Académique Documents
Professionnel Documents
Culture Documents
CURSO D E QUÍ M I C A
DISCIPLINA DE ESTATÍSTICA
ALUNO(A):.....................................................................................................
BIBLIOGRAFIA
DOWNING, D. & CLARK, J. Estatística Aplicada. SP, Saraiva, 2000.
FONSECA, J. S. Et alii. Estatística aplicada. Ed. Atlas, São Paulo, 1976.
BIBLIOGRAFIA COMPLEMENTAR
KUME, Hiltoshi. Métodos Estatísticos para Melhoria da Qualidade, Ed. Gente, SP, 1993
VIEIRA, S. et alii. Estatística Experimental. Ed. Atlas, São Paulo, 1989.
Para entender um conjunto de dados relevantes a seu trabalho, você deve trabalhar estes dados
para transformá-los em informações, para compará-los com outros dados, ou ainda para julgar sua
adequação a alguma teoria.
A Estatística Descritiva objetiva descrever o comportamento dos dados (informações) por meio da
tabulação dos dados, da identificação de valores representativos do conjunto, além de representações
gráficas.
Vejamos um exemplo:
As indústrias acompanham a produção por meio de amostras onde são verificadas as dimensões do
produto, sua resistência, possíveis defeitos, etc.
Considere uma Indústria de Arruelas cujo diâmetro externo deveria ser de 32mm. Ao inspecionar
uma amostra, chegaremos a medidas com alguma oscilação em torno dos 32mm esperados. Considere as
seguintes medidas: Diâmetro (mm)
Total 40 0
Dep. Controle de Prod.
30,2 |--- 30,7 30,7 |--- 31,2 31,2 |--- 31,7 31,7 |--- 32,2 32,2 |--- 32,7 32,7 |--- 33,2 33,2 |--- 33,7
Diâm etro m m
x = média x = 31,9mm (está abaixo do previsto 32mm) (Seria realmente uma falha na produção?)
Observamos que os diâmetros oscilam com relação a média de 31,9mm. Como cada arruela da
amostra apresenta uma oscilação própria em torno do 31,9mm , necessitamos de uma medida que traduza
(generalize) todas as variações. Esta é uma medida de dispersão (variação em torno da média) que
chamaremos de Desvio Padrão
A medida que estabelecemos valores representativos do conjunto, temos mais subsídios para
descrever a produção.
Mesmo sendo um cálculo extremamente simples, podemos simplificá-lo ainda mais através do uso
do programa de Estatística contido nas calculadoras científicas.
Anteriormente quando tratamos do diâmetro das arruelas, observamos uma variação em torno da
média que chamamos de Desvio Padrão.
O Desvio Padrão pode ser entendido como a unidade estatística que mede a dispersão dos dados,
onde dispersão é entendida como variação em torno da média.
Para calcular o Desvio Padrão, verificaremos qual é a diferença entre cada número e a média do
conjunto. Em seguida calcularemos a média destas diferenças.
Concluímos que os funcionários levam em média 80 segundos para fazer a operação A com
uma variação média de 1,195 segundos em torno de 80s.
x x-x (x - x)²
80 80 - 80 0²
79 79 - 80 (-1)²
80 80 - 80 0² 10/7 = 1,428571
78 78 - 80 (-2)²
80 80 - 80 0² raíz =1,1955
82 82 - 80 2²
81 81 - 80 1²
x = 80 total = 10
O Desvio Padrão calculado como fizemos até aqui é chamado de Desvio Padrão
Populacional,
porque foi calculado com todos os elementos de uma população.
No 1º caso (tempo de execução da atividade) tínhamos os tempos de todos os funcionários
(população de funcionários da empresa).
No 2º caso (produtos defeituosos por máquina) tínhamos todas as máquinas da empresa
(população das máquinas)
No 3º caso (consumo de combustível) tínhamos o consumo de todos os veículos da frota
(população de veículos da empresa)
Quando calculamos o desvio padrão a partir de uma amostra dos dados, chamamos de Desvio
Padrão Amostral e representamos por ( s ou σ n-1). (Uma amostra é apenas uma parte da
população)
Calculando o desvio padrão amostral estamos estimando o desvio para toda a população, por isso
o cálculo difere um pouco.
Faremos a média da amostra
Subtrairemos a média de todos os valores da amostra
Elevaremos os resultados ao quadrado
Somaremos os quadrados
A divisão será por ( n – 1 )
Extrai a raiz quadrada.
Exemplo:
Registramos a Tensão elétrica em um terminal da Indústria I.
(Medidas de 5 em 5 minutos) Fizemos uma amostragem:
(V) 127; 127; 127; 125; 125; 124; 126; 127; 128; 125.
Qual foi a tensão média e qual foi o desvio padrão?
Média = 126,1 V
LEMBRE-SE
Desvio Padrão Amostral (s ou σ n-1 ) divide por (n-1) e representa uma estimativa do desvio
da população.
Exercício:
OBS.: Certifique-se de zerar a memória estatística de sua calculadora antes de iniciar um novo
cálculo.
Exercícios:
d)Despesa com substituição de peças dos veículos da frota da cooperativa Coamo (R$/veículo)
213,08 100,06 174,50 115,94 214,78 177,24 178,91 158,00
182,33 28,00 146,55 139,09 270,52 114,25 22,52 174,16
205,39 75,89 0,00 0,00 178,89 216,87 89,68
Existem diversos modelos de gráficos. Para escolher o mais adequado aos dados que dispomos
devemos seguir a seguinte orientação:
Tabelas que envolvem datas (série temporais) devem preferencialmente ser representadas com
gráficos de linhas.
Tabelas que envolvem lugares (séries geográficas) devem preferencialmente ser representadas
com gráficos de colunas ou setores (pizza).
Informações coletadas em laboratório que resultam em pares ordenados (x;y) devem ser
representadas com Diagramas de Dispersão
As dimensões do gráfico devem se adequar ao nosso campo de visão, de modo que deve se
apresentar em formato retangular onde a altura corresponderá a aproximadamente 80% da largura
(compare seu gráfico com as dimensões da tela do micro)
Utilizaremos o Excel ou o BrOffice para representar graficamente os dados coletados. Para isso
devemos digitar uma tabela com as informações que desejamos apresentar.
Despesas da Indústria T por setor-P. Branco - 09:
Setor Despesas R$
Administrativo 16500,00
Manutenção 8500,00
Comercialização 10100,00
Markting 7500,00
Produção 32400,00
Fonte: Dep. Financeiro
35000
30000
25000
20000
R$
15000
10000
5000
0
Adm Man. Com. Mark. Prod.
