Estatistica Basica C Minitab

Estatstica Bsica
Slide #1
ESTATSTICA BSICA
Estatstica
Cincia que cuida de:

Organizao;
Descrio;
Anlise;
Interpretao;
de dados
Estatstica
Descritiva
Estatstica
Indutiva
Grficos;
Distr.
Frequncias;
Estatsticas
Tirar concluses
sobre
POPULAES,
com base nos
resultados
observados em
AMOSTRAS
Slide #2
I. ESTATSTICA DESCRITIVA
Estatstica Descritiva a parte da
Estatstica que descreve as amostras,
ou seja resume sua informao atravs de
tabelas, grficos e valores (estatsticas)
que informam aspectos da amostra, como
mnimo, mximo, centro, variao, etc.
Slide #3
I. 1. Tipos de Variveis
Ao se fazer uma observao deve-se
anotar o que se v atravs de uma
notao
que
distinga
resultados
diferentes, diferena esta de interesse
para estudo.
Slide #4
Os resultados podem ser:
- Atributos, classificveis
Ex.:
certo, errado
gosta, indiferente, no gosta
de SP, BA, RJ, ...
danificado, perfeito
jovem, meia idade, terceira idade
satisfeito, insatisfeito
treinado, no treinado
Slide #5
- Caractersticas mensurveis
Ex.: tempo de espera
idade
tempo de atendimento
temperatura ambiente
peso
altura
salrio
custo
Slide #6
Atributos so contados, obtendo-se
frequncias, das alternativas, na amostra.
Ex.:
-Entre 50 tarefas amostradas, teve-se

10 mal feitas
-De 30 pessoas entrevistadas, 5 eram
aptas
-Em 10 documentos observou-se 25
erros
-De 5 clientes teve-se 8 reclamaes
Slide #7
-De 20 chamadas, 12 foram da Capital,
Contagens so
variveis discretas,
valores inteiros.
Slide #8
Caractersticas
mensurveis
so
medidas, de acordo com uma escala, e as
variveis so contnuas fisicamente, embora
sejam arredondadas na leitura.
Ex:
tempo em minutos
temperatura em C
peso em Kg
altura em m
custo em R$
Slide #9
Quando os valores so medidas, pode-se
faz-lo com certo nmero de casas decimais,
funo da preciso necessria para boa
anlise.
Ex:
temperatura lida em
dcimos de C 25,7 C
custo lido em centavos R$ 7,38

Slide #10
Usam-se, tambm, as expresses:
- Varivel qualitativa:
nveis (nomes) de um atributo.
Ex: 1 grau, 2 grau, 3 grau (de
instruo)
De SP, BA, RJ, ...
Slide #11
- Varivel quantitativa:
- discreta: nveis de contagem de
ocorrncias de um atributo.
Ex: nmero de erros em cada
documento de uma amostra.
- contnua: nveis de medio de uma
caracterstica mensurvel.
tarefa
Ex: tempos de execuo de cada

de uma amostraSlide
de#12
I. 2. Tcnicas Grficas
A representao grfica da amostra
permite visualizao da distribuio dos
valores, vendo-se pontos de maior
concentrao,
faixa
de
ocorrncia,
assimetria, forma, etc.
Diz-se que:
um grfico diz mais que
Slide #13
I. 2. Tcnicas Grficas
O grfico uma tcnica poderosa
para percepo da informao da
amostra.
A amostra uma parte de um todo
maior, o universo ou populao.
A amostra coletada ao acaso da
populao e o grfico da amostra deve
Slide #14
Diagrama de Torta (Pie) ou Pizza ou
Setores Circulares
Grfico para visualizar distribuio de
variveis qualitativas.
Instru Freq
o
.
Bsica
30
60
Mdia
15
30
10
50
100
Superior
Total
Bsica
Superior
Mdia
Slide #15
Desenvolvimento no Minitab
Carregar: INSTRUCAO.MTW
Graph > Pie Chart
Chart Table
Categories in: Instruo
Frequencies in: Freq.
Instruo
Title: Diagrama de Pizza para

OK
Slide #16
O resultado obtido ser este:
Slide #17
Diagrama de Barras (Bar Chart)
Usado para variveis qualitativas e
quantitativas discretas.
Erro
s
x
Docum
s.
f
%
p
11
22
16
32
13
26
14
50
10
0
Slide #18
Carregar: ERROS.MTW
Graph > Chart
Y: %p
X: x
Annotation
Title: Diagrama de Barras para
Erros
OK
OK
Slide #19
Slide #20
Grfico de Pontos (Dotplot)
Usado para variveis discretas ou
contnuas.
Cada valor amostrado colocado
como um ponto (esfera) na posio do
valor e sobre outros pontos iguais
anteriores.
Slide #21
Carregar: 20TEMPOSATEND.MTW
Graph > Dotplot
Variables: Arred meio min
Minutos
Title: Dotplot para Tempos em Meios

