Domingues 2005 - Estatística Aplicada As Ciências Militares

ESTATSTICA APLICADA
S CINCIAS MILITARES
Clayton Amaral Domingues
ESTATSTICA APLICADA
S CINCIAS MILITARES
RIO DE JANEIRO
EsAO - 2005
3
2005 Domingues, Clayton Amaral.

Reservados todos os direitos de publicao ao autor
proibida a duplicao ou reproduo deste volume, no todo ou em parte, sob
quaisquer formas ou por quaisquer meios (eletrnico, gravao, fotocpia,
distribuio na Web e outros), sem permisso expressa da EsAO.
Diagramao:
Clayton Amaral Domingues Cap Art
Reviso:
Jos Fernando Chagas Madeira Maj Com
Luiz Eduardo Possdio Santos Cap MB
Clayton Amaral Domingues Cap Art
Dados internacionais de Catalogao-na-Publicao (CIP)

D 671
Domingues, Clayton Amaral.

Estatstica aplicada s Cincias Militares / Clayton,
Amaral Domingues. Rio de Janeiro : ESAO, 2005.
220 p. : il. ; 21 cm.
Bibliografia: p. 219-220.
ISBN
1. Estatstica. I. Domingues, Clayton Amaral. II.
Escola de Aperfeioamento de Oficiais (Brasil) . V.
Ttulo.
CDD 340
Escola de Aperfeioamento de Oficiais

Avenida Duque de Caxias, 2071
Rio de Janeiro/ RJ - CEP 21615-220
Fone (21) 24508500 (R 8075) e-mail:spg@esao.ensino.eb.br
4
SUMRIO
1
A CINCIA ESTATSTICA
11
ESTATSTICA DESCRITIVA
15
2.1
VARIVEIS QUALITATIVAS.......................................................................
2.2
VARIVEIS QUANTITATIVAS.....................................................................
2.3
TCNICAS DE DESCRIO GRFICA........................................................
2.3.1 Descrio Grfica de Variveis Qualitativas.................................................
2.3.2 Descrio Grfica de Variveis Quantitativas Discretas..............................
2.3.3 Descrio Grfica de Variveis Quantitativas Contnuas............................
2.4
CARACTERSTICAS DE UMA DISTRIBUIO DE FREQNCIAS.......
2.4.1 Medidas De Posio..........................................................................................
2.4.1.1 Mdia..................................................................................................................
2.4.1.2 Mediana..............................................................................................................
2.4.1.3 Moda...................................................................................................................
2.4.1.4 Quartis e Percentis..............................................................................................
2.4.2 Medidas de Disperso.......................................................................................
2.4.2.1 A Amplitude Total..............................................................................................
2.4.2.2 A Varincia.........................................................................................................
2.4.2.3 O Desvio-Padro................................................................................................
2.4.2.4 O Coeficiente de Variao..................................................................................
2.4.3 Medidas de Assimetria.....................................................................................
2.4.4 Medidas de Achatamento ou Curtose.............................................................
16
16
17
18
20
23
29
30
30
31
34
35
36
36
36
38
39
40
42
AMOSTRAGEM
45
3.1
AMOSTRAGEM NO ALEATRIA..............................................................
3.1.1 Amostragem Intencional..................................................................................
3.1.2 Amostragem Voluntria..................................................................................
3.2
AMOSTRAGEM ALEATRIA........................................................................
3.2.1 Amostragem Aleatria Simples.......................................................................
3.2.2 Amostragem Sistemtica..................................................................................
3.2.3 Amostragem Estratificada...............................................................................
3.2.4 Amostragem por Conglomerados...................................................................
3.3
FRMULAS PARA A DETERMINAO DO TAMANHO DA
AMOSTRA....................................................................................................................
46
46
46
47
47
47
48
48
49
PROBABILIDADE
53
4.1
4.1.1
4.1.2
4.2
4.2.1
4.2.2
4.2.3
4.3
53
53
54
54
55
56
56
57
MODELOS TERICOS DE PROBABILIDADE
59
5.1
5.1.1
5.1.2
5.1.3
5.2
5.2
5.4
5.4.1
5.4.2
5.4.3
5.5
5.5.1
59
59
60
62
62
63
64
64
65
67
68
68
DEFINIES DE PROBABILIDADE............................................................
Probabilidade Clssica....................................................................................
Probabilidade Freqencialista........................................................................
Probabilidade Personalstica...........................................................................
VARIVEL ALEATRIA................................................................................
DISTRIBUIO DE PROBABILIDADE........................................................
MODELOS TERICOS DISCRETOS DE PROBABILIDADE.....................
Distribuio de Bernoulli.................................................................................
Distribuio Binomial......................................................................................
Distribuio de Poisson....................................................................................
MODELOS TERICOS CONTNUOS DE PROBABILIDADE.....................
Distribuio Normal - Curva Normal.............................................................
ERRO, SIGNIFICNCIA,
ESTATSTICO
6.1
6.2
6.2.1
6.2.2
6.2.3
6.3
6.4
6.5
EXPERIMENTO ALEATRIO........................................................................
Espao Amostral ............................................................................................
Eventos...............................................................................................................
PROBABILIDADE DE SUCESSO DE UM EVENTO....................................
Eventos Complementares................................................................................
Eventos Independentes.....................................................................................
Eventos Mutuamente Exclusivos.....................................................................
EXERCCIOS DE PROBABILIDADE.............................................................
TAMANHO
DO
EFEITO
PODER
HIPTESES ESTATSTICAS...........................................................................
TIPOS DE ERROS ESTATSTICOS.................................................................
Erro Tipo I - Alfa ( ) .......................................................................................
Erro Tipo II - Beta ( ) .....................................................................................
Lgica do teste de significncia.......................................................................
CURVA CARACTERSTICA DE OPERAO (CCO)..................................
SIGNIFICADO OU TAMANHO DO EFEITO.................................................
PODER...............................................................................................................
INFERNCIA ESTATSTICA
73
73
74
75
76
78
80
81
81
85
7.1 ESTIMATIVA POR PONTO............................................................................. 85

7.2 ESTIMATIVA POR INTERVALO................................................................... 85
7.3 INTERVALO DE CONFIANA PARA A MDIA POPULACIONAL
QUANDO A VARINCIA CONHECIDA............................................................... 86
6
7.4 INTERVALO DE CONFIANA PARA A MEDIA POPULACIONAL

QUANDO A VARINCIA DESCONHECIDA.......................................................
7.5 INTERVALO DE CONFIANA PARA A VARINCIA................................
7.6
INTERVALO DE CONFIANA PARA O DESVIO PADRO......................
7.7
INTERVALO DE CONFIANA PARA A PROPORO..............................
94
96
97
TESTES PARAMTRICOS DE HIPTESES
101
8.1
TESTE DE SIGNIFICNCIA PARA MDIAS POPULACIONAIS..............
8.2
TESTE DE SIGNIFICNCIA PARA VARINCIAS POPULACIONAIS.....
8.3
TESTE DE SIGNIFICNCIA PARA A IGUALDADE ENTRE DUAS
VARINCIAS POPULACIONAIS..............................................................................
8.4
TESTE DE SIGNIFICNCIA PARA IGUALDADE ENTRE DUAS
MDIAS POPULACIONAIS (VARINCIAS CONHECIDAS)................................
102
104
90
106
108
8.5
TESTE DE SIGNIFICNCIA PARA IGUALDADE ENTRE DUAS
MDIAS POPULACIONAIS (VARINCIAS DESCONHECIDAS, MAS
ADMITIDAS IGUAIS)................................................................................................. 109
8.6
TESTE DE SIGNIFICNCIA PARA PROPORES POPULACIONAIS.... 111
9
ANLISE DE VARINCIA
115
9. 1 ANOVA SIMPLES (ONE-WAY OU COM NICO FATOR).........................

9.2
ANOVA DUPLA (TWO-WAY OU COM DOIS FATORES)..........................
9.3
ANOVA FATORIAL (EXPERIMENTO COM DOIS FATORES E
REPETIES)...............................................................................................................
9.4
TESTE DE SCHEFF (COMO POST-HOC)....................................................
115
123
10 TESTES NO-PARAMTRICOS PARA 2 GRUPOS
128
134
139
10.1
10.2
TESTE QUI-QUADRADO PARA ADEQUAO DO AJUSTAMENTO..... 139

TESTE QUI-QUADRADO PARA INDEPENDNCIA OU ASSOCIAO.. 142
10.3 TESTE QUI-QUADRADO PARA TABELAS (2 X 2)..................................... 146
10.4
10.5
10.6
10.7
TESTE DA MEDIANA......................................................................................
TESTE DE MANN-WHITNEY.........................................................................
TESTE DOS SINAIS PARA DOIS GRUPOS RELACIONADOS..................
TESTE DE WILCOXON - DOIS GRUPOS RELACIONADOS......................
11 TESTES NO-PARAMTRICOS
INDEPENDENTES
11.1
11.2
11.3
11.4
PARA
OU
MAIS
GRUPOS
TESTE QUI-QUADRADO................................................................................
TESTE DA MEDIANA......................................................................................
TESTE KRUSKAL-WALLIS............................................................................
ANOVA TWO-WAY DE FRIEDMAN POR ORDENAES..........................
148
150
155
157
161
161
161
163
166
12 CORRELAO E REGRESSO
12.1
12.2
12.3
12.4
12.5
12.6
12.7
12.8
COEFICIENTE DE CORRELAO DE PEARSON......................................

CORRELAO E CAUSA...............................................................................
INTERPRETAO DE r ..............................................................................
TRANSFORMAO Z DO r ....................................................................
REGRESSO LINEAR.....................................................................................
LINHA DE MELHOR AJUSTAMENTO E ERRO DE PREDIO...............
CORRELAO PARCIAL...............................................................................
REGRESSO MLTIPLA................................................................................
13 DISTRIBUIES AMOSTRAIS
171
171
174
174
175
176
177
179
180
183
13.3
DISTRIBUIO AMOSTRAL DE X............................................................... 183

DISTRIBUIES AMOSTRAIS DE fi E fri...................................................... 185
DISTRIBUIO AMOSTRAL DE S2 DISTRIBUIES 2...................... 186
13.5
13.6
DISTRIBUIES t DE STUDENT..................................................................
DISTRIBUIES F DE SNEDECOR.............................................................
187
ANEXO A ESTATSTICA DESCRITIVA............................................................
190
ANEXO B COMPARAES ENTRE AMOSTRAS...........................................
191
ANEXO C RELAO ENTRE VARIVEIS......................................................
192
ANEXO D TABELA DE NMEROS ALEATRIOS.........................................
193
ANEXO E REA SUBTENDIDA PELA CURVA NORMAL TABELA Z ...
194
13.1
13.2
188
ANEXO F TABELA PARA O TESTE t................................................................. 195

ANEXO G TABELA PARA TESTE F...................................................................
ANEXO
196
VALORES
CRTICOS
DOS
COEFICIENTES
DE
CORRELAO(TABELA r ) ....................................................................................... 210
ANEXO I TABELA PARA TRANSFORMAO DE r PARA Z.......................
211
ANEXO J DISTRIBUIO QUI-QUADRADO..................................................
212
ANEXO L - TABELA PARA O TESTE MANN-WHITNEY(PEQUENAS

AMOSTRAS) ............................................................................................................... 215
ANEXO M - TABELA W (PEQUENAS AMOSTRAS)..........................................
217
REFERNCIAS...........................................................................................................
219
PREFCIO
Os programas de ps-graduao, conduzidos pelas instituies militares de
ensino superior, exigem a apresentao de trabalho acadmico, dissertao ou tese
como requisito parcial para a obteno dos certificados, diplomas e ttulos
correspondentes. Estes trabalhos so desenvolvidos mediante pesquisa sobre um
tema relevante de determinada rea, obedecendo metodologia prpria para
iniciao cientfica, preceitos da Associao Brasileira de Normas Tcnicas (ABNT)
e regras ortogrficas e gramaticais da lngua portuguesa.
Este manual foi elaborado com a inteno de proporcionar, aos postulantes
dos Programas de Ps-Graduao do Ensino Superior Militar, ferramentas que
viabilizem a execuo do tratamento estatstico das variveis estudadas durante a
realizao dos seus respectivos Trabalhos de Ps-Graduao (TPG).
Neste sentido, so apresentados idias e conceitos relativos Estatstica
Descritiva, Amostragem, Probabilidade e Estatstica Inferencial, construindo
uma base slida para a tomada de decises quanto s hipteses de estudo tratadas
nos TPG.
DOMINGUES, C. A.; MADEIRA, J. F. C.; SANTOS, L. E. P.
10
Captulo 1
A Cincia Estatstica
Podemos considerar a Estatstica como a cincia que se preocupa com a organizao,
descrio, anlise e interpretao dos dados experimentais, visando tomada de decises.
A razo pela qual consideramos a Estatstica uma ferramenta importante para a tomada
de decises est no fato de que ela no deve ser considerada como um fim em si prpria, mas
como um instrumento (ferramenta) fornecedor de informaes que subsidiaro a tomada de
melhores decises, baseadas em fatos e dados. A Estatstica , portanto, uma cincia meio que
tem utilidade em outros variados campos do conhecimento.
Evidentemente, tanto a parte de organizao e descrio dos dados como aquela que
diz respeito a sua anlise e interpretao so importantes. razovel tambm que, para
realizar-se a anlise e interpretao dos dados observados, procede-se primeiramente a sua
organizao e descrio.
Neste contexto, podemos considerar a Cincia Estatstica como dividida basicamente
em duas partes: a Estatstica Descritiva que se preocupa com a organizao e descrio dos
dados experimentais, e a Estatstica Indutiva*(so tambm utilizados as termos Estatstica
Inferencial ou Inferncia Estatstica, ou, ainda, Induo Estatstica), que cuida da anlise e
interpretao dos dados.
A Estatstica Descritiva, na sua funo de organizao e descrio dos dados, tem as
seguintes atribuies:
A obteno dos dados estatsticos feita normalmente atravs de questionrio ou de
observao direta de uma populao ou amostra.
A organizao dos dados consiste na ordenao e crtica quanto correo dos
valores observados, falhas humanas, omisses, abandono de dados duvidosos etc.
A reduo dos dados - o entendimento e a compreenso de grande quantidade de
dados atravs da simples leitura de seus valores individuais uma tarefa extremamente rdua
e difcil mesmo para o mais experimentado pesquisador. A Estatstica Descritiva apresenta
duas formas bsicas para a reduo do nmero de dados com os quais devemos trabalhar,
chamadas varivel discreta e varivel contnua.
A representao dos dados os dados estatsticos podem ser mais facilmente
compreendidos quando apresentados por meio de uma representao grfica, o que permite a
visualizao instantnea dos mesmos.
A obteno de algumas informaes que auxiliam a descrio do fenmeno
observado (mdias, propores, tendncias, ndices, taxas, coeficientes) que facilitam a
11
descrio dos fenmenos observados.