Setor
6- Represente graficamente:
a) Defeitos presentes na amostragem
da produção da Indústria R-PB.-09.
Tipo de Defeito Nº de peças def.
Deformação 85
Coloração Irreg. 54
Trincas 23
Ranhuras 21
Outros 17
Fonte: Dep. Produção
b)Durabilidade (km) dos Pneus – R (neste gráfico as colunas devem ficar juntas devido a seqüência dos
Amostr. 09 SP. intervalos)
Durabilidade (Km) Nº de Pneus
20000 |--- 22000 5
22000 |--- 24000 19
24000 |--- 26000 38
26000 |--- 28000 48
28000 |--- 30000 35
30000 |--- 32000 15
32000 |--- 34000 7
Total 167
Segmentos 1990 92 94 96 98 00 02 03 04 05 06 %
a.a.
Produtos químicos de uso 19,0 17,4 19,2 19,9 18,5 22,8 19,4 24,1 33,0 39,4 45,4 5,6
industrial
Produtos Farmacêuticos 2,7 3,0 5,0 7,6 8,7 6,7 5,2 5,6 6,8 9,2 10,9 9,1
Adubos e fertilizantes 2,3 1,7 2,2 3,0 2,9 3,0 3,3 4,3 5,6 5,3 5,6 5,7
Sabões e detergentes (1) 2,0 2,0 2,0 2,8 3,1 2,3 2,1 2,1 2,7 3,9 4,6 5,3
Defensivos agrícolas 1,1 0,9 1,4 1,8 2,6 2,5 1,9 3,4 4,9 4,2 3,9 8,2
Tintas, esmaltes e vernizes 1,7 1,7 1,8 2,0 2,0 1,5 1,1 1,3 1,5 1,9 2,1 1,3
Outros 1,4 1,5 1,6 1,5 1,7 1,4 1,5 1,6 1,8 2,0 2,3 3,2
TOTAL 31,8 29,9 35,6 42,8 43,8 43,6 37,3 45,5 60,2 71,6 81,6 6,1
Fontes: ABIQUIM e associações dos segmentos. (1) O faturamento de 1990 a 1994 foi estimado pela ABIQUIM em US$ 2 bilhões.
c)Nº de interrupções (anuais) no fornecimento de energia da Hidrelétrica HH desde o início de sua operação:
2 1 0 0 3 2 1
DISTRIBUIÇÃO BINOMIAL
Trata-se do estudo de situações onde existem apenas duas possibilidades (sucesso ou fracasso) .
Neste estudo faremos a descrição de todas as possíveis ocorrências (conjuntos de sucessos e/ou
fracassos).
Exemplo:
Uma indústria mantém um controle de produção com amostragens diárias de 4 peças. Nestas
amostragens, o que o inspetor de produção poderá encontrar?
Quatro perfeitas Três perfeitas Duas perfeitas Uma perfeita Nenhuma perfeita
Indicando perfeita (sucesso) por “P” e defeituosa (fracasso) por “D”, teremos:
PPPP PPPD PPDD PDDD DDD
PPDP PDPD DPDD
PDPP DPPD DDPD
DPPP PDDP DDDP
DPDP
DDPP
Uma opção Quatro opções Seis opções Quatro opções Uma opção
Na tabela estão todos os possíveis resultados da inspeção, portando a tabela apresenta 100%.
As probabilidades individuais não podem ser as mesmas já que uma empresa deve produzir mais
peças perfeitas do que peças defeituosas. Vamos admitir que historicamente (ao longo do tempo) a
Indústria apresente 3% de defeitos em sua produção ( o que nos leva a 97% de peças perfeitas).
Qual é a probabilidade de ocorrer PPPP?
Perfeita e Perfeita e Perfeita e Perfeita (em probabilidade a interpretação “e” nos indica
multiplicação)
PPPP = 0,97x0,97x0,97x0,97 = 0,974 = 0,88529 (88,529%)
PPPD =.......................................................................................(4x)...............................
PPDD =.......................................................................................(6x)..............................
PDDD =.......................................................................................(4x).............................
DDDD =......................................................................................
As quantidades 1 ; 4; 6; 4; 1, podem ser obtidas por meio da combinação Cnx = n! / [x!(n-x)!]
Onde n representa o tamanho da amostra e x o número de sucessos.
P(x) = Cnx . px . ( 1 – p )n – x
Na amostra do exemplo:
P(4)= C44 . 0,974 . 0,030 = 0,88529 (88,529%); P(3)=..................................................................
P(2)=........................................................... P(1)=..................................................................
P(0)=...........................................................
b)Nove perfeitos? P(9) = C109 . 0,989 . 0,021 10 . 0,83375 . 0,02 = 0,16675 (16,675%)
c)Oito perfeitos? P(8) = C108 . 0,988 . 0,022 45 . 0,85076 . 0,00040 = 0,01531 (1,531%)
d)Sete perfeitos?............................................................................................................................(0,08334%)
e)Seis perfeitos?............................................................................................................................(0,00298%)
f)Cinco perfeitos?..........................................................................................................................(0,00007%)
d)Três defeitos:
(corresponde a sete perfeitos)
P(7) = 0,08334%
9- Em média 3% dos artigos produzidos por um certo fabricante são defeituosos. Qual é a
probabilidade de, em uma amostra com 10 artigos:
a)Dois serem defeituosos?
11-Um plano de inspeção aleatória funciona como se segue. Toma-se uma amostra aleatória de
tamanho dez. Se a amostra não apresentar defeitos, aceita-se toda a produção da qual foi tirada. Se mais
de um é defeituoso, rejeita-se a produção. Se exatamente um for defeituoso, toma-se outra amostra de
tamanho dez, e aceita-se a produção toda apenas se esta segunda amostra não contiver defeitos. Se uma
produção com 5% de defeitos é testada por este plano, qual é a probabilidade de que:
a)A produção seja aceita na primeira amostragem?
d)A produção seja aceita? (pode ser na primeira ou na segunda amostragem , tem duas chances)
12- Numa pesquisa da produção diária de 400 máquinas, fazendo os mesmos componentes, 4
artigos escolhidos ao acaso da saída de cada máquina foram minuciosamente inspecionados. O número m
de máquinas produzindo f artigos defeituosos foi:
f ( nº de defeitos por máquina) 0 1 2 3 4
m(nº de máquinas) 325 69 5 1 0
Estabeleça a distribuição Binomial que representa esta amostragem.