Arredondados
OK
Slide #22
Ex: Tempos de atendimento arredondados
para meio minuto.
3,0 1,5 2,0 2,5 1,5 0,5 2,0 2,5 3,0 1,5
3,0 1,0 2,5 0,0 1,0 2,0 0,5 1,0 3,0 1,5
Slide #23
Histograma
Usado para variveis contnuas.
Mesmo propsito do dotplot, porm
juntando valores em classes (intervalos) e
desenhando
barras
(retngulos)
contguas, devido varivel ser contnua.
Slide #24
Ex: Tempos de atendimento
arredondados para meio minuto.
3,0 1,5 2,0 2,5 1,5 0,5 2,0 2,5 3,0 1,5
3,0 1,0 2,5 0,0 1,0 2,0 0,5 1,0 3,0 1,5
Slide #25
Intervalo
Conta
g.
Freq
.
0
<0,75
|||
0,75
<1,75
||||| ||
||||| |
1,75
<2,75
pontos de corte
||||
2,75
<3,75
6
4
Slide #26
Graph > Histogram
Graph 1: x : Arred meio min
Annotation
Title: Histograma de Meios Minutos
Arredondados
OK
(Continua no
prximo
slide!) Slide #27
Desenvolvimento no Minitab (continuao)
Options
Type of Intervals
Cut Point
Definition of Intervals
Midpoint / cutpoint
positions:
0 0,75 1,75 2,75 3,75

OK
OK
Slide #28
Slide #29
As classes tm amplitude de 1
minuto, exceto a primeira porque x no
pode ser <0. Como os dados foram
obtidos arredondados de meio em meio
minuto, ento 1,0 , por exemplo,
corresponde a algum valor real 0,75 e
<1,25.
Slide #30
Histograma
Se tomarmos os tempos de meio em meio
minuto completo (truncado em vez de
arredondado), teremos que 1,0 corresponder a
algum valor 1,00 e <1,50. Os mesmos tempos
de atendimento, truncados de 0,5 em 0,5 , so:
2,5 1,5 1,5 2,5 1,0 0,0 1,5 2,0 2,5 1,5
2,5 1,0 2,0 0,0 1,0 1,5 0,5 1,0 2,5 1,5
Slide #31
Interval Freq
o
.
0 <1
1 <2
10
2 <3
3 <4
pontos de corte
Neste caso temos classes de igual tamanho

e limites inteiros
Slide #32
Graph > Histogram
Graph 1: x : Trunc meio min
Annotation
Title: Histograma de Meios Minutos
Truncados
OK
(Continua no
prximo
slide!) Slide #33
Desenvolvimento no Minitab (continuao)
Options
Type of Intervals
Cut Point
Midpoint / cutpoint
positions:
0 1 2 3 4
OK
OK
Slide #34
Slide #35
Boxplot
Usado para variveis contnuas, mas
com valores de estatsticas da amostra
colocados no grfico, o que o torna ao
mesmo tempo uma boa ferramenta de
visualizao e um resumo estatstico.
Slide #36
Graph > Boxplot
Graph 1: y : Arred meio min
Item Display
For each
1
IQ Range Box
Graph
2
Outlier Symbol
Graph
3
Mean Symbol
Graph
Annotation
Title: Boxplot para Meios Minutos
Arredondados
Slide #37
OK
Ex: Tempos de atendimento arredondados para
meio minuto e ordenados x(i):
0,0 0,5 0,5 1,0 1,0 1,0 1,5 1,5 1,5 1,5 2,0 2,0 2,0 2,5 2,5 2,5 3,0 3,0 3,0 3,0
Min
Q2=1,75
Q1=1,0
Q3=2,5
Q2= Mediana =X
Min = x(1)
Max =
x(20)
x 35,5
x Mdia
1,775
20
20
Max
21
2
Q1= 1 Quartil =
X 21
4
Q3= 3 Quartil =
X 21
3
4
Slide #38
I. 3. Medidas de Posio ou Centro
So estatsticas, calculadas usando
os valores da varivel amostrada, que
indicam o centro da amostra.
Podem ser calculadas apenas para
variveis quantitativas (discretas ou
contnuas).
Slide #39
H
usados:
medidores
de
centro
- mdia da amostra:
massa da
amostra
da
mais
centro
de
- mediana da amostra: deixa metade

amostra de cada lado
- moda da amostra:
frequente
na amostra.
valor
mais
Slide #40
Mdia da Amostra x
x a mdia aritmtica simples dos valores
amostrados
x1 x2 ......... xn
x
n
com n = tamanho da amostra
Slide #41
Mdia da Amostra x
Ex: 3,0 1,5 2,0 2,5 1,5
n=5
x1 + x2 + ...... + x5 = 10,5
10,5
x
2,1
5
Slide #42
Carregar: 5TEMPOS.MTW
Stat > Basic Statistics > Display Descriptive
Statistics
Variables: Tempo
Graphs
Graphical Summary
OK
OK
Ver Session e Descriptive Statistics Graph para
Slide #43
relatrio das estatsticas.
Descriptive Statistics: Tempo
Variable
Mean
Median
TrMean
StDev
SE Mean
Tempo
2,100
2,000
2,100
0,652
0,292
Minimum
Maximum
Q1
Q3
1,500
3,000
1,500
2,750
Variable
Tempo
Vemos que Mean=2,100

As outras estatsticas sero vistas adiante
Slide #44
Descriptive Statistics
Variable: Tempo
Anderson-Darling Normality Test
A-Squared:
P-Value:
1,50
1,75
2,00
2,25
2,50
2,75
3,00
Mean
StDev
Variance
Skewness
Kurtosis
N
Minimum
1st Quartile
Median
3rd Quartile
Maximum
95% Confidence Interval for Mu
0,289
0,454
2,10000
0,65192
0,425
0,541387
-1,48789
5
1,50000
1,50000
2,00000
2,75000
3,00000
95% Confidence Interval for Mu

1,29053
1,5
2,0
2,5
3,0
95% Confidence Interval for Sigma

0,39059
95% Confidence Interval for Median
2,90947
1,87333
95% Confidence Interval for Median

