto do que foi estabelecido na hiptese nula. A hiptese alternativa
denotada por Ha. O procedimento do teste de hipteses implica em usar dados de uma
amostra para testar as duas declaraes contrrias indicadas por H0 e Ha.
O objetivo aqui mostrar como o teste de hipteses pode ser conduzido sobre uma
mdia da populao. Comearemos dando exemplos que ilustram abordagens para
desenvolver as hipteses nula e alternativa.
16.1 DESENVOLVENDO AS HIPTESES NULA E ALTERNATIVA
Em algumas aplicaes pode no ser bvio como as hipteses nula e alternativa

devem ser formuladas. Deve-se tomar cuidado para estar seguro de que as hipteses so
estruturadas apropriadamente e que a concluso do teste de hipteses fornea as
informaes que o pesquisador ou o tomador de deciso deseja. Diretrizes para
estabelecer as hipteses nula e alternativa so dadas para trs tipos de situaes nas
quais os procedimentos do teste de hipteses so comumente empregados.
Testando Hipteses de Pesquisa
Considere um modelo particular de automvel que atualmente atinge uma

eficincia mdia de combustvel de 24 Km por litro. Um grupo de pesquisa do produto
desenvolveu um novo motor especificamente projetado para aumentar a relao
quilmetros por litro. Para avaliar o novo motor, diversos deles so fabricados, instalados
em automveis e submetidos aos testes de conduo controlados pela pesquisa. Note

que o grupo de pesquisa do produto est buscando evidncias para concluir que o novo
motor aumenta a mdia de quilmetros por litro. Neste caso, a hiptese de pesquisa
que o novo motor fornecer uma mdia de quilmetros por litro que exceda 24; isto ,
> 24. Como diretriz geral, uma hiptese de pesquisa como essa deve ser formulada
como hiptese alternativa. Por isso as hipteses nula e alternativa para esse estudo so:
H0 : 24
Ha : > 24
Se os resultados da amostra indicam que H0 no pode ser rejeitada, os pesquisadores

no podem concluir que o novo motor seja melhor. Talvez mais pesquisas e testes
subseqentes devam ser realizados. No entanto, se os resultados da amostra indicam
que H0 pode ser rejeitada, os pesquisadores podem fazer a inferncia de que Ha : > 24
seja verdadeira. Com essa concluso, os pesquisadores tm o suporte estatstico
necessrio para estabelecer que o novo motor aumenta o nmero mdio de quilmetros
por litro. A ao para iniciar a produo com o novo motor pode ser empreendida.
Em estudos de pesquisa como esse, as hipteses nula e alternativa devem ser
formuladas de modo que a rejeio de H0 suporte a concluso e a ao que esto sendo
procuradas. Em tais casos, a hiptese de pesquisa deve ser expressa como a hiptese
alternativa.
Testando a Validade de uma Afirmao
Como uma ilustrao do teste da validade de uma afirmao, considere a situao

de um fabricante de refrigerantes que estabelece que os recipientes de dois litros de seus
produtos tm uma mdia de pelo menos 2,1 litros de lquido. Uma amostra de recipientes
de dois litros ser selecionada e o contedo ser medido para testar a afirmao do
fabricante. Neste tipo de situao de teste de hipteses, geralmente partimos do
pressuposto de que a afirmao do fabricante verdadeira. Usando essa abordagem
para o exemplo dos refrigerantes, poderamos estabelecer as hipteses nula e alternativa
como segue:
H0 : 2,1
Ha : < 2,1

Se os resultados da amostra indicam que H0 no pode ser rejeitada, a afirmao do
fabricante no pode ser desafiada. No entanto, se os resultados da amostra indicam que
H0 pode ser rejeitada, ser feita a inferncia de que Ha : < 2,1 verdadeira. Com essa
concluso, a evidncia estatstica indica que a afirmao do fabricante est incorreta e
que os recipientes de refrigerante esto sendo preenchidos com uma mdia menor do
que os 2,1 litros declarados. Uma ao apropriada contra o fabricante pode ser
considerada.
Em qualquer situao que implica testar a validade de uma afirmao sobre o
produto, a hiptese nula geralmente baseada na hiptese de que a afirmao
verdadeira. A hiptese alternativa ento formulada de modo que a rejeio de H0
fornecer evidncia estatstica de que a hiptese estabelecida est incorreta. A ao para
corrigir a afirmao deve ser considerada sempre que H0 rejeitada.
Testando em Situaes de Tomada de Deciso
Ao testar hipteses de pesquisa ou testar a validade de uma afirmao, uma ao

tomada se H0 for rejeitada. Em muitos casos, no entanto, a ao precisa ser tomada
tanto quando H0 no pode ser rejeitada como quando H0 pode ser rejeitada. Em geral,
esse tipo de situao ocorre quando um tomador de deciso precisa escolher entre dois
cursos de ao, um associado com a hiptese nula e um outro associado com a hiptese
alternativa. Por exemplo, com base em uma amostra de peas de um embarque que
acabou de ser recebido, o inspetor de controle de qualidade precisa decidir se aceita o
carregamento inteiro ou retorna o carregamento ao fornecedor porque ele no satisfaz as
especificaes. Considere que as especificaes para uma determinada pea
estabeleam que um comprimento mdio de duas polegadas seja desejado. Se a mdia
for maior ou menor que duas polegadas, as peas causaro problemas de controle de
qualidade na operao de montagem. Neste caso, as hipteses nula e alternativa seriam
formuladas como segue:
H0 : = 2
Ha : 2
Se o resultado da amostra indica que H0 no pode ser rejeitada, o inspetor de controle de

qualidade no ter razes para duvidar de que o embarque satisfaz as especificaes e o
embarque ser aceito. No entanto, se os resultados da amostra indicam que H0 deva ser

rejeitada, a concluso ser de que as peas no satisfazem as especificaes. Neste
caso, o inspetor de qualidade ter evidncia suficiente para retornar o embarque ao
fornecedor. Assim, que para esses tipos de situaes, a ao tomada tanto quando H0
no pode ser rejeitada como quando H0 pode ser rejeitada.
Resumo das Formas para as Hipteses Nula e Alternativa
Seja 0 denotando o valor numrico especfico que est sendo considerado nas
hipteses nula e alternativa. Em geral, um teste de hipteses ao redor dos valores de uma
mdia de populao precisa tomar uma das seguintes trs formas:
H0 : 0 H0 : 0 H0 : = 0
Ha : < 0 Ha : > 0 Ha : 0
Em muitas situaes, a escolha de H0 e de Ha no bvia e necessrio

julgamento para selecionar a forma apropriada. No entanto, como as formas acima
mostram, a parte de igualdade da expresso (tanto , ou =) sempre aparece na hiptese
nula. Ao selecionar a forma apropriada de H0 e de Ha tenha em mente que a hiptese
alternativa o que o teste est tentando estabelecer. Por isso, perguntar se o usurio
est procurando por evidncia para confirmar < 0, > 0 ou 0 ajudar a determinar
Ha.
A seguir, temos dois exerccios para proporcionar alguma prtica na escolha da
forma apropriada para o teste de hipteses.