(calcule o percentual de defeitos na produção e determine P(4); P(3); P(2); P(1); P(0).
COELM – Estatística – Marcio Bennemann15
DISTRIBUIÇÃO NORMAL
2
x− µ
σ
1 −
f ( x) = e 2
2π σ
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
11,85 11,9 11,95 12 12,05 12,1 12,15
mm
Esta é a chamada curva da Distribuição Normal, é uma curva simétrica tendo no centro a média da
variável.
Na curva estão representados todos os diâmetros verificados e a quantidade de parafusos em cada
diâmetro, portanto 100% dos dados estão representados entre a curva e a reta (indicação do diâmetro).
Como entre a curva e a reta temos uma superfície, podemos dizer que a área entre estes dois elementos
representa 100% da produção de parafusos, segundo seus diâmetros.
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
11,85 11,9 11,95 12 12,05 12,1 12,15
mm
b
O cálculo de área em regiões curvas se faz através da Integral ∫ f ( x) dx onde a e b são os limites
a
x− µ
A variável reduzida z = x é o ponto que desejamos calcular;
ο
µ é a média dos dados;
σ é o desvio padrão
Na tabela o valor de “z “está distribuído na coluna da esquerda (com uma casa decimal) e na
primeira linha ( com a segunda casa decimal)
04 5
,
0,
4
03 5
,
0,
3
02 5
,
0,
2
01
, 5
0,
1
0,
0 5
3
- 2 ,
- 7 2 ,
- 4 2 ,
- 1 1 ,
- 8 1 ,
- 5 1 ,
- 2 0,
-9 0,
-6 0,
-3 0 03
, 06
, 09
, 1 2
, 1 5
, 1 8
, 2 ,
1 2 ,
4 2 ,
7 3
Uma máquina produz componentes de diâmetro médio 1,535cm com desvio padrão de
0,005cm. Os diâmetros são tomados como distribuídos normalmente.
Calcule a probabilidade de selecionarmos aleatoriamente um componente com diâmetro:
a)Superior a 1,543cm;
sendo x o diâmetro teremos: P( x > 1,534cm) = ????
a variável reduzida z = (1,543 – 1,535) / 0,005 = 1,60
04 5
,
0,
4
03 5
,
0,
3
02 5
,
0,
2
01
, 5 5,48%
0,
1
0,
0 5
3
- 2 ,
- 7 2 ,
- 4 2 ,
- 1 1 ,
- 8 1 ,
- 5 1 ,
- 2 0,
-9 0,
-6 0,
-3 0 03
, 06
, 09
, 1 2
, 1 5
, 1 8
, 2 ,
1 2 ,
4 2 ,
7 3
1,535
1,543
b)Inferior a 1,522cm;
P( x < 1,522cm) = ???
Z = (1,522 – 1,535)/0,005 = - 2,6
04 5
,
0,
4
03 5
,
0,
3
02 5
,
0,
2
0,47% 01
, 5
0,
1
0,
0 5
1,535
3
- 2 ,
- 7 2 ,
- 4 2 ,
- 1 1 ,
- 8 1 ,
- 5 1 ,
- 2 0,
-9 0,
-6 0,
-3 0 03
, 06
, 09
, 1 2
, 1 5
, 1 8
, 2 ,
1 2 ,
4 2 ,
7 3
1,522
c)Entre 1,531cm e 1,540cm;
P( 1,531 < x < 1,540 ) = ??
0,
4
03 5
,
62,94%
15,87%
0,
3
02 5
,
21,19% 0,
2
01
, 5
0,
1
0,
0 5
3
- 2 ,
- 7 2 ,
- 4 2 ,
- 1 1 ,
- 8 1 ,
- 5 1 ,
- 2 0,
-9 0,
-6 0,
-3 0 03
, 06
, 09
, 1 2
, 1 5
, 1 8
, 2 ,
1 2 ,
4 2 ,
7 3
1,531 1,540
13- Peças são fabricadas para terem 18 polegadas de comprimento, mas são aceitáveis nos limites
17 15/16 e 18 1/16 polegadas . A observação indica que cerca de 2,5% são rejeitadas como muito
compridas e cerca de 2,5% como muito curtas. Presumindo que os comprimentos são normalmente
distribuídos em torno da média de 18 pol, ache o desvio padrão da distribuição. Depois calcule a
proporção de rejeição se os limites de tolerância são estreitados para 17 61/64 pol e 18 3/64 pol.
14- A vida média de um motor elétrico de 250 watts é de 8 anos, com um desvio padrão de 2 anos. O
fabricante substitui, gratuitamente, todos os motores que falham durante a garantia. Considerando que a
durabilidade dos motores tem distribuição normal, qual deve ser a garantia (quantos anos?) para que a
fábrica não tenha que substituir mais que 2% dos motores que vende? Que proporção dos motores ainda
estará em funcionamento após 11 anos de uso?
15-Cilindros de 1 cm de diâmetro devem encaixar em furos cujos diâmetros são normalmente distribuídos
com média de 1,002cm e desvio padrão de 0,00173 cm. A cada 2000 furos, quantos serão demasiado
pequenos?
COELM – Estatística – Marcio Bennemann20
16-Sabe-se que a vida média de certos componentes de máquinas são normalmente distribuídos com
média de 5000h e desvio padrão de 50h.
Qual é a probabilidade de:
a)um componente durar mais de 5030h?
17- A tabela abaixo da a resistência elétrica de 138 hastes de carbono, testadas à mesma temperatura.
Resistência em ohms 310 311 312 313 314 315 316 317 318 319 320
Nº de hastes 1 2 6 21 25 32 24 18 5 3 1
Os dados podem ser vistos como uma amostra razoável da distribuição normal?
30
25
20
15
10
0
308 310 312 314 316 318 320 322
Qual é a probabilidade de selecionarmos uma haste com durabilidade entre 312 e 314 ohms?
c)Se os componentes são garantidos por 1000h, que porcentagem deles deve ser devolvida?
d)Que durabilidade o fabricante pode garantir se quiser que 95% dos componentes satisfaçam a
garantia?
4- Uma máquina produz arruelas cujos diâmetros tem média de 8mm com desvio padrão de 0,5mm.
Se a tolerância permitida no diâmetro é de 0,8mm, e pode-se presumir que o diâmetro tenha
distribuição normal, aproximadamente que porcentagem de arruelas será rejeitada?
Quando fazemos um estudo baseado em uma amostra, temos em mente projetar estes resultados
para toda a população, pois o objetivo do estudo é a identificação de características populacionais.
