Sei sulla pagina 1di 321
Estatística Aplicada Estat Estat í í stica stica Aplicada Aplicada Prof. Dr. João Roberto Ferreira

Estatística Aplicada

Estatística Aplicada Estat Estat í í stica stica Aplicada Aplicada Prof. Dr. João Roberto Ferreira

EstatEstatíísticastica AplicadaAplicada

Prof. Dr. João Roberto Ferreira

jorofe@unifei.edu.br

(35) 3629 1293

UNIFEI – Instituto de Engenharia de Produção e Gestão Programa de Pós-Graduação em Engª de Produção

1

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada “Pensar estatisticamente será um dia, para a eficiente prática da cidadania, tão necessário
Estatística Aplicada “Pensar estatisticamente será um dia, para a eficiente prática da cidadania, tão necessário

Estatística Aplicada

Estatística Aplicada “Pensar estatisticamente será um dia, para a eficiente prática da cidadania, tão necessário

“Pensar estatisticamente será um dia, para a eficiente prática da cidadania, tão necessário como a habilidade de ler e escrever.”

H. G. Wells (Escritor, considerado o pai da moderna Ficção Científica, 1895)

2

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Motivação das empresas para estudo e uso de Estatística : Foco no Processo

Estatística Aplicada

Motivação das empresas para estudo e uso de Estatística:

Foco no Processo: Um dos principais requisitos da ISO 9001:2000

Fatores Controláveis

Entrada

requisitos da ISO 9001:2000 Fatores Controláveis Entrada x 1 x 2 x p Processo z 1

x1

da ISO 9001:2000 Fatores Controláveis Entrada x 1 x 2 x p Processo z 1 z

x2

da ISO 9001:2000 Fatores Controláveis Entrada x 1 x 2 x p Processo z 1 z

xp

da ISO 9001:2000 Fatores Controláveis Entrada x 1 x 2 x p Processo z 1 z

Processo

9001:2000 Fatores Controláveis Entrada x 1 x 2 x p Processo z 1 z 2 z

z1

Fatores Controláveis Entrada x 1 x 2 x p Processo z 1 z 2 z q

z2

Fatores Controláveis Entrada x 1 x 2 x p Processo z 1 z 2 z q

zq

Saída

Entrada x 1 x 2 x p Processo z 1 z 2 z q Saída y

y1

y2

ym

Fatores Incontroláveis (ruído)

3

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

X

Exemplo de Processo

Estatística Aplicada

Y=f(X)+Z

Processo Bodymaker de fabricação de latas

Y=f(X)+Z Processo Bodymaker de fabricação de latas Z • Operador • Rede Elétrica • Qualidade da

Z

Operador Rede Elétrica Qualidade da Bobina

4

Pressão de ar air strip Pressão de ar air bag Pressão de ar front piston Pressão Hidráulica

Temperatura

Vazão de óleo Solúvel em um problema

Aplicação: Pense

área de atuação

Pressão do Nitrogênio similar em sua

Y

Espessura da parede Top Wall Espessura da Parede Mid Wall Profundidade do Dome Altura da Lata

Visualização

Profundidade do Dome • Altura da Lata • Visualização É complexo inferir sobre X,Y e Z

É complexo inferir sobre X,Y e Z sem Estatística!

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Visualização É complexo inferir sobre X,Y e Z sem Estatística! Balestrassi – Paiva – Ferreira (UNIFEI
Estatística Aplicada Cone of Learning DO THE REAL THING! Faça anotações! Aplicando os conhecimentos na
Estatística Aplicada
Cone of Learning
DO THE
REAL
THING!
Faça anotações!
Aplicando os
conhecimentos na
sua área é a única
forma de
sedimentá-los!
5

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Recursos de Software O uso de recursos computacionais tornou os cálculos atividades fáceis

Estatística Aplicada

Recursos de Software

Estatística Aplicada Recursos de Software O uso de recursos computacionais tornou os cálculos atividades fáceis
Estatística Aplicada Recursos de Software O uso de recursos computacionais tornou os cálculos atividades fáceis

O uso de recursos computacionais tornou os cálculos atividades fáceis permitindo uma maior ênfase na compreensão e interpretação dos resultados

Statgame e Statquiz
Statgame e Statquiz

(Interessante para verificar o conhecimento básico)

6

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Pratique:

Estatística Aplicada

Pratique: Estatística Aplicada www.minitab.com www.e-academy.com 1. Gere a planilha ao lado e entenda a diferença entre

www.minitab.com

www.e-academy.com

1. Gere a planilha ao lado e entenda a diferença entre Worksheet e Project. Observe o que é Session.

2. Calcule as principais Estatísticas Descritivas da planilha gerada.

Siga o caminho: <Stat> <Basic Statistics> <Display Descriptive Statistics> < Graph> <Graphical Summary>

Statistics> < Graph> <Graphical Summary> 3. Navegue no Statguide 4. Navegue pelo Tutorial do

3. Navegue no Statguide

4. Navegue pelo Tutorial do Minitab

5. Observe os ícones para Worksheet, Session, Show Graphs Folder e Edit Last Dialog

Worksheet , Session , Show Graphs Folder e Edit Last Dialog 7 Balestrassi – Paiva –

7

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada 6. Gere uma série de 100 valores aleatórios que poderia simular uma variabilidade
Estatística Aplicada 6. Gere uma série de 100 valores aleatórios que poderia simular uma variabilidade

Estatística Aplicada

6. Gere uma série de 100 valores aleatórios que poderia simular uma variabilidade em Temperatura;

Use <Calc> <Random Data> <Normal Distribution> e inclua os parâmetros convenientes (Ex.: Média=100, S=10).

7. Calcule as principais estatísticas descritivas da planilha usando Graphical Summary. Faça outros gráficos.

8. Entenda o procedimento <Calc> <Set Base>?

9. Salve a planilha na Desktop com um nome qualquer.

10. Feche o programa minitab e depois abra a planilha que você salvou.

8

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Um bom Material de Apoio Obtenha domínio sobre o Minitab a partir do

Estatística Aplicada

Um bom Material de Apoio

Obtenha domínio sobre o Minitab a partir do arquivo minitab.pdf que está no Cd do curso.