Para darmos prosseguimento a apresentao da Estatstica Descritiva, tratada mais
detalhadamente no captulo 2, interessante que se entenda dois conceitos:
Dados brutos - uma seqncia de valores numricos no organizados, obtidos
diretamente da observao de um fenmeno coletivo; e
Rol - uma seqncia ordenada de dados brutos.
Uma vez que o conceito usual do que seja a Estatstica se relaciona, em geral, com o
que chamaremos de Estatstica Descritiva, queremos deixar bem claro desde j qual a
finalidade da Estatstica Indutiva. Para tanto, dois conceitos fundamentais devem ser
apresentados: o de populao ou universo e o de amostra.
Uma populao ou universo, no sentido geral, um conjunto de elementos com pelo
menos uma caracterstica comum. Essa caracterstica comum deve delimitar inequivocamente
quais os elementos que pertencem populao e quais os que no pertencem.
Assim, por exemplo, podemos estar interessados em realizar uma pesquisa sobre a
idade dos militares do Comando Militar do Leste. Logo, a populao fsica que nos interessa
examinar aquela constituda pela totalidade dos militares existentes no Comando Militar do
Leste. Isso parece extremamente simples, mas na verdade ainda no temos exatamente
caracterizada a populao que nos interessa. Ser ela constituda apenas por aqueles que, no
momento atual, esto na ativa? Ou deveremos incluir tambm os que j esto na reserva?
Alm de tudo, temos tambm o problema de definir a caracterstica comum que distingue
perfeitamente cada um dos elementos da populao que realmente nos interessa pesquisar (do
Efetivo Profissional ou tambm deveramos incluir os do Efetivo Varivel?).
Uma vez perfeitamente caracterizada a populao, o passo seguinte o levantamento
de dados acerca da caracterstica (ou caractersticas) de interesse no estudo em questo.
Grande parte das vezes, porm, no conveniente, ou mesmo nem possvel, realizar o
levantamento dos dados referentes a todos os elementos da populao. Devemos ento limitar
nossas observaes a uma parte da populao, isto , a uma amostra proveniente dessa
populao.
Uma amostra , pois, um subconjunto necessariamente finito de uma populao, pois
todos os seus elementos sero examinados para efeito da realizao do estudo estatstico
desejado.
O objetivo da Estatstica Indutiva tirar concluses sobre populaes com base nos
resultados observados em amostras extradas dessas populaes. O prprio termo "indutiva"
decorre da existncia de um processo de induo, isto , um processo de raciocnio em que,
partindo-se do conhecimento de uma parte, procura-se tirar concluses sobre a realidade, no
todo (o oposto ocorre nos processos de deduo, em que, partindo-se do conhecimento do
todo, conclumos exatamente sobre o que deve ocorrer em uma parte) .
fcil perceber que um processo de induo no pode ser exato. Ao induzir, portanto,
estamos sempre sujeitos a erro. A Estatstica Indutiva, entretanto, ir nos dizer at que ponto
poderemos estar errando em nossas indues e com que probabilidade. Esse fato
12
fundamental para que uma induo (ou inferncia) possa ser considerada estatstica, e faz
parte dos objetivos da Estatstica Indutiva.
intuitivo que, quanto maior a amostra, mais precisas e mais confiveis devero ser as
indues realizadas sobre a populao. Levando esse raciocnio ao extremo, concluiramos
que os resultados mais perfeitos seriam obtidos pelo exame completo de toda a populao, ao
qual se denomina censo ou recenseamento.
Ocorre, em realidade, que diversas razes levam, em geral, necessidade de recorrerse apenas aos elementos de uma amostra. Entre elas, podemos citar o custo do levantamento
de dados e o tempo necessrio para realiz-lo, especialmente se a populao for muito grande,
ou, ento, podemos no ter acesso fcil ou possvel a todos os elementos da populao, etc.
Um outro problema que surge paralelamente o de amostragem. claro que, se
nossas concluses referentes populao iro basear-se no resultado de amostras, certos
cuidados bsicos devem ser tomados no processo de obteno dessas amostras, ou seja, no
processo de amostragem. Muitas vezes, erros grosseiros e concluses falsas ocorrem devido a
falhas na amostragem. Esse problema ser tratado com maior destaque no Cap. 3.
Em resumo, um estudo estatstico completo, que recorra s tcnicas da Estatstica
Indutiva, ir envolver tambm, direta ou indiretamente, tpicos de Estatstica Descritiva,
Clculo de Probabilidades e Amostragem.
Assim, para se desenvolver um curso razovel de Estatstica, todos esses assuntos
devem ser abordados em maior ou menor grau, dentro de uma seqncia, conforme indicado
no diagrama da Fig. 1.
Amostragem
Estatstica
Descritiva
Clculo de
Probabilidades
Estatstica
Indutiva
Figura 1 - Esquema geral de um curso de Estatstica.
Os ANEXOS A, B e C, indicam as anlises inferenciais adequadas para as diversas

situaes de pesquisa, porm, no descrevem os procedimentos a serem adotados em cada
situao particular. Isso ocorre devido ao fato de que a deciso final depende no somente das
restries matemticas, mas tambm dos objetivos do estudo e da prpria natureza dos
achados que sero produzidos. Contudo, importante ter em mente que as tabulaes
apresentadas constituem um mapa de referncia para auxiliar o pesquisador na escolha do
procedimento mais adequado para cada situao de pesquisa.
13
14
Captulo 2
Estatstica Descritiva
A Estatstica trabalha com informaes referentes ao conjuntos de elementos
observados. Nos problemas de Estatstica Indutiva, esses elementos constituem uma amostra
retirada da populao que se deseja estudar. Em muitos casos, entretanto, o conjunto
observado pode constituir a populao inteira.
Para iniciarmos o tratamento dos dados preciso antes que se tenha(m) bem
definida(s) qual(is) a(s) caracterstica(s) de interesse que dever(o) ser verificada(s). Ou seja,
no iremos trabalhar estatisticamente com os elementos existentes, mas com alguma(s)
caracterstica(s) desses elementos que seja(m) fundamental(is) ao nosso estudo.
Por exemplo, o conjunto de elementos a ser estudado pode ser a populao de uma
Brigada. Este o conjunto dos elementos, fisicamente definido e considerado. claro que no
iremos nem poderemos fazer qualquer tratamento matemtico com os militares que formam
esse conjunto. preciso definir qual(is) caracterstica(s) desses militares nos interessa(m)
averiguar. Essa caracterstica poder ser, digamos, a idade dos militares. A idade uma
varivel cujos valores (dados numericamente organizados em alguma escala de unidade),
dependero dos elementos considerados. Ou seja, se houver n elementos fisicamente
considerados no estudo, esses elementos fornecero n valores da varivel idade, os quais
sero ento tratados convenientemente pela Estatstica Descritiva.
No presente captulo, vamos apenas tratar do caso de variveis unidimensionais, ou
seja, quando apenas uma caracterstica de interesse est associada a cada elemento do
conjunto examinado. Esta caracterstica poder ser qualitativa ou quantitativa. Teremos,
portanto, variveis qualitativas ou quantitativas, como nos exemplos que seguem no Quad.
1.
TIPO
NOMINAL
CARACTERSTICA
VARIVEL
DADO
Sexo
M,F.
(QUALITATIVA)
grupo sangneo
A, B, AB,O.
Categorias ordenadas
grau de dor,
ORDINAL
I, F, M, S, A.
(QUALITATIVA)
escores em geral
E, MB, B, R, I.
Espectro
ordenado
com
Flexes
de
brao
INTERVALAR
0a+
intervalos quantificveis
(QUANTITATIVA)
Peso
0a+
Espectro ordenado com Fora
RAZO
- <0< +
intervalos quantificveis
(QUANTITATIVA)
Acelerao
- <0< +
(2) Duas categorias: dicotmica ou binria; Trs ou mais categorias: polinomial.
(3) Podem ser contnuas ou discretas. Diferena entre intervalar e razo est na presena
do zero absoluto (razo), mas o tratamento estatstico o mesmo.
Categorias no ordenadas
Quadro 1 - Variveis e seus nveis de medidas.
15
2.1 VARIVEIS QUALITATIVAS

A varivel ser qualitativa quando resultar de uma classificao por tipo ou atributo.
EXEMPLO 2.1.1: Variveis qualitativas:
a) Populao: militares de uma Brigada.
Varivel: cor dos olhos (pretos, castanhos, azuis, verdes).
b) Populao: peas produzidas por uma mquina.
Varivel: qualidade (perfeita ou defeituosa).
c) Populao: bitos em um Hospital de Guarnio, nos ltimos cinco anos.
Varivel: causa mortis (molstias cardiovasculares, cnceres, molstias do
aparelho digestivo, etc).
d) Populao: candidatos a um exame para o Quadro Complementar de Oficiais.
Varivel: sexo (masculino ou feminino).
2.2 VARIVEIS QUANTITATIVAS
A varivel ser quantitativa quando seus valores puderem ser expressos em nmeros.
As variveis quantitativas podem ser subdividas em quantitativas discretas e quantitativas
contnuas. Essa classificao corresponde aos conceitos matemticos de discreto e contnuo.
Assim, uma varivel contnua ser aquela que, teoricamente, pode assumir qualquer valor
num certo intervalo razovel de variao. A varivel discreta, ao contrrio, pode assumir
apenas valores pertencentes a um conjunto enumervel.
EXEMPLOS 2.2.1: Variveis quantitativas discretas:
a) Populao: casais residentes na Vila Militar.
Varivel: nmero de filhos (1,2,3,...).
b) Populao: as jogadas possveis com um dado.
Varivel: o ponto obtido em cada jogada (1,2,3,4,5,6).
c) Populao: munies produzidas em uma linha de montagem.
Varivel: nmero de defeitos por unidade (1,2,3,...).
Essas variveis so todas discretas, pois seus possveis valores so apenas nmeros
inteiros no-negativos, havendo, ainda, no caso (b), a restrio de estarem compreendidos
entre 1 e 6.
EXEMPLO 2.2.2: Variveis quantitativas contnuas:
a) Populao: militares residentes na Vila Militar.
Varivel: idade (18, 18,5, 19,3333, ...).
b) Populao: carga transportada por uma viatura.
Varivel: peso lquido (3/4ton, 1ton, 1,5ton, 5ton,....).
c) Populao: peas produzidas por uma mquina.
Varivel: dimetro externo (5mm, 3cm, 1,5m, ...).
d) Populao: salrios dos militares.
Varivel: descontos em contracheque (R$ 333,33, R$ 1.005,39, R$ 1234,56, ...).
16
Pelos exemplos apresentados, podemos perceber que os valores das variveis discretas
so obtidos mediante alguma forma de contagem, ao passo que os valores das variveis
contnuas resultam, em geral, de uma medio, sendo freqentemente dados em alguma
unidade de medida.
Outra diferena entre os dois tipos de variveis quantitativas est na interpretao de
seus valores. Assim, a interpretao de um valor de uma varivel discreta dada exatamente
por esse mesmo valor. Quando dizemos que um casal tem dois filhos, isso significa que o
casal tem exatamente dois filhos.
A interpretao de um valor de uma varivel contnua, ao contrrio, a de que se trata
de um valor aproximado. Isso decorre do fato de no existirem instrumentos de medida
capazes de oferecer preciso absoluta, e, mesmo que existissem, no haveria interesse nem
sentido em se querer determinar uma grandeza contnua com todas as suas casas decimais.
Assim, ao executarmos a medio de algum valor de uma varivel contnua, estamos sempre
fazendo uma aproximao, resulta que qualquer valor apresentado de uma varivel contnua
dever ser interpretado como uma aproximao compatvel com o nvel de preciso e com o
critrio utilizado ao medir.
EXEMPLO 2.2.3: Se o dimetro externo de uma munio for dado por 7,62 mm,
deveremos considerar que o valor exato desse dimetro ser algum valor entre 7,615 e 7,625
mm, que foi aproximado para 7,62 mm devido ao fato de a preciso adotada na medida ser
apenas de centsimos de milmetros.
Uma conveno til adotada no presente texto a de ser a preciso da medida
indicada automaticamente pelo nmero de casas decimais com que se escrevem os valores da
varivel. Assim, um valor 7,60 indica que a varivel em questo foi medida com a preciso de
centsimos, no sendo exatamente o mesmo que 7,6, valor correspondente a uma preciso de
dcimos.
Aps observar as diferenas mencionadas entre as variveis quantitativas discretas e
contnuas, o leitor poder ficar surpreso ao verificar que as tcnicas da Estatstica Descritiva
sero praticamente idnticas em ambos os casos. Isso se deve, no entanto, ao fato de,
formalmente, os dados referentes a variveis discretas ou contnuas serem anlogos, pois os
valores da varivel contnua sero sempre apresentados dentro de um certo grau de
aproximao. Assim, apenas na interpretao e descrio grfica dos resultados que haver
diferenas a serem consideradas, conforme veremos,
A Estatstica Descritiva pode descrever os dados por meios de grficos, distribuies
de freqncia ou medidas associadas a essas distribuies, conforme veremos a seguir.
2.3 TCNICAS DE DESCRIO GRFICA
O primeiro passo para se descrever graficamente um conjunto de dados observados
verificar as freqncias (quantas vezes o valor aparece na srie) dos diversos valores
existentes da varivel.
Definimos a freqncia de um dado valor de uma varivel (qualitativa ou quantitativa)
como o nmero de vezes que esse valor foi observado. Denotaremos a freqncia do i-simo
valor observado por fi, sendo n o nmero total de elementos observados, verifica-se
17
imediatamente que o somatrio de todas as freqncias individuais igual ao nmero de

observaes:
fi = n
A associao das respectivas freqncias a todos os diferentes valores observados
define a distribuio de freqncias. Alternativamente, poderemos usar as freqncias
relativas.
Definimos a freqncia relativa (ou proporo) de um dado valor de uma varivel
(qualitativa ou quantitativa), como o quociente de sua freqncia pelo nmero total de
elementos observados. Ou seja, denotando por fri a freqncia relativa ou proporo do isimo elemento observado, temos:
fri =
fi
n
Onde:
fri = 1 = 100/100 = 100%
EXEMPLO 2.3.1: Se de 50 alunos (n) de um curso de ps-graduao 20 (fi) alunos
terminarem o curso com meno MB, poderemos dizer que: fri = 20/50 = .40 (freqncia
relativa) ou 40,00% (percentagem), ou seja, 40,00% dos alunos terminaram o curso com
meno MB
2.3.1 Descrio Grfica de Variveis Qualitativas
No caso de variveis qualitativas, a descrio grfica muito simples, bastando
computar as freqncias individuais ou freqncias relativas das diversas classificaes
existentes, elaborando, a seguir, um grfico conveniente. Esse grfico poder ser um diagrama
de barras, um diagrama circular ou outro qualquer tipo de diagrama equivalente.
EXEMPLO 2.3.2: Um grupo de 135 candidatos a vagas em um curso de psgraduao do Centro de Estudos de Pessoal, classificados segundo sua formao especfica de
graduao (arma/quadro/servio), conforme a Tab. 1. As duas colunas referentes ao nmero
de militares contm, respectivamente as freqncias individuais (fi), as freqncias relativas (fri), e
as porcentagens (%) em que a formao acadmica se distribui entre esses candidatos.
Tabela 1 - Formao especfica de militares por graduao.

Formao
Infantaria
Cavalaria
Artilharia
Engenharia
Outros
Total
Nmero de militares
fi
fri
38
.2815
30
.2222
35
.2593
15
.1111
17
.1259
135
1.000
%
28,15
22,22
25,93
11,11
12,59
100,0%
A varivel qualitativa considerada no presente exemplo dada pela formao do candidato, e

as freqncias apresentadas formam uma distribuio de freqncias.
18
CANDIDATOS POR GRADUAO A UM CURSO DE PS-GRADUAO DO CEP
FORMAO ACADMICA
Infantaria
38
Cavalaria
30
Artilharia
35
Engenharia
15
Outros
17
10
15
20
25
30
35
40
CANDIDATOS
Figura 2 - Diagrama de barras da formao especfica de militares por graduao.
Esses dados podem ser graficamente representados de diversas formas.Na Fig. 2 eles
esto representados por meio de um diagrama de barras e, na Fig. 3, por um diagrama
circular. A vantagem da representao grfica est em possibilitar uma rpida impresso
visual de como se distribuem as freqncias ou as freqncias relativas no conjunto de
elementos examinados.
CANDIDATOS POR GRADUAO A UM CURSO
DE PS-GRADUAO DO CEP
Outros
12,6%
Engenharia
11,1%
Cavalaria
22,2%
Infantaria
28,1%
Artilharia
25,9%
Figura 3 - Diagrama circular da formao especfica de militares por graduao.
Entretanto deve-se mencionar ainda a possibilidade de se considerarem distribuies

segundo outros critrios que no propriamente a freqncia individual ou a freqncia relativa
das observaes.
EXEMPLO 2.3.3: Tomemos as superfcies das cinco regies geogrficas que
compem o Brasil, apresentadas na Tab. 2 conforme dados do Instituto Brasileiro de
19
Geografia e Estatstica (IBGE).