Estimamos as característica populacionais à partir de resultados amostrais, construindo intervalos com os possíveis
valores que a população pode assumir. Um intervalo é necessário porque se efetuamos diversas amostras, os resultados
provavelmente não serão os mesmos, mas deverão estar próximos, o que nos leva a admitir uma pequena variação em torno
dos resultados amostrais.
s
sx =
n
Exemplo: Fizemos uma amostragem sobre o consumo de óleo lubrificante nos motores MM em 24 horas de funcionamento.
Consumo em ml/motor
32 25 27 30 26 20 19 25 20 20
26 22 29 30 32 28 20 15 15 22
Encontramos t = 2,093.
µ = 21,7 a 26,6
Estimamos que o consumo médio de óleo lubrificante fica entre 21,7 ml e 26,6 ml em 24 horas de funcionamento.
b)Percurso (m) de frenagem do veículo Gol – 1000 com pneus Pirelli 165/70/13 a uma velocidade de 100Km/h.
38 40 39 41 42 44 40
48 38 39 39 44 41 35
Nestes intervalos consideramos que as variações toleráveis estão em torno do valor especificado no rótulo.
Exemplo:
Verificamos o volume contido em 25 recipientes (um litro) do óleo Lubrax S.
ml/embalagem 999 998 999 1000 1001 1002 1000 999
1002 999 1000 998 998 999 998 999 1000
1000 1001 999 998 999 996 998 999
Vamos testar com 99% de confiança se a quantidade encontrada satisfaz ou não as indicações do rótulo.
A média da amostra é 999,24 ml.; O desvio padrão 1,362596; e o erro amostral 0,272519;
A média encontrada na amostra (999,24 ml) está contida no intervalo, portanto a empresa está embalando a
quantidade prevista.
Quando obtemos uma proporção (porcentagem) na amostra devemos determinar as possíveis variações em torno desta
amostra para estimar os resultados populacionais.
Consideraremos:
Proporção obtida na amostra (p)
Nível de confiança (z) – encontrado na distribuição z de probabilidades
p.(1 − p )
Erro amostral da proporção (sp) sp =
n
Tamanho da amostra (n)
P = p ± z.s p
Exemplo:
Uma amostragem com 380 peças produzidas na Indústria I revelou 7 peças defeituosas. Determine com 95% de
confiança a proporção de peças defeituosas.
7
p= = 0,0184 sp = 0.006898 z = 1,96
380
P = 0,00488 a 0.03192
Exercício nº 20
Determine o intervalo da proporção com 90% de confiança para as seguintes amostras:
a)Observamos 32 falhas em 700 execuções da atividade S.
Exercício 21
Uma concessionária verificou que nos últimos 280 test drive 31 carros foram vendidos. Determine com 95% de
confiança o intervalo que representa a proporção dos test drive que resultam em venda do veículo.
b)
33 36 35 33 32 32
31 30 30 32 35 30
2- Verifique com 99% de confiança se a média amostral satisfaz o valor indicado no rótulo:
a)Rótulo = 500
498 499 500 500 500 500 501 501 500 502
499 499 499 495 495 498 499 499 499 500
b)Rótulo = 100
99 99 98 98 99 99 100 100 100 101 101 101 100 99 99
98 98 97 97 97 99 97 97 97 97 98 99 99 99 100
03-Determine o intervalo de confiança que representa com 90% de confiança a proporção em cada
caso:
a)Amostra com 540 elementos onde 30 apresentaram defeito;
Quando o objetivo da amostra é calcular médias, a amostra será definida da seguinte forma:
z 2 .s 2 n 0 .N
no = n=
E ²0 n0 + N
s é o desvio padrão (quando não conhecemos o desvio padrão podemos fazer uma amostra
piloto, onde com algumas amostras estimamos o desvio padrão).
Exemplo:
Devemos identificar o diâmetro médio de um lote com 2000 peças. Para isso faremos uma
amostragem com nível de confiança de 95%, tolerando um erro amostral de 0,01mm, sabendo que o
desvio padrão (identificado em outros levantamentos) é de 0,03mm. Quantas peças deverão compor a
amostra?
Exercício 22
Calcule o número de peças necessárias para uma amostragem em um lote com 3500 unidades
onde queremos identificar o peso médio das peças, sabendo que o desvio padrão é de 180g e que
desejamos um nível de confiança de 90%, tolerando um erro amostral de 30g.
Exercício 24
Determine o tamanho da amostra necessária para rever a média populacional com 95% de
confiança para uma máquina que produz mil unidades por dia, sabendo que o desvio padrão é de 5,8g
tolerando um erro amostral de 1,2g.
Exercício 25
Para identificar o consumo médio de fluído de bateria, nas Baterias Exced – 100 A, devemos fazer
um levantamento amostral, tolerando um erro amostral de até 15 ml para um desvio padrão estimado com
uma amostra piloto ( 152; 160; 200; 160; 100; 110). Quantas baterias devem compor a amostra ara uqe
tenhamos um nível de confiança de 90%?
Exercício 26
Selecione na tabela abaixo a amostra definida no exercício anterior (descreva o procedimento de
escolha dos elementos) e em seguida determine o intervalo e confiança que representa o consumo médio e
fluído por bateria. (ml de fluído por bateria).
207 162 191 162 208 171 172 158 189 170
198 210 158 202 179 203 156 167 209 170
198 210 181 176 199 182 156 177 185 177
203 178 171 168 158 186 199 199 182 198
200 156 195 158 175 193 152 150 202 183
173 164 174 160 183 192 173 188 187 191
207 179 186 177 166 152 207 178 174 175
165 183 155 204 209 202 175 209 193 158
155 187 193 179 181 153 166 182 197 186
z 2 . p.(1 − p ) n 0 .N
n0 = n=
E0
2
n0 + N
Exemplo:
Para identificar o percentual de itens defeituosos em cada lote de 5000 peças, faremos
amostragens com 95% de confiança, tolerando um erro amostral de no máximo 1,5%. Quantas peças
deverão compor a amostra se historicamente a indústria apresenta 3,1% de defeitos?
N = 5000
z = 1,96
E0 = 0,015
p = 0,031
1,96 2 .0,031.(1 − 0,031)
n0 = n 0 = 512,87
0,015 2
5000.512,87
n= n 0 = 465 peças
5000 + 512,87
Exercício 27
Um gerente de processamento de dados calcula que um operador de computador está
ocioso 20% do tempo. Para ser mais preciso resolveu fazer uma amostragem (realizar algumas
observações durante o expediente para verificar se o funcionário está realmente ocioso). Quantas
observações devem ser feitas para que se tenha um nível de confiança de 90%, tolerando uma
variação de até 5%?