Minitab a partir do arquivo minitab.pdf que está no Cd do curso. 9 Balestrassi – Paiva

9

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Bibliografia básica: 1 – Montgomery, D.C., Runger, G.C., Estatística Aplicada e Probabilidade

Estatística Aplicada

Bibliografia básica:

1 – Montgomery, D.C., Runger, G.C., Estatística Aplicada e Probabilidade para Engenheiros, 2ª ed., LTC Livros Técnicos e Científicos, 2003, 461 p.

2 – Newbold et al., Statistics for Business and Economics, 4ª ed., Ed. Prentice Hall, 2002, 579 p.

3 – Apostila (Notas de Aula).

10

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada SUMÁRIO 1 – Estatística Descritiva 2 – Distribuições de Probabilidade 3 – Estimação

Estatística Aplicada

SUMÁRIO

1 – Estatística Descritiva

2 – Distribuições de Probabilidade

3 – Estimação - Intervalos de Confiança

4 – Testes de Hipótese

5 – Análise de Variância

6 – Correlação e Regressão

7 – Controle Estatístico do Processo

11

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada 1 - Estatística Descritiva “Uma mente que se abre para uma nova idéia,

Estatística Aplicada

1 - Estatística Descritiva

Estatística Aplicada 1 - Estatística Descritiva “Uma mente que se abre para uma nova idéia, jamais

“Uma mente que se abre para uma nova idéia, jamais retornará ao seu tamanho original”. (Albert Einstein)

12

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Do que trata a Estatística A essência da ciência é a observação .

Estatística Aplicada

Do que trata a Estatística

A essência da ciência é a observação. Estatística: A ciência que se preocupa com a organização, descrição, análise e interpretação dos dados experimentais. Ramo da Matemática Aplicada. A palavra estatística provêm de Status.

Estatística Básica (Anova, TH, Regressão)

Séries Temporais

Data Mining

Six Sigma

Redes Neurais

Controle de Qualidade

Simulação / PO

DOE /Taguchi /RSM

Análise de Sistema de Medição

Estatística Multivariada

Amostragem / Pesquisa

Confiabilidade

13

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada População e Amostra A População (ou Distribuição) é a coleção de todas as

Estatística Aplicada

População e Amostra

A População (ou Distribuição) é a coleção de todas as observações potenciais sobre determinado fenômeno.

O conjunto de dados efetivamente observados, ou extraídos, constitui uma Amostra da população.

Um Censo é uma coleção de dados relativos a Todos os elementos de uma população.

Um Parâmetro está para a População assim como uma Estatística está para a Amostra.

14

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Tipos de Dados (Também Dados Categóricos ou de Atributos ) Variável Qualitativa Quantitativa

Estatística Aplicada

Tipos de Dados

(Também Dados Categóricos ou de Atributos)

Variável

Qualitativa(Também Dados Categóricos ou de Atributos ) Variável Quantitativa Nominal Ordinal Discreta Contínua (Variáveis)

Dados Categóricos ou de Atributos ) Variável Qualitativa Quantitativa Nominal Ordinal Discreta Contínua (Variáveis)
Dados Categóricos ou de Atributos ) Variável Qualitativa Quantitativa Nominal Ordinal Discreta Contínua (Variáveis)
Dados Categóricos ou de Atributos ) Variável Qualitativa Quantitativa Nominal Ordinal Discreta Contínua (Variáveis)
Dados Categóricos ou de Atributos ) Variável Qualitativa Quantitativa Nominal Ordinal Discreta Contínua (Variáveis)

QuantitativaDados Categóricos ou de Atributos ) Variável Qualitativa Nominal Ordinal Discreta Contínua (Variáveis) Ex.: Para

ou de Atributos ) Variável Qualitativa Quantitativa Nominal Ordinal Discreta Contínua (Variáveis) Ex.: Para
ou de Atributos ) Variável Qualitativa Quantitativa Nominal Ordinal Discreta Contínua (Variáveis) Ex.: Para

Nominal

Ordinal

Discreta

Contínua

(Variáveis)

Ex.: Para uma população de peças produzidas em um determinado processo, poderíamos ter:

Variável

Estado: Perfeita ou defeituosa

Qualidade: 1

a , 2 a ou 3 a categoria

N o de peças defeituosas

Diâmetro das peças

Tipo

Qualitativa Nominal

Qualitativa Ordinal

Quantitativa Discreta

Quantitativa Contínua

15

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada <Calc> <Random Data> Números Aleatórios Aplicação: Gere sequências de valores

Estatística Aplicada

<Calc> <Random Data> Números Aleatórios

Aplicação: Gere sequências de valores aleatórios que represente problemas em sua área.

O que significa o procedimento <Calc> <Set Base>?

Amostragem: Gere a sequência 1 2 3

<Calc> <Make Patterned Data>

Selecione uma amostra com 10 valores a partir das sequências geradas anteriormente.

Use <Calc> Random Data> <Sample from Column>

100.

16

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Medidas Estatísticas

Medidas Estatísticas Estatística Aplicada Conjunto Original de dados Redução dos dados Gráficos/ Ramo-e-Folhas/

Estatística Aplicada

Conjunto Original de dados

Estatística Aplicada Conjunto Original de dados Redução dos dados Gráficos/ Ramo-e-Folhas/
Estatística Aplicada Conjunto Original de dados Redução dos dados Gráficos/ Ramo-e-Folhas/

Redução dos dados

Gráficos/ Ramo-e-Folhas/ Distribuições de Frequência, etc

Medidas Estatísticas

Fornece muito mais informações sobre o comportamento de uma variável do que a própria série original de dados

Valores representativos da série toda. Medidas de Posição e Dispersão.

17

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada <Graphical Summary> Ex.: Número de acessos à página do Site da Empresa durante

Estatística Aplicada

<Graphical Summary>

Ex.:Número de acessos à página do Site da Empresa durante os últimos 100 dias úteis.

Aplicação:

Gere uma sequência de dados que represente um processo em sua área e calcule as estatísticas desse conjunto de dados.