1,50000
3,00000
Slide #45
Mdia da Amostra
Ex:
Erro
s
x
No.
Docs.
f
x.f
11
16
16
13
26
21
12
50
75
Tem-se 11 documentos com 0 erros, 16

documentos com 1 erro em cada, ... , com um
total de 50 documentos amostrados e 75 erros
Slide #46
n=50
x1 + x2 + ...... + x50 = 11x0+16x1+...+3x4=75
x= 75= 1,5 erros
50
Slide #47
Mdia da Amostra
Ex:
Classe
de
Tempo
Centr Freq x.f

o
.
X
f
01
0,5
1,5
12
1,5
10
15,
0
23
2,5
17,
5
x1 + x2 + ...... + x20 = 20 34,

0
3x0,5+10x1,5+7x2,5=34,0
34,0
20
x=
= 1,7 min
n=20
Slide #48
~
Mediana da Amostra x
~
x o valor ordenado que fica no centro dos

valores.
~
Amostra ordenada:
x x n 1 x(1) x(2) ...... x(n)
Mediana:
2
Ex: 3,0 1,5 2,0 2,5 1,5
Ordenada: 1,5n1,5
1 2,0
5 2,5
1 3,0
n5
~
Slide #49
~
Mediana da Amostra x para n par

Ex: 3,0 1,5 2,0 2,5 1,5 0,5
Ordenada: 0,5 1,5 1,5 | 2,0 2,5 3,0
n6
~
n 1 7
3,5
2
2
X a mdia de x(3) com x(4):
x(3) x( 4 ) 1,5 2,0

~
x
1,75
2
2
Slide #50
Moda da Amostra mo
mo o pico do grfico de barras (varivel
discreta) ou do histograma (varivel contnua) ou
do dotplot (qualquer varivel quantitativa). o
valor x de maior frequncia.
Ex: 3,0 1,5 2,0 2,5 1,5
Slide #51
Carregar: 5TEMPOS.MTW
Graph > Dotplot
Variables: Tempo
Title: Dotplot para Tempo
OK
Nesta amostra a moda

mo=1,5
Slide #52
Moda da Amostra mo
No til esta medida de centro para
amostras pequenas porque no se tem no
grfico pontos suficientes para se saber qual o
valor realmente mais provvel de ocorrer, que
o objetivo de se calcular a moda.
Slide #53
Exerccio: Obter mediana e moda para nmero
de erros em documentos.
Erro
s
x
Docs
.
f
Freq.
Ac.
F
11
11
16
27
13
40
47
50
50
n 50
n 1 51
25,5

2
2
x 25 x 26 1 1
~
x
1
2
2
max f 16 para x 1
mo 1
Slide #54
Como
amostra
tem
distribuio
assimtrica, alongada para a direita, a mdia

x=1,5 maior que
a moda mo=1.
Mdia, mediana e moda do informaes

diferentes
para
distribuies
assimtricas.
renda mdia (renda per capita) pode ser de R$

2.000 quando o salrio mais frequente (moda)
o salrio mnimo de R$ 240.
A mediana fica
entre a mdia e a moda.

Slide #55
I. 4. Medidas de Disperso
Disperso ou variao quanto os
valores
so
distantes
entre
si
ou
espalhados. Se a variao pequena, os

valores so prximos, concentrados.
Relacionada com a preciso de um
processo.
Slide #56
I. 4. Medidas de Disperso
Para avaliar a disperso tambm tem-se 3
medidores principais:
- amplitude da amostra: mximo menos
mnimo
-
varincia
da
amostra:
mdia
dos
quadrados das distncias dos pontos em relao

ao centro x
Slide #57
- desvio padro da amostra: raiz quadrada
Amplitude da Amostra R(range)
Ex: 3,0 1,5 2,0 2,5 1,5
max = 3,0
min = 1,5
R = 3,0 1,5 = 1,5
Medida simples mas muito til pela facilidade

de calcular e interpretar.
a mais usada para verificar a estabilidade da
variao ao longo do tempo, no chamado Grfico de
Controle R.
Slide #58
Varincia da Amostra s2 e Desvio Padro
s
Valores x: 3,0 1,5 2,0 2,5 1,5 mdia
x=2,1
Desvios (x - x): 0,9
Quadrados (x 0,8
-x)2: 1
-0,6 -0,1 0,4
-0,6
0,3
6
0,3
6
0,0
1
0,1
6
2
2
2
...
x
21,70
n
Soma doss 2quadrados:
1
Varincia:
n 1
s 0,425 0,65 min
Desvio padro:
1,70
0,425 min 2
4
(Ver slide 45)
Slide #59
Varincia da Amostra s2 e Desvio
Padro s
A mdia dos quadrados obtida dividindo-se a
soma por (n-1) porque prova-se matematicamente
que deste modo obtm-se melhor estimativa da
varincia da populao.
O desvio padro tem a mesma unidade de medida
do x e uma espcie de mdia do desvio em
relao ao centro x.
Slide #60
Exerccio: Obter amplitude, varincia
e desvio padro para nmero de erros
em documentos
f.x (x-x) (x-x)2
Amplitude: R = 4 0
f.(x-x)2 = 4
Erro
s
x
Docs
.
f
11
-1,5
2,25
16
16
-0,5
0,25
4,00
13
26
0,5
0,25
3,25
21
1,5
2,25
15,75
12
2,5
6,25
50
75
18,75 Desvio padro:

66,50
Slide
24,75 Mdia:
75
1,5
50
s2
Varincia:
66,50
1,36
50 1
s 1,36 1,16
#61
I. 5. Medidas de Assimetria e
Achatamento
(Curtose)
Simtrica
Assimtrica Positiva
Assimtrica Negativa
Slide #62
I. 5. Medidas de Assimetria e
Achatamento (Curtose)
Mesocrtica
Leptocrtica
Curtose Positiva
Pontuda
Platicrtica
Curtose Negativa
Achatada
Slide #63
Assimetria (Skewness) e Achatamento
(Curtose)
(x x)
n
a
3
(n 1)(n 2)
s
n(n 1)
c
(n 1)(n 2)(n 3)
4
(
x
x
)
s4
(n 1) 2
3
(n 2)(n 3)
Slide #64
Assimetria (Skewness) e Achatamento
(Curtose)
x=2,1
3,0
1,5
2,0
2,5
1,5
(x-x)
0,9
-0,6
-0,1
0,4
-0,6
(xx)2
0,81
0,36
0,01
0,16
0,36
(xx)3
0,729
(xx)4
0,656 0,129 0,000 0,025 0,129 Soma=0,9410

1
6
1
6
6
n=5
Soma=1,70
0,064
Soma=0,36
0,216 0,001
0,216
Slide #65
Assimtrica (Skewness) e Achatamento
(Curtose)
1,70
2
s
0,425
4
5
0,36
a
0,54 0 alongada para a direita
3/ 2
4 3 (0,425)
5 6 0,9410
42
c
3
1,49 0 achatada
2
4 3 2 (0,425)
3 2
(Ver slide 45)
Slide #66
II. MODELOS DE DISTRIBUIO

Distribuio Normal
Podemos represent-la por uma curva contnua, em
forma de sino, chamada Curva Normal ou Curva de
Gauss.
A Distribuio Normal a mais usada para anlise de
dados contnuos, por ser a que mais se aproxima da
maioria das variveis reais.
Abaixo da Curva, temos uma rea unitria,
correspondente a 100% de probabilidade.
Curva Normal
0,7 -1,2
1,7 - 2,2
2,7 - 3,2
3,7 - 4,2
4,7 - 5,2
5,7 - 6,2
Slide #67
6,7 - 7,2

Uma distribuio Normal fica
perfeitamente caracterizada pelo
conhecimento dos parmetros e
que so sua mdia e seu desvio

padro
Mdia =
Desvio Padro =
Slide #68

II. 1. Distribuio Normal.
Essa importante distribuio definida pela
probabilidade abaixo, deduzida matematicamente:
com
1
f x
. e
2
x
funo
densidade
1 x
-
de
Slide #69

O aspecto caracterstico do seu
grfico mostrado abaixo, onde - e
+ so os pontos de inflexo da
curva.
DISTRIBUIO NORMAL
f x
Ponto de
Inflexo
+3
Slide #70

II. 2. Distribuio Normal padronizada.
a distribuio Normal com
mdia 0 e desvio padro 1.
Distinguiremos a varivel Normal
padronizada denotando-a pela letra z.
A distribuio da varivel z apresentada
na tabela normal em anexo.
Slide #71

Distribuio Normal
A Curva Normal fica plenamente definida com

dois parmetros:
Mdia ( )
Desvio padro ( )
Desvio padro ()
Mdia ()
Slide #72

DISTRIBUIO NORMAL PADRONIZADA
=0
=1
Slide #73

A rea hachurada corresponde a
P(Z > z0), para a qual obtemos a rea
calculando o valor padronizado
corresponde a um x0, ou seja
x0
z0
P z z0
Slide #74

Algumas propriedades da
Distribuio Normal
Mdia
Varincia
Desvio Padro
Coeficiente de
Assimetria
=0
Coeficiente de Curtose
=0
Slide #75

J
podemos
fazer
anlises
estatsticas do conjunto de dados e,

consequentemente, da populao que
estes representam porque temos um
modelo matemtico de suporte
Slide #76

Distribuio Normal
Comparao de Curvas Normais:

Mesmo Desvio padro (), diferentes Mdias ( e
2)
Neste caso
( 1) < ( 2)
-8
-6
-4
-2
Mdia (1)
Mdia (2)
Slide #77

Distribuio Normal

Mesma Mdia (), diferentes Desvios padro ( e
)
Desvio padro ()
Neste caso
( 1) < ( 2)
Desvio padro ()
-8
-6
-4
-2
Mdia ()
Slide #78

Distribuio Normal

Diferentes Mdias () e Desvios padro ()
Desvio padro ()
Neste caso
( 1) < ( 2)
Desvio padro ()
( 1) > ( 2)
-8
-6
-4
-2
Mdia (1)
Mdia (2)
Slide #79

Distribuio
Normal
reas/probabilidades
importantes
68,3%
95,4%
99,7%
99,994%
99,99994%
99,9999998%
Slide #80

Distribuio Normal
reas/probabilidades
importantes
Comparao com
especificaes bilaterais
(Processo Centrado)
LIE
-1 -1 -1 -1 -1 -1 -9 -8
5
LSE
-7 -6 -5 -4 -3 -2
3Probabilidade
2 1 0
Abaixo LIE = 15,85%
-1
1 68,3%
Tolerncia = LSE - LIE
10
11 12 13 14 15
Probabilidade
Acima LSE = 15,85%
Slide #81

Distribuio Normal
reas/probabilidades
importantes
Comparao com
(Processo Centrado)
LIE
-15 -14 -13 -12 -11 -10 -9
-8
-7
Probabilidade
Abaixo LIE = 2,3%
-6
LSE
-5
-4
-3
-2
-1
2 95,4%
10
11
12 13
14
Probabilidade
Acima LSE = 2,3%
Slide #82
15