Exercício 28
Uma empresa com cerca de 2500 clientes deseja fazer um levantamento amostral para identificar a
proporção de seus clientes que está satisfeita com o atendimento. Quantos clientes devem ser
entrevistados para que tenhamos 95% de confiança, tolerando um erro amostral de até 5%?
Exercício 29
Uma certa operação de montagem na Indústria T muitas vezes acaba sendo repetida por alguma
falha operacional. A gerência deseja saber qual é o percentual de repetições que apresentam falhas,
observando um nível e confiança de 90%, tolerando erro amostral de 5%. Quantas operações de
montagem devem ser observadas?
COELM – Estatística – Marcio Bennemann31
Ministério da Educação
Universidade Tecnológica Federal do Paraná
Coordenação Química PR
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
02- Para identificar o número médio de aparelhos eletroeletrônicos nas residências do município PPP
(4000 residências), faremos uma amostragem com 95% de confiança, tolerando um erro amostral de 1,5 e
um desvio padrão de 3,4 (aparelhos por residência). Quantas residências devem participar da amostra?
03-Uma operação que demora em média 2,5 min com desvio padrão de 0,8 min é repetida cerca de 6000
vezes por ano. Para definirmos uma amostra com 95% de confiança, quantas cronometragens devem ser
feitas?
04-Uma amostra piloto quanto a espessura das chapas CCCC revelou os seguintes valores: (mm) 12,2;
12,1 ; 11,9; 12; 11,7 ; 12,7. Sendo a produção total de 30000 chapas por mês, quantas amostras devem ser
coletadas para que tenhamos 95% de confiança na determinação do diâmetro médio para um erro de no
máximo 0,1mm?
Para o controle das variáveis, partimos da hipótese de que a variável a ser controlada segue a
distribuição normal. Portanto deve-se controlar média e o desvio padrão da distribuição, que se não
tiverem variação ao longo do tempo caracterizam o chamado processo sob controle. Portanto um processo
sob controle é aquele em que as variáveis não apresentam variação de média ou de desvio padrão ao
longo do tempo.
Tabela de Coeficientes
n A D4 D3
2 1,880 3,268 0
3 1,023 2,574 0
4 0,829 2,282 0
5 0,577 2,115 0
6 0,483 2,004 0
7 0,419 1,924 0,076
8 0,373 1,864 0,136
9 0,337 1,816 0,184
10 0,308 1,777 0,223
12 0,266 1,716 0,284
14 0,235 1,671 0,329
16 0,212 1,636 0,364
18 0,194 1,608 0,392
20 0,180 1,586 0,414
_
LSC = D4 . R (Limite superior de controle da amplitude)
_
LM = R (Limite médio da amplitude)
_
LIC = D3 . R (Limite inferior de controle da amplitude)
5,02
5,015
5,01
5,005
5
4,995
4,99
4,985
1º 2º 3º 4º 5º 6º 7º 8º 9º
Lote
0,04
0,035
0,03
0,025
0,02
0,015
0,01
0,005
0
1º 2º 3º 4º 5º 6º 7º 8º 9º
Lote
Exercício:
Calcule os Limites de controle e construa os gráficos de controle da média e da amplitude
6000
4000
V. D.
2000
0
0 10 20 30 40
V . I.
200
150
100
50
0
0 2 4 6 8
1500
1000
V. D.
500
0
0 10 20 30
V.I.
O diagrama nos da uma boa visão do comportamento da variáveis, no entanto, precisamos definir qual é o grau de
aproximação a uma reta. Isto pode ser feito através do coeficiente de correlação linear.
O Coeficiente de Correlação Linear (r) é um valor compreendido entre 1 e –1 com o seguinte significado:
Quando r assume o valor –1 indica correlação linear perfeita negativa (os pontos se alinham de forma decrescente)
Quando r assume o valor 1 indica correlação linear perfeita positiva (os pontos se alinham de forma crescente)
Quando r está próximo de zero indica que não há correlação.
Quando r está próximo a 1 ou a –1 ( − 1 ≤ r ≤ − 0,8 ) ou ( 0,8 ≤ r ≤ 1 ), temos uma correlação forte.
Cálculo de r
Exemplo:
Relação entre percurso de frenagem e velocidade
Velocidade (Km/h) Percurso de Frenagem (m) x² y² xy
40 12 1600 144 480
50 20 2500 400 1000
60 26 3600 676 1560
80 37 6400 1369 2960
100 56 10000 3136 5600
120 71 14400 5041 8520
450 222 38500 10766 20120
450.222
20120 −
r= 6
r=0,9966 (correlação forte positiva)
450 2 222 2
38500 − .
10766 −
6 6
Exercícios:
Calcule o coeficiente de correlação linear e classifique a correlação:
a) Valor de mercado do UNO segundo o tempo de uso.
Tempo de uso (anos) Valor Médio de Mercado
0 14500
1 12000
2 10500
3 8500
4 7800
5 7200
6 6500
7 5800
c)
Nível de ruído dos motores elétricos EE segundo o tempo de uso (h)
∑ x.∑ y
∑ xy −
n
b=
(∑ x) 2
∑ x2 −
n
_ _
a = y − b. x
Exemplo:
222 450
a= − 0,7305. a=-17,787
6 6
80
y = 0,7305x - 17,789
60
R 2 = 0,9933
40
20
0
0 50 100 150
c)Produção de lixo
Nº de pessoas Kg de lixo/dia
1 1,5
2 2,2
3 2,9
4 3,7
5 4,5
6 5,1
03-Construa o diagrama de dispersão, calcule o coeficiente de correlação linear, determine a função de regressão linear e faça
as estimativas:
Pneus PPP
Velocidade Km/h Durabilidade (1000 Km)
60 70
80 55
100 40
110 30
Uma pergunta que aparece freqüentemente em Ciência é a seguinte: o método A é melhor que o
método B? Em termos estatísticos, ela eqüivale a comparar dois conjuntos de informações, resultantes de
medidas obtidas da aplicação dos dois métodos a dois conjuntos de objetos ou indivíduos.
Uma dificuldade que enfrentamos é a de caracterizar adequadamente a igualdade ou equivalência
de duas populações. Por exemplo, suponha que queremos saber se duas máquinas produzem peças com a
mesma homogeneidade quanto a resistência a tensão.