Use:

<Random> e

<Display Descriptive Statistics>

Use: <Random> e <Display Descriptive Statistics> 18 Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

18

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Medidas de Posição: Média n ∑ x i x + x + +

Estatística Aplicada

Medidas de Posição: Média

n ∑ x i x + x + + L + + x i =
n
x
i
x
+
x
+
+
L
+
+
x
i
= 1
1
2
n
x =
=
n
n
n
x p
i
i
x p
+
x
p
+
+
L
+
+
x
p
i
= 1
1
1
2
2
n
n
x =
=
n
p
+
p
+
+
L
+
+
p
1
2
n
p
i
i
= 1

Aritmética Simples

Aritmética Ponderada

Um pouco sobre arredondamento de médias:

Tome uma decimal acima da dos dados: Ex.: 2,4 3,4 e 5,7 => média =3,73 Em várias operações, arredonde apenas o resultado final

19

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Um Cidadão Americano “Médio” Chama-se Robert Pesa 78 Kg Manequim 48 85 cm

Estatística Aplicada

Um Cidadão Americano “Médio”

Chama-se Robert

Pesa 78 Kg

Manequim 48

85 cm de cintura

Consome anualmente 8,5 Kg massa, 11,8Kg de bananas, 1,8 Kg de batatas fritas, 8,15Kg de sorvete e 35,8 Kg de carne.

Vê TV por ano 2567 horas

Recebe anualmente 585 “coisas” por correio (cartas e outros)

Diariamente dorme 7,7 horas, gasta 21 minutos para chegar ao trabalho e trabalha 6,1 horas

20

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Medidas de Posição: Mediana Se n é ímpar: Se n é par: x

Estatística Aplicada

Medidas de Posição: Mediana

Se n é ímpar:

Se n é par:

x =

+ 1    termo

2

o

n

~

~

x =

n

2

o

termo

+

n

2

+ 1

o

termo

 

2

Ex.:

{35, 36, 37, 38, 40, 40, 41, 43,46}

x = 40

~

{12 ,

14 14 15 16 16 17 20} x

,

,

,

,

,

,

~

 

15

+

16

=

=

 

2

15 5

,

Mediana é o valor “do meio” de um conjunto de dados dispostos em ordem crescente ou decrescente.

Inconveniente: Não considera todos os valores da amostra!

21

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Média x Mediana Ex.: { 200, 250, 250, 300, 450, 460, 510 }

Estatística Aplicada

Média x Mediana

Ex.:

{ 200, 250, 250, 300, 450, 460, 510 }

x = 345,7

x = 300

~

Ambas são boas medidas de Tendência Central. Prefira a média

{ 200, 250, 250, 300, 450, 460, 2300 }

x

= 601

x = 300

~

Devido ao Outlier 2300, a mediana é melhor estatística que a média.

22

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Medidas de Dispersão Rode e Entenda o programa Interativo da PQ Systems Discuta:

Estatística Aplicada

Medidas de Dispersão

Estatística Aplicada Medidas de Dispersão Rode e Entenda o programa Interativo da PQ Systems Discuta: 1)

Rode e Entenda o programa Interativo da PQ Systems

Discuta:

1)

Porque os bancos adotam fila única?

2)

“Por favor, com quantos dias de antecedência eu devo postar uma carta de aniversário para minha mãe?”

23

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Variabilidade A = { 3, 4, 5, 6, 7 } B = {

Estatística Aplicada

Variabilidade

A = { 3, 4, 5, 6, 7 }

B = { 1, 3, 5, 7, 9 }

C = { 5, 5, 5, 5 } D = { 3, 5, 5, 7 }

E = { 3.5, 5, 6.5 }

Uma medida de Posição não é suficiente para descrever um conjunto de dados. Os Conjuntos ao lado mostram isso! Eles possuem mesma média, sendo diferentes.

Algumas medidas de Variabilidade:

Amplitude (H): Tem o inconveniente de levar em conta apenas os dois valores extremos:

H Á =7-3=4

Amplitude=Range

24

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Medidas de Dispersão Considerando os desvios em relação à média, temos, para A,

Estatística Aplicada

Medidas de Dispersão

Considerando os desvios em relação à média, temos, para A, por exemplo:

A = { 3, 4, 5, 6, 7 }

xi - x

por e x e m p l o : A = { 3, 4, 5, 6,

{-2, -1, 0, 1, 2}

Inconveniente:

n

i =

1

(

x

i

x

)

=

n

=

i

1

x

i

n

=

i

1

x

=

nx

nx

0

Uma opção para analisar os desvios das observações é:

considerar o total dos quadrados dos desvios.

5

i = 1

(x x)

i

2

=

4

+

1

+

0

+

1

+

4

=

10

25

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Desvio Padrão Associando ao número de elementos da amostra ( n ), tem-se:

Estatística Aplicada

Desvio Padrão

Associando ao número de elementos da amostra (n), tem-se:

S 2

=

S =

S 2
S 2

n

i = 1

(x

i

x)

2

n

.

que

é a Variância ( Var(x))

que

é o Desvio Padrão (DP(x)), uma

medida que é expressa na mesma unidade

dos dados originais

26

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Dispersão: Fórmulas Alternativas n   x i − x i = 1  

Estatística Aplicada

Dispersão: Fórmulas Alternativas

n

 

x

i

x

i =

1

 

n

n

n

Variância Populacional (σ 2 ou σ n 2 )

(

)

2

x

i

2

2

i = 1

2

σ

=

=

x

S

n

2

2 i = 1

=

n 1

Variância Amostral n-1 está Relacionado a um problema de tendenciosidade

(

x

i

x

)

27

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

X 5 4 3 1 2 Estatística Aplicada Exemplo Calcular a Variância e o Desvio
X 5 4 3 1 2 Estatística Aplicada Exemplo Calcular a Variância e o Desvio

X

5

4

3

1

2

Estatística Aplicada

Exemplo

Calcular a Variância e o Desvio Padrão de X

(

X X

)

(

X X

)

2

e o Desvio Padrão de X ( X − X ) ( X − X )

2

 

4

1

1 1

1

0

0

-2

4

-1

 