Distribuio Normal
reas/probabilidades
importantes
Comparao com
(Processo Centrado)
LIE
-1 -1 -1 -1 -1 -1 -9 -8
5
LSE
-7 -6 -5 -4 -3 -2
Probabilidade
Abaixo LIE = 1.500 ppm
-1
3 99,7%
10
11 12 13 14 15
Probabilidade
Acima LSE = 1.500 ppm
Slide #83

Distribuio Normal
reas/probabilidades
importantes
Comparao com
(Processo Centrado)
LIE
-1 -1 -1 -1 -1 -1 -9 -8
5
LSE
-7 -6 -5 -4 -3 -2
Probabilidade
Abaixo LIE = 30 ppm
-1
4 99,994%
10
11 12 13 14 15
Probabilidade
Acima LSE = 30 ppm
Slide #84

Distribuio Normal
reas/probabilidades
importantes
Comparao com
(Processo Centrado)
LIE
-1 -1 -1 -1 -1 -1 -9 -8
5
LSE
-7 -6 -5 -4 -3 -2
Probabilidade
Abaixo LIE = 300 ppb
-1
5 99,99994%
10
11 12 13 14 15
Probabilidade
Acima LSE = 300 ppb
Slide #85

Distribuio Normal
reas/probabilidades
importantes
Comparao com
(Processo Centrado)
LIE
-1 -1 -1 -1 -1 -1 -9 -8
5
LSE
-7 -6 -5 -4 -3 -2
Probabilidade
Abaixo LIE = 1 ppb
-1
10
11 12 13 14 15
6 99,9999998
%
Probabilidade
Acima LSE = 1 ppb
Slide #86

Distribuio Normal
reas/probabilidades
importantes
Comparao com
(Processo Centrado)
Evoluo
de +/- 1
para +/- 6
LIE
-1 -1 -1 -1 -1 -1 -9 -8
5
LSE
-7 -6 -5 -4 -3 -2
-1
10
11 12 13 14 15
Probabilidade
Abaixo LIE
Probabilidade
Acima LSE
Slide #87

Distribuio Normal - Exemplo
Tomemos os dados da planilha Tempo de Ciclo

coluna C1.
Mdia = 18,851 min
Desvio Padro = 0,212 min
Especificao = 19,0 +/- 0,5 min
Qual a probabilidade de termos valores fora da

especificao para este caso?
Slide #88

Carregar: TEMPO DE CICLO.MTW
Stat > Basic Statistics > Display Descriptive
Statistics
Variables: TempoCiclo
OK
Session do Minitab:
Descriptive Statistics: TempoCiclo
Variable
Mean
Median
TrMean
StDev
SE Mean
TempoCic
100
18,851
18,840
18,850
0,212
0,021
Variable
Minimum
Maximum
Q1
Q3
TempoCic
18,330
19,320
18,713
18,978
Slide #89

Distribuio Normal - Exemplo
LSE
LIE
Probabilidade de
termos valores
abaixo da
especificao
17,5
18
Probabilidade de
termos valores
acima da
especificao
18,5
19
19,5
20
20,5
Mdia = 18,851
Slide #90

Distribuio Normal Exemplo
Calc>Probability Distributions>Normal
Cumulative probability
Mean: 18,851
Standard Deviation: 0,212
Input Constant: 18,5
OK
Cumulative Distribution Function
Normal with mean = 18,8510 and standard deviation = 0,21200
x
18,5000
P( X <= x )
0,0489
Slide #91

Distribuio Normal Exemplo
Calc>Probability Distributions>Normal
Mean: 18,851
Standard Deviation: 0,212
Input Constant: 19,5

OK
Cumulative Distribution Function
Normal with mean = 18,8510 and standard deviation = 0,21200
x
19,5000
P( X <= x )
0,9989
Neste caso, interessa-nos a rea (probabilidade) acima de

LSE:
x
19,5000
P (X > x)
(1 0,9989) = 0,0011 (0,11%) Slide
#92

Stat > Quality Tools > Capability Analysis
(Normal)
Single column: TempoCiclo
Subgroup size: 1
Lower spec: 18,5
Upper Spec: 19,5
Estimate
(desmarcar)
(Continua
no
Use unbiasing
constants
prximo Slide #93

Options
Perform Analysis
Within subgroup analysis
(desmarcar)
Overall analysis (deixar

marcado)
Percents (em vez de Parts per
million)
Benchmark zs (em vez de
Capability
stats)
Title: Capacidade para Tempos de
Slide #94
Ciclo

Distribuio Normal
Resumindo, neste
Exemplo
caso temos:
P(x < xinf) = 0,0489
(4,89%)
P(x > xsup) = 0,0011
(0,11%)
P(total) =
5,00%
4,89%
17,5
18
0,11%
18,5
19
19,5
20
Slide #95
20,5

Distribuio Normal - Exerccio
Calcular a probabilidade de termos valores fora

da especificao para o exemplo discutido,
porm vamos considerar que o tempo mdio
conseguiu ser ajustado para 19,0 min,
mantendo a mesma variao
(desvio padro = 0,212).
Discuta conceitualmente qual sua expectativa
em relao ao resultado. Haver diminuio,
aumento ou manteremos a probabilidade de
termos valores fora da especificao?
Use o Minitab para os clculos.
Obs: faa um desenho representando a
Slide #96
situao!