Tabela 2 - Regies geogrficas do Brasil.
Superfcie (km2)
Norte
3.869.637,9
45,30
Centro-oeste
1.612.077,2
18,90
Nordeste
1.561.177,8
18,30
Sudeste
927.286,2
10,80
Sul
577.214,0
6,70
Regio
Total
8.547.393,1
100,00
Calculando-se as porcentagens correspondentes, pode-se construir o diagrama circular

apresentado na Fig. 4.
REA TERRITORIAL NACIONAL CORRESPONDENTE A CADA REGIO DO BRASIL
10,80%
6,70%
45,30%
Norte
Centro-oeste
Nordeste
Sudeste
18,30%
Sul
18,90%
Figura 4 - Diagrama circular da rea territorial nacional percentuais por regies.
2.3.2 Descrio Grfica de Variveis Quantitativas Discretas

No caso das variveis quantitativas discretas, a representao grfica ser tambm,
normalmente, feita por meio de um diagrama de barras. A diferena em relao ao caso
anterior est em que, sendo a varivel quantitativa, seus valores numricos podem ser
representados num eixo de abscissas, o que facilita a representao. Note-se que, aqui, existe
uma enumerao natural dos valores da varivel, o que no havia no caso das variveis
qualitativas.
A construo do diagrama de barras feita, desde que se disponha da tabela de
freqncias. Esta, por sua vez, pode ser facilmente construda se conhecemos todos os valores
da varivel no conjunto de dados. As barras do diagrama podem ser verticais ou horizontais
conforme a disposio das variveis nos eixos cartesianos.
EXEMPLO 2.3.4: Vamos, a titulo de exemplo, representar graficamente o conjunto
dado a seguir, constitudo hipoteticamente por vinte valores da varivel nmero de erros de
decriptografia obtidos a partir de mensagens recebidas em um centro de mensagens. Sejam
os seguintes os valores obtidos:
20
Usando xi para designar os diferentes valores da varivel, podemos construir a

distribuio de freqncias dada na Tab. 3.
Tabela 3 - Distribuio de freqncias de erros de decriptografia por mensagem.
xi
fi
1
fi=
20
Por meio das fi elaboramos o diagrama de barras correspondente, dado pela Fig. 5.
ERROS DE DECRIPTOGRAFIA AVALIADAS 20 MENSAGENS

No
7
6
5
4
5
4
2
1
0
0
NMERO DE ERROS
Figura 5 - Diagrama de barras para freqncias de erros de decriptografia por mensagem.
EXEMPLO 2.3.5: Caso o interesse fosse pela representao grfica das

freqncias relativas da Tab. 3 poderamos represent-la conforme a Tab. 4, a partir da qual
elaboraramos o diagrama de barras correspondente, dado pela Fig. 6.
21
Tabela 4 - Distribuio fri dos erros de decriptografia por mensagem.

xi
fi
fri
.200
.350
.250
.100
.050
.050
fi= 20
fri= 1
Por meio das fri elaboramos o diagrama de barras correspondente, dado pela Fig. 6.
ERROS DE CRIPTOGRAFIA POR MENSAGEM

40,0%
35,0%
30,0%
20,0%
25,0%
20,0%
10,0%
10,0%
5,0%
5,0%
0,0%
0
NMERO DE ERROS
Figura 6 - Diagrama de barras para freqncias relativas de decriptografia por mensagem.
O diagrama de barras, conforme j mencionamos, mostra a distribuio das

freqncias no conjunto de dados.
Tratando-se de variveis quantitativas, uma outra forma de representao grfica
baseada nas freqncias acumuladas (Fi). A freqncia acumulada, em qualquer ponto do
eixo das abscissas, definida como a soma das freqncias de todos os valores menores ou
iguais ao valor correspondente a esse ponto. Analogamente, teramos as freqncias relativas
acumuladas (Fri).
Fi=
fi
Fri=
fri
EXEMPLO 2.3.6: Voltando ao EXEMPLO 2.3.5 pode-se verificar que as

freqncias acumuladas (Fi) e as freqncias relativas acumuladas (Fri), correspondentes aos
valores notveis da varivel, so as dadas na Tab. 5.
22
Tabela 5 - Distribuio Fi e Fri dos erros de decriptografia por mensagem.

xi
fi
Fi
fri
Fri
.200
.200
11
.350
.550
16
.250
.800
18
.100
.900
19
.500
.950
20
.500
1.000
20
A partir da Tab. 5 pode-se construir o grfico das freqncias acumuladas (Fig. 7) e

o grfico das freqncias relativas acumuladas, (Fig. 8).
Fi

F ri
25
18
20
19
20
95,0%
100,0%
55,0%
60,0%
11
10
5
90,0%
80,0%
80,0%
16
15
100,0%
40,0%
4
20,0%
20,0%
0,0%
NMERO DE ERROS
Figura 7 - Freqncias acumuladas dos erros de

decriptografia em 20 mensagens.
NMERO DE ERROS
Figura 8 - Freqncias relativas acumuladas dos

erros de decriptografia em 20 mensagens.
De acordo com a Fig. 7 pode-se identificar que 4 mensagens no contm erro de

decriptografia, 11 mensagens contm at um erro de decriptografia, 16 mensagens contm at
2 erros de decriptografia, e assim por diante.
Da mesma forma, de acordo com a Fig. 8 pode-se identificar que apenas 20,00% das
mensagens no contm erro de decriptografia, 55,00% das mensagens contm at um erro de
decriptografia, 90,00% das mensagens contm at 3 erros de decriptografia, e assim por
diante.
2.3.3 Descrio Grfica de Variveis Quantitativas Contnuas
No caso das variveis quantitativas contnuas, o procedimento at a obteno da tabela
de freqncias pode ser anlogo ao visto no caso anterior. Entretanto o diagrama de barras
no mais se presta correta representao da distribuio de freqncias, devido natureza
contnua da varivel.
EXEMPLO 2.3.7: Tomemos uma amostra constituda por 25 valores da varivel
dimetro (mm) de peas produzidas por uma mquina:
23
21,5
21,7
21,3
21,4
21,6
21,5
21,8
21,4
21,7
21,5
21,2
21,4
21,6
21,7
21,4
21,5
21,4
21,9
21,5
21,6
21,6
21,3
21,9
21,5
21,5
A Tab. 6 apresenta esses mesmos dados organizados por freqncias.

Tabela 6 - fi, fri, Fi e Fri do dimetro de peas produzidas por uma mquina.
Classe (i)
Medida (xi)
fi
Fi
fri
Fri
21,15
21,25
21,2
10
10
.040
.040
21,25
21,35
21,3
23
33
.092
.132
21,35
21,45
21,4
47
80
.188
.320
21,45
21,55
21,5
70
150
.280
.600
21,55
21,65
21,6
38
188
.152
.752
21,65
21,75
21,7
32
220
.128
.880
21,75
21,85
21,8
12
232
.048
.928
21,85
21,95
21,9
18
250
.072
1.000
250
1,00
Ao passarmos representao grfica, porm, devemos lembrar a correta interpretao

dos valores das variveis contnuas. Assim, por exemplo, sabemos que a freqncia 5
associada ao valor 21,4 significa, na verdade, que temos cinco valores compreendidos entre os
limites 21,35 e 21,45, que foram aproximados, no processo de medio, para 21,4. Logo, uma
representao grfica correta dever associar a freqncia 5 ao intervalo 21 ,35 2 1,45.
Isso se faz por meio de uma figura formada com retngulos cujas reas representam as
freqncias dos diversos intervalos existentes. Tal figura chama-se histograma e
apresentada na Fig. 9.
DIMETRO DE PEAS PRODUZIDAS POR UMA MQUINA
fi 80
70
60
50
40
30
20
10
0
21,15
21,25
21,35
21,45
21,55
21,65
21,65
21,85
21,95
mm
Figura 9 - Histograma das medidas do dimetro de peas produzidas por uma mquina
(representao pelas classes).
24
Vemos que, no caso das variveis contnuas, as freqncias sero, na verdade,

associadas a intervalos de variao da varivel e no a valores individuais. A tais intervalos
chamaremos classes de freqncias. As classes de freqncias so comumente representadas
pelos seus pontos mdios, conforme a Fig. 10.
fi 80
70
60
50
40
30
20
10
0
21,2
21,3
21,4
21,5
21,6
21,7
21,8
21,9
mm
Figura 10 - Histograma das medidas do dimetro de peas produzidas por uma mquina
(representao pelos pontos mdios das classes).
Uma outra representao grfica que, como o histograma, pode ser feita no caso de
variveis contnuas dada pelo polgono de freqncias, que se obtm unindo-se os pontos
mdios dos patamares. Para completar a figura, consideram-se duas classes laterais com
freqncia nula.
Uma exceo bastante comum a essa regra aparece no caso de variveis
essencialmente positivas cujo histograma se inicia no valor zero, pois no haveria sentido em
se considerar um intervalo com valores negativos. Na Fig. 11 temos o polgono de
freqncias correspondente ao histograma da Fig. 10.
fi 80
70
60
50
40
30
20
10
0
21,2
21,3
21,4
21,5
21,6
21,7
21,8
21,9
mm
Figura 11 - Polgono de freqncias das medidas do dimetro de peas produzidas por uma mquina.
25
Pode-se ainda construir o polgono de freqncias acumuladas, traado a partir dos

valores das Fi ou Fri, que so atribudas ao limite superior das mesmas, conforme
apresentados nas Fig.12a e Fig. 12b, baseadas nos dados da Tab. 6.
Fi
Fri
275
250
225
200
175
150
125
100
75
50
25
0
1,1
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
21,15 21,25 21,35 21,45 21,55 21,65 21,75 21,85 21,95
21,15 21,25 21,35 21,45 21,55 21,65 21,75 21,85 21,95
mm
Figura 12a - Ogiva de Galton (Fi) dos dimetros de

peas produzidas por uma mquina.
mm
Figura 12b - Ogiva de Galton (Fri) dos dimetros

de peas produzidas por uma mquina.
Caso uma pea, para ser aprovada, no pudesse medir menos que 21,65mm, por meio
da Ogiva de Galton Fi (Fig. 12a) podemos notar que 188 peas estariam fora das
especificaes.Se as peas produzidas no pudessem medir 21,55mm ou mais, por meio da
Ogiva de Galton Fri (Fig. 12b) possvel notar que 60,00% das peas estariam aprovadas.
No exemplo anterior vimos que, no caso das variveis contnuas, a considerao de
classes de freqncias fundamental para a correta representao grfica. Naquele exemplo
as classes consideradas tinham por pontos mdios os prprios valores originais do conjunto de
dados disponveis, o que foi suficiente para a obteno de uma representao grfica
satisfatria.
Muitas vezes, entretanto, uma representao satisfatria dos dados somente
conseguida pelo seu agrupamento em classes de freqncias que englobam diversos valores
da varivel. A freqncia de cada classe ser, nesse caso, igual soma das freqncias de
todos os valores existentes dentro da classe (esse procedimento tambm pode ser aplicado no
caso de variveis discretas, a fim de se obter uma representao mais conveniente).
O procedimento descrito corresponde a uma diminuio proposital da preciso com
que os dados foram computados. Ou seja, propositalmente deixamos de lado uma parcela da
informao contida nos dados originais, tendo em vista obter uma representao mais
adequada.
O problema prtico a resolver, em tais casos, o de determinar qual o nmero de
classes a constituir, qual o tamanho ou amplitude dessas classes e quais os seus limites.
Usaremos a seguinte notao:
n:
k:
AT:
Lmax:
26
nmero total de dados disponveis;

nmero de classes;
amplitude total da distribuio de freqncia (Lmax lmin);
maior valor da distribuio de freqncias;
lmin:
h:
Li:
li :
menor valor da distribuio de freqncias;

amplitude do intervalo de classes, diferena entre os limites (Li li)
limite mximo da classe (normalmente aparente);
limite mnimo da classe (valor real);
A questo do nmero de classes teoricamente controvertida. Diversos autores

apresentam solues diferentes. Entretanto, com um pouco de bom-senso e experincia,
chega-se sem grande dificuldade a valores satisfatrios para k, h, e para os limites das classes.
Procedimento para determinao de k e h
(1) Para definio do nmero de classes adotaremos a frmula proposta por Sturges.
k = 1+3,3 . log n
(2) Definio da a amplitude total
AT = Lmax lmin
(3) Definio da amplitude de classe por meio de k e da AT
h=
AT
k
A amplitude das classes no dever ser fracionria em relao preciso com que os
dados so apresentados, pois isso impossibilitaria uma correta subdiviso em classes.
Notemos tambm que os limites das classes so, muitas vezes, apresentados sob
formas que no correspondem ao significado real dos valores contidos na classe.Dizemos,
ento, que temos limites aparentes. Em tais casos, pode ser conveniente a determinao dos
limites reais das classes.
EXEMPLO 2.3.8: Tomemos o conjunto de valores a seguir, relativos ao nmero de
repeties do exerccio remador executado por n = 50 soldados, apresentados em forma de
ROL (dados brutos obtidos, organizados em ordem crescente ou decrescente) abaixo:
ROL do nmero de repeties do exerccio remador
41
50
53
55
61
43
50
53
55
62
44
50
54
55
62
46
51
54
56
63
46
51
54
56
64
48
51
54
57
64
48
51
54
57
65
48
53
54
58
67
49
53
55
59
68
49
53
55
61
71
fcil verificar que a distribuio de freqncias diretamente obtida a partir desses

dados seria dada por uma tabela razoavelmente extensa. A representao grfica dessa
distribuio, apresentada na Fig. 13 deixa de ser conveniente para esses dados.
27
RESULTADO OBTIDO POR 50 SOLDADOS NO

EXERCCIO REMADOR
Nr
7
6
5
4
3
2
1
0
41 43 44 46 48 49 50 51 53 54 55 56 57 58 59 61 62 63 64 65 67 68 71
Nr de repeties
Figura 13 - Grfico de colunas do resultado obtido por 50 soldados no exerccio remador
(1) Determinando k
k = 1+3,3 . log n
k = 1+3,3 . log 50
k = 1+3,3 . 1,699
k = 6,61 (6 ou 7?)
Para que se acomodem os dados, de acordo com o intervalo de classe mais
conveniente, o valor de k pode ser adequado de acordo com AT.
(2) Determinando AT
AT = Lmax lmin
AT = 71 41
AT = 30
(3) Determinando h (amplitude de classe)
h= AT
k
Para k = 6
h1 =
30
6
h1 = 5
Para k = 7
h2 =
30
7
h2 = 4,29
(4) Concluso
Utilizamos k = 6, pois com 6 classes o intervalo de classes inteiro h1 = 5 o que
facilita a classificao dos dados em suas respectivas classes.
A Tab 7 apresenta os limites das classes e suas respectivas freqncias de trs
maneiras equivalentes. As duas primeiras so formas usualmente empregadas e correspondem
a limites aparentes. A terceira indica os limites reais dessas classes. O importante no haver
dvida quanto a que classe cada elemento pertence.
28
Tabela 7 - Agrupamento em classes de freqncias

do resultado obtido por 50 soldados no exerccio remador.
Classes
Limites aparentes
Primeira notao Segunda notao
40
45
40 44
45
50
45 49
50
55
50 54
55
60
55 59
60
65
60 64
65
70
65 69
70
75
70 74
Limites reais
39,5
44,5
49,5
54,5
59,5
64,5
69,5
44,5
49,5
54,5
59,5
64,5
69,5
74,5
Ponto
mdio
(xi)
42.5
47.5
52.5
57.5
62.5
67.5
70.5
=
fi
3
8
16
12
7
3
1
50
O histograma e o polgono de freqncias, correspondentes ao agrupamento feito, so

dados na Fig. 14 Vemos que essa representao grfica muito mais apropriada do que a
anteriormente obtida.
RESULTADOS DO EXERCCIO REMADOR
Nr
20
15
10
5
0
42.5
47.5
52.5
57.5
62.5
67.5
70.5
Repeties
Figura 14 - Representao grfica dos dados agrupados.
Muitas vezes, o polgono de freqncias obtido sugere o traado de uma curva

contnua.Em outras palavras, se os dados provm de uma amostra, eles esto sugerindo qual
seria, aproximadamente, a distribuio da populao, para a qual poderamos adotar algum
modelo ideal de distribuio. Um modelo freqentemente usado o da Distribuio Normal,
estudada pelo Clculo de Probabilidades conforme apresentado no captulo 3.
2.4 CARACTERSTICAS DE UMA DISTRIBUIO DE FREQNCIAS
Alm da descrio grfica, muitas vezes necessrio sumariar certas caractersticas
das distribuies de freqncias por meio de certas quantidades, que iremos estudar a seguir.
Tais quantidades so usualmente denominadas de medidas da distribuio de freqncias,
por procurarem quantificar alguns de seus aspectos de interesse. Temos assim, as chamadas
medidas de posio, de disperso, de assimetria e de curtose.
As medidas de posio e de disperso so as mais importantes, servindo para localizar
29
as distribuies e caracterizar sua variabilidade, tendo grande aplicao em problemas de