EXERCCIOS
1. O gerente de uma revenda de automveis est considerando um novo plano de bnus

concebido para aumentar o volume de vendas. Atualmente, o volume mdio de vendas
de 14 automveis por ms. O gerente quer realizar uma pesquisa para verificar se o
novo plano de bnus aumentar o volume de vendas. Para coletar dados sobre o
plano, uma amostra do pessoal de vendas ter permisso de realizar vendas sob o
novo plano de bnus por um perodo de um ms.
a. Desenvolva as hipteses nula e alternativa mais apropriadas para essa situao de

pesquisa.
b. Comente a concluso quando H0 no pode ser rejeitada.
c. Comente a concluso quando H0 pode ser rejeitada.
2. Devido aos tempos e aos altos custos das mudanas de turno, um diretor de
fabricao precisa convencer a administrao de que um proposto mtodo de
fabricao reduz os custos antes que o novo mtodo seja implementado. O mtodo
corrente de produo opera com um custo mdio de US$ 220 por hora. Uma pesquisa
est para ser realizada em que o custo do novo mtodo ser medido com relao a um
perodo de produo da amostra.
a. Desenvolva as hipteses nula e alternativa mais apropriadas para esse estudo.

b. Comente a concluso quando H0 no pode ser rejeitada.
c. Comente a concluso quando H0 pode ser rejeitada.

16.2 ERROS DO TIPO I E DO TIPO II
As hipteses nula e alternativa so declaraes que rivalizam sobre um parmetro

da populao. Tanto a hiptese nula H0 pode ser verdadeira como a hiptese alternativa
Ha pode ser verdadeira, mas no ambas. Idealmente o procedimento de teste de
hipteses deve levar aceitao de H0 quando H0 verdadeira e rejeio de H0 quando
Ha verdadeira. Infelizmente esse resultado ideal nem sempre possvel. Como os
testes de hipteses esto baseados na informao da amostra, precisamos levar em
considerao a possibilidade de erros. A tabela a seguir ilustra os dois tipos de erros que
podem ocorrer ao testar hipteses.
ERROS E CONCLUSES CORRETAS NO TESTE DE HIPTESE

Condio da Populao
H0 Verdadeira Ha Verdadeira
Concluso Aceitar H0 Concluso Correta Erro do Tipo II
Rejeitar Ho Erro do Tipo I Concluso Correta
A primeira linha da tabela acima mostra o que pode acontecer quando a concluso
aceitar H0. Como tanto H0 como Ha so verdadeiras, se H0 verdadeira e a concluso
aceitar H0, essa concluso correta. No entanto se Ha verdadeira e a concluso
aceitar H0, comete-se um erro do Tipo II; isto , aceita-se H0 quando ela falsa. A
segunda linha da tabela acima mostra o que acontece quando a concluso para rejeitar
H0. Nesse caso, se H0 verdadeira, comete-se um erro do Tipo I; isto , rejeitamos H0
quando ela verdadeira. No entanto, se Ha verdadeira e a concluso rejeitar H0, essa
concluso correta.
Embora no possamos eliminar a possibilidade de erros no teste de hipteses,
podemos considerar as possibilidades de suas ocorrncias. Usando a notao usual de
estatstica, denotamos as possibilidades de se cometer os dois erros como segue:
a possibilidade de se cometer um erro do Tipo I

a possibilidade de se cometer um erro do Tipo II

Lembre-se da ilustrao do teste de hipteses discutida na pgina 136, em que um
grupo de pesquisa de produtos para automveis tinha desenvolvido um novo motor
projetado para aumentar a taxa de quilmetros por litro de um determinado automvel.
Com o atual motor fazendo uma mdia de 24 quilmetros por litro, o teste de hipteses foi
formulado como segue:
H0 : 24
Ha : > 24
A hiptese alternativa Ha : > 24, indica que os pesquisadores esto procurando por uma
evidncia de amostra que confirmar a concluso de que a mdia de quilmetros por litro
maior que 24.
Nesta aplicao, o erro do Tipo I de rejeitar H0 quando ela verdadeira
corresponde aos pesquisadores afirmarem que o novo motor melhora a mdia de
quilmetros por litro ( > 24) quando de fato o novo motor no nada melhor do que o
motor em uso. Em contraste, o erro do Tipo II de aceitar H0 quando ela falsa
corresponde aos pesquisadores conclurem que o novo motor no nada melhor do que
o motor em uso ( 24) quando de fato o novo motor melhora o desempenho de
quilmetros por litro.
Na prtica, a pessoa que conduz o teste de hipteses especifica a probabilidade
mxima permissvel de se cometer o erro do Tipo I, chamado de nvel de significncia
para o teste. Escolhas comuns para o nvel de significncia so 0,05 e 0,01. Referindo-se
segunda linha da tabela acima, observe que a concluso de rejeitar H0 indica que tanto
um erro do Tipo I como uma concluso correta foram feitos. Assim, se a probabilidade de
se cometer um erro do Tipo I controlada por selecionar um pequeno valor para o nvel
de significncia, temos um alto grau de confiana de que a concluso para rejeitar H0 est
correta. Em tais casos, temos o suporte estatstico para concluir que H0 falsa e que Ha
verdadeira. Qualquer ao sugerida pela hiptese alternativa Ha apropriada.
Embora a maioria das aplicaes de teste de hipteses esteja atenta
probabilidade de se cometer um erro do Tipo I, nem sempre esto atentas probabilidade
de se cometer um erro do Tipo II. Por isso se decidimos aceitar H0 no podemos
determinar quo confiantes podemos estar com aquela deciso. Por causa da incerteza
associada com o cometer o erro do Tipo II, os estatsticos freqentemente recomendam
que usemos a declarao no rejeitar H0 em vez de aceitar H0. Usar a declarao
no rejeitar H0 inclui a recomendao para reter tanto o julgamento como a ao. Com

efeito, por nunca aceitar diretamente H0, o estatstico evita o risco de se cometer o erro do
Tipo II. Sempre que a probabilidade de se cometer um erro do tipo II no tenha sido
determinada e controlada, no tiraremos a concluso de aceitar H0. Em tais casos,
somente duas concluses so possveis: no rejeitar H0 ou rejeitar H0.
Observao: Muitas aplicaes de teste de hipteses tm um objetivo de tomada de

deciso. A concluso rejeitar H0 fornece o suporte estatstico para concluir que Ha
verdadeira e tomar a ao apropriada, seja ela qual for. A declarao de no rejeitar H0,
embora inconclusiva, freqentemente fora os tomadores de deciso (como por exemplo,
os gerentes) a se comportarem como se H0 fosse verdadeira. Neste caso, os tomadores
de deciso precisam estar cientes do fato que tal comportamento pode resultar num erro
do Tipo II.