Distribuio Normal
As probabilidades que
calculamos somente podem
ser estimadas se temos
razovel segurana de que a
distribuio Normal, pois os
resultados derivam direto da
funo da Normal;
A avaliao de Normalidade
pode ser feita com a anlise
do formato do Histograma
e/ou atravs de um teste de
Normalidade.
17,5
18
18,5
19
19,5
20
Slide #97
20,5

Distribuio Normal
Para fazer esta anlise, conveniente usar um

software estatstico (no nosso caso o Minitab).
Stat > Basic Statistics > Normality Test
Variable: TempoCiclo
de
Title: Teste de Normalidade para Tempo

Ciclo
OK
Slide #98

Distribuio Normal - Exemplo de Teste de Normalidade
Teste de Normalidade para Tempo de Ciclo
(Minitab)
,999
,99
Probability
,95
,80
,50
,20
,05
,01
,001
18,3
18,8
TempoCiclo
Average: 18,8508
StDev: 0,211744
N: 100
Para valores de P-Value > 0,05

assume-se que os dados vm
19,3 de uma distribuio Normal
Anderson-Darling Normality Test
A-Squared: 0,335
P-Value: 0,504
Slide #99

Graph > Boxplot
Graph 1: y : TempoCiclo
Annotation
Title: Boxplot para tempo de Ciclo
OK
OK
Slide #100

Ciclo
Graph > Histogram

Graph 1: x : TempoCiclo
Annotation
Title: Histograma para Tempo de
positions:
OK
Options
Type of Intervals
MidPoint
Midpoint / cutpoint
18,40 18,55 18,70 18,85
Slide #101

Distribuio Normal - Exemplo de Teste de Normalidade
(Minitab)
Slide #102

II. 3. Distribuio binomial
Seja um experimento dentro das
seguintes condies:
a) so realizadas n provas independentes
b) cada prova s pode levar a sucesso ou
fracasso (duas alternativas, contando-se
ocorrncias do que se definir como
sucesso)
Slide #103

c) a probabilidade p de
sucesso em cada prova
constante; assim, a probabilidade
de fracasso dada por
1p=q
Slide #104

Como as provas so independentes, a
probabilidade de ocorrncia de k sucessos
P(X=k) = pk.qn-k
Porm, o evento k sucessos em n provas
pode acontecer em vrias ordens distintas;
Slide #105

assim, temos a distribuio BINOMIAL:
n k nk
P X k p .q
; k 0,1,...., n
k
n
n!
onde
k ! n k !
k
Slide #106

Exemplo: Sendo de 5% a
Tempo de Ciclo que
especificao 19,0 0,5
probabilidade de em 100
mais de 10 fora.
proporo de
cai fora da
,
calcular a
tempos ter-se
Calc > Probability Distributions > Binomial

Number of trials: 100
Probability of success: 0,05
Input constant:10
OK
Slide #107

Binomial with n = 100 and p = 0,0500000
x
10,00
P( X <= x )
0,9885
Logo: P(x>10) = 1-0,9885=0,0115 ou 1,15%
Slide #108

Distribuio BINOMIAL:
Mdia
Varincia
Desvio
Padro
= np
2 = npq
= npq
Slide #109

II. 4. Distribuio de Poisson
No caso da distribuio Binomial, a varivel de
interesse era o nmero de sucessos em um intervalo
discreto (n provas).
Outra varivel de interesse o nmero de
ocorrncias em um intervalo contnuo, que pode ser
um intervalo de tempo, de superfcie, de distncia,
etc.
Slide #110

A distribuio de Poisson
definida por:
e .
P X k
, k 0,1,2,......
k!
k
onde e=2,71828 e a mdia de

ocorrncias
Slide #111

Exemplo: Se o fluxo de chamadas
telefnicas de 20ch/h de acordo com um
Processo
de
Poisson,
calcular
a
probabilidade de haver mais de 50
chamadas em um certo perodo de 2h.
Soluo: Como se tem 20 ch/h, em 2h temse em mdia 40 ch.
Calc > Probability Distributions > Poisson
Mean: 40
Input constant: 50
Slide #112

Poisson with mu = 40,0000
x
50,00
P( X <= x )
0,9474
Logo: P(x>50) = 1-0,9474=0,0526 ou 5,26%
Slide #113

Distribuio de Poisson.
Mdia
Varincia
Desvio
Padro
=
=
Slide #114
III. DISTRIBUIO AMOSTRAL

III. 1. Distribuio das Mdias
Determinemos
as
principais
caractersticas da distribuio amostral
X
da estatstica , mdia de uma amostra
n
de n elementos.
x
i 1
onde: x
x1 x2 ... xn
n
2
2 x
n
x
n
Slide #115

As mdias amostrais tm distribuio
Normal quando a Populao Normal
Distribuio Amostral de X
Distribuio da
Populao Normal X
-1
5
-1
4
-1
3
-1
2
-1
1
-1
0
-9
-8
-7
-6
-5
-4
-3
-2
-1
10 11 12 13 14 15
Slide #116

Distribuio Amostral de X
Distribuio de
Populao No Normal
X se aproxima da Normal mesmo quando a

Normal no bom modelo para X
A aproximao to melhor quanto maior
for a amostra
Slide #117

III. 2. Distribuio do Desvio Padro
Amostral e Varincia Amostral
A Varincia Amostral calculada por
n
s
2
x
x x
i 1
n 1
Obs: Se a Normal bom modelo para X, ento pode-se

usar distribuio Qui-quadrado para s2, o que feito no
Slide #118
Minitab.