Estatstica Indutiva. As medidas de assimetria e de achatamento ajudam a caracterizar a forma
das distribuies.
2.4.1 Medidas de Posio
As medidas de posio servem para localizar a distribuio de freqncias sobre o
eixo de variao da varivel em questo. As principais medidas de posio so: a mdia, a
mediana, a moda, os quartis e os percentis.
A mdia e a mediana indicam, por critrios diferentes, o centro da distribuio de
freqncias. Por essa razo, costuma-se dizer tambm que so medidas de tendncia central.
A moda indica a regio de maior concentrao de freqncias na distribuio.
Os quartis (Q1, Q2, Q3) dividem o conjunto ordenado de valores em quatro
subconjuntos com igual nmero de elementos (25% dos elementos da seqncia).
Pode haver o interesse em dividir a seqncia de dados em dez partes iguais, para
tanto utilizamos os decis (no abordados neste manual por tratarem-se de um tipo particular
de percentis). Os percentis por sua vez dividem a distribuio de freqncia em cem partes
iguais (note que: D1 = P10; D2 = P20; D3 = P30; D4 = P40; D5 = P50; D6 = P60; D7 = P70; D8 =
P80; e D9 = P90).
2.4.1.1 Mdia ( X )
A mdia de uma distribuio de freqncias o valor obtido quando todos os dados
observados so somados e divididos pelo nmero de observaes.
Normalmente utiliza-se a mdia aritmtica (quando os resultados dispostos em tabela
primitiva ou ROL), ou a mdia ponderada (quando os resultados esto categorizados em uma
tabela de freqncias)
Sendo xi (i = 1,2,...,n) os valores da varivel, a mdia aritmtica pode ser calculada
pela seguinte frmula:
X=
xi
n
EXEMPLO 2.4.1: Utilizando os dados do Rol apresentado no EXEMPLO 2.3.7,

calcular a mdia aritmtica do nmero de abdominais realizadas por 50 soldados.
X=
41 + 43 + 46 + 46 + ...+ 71
50
X= 54,62 =~ 55
Poderamos dizer que "em mdia", os soldados executaram 55 abdominais. Notemos

que X . ni = total de abdominais executadas pelos 50 soldados, ou seja, 2731.
30
Sendo xi (i = 1,2,...,n) os valores mdios de cada intervalo de classe e fi a respectiva

freqncia de observaes, a mdia ponderada pode ser calculada pela seguinte frmula:
X=
Onde:
xi= ponto mdio da classe
fi= freqncia de cada classe
n= nmero de observaes
fi xi
n
Considerando uma distribuio por classes de freqncias, podemos definir sua mdia
como o valor obtido, substituindo os xi pelos pontos mdios das classes e considerando as fi
corno as respectivas freqncias (ou freqncias relativas, se for o caso). A mdia assim
calculada para os dados agrupados em classes dever ser aproximadamente igual mdia
aritmtica exata dos ni dados originais.
EXEMPLO 2.4.2: Para o clculo da mdia ponderada tomemos os resultados de
25 soldados no teste de 12 minutos de corrida contnua, apresentados na Tab 8.
Tabela 8 Teste de 12 minutos de corrida contnua
(xi)
2,2
2,4
2,6
2,8
3,0
3,2
3,4
3,6
-
X=
71,8
25
Resultados em Km
2,1
2,3
2,3
2,5
2,5 2,7
2,7 2,9
2,9 3,1
3,1 3,3
3,3 3,5
3,5 3,7
fi
1
2
5
7
4
3
1
2
25
fixi
2,2
4,8
13,0
19,6
12,0
9,6
3,4
7,2
71,8
X= 2,872
Poderamos dizer que os soldados correram, em mdia, 2,872 Km em 12 minutos.
Dentre as propriedades da mdia, podemos destacar as seguintes:
a. multiplicando-se todos os valores de uma varivel por uma constante, a mdia do
conjunto fica multiplicada por essa constante;
b. somando-se ou subtraindo-se uma constante a todos os valores de uma varivel, a
mdia do conjunto fica acrescida ou diminuda dessa constante.
Utilizando as propriedades citadas, podemos introduzir simplificaes no clculo da
mdia, o que ser particularmente til se os valores xi forem elevados e o clculo precisar ser
31
feito manualmente. Como hoje muito comum dispor-se de calculadoras eletrnicas ou

softwares que realizam esses clculos, no nos preocuparemos com essa questo.
2.4.1.2 Mediana ( Md )
A mediana calculada com base na ordenao das ni observaes que formam o
conjunto de dados, sendo definida como o valor que divide a srie estatstica ao meio, neste
sentido, 50%dos valores sero menores ou iguais, e 50%dos valores sero maiores ou iguais
ao seu valor.
A mediana geometricamente interpretada como ponto tal que uma vertical por ele
traada divide a rea sob o histograma em duas partes iguais.
Para variveis discretas com n impar, a Md igual ao valor de ordem (n + 1)/2
Md=
EXEMPLO 2.4.3:
35
(n + 1)
2
Dados os valores:
36
37
38
40
40
41
43
46
(9 + 1)
2
Md = 5 elemento
Md=
Isto quer dizer que a Md possui o valor de x5 , ou seja, Md = 40.

Notemos que o x5 (40), o valor que divide a srie estatstica ao meio, 50% dos
valores so menores ou iguais a 40, e 50%dos valores sero maiores ou iguais a 40.
Para variveis discretas com n par, a Md igual ao valor mdio entre o de ordem n/2
e o de ordem (n/2) + 1.
n/ 2< Md < (n/ 2) +1
xn/2 + x(n/2) + 1
ou seja
EXEMPLO 2.4.4:
12
14
Dados os valores:
14
15
16
16
17
20
8/ 2< Md < (8/ 2) +1

4< Md < 5
logo:
Isto quer dizer que a Md possui o valor mdio entre o 4 e o 5 elemento da srie,
Md =(15+16)/2
Md =15,5
Notemos que 15,5 o valor que divide a srie estatstica ao meio, muito embora por
vezes no tenha um significado real para a varivel, ele nos d uma noo de posicionamento
dos demais valores.
32
Considerando, agora, uma distribuio em classes de freqncias, podemos calcular

um valor para sua mediana pela expresso:
Md= l +
( p` Fant)
.h
fi
p`=
tal que
fi
Onde:
l:
limite inferior da classe que contm a Md
p`: nmero que define a posio em que se encontra a Md (classe que contm a Md)
fi: nmero de elementos do conjunto de dados
Fant: freqncia acumulada da classe anterior classe que contm a Md
h: amplitude da classe que contm a Md
fi: freqncia da classe que contm a Md
EXEMPLO 2.4.5:
apresentados na Tab. 9.
Tomemos
novamente
os
dados
do
EXEMPLO
2.4.2,

Resultados em Km
2,1
2,3
2,3
2,5
2,5 2,7
Classe que
2,9
contm Md 2,7
2,9 3,1
3,1 3,3
3,3 3,5
3,5 3,7
=
p`=
(xi)
2,2
2,4
2,6
2,8
3,0
3,2
3,4
3,6
-
fi
1
2
5
7
4
3
1
2
25
Fi
1
3
8
15
19
22
23
25
fi
25
+
= 12,5
2
2
Md= l +
Md= 2,7 +
(p` Fant)
.h
f
(12,5 8)
. 0,2
7
Md = 2,829
A mediana pode ser usada como alternativa, em relao mdia, para caracterizar o
centro do conjunto de dados. Em certos casos, efetivamente, seu uso mais conveniente, Por
exemplo, no caso de distribuies de rendas, a mediana , em geral, melhor indicador central
que a mdia, pois no sobre a influncia de valores extremos. Como ilustrao, imaginemos
um conjunto de doze pessoas com as seguintes rendas mensais (R$):
2.500
4,800
2.700
5.000
3,000
5.500
3.200
6.000
3.300
7.000
4.200
80.000
A mdia desses doze valores 10.600, ao passo que a mediana 4.500. Vemos, nesse
caso, que a mediana fornece uma melhor idia do centro da distribuio, pois no foi
33
influenciada pelo valor extremo 80.000. Parece lgico que uma renda mensal de R$ 4.500
mos demais valores.
2.4.1.3 Moda ( Mo )
Definimos moda como o valor de maior freqncia em uma srie estatstica, ou como
o valor que mais se repete em uma distribuio de freqncias.
No caso de distribuies de freqncias em classes de mesma amplitude, comum
definir-se tambm a moda como um ponto pertencente classe modal, dado por:
Mo = l +
1
.h
1+ 2
1 = fmo fant
2 = fmo fpost
tal que
Onde:
l:
limite inferior da classe que contm a Mo;
fmo: freqncia da classe que contm a Mo(classe modal);
fant: freqncia da classe anterior classe que contm a Mo;
fpost: freqncia da classe posterior classe que contm a Mo; e
h: amplitude da classe que contm a Mo.
EXEMPLO 2.4.6: Para o clculo da moda
EXEMPLO 2.4.2: apresentados na Tab. 10.
tomemos, por exemplo, os dados

Resultados em Km
2,1
2,3
2,3
2,5
2,5 2,7
Classe que
2,9
contm Mo 2,7
2,9 3,1
3,1 3,3
3,3 3,5
3,5 3,7
=
(xi)
2,2
2,4
2,6
2,8
3,0
3,2
3,4
3,6
-
fi
1
2
5
7
4
3
1
2
25
Identificada a classe modal:

1 = fmo fant = 7 5 = 2
2 = fmo fpost = 7 4 = 3
Mo = l +
1
.h
1+ 2
Mo = 2,7 +
2
. 0,2
2+ 3
Mo = 2,78
34
Fi
1
3
8
15
19
22
23
25
Relao emprica entre mdia, mediana e moda

A seguinte relao emprica em geral subsiste aproximadamente para os conjuntos de
dados observados:
X Mo = 3( X Md)
Essa expresso pode ser apresentada sob diversas formas e indica geometricamente
que a mediana situa-se entre a mdia e a moda, sendo sua distncia moda o dobro de sua
distncia mdia. Sua verificao na prtica tende a ser mais perfeita quanto maior for o
conjunto dados, e quando a moda for calculada com base em dados agrupados por classes.
2.4.1.4 Quartis (Q) e Percentis (P)
A idia de mediana, como vimos, a de dividir o conjunto ordenado de dados em dois
subconjuntos com igual nmero de elementos. Essa idia pode ser generalizada.
Como dito anteriormente, os quartis (Q1, Q2, Q3), dividem um conjunto ordenado de
valores em quatro subconjuntos com igual nmero de elementos. Sua determinao seria feita
de modo semelhante da mediana. O segundo quartil (Q2), obviamente, a prpria mediana.
Se a mediana divide a distribuio de freqncias ao meio, os quartis dividem a
dividem em 1/4 e 3/4, ou seja:
25% dos valores < Q1 < 75% dos valores
75% dos valores < Q3 < 25% dos valores
12
14
14
Q1 =14
15
16
16
17
20
Q3 =16,5
Md =15,5
Os valores dos quartis tambm podem ser obtidos em distribuies contnuas, de acordo
com a frmula dos percentis (frmula genrica para este tipo de medida de posio):
P= l +
( p` Fant)
.h
fi
tal que
p`=
c . fi
100
Onde:
l:
limite inferior da classe que contm a posio desejada;
p`: posio em que se encontra o percentil (classe que contm a P);
fi: nmero de elementos do conjunto de dados;
Fant: freqncia acumulada da classe anterior classe que contm o P;
h: amplitude da classe que contm o P;
fi: freqncia da classe que contm o P; e
c: valor do percentil que se deseja obter.
Para obtermos o valor que divide uma distribuio de freqncias, sendo que 15% dos
valores sejam menores ou iguais a este valor, ento deveramos calcular P15, logo c=15
Sabemos que Q1 o valor que divide a distribuio de freqncias em 25% e 75%,
ento podemos concluir que o valor de Q1 = P25, logo c=25
Sabemos que Q3 o valor que divide a distribuio de freqncias em 75% e 25%,
ento podemos concluir que o valor de Q3 = P75, logo c=25
35
2.4.2 Medidas de Disperso

As informaes fornecidas pelas medidas de posio podem ser insuficientes para
compararmos e classificarmos as sries estatsticas quanto a sua homogeneidade, disperso ou
afastamento dos dados.
As medidas de disperso surgem como instrumento para indicar o quanto os dados se
apresentam dispersos em torno da regio central (medida de posio), caracterizando,
portanto, o grau de variao existente no conjunto de valores.
As principais medidas de disperso so: a amplitude total, a varincia, o desviopadro e o coeficiente de variao.
2.4.2.1 A Amplitude Total (AT)
A amplitude total, j mencionada no item 2.2.3, definida como a diferena entre o
maior e o menor valores do conjunto de dados:
AT = Lmax lmin
claro que o valor de AT est relacionado com a disperso dos dados. Entretanto, por
depender de apenas dois valores do conjunto de dados, a amplitude total contm relativamente
pouca informao quanto disperso. Salvo aplicaes no controle da qualidade, a amplitude
total no muito utilizada como medida de disperso.
2.4.2.2 A Varincia (S2)
A varincia a mdia dos quadrados das diferenas dos valores em relao sua
prpria mdia, e para dados ordenados em tabelas primitivas ou ROL dada por:
S2 =
(xi X) 2
n-1
Notemos que xi X corresponde ao desvio que cada elemento possui em relao

mdia, e que utilizamos o artifcio matemtico de elevarmos esta diferena ao quadrado [(xi
X) ] , pois caso contrrio o somatrio teria o valor zero [ (xi X)=0], tornando sem sentido a
frmula matemtica.
Analogamente ao clculo da mdia, se os dados constiturem uma distribuio por
classes de freqncias, poderemos calcular sua varincia pela expresso abaixo, onde xi so os
pontos mdios das classes e fi as respectivas freqncias.
(xi X) 2 . fi
n-1
S2 =
EXEMPLO 2.4.7: Calcule a varincia de um conjunto pequeno de dados, formado

pelos 20 valores, conforme o Rol abaixo, e apresentado na Tab. 11:
10
12
36
10
12
10
12
11
13
11
13
11
13
11
13
12
14
12
14
12
14
Tabela 11. Clculo da varincia (s2)

xi
fi
fixi
10
30
-2
12
11
44
-1
12
72
13
52
14
42
12
= 20 240
10
32
xi X (xi X ) (xi X )fi
X= 240/20=12
(xi X) 2fi
n-1
S2 =
S2 = 32
19
S2 = 1,684
Utilizamos o exemplo da Tab.11 para demonstrar que a varincia oriunda dos
desvios de cada elemento (ou ponto mdio de classe), em relao mdia da srie estatstica.
No entanto, esta frmula refere-se ao fato de se estar calculando a varincia de uma
amostra, incluindo-se n 1 como fator de correo, caso se deseje calcular a varincia
populacional ( 2), conhecido N e a mdia populacional deve-se utilizar a frmula abaixo:
(xi ) 2
N
A varincia tem, entre outras, as seguintes propriedades:
2
a. multiplicando-se todos os valores de uma varivel por uma constante, a varincia

do conjunto fica multiplicada pelo quadrado dessa constante;
b. somando-se ou subtraindo-se uma constante a todos os valores de uma varivel a
varincia no se altera.
A importncia de estudarmos a varincia dos dados est no fato da possibilidade de
compararmos distribuies amostrais e populacionais. Neste sentido, quanto maior a
varincia, menor ser a concentrao dos dados em torno da mdia. Por outro lado, quanto
menor a varincia, mais homognia ser a distribuio de freqncias.
A varincia uma medida de disperso extremamente importante na teoria estatstica.
Do ponto de vista prtico, ela tem o inconveniente de se expressar uma unidade quadrtica em
relao da varivel em questo, o que nem sempre faz sentido. Esse inconveniente sanado
com a definio do desvio padro, que a raiz quadrada da varincia .
37
2.4.2.3 O Desvio-Padro (S)