1

S 2

=

=

2

1 0 0 -2 4 -1   1 S 2 = = 2 X X =
1 0 0 -2 4 -1   1 S 2 = = 2 X X =
1 0 0 -2 4 -1   1 S 2 = = 2 X X =

X

1 0 0 -2 4 -1   1 S 2 = = 2 X X =
1 0 0 -2 4 -1   1 S 2 = = 2 X X =

X =

Soma dos pontos de dados

Número dos pontos de dados

Uma Regra Prática para conjunto de dados típicos:

S=Amplitude/4

S 2
S 2

S =

=

=

para conjunto de dados típicos: S=Amplitude/4 S 2 S = = = 28 Balestrassi – Paiva

28

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Expressões para Média e Variância µ = N ∑ i = 1 X

Estatística Aplicada

Expressões para Média e Variância

µ =

N

i = 1

X

i

N

Média da População

Desvio Padrão da População

σ

=

N

i=1

(X

i

− µ

)

2

N

Média da Amostra

Desvio Padrão da Amostra

s =

n

x =

i=1

x

i

n

da Amostra Desvio Padrão da Amostra s = n x = ∑ i=1 x i n
da Amostra Desvio Padrão da Amostra s = n x = ∑ i=1 x i n

N

i=1

(X

i

X

)

2

n -1

29

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

*
*

Estatística Aplicada

Outra Estratégia: Percentis e Boxplot

Outlier ( fora da distância do Q3 + 1,5D )

e Boxplot Outlier ( fora da distância do Q3 + 1,5D ) Observação Máxima 109 75%
e Boxplot Outlier ( fora da distância do Q3 + 1,5D ) Observação Máxima 109 75%
e Boxplot Outlier ( fora da distância do Q3 + 1,5D ) Observação Máxima 109 75%
e Boxplot Outlier ( fora da distância do Q3 + 1,5D ) Observação Máxima 109 75%
e Boxplot Outlier ( fora da distância do Q3 + 1,5D ) Observação Máxima 109 75%
e Boxplot Outlier ( fora da distância do Q3 + 1,5D ) Observação Máxima 109 75%
e Boxplot Outlier ( fora da distância do Q3 + 1,5D ) Observação Máxima 109 75%
e Boxplot Outlier ( fora da distância do Q3 + 1,5D ) Observação Máxima 109 75%
e Boxplot Outlier ( fora da distância do Q3 + 1,5D ) Observação Máxima 109 75%

Observação Máxima

109 75% 104 99 50% 94 25% DBP
109
75%
104
99
50%
94
25%
DBP

EDA (Exploratory Data Analysis) e Método dos Cinco Números

EDA (Exploratory Data Analysis) e Método dos Cinco Números Q3=75ª Percentil D=Q3-Q1 Interquartil Q2=Mediana (50ª

Q3=75ª Percentil

D=Q3-Q1

Interquartil

dos Cinco Números Q3=75ª Percentil D=Q3-Q1 Interquartil Q2=Mediana (50ª Percentil) Q1=25ª Percentil Boxplot é

Q2=Mediana (50ª Percentil)

Q1=25ª Percentil

Boxplot é desgastante quando feito sem computador pois supõe a ordenação de dados.

30

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

3.(n+1)/4 0 2.(n+1)/4 0 (n+1)/4 0 Estatística Aplicada Percentis e Boxplot Valor do meio Quartis:

3.(n+1)/4 0

2.(n+1)/4 0

(n+1)/4 0

3.(n+1)/4 0 2.(n+1)/4 0 (n+1)/4 0 Estatística Aplicada Percentis e Boxplot Valor do meio Quartis: Q1=Quarta

Estatística Aplicada

Percentis e Boxplot

Valor do meio
Valor do meio

Quartis:

Q1=Quarta Observação Crescente=71.7 Q3=Quarta Observação Decrescente=150.6

Outliers: Q3+1.5D=150.6+1.5(150.6-71.7)=268.95 São outliers valores maiores que 268.95

Para valores

não inteiros

dos quartis,

usa-se

interpolação

31

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Boxplot Estatística Aplicada Exercício: Como conduzir uma análise de questionário (com escala de Likert) usando

Boxplot

Estatística Aplicada

Exercício: Como conduzir uma análise de questionário (com escala de Likert) usando Boxplot? Use: <Graph> <Boxplot>

Likert.mtw

Use a opção <Frame> <Multiple Graph>

Use a opção <Frame> <Multiple Graph> Entenda o procedimento de empilhamento de colunas ( Stack ):

Entenda o procedimento de empilhamento de colunas (Stack):

<Manip>

<Stack Columns>

100 50 0 Perg1 Perg2 Perg3 Perg4 Perg5 Perg6 Perguntas Avaliacao
100
50
0
Perg1
Perg2
Perg3
Perg4
Perg5
Perg6
Perguntas
Avaliacao

32

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Escores padronizados (z) z = x i − x i s x i

Estatística Aplicada

Escores padronizados (z)

z

=

x

i

x

i s

x i -

x considera o afastamento de x i em relação à média.

A divisão por s torna s como unidade ou padrão de medida.

Ex.: Dois grupos de pessoas acusam os seguintes dados:

Grupo

Peso médio

Desvio Padrão

 

A 66.5

kg

6.38

kg

 

B 72.9

kg

7.75

kg

em

A

:

z

=

81,2

66,5

A 6,38

= 2,3 e

Nesses grupos há duas

pessoas que pesam respectivamente, 81.2 kg e 88.0 kg.

em

B

:

z

=

88

72,9

B 7,75

= 1,95

Logo, a pessoa de A revela um maior excesso relativo de peso.