Aqui temos dados na forma de duas amostras, extraídas independentemente de cada população. É
muito comum um experimento do tipo “controle” versus “tratamento”, nos quais o interesse principal é
verificar o efeito desse último.
A fim de verificar estas hipóteses, podemos aplicar o teste t para amostras independentes,
admitindo que os dados provêm de populações com distribuição normal e mesma variância.
Estatística do Teste t
x1 = média da amostra 1
n1 = nº de elementos da amostra 1
s1 = desvio padrão da amostra 1
x2 = média da amostra 2
n2 = nº de elementos da amostra 2
s2 = desvio padrão da amostra 2
gl = n1 + n2 – 2 (graus de liberdade)
∝ = nível de significância do teste (percentual que limita a possibilidade de erro em rejeitar a hipótese
nula)
x1 − x 2
(n1 − 1) s12 + (n 2 − 1) s 22 t=
Sa = 1 1
gl Sa +
n1 n2
Dados Vendas
Técnica A Técnica B
Média 68 76
Desvio Padrão 7,071 8,66
Nº vendedores 12 15
Vamos testar com nível de significância de 5%, se há diferenças significativas entre as vendas
resultantes das duas técnicas.
As hipóteses a serem testadas: H0 : µa = µb
H1 : µa < µb
Exercícios:
1- Num estudo comparativo do tempo médio de adaptação, uma amostra aleatória, de 50 homens e 50
mulheres de um grande complexo industrial, produziu os seguintes resultados:
Estatísticas Homens Mulheres
Média 3,2 anos 3,7 anos
Desvpad 0,8 anos 0,9 anos
Que conclusões você poderia tirar para a população de homens e mulheres dessa indústria, a um nível de
significância de 5%?
2- Uma fábrica de embalagens para produtos químicos está estudando dois processos para combater a
corrosão de suas latas especiais. Para verificar o efeito dos tratamentos, foram usadas amostras cujos
resultados estão no quadro abaixo:
Método Amostra Média Desvpad
A 15 48 10
B 12 52 15
Qual seria a conclusão sobre os dois tratamentos a um nível de significância de 5%.
4- Verifique se há diferenças entre as médias dos comprimentos das chapas Y cortadas pelos
funcionários do turno da manhã e do turno da tarde. (nível de significância de 5%)Amostragem
02/02(mm)
Manhã Tarde
500,06 500,01 500 500 499,96 500,06
500,01 500,01 500 500 499,97 500,08
500,03 500,02 500,05 500 499,96 500,04
500 500 500,04 499,95 499,99 499,95
500 499,99 500,01 499,95 500 499,96
500,02 499,99 500,01 499,95 500,01 500,05
500,06 499,95 500,04 499,98 500,06 500,08
5- O efeito da corrente na soldagem sobre a resistência à ruptura foi estudado, tendo sido encontrados os
seguintes valores:
Corrente Resistência a ruptura em(Kgf ?)
35A 37 29 35 28 24 36 40 37 33 28 39
45A 22 32 27 30 24 34 32 20 24 25 28 26 26
Existe alguma diferença na resistência à ruptura das soldas produzidas com o uso destas duas correntes?
(nível de significância de 5%)
Trabalho 07
Aluno(a):.....................................................................................
01- Um teste utilizando uma amostra de 175 latas de alumínio de 0,0109 in. de espessura, e uma Segunda amostra de 175 latas
de alumínio de 0,0111 in. De espessura. Ambas as amostras foram submetidas a cargas axiais determinando as seguintes
estatísticas.
Cargas axiais (lb) das Cargas axiais (lb) das
Latas de 0,0109 in. Latas de 0,0111 in. In. = inch = polegadas
n1 = 175 n2 = 175
x1 = 267,1 x2 = 281,8
s1 = 22,1 s2 = 27,8
No nível de significância de 5%, teste a afirmação de que a amostra dois apresenta resistência média maior. (teste t para
amostras independentes)
02-Aplique o teste t ao nível de significância de 5% para comparar as médias:
a)A=Grupo controle; B= Experimento
A 30 33 31 30 32 29 30 33 30
B 31 28 29 29 30 30 29 31 30
b)C=grupo C ; D=grupo D
C 400 411 410 400 400 415 416 417 400 411 410
D 399 401 402 400 405 405 405 410 410 415 40
Administrou-se gentamicina a 6 pacientes e, posteriormente, a mesma quantidade da droga foi dada aos mesmos pacientes 30 minutos após injeção de
fenobarbital. Os resultados abaixo mostram a concentração sanguínea de gentamicina nas duas situações:
A concentração plasmática de gentamicina aumenta com a administração de fenobarbital ao nível de significância de 5%?
Sendo o Qui Quadrado calculado, maior do que o tabelado, rejeita-se H0 em prol de H1.
Exemplo:
Um vendedor trabalhou comercializando um produto em sete bairros residenciais de uma mesma cidade em um
mesmo período do ano.
Seu gerente decidiu verificar se o desempenho do vendedor oscilava em virtude do bairro trabalhado, ou seja, se as
diferenças eram significativas nos bairros trabalhados.
A partir deste estudo o gerente poderia então elaborar uma estratégia comercial para cada bairro ou manter uma para
todos.
Bairro 1 2 3 4 5 Total
Valores
9 11 25 20 15 80
Observados
Valores Esperados 16 16 16 16 16 80
H1: as diferenças observadas para os bairros 3 e 4 são significativamente diferentes para melhor em relação aos
demais bairros.
∝ = 0,05
g.l = 5 – 1 = 4, onde Qui quadrado tabelado é igual a 9,49.
Portanto há diferença significativa, ao nível de 0,05, para os bairros 3 e 4. Face ao cálculo o gerente deve elaborar
uma estratégia comercial para cada bairro.
No exemplo os valores esperados foram todos iguais porque esperava-se o mesmo desempenho do
vendedor em todos os bairros.
Multiplicaremos o total da linha pelo total da coluna e em seguida dividimos pelo total geral.
b)
Insetos TT e RR capturados segundo a cor da armadilha – Exp. UTFPR-09
Cor da armadilha Nº de insetos TT capturados Nº de insetos RR capt.
Amarela 350 210
Azul 300 200
Vermelha 450 230
Verde 520 240
A primeira coluna da tabela contém valores inteiros para o grau de liberdade ν da distribuição.
Os valores numéricos do cabeçalho (primeira linha) indicam as áreas à direita para os valores de x nas colunas
correspondentes.