EXERCCIOS
1. O rtulo em um recipiente de trs quartos de suco de laranja indica que esse suco
contem uma mdia de um grama de gordura ou menos. Responda s seguintes
questes para um teste de hipteses que poderia ser usado para testar a declarao
no rtulo.
a. Desenvolva as hipteses nula e alternativa apropriadas.

b. Qual o erro do Tipo I nessa situao? Quais so as conseqncias de se cometer
esse erro?
c. Qual o erro do Tipo II nessa situao? Quais so as conseqncias de se cometer
esse erro?
2. Suponha que um novo mtodo de produo ser implementado se um teste de

hipteses suportar a concluso de que o novo mtodo reduz os custos mdios
operacionais por hora.
a. Estabelea as hipteses nula e alternativa apropriadas se o custo mdio para o

corrente mtodo de produo US$ 220 por hora.
b. Qual o erro do Tipo I nessa situao? Quais so as conseqncias de se cometer
esse erro?
c. Qual o erro do Tipo II nessa situao? Quais so as conseqncias de se cometer
esse erro?

16.3 TESTES UNILATERAIS (OU UNICAUDAIS) DA MDIA DA
POPULAO: O CASO DA GRANDE AMOSTRA
Testes Unilaterais da Mdia da Populao
Vamos generalizar o procedimento de teste de hiptese para testes unilaterais sobre a

mdia da populao. Consideramos o caso de grande amostra (n 30) no qual o
__
Teorema do Limite Central nos possibilita assumir que a distribuio amostral de X possa
ser aproximada por uma distribuio normal de probabilidade. No caso de grande amostra
com desconhecido, simplesmente substitumos o desvio-padro da amostra s por no
clculo da estatstica do teste. A forma geral de um teste de cauda inferior, onde 0 um
valor estabelecido para a mdia da populao, apresentado a seguir.
Teste de Hiptese de Grande Amostra (n 30) da Mdia da Populao para um

Teste Unilateral da forma:
H0 : 0
Ha : < 0
Estatstica do Teste: conhecido:
__
X 0
z=

n
Estatstica do Teste: desconhecido:
__
X 0
z=
s
n
Regra de Rejeio a um Nvel de Significncia de :

Rejeitar H0 se z < - z
OBS.: Na maioria das aplicaes usa-se o desvio-padro da amostra s no clculo da

estatstica do teste porque o desvio-padro desconhecido

Uma segunda forma do teste unilateral rejeita a hiptese nula quando a estatstica do
teste est na cauda superior da distribuio amostral. Esse teste unilateral e a regra de
rejeio so resumidamente apresentados a seguir. Novamente, estamos considerando o
caso da grande amostra; quando desconhecido, pode ser substitudo por s na
estatstica do teste z.

Teste Unilateral da forma:
H0 : 0
Ha : > 0
__
X 0
z=

n
__
X 0
z=
s
n

Rejeitar H0 se z > z

Seja 0 representando o valor da mdia da populao na hiptese. A forma geral do teste
de hiptese bilateral da mdia da populao apresentada a seguir:

Teste Bilateral da forma:
H0 : = 0
Ha : 0
__
X 0
z=

n
__
X 0
z=
s
n

Rejeitar H0 se z < - z/2 ou se z > z/2
Etapas do Teste de Hipteses
Um resumo das etapas que podem ser aplicadas a qualquer teste de hipteses
apresentado a seguir:
1. Determinar as hipteses nula e alternativa que so apropriadas para a aplicao.
2. Selecionar a estatstica de teste que ser usada para decidir rejeitar ou no a
hiptese nula.
3. Especificar o nvel de significncia para o teste.
4. Usar o nvel de significncia para desenvolver a regra de rejeio que indica os
valores da estatstica de teste que levar rejeio de H0.
5. Coletar os dados amostrais e calcular o valor da estatstica de teste.
6. Comparar o valor da estatstica do teste com o(s) valor(es) crtico(s0
especificado(s) na regra de rejeio para determinar se H0 deve ser rejeitada.

EXEMPLO
Suponha que entre pessoas sadias a concentrao de certa substncia se comporta

segundo um modelo normal com mdia 14 unidades/ml e desvio-padro 6 unidades/ml.
Pessoas sofrendo de uma doena especfica tm a concentrao alterada para 18
unidades/ml. Admitimos que o modelo normal, com desvio-padro 6 unidades/ml,
continua representando de forma adequada a concentrao da substncia em pessoas
com a doena.
sadio doente
14 18
Observe que as curvas, representando as concentraes, iro se cruzar em algum

momento, fazendo com que uma certa proporo de indivduos na populao sadia possa
apresentar valores de concentrao to altos (ver regio marcada na figura acima) quanto
aqueles observados para pessoas doentes, ainda que este evento ocorra com baixa
probabilidade.
Desejamos averiguar se um certo tratamento, proposto para combater a doena, eficaz.

Uma amostra aleatria de tamanho n = 30 selecionada entre indivduos doentes que
foram submetidos ao tratamento. Representemos as concentraes dos indivduos da
amostra por X1 , ..., X30. Sabemos que para i = 1, 2, ..., 30, temos Xi aproximada por uma
distribuio normal com e 2 , isto ,
Xi ~ N(, 36),
Onde:
2 = 62 = 36 e,
= 14 ou = 18 dependendo se o tratamento for eficiente ou no.
Caso a amostra fornea valor alto prximo de 18 unidades/ml, teremos evidncias de

que o tratamento no eficaz, ao passo que um valor baixo e prximo de 14 nos levaria
a crer que o tratamento apresenta resultados satisfatrios, logo:
H0 : o tratamento no eficaz
Ha : o tratamento eficaz
Ou seja,
H0 : = 18 Hipteses
Ha : = 14 Simples

Resumindo:
- Pessoa sadia: 14 unidades/ml N(14,36)

6 unidades/ml
- Pessoa doente: 18 unidades/ml N(18,36)