33

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

X : N ( µ ; σ ) Distribuição Normal Estatística Aplicada z = x

X

: N(µ;σ )

Distribuição Normal

Estatística Aplicada

z = x

µ

σ

Z: N(0; 1)

ϕ(z) Qual o formato da z curva acumulada? -3 -2 -1 0 1 2 3
ϕ(z)
Qual o formato da
z
curva acumulada?
-3
-2
-1
0
1
2
3
x
µ-3σ µ -2σ µ -σ
µ
µ+σ µ+2σ µ+3σ
N(0,1) é a
distribuição
Benchmark

Tal fórmula está tabelada e fornece valores acumulados

Distribuião Normal Reduzida ou Padronizada

34

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Escores padronizados (z) Uma mulher deu à luz um filho 308 dias após

Estatística Aplicada

Escores padronizados (z)

Uma mulher deu à luz um filho 308 dias após a visita de seu marido que serve na marinha dos EUA. Sabendo-se que uma gravidez normal tem média de 268 dias e desvio-padrão de 15 dias, determine se o tempo de gravidez da mulher pode ser considerado comum.

O marido tem razão de “preocupar-se”?

comum. O marido tem razão de “preocupar-se”? z = x i − x i s Balestrassi
comum. O marido tem razão de “preocupar-se”? z = x i − x i s Balestrassi
comum. O marido tem razão de “preocupar-se”? z = x i − x i s Balestrassi

z

=

x

i

x

i s

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

35

Medidas de Dispersão Escore Padronizado (z)

Medidas de Dispersão Escore Padronizado (z) Estatística Aplicada Regra 68 -- 95 -- 99 Cerca de

Estatística Aplicada

Regra

68 -- 95 -- 99

Cerca de 68% dos valores estão a menos de 1 desvio padrão a contar da média (-1 < z < 1) Cerca de 95% dos valores estão a menos de 2 desvios padrão a contar da média (-2 < z < 2) Cerca de 99% dos valores estão a menos de 3 desvios padrão a contar da média (-3 < z < 3)

40% 68% 30% x − x 95% i z = 20% i s 99.73% 10%
40%
68%
30%
x
x
95%
i
z
=
20%
i
s
99.73%
10%
0%
-4
-3
-2
-1
0
1
2
3
4

Número de Desvios Padrão da Média

36

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

cv = S x Estatística Aplicada Coeficiente de Variação (cv) cv exprime a variabilidade em

cv =

S

x

Estatística Aplicada

Coeficiente de Variação (cv)

cv exprime a variabilidade em termos relativos. É uma medida adimensional e sua grande utilidade é permitir a comparação das variabilidades em diferentes conjuntos de dados.

Ex.: Testes de resistência à tração aplicados a dois tipos diferentes de aço:

 

Média (kg/mm 2 )

s (kg/mm 2 )

Tipo I

27,45

2,0

Tipo II

147,00

17,25

cv I =

2

,

27 45

= 7 29

,

%

cv II =

17 25

147

,

= 11 73

,

%

Assim, apesar do Tipo I ser menos resistente, é ele mais estável, mais consistente. O uso do coeficiente de variação pode ser pensado considerando a questão: Um desvio padrão de 10 se a média é 10.000 é bem diferente se a média é 100!

37

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Skewness and Kurtosis Assimetria (Skewness) Próximo de 0 : Simétrico Menor que 0

Estatística Aplicada

Skewness and Kurtosis

Assimetria (Skewness)

Aplicada Skewness and Kurtosis Assimetria (Skewness) Próximo de 0 : Simétrico Menor que 0 : Assimétrico

Próximo de 0: Simétrico

Menor que 0: Assimétrico à Esquerda

Maior que 0: Assimétrico à Direita

Achatamento (Kurtosis)

Próximo de 0: Pico Normal

Menor que 0: Mais achatada que o Normal (Uniforme)

Maior que 0: Menos achatada que o normal (Afinada)

38

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada
Estatística Aplicada

Assimetria, Percentis e Boxplot

Estatística Aplicada Assimetria, Percentis e Boxplot 39 Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)
Estatística Aplicada Assimetria, Percentis e Boxplot 39 Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

39

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Exercício Encontre todas as estatísticas descritivas para a série da tabela a seguir.

Estatística Aplicada

Exercício

Encontre todas as estatísticas descritivas para a série da tabela a seguir. Considere o caso não-agrupado (Newbold et al., 2003 – p.33).

10

23

34

40

58

74

13

24

35

41

58

80

15

25

37

48

63

82

15

25

38

53

64

88

20

30

39

58

70

250

21

32

39

58

70

254

40

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Distribuição de Freqüências Ex.: População = X =Diâmetro de determinada peça (em mm).

Estatística Aplicada

Distribuição de Freqüências

Ex.: População = X=Diâmetro de determinada peça (em mm). Dados brutos: { 168, 164, 164, 163, 165, 168, 165, 164, 168, 168 } Rol: { 163, 164, 164, 164, 165, 165, 168, 168, 168, 168 } Amplitude (H) = 168 - 163 = 5

K

1

n

i

= n

n i f = i n
n
i
f
=
i
n

K

f i

i = 1

= 1

F =

i

N

i

n

X

n

i

(Frequência

f

i

(Frequência

N

i

(Frequência

F

i

Frequência

Absoluta)

Relativa)

Absoluta

Relativa

 

Acumulada)

Acumulada)

163

1

0.1

1

0.1

164

3

0.3

4

0.4

165

2

0.2

6

0.6

168

4

0.4

10

1.0

Σ

10

1

   

41

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Classes (ou Categorias) DISTRIBUIÇÃO DE FREQUÊNCIAS x (Variável) x i (ponto n i

Estatística Aplicada

Classes (ou Categorias)

DISTRIBUIÇÃO DE FREQUÊNCIAS

x

(Variável)

x

i

(ponto

n

i

(frequência

f

i

(frequência

f%

(frequência

N

i

(Absoluta

F

i

(Relativa

F%

(Percentual

médio)

absoluta)

relativa)

percentual)

Acum.)

Acum.)

Acum.)