Definiremos o desvio-padro como a raiz quadrada positiva da varincia. Sendo
expresso na mesma unidade da varivel, ele mais realstico para efeito da comparao de
disperses e juntamente com a mdia possibilita uma viso mais consistente a respeito da
homogeneidade da srie estatstica.
O desvio-padro notado da seguinte forma:
(xi X ) 2fi
n 1
s=
EXEMPLO 2.4.8: Uma amostra de 100 projeteis do calibre 7,62mm foram

retirados de uma linha de produo. Calcular o desvio-padro do dimetro das munies
produzidas:
Tabela 12. Clculo do desvio-padro do dimetro de munies
Classes
7,613 7,615
7,615 7,617
7,617 7,619
7,619 7,621
7,621 7,623
7,623 7,625
7,625 7,627
=
xi
7,614
7,616
7,618
7,620
7,622
7,624
7,626
-
fi
1
14
20
30
20
14
1
100
fixi
7,614
106,624
152,360
228,600
152,440
106,736
7,626
762,000
(xi X ) 2fi
0,000036
0,000224
0,000080
0,000000
0,000080
0,000224
0,000036
0,00068
X= 762,000/100=7,62
S=
0,00068
100 1
S = 0,00262
Interpretao do desvio-padro
Aliado mdia, o desvio-padro permite a representao de extensas sries estatsticas
com apenas 2 medidas sntese. Para tal, necessrio que a distribuio de freqncias seja
normal (modelo terico apresentado no Cap 4).
Por ora, tomaremos as seguintes relaes:
X + S contm 68,26% dos dados da srie
X + 2S contm 95,44% dos dados da srie
X + 3S contm 99,74% dos dados da srie
Logo, Aproximadamente 68% das peas produzidas possuem dimetro que varia entre
7,617 e 7,623mm, 95% entre 7,615 e 7,625mm, e 99% entre 7,612 e 7,628mm.
medida que o tamanho da amostra aumentar, a representao grfica da srie
estatstica dimetro dos projeteis produzidos por uma mquina tender a apresentar as
38
caractersticas da Fig. 15.
Figura 15 Interpretao do desvio padro.
2.4.2.4 O Coeficiente de Variao (Cv)

O coeficiente de variao definido como o quociente entre o desvio-padro e a
mdia, sendo freqentemente expresso em porcentagem:
Cv =
S
X
A vantagem desta medida sntese caracterizar a disperso dos dados em termos

relativos a seu valor mdio, permitindo-se comparar sries estatsticas entre si. Quanto maior
for o coeficiente de variao, maior ser a disperso dos dados em relao mdia, e
conseqentemente, menos homognia ser a srie estatstica.
EXEMPLO 2.4.9:
Utilizando os dados do EXEMPLO 2.4.8 temos:

Cv1 =
0,00262
7,62
Cv1 = 0,0003438 ou 0,034%

Supondo que outra mquina avaliada, produzisse peas com dimetro mdio X = 7,62
mm, e desvio-padro S = 0,00462mm:
Cv2 =
0,00462
7,62
Cv2 = 0,0006063 ou 0,061%

Note que Cv2 > Cv1 (0,0 61% > 0,034%). Pode-se afirmar que a segunda mquina
menos precisa que a primeira, pois,
39
2.4.3 Medidas de Assimetria

Essas medidas procuram caracterizar como e quanto a distribuio de freqncias se afasta da
condio de simetria. As distribuies alongadas direita so ditas positivamente
assimtricas, e as alongadas esquerda, negativamente assimtricas. As medidas de
assimetria, conforme sejam positivas, negativas ou aproximadamente nulas, procuram indicar
o tipo de distribuio quanto a esse aspecto. Nas Fig. 16a e Fig.16b so mostrados dois tipos
de assimetria.
RESULTADO DO 1 TESTE DE APTIDO FSICA DE
RECRUTAS DE UM BATALHO DE INFANTARIA
Nr
140
120
100
80
60
40
20
0
I
MB
E
Conceitos
Figura 16a - Assimetria positiva

RESULTADO DO 1 TESTE DE APTIDO DE TIRO DE
RECRUTAS DE UM BATALHO DE INFANTARIA
Nr
140
120
100
80
60
40
20
0
MB
Conceito
Figura 16b - Assimetria negativa
Para a caracterizao do poder da assimetria utiliza-se o coeficiente de assimetria de

Pearson (A), definido como segue:
A= 3(X Md)
S
Relao
A < 0,15
0, 15 < A < 1
A > 1.
Classificao
Praticamente simtrica
Moderadamente assimtrica
Fortemente assimtrica
Quadro 2 - Classificao da assimetria.
40
EXEMPLO 2.4.9: Consideremos os conceitos obtidos por 3 SU (A, B e C) em uma

pista de Tiro de Ao Reflexa. Os conceitos obtidos foram atribudos em funo do nmero
de impactos nos alvos, e fornecem uma viso geral do desempenho de cada SU:
DISTRIBUIO A
classe
xi
fi
02
06
06
10
4
8
6
12
10
14
12
24
14
18
18
22
16
20
30
6
78
RESULTADO DO TIRO DE AO REFLEXA DE

SOLDADOS DE UMA BATERIA DE OBUSES
A= 3(X Md)
S
Onde:
X= 12,92
Md= 13,5
S= 4,22
Nr
35
30
25
20
15
10
5
0
Md Mo
X
MB
E
Conceitos
A= -.347
Ass. Negativa
moderada
Figura 17a Assimetria negativa moderada.
DISTRIBUIO B
classe
xi
fi
02
06
06
10
4
8
5
21
10
14
12
26
14
18
18
22
16
20
21
5
78

A= 3(X Md)
Nr
30
Onde:
X= 12
Md= 12
S= 4,15
X = Mo = Md
25
20
15
10
5
0
I
MB
E
Conceitos
A= 0
Simtrica
Figura 17b Assimetria nula.
DISTRIBUIO C
classe
xi
fi
02
06
06
10
4
8
6
30
10
14
12
24
14
18
18
22
16
20
12
6
78

A= 3(X Md)
Nr
35
30
25
20
15
10
5
0
Mo Md
Onde:
X= 11,08
Md= 10,5
S= 4,22
MB
E
Conceitos
A= +.483
Ass.Positiva
moderada
Figura 17c Assimetria positiva moderada.
Note que, quando a distribuio de freqncia assimtrica, os dados esto

distribudos em torno da mediana, medida sntese que, neste caso, a mais indicada para
representar os dados.
41
2.4.4 Medidas de Achatamento ou Curtose

As medidas de curtose caracterizam a forma da distribuio quanto a seu achatamento.
A comparao feita em relao distribuio normal, modelo terico de distribuio
estudado no Clculo de Probabilidades (veja o captulo 4). As Fig. 18a, Fig. 18b, e Fig. 18c,
apresentam os trs tipos caractersticos de distribuio:
EXEMPLO 2.4.10: Consideremos o nmero de flexes de brao realizado por
soldados de 3 SU (A, B e C):
42
xi
5
15
25
35
45
55
65
75
85
95
105
110
115
=
fi
4
7
9
11
12
13
13
13
12
11
9
7
4
125
xi
5
15
25
35
45
55
65
75
85
95
105
110
115
=
fi
4
7
9
11
12
13
13
13
12
11
9
7
4
125
xi
5
15
25
35
45
55
65
75
85
95
105
110
115
=
fi
0
0
1
2
6
24
59
24
6
2
1
0
0
125
FLEXES DE BRAO REALIZADAS POR SOLDADOS

DA 1 COMPANIA DE FUZILEIROS
Nr
70
60
50
40
30
20
10
0
15
25
35
45
55
65
75
85
95
105
110
115
Repeties
Figura 18a Distribuio Platicrtica.

Nr
70
60
50
40
30
20
10
0
15
25
35
45
55
65
75
85
95
105
110
115
Repeties
Figura 18b Distribuio Mesocrtica.

Nr
70
60
50
40
30
20
10
0
5
15
25
35
45
55
65
75
85
95
105
110
115
Repeties
Figura 18c Distribuio Leptocrtica.
Como dito, a classificao quanto curtose d-se em funo do achatamento da

distribuio de freqncias. Deste modo, uma distribuio normal tem um achatamento
mediano, o que chamamos distribuio mesocrtica (forma de boca de sino). As distribuies
mais achatadas que a normal so denominadas platicrticas (forma de prato) e as menos
achatadas so denominadas leptocrticas (forma de chapu mexicano).
A caracterizao do achatamento de uma distribuio s tem sentido, em termos
prticos, se a distribuio for pelo menos aproximadamente simtrica. Desta forma possvel
verificar que:
a. distribuies platicrticas apresentam os dados bem dispersos em relao mdia,
o que caracteriza uma forma de distribuio heterognia.
b. distribuies mesocrticas apresentam os dados normalmente dispersos em relao
mdia, o que caracteriza uma forma de distribuio normal.
c. distribuies leptocrticas apresentam os dados muito prximos da mdia, o que
caracteriza uma forma de distribuio homognia
Entre as possveis medidas de achatamento, mencionaremos apenas o coeficiente
percentlico de curtose, dado pela frmula abaixo:
C=
Onde:
Q1 = 1 quartil;
Q3 = 3 quartil;
P10 = Percentil 10; e
P90 = percentil 90
Relao
C = 0,263
C < 0,263
C > 0,263
Q3 Q1
2(P90 - P10)
Classificao
Mesocrtica
Leptocrtica
Platicrtica
Quadro 3 - Classificao quanto curtose.
A partir do captulo 7 trataremos sobre a Estatstica Inferencial, onde sero abordadas

duas categorias de testes estatsticos: os paramtricos e os no-paramtricos.
Neste momento importante que se diga que a primeira categoria, testes
paramtricos, possuem trs pressupostos bsicos sobre a distribuio dos dados:
a. a populao estudada deve possuir uma distribuio normal;
b. a amostra extrada deve ter as mesmas variaes na varivel estudada; e
c. as observaes devem ser independentes.
Sempre que estes pressupostos so alcanados, os testes paramtricos aumentam as
chances de se rejeitar a hiptese nula, o que denominamos poder do teste (trataremos este
conceito no item 4.3 do captulo 4), desta forma os testes de assimetria e curtose tratados no
presente captulo crescem em importncia no sentido de que, para comprovarmos o
pressuposto a., deveremos verificar se a amostra, com a qual estamos trabalhando, simtrica
e mesocrtica, caractersticas da distribuio normal.
43
44
Captulo 3
Amostragem
A busca de informaes a respeito de um fenmeno qualquer necessria para lastrear
a tomada de decises que envolvem este fenmeno. Em particular quando este fenmeno
aleatrio, a busca de informaes direcionada para estabelecer a forma da distribuio da
varivel que descreve o fenmeno e os parmetros desta distribuio.
Existem dois processos de abordagem para a soluo deste problema. O primeiro
processo consiste em aplicar um Censo, o que identifica diretamente a forma da distribuio
da varivel e seus parmetros.O segundo processo consiste em obter estas informaes
indiretamente, atravs da Estimao (por meio de amostras).
Quando razovel a aplicao de um censo, o problema est resolvido.Vamos
desenvolver o segundo processo, com o objetivo de estimar os parmetros da distribuio.
A estimao um processo que consiste em avaliar os parmetros de uma distribuio
atravs de estimadores obtidos em uma amostra, com base no clculo de probabilidades
(instrumental que viabiliza avaliar parmetros da distribuio a partir dos estimadores)..
A qualidade de uma estimao depende basicamente da representatividade da
amostra que consiste na capacidade de a amostra reproduzir as caractersticas importantes da
populao.
Vamos examinar a seguinte situao. A nutricionista de uma escola militar foi
encarregada de avaliar a qualidade nutritiva de uma sopa preparada por um fornecedor
(contratado), que ser servida a seus alunos.
Algumas reclamaes de alunos sugerem que a sopa no est satisfazendo o padro de
qualidade nutricional exigido pela escola. Se, de fato, a sopa no atender o padro de
qualidade contratado, a escola devolve a sopa e exige o pagamento da multa contratual.
O procedimento vivel nesta situao fazer esta avaliao atravs de uma amostra.
Note que se a nutricionista tiver o cuidado de mexer suficientemente a sopa,
conseguir um bom grau de homogeneidade no produto e uma pequena amostra retirada
nestas condies ir conter os ingredientes aproximadamente na mesma proporo em que
figuram na sopa.
Neste caso, a amostra bem representativa da populao, o que permitir
nutricionista fazer a avaliao com alto grau de preciso. No entanto, se a nutricionista no
tiver o cuidado de mexer a sopa, pode ocorrer que a amostra selecionada no seja
representativa da populao, o que conduzir a um erro de avaliao e a suas conseqncias.
45
Se a nutricionista, mesmo mexendo a sopa, desconfia do grau de homogeneidade da

sopa, a maneira de conseguir boa representatividade consiste em aumentar o tamanho da
amostra.
A anlise desta situao leva-nos a concluir que populaes com pequeno grau de
variabilidade de seus elementos podem ser estudadas a partir de pequenas amostras.
medida que esta variabilidade aumenta, necessrio aumentar o tamanho da amostra aleatria
para manter sua representatividade.
Pode-se definir amostragem como o conjunto de tcnicas utilizadas para a seleo de
uma amostra. Este conjunto de tcnicas pode ser subdividido em dois grupos bsicos: a
amostragem aleatria e a amostragem no aleatria.
3.1 AMOSTRAGEM NO ALEATRIA
A amostragem no aleatria aquela em que os elementos da amostra no so
selecionados ao acaso, podendo ser intencional ou voluntria. indicada nos casos em que o
pesquisador no dispe de fcil acesso a todos os elementos da populao, ou quando existe
uma caracterstica peculiar (como voluntariado) que impe uma seletividade no aleatria.
3.1.1 Amostragem Intencional
Ocorre quando o pesquisador seleciona intencionalmente os componentes da amostra.
Estas amostras no permitem o controle da variabilidade amostral, o que inviabiliza o controle
da qualidade da estimao, bem como a generalizao dos resultados para toda a populao.
EXEMPLO 3.1.1: De uma populao constituda por Aspirantes a Oficial do
Exrcito, um pesquisador analisa o perfil profissiogrfico dos Asp Of de sua guarnio (pois
no tm acesso aos demais elementos da populao), para verificar se conceitos MB esto
relacionados com a Liderana Militar. Note que a amostragem intencional, pois existe um
motivo (inteno) para no se alcanar todos os elementos populacionais (falta de recursos,
falta de tempo...).
Se o pesquisador encontrasse um resultado satisfatrio em sua investigao poderia
generalizar os resultados para toda a populao de Asp Of? No, somente para sua Guarnio,
o que no deixa de ser um indicativo da existncia de algum tipo de relao entre as variveis.
3.1.2 Amostragem Voluntria
Ocorre quando o componente da populao se oferece voluntariamente para participar
da amostra independentemente do julgamento do pesquisador. Estas amostras no permitem o
controle da variabilidade amostral, o que tambm inviabiliza o controle da qualidade da
estimao.
EXEMPLO 3.1.2: De uma populao constituda por Aspirantes a Oficial do
Exrcito, um pesquisador analisa o perfil profissiogrfico, para verificar se conceitos
MB esto relacionados com a Disciplina Intelectual, para solicita permisso ao Asp Of para
ter acesso ao perfil do avaliado. Note que a amostragem voluntria, pois depende da
autorizao (voluntariado) do pesquisado.
46
3.2 AMOSTRAGEM ALEATRIA