6 unidades/ml
Deseja-se testar se a mdia populacional igual a 14, caso em que os indivduos

pertencem populao de sadios, contra a alternativa igual a 18, correspondente
populao de doentes.
Se o tratamento for eficaz, ento uma amostra com 30 indivduos podem ser vistos como
membros da populao com concentrao modelada por uma normal N(14,36); caso
contrrio, eles pertencero populao N(18,36).
Observao: a caracterizao do que significa prximo depende, entre outros fatores,

da variabilidade da concentrao na populao. Como n = 30 aleatrio, o problema
necessita de uma anlise probabilstica: teste de hipteses para a mdia com varincia
conhecida.
No teste teremos:
__ __
- X mdia amostral ( X um estimador de )
__
- a tomada de deciso ser baseada no valor observado, denotado por x obs
- n = 30 (tamanho da amostra)
2
N(, 36/30) (lembrando que s = e s2 = )
n n

Observaes:
__
(1) Mesmo quando = 14, X pode apresentar valores maiores que 14, e,
__
P( X > 14 =14) = 0,5 (pela simetria)
(2) Um critrio que pode ser utilizado, para decidir sobre o valor de , determinar um
valor crtico, xC, tal que,
__
se X > xC a amostra pertence populao com = 18, ou seja,
o tratamento no eficaz.
__
(3) Quando X xC a amostra pertence populao com = 14, ou seja,
o tratamento eficaz.
= 14 = 18
__
x obs
xC
(4) Hipteses simples:

H0 : = 18, tratamento no eficaz
Ha : = 14, tratamento eficaz
mais usual utilizarmos hipteses unilaterais ou bilaterais, ou seja:

H0 : = 18, tratamento no eficaz
Unilateral
Ha : < 18, tratamento eficaz
H0 : = 18, tratamento no produz efeito

Bilateral
Ha : 18, tratamento produz efeito
Lembrando que:
= P(erro do tipo I) = P(rejeitar H0 H0 verdadeira)

= P(erro do tipo II) = P(no rejeitar H0 H0 falsa)

Considerando o teste UNILATERAL, temos:
H0 : = 18
Ha : < 18
= P(concluir que o tratamento eficaz quando na verdade ele no )

= P(concluir que o tratamento no eficaz quando na verdade ele )
(A situao ideal : e prximas de zero.).
Sadio Ha Doente H0
14 18
xC
Regio de Regio de
Rejeio de H0 Aceitao de H0
medida que diminuirmos , tende a aumentar, fato diretamente relacionado com a

posio (ou valor) de xC.
chamado de nvel de significncia do teste e o erro mais importante a ser

evitado.

Supondo conhecido, podemos encontrar xC da seguinte forma:
= P(erro do tipo I) = P(rejeitar H0 H0 verdadeira)

__ __
= P( X < xC =18) (ou simplesmente P( X < xC))

__
X xC -18
=P < ( ou seja, P(z < zC), com z ~ N(0, 1).)
6

n 30
xC -18 6
zC = xC =18 + zC .
6 30
30
Por exemplo, para = 0,05, temos:
=0,05
18

Logo, da tabela de reas simtricas nas caudas (pgina 122), temos:
para 0,05 em uma das caudas, por simetria, temos uma rea total nas duas caudas igual
a 0,10, logo
z/2 (= zC) = -1,645 (pois est esquerda do eixo da mdia)
Portanto:
6
xC =18 + (1,645) =16,1980 xC 16,20
30
14 18
16,20
Regio de
Rejeio ou
Regio Crtica (RC)

__
Se x obs < 16,20 H0 rejeitada o tratamento eficaz
RC = {x |R : x < 16,20}
(Teste Unilateral)
(obs. : RA Regio de Aceitao, que complementar RC)

Considerando o teste BILATERAL, temos:
H0 : = 0
Ha : 0
RC = {x |R : x < xC1 ou x > xC2}
xC1 0 xC2
__ __
= P( X < xC1 ou X > xC2), onde:
__
__
= P( X < xC1) e = P( X > xC2)
2 2
se = 0,05 tab. pg. 122 zC1 = -1,96 e zC2 = 1,96
logo,

6 6
xC1 = 18 + zC1 . e xC2 =18 + zC2 .
30 30
6 6
xC1 = 18 + (1,96) . e xC2 = 18 + (1,96) .
30 30
xC1 =15,85 e xC2 = 20,15
15,85 18 20,15
RC = {x |R : x < 15,85 ou x > 20,15}

(Teste Bilateral)

EXEMPLO:
Uma varivel aleatria tem distribuio normal e desvio-padro 12. Estamos testando se a
sua mdia igual ou diferente de 20 e coletamos uma amostra de 100 valores dessa
varivel, obtendo uma mdia amostral de 17,4.
(a) Formule as hipteses;

(b) Obtenha a RC e d a concluso para os seguintes nveis de significncia (): 1%,
2%, 4%, 6% e 8%.

SOLUO:
(a) H0 : = 20
Ha : 20
xC1 0 xC2
(b) Para n = 100, dados = 20 e = 12, temos N (, 2) = N (20, 144/100) e
RC = {x |R : x < xC1 ou x > xC2}

__ __
= P( X < xC1 ou X > xC2), onde:
__
__
= P( X < xC1) e = P( X > xC2)
2 2
(b.1) se = 0,01 tab. pg. 122 zC1 = -2,576 e zC2 = 2,576
logo,
12 12
xC1 = 20 + zC1 . e xC1 = 20 + zC2 .
100 100
12 12
xC1 = 20 + (2,576) . e xC1 = 20 + (2,576) .
100 100
xC1 =16,91 e xC2 = 23,09
Portanto:
para = 1% RC = {x |R : x < 16,91 ou x > 23,09}
no rejeitar H0 pois 17,4 RC
16,91 20 23,09