ν / A 0,995 0,990 0,975 0,950 0,900 0,750 0,500 0,250 0,100 0,050 0,025 0,010 0,005
01 0,000 0,000 0,001 0,004 0,016 0,102 0,455 1,323 2,706 3,841 5,024 6,635 7,879
02 0,010 0,020 0,051 0,103 0,211 0,575 1,386 2,773 4,605 5,991 7,378 9,210 10,597
03 0,072 0,115 0,216 0,352 0,584 1,213 2,366 4,108 6,251 7,815 9,348 11,345 12,838
04 0,207 0,297 0,484 0,711 1,064 1,923 3,357 5,385 7,779 9,488 11,143 13,277 14,860
05 0,412 0,554 0,831 1,145 1,610 2,675 4,351 6,626 9,236 11,071 12,833 15,086 16,750
06 0,676 0,872 1,237 1,635 2,204 3,455 5,348 7,841 10,645 12,592 14,449 16,812 18,548
07 0,989 1,239 1,690 2,167 2,833 4,255 6,346 9,037 12,017 14,067 16,013 18,475 20,278
08 1,344 1,647 2,180 2,733 3,490 5,071 7,344 10,219 13,362 15,507 17,535 20,090 21,955
09 1,735 2,088 2,700 3,325 4,168 5,899 8,343 11,389 14,684 16,919 19,023 21,666 23,589
10 2,156 2,558 3,247 3,940 4,865 6,737 9,342 12,549 15,987 18,307 20,483 23,209 25,188
11 2,603 3,053 3,816 4,575 5,578 7,584 10,341 13,701 17,275 19,675 21,920 24,725 26,757
12 3,074 3,571 4,404 5,226 6,304 8,438 11,340 14,845 18,549 21,026 23,337 26,217 28,300
13 3,565 4,107 5,009 5,892 7,042 9,299 12,340 15,984 19,812 22,362 24,736 27,688 29,819
14 4,075 4,660 5,629 6,571 7,790 10,165 13,339 17,117 21,064 23,685 26,119 29,141 31,319
15 4,601 5,229 6,262 7,261 8,547 11,037 14,339 18,245 22,307 24,996 27,488 30,578 32,801
16 5,142 5,812 6,908 7,962 9,312 11,912 15,339 19,369 23,542 26,296 28,845 32,000 34,267
17 5,697 6,408 7,564 8,672 10,085 12,792 16,338 20,489 24,769 27,587 30,191 33,409 35,718
18 6,265 7,015 8,231 9,390 10,865 13,675 17,338 21,605 25,989 28,869 31,526 34,805 37,156
19 6,844 7,633 8,907 10,117 11,651 14,562 18,338 22,718 27,204 30,144 32,852 36,191 38,582
20 7,434 8,260 9,591 10,851 12,443 15,452 19,337 23,828 28,412 31,410 34,170 37,566 39,997
21 8,034 8,897 10,283 11,591 13,240 16,344 20,337 24,935 29,615 32,671 35,479 38,932 41,401
22 8,643 9,542 10,982 12,338 14,041 17,240 21,337 26,039 30,813 33,924 36,781 40,289 42,796
23 9,260 10,196 11,689 13,091 14,848 18,137 22,337 27,141 32,007 35,172 38,076 41,638 44,181
24 9,886 10,856 12,401 13,848 15,659 19,037 23,337 28,241 33,196 36,415 39,364 42,980 45,559
25 10,520 11,524 13,120 14,611 16,473 19,939 24,337 29,339 34,382 37,652 40,646 44,314 46,928
26 11,160 12,198 13,844 15,379 17,292 20,843 25,336 30,435 35,563 38,885 41,923 45,642 48,290
27 11,808 12,879 14,573 16,151 18,114 21,749 26,336 31,528 36,741 40,113 43,195 46,963 49,645
28 12,461 13,565 15,308 16,928 18,939 22,657 27,336 32,620 37,916 41,337 44,461 48,278 50,993
29 13,121 14,256 16,047 17,708 19,768 23,567 28,336 33,711 39,087 42,557 45,722 49,588 52,336
30 13,787 14,953 16,791 18,493 20,599 24,478 29,336 34,800 40,256 43,773 46,979 50,892 53,672
2
Exemplo 01: seja uma distribuição χ com 10 graus de liberdade. Na linha ν = 10 e coluna A = 0,100 encontra-se 15,987.
Trata-se de um teste de comparação entre médias, assim como o teste t, mas com capacidade de
comparação entre duas ou mais médias ao mesmo tempo. Trata-se de um teste mais robusto que o teste t.
Hipóteses:
Ho: Não se comprovou a diferença entre as médias;
Estatística do teste.
n2 = n º _ de _ elementos _ do _ grupo _ 2
nn = nº _ de _ elementos _ do _ grupo _ n
_
x1 = média _ do _ grupoo _ 1
Calcular o valor F
MQE
F=
MQD
Alfa => Nível no qual deseja avaliar os valores críticos para a estatística F. O nível alfa é um nível de
significância relacionado à probabilidade de ocorrência de um erro tipo I (rejeição de hipótese
verdadeira).
Nível de significância => Padrão = 5%
Estatística do teste => Se a distribuição F(MQE/MQD, numerador, denominador) > 5% => Não houve
diferença significativa entre as médias ao nível de significância de 5%, na amostra.
Estatística do teste
Grupo Contagem Média Desvio P
Amostra A 12 50,33333 2,059715
Amostra B 11 51,18182 2,993933
Amostra C 13 49,84615 3,804518
ANOVA
Fonte da variação gl MQ F valor-P F crítico
Entre grupos 2 5,377331002 0,572434 0,569653 3,284924
Dentro dos grupos 33 9,393798121
1 78 88 87 88 83 82 81 80 80 89
2 78 78 83 81 78 81 81 82 76 76
3 79 73 79 75 77 78 80 78 83 84
4 77 69 75 70 74 83 80 75 76 75
02- No livro Planejamento e Análise de Experimentos, 4.' edição (John Wiley & Sons, 1998), D. C. Montgomery descreve um experimento em que um
fabricante está interessado na resistência à tensão de uma fibra sintética. Suspeita-se que a resistência esteja relacionada à percentagem do algodão
na fibra. Cinco níveis de percentagem de algodão são usados e cinco replicatas são corridas em uma ordem aleatória, resultando nos dados a seguir.
% de
Algodão Observações
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
a) A percentagem de algodão afeta a resistência à ruptura do fio? Faça uma análise de variância. Use = 0,05.