A amostragem aleatria aquela em que os elementos so selecionados ao acaso,
podendo ser simples, sistemtica, estratificada ou por conglomerado.
3.2.1 Amostragem Aleatria Simples
aquela em que se atribui aos elementos a mesma probabilidade de participar da
amostra. Pode-se proceder um sorteio dos elementos, utilizar-se de Tabelas de Nmeros
Aleatrios (TNA) ou randomizar os sujeitos com o auxlio de um computador.
A TNA (ANEXO D) contm nmeros previamente sorteados, de forma que, se
iniciarmos em um ponto qualquer dessa tabela, e anotarmos os nmeros na seqncia das
linhas ou colunas a partir deste ponto inicial, poderemos elencar os sujeitos de uma populao
previamente organizada de acordo com um critrio escolhido a priori.
EXEMPLO 3.2.1: De uma populao finita de 500 sargentos da Vila Militar, dos
quais nos interessa uma caracterstica comum (possuidores do Curso de Aperfeioamento de
Sargentos), pelo Almanaque podemos coloc-los em ordem de antiguidade, e para
selecionarmos uma amostra de 30 sargentos ao acaso, procederemos da seguinte forma:
Primeiramente adotaremos um critrio para a leitura da TNA: comearemos lendo os
nmeros da direita para a esquerda, de cima para baixo, tomados 3 a 3 (a populao tem
n=500); e o ponto inicial ser o nmero contido na 5 linha e 3 coluna.
Notemos que o nmero correspondente ao ponto inicial igual a 8.
Logo passaremos a ler os nmeros com 3 dgitos tomando o cuidado de observar que
os nmeros formados devem iniciar por 0, 1, 2, 3, 4 e 5(caso o nmero seja 500) .
116
451
69
100
9
112
192
98
467
353
75
243
586
245
401
007
082
5
65
56
066
041
429
241
69
134
7
004
047
322
274
302
56
017
99
046
184
031
009
299
6
329
5976
053
Ordenados os nmeros obtidos da TNA poderemos selecionar os sargentos baseados

na antiguidade.
004; 007; 009; 017; 031; 041; 046; 047; 053; 066; 082; 100; 112; 116; 134;
184; 192; 241; 243; 245; 274; 299; 302; 322; 329; 353; 401; 429; 451; 467.
3.2.2 Amostragem Sistemtica
Quando se conhece uma listagem dos elementos da populao pode-se obter uma
amostra aleatria de n elementos dividindo-se o nmero de elementos da populao pelo
tamanho da amostra. Usando o nmero inteiro mais prximo anterior a esse resultado,
selecionamos os elementos da lista que ocorrem com esta periodicidade.
EXEMPLO 3.2.2:
Dada uma populao finita de 1000 oficiais do CML dos quais

47
nos interessa uma caracterstica comum (possuidores do Curso de Aperfeioamento de

Oficiais), pelo Almanaque podemos coloc-los em ordem de antiguidade e escolhida uma
amostra de 30 oficiais, procede-se da seguinte forma:
(1) Dividimos o N da populao (1000) pelo valor de n da amostra (30)
y = 1000 / 30 = 33,33 que aproximadamente 33.
(2) Sorteia-se um nmero ao acaso entre 1 e 33, por meio de uma urna ou pela TNA.
Digamos que o resultado foi 12;
(3) O primeiro elemento a ser relacionado na amostra seria o oficial que ocupasse a
12 posio na lista; o segundo seria a 45; o terceiro seria a 78; e assim somaramos o
nmero 33 at obtermos os 30 elementos da amostra.
3.2.3 Amostragem Estratificada
Pode ocorrer que a populao seja formada por subgrupos diferentes, mas cada um
deles homogneo (por Pelotes, SU, U, por faixa etria, etc...). Neste caso, vamos selecionar
aleatoriamente uma quantidade de cada grupo para formar uma amostra, proporcional ao
tamanho desse grupo
EXEMPLO 3.2.3: Dada uma populao finita de 10000 soldado do efetivo varivel
incorporados no CML dos quais nos interessa uma caracterstica comum (resultado no 1
TAF) sabendo-se que esto dispostos em pelotes em suas respectivas Unidades podemos
coloc-los em ordem de antiguidade e escolhida uma amostra de 600 soldados, procede-se da
seguinte forma:
(1) Inicialmente precisamos saber quantos Pelotes existem no CML, suporemos 33
homens por Peloto, o que nos dar um valor aproximado de 303 pelotes.
(2) Dividiremos ento o n amostral (600) pelo nmero de Pelotes para sabermos
quantos soldados de cada peloto deveremos avaliar.
y = 500 / 33 = 1,98 que aproximadamente 2.
(3) O prximo passo ser determinarmos randomicamente de que posies no peloto
sero retirados os 2 elementos, o que pode ser feito por sorteio de 1 a 33 ou pela Tabela de
nmeros Aleatrios (suporemos que foram sorteados os nmeros 7 e 32).
(4) O primeiro elemento a ser relacionado de cada peloto ser o 7 militar da
listagem do peloto; e o segundo ser o 32.
(5) Notemos, porm, que se tomarmos 2 soldados por Peloto ao final da seleo
teremos 606 soldados, sendo que a amostra necessria de 600 soldados. Uma opo seria um
sorteio de descarte de 6 soldados relacionados, no entanto, julgamos que um n amostral maior
do que o previsto implicar em uma maior preciso na estimao, recomenda-se, portanto,
que se mantenham os 606 soldados na amostra.
3.2.4 Amostragem por Conglomerados
Em algumas situaes, podemos identificar um grupo de elementos que tenha
aproximadamente a mesma composio de populao. Neste caso, pode ser interessante
48
realizar a amostragem usando somente os elementos desse grupo.

EXEMPLO 3.2.4: Considerando-se que existe uma formao comum aos soldados
do Efetivo Varivel (EV) durante o Perodo Bsico de Instruo, e ainda que os Objetivos de
Instruo (OI) so comuns s Armas, Quadro e Servio, possivelmente no seria necessria
uma amostragem mbito nacional para se verificar a validade de um determinado OI, bastaria
verificar a validade deste OI em um determinado Comando Militar de rea (um dos
conglomerados) para obter inferncias que apontem para a sua validade ou no.
3.3 FRMULAS PARA A DETERMINAO DO TAMANHO DA AMOSTRA
Ao iniciarmos um estudo normalmente nos deparamos com a dvida de qual o
tamanho amostral necessrio para que possamos generalizar os resultados de nossa pesquisa,
ou mesmo para termos a certeza de que a amostra selecionada ir bem representar a populao
interesse.
Para iniciarmos a amostragem propriamente dita devemos:
a. nos certificar se a populao de interesse finita ou infinita (podemos considerar
que uma populao infinita se N > 10000);
b. estipular uma margem de erro para rejeio da hiptese nula, normalmente = 0, 05
(trataremos deste tipo de erro no Cap. 6); e
c. estipular a margem de erro admitida entre a mdia amostra(X)e a mdia
populacional ().
Para um melhor ajuste do tamanho amostral deve-se ainda levar em considerao a
proporo esperada de sucesso do evento estudado (p) em relao ao seu insucesso (q), sendo
p = 1 q.
Clculo do n amostral levando em considerao se a populao finita ou infinita para
estimao de uma proporo populacional.
POPULAO INFINITA
n=
Z(
. p.q.N
e
/2)
POPULAO FINITA
n=
Z( /2) . p.q.N
e ( N 1) + Z( /2) . p.q.N
Onde:
n=
Nmero de elementos da amostra;
Z( /2) = Quadrado da probabilidade aceita para o erro tipo I (retirado da Tabela Z)
p=
Proporo esperada de sucesso do evento;
q=
Proporo esperada de insucesso do evento;
N=
Nmero de elementos da populao; e
e =
Erro padro de estimativa ao quadrado, onde e = X .
Quando no se dispe de informaes sobre o valor de p deve-se realizar uma pramostragem com n1 elementos. Se o valor de n calculado nestas condies, for menor que n1,
a pr-amostra j conter um nmero suficiente de elementos para garantir a preciso
determinada. Caso valor de n for maior que n1, completa-se a pr-amostra selecionando-se
(nn1) elementos.
49
Em algumas situaes, o problema pode conter uma informao a respeito de p. Neste

caso, esta informao poder ser utilizada no clculo de n.
Se no houver informaes a respeito de p e no pudermos realizar uma a pramostragem, o clculo de n com p = 0,5, levar a um tamanho da amostra com o conseqente
problema de custo de amostragem associado (a amostra ser muito grande).
EXEMPLO 3.3.1: Um pesquisador pretende avaliar a proporo de militares que
respondero sim a uma determinada pergunta, com 95% de confiana de que no errar por
mais de 3%. Para isto, selecionou ao acaso uma pr-amostra (n1 = 100 militares), e a
proporo de respostas sim foi de 20% (20 dos 100). Calcular o n amostral que bem
representar a populao de estudo, para a margem de erro adotada.
Dado que:
n1= 100
z( /2)= (1,96) pois (1 =95%)
p = 0,2
q = 0,8
N = INFINITA
e = (0,03)
(1,96) . 0,2 . 0,8 .N
n=
(0,03)
n = 683 militares
Portanto necessitaramos entrevistar mais 583 militares (683 100)
EXEMPLO 3.3.2: Um pesquisador est interessado em estimar a proporo de
militares que faz uso do protweb em suas OM. Para isto, amostrou 80 militares de um
cadastro de N = 400, cujas funes poderiam ser otimizadas pelo uso da ferramenta,
consultando-os por telefone, e verificando que 30 faziam uso dirio do protweb. Determine o
tamanho da amostra necessria para estimar esta proporo com 90% de confiana, e com
erro um mximo de 4% em relao proporo populacional.
Dado que:
n1= 30
z( /2)= (1,64) pois (1- =90%)
p = 30/80 = 0,375
q = 0,625
N = 400
e = (0,04)
(1,64) . 0,375 . 0,625 . 400
n=
(0,04) . (400 1) + (1,64) . 0,375 . 0,625 . 400
n = 119 militares
Portanto necessitaramos entrevistar mais 119 militares (199 80)
50
EXEMPLO 3.3.3: Um pesquisador est interessado em estimar a proporo de

militares que faz uso do protweb nas OM da Vila Militar do Rio de Janeiro (N= 400
militares). No sendo possvel realizar uma pr-amostragem, e no existindo estudo anterior
que lhe permitisse estimar o valor de p, foi obrigado a considerar p = 0,5 (ou seja, 50% dos
militares faz uso e 50% no faz uso do protweb). Determine o tamanho da amostra necessria
para estimar esta proporo com 90% de confiana, e com erro um mximo de 4% em relao
proporo populacional.
Dado que:
n1= ---z( /2)= (1,64) pois (1- =90%)
p = 0,5
q = 0,5
N = 400
e = (0,04)
n=
(1,64) . 0,5. 0,5 . 400

(0,04) . 399 +(1,64) . 0,5. 0,5.400
n = 352,78 = 353 militares
Portanto, seria necessrio entrevistar 353 militares.

Notemos a diferena em relao ao estudo que foi realizado com pr-amostragem. Por
nao haver uma primeira estimativa quanto proporo esperada, uma amostra muito maior
requerida (353 > 199)
51
52
Captulo 4
Probabilidade
Embora o clculo das probabilidades pertena ao campo da Matemtica, sua incluso
neste manual se justifica pelo fato de a maioria dos fenmenos de que trata a Estatstica ser de
natureza aleatria ou probabilstica. Conseqentemente, o conhecimento dos aspectos
fundamentais do clculo de probabilidades uma necessidade essencial para o estudo da
Estatstica Indutiva ou Inferencial.
Procuramos resumir aqui os conhecimentos julgados necessrios para termos um
ponto de apoio em nossos primeiros passos no caminho da Estatstica Inferencial. Esses
passos sero incrementados no captulo seguinte, que trata da conceituao de varivel
aleatria e de suas principais distribuies de probabilidades.
4.1 EXPERIMENTO ALEATRIO
Em quase tudo, em maior ou menor grau, vislumbramos o acaso. Assim, da afirmao
provvel que o meu time ganhe a partida de hoje pode resultar:
a. que, apesar do favoritismo, ele perca;
b. que, como pensamos, ele ganhe; e
c. que ele empate.
No entanto, o resultado final depende do acaso. Fenmenos como esse so chamados
fenmenos aleatrios ou experimentos aleatrios, que so aqueles que, mesmo repetidos
vrias vezes, sob condies semelhantes, apresentam resultados imprevisveis.
4.1.1 Espao Amostral (S)
A cada experimento correspondem, em geral, um conjunto de vrios resultados
possveis que recebe o nome de espao amostral (S).
EXEMPLO 4.1.1: Ao lanarmos uma moeda, h dois resultados possveis: ocorrer
cara ou ocorrer coroa. J ao lanarmos um dado h seis resultados possveis: 1, 2, 3, 4, 5 ou 6.
Os dois experimentos citados anteriormente tm os seguintes espaos amostrais:
a. Lanamento de uma moeda:
S = {Ca, Co}
b. Lanamento de um dado:
S = {1, 2, 3, 4, 5, 6}.
53
EXEMPLO 4.1.2: Do mesmo modo, como em dois lanamentos sucessivos de uma

moeda podemos obter cara nos dois lanamentos, ou cara no primeiro e coroa no segundo, ou
coroa no primeiro e cara no segundo, ou coroa nos dois lanamentos, o espao amostral :
S = {(Ca, Ca), (Ca, Co), (Co, Ca), (Co, Co)}.
Cada um dos elementos de S recebe o nome de ponto amostral.
2
2 um ponto amostral de S.
4.1.2 Eventos
Chamamos de evento qualquer subconjunto do espao amostral S de um experimento
aleatrio (os eventos so denotados por letras arbicas maisculas).
Assim, qualquer que seja E, se E
S, da seguinte forma:
S (E est contido em S), ento E um evento de
a. Se E = S, E chamado evento certo (com probabilidade 1 ou 100%).

b. Se E S e E um conjunto unitrio, E chamado evento elementar.
c. Se E = , E chamado evento impossvel.
EXEMPLO 4.1.3
No lanamento de um dado, onde S = {l, 2, 3, 4, 5, 6}, temos:
a. A = {2, 4, 6} S; logo; A um evento de S.