Analogamente, temos:
(b.2) para = 2% RC = {x |R : x < 17,21 ou x > 22,79}

no rejeitar H0 pois 17,4 RC
(b.3) para = 4% RC = {x |R : x < 17,54 ou x > 22,46}

rejeitar H0 pois 17,4 RC
(b.4) para = 6% RC = {x |R : x < 17,74 ou x > 22,26}

(b.5) para = 8% RC = {x |R : x < 17,90 ou x > 22,10}


17 CORRELAO
17.1 INTRODUO
At agora nossa preocupao era descrever a distribuio de valores de uma nica

varivel. Com esse objetivo, aprendemos a calcular medidas de tendncia central (mdia,
mediana e moda) e variabilidade (varincia e desvio padro).
Quando, porm, consideramos observaes de duas ou mais variveis, surge um novo

problema: as relaes que podem existir e obter duas ou mais variveis estudadas.
Assim, quando consideramos variveis como peso e altura de um grupo de pessoas, uso
do cigarro e incidncia do cncer, a potncia gasta e a temperatura da gua no chuveiro,
procuramos verificar se existe alguma relao entre as variveis de cada um dos pares e
qual o grau dessa relao.
Para isso, necessrio o conhecimento de novas medidas.
Sendo a relao entre as variveis de natureza quantitativa, a correlao o

instrumento adequado para descobrir e medir essa relao.
Uma vez caracterizada a relao, procuramos descrev-la atravs de uma funo

matemtica. A regresso o instrumento adequado para a determinao dos parmetros
dessa funo.
17.2 RELAO FUNCIONAL E RELAO ESTATSTICA
Como sabemos, o permetro e o lado de um quadrado esto relacionados. A relao que

liga perfeitamente definida e pode ser expressa por meio de uma sentena matemtica:
P=4L P= PERMETRO L= LADO DO QUADRADO

Atribuindo-se, ento, um valor qualquer de L, possvel determinar exatamente o valor
do permetro.

Considerando, agora a relao que existe entre o peso e a estatura de um grupo de
pessoas, evidente que essa relao no do mesmo tipo da anterior, ela bem menos
precisa. Assim, pode acontecer que as estaturas diferentes correspondam a pesos iguais
ou que estaturas iguais correspondam a pesos diferentes.
Porm, em mdia, quanto maior a estatura, maior o peso.
As relaes do tipo permetro so conhecidas como relaes funcionais.

As relaes do tipo peso-estatura, como relaes estatsticas.
Quando duas variveis esto ligadas por uma relao estatstica, dizemos que existe
uma correlao entre elas.
17.3 DIAGRAMA DE DISPERSO
Consideremos uma amostra aleatria, formada por 98 alunos de uma classe de uma
Universidade e pelas notas obtidas por eles em matemtica e estatstica:
NOTAS
N MATEMTICA ESTATSTICA
(xi) (yi)
01 5,0 6,0
08 8,0 9,0
24 7,0 8,0
38 10,0 10,0
44 6,0 5,0
58 7,0 7,0
59 9,0 8,0
72 3,0 4,0
80 8,0 6,0
92 2,0 2,0

Representando, em um sistema cartesiano ortogonal de coordenadas, os parmetros (xi ;
yi), obtemos uma nuvem de pontos que denominamos DIAGRAMA DE DISPERSO.
Esse diagrama nos fornece uma idia grosseira, porm til, da correlao existente:
yi
10 . o
.
o
8 . o o
. o
6 . o o
. o
4 . o
2 . o
. . . . . . . . . .
2 4 6 8 10 xi
17.4 CORRELAO LINEAR
Os pontos obtidos, vistos em conjunto formam uma elipse em diagonal.
Podemos imaginar que, quanto mais fina for a elipse mais ela se aproximara de uma reta.
Dizemos, ento, que a correlao de forma elptica tem como imagem uma reta, sendo,
por isso denominada de correlao Linear.

possvel verificar que a cada correlao est associada como imagem uma relao
funcional. Por esse motivo, as relaes funcionais so chamadas relaes Perfeitas.
yi
10 . RETA IMAGEM o
.
o
8 . o o
. o
6 . o o
. o
4 . o
2 . o
. . . . . . . . . .
2 4 6 8 10 xi
Como a correlao em estudo tem como imagem uma reta ascendente, ela e chamada
de correlao Linear Positiva.
Assim uma correlao :

a- Linear Positiva se os pontos do diagrama tm como imagem uma reta ascendente;
b- Linear Negativa se os pontos tm como imagem uma reta descendente;
c- No Linear se os pontos tm como imagem uma curva.

Se os pontos apresentam-se dispersos, no oferecendo uma imagem definida,
conclumos que no h relao alguma entre as variveis em estudo.
Temos:
o
oo
ooo
oo
ooooo correlao positiva
ooo
ooooo
oo
o
oo
o
oo
ooo
oo
ooooo correlao negativa
ooo
ooooo
oo
o
oo
o
o oo
oo oooo
ooo oo
oo ooo
ooooo o correlao no linear
ooo oooo
ooooo ooo
oo oo
o oooo
oo ooo
oo
o o o o
o o o oooo ooo o ooo
oo ooo oooo oooo oooo o no h correlao
o oo ooo ooooo o
o ooo oo o
ooooo

17.5 COEFICIENTE DE CORRELAO LINEAR
O instrumento empregado para a medida de correlao Linear o Coeficiente de

correlao. Esse coeficiente deve indicar o grau de intensidade da correlao entre duas
variveis e, ainda, o sentido dessa correlao (positivo ou negativo).
Faremos uso do coeficiente de correlao de Person, que dado por:
n x i y i ( x i ) ( y i )
r=
[n x i2 ( x i ) 2 ][n y i2 ( y i ) 2 ]
Onde:
n = nmero de observaes
Os valores limites de r so -1 e +1, isto , o valor de r pertence ao intervalo [ -1 e +1].
Assim:
A- Se a correlao entre duas variveis perfeita e positiva, ento r = +1.
B- Se a correlao perfeita e negativa, ento r = -1
C- Se no h correlao entre as variveis ou a relao por acaso no linear,

ento r = 0.
NOTAS
- Para que uma relao possa ser descrita por meio do Coeficiente de
correlao de Person imprescindvel que ela se aproxime de uma funo
Linear. Uma maneira prtica de verificarmos a linearidade da relao a
inspeo do Diagrama de Disperso: se a elipse apresenta salincias ou
reentrncias muito acentuadas, provavelmente trata-se de uma relao
curvilnea.
- Para podermos tirar algumas concluses significativas sobre o comportamento
simultneo das variveis analisadas, necessrio que:
0,6 | r | 1
Se 0,3 | r | < 0,6, h uma correlao relativamente fraca entre as variveis.
Se 0 < | r | < 0,3, a correlao muito fraca e, praticamente, nada podemos
concluir sobre a relao entre as variveis em estudo.

Em seguida vamos calcular o coeficiente de correlao relativos ao exerccio anterior.
O modo mais prtico para obtermos r abrir, na tabela, colunas correspondentes aos
valores de xi yi, x i2 e y i2 . Assim:
MATEMTICA ESTATSTICA
(xi) (yi) xi yi x i2 y i2
5,0 6,0 30 25 36
8,0 9,0 72 64 81
7,0 8,0 56 49 64
10,0 10,0 100 100 100
6,0 5,0 30 36 25
7,0 7,0 49 49 49
9,0 8,0 72 81 64
3,0 4,0 12 09 16
8,0 6,0 48 64 36
2,0 2,0 04 04 04
=65 =65 =473 =481 =475
Logo:
10 . 473 65 . 65 505 505
r= = = = 0,911
[4810 4225 ][4750 4225 ] 585 . 525 554,18
Da: r = 0,91 - Resultado que indica uma correlao linear positiva altamente significativa
entre as duas variveis.