03- No artigo "Planejamento Ortogonal para Otimização de Processo e Sua Aplicação a Ataque por Plasma" (Orthogonal Designfor Process
Optimization and Its Application to Plasma Etching), no periódico Solid State Technology, maio de 1987, G. Z. Yin e D. W. Jillie descrevem um
experimento para determinar o efeito da taxa de escoamento de C2F 6 sobre a uniformidade do ataque químico em uma pastilha de silicone usada na
fabricação de um circuito integrado. Três taxas de escoamento são usadas no experimento e a uniformidade (%) resultante, para seis replicatas, é
mostrada a seguir.
Escoamento
de C2F6 Observações
a) A taxa de escoamento de C2F 6 afeta a uniformidade do ataque químico? Faça uma análise de variância. Use = 0,05.
P(x) = Cnx . px . ( 1 – p )n – x
x− µ
A variável reduzida z =
ο
s
µ = x ± t.s x sx =
n
p.(1 − p )
sp = P = p ± z.s p
n
z 2 .s 2
no = n 0 .N
E 20 n=
n0 + N
z 2 . p.(1 − p ) n 0 .N
n0 = n=
E0
2
n0 + N
_ _ _ _ _
LSC = x + A. R LM = x LIC = x − A. R
_ _ _
LSC = D4 . R LM = R LIC = D3 . R
∑ x.∑ y
∑ xy − n
r =
∑ x 2 −
(∑ x ) 2
. ∑ y 2 −
(∑ y ) 2
n
n
∑ x.∑ y
∑ xy −
n _ _
b= y = a + bx
(∑ x) 2 a = y − b. x
∑ x2 −
n
x1 − x 2
(n1 − 1) s12 + (n 2 − 1) s 22 t=
Sa = 1 1
gl Sa +
n1 n 2
n1 ⋅ ( x1 − x ) 2 + n2 ⋅ ( x2 − x ) 2 + n3 ⋅ ( x3 − x ) 2 + ... + nn ⋅ ( xn − x ) 2
MQE =
k−1
k = n.0 de grupos
MQE
F=
MQD
A primeira coluna da tabela contém valores inteiros para o grau de liberdade ν da distribuição.
Os valores numéricos do cabeçalho (primeira linha) indicam as áreas à direita para os valores de x nas colunas
correspondentes.
ν / A 0,995 0,990 0,975 0,950 0,900 0,750 0,500 0,250 0,100 0,050 0,025 0,010 0,005
01 0,000 0,000 0,001 0,004 0,016 0,102 0,455 1,323 2,706 3,841 5,024 6,635 7,879
02 0,010 0,020 0,051 0,103 0,211 0,575 1,386 2,773 4,605 5,991 7,378 9,210 10,597
03 0,072 0,115 0,216 0,352 0,584 1,213 2,366 4,108 6,251 7,815 9,348 11,345 12,838
04 0,207 0,297 0,484 0,711 1,064 1,923 3,357 5,385 7,779 9,488 11,143 13,277 14,860
05 0,412 0,554 0,831 1,145 1,610 2,675 4,351 6,626 9,236 11,071 12,833 15,086 16,750
06 0,676 0,872 1,237 1,635 2,204 3,455 5,348 7,841 10,645 12,592 14,449 16,812 18,548
07 0,989 1,239 1,690 2,167 2,833 4,255 6,346 9,037 12,017 14,067 16,013 18,475 20,278
08 1,344 1,647 2,180 2,733 3,490 5,071 7,344 10,219 13,362 15,507 17,535 20,090 21,955
09 1,735 2,088 2,700 3,325 4,168 5,899 8,343 11,389 14,684 16,919 19,023 21,666 23,589
10 2,156 2,558 3,247 3,940 4,865 6,737 9,342 12,549 15,987 18,307 20,483 23,209 25,188
11 2,603 3,053 3,816 4,575 5,578 7,584 10,341 13,701 17,275 19,675 21,920 24,725 26,757
12 3,074 3,571 4,404 5,226 6,304 8,438 11,340 14,845 18,549 21,026 23,337 26,217 28,300
13 3,565 4,107 5,009 5,892 7,042 9,299 12,340 15,984 19,812 22,362 24,736 27,688 29,819
14 4,075 4,660 5,629 6,571 7,790 10,165 13,339 17,117 21,064 23,685 26,119 29,141 31,319
15 4,601 5,229 6,262 7,261 8,547 11,037 14,339 18,245 22,307 24,996 27,488 30,578 32,801
16 5,142 5,812 6,908 7,962 9,312 11,912 15,339 19,369 23,542 26,296 28,845 32,000 34,267
17 5,697 6,408 7,564 8,672 10,085 12,792 16,338 20,489 24,769 27,587 30,191 33,409 35,718
18 6,265 7,015 8,231 9,390 10,865 13,675 17,338 21,605 25,989 28,869 31,526 34,805 37,156
19 6,844 7,633 8,907 10,117 11,651 14,562 18,338 22,718 27,204 30,144 32,852 36,191 38,582
20 7,434 8,260 9,591 10,851 12,443 15,452 19,337 23,828 28,412 31,410 34,170 37,566 39,997
21 8,034 8,897 10,283 11,591 13,240 16,344 20,337 24,935 29,615 32,671 35,479 38,932 41,401
22 8,643 9,542 10,982 12,338 14,041 17,240 21,337 26,039 30,813 33,924 36,781 40,289 42,796
23 9,260 10,196 11,689 13,091 14,848 18,137 22,337 27,141 32,007 35,172 38,076 41,638 44,181
24 9,886 10,856 12,401 13,848 15,659 19,037 23,337 28,241 33,196 36,415 39,364 42,980 45,559
25 10,520 11,524 13,120 14,611 16,473 19,939 24,337 29,339 34,382 37,652 40,646 44,314 46,928
26 11,160 12,198 13,844 15,379 17,292 20,843 25,336 30,435 35,563 38,885 41,923 45,642 48,290
27 11,808 12,879 14,573 16,151 18,114 21,749 26,336 31,528 36,741 40,113 43,195 46,963 49,645
28 12,461 13,565 15,308 16,928 18,939 22,657 27,336 32,620 37,916 41,337 44,461 48,278 50,993
29 13,121 14,256 16,047 17,708 19,768 23,567 28,336 33,711 39,087 42,557 45,722 49,588 52,336
30 13,787 14,953 16,791 18,493 20,599 24,478 29,336 34,800 40,256 43,773 46,979 50,892 53,672
2
Exemplo 01: seja uma distribuição χ com 10 graus de liberdade. Na linha ν = 10 e coluna A = 0,100 encontra-se 15,987.