O Desvio Padro Amostral calculado
por
sx
xi x
i 1
n 1
Obs: O Minitab faz clculos para estimar o da Normal

usando o s da amostra e valores derivados da Quiquadrado
Slide #119

III. 3. Distribuio z e t
Suponhamos que a partir de uma
amostra de n valores, retirados de uma
populao Normal de mdia e desvio
padro , calculssemos a estatstica z
(varivel Normal padronizada, pois X
Normal):
x
/ n
Slide #120

III. 3. Distribuio z e t
Entretanto, se usarmos s
obteremos
uma estatstica t:
x
t
s/ n
chamada
t deusa-se
Student.
Obs: No Minitab
z quando se tem o e t
quando s se
tem o s, para estimar o da
Slide #121
Normal.
IV. ESTIMATIVA E INTERVALO DE

CONFIANA
IV. 1. Introduo
Agora, estamos considerando

problemas de Estatstica Indutiva, que so
divididos em dois grupos:
os problemas de estimao e
os problemas de testes de
hipteses.
Slide #122

CONFIANA
Para
ter-se
noo
do
erro
de
estimao, construimos um intervalo, em

torno
de
uma
estimativa
de
um
parmetro da distribuio, de modo a que

esse intervalo tenha uma probabilidade
conhecida de conter o verdadeiro valor do
parmetro.
Slide #123

CONFIANA
O intervalo, que, com probabilidade
conhecida, dever conter o valor real do
parmetro,
confiana
chamaremos
para
esse
intervalo
parmetro,
de
e
probabilidade o nvel de confiana do

intervalo
Slide #124

CONFIANA
IV. 2. Intervalo de Confiana para a mdia
de populao Normal quando
conhecido.
Pode-se deduzir a seguinte
expresso:
P x z .
xz
Logo a expresso dentro dos

Slide #125
parnteses o IC de com confiana (1-

CONFIANA
IV. 3. Intervalo de Confiana para a mdia

de populao Normal quando
desconhecido.
Tambm, pode-se deduzir que:
s
s
P x t( n 1);
x t( n 1);
1
2 n
2 n
A expresso dentro dos parnteses

o IC de de populao Normal quando
Slide #126

CONFIANA
Obter o IC da mdia do Tempo de Ciclo com

95% de confiana.
Stat > Basic Statistics> 1-Sample t
branco
Test mean:
(deixar em
para IC s)
OK
One-Sample T: TempoCiclo
Variable
TempoCiclo
Mean
StDev
SE Mean
100
18,8508
0,2117
0,0212
Intervalo em Session: 18,8088 <

<18,8928
95,0% CI
( 18,8088; 18,8928)
Slide #127
V. TESTES DE HIPTESES
IV. 1. Introduo
A mdia da amostra x o melhor
estimador da mdia populacional .
Se desejamos testar uma hiptese
referente ao verdadeiro valor da mdia
da populao, a varivel de teste mais
adequada ser x.
Slide #128
Por exemplo, pode-se testar as
seguintes hipteses sobre uma mdia
populacional:
H0:0
H1:0
alternativa
H0= hiptese nula

H1= hiptese
Slide #129
As hipteses so complementares;
x
n
Xi
Xs
Regio crtica do teste bilateral
Rejeita-se H0 e conclui-se H1 se x xi ou x
Slide #130
xs
Se x, a varivel de teste, assumir um
valor muito diferente de 0, para menos
ou para mais, rejeitamos H0.
Valores crticos:
xi 0 z a .
2
n
xs 0 z a .
2
n
Obs: Se for desconhecido, usa-se o desvio

padro s da amostra e o t de Student em
vez#131
do
Slide
z.
Testar a hiptese H0:=19, contra H1:19,
para a mdia do Tempo de Ciclo, com
5% de significncia.
Stat > Basic Statistics > 1-Sample t
Test Mean: 19
Graphs
Histogram of data
OK
(Continua no
prximo Slide #132
Options
Confidence level:95,0
(manter)
Alternative: not equal
(manter)
OK
OK
Slide #133
One-Sample T: TempoCiclo
Test of mu = 19 vs mu not = 19
Variable
TempoCiclo
Variable
TempoCiclo
Mean
StDev
SE Mean
100
18,8508
0,2117
0,0212
95,0% CI
( 18,8088; 18,8928)
-7,05
0,000
Em Session: T=-7,05 P=0,000

Como P<0,05 , a hiptese H0 rejeitada, podendo-se
dizer que 19.
Slide #134
Histogram of TempoCiclo
(with Ho and 95% t-confidence interval for the mean)
Frequency
20
10
[
18,3
18,4
18,5
18,6
18,7
18,8
_
X
]
18,9
Ho
19,0
19,1
19,2
19,3
TempoCiclo
O grfico mostra o IC e que H0 est fora

dele.
Slide #135
VI. CORRELAO E REGRESSO

VI. 1. Introduo
Vamos
problemas
examinar
de
Estatstica,
importantes
envolvendo
duas ou mais variveis quantitativas.

Consideremos
inicialmente
duas
variveis de interesse: Altura e Peso de

pessoas.
Slide #136

Seja uma amostra de 10 pessoas
adultas, do sexo masculino, e sejam a
altura (m) e o peso (kg) as variveis que
nos interessa investigar
Designemos
estas
variveis,
respectiva-mente, X e Y, X para varivel

independente
dependente
para
varivel
Slide #137

Para cada elemento da amostra,
iremos obter um par ordenado (x,y)
Teremos
ento,
n=10
pares
de
valores das duas variveis, que podero

ser
plotados
em
um
diagrama
de
disperso (scatterplot)
Slide #138

Valores da altura e do peso.
Pesso
a
Altura (m)
Peso
(kg)
1,74
73
1,61
66
1,70
64
1,80
94
1,82
79
1,64
72
1,56
62
1,68
64
1,76
90
Slide #139