17.6 CUIDADOS COM OS ERROS COM A INTERPRETAO DE
CORRELAO
Identificamos a seguir trs dos erros mais comuns cometidos na interpretao de

resultados que envolvem correlao.
1- Devemos evitar a concluso de que a correlao implica em casualidade. Um
estudo mostrou uma correlao entre salrios de professores de estatstica e o consumo
individual de cerveja. Porm essas duas variveis so afetadas pelas condies
econmicas que envolvem no s os professores de estatstica. Aparece, neste caso,
uma terceira varivel oculta.
2- Surge outra fonte de erro potencial quando os dados se baseiam em taxas ou
mdias. Quando utilizamos taxas ou mdias para os dados, suprimimos a variao entre
os indivduos ou elementos, e isto pode levar a um coeficiente de correlao
inflacionado.
3- Um terceiro erro diz respeito propriedade de linearidade. A concluso de que no
h correlao linear significativa no quer dizer que x e y no estejam relacionados de
alguma forma provavelmente possa haver uma correlao no linear.

EXERCCIOS:
1- Complete o esquema de clculo do coeficiente de correlao para os valores das

variveis xi e yi :
xi 4 6 8 10 12
yi 12 10 8 12 14
Temos:
4,0 12,0
. .
.
....
12,0 14,0
= = = = =
Logo:
. .
r= = = =
[ ][ ] .
ONDE: r =

2- Padronize cada conjunto de escores e calcule o coeficiente de correlao.
A-
34 21
30 22
40 25
34 28
39 15
35 24
42 24
45 22
43 17
= = = = =
B-
3,9 46
4,6 46
6,0 52
2,8 50
3,1 48
3,4 40
4,2 42
4,0 44
= = = = =

3- Determine o coeficiente de correlao para os dois conjuntos de valores abaixo:
1 AVALIAO 2 AVALIAO
estudante (xi) (yi) xi yi x i2 y i2
1 82 92
2 84 91
3 86 90
4 83 92
5 88 87
6 87 86
7 85 89
8 83 90
9 86 92
10 85 90
11 87 91
= = = = =
4- Com os dados abaixo, sobre crimes violentos e a temperatura mdia entre 21 e 2 horas
das noites de sbado numa grande comunidade, monte o grfico para os dados e calcule
o coeficiente de correlao.
Crimes Violentos/ 1000 residentes temperatura mdia (F)

5,0 87
2,2 50
4,1 75
5,4 90
2,8 55
3,0 54
3,6 68
4,9 85
4,1 82
4,2 80
2,0 45
2,7 58
3,1 66

18 REGRESSO
18.1 INTRODUO
Sempre que desejamos estudar determinada varivel em funo de outra fazemos

sempre uma anlise de regresso.
Podemos dizer que a anlise de regresso tem por objetivo descrever, atravs de um
modelo matemtico, a relao entre duas variveis, partindo de n observaes das
mesmas.
A varivel sobre a qual desejamos fazer uma estimativa recebe o nome de varivel
dependente e a outra recebe o nome de varivel independente.
Assim, supondo X a varivel independente e Y a dependente, vamos procurar determinar o ajustamento de uma reta
relao entre essas variveis.
18.2 GRFICO DE LINHAS
comum, para quem trabalha na rea de administrao e negcios, observar o

comportamento de uma varivel ao longo do tempo. Por exemplo, um executivo
acompanha a cotao diria das aes da sua empresa, um gerente acompanha o
volume semanal de vendas da sua loja, um engenheiro de produo acompanha
caractersticas de qualidade do produto que fabrica.
As sries temporais so dados produzidos e monitorados ao longo do tempo.
Quando se fazem observaes ao longo do tempo, preciso registrar tanto o valor

observado como o momento de observao. Depois, com esse conjunto de dados,
possvel fazer um grfico de linhas.
O grfico de linhas usado para apresentar a variao das sries temporais.

Para fazer o grfico de linhas:
i. colete os valores da varivel Y nos tempos que voc pretende
estudar;
ii. trace um sistema de eixos cartesianos e represente o tempo no eixo
das abscissas e a varivel Y no eixo das ordenadas;
iii. estabelea as escalas;
iv. escreva o nome das variveis nos respectivos eixos. Depois faa as
graduaes;
v. faa um ponto para representar cada par de valores x e y;
vi. una os pontos por segmentos de reta;
vii. escrever o ttulo.
Exemplo:
Variao percentual do PIB, no Brasil
Variao percentual do PIB,

Ano no Brasil
1991 1,03
1992 -0,54
1993 4,92
1994 5,85
1995 4,22
1996 2,76
1997 3,68
1998* 0,15
*Nota: O valor do PIB em 1998 foi de 901 bilhes

de Reais. Fonte IBGE, (1999)
Grfico de linhas
Variao percentual do PIB, no Brasil
7,00
6,00
5,00
Variao do PIB
4,00
3,00
2,00
1,00
0,00
1991 1992 1993 1994 1995 1996 1997 1998*
-1,00

18.3 REGRESSO LINEAR SIMPLES
Se voc aumentar o lado de um quadrado em 1 cm, a rea aumenta, no mesmo? E se

voc continuar aumentando o lado do quadrado de 1 cm em 1 cm, a rea continuar
aumentando. Voc saberia dizer exatamente a rea do quadrado para cada tamanho de
lado.
Pense agora em um supermercado que vai aumentar seu gasto com propaganda porque
dizem quem no se anuncia se esconde. Vamos ento pensar o aumento do volume
de vendas como funo do aumento dos gastos com propaganda. Voc acha que existe
uma relao exata entre essas variveis, isto , para cada real a mais gasto com
propaganda haver um aumento fixo no volume de vendas?
No bem assim. As vendas aumentam em certas pocas do ano. O volume de vendas
tambm depende dos preos e aumentos de salrio, depende da concorrncia e outras
coisas alm, claro, da propaganda. Mesmo que ns conhecssemos todas as causas
que explicam o volume de vendas em supermercados, ainda assim no saberamos
prever exatamente o volume de vendas. Sempre existiria o acaso, aumentando ou
diminuindo o volume de vendas.
Com estes exemplos queremos lembrar que existem relaes determinsticas como a
relao entre lado e rea de um quadrado e relaes probabilsticas como a relao
entre gasto com propaganda e volume de vendas. No primeiro caso, no existe espao
para erro na previso, isto , dado o lado de um quadrado voc pode dizer exatamente
qual a rea. No segundo caso possvel alguma previso,mas dentro de certas
margens de erro. Ento a relao entre as duas variveis admite o que os estatsticos
chamam de erro aleatrio.
O exemplo a seguir, mostra que o tempo de entrega de um carregamento aumenta em
funo da distncia rodoviria a ser percorrida. Ento possvel prever o tempo de
entrega de um carregamento, desde que se conhea a distncia rodoviria a ser
percorrida e se tenha o modelo matemtico que estabelece a relao entre as variveis.
o que se chama, em Estatstica, anlise de regresso. Mas como se acha o modelo
matemtico da funo?
Observe cuidadosamente o diagrama de disperso feito para o exemplo a seguir.