b. B = {l, 2, 3, 4, 5, 6} S; logo, B um evento certo de S (B = S).
c. C = {4} S; logo, C um evento elementar de S.
d. D =
S; logo, D um evento impossvel de S.
Um evento sempre definido por uma sentena. Assim, os eventos acima podem ser
definidos pelas sentenas:
a. Obter um nmero par na face superior.
b. Obter um nmero menor ou igual a 6 na face superior.
c. Obter o nmero 4 na face superior.
d. Obter um nmero maior que 6 na face superior.
4.2 PROBABILIDADE DE SUCESSO DE UM EVENTO
Dado um experimento aleatrio, sendo S o seu espao amostral, vamos admitir que
todos os elementos de S tenham a mesma chance de acontecer, ou seja, que S um conjunto
equiprovvel.
Chamamos de probabilidade de um evento A (A
P(A)= n(A)
n(S)
Onde:
n(A) o nmero de elementos de A;
n(S) o nmero de elementos de S.
54
S) o nmero real P(A), tal que:
EXEMPLO 4.2.1
Considerando o lanamento de uma moeda e o evento A obter
cara , temos:
Sendo:
S = {Ca, Co} n(S) = 2
A = {Ca}
n(A) = 1
P(A)= 1
2
Ou seja, a probabilidade de se obter cara no lanamento de uma moeda de 1/2 ou
50,00%.
EXEMPLO 4.2.2
Considerando o lanamento de um dado, calcular a
probabilidade do evento A obter um nmero par na face superior :
Sendo:
S = {1, 2, 3, 4, 5, 6}
n(S) = 6
B = {2, 4, 6}
n(A) = 3
P(B)= 3
6
Ou seja, a probabilidade de se obter um nmero par na face superior de um dado
lanado de 1/2 ou 50,00%.
EXEMPLO 4.2.3 Considerando o lanamento de um dado, vamos calcular a
probabilidade do evento B obter um nmero menor ou igual a 6 na face superior :
Sendo:
S = {1, 2, 3, 4, 5, 6}
n(S) = 6
C = {1, 2, 3, 4, 5, 6}
n{B) = 6
P(C)= 6
6
Ou seja, a probabilidade de se obter um nmero menor ou igual a 6 na face superior de
um dado lanado de 1 ou 100,00% (a probabilidade do evento certo igual a 1).
EXEMPLO 4.2.4 Considerando o lanamento de um dado, vamos calcular a
probabilidade do evento B obter um nmero menor ou igual a 6 na face superior :
Sendo:
S = {1, 2, 3, 4, 5, 6}
n(S) = 6
D==
n(D) = 0
P(D)= 0
6
Ou seja, a probabilidade de se obter um nmero maior que 6 na face superior de um
dado lanado de 0 ou 0,00% (a probabilidade do evento impossvel igual a zero).
4.2.1 Eventos Complementares
Sabemos que um evento pode ocorrer ou no. Sendo p a probabilidade de que ele
ocorra (sucesso) e q a probabilidade de que ele no ocorra (insucesso), para um mesmo evento
existe sempre a relao:
q = 1 p
p+q=1
55
EXEMPLO 4.2.4
Se a probabilidade de se realizar um evento e p = 1/5. Calcular a
probabilidade de que ele no ocorra.
q = 1 p
q = 1 1/5
q = 4/5
EXEMPLO 4.2.5: Sabemos que a probabilidade de tirar o valor 4 no lanamento de
um dado : p = 1/6.Logo, a probabilidade de no tirar o valor 4 no lanamento de um dado
q = 5/6
4.2.2 Eventos Independentes
Dizemos que dois eventos so independentes quando a realizao ou a no-realizao
de um dos eventos no afeta a probabilidade da realizao do outro e vice-versa.
EXEMPLO 4.2.6: Ao lanarmos dois dados, o resultado obtido em um deles
independe do resultado obtido no outro.
Se dois eventos so independentes, a probabilidade de que eles se realizem
simultaneamente igual ao produto das probabilidades de realizao dos dois eventos. Assim,
sendo p1 a probabilidade de realizao do primeiro evento e p2 a probabilidade de realizao
do segundo evento, a probabilidade de que tais eventos se realizem simultaneamente dada
por:
P(1;2) = p1 . p2
EXEMPLO 4.2.7: Considerando o lanamento de dois dados,
calcular a
probabilidade do evento D obter o nmero 1 no primeiro dado e o nmero 3 no segundo
dado .
Sendo:
p1 = 1/ 6
p2 = 1/ 6
P(1;2) =
1
6
1
6
1
36
Ou seja, a probabilidade de se obter o nmero 1 no primeiro dado e o nmero 3 no

segundo dado, lanados ao mesmo tempo, de 1/36 ou 2,78%.
4.2.3 Eventos Mutuamente Exclusivos
Dizemos que dois ou mais eventos so mutuamente exclusivos quando a realizao de
um exclui a realizao do(s) outro(s). Assim, no lanamento de uma moeda, o evento tirar
cara e o evento tirar coroa so mutuamente exclusivos, j que, ao se realizar um deles, o
outro no se realiza.
Se dois eventos so mutuamente exclusivos, a probabilidade de que um ou outro se
realize igual soma das probabilidades de que cada um deles se realize:
P(1;2) = p1
56
p2
EXEMPLO 4.2.8: Considerando o lanamento de

probabilidade do evento E obter o nmero 2 ou o nmero 3 :
um
dado,
calcular
Sendo:
p1 = 1/ 6
p2 = 1/ 6
1
P(1;2) =
6
6
3
Ou seja, a probabilidade de se obter o nmero 2 ou o nmero 3 no lanamento de um
dado de 1/3 ou 33,33%.
EXEMPLO 4.2.9: Considerando o lanamento de um dado, vamos calcular a
probabilidade do evento E obter o nmero 1 ou o nmero 6 :
Sendo:
p1 = 1/ 6
p2 = 1/ 6
1
P(1;2) =
1
6
1
3
4.3 EXERCCIOS DE PROBABILIDADE

1) Qual a probabilidade de sair o s de ouro quando retiramos uma carta de um baralho
(52 cartas)?
Como s h um s de ouros, o nmero de elementos do evento 1, logo:
p = 1/52
2) Qual a probabilidade de sair um rei quando retiramos uma carta de um baralho?
Como h 4 reis, o nmero de elementos do evento 4; logo:
p = 4/52 = 1/13
3) Em um lote de 12 peas, 4 so defeituosas. Sendo retirada uma pea, calcule:
a. A probabilidade dessa pea ser defeituosa, temos:
p = 4/12 = 1/3
b. A probabilidade de essa pea no ser defeituosa.
Sendo este evento e o anterior complementares, temos: a1
p =1 \4/12 = 2/3
4) No lanamento de dois dados, calcule a probabilidade de se obter soma igual a 5.
O evento formado pelos elementos (1, 4), (2, 3), (3, 2) e (4, 1). Como o nmero de
elementos de S (resultados possveis) 36, temos:
57
Sendo:
n(A)=4
n(S)=36
p = 4/36 = 1/9
5) De dois baralhos de 52 cartas retiram-se, simultaneamente, uma carta do primeiro

baralho e uma carta do segundo. Qual a probabilidade de a carta do primeiro baralho ser um
rei e a do segundo ser o 5 de copas?
Sendo:
pR = 4/ 52 = 1/ 13
p5 = 1/52
P(1;2) =
1
13
1
52
1
676
6) Uma urna A contm: 3 bolas brancas, 4 pretas, 2 verdes; uma urna B contm: 5
bolas brancas, 2 pretas, 1 verde; uma urna C contm: 2 bolas brancas, 3 pretas, 4 verdes. Uma
bola retirada de cada urna. Qual a probabilidade de as trs bolas retiradas da primeira,
segunda e terceira urnas serem, respectivamente, branca, preta e verde?
Temos:
p1 = 3/9 = 1/ 3
p2= 2/8 =
p3 = 4/9
Como os trs eventos so independentes e simultneos, vem:
P(1;2) =
1
1
4
1
3 . 4 . 9 = 27
7) De um baralho de 52 cartas retiram-se, ao acaso, duas cartas sem reposio. Qual

a probabilidade de a primeira carta ser o s de paus e a segunda ser o rei de paus?
A probabilidade de sair o s de espada na primeira carta :
pA = 1/52
Aps a retirada da primeira carta, restam 51 cartas no baralho, j que a carta retirada
no foi reposta. Assim, a probabilidade de a segunda carta ser o rei de paus :
PR = 1/51
Como esses eventos so independentes, temos:
P(1;2) =
58
1
1
1
52 . 51 = 2652
Captulo 5
Modelos Tericos de Probabilidade
Este captulo apresenta os principais modelos tericos de distribuio de
probabilidade, aos quais um experimento aleatrio pode ser enquadrado.
5.1 DEFINIES DE PROBABILIDADE
Existem trs conceitos bsicos de probabilidade: clssica, freqencialista e
personalstica.
Sua escolha depende da natureza das variveis e da situao em que est envolta a
caracterstica populacional de interesse.
5.1.1 Probabilidade Clssica
Aplica-se s situaes em que os resultados que compem o espao amostral so
equiprovveis (ocorrem com a mesma regularidade), sendo sua probabilidade de sucesso
definida por:
P(ai)=
n(ai)
N
Onde:
n(ai) = nmero de casos favorveis realizao de ai; e
N = o nmero total de casos possveis.
EXEMPLO 5.1.1: Um experimento consiste no lanamento de uma moeda e na
observao da face superior. Determine o espao amostral do experimento e a funo de
probabilidades.
Se a moeda no for viciada, os elementos que compem o espao amostral so
equiprovveis (S = {Ca, Co}). Usando o conceito clssico de probabilidades avaliamos:
P(Ca) = 1/2 ou 50% e P(Co) = 1/2 ou 50%
Portanto, a funo de probabilidade neste caso :
xi
F(xi) = P(xi)
Ca
1
2
Co
1
2
EXEMPLO 5.1.2: O experimento consiste no lanamento de um dado e na

observao da face superior. Determine o espao amostral do experimento e a funo de
probabilidade.
59
O espao amostral do experimento S = {1, 2, 3, 4, 5, 6}.

P(1)
por:
1
1
1
1
1
1
; e P(6)
; P(2)
; P(3)
; P(4)
; P(5)
6
6
6
6
6
6
Usando o conceito clssico de probabilidades, a funo de probabilidade definida

xi
F(xi) = P(xi)
1
1
6
2
1
6
3
1
6
4
1
6
5
1
6
6
1
6
5.1.2 Probabilidade Freqencialista

Aplica-se s situaes em que os resultados que compem o espao amostral no so
equiprovveis, ou seja, quando no se conhece a regularidade dos resultados. Este processo
baseia-se na evoluo da freqncia relativa do resultado medida que o nmero de
repeties do experimento cresce.
P(xi)=
lim
n
fri(xi)
EXEMPLO 5.1.3: O experimento consiste no lanamento de duas moedas e na

observao do nmero de caras obtidas neste lanamento. Determine o espao amostral e a
funo de probabilidade.
O espao amostral do experimento S = {0, 1, 2}.
Moeda 1 Moeda 2 Nmero de Ca
Co
Co
0
Co
Ca
1
Ca
Co
1
Ca
Ca
2
fri
Note que os resultados no so equiprovveis

fr0 =
1
1
1
1
1
; e fr2 =
; fr1 =
+
=
4
4
4
2
4
Usando o conceito de probabilidade freqencialista, a funo de probabilidade

definida por:
xi
lim
F(xi) =
n
fri(xi)
0
1
4
1
1
2
2
1
4
EXEMPLO 5.1.4: Um experimento consiste no lanamento de dois dados e na

observao da soma dos pontos das faces superiores. Determine o espao amostral do
experimento e a funo de probabilidade.
60
O espao amostral do experimento S = {2, 3, 4, 5, 6, 7, 8, 9. 10, 11, 12}. Estes

resultados no so equiprovveis e, embora haja regularidade dos resultados, esta no pode
ser avaliada pelo processo clssico. Como o experimento pode ser facilmente repetido,
utilizaremos o processo freqencialista.
(Dado 1;Dado 2)
Soma das faces
(1;1)
2
(1;2); (2;1)
3
(1;3); (2;2); (3;1)
4
(1;4); (2;3); (3;2); (4;1)
5
(1;5); (2;4); (3;3); (4;2); (5;1)
6
(1;6); (2;5); (3;4); (4;3); (5;2); (6;1)
7
(2;6); (3;5); (4;4); (5;3); (6;2)
8
(3;6); (4;5); (5;4); (6;3)
9
(4;6); (5;5); (6;4)
10
(5;6); (6;5)
11
(6;6)
12
fri
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
Logo, a funo de probabilidade definida por:

xi
lim
F(xi) =
n
fri(xi)
2
1
3
2
4
3
5
4
6
5
7
6
8
5
9 10 11 12
4 3 2 1
36 36 36 36 36 36 36 36
36
36
36
EXEMPLO 5.1.5: Um experimento consiste em selecionar ao acaso um Peloto e

observar o nmero de soldados punidos no ms de julho. Determine o espao amostral do
experimento e a funo de probabilidade.
O espao amostral do experimento S = {0, 1, 2, 3, ...}.
Estes resultados no so equiprovveis e, embora haja regularidade dos resultados,
esta regularidade no pode ser avaliada pelo processo clssico.Como o experimento pode ser
facilmente repetido, recorremos ao conceito freqencialista de probabilidades.
Vejamos como calcular a probabilidade do primeiro resultado. Os demais podem ser
obtidos exatamente da mesma forma.
Selecionamos inicialmente 10 Pelotes de um Comando Militar de rea e verificamos
3 de Pelotes com 0 soldados punidos no ms de julho, logo a freqncia relativa ser:
fr0 =30%
Aumentamos o nmero de Pelotes para 20 e verificamos 5 de Pelotes com 0
soldados punidos no ms de julho, logo a freqncia relativa ser:
fr0 =25%
Aumentamos sucessivamente o nmero de Pelotes para 30, 40, 50, 100, sempre
recalculando a freqncia relativa de Pelotes com 0 soldados punidos no ms de julho.
Desta forma, obtemos uma seqncia de valores para a freqncia relativa de Pelotes
com 0 soldados punidos no ms de julho que convergir para um valor real c.
61
F(xi) =
n
lim
n
10
20
30
40
50
100
fri(0) 30,0% 25,0% 23,3% 22,5% 20,0% 20,0% c = 20,0%
isto :
P(0)=
lim
n
fri(0) = c
Diremos ento que a probabilidade de um peloto no possuir soldados punidos no

ms de julho :
P(0) = c = 20,00%
Este procedimento pode ser adotado em todos os casos onde o conceito clssico de
probabilidades aplicado. No entanto, um processo mais caro, mais demorado e mais
trabalhoso.
5.1.3 Probabilidade Personalstica
H situaes em que os resultados do experimento no ocorrem com mesma
regularidade e no existe a possibilidade de repeti-lo sucessivamente, ou seja, no se pode
aplicar nem a forma clssica, nem a forma freqencialista de probabilidades.
Nesta situao, devemos socorrer-nos de um especialista neste tipo de experimento,
para que ele nos d sua opinio pessoal acerca do valor da probabilidade de cada resultado.
Este um processo subjetivo de avaliao de probabilidades.
EXEMPLO 5.1.6: Um experimento consiste em verificar se o tempo de resposta de
um ofcio que chegou na OM excede 5 dias. Determine o espao amostral e a funo de
probabilidade associada.
O espao amostral do experimento S = {excede, no excede}.
A regularidade destes resultados no pode ser avaliada pelo conceito clssico de
probabilidade, e a repetio do experimento neste caso no um processo eficiente devido
diferena entre as naturezas dos ofcios recebidos.
S nos resta a possibilidade de usar o processo personalista de probabilidade.
Devemos consultar um especialista no assunto que ir avaliar a probabilidade de o ofcio
receber resposta em menos de 5 dias.
5.2 VARIVEL ALEATRIA
Suponhamos um espao amostral S, e que, a cada ponto amostral seja atribudo um
nmero. Fica, ento, definida uma funo chamada varivel aleatria (indicada por uma letra
maiscula), sendo seus valores indicados por letras minsculas.
EXEMPLO 5.2.1: Sendo o espao amostral relativo ao lanamento simultneo de
duas moedas igual a 4 resultados possveis {(Ca, Ca), (Ca, Co), (Co, Ca), (Co, Co)} e X o
evento nmero de caras , a cada ponto amostral podemos associar um nmero para x, de
acordo com a Tab. 13.
62
Tabela 13 - Resultados possveis do lanamento simultneo de 2 moedas.