Carregar PESOALTURA.MTW
Graph > Plot
Graph 1: Peso (kg)
Altura (m)
Annotation
Title: Diagrama de Disperso
Peso x Altura
de
OK
Slide #140

Plot de Peso X Altura
95
90
Peso(kg)
85
80
75
70
65
60
1,6
1,7
1,8
Altura(m)
Slide #141

A vantagem de se construir o
diagrama de disperso est em que
sua observao mostra
como
as
duas
variveis
se
correlacionam,
ou seja,
qual a tendncia de variao conjunta
Slide #142

VI. 2. Correlao Linear
Observando
o
diagrama
de
disperso, para maiores valores de x h
uma tendncia de obtermos maiores
valores de y
Quando isto ocorre, dizemos que
h correlao (linear) positiva
Slide #143

Correlao Calculada no Minitab
Stat > Basic Statistics > Correlation
Variables: Altura(m) Peso(kg)
OK
Correlations: Altura(m); Peso(kg)
Pearson correlation of Altura(m) and Peso(kg) = 0,771
P-Value = 0,009
A correlao calculada positiva porque

aumentando a altura h tendncia de aumentar
o peso.
Correlaes acima de 0,7 so consideradas
altas. O P-value 0,009<0,05 mostra que
Slideela
#144

Existe correlao positiva
No existe correlao
Pode haver correlao positiva
Existe correlao negativa
Pode haver correlao negativa
Slide #145

VI. 3. Regresso Linear
Regresso a funo que

relaciona a varivel explicada
(dependente) com as variveis
explicativas (independentes).
Slide #146

Stat > Regression > Fitted Line Plot
Response (y): Peso(kg)
Predictor (x): Altura(m)
Type of Regression Model
Linear
Options
Title: Regresso Linear de
Peso x Altura
OK
OK
Slide #147

Regression Analysis: Peso(kg) versus Altura(m)
The regression equation is
Peso(kg) = -101,909 + 103,405 Altura(m)
S = 7,60070
R-Sq = 59,5 %
R-Sq(adj) = 54,4 %
Analysis of Variance
Source
DF
SS
MS
Regression
678,34
678,335
11,7419
0,009
Error
462,16
57,771
Total
1140,50
Slide #148

Em Session consta que P=0,009 para
Regression, ou seja a Regresso
significativa a 5%, embora explicando
apenas 59,5% (Rsq) da variao dos pesos.
O P-value o mesmo da correlao,
com r=0,771 e R2=0,7712 = 0,595.
R2 o coeficiente de explicao.
Slide #149

Regresso Linear de Peso X Altura
Peso(kg) = -101,909 + 103,405 Altura(m)
S = 7,60070
R-Sq = 59,5 %
R-Sq(adj) = 54,4 %
Peso(kg)
90
80
70
60
1,6
1,7
1,8
Altura(m)
Slide #150

Estatistica Basica C Minitab

Caricato da

Informazioni sul documento

Titolo originale

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

Estatistica Basica C Minitab

Caricato da

Copyright:

Formati disponibili

Estatstica Bsica

Cincia que cuida de:

-Entre 50 tarefas amostradas, teve-se

custo lido em centavos R$ 7,38

Ex: tempos de execuo de cada

Title: Diagrama de Pizza para

Title: Dotplot para Tempos em Meios

0 0,75 1,75 2,75 3,75

Neste caso temos classes de igual tamanho

- mediana da amostra: deixa metade

Vemos que Mean=2,100

95% Confidence Interval for Mu

95% Confidence Interval for Mu

95% Confidence Interval for Sigma

95% Confidence Interval for Median

95% Confidence Interval for Median

Tem-se 11 documentos com 0 erros, 16

Centr Freq x.f

x1 + x2 + ...... + x20 = 20 34,

x o valor ordenado que fica no centro dos

Mediana da Amostra x para n par

X a mdia de x(3) com x(4):

x(3) x( 4 ) 1,5 2,0

Nesta amostra a moda

assimtrica, alongada para a direita, a mdia

Mdia, mediana e moda do informaes

renda mdia (renda per capita) pode ser de R$

entre a mdia e a moda.

espalhados. Se a variao pequena, os

quadrados das distncias dos pontos em relao

R = 3,0 1,5 = 1,5

Medida simples mas muito til pela facilidade

-0,6 -0,1 0,4

(Ver slide 45)

18,75 Desvio padro:

0,656 0,129 0,000 0,025 0,129 Soma=0,9410

II. MODELOS DE DISTRIBUIO

II. MODELOS DE DISTRIBUIO

que so sua mdia e seu desvio

II. MODELOS DE DISTRIBUIO

II. MODELOS DE DISTRIBUIO

II. MODELOS DE DISTRIBUIO

II. MODELOS DE DISTRIBUIO

A Curva Normal fica plenamente definida com

II. MODELOS DE DISTRIBUIO

II. MODELOS DE DISTRIBUIO

II. MODELOS DE DISTRIBUIO

II. MODELOS DE DISTRIBUIO

estatsticas do conjunto de dados e,

II. MODELOS DE DISTRIBUIO

Comparao de Curvas Normais:

II. MODELOS DE DISTRIBUIO

Comparao de Curvas Normais:

II. MODELOS DE DISTRIBUIO

Comparao de Curvas Normais:

II. MODELOS DE DISTRIBUIO

II. MODELOS DE DISTRIBUIO

Abaixo LIE = 15,85%

Tolerncia = LSE - LIE

II. MODELOS DE DISTRIBUIO

-15 -14 -13 -12 -11 -10 -9

Tolerncia = LSE - LIE

II. MODELOS DE DISTRIBUIO