Exemplo:
Tempo de entrega de dez carregamentos em
funo da distncia rodoviria
Distncia Tempo de entrega

(em Km) (em dias)
825 3,50
215 1,00
1070 4,00
550 2,00
480 1,00
920 3,00
1350 4,50
325 1,50
670 3,00
1215 5,00
Fonte Kazmier, (1982)
Diagrama de Disperso
Tempo de entrega de dez carregamentos em funa da
distncia rodoviria
6
Tempo de entrega
0
0 200 400 600 800 1000 1200 1400 1600
Distncia
Parece existir uma reta que d o tempo de entrega de um carregamento em funo da

distncia rodoviria a ser percorrida. Voc se lembra da equao de uma reta? Veja a
figura abaixo e lembre que uma reta dada pela equao:
Y = + X.

O coeficiente linear d a altura em que a reta corta o eixo das ordenadas e o coeficiente
angular a tangente trigonomtrica do ngulo, formado pela reta Y = + X e uma
paralela ao eixo das abscissas, de ordenada igual a .
Reta de regresso
Y = + X

= tg
X
Se X a varivel que representa a distncia rodoviria e Y a varivel que representa o

tempo de entrega, ento o modelo que relaciona as duas variveis :
Y = + X + ,
onde e indicam os coeficientes linear e angular da reta, respectivamente, e indica o

erro aleatrio.

Para obter as estimativas e de e , aplicam-se as frmulas apresentadas em
seguida.
Frmula do coeficiente angular: Frmula do coeficiente linear:
xy n
x y
_ _
= = y x
2 ( x)
2
x n
Reta de regresso a reta que relaciona as variveis X e Y. A varivel Y

denominada dependente e a varivel X denominada explanatria.

Clculos intermedirios
X Y XY X2 Y2
825 3,50 2887,5 680625,00 12,25

215 1,00 215,0 46225,00 1,00
1070 4,00 4280,0 1144900,00 16,00
550 2,00 1100,0 302500,00 4,00
480 1,00 480,0 230400,00 1,00
920 3,00 2760,0 846400,00 9,00
1350 4,50 6075,0 1822500,00 20,25
325 1,50 487,5 105625,00 2,25
670 3,00 2010,0 448900,00 9,00
1215 5,00 6075,0 1476225,00 25,00
7620 28,50 26370,0 7104300,00 99,75

Para obter :
7620 . 28,5
26370,0
10 4653
= = = = 0,0035851 0,0036
(7620)2 1 297 860
7 104 300
10

Para obter :
_ _
7620 28,5
x= = 762 e y= = 2,85
10 10
_ _
= y x = 2,85 0,0036.762 = 0,1068 0,11
Reta de regresso ajustada aos dados

Tempo de entrega de dez carregamentos em funo da
distncia rodoviria
6
Tempo de entrega
0
0 200 400 600 800 1000 1200 1400 1600
Distncia

Observao: Antes de ajustar uma reta de regresso, desenhe o diagrama de disperso.
Esse cuidado ajuda a prevenir o uso de modelos inadequados. Algumas vezes, basta
observar o diagrama para perceber que a relao entre as variveis no linear.
EXERCCIO:
1- A tabela abaixo apresenta o tempo, em meses, que seis pessoas esto trabalhando na
inspeo de carros e o nmero de carros que elas inspecionaram em uma tarde de
trabalho. Ajuste uma reta de regresso aos dados e calcule o coeficiente de
determinao. Se uma pessoa tivesse trabalhado dez meses, quantos caros ela teria
inspecionado?
Exerccio:
Nmero de carros inspecionados, segundo o
tempo de servio, em meses, de seis pessoas
Tempo Carros inspecionados
5 16
1 15
7 19
9 23
2 14
12 21

PRINCIPAIS REFERNCIAS BILBIOGRFICAS
ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS, T.A. Estatstica Aplicada

Administrao e Economia; Ed. Thomson, 2003.
BUSSAB, W.O.; MORETTIN, P.A. Mtodos Quantitativos: Estatstica Bsica; Atual

Editora, 1987.
LEITE, O.P.; DAMASCENO, B.C. Apostilas de Estatstica, Estatstica Aplicada e

Probabilidade e Estatstica dos cursos de Administrao de Negcios 2 semestre,
Administrao de Negcios 3 semestre e Sistemas de Informao, respectivamente.
UNISO Universidade de Sorocaba, 2002.
MAGALHES, M.N.; LIMA, A.C.P. Noes de Probabilidade e Estatstica; EDUSP, 2002.
VIEIRA, S. Princpios de Estatstica; Ed Pioneira, 1999.

Anexo 1: Tabela: Distribuio t de Student
Anexo : TABELA: DISTRIBUIO t DE STUDENT
Estatstica e Probabilidade i Prof Berenice C. Damasceno

Anexo 1: Tabela: Distribuio t de Student
Noes de Estatstica e Probabilidade ii Prof Berenice C. Damasceno

Anexo 2: Apresentao do Curso
UNIDADE UNIVERSITRIA: FACULDADE DE ENGENHARIA

UNESP- CAMPUS DE ILHA SOLTEIRA
CURSO: ENGENHARIAS ELTRICA E MECNICA
DEPARTAMENTO RESPONSVEL: MATEMTICA
DISCIPLINA: ESTATSTICA E PROBABILIDADE
PROF: BERENICE CAMARGO DAMASCENO
BIBLIOGRAFIA BSICA
BUSSAB, W.O. e MORETTIN, P.A. Mtodos Quantitativos: Estatstica Bsica.