10

├ ─

20

15

2

0.04

4

2

0.04

4

20

├ ─

30

25

12

0.24

24

14

0.28

28

30

├ ─

40

35

18

0.36

36

32

0.64

64

40

├ ─ 50

45

13

0.26

26

45

0.9

90

50

├ ─

60

55

5

0.1

10

50

1.0

100

 

Σ

 

50

1

100

     

42

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Classes (ou Categorias) EXEMPLO – MÉDIA P/DADOS AGRUPADOS   x x i n

Estatística Aplicada

Classes (ou Categorias)

EXEMPLO – MÉDIA P/DADOS AGRUPADOS

 

x

x

i

n

i

(Xi).(ni)

(Variável)

(ponto

(frequência

médio)

absoluta)

10

├ ─

20

15

2

30

20

├ ─

30

25

12

300

30

├ ─

40

35

18

630

40 ├ ─ 50

45

13

585

50

├ ─

60

55

5

275

 

Σ

 

50

1820

n ∑ x . n i i i = 1 Média = X = n
n
∑ x
. n
i
i
i = 1
Média
=
X
=
n
∑ n
i
i = 1
1820
X =
= 36,4
50

43

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Medidas de Posição Mediana para Classes

Medidas de Posição Mediana para Classes Estatística Aplicada 1846 − . 1834 = x − 1834

Estatística Aplicada

de Posição Mediana para Classes Estatística Aplicada 1846 − . 1834 = x − 1834 .

1846

.

1834 = x 1834

.

~

.

36%

8%

~

x

=1.837

Exemplo:

Cálculo da mediana para a seguinte Distribuição de Frequência

Cálculo da mediana para a seguinte Distribuição de Frequência 44 Balestrassi – Paiva – Ferreira (UNIFEI

44

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Histogramas Construção da tabela de distribuição de freqüências a partir do histograma de
Estatística Aplicada
Histogramas
Construção da tabela de distribuição de
freqüências a partir do histograma de classes
desiguais.
Exercício: Complete a tabela.
n i
10
X
n
f
i
i
8
10 |-- 20
6
|-- 30
20
4
|-- 40
30
2
|-- 60
40
10
20
30
40
60
x
Σ
1

45

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Exercício 74 86 90 94 101 108 78 87 91 94 101 109

Estatística Aplicada

Exercício

74 86 90 94 101 108 78 87 91 94 101 109 78 89 92
74
86
90
94
101
108
78
87
91
94
101
109
78
89
92
95
101
113
79
89
93
100
103
81
90
93
100
105
85
90
93
100
106
Dados Agrupados!
Dados
Agrupados!

46

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Exercício 10 45 51 60 62 65 67 71 75 81 15 45

Estatística Aplicada

Exercício

10

45

51

60

62

65

67

71

75

81

15

45

53

60

62

66

67

71

75

81

23

47

54

60

63

66

68

71

75

83

33

48

54

60

63

66

69

73

76

85

34

48

55

60

64

66

70

73

76

85

35

50

57

61

64

66

70

74

77

86

37

50

58

61

64

66

70

74

77

88

42

50

58

61

65

67

71

75

79

92

Exercício 2:
Exercício 2:
50 58 61 65 67 71 75 79 92 Exercício 2: 47 Balestrassi – Paiva –

47

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Soma de Normais Processo A Processo B Tempo Total (A+B) ? 3 7
Estatística Aplicada
Soma de Normais
Processo A
Processo B
Tempo Total (A+B)
?
3
7

X

= 3 s = 1

= 7 s = 2

X

S

A

+

B

=

1

2 2 2 2 S + S = (1) + (2) A B + 2
2
2
2
2
S
+
S
=
(1)
+
(2)
A
B
+
2
=
3
Incorreto;

=

5
5

= 2.23

Correto; Some as variâncias e depois obtenha o Desvio Padrão
Correto;
Some as
variâncias e
depois
obtenha o
Desvio
Padrão

48

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Diferença de Normais Linha A Diferença: Linha A – Linha B Linha B
Estatística Aplicada
Diferença de Normais
Linha A
Diferença:
Linha A – Linha B
Linha B
?
0
5
-10
-5
10
15
X =
3
X =
7
=
X
- X
=
3 - 7
=
- 4
s
=
1
s
=
2
X A
− B
A
B
2
2
2
2
=
S
+
S
=
(1)
+
(2)
=
5
=
2.23
Correto
S A
– B
A
B
≠ 1
2
= −
1
Incorreto
Incorreto

49

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Representação Gráfica:Ramo-e-folhas  x Ramos  x x Folhas
Estatística Aplicada
Representação Gráfica:Ramo-e-folhas

x
Ramos

x
x
Folhas

x
x
x
x
x

x
x
x
   

81

113

108

74

79

78

90

93

105

109

93

 

Ex.:

106

103

100

100

100

101

 

101

101

95

90

94

90

91

92

93

87

89

78

89

85

94

86

 

11

3

11

3

 

10

+

8

5

9

6

10

8

5

9

6

3

0

0

0

1

1

1

 
 

10

-

3

0

0

0

1

1

1

9

0

3

3

5

0

4

0

1

2

3

4

 

8

1

7

9

9

5

6

9

-

0

3

3

5

0

4

0

1

2

3

 

8

1

7

9

9

5

6

7

4

9

8

8

 
 

7

4

9

8

8

4

50

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Ramo-e-folhas Stem-and-Leaf Display: folha_ramo Stem-and-leaf of Ramo Leaf Unit = 1.0 N =

Estatística Aplicada

Ramo-e-folhas

Stem-and-Leaf Display: folha_ramo Stem-and-leaf of Ramo Leaf Unit = 1.0 N = 33 1 7
Stem-and-Leaf Display: folha_ramo
Stem-and-leaf of Ramo
Leaf Unit = 1.0
N
= 33
1
7
4
4
7
889
5
8
1
10
8
56799
Coluna
(10)
9
0001233344
folha_ramo
13
9
5
12
10
0001113
5
10
5689
1
11
3

Obtendo o seguinte Folha e Ramo.

Compare os resultados fazendo um Histograma.

O que representa tal coluna?

51

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Plot Exercício no Minitab: Faça o gráfico abaixo a partir dos dados seguintes.