3.ed. So Paulo, Atual, 1986.
FONSECA, J.S. e MARTINS, G.A. Curso de Estatstica. 3.ed. So Paulo, Atlas.
LEME, R.A.S. Curso de Estatstica: Elementos. Rio de Janeiro, Livros Tcnicos e
Cientficos, 1974.
MEYER, P.L. Probabilidade: Aplicaes Estatstica. So Paulo, Livros Tcnicos
e Cientficos, 1976.
MORETTIN, P.A. Introduo Estatstica para Cincias Exatas. So Paulo, Atual,
1981.
MORETTIN, P.A. Mtodos Quantitativos para Economistas e Administradores. So
Paulo, Atual, 1981.
Noes de Estatstica e Probabilidade Prof Berenice C. Damasceno

CRITRIOS DE AVALIAO
Sero realizadas 03 (trs) provas escritas, sendo uma substitutiva.

A nota de aproveitamento ser a mdia aritmtica ponderada entre as notas de
provas e uma nota de avaliao de trabalhos.
1T + 3 (P1 ou Sub) + 4 (P2 ou Sub)

MF =
8
onde: MF = Mdia Final

T = Mdia das notas de trabalhos e de exerccios
P1 = Nota da 1 Prova
P2 = Nota da 2 Prova
Sub = Nota da Prova Substitutiva (optativa)
Haver uma Prova Substitutiva, para alunos que faltarem a uma das provas.
A prova substitutiva abranger todo o contedo da disciplina, e ser optativa.
SER OFERECIDA RECUPERAO
DATAS DAS AVALIAES
P1 : / / 2013 FEIRA
P2 : / / 2013 FEIRA
Sub : / / 2013 FEIRA
Rec. : / / 2013 FEIRA

EMENTA: - alguns dos tpicos a serem abordados:
Estatstica Descritiva
Probabilidade
Variveis Aleatrias Discretas e Contnuas
Distribuio e Parmetros de Varivel Aleatria
Distribuies Discretas e Distribuies Contnuas
Distribuies Amostrais
Estimao por Ponto
Estimao por Intervalo
Inferncia Estatstica
Regresso Linear

Nocoes de Estatistica e Probabilidade - 2013 Parte 2

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

Nocoes de Estatistica e Probabilidade - 2013 Parte 2

Caricato da

Copyright:

Formati disponibili

14.

Os mtodos mais usuais de amostragem alm da amostragem aleatria simples so:

- Amostragem por Conglomerados.

Noes de Estatstica e Probabilidade 108 Prof Berenice C. Damasceno

Estes erros surgem do fato da amostra no ser representativa em relao populao

ERROS NO PROVENIENTES DA AMOSTRAGEM

Estes erros surgem devido a vrias causas, incluindo:

- Registros incorretos dos dados;

PLANEJAMENTO GERAL DA PESQUISA

Defina as metas da pesquisa;

Noes de Estatstica e Probabilidade 109 Prof Berenice C. Damasceno

A distribuio amostral provavelmente o conceito mais fundamental da inferncia

Se tomarmos agora amostra n=2 neste caso temos 10 possibilidades, isto , a

(3 e 5) (3 e 7) (3 e 9) (3 e 11) (5 e 7) (5 e 9) (5 e 11) (7 e 9) (7 e 11) (9 e 11)

e suas mdias so:

Noes de Estatstica e Probabilidade 110 Prof Berenice C. Damasceno

no ser diferente de 1 da Mdia Populacional = 7.

Amostral no ser diferente de 2 da Mdia Populacional = 7

Assim, se no conhecssemos a Mdia da Populao dada e quisssemos estim-la com

Para obtermos outras informaes teis sobre a Distribuio Amostral da Mdia

Noes de Estatstica e Probabilidade 111 Prof Berenice C. Damasceno

Para amostras aleatrias de tamanho n extradas de uma Populao com mdia e

e o Desvio Padro da Mdia definido como:

Dependendo da Populao ser infinita ou finita de tamanho N, costuma-se referir-se a

como o Erro Padro da Mdia, onde:

esteja prxima da Mdia da Populao;

Exemplo: Com referncia ao exerccio anterior, tnhamos n = 2 e N = 5 e = 8,

Fazendo n = 2, N = 5 e = 8 para a frmula para populaes finitas temos:

Noes de Estatstica e Probabilidade 112 Prof Berenice C. Damasceno

1- Qual o fator de correo para a populao finita, quando:

(f) n = 400 e N = 4000

2- Dada uma Populao Finita de N = 6 nmeros: 6, 9, 12, 15, 18 e 21:

(a) Calcule a Mdia Populacional e o Desvio Padro

(b) Calcule quantas amostras so possveis se n = 2 (combinao 6,2)

(d) Construa o Histograma da Distribuio Amostral da Mdia para

amostras aleatrias de tamanho n = 2 extradas, sem reposio,

dessa Populao Finita

(e) Determine o Desvio Padro da Distribuio Amostral da Mdia __ .

Noes de Estatstica e Probabilidade 113 Prof Berenice C. Damasceno

A capacidade de usar AMOSTRAS para se fazer inferncias sobre parmetros

Se uma distribuio a distribuio das mdias tambm ser

Se uma distribuio a distribuio das mdias ser normal

Esses resultados so conhecidos como o Teorema Central do Limite ou do Limite Central.

O TEOREMA CENTRAL DO LIMITE

1- Se a populao sob amostragem tem distribuio normal, a distribuio das mdias

Exemplo 1 - Uma Populao muito grande tem mdia = 20 e desvio padr

(A) Qual a mdia da Distribuio Amostral?

Noes de Estatstica e Probabilidade 114 Prof Berenice C. Damasceno

Portanto a curva normal seria

I T = 0,5 0,3413 + 0,5 0,34132 I T = 0,1587 + 0,1587 = 0,3174

Mdias Inferiores a 19,8 e Superiores a 20,2.

Noes de Estatstica e Probabilidade 115 Prof Berenice C. Damasceno

mdia esperada de 50 meses. Sabe-se que o desvio padro correspondente de 4

meses. Que porcentagem da amostra de 36 observaes acusar vida mdia no intervalo

de 1 ms em torno de 50 meses, admitindo-se ser de 50 meses a verdadeira vida mdia

das baterias, qual ser a resposta para uma amostra de 64 observaes?

2- A mdia de uma distribuio amostral de mdias 50 e seu desvio padro 10.

Suponha que a Distribuio Amostral seja normal:

(a) Que porcentagem de mdias amostrais estar entre 45 e 55?

4- Calcule o desvio padro da distribuio amostral de mdias para cada um dos

(a) = 5,0 e n=6

Noes de Estatstica e Probabilidade 116 Prof Berenice C. Damasceno

amostral de 0,01 cm.

(a) preciso saber que a populao normal para determinar a porcentagem de