Estatística Aplicada

Plot

Exercício no Minitab: Faça o gráfico abaixo a partir dos dados seguintes.

no Minitab: Faça o gráfico abaixo a partir dos dados seguintes. 52 Balestrassi – Paiva –
no Minitab: Faça o gráfico abaixo a partir dos dados seguintes. 52 Balestrassi – Paiva –

52

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada <Marginal Plot> Faça o gráfico bidimensional a partir dos dados a seguir 53

Estatística Aplicada

<Marginal Plot>

Faça o gráfico bidimensional a partir dos dados a seguir

Faça o gráfico bidimensional a partir dos dados a seguir 53 Balestrassi – Paiva – Ferreira

53

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada

   

<Marginal Plot>

     

Peso

Altura

 

Peso

Altura

 
 

n

n

1

66

135

11

70

125

2

71

170

12

68

116

3

70

157

13

69

145

4

70

130

14

69

150

5

75

185

15

63

112

6

61

140

16

68

125

7

66

120

17

74

190

8

68

130

18

69

170

9

68

138

19

70

155

10

63

121

20

72

215

54

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada <Run Chart>
Estatística Aplicada
<Run Chart>

Runchart

<Stat> <Quality Tools>

Column=Tempo na fila

Subgroup Size=1

Os dados representam uma série temporal

Tal gráfico é útil para ver a estabilidade de um processo.

Control Chart é Melhor!

55

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Multi-Vari • Identifica Diversos tipos de variação • A análise de efeitos é

Estatística Aplicada

Multi-Vari

Identifica Diversos tipos de variação A análise de efeitos é similar em DOE Permite identificar interações Não é o mesmo que Estatística Multivariada

Use os Dados a seguir <Stat> <Quality Tools> <Multi-Vari>: TempoSinter 0,5 23,5 1,0 2,0
Use os
Dados a seguir
<Stat>
<Quality Tools>
<Multi-Vari>:
TempoSinter
0,5
23,5
1,0
2,0
22,5
21,5
20,5
19,5
Response: Força (y)
Factor1: TempoSinter (x1)
Factor2: TipoMetal (x2)
18,5
17,5
15
18
21
TipoMetal
56
Força

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Multi-Vari Nível 0,5 Nível 1,0 Nível 2,0 x1 x2 y x1 x2 y
Estatística Aplicada
Multi-Vari
Nível 0,5
Nível 1,0
Nível 2,0
x1
x2
y
x1
x2
y
x1
x2
y
0,5
15
23
1
15
22
2
15
18
0,5
15
20
1
15
20
2
15
18
0,5
15
21
1
15
19
2
15
16
0,5
18
22
1
18
24
2
18
21
0,5
18
19
1
18
25
2
18
23
0,5
18
20
1
18
22
2
18
20
0,5
21
19
1
21
20
2
21
20
0,5
21
18
1
21
19
2
21
22
0,5
21
21
1
21
22
2
21
24

57

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada 2 - DISTRIBUIÇÕES DE PROBABILIDADE 58 Balestrassi – Paiva – Ferreira (UNIFEI –

Estatística Aplicada

2 - DISTRIBUIÇÕES DE PROBABILIDADE

Estatística Aplicada 2 - DISTRIBUIÇÕES DE PROBABILIDADE 58 Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

58

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Motivação •O reconhecimento da importância dos processos estocásticos; •A consideração da

Estatística Aplicada

Motivação

•O reconhecimento da importância dos processos estocásticos;

•A consideração da “Incerteza” associada aos eventos;

•Exatidão na modelagem matemática;

•Correta determinação da probabilidade de ocorrência dos fenômenos;

•A otimização de processos industriais e de serviços através de técnicas de SIMULAÇÃO.

industriais e de serviços através de técnicas de SIMULAÇÃO. 59 Balestrassi – Paiva – Ferreira (UNIFEI

59

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada DISTRIBUIÇÕES DE PROBABILIDADE 60 Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada

DISTRIBUIÇÕES DE PROBABILIDADE

Estatística Aplicada DISTRIBUIÇÕES DE PROBABILIDADE 60 Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)
Estatística Aplicada DISTRIBUIÇÕES DE PROBABILIDADE 60 Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)
Estatística Aplicada DISTRIBUIÇÕES DE PROBABILIDADE 60 Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)
Estatística Aplicada DISTRIBUIÇÕES DE PROBABILIDADE 60 Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

60

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Distribuições Contínuas de Probabilidade f ( x ) ≥ 0 f ( x

Estatística Aplicada

Distribuições Contínuas de Probabilidade

f (x)0

f(x) => fdp

Função densidade de probabilidade

Área da curva é unitária

Probabilidade está associada a área

∞ ∫ ( )=1 −∞ f x
( )=1
−∞ f x
P a (
P a
(

X

b

)

=

b

a

f (x)dx

(b

>

a)

Algumas Distribuições Contínuas:

Normal Uniforme Chi-square

Fisher(F)

Student(t)

Beta Cauchy Exponential Gamma Laplace Logistic Lognormal Weibull

61

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Distribuição Normal Estatística Aplicada ∞ a) ∫ f ( x )dx = 1 −∞ f(x)

Distribuição Normal

Estatística Aplicada

∞ a) ∫ f ( x )dx = 1 −∞ f(x) b) f(x) ≥ 0
a)
f ( x )dx
= 1
−∞
f(x)
b)
f(x) ≥
0
c)
lim
f
(
x
)
=
0
e
lim
f
(
x
)
=
0
x
→ ∞
x
→ − ∞
d)
f(µ
+
x) = f(µ
- x)
x
µ
µ+σ
e) M áx f(x) ocorre em x = µ
2
x −
µ
1
− 1 2
(
)
f) O s po nto s de inflexão são x =
µ
±
σ
σ
f
(
x
) =
e
σ
2
π
g) E(X) = µ
h) Var(X) = σ 2

62

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

X : N ( µ ; σ ) Distribuição Normal Estatística Aplicada z = x

X

: N(µ;σ )

Distribuição Normal

Estatística Aplicada

z = x

µ

σ

Z: N(0; 1)

ϕ(z) Qual o formato da z curva acumulada? -3 -2 -1 0 1 2 3
ϕ(z)
Qual o formato da
z
curva acumulada?
-3
-2
-1
0
1
2
3
x
µ-3σ µ -2σ µ -σ
µ
µ+σ µ+2σ µ+3σ
N(0,1) é a
distribuição
Benchmark

Tal fórmula está tabelada e fornece valores acumulados

Distribuião Normal Reduzida ou Padronizada

63

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Distribuição Normal Padronizada
Estatística Aplicada
Distribuição Normal Padronizada

64

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Distribuição Normal Padronizada
Estatística Aplicada
Distribuição Normal Padronizada

65

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Distribuição Normal Estatística Aplicada Retorna a probabilidade Acumulada Retorna a Variável quando é dada a

Distribuição Normal

Estatística Aplicada

Retorna a probabilidade Acumulada

Retorna a Variável quando é dada a probabilidade

Pouca Utilidade Prática

acumulada
acumulada
Exemplo X:N(100,5)
Exemplo
X:N(100,5)

P(X<=95)=0,1587

66

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Use o programa Statdisk <Analysis> <Probability Distribution> <Normal Distribution> Distribuição

Use o programa Statdisk

<Analysis>

<Probability

Distribution>

<Normal

Distribution>

Distribuição Normal

Estatística Aplicada

Distribuição Normal Estatística Aplicada Observe em <Options> os valores acumulados 67

Observe em <Options> os valores acumulados

67

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Distribuição Normal Estatística Aplicada Se a dimensão de uma peça segue uma distribuição Normal X:

Distribuição Normal

Estatística Aplicada

Se a dimensão de uma peça segue uma distribuição Normal X: N(80,3) qual a Probabiliade de ter uma peça defeituosa de acordo com a figura?

X : N(µ;σ ) 1σσσσ 1σσσσ p(d) T 3σσσσ
X
: N(µ;σ )
1σσσσ 1σσσσ
p(d)
T
3σσσσ

Used With Permission 6 Sigma Academy Inc. 1995

68

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Distribuição Normal Exercício 1: Use: <Calc><Probability

Estatística Aplicada

Distribuição Normal

Exercício 1:

Use: <Calc><Probability Distribution><Normal>

Em uma população onde as medidas tem Média 100 e Desvio Padrão 5, determine a probabilidade de se ter uma medida:

a) Entre 100 e 115

b) Entre 100 e 90

c) Superior a 110

d) Inferior a 95

e) Inferior a 105

f) Superior a 97

g) Entre 105 e 112

h) Entre 89 e 93

i) 98

f) Superior a 97 g) Entre 105 e 112 h) Entre 89 e 93 i) 98

Dica:

 

Exercício 2:

Crie uma coluna com

Em uma população onde as medidas tem Média 100 e Desvio Padrão 5, determine os valores k tais que se tenha a probabilidade:

os valores

100 115

98

no Minitab

 

a) P(X>k)=0,26

Crie uma

 

coluna com os valores

coluna com os valores b) P(X<k)=0,32 c) P(100-k<100<100+k)=0,47

b) P(X<k)=0,32

c) P(100-k<100<100+k)=0,47

0,74

0,05

d) P(x<100-k)+P(x>100+k)=5%

no Minitab

 

69

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Probabilidades e Escores padronizados (z) Exemplo 6.3 (Newbold et al., 2003) Um cliente

Estatística Aplicada

Probabilidades e Escores padronizados (z)

Exemplo 6.3 (Newbold et al., 2003)

Um cliente tem um portfólio de investimentos cuja média é US$

500.000 com desvio padrão de US$ 15.000. Determine a

probabilidade de que o valor de seu portfólio esteja entre US$

485.000 e US$ 530.000.

de seu portfólio esteja entre US$ 485.000 e US$ 530.000. z i = x i −

z

i

=

x

i µ

σ

70

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Probabilidades e Escores padronizados (z) Exemplo 6.6 (Newbold et al., 2003) Um grupo

Estatística Aplicada

Probabilidades e Escores padronizados (z)

Exemplo 6.6 (Newbold et al., 2003)

Um grupo de estudantes obtém notas que são normalmente distribuídas com média 60 e desvio padrão 15. Que proporção dos estudantes obtiveram notas entre 85 e 95?

proporção dos estudantes obtiveram notas entre 85 e 95? Exemplo 6.7 (Newbold et al., 2003) No

Exemplo 6.7 (Newbold et al., 2003)

No caso da prova do exercício anterior, determine a nota acima da qual estão 10% dos melhores alunos da classe.

71

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Probabilidades e Produção Exercício 6.12 (Newbold et al., 2003) A demanda antecipada de

Estatística Aplicada

Probabilidades e Produção

Exercício 6.12 (Newbold et al., 2003)

A demanda antecipada de consumo de um certo produto é representada por uma distribuição normal com média 1.200 unidades e desvio padrão de 100.

normal com média 1.200 unidades e desvio padrão de 100. a) Qual é a probabilidade de

a) Qual é a probabilidade de que as vendas

excedam 1.000 unidades?

b) Qual é a probabilidade de que as vendas

estejam entre 1.100 e 1300 unidades?

c) A probabilidade de se vender mais do que

k unidades é de 10%. Determine k.

72

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Probabilidades e Investimentos Exercício 6.14 (Newbold et al., 2003) Um portfólio de

Estatística Aplicada

Probabilidades e Investimentos

Exercício 6.14 (Newbold et al., 2003)

Um portfólio de investimentos contém ações de um grande número de empresas. Ao longo do último ano as taxas de retorno das ações dessas corporações seguiram distribuição normal com média de 12,2% e desvio padrão de 7,2%.

a) Para que proporção de empresas o retorno foi maior que 20%? b) Para que
a) Para que proporção de empresas o
retorno foi maior que 20%?
b) Para que proporção de empresas o
retorno foi negativo?
c) Que proporção de empresas tiveram
retornos entre 5% e 15%?

73

Balestrassi – Paiva – Ferreira (UNIFEI – IEPG)

Estatística Aplicada Probabilidades e Investimentos Exercício 6.21 (Newbold et al., 2003) Considere dois investimentos.

Estatística Aplicada

Probabilidades e Investimentos

Exercício 6.21 (Newbold et al., 2003)

Considere dois investimentos. Em ambos, a taxa de retorno segue uma distribuição normal, com média e desvio padrão conhecidos conforme tabela a seguir. Deseja saber qual dos investimentos é mais provável de produzir retornos de no mínimo 10%. Que investimento deveria ser escolhido?