Ponto amostral
(Ca, Ca)
(Ca, Co)
(Co, Ca)
(Co, Co)
total
x
2
1
1
0
4
5.3 DISTRIBUIO DE PROBABILIDADE

Seja X uma varivel aleatria que pode assumir os valores x1, x2, x3, ... ,xn, a cada
valor xi correspondem pontos do espao amostral. Associamos, ento, a cada valor xi a
probabilidade fri de ocorrncia de tais pontos no espao amostral.
Assim, temos:
fri = 1
Dizemos ento que os valores x1, x2, x3,...,xn, e suas correspondentes fr1, fr2, fr3,..., frn,
definem uma distribuio de probabilidade.
Deste modo, da Tab. 13, podemos escrever a Tab. 14:
Tabela 14 - Verificao das freqncias em que aparece o resultado cara
Ponto amostral
x
P(X)=fri
(Ca, Ca)
2
1/2 .1/2=1/4
(Ca, Co)
1
1/2 .1/2=1/4
(Co, Ca)
1
1/2 .1/2=1/4
(Co, Co)
0
1/2 .1/2=1/4
total
4
1
Verifique que os pontos amostrais (Ca, Co) e (Co, Ca) apresentam cara uma vez, de
forma que a probabilidade de sair cara uma vez 1/4 + 1/4 = 2/4.
Logo, podemos escrever a Tab. 14, conforme sua distribuio de probabilidades, de
acordo com a Tab. 15:
Tabela 15 - Verificao das freqncias em que aparece o resultado cara.
Nmero de caras
2
1
0
fri
fri
1/4
2/4
1/4
1
Ao definirmos uma distribuio de probabilidade, estabelecemos uma correspondncia

unvoca entre os valores da varivel aleatria X e os valores da varivel P. Esta
correspondncia define uma funo; os valores xi (i = 1, 2 n) formam o domnio da funo, e
os valores Pi (i = 1, 2, 3, ..., n) o seu conjunto imagem.
Essa funo, assim definida, denominada funo probabilidade representada por:
f(x) = P(X = xi)
63
A funo P(X = xi) determina a distribuio de probabilidade da varivel aleatria X.

EXEMPLO 5.3.1: Ao lanarmos um dado, a varivel aleatria X, definida por
pontos de um dado , pode tomar os valores 1, 2, 3, ..., 6. Como a cada um destes valores est
associada uma e uma s probabilidade de realizao e P(xi) = 1, fica definida uma funo de
probabilidade, da qual resulta a distribuio de probabilidade descrita na Tab. 16:
Tabela 16 - Distribuio de probabilidade do lanamento de um dado.
X
1
2
3
4
5
6
P(X)=
P(X)
1/6
1/6
1/6
1/6
1/6
1/6
1
5.4 MODELOS TERICOS DISCRETOS DE PROBABILIDADE

Quando aplicamos a Estatstica na resoluo de problemas administrativos,
verificamos que muitos problemas apresentam as mesmas caractersticas, o que nos permite
estabelecer um modelo terico para a determinao da soluo destes problemas.
Os componentes principais de um modelo estatstico terico so:
a. Os possveis valores que a varivel aleatria X pode assumir;
b. A funo de probabilidade associada varivel aleatria X;
c. O valor esperado da varivel aleatria X; e
d. A varincia e o desvio-padro da varivel aleatria X.
5.4.1 Distribuio de Bernoulli
Se uma varivel aleatria X s pode assumir os valores 0 ou 1 (sim ou no) com p(x =
0) = q e p(x = 1) = p com p + q = 1, ento diremos que a varivel aleatria X admite
distribuio de Bernoulli.
Descrio do Modelo
a. Os possveis valores que a varivel X pode assumir so 0 e 1;
b. A funo de probabilidade associada varivel aleatria X f(x=0) = q e f(x=1) = p.
c. O valor esperado da varivel aleatria X : (X ) = p.
d.
e.
A varincia da varivel aleatria X : 2(X) = p.q ; e

O desvio-padro da varivel aleatria X : (X) = p.q
EXEMPLO 5.4.1: No lanamento de uma moeda, a varivel aleatria X anota o

nmero de caras obtidas. Determine a mdia, a varincia e o desvio-padro da varivel
aleatria X.
O espao amostral do experimento S = {0 e 1}
64

xi
F(xi)
0
1
2
1
1
2
Logo:
(X ) = p = 1/2
2
(X) = p.q = 1/2 . 1/2 = 1/4.
(X) = p.q = 1/2 . 1/2 = 1/4 = 1/2

EXEMPLO 5.4.2: Uma carta retirada de um baralho de 52 cartas. A varivel
aleatria X anota o numero de reis obtidas nesta retirada. Determine a mdia, a varincia e o
desvio-padro da varivel aleatria X.
O espao amostral do experimento S = {0 e 1}
xi
F(xi)
0
48
52
1
4
52
Logo:
(X ) = p = 4/52 = 1/13
2
(X) = p.q = 48/52 . 4/52 = 12/169.
(X) = p.q = 48/52 . 4/52 = 12 / 13

5.4.2 Distribuio Binomial
Quando realizamos um experimento qualquer, em uma nica tentativa, a probabilidade
de realizao de um evento (sucesso) p, e a probabilidade de no-realizao desse mesmo
evento (insucesso) 1 - p = q. Suponhamos, agora, que realizemos a mesma prova n vezes
sucessivas e independentes. A probabilidade de que um evento se realize k vezes nas provas
dada pela funo:
f(X) = P(X = k) =
Onde:
P(X = k)
p
q
(insucesso); e
n!
k! (n- k)!
n!
. pk . qn-k
k! (n k)!
a probabilidade de que o evento se realize k vezes em n provas;

a probabilidade de que o evento se realize em uma s prova (sucesso);
a probabilidade de que o evento no se realize no decurso dessa prova
o coeficiente binomial de n sobre k.
Essa funo, denominada lei binomial, define a distribuio binomial, que tem as
65
seguintes caractersticas:
a. O experimento deve ser repetido, nas mesmas condies, um nmero finito de
vezes (n).
b. As provas repetidas devem ser independentes, isto , o resultado de uma no deve
afetar os resultados das sucessivas.
c. Em cada prova deve aparecer um dos dois possveis resultados: sucesso e
insucesso.
d. No decorrer do experimento, a probabilidade p do sucesso e a probabilidade q (q =
1- p) do insucesso manter-se-o constantes.
Descrio do Modelo
a. Os possveis valores que a varivel X pode assumir so S = {0, 1 , 2, 3, ...};
b. Como dito, a funo de probabilidade associada varivel aleatria X :
f(X) = P(X = k) =
n!
. pk . qn-k
k! (n k)!
c. O valor esperado da varivel aleatria X : (X ) = n.p.

d.
e.
A varincia da varivel aleatria X : 2(X) = n.p.q ; e

O desvio-padro da varivel aleatria X : (X) = n. p.q
EXEMPLO 5.4.3: Uma moeda lanada 5 vezes seguidas e independentes. Calcule

a probabilidade de serem obtidas 5 caras nessas 5 provas.
Pela lei binomial, podemos escrever:
Sendo:
n=5
k=3
p = 1/2
q = 1/2
f(X) = P(X = k) =
5!
. 0,53 . 0,55 - 3
3! (5 3)!
P(X = 3) = 5/16
EXEMPLO 5.4.4: Dois times de vlei, A e B, jogam entre si 6 vezes. Encontre a
probabilidade de o time A ganhar 4 jogos.
Sendo:
n=6
k=4
p = 1/3
q = 2/3
66
f(X) = P(X = 4) =
6!
. p4 . q6 - 4
4! (6 4)!
P(X = 4) = 20/243
5.4.3 Distribuio de Poisson
Uma varivel aleatria admite distribuio de Poisson se:
a. Os possveis valores que a varivel X pode assumir so S = {0, 1 , 2, 3, ...};
b. Como dito, a funo de probabilidade associada varivel aleatria X :
P(x=k) =
e- . ( )k
K!
c. O valor esperado da varivel aleatria X : (X ) = ;

d.
e.
A varincia da varivel aleatria X : 2(X) = ; e

O desvio-padro da varivel aleatria X : (X) =
Uma aplicao imediata deste modelo ocorre quando uma varivel aleatria X admite
distribuio binomial com n de repeties ( n > 30 ) e com a probabilidade p de sucesso muito
pequena ( n < 0,05 ).
EXEMPLO 5.4.5: Uma mquina produz 9 peas defeituosas a cada 1.000. Calcule
a probabilidade de um lote com 200 peas conter 8 peas defeituosas.
Pelo modelo Binomial:
Sendo:
n = 200
k=8
p = 0,009
q = 0,991
P(X = 8) =
200!
. 0,0098 . 0,991192
8! (200 8)!
P(X = 8) = 0,00042
Pelo modelo de Poisson:

Sendo:
n = 200
k=8
p = 0,009
= n . p = 200 .0,009 = 1,8
P(x=k) =
e-1,8 . (1,8)8
8!
P(X = 8) = 0,00045
67
EXEMPLO 5.4.6: Uma mquina produz 1 munio com defeito a cada 200. Se o
nmero de munies defeituosas admite distribuio de Poisson, calcule a probabilidade de1
caixa com 50 munies conter dois estojos com defeito.
Sendo:
n = 50
k=2
p = 0,005
= n . p = 50 .0,005 = 0,25
P(x=k) =
e-0,25 . (0,25)2
2!
P(X = 8) = 0,048675
Alm da utilizao para o clculo aproximado da Distribuio Binomial, a
Distribuio de Poisson, tem vasta aplicao em problemas tipo: fila de espera; controle de
estoques; controle de qualidade; etc.
5.5 MODELOS TERICOS CONTNUOS DE PROBABILIDADE
5.5.1 Distribuio Normal - Curva Normal
Entre as distribuies tericas de varivel aleatria contnua, uma das mais
empregadas a distribuio normal descrita na Fig. 19.
Figura 19 - Aspecto grfico de uma distribuio normal.
Para uma perfeita compreenso da distribuio normal, observe a Fig. 19 e procure

visualizar as seguintes propriedades:
a. A varivel aleatria X pode assumir todo e qualquer valor real;
b. A representao grfica da distribuio normal uma curva em forma de sino,
simtrica em torno da mdia (X), que recebe o nome de curva normal ou de Gauss;
c. A rea total limitada pela curva e pelo eixo das abscissas igual a 1, j que essa
rea corresponde probabilidade de a varivel aleatria X assumir qualquer valor real;
d. A curva normal assinttica em relao ao eixo das abscissas, isto , aproxima-se
indefinidamente do eixo das abscissas sem, contudo, alcan-lo; e
e. Como a curva simtrica em torno da X, a probabilidade de ocorrer valor maior
68
do que a mdia igual probabilidade de ocorrer valor menor do que a mdia, isto , ambas
as probabilidades so iguais a 0,5. Escrevemos: P(xi > X) = P(xi < X) = 0,5.
Quando temos em mos uma varivel aleatria com distribuio normal, nosso
principal interesse obter a probabilidade dessa varivel aleatria assumir um valor em um
determinado intervalo.
EXEMPLO 5.5.1: Seja X a varivel aleatria que representa os dimetros dos
cartuchos de 9mm produzidos por certa mquina, supondo que essa varivel tenha
distribuio normal com mdia X = 9 mm e desvio padro S = 0,04 mm. Pode haver interesse
em conhecer a probabilidade de um cartucho ter um dimetro com valor entre 9 e 9,05 mm
fcil notar que essa probabilidade, indicada p P(9 < xi < 9,05), correspondente
rea hachurada na Fig. 20.
9 9,05
Figura 20 - Probabilidade de xi encontrar-se entre 9mm e 9,05mm.
O clculo direto dessa probabilidade exige um conhecimento de Matemtica mais

avanado do que aquele que dispomos no curso de 2 grau. Entretanto, podemos contornar
facilmente esse problema. Basta aceitar, sem demonstrao, que, se X uma varivel aleatria
com distribuio normal de mdia X e desvio padro S, ento a varivel Z tem distribuio
normal reduzida, isto , tem distribuio normal de mdia 0 e desvio padro 1.
Z=
xi X
S
As probabilidades associadas distribuio normal padronizada so encontradas em

tabelas, no havendo necessidade de serem calculadas. O ANEXO E contm uma tabela de
distribuio normal reduzida, que nos d a probabilidade de Z tomar qualquer valor entre a
mdia 0 e um dado valor Zcrit, isto :
P(0 < Z < Zcrit)
Temos, ento, que se X uma varivel aleatria com distribuio normal de mdia X e
desvio padro S, pode-se escrever:
P(X< X < x) = P(0 < Z < z), com Z =
xi X
S
Voltemos, ento, ao nosso problema. Queremos calcular P(9 < X < 9,05). Para obter
essa probabilidade, precisamos, em primeiro lugar, calcular o valor de z que corresponde a
x = 9,05 (x = 9
z = 0, pois X = 9). Temos, ento:
69
Z=
9,05 9
0,04
Z = 1,25
Sendo:
P(9 < X < 9,05) = P(0 < X < 1,25)
Procuremos, agora, na Tabela Z (ANEXO E) o valor de Z = 1,25. Na primeira coluna

encontramos o valor 1,2. Em seguida, encontramos, na primeira linha, o valor 5, que
corresponde ao ltimo algarismo do nmero 1,25. Na interseco da linha e coluna
correspondentes encontramos o valor 0,3944, o que nos permite escrever:
P(0 < Z < 1,25) = 0,3944
Assim, a probabilidade de uma munio 9mm, fabricada por essa mquina, apresentar
um dimetro entre a mdia 9mm e o valor x1 = 9,05mm 0,3944.
Escrevemos, ento:
P(9 < X < 9,05) = P(0 < Z < 1,25) = 0,3944 ou 39,44%
EXEMPLO 5.5.2:
Determine as probabilidades:
a. P( -1,25 < Z < 0)

A probabilidade procurada corresponde parte hachurada da figura:
Sabemos que:
P(0 < Z < 1,25) = 0,3944
Pela simetria da curva, temos:
P( 1,25 < Z< 0) = P(0 <Z < 1,25) = 0,3944
- 1,25 0
b. P(- 0,5 < Z < 1,48)

Temos que
P( 0,5 < Z < 1,48) = P(- 0,5 < Z < 0)+ P( 0 < Z < 1,48)
- 0,5 0
Como:
P( 0,5 < Z< 0) = P(0 <Z < 0,5) = 0,1915
P( 0 < Z< 1,48) = 0,4306
1,48
Logo:
P( 0,5 < Z < 1,48) =0,1915 +0,4306 = 0,6221
c. P(0,8 < Z < 1,23)
Temos que
P( 0,8 < Z < 1,23) = P( 0 < Z < 1,23) - P( 0 < Z < 0,8)
70
Como:
P( 0 < Z< 1,23 ) = 0,2881
P( 0 < Z< 0,8) = 0,1026
00,8 1,23
Logo:
P( 0,8 < Z < 1,23) = 0,2881 -0,1026 = 0,1855
d. P(Z > 0,6)

Temos que
P( Z > 0,6 ) = P( Z > 0) - P( 0 < Z < 0,6)
Como:
P( Z > 0) = 0,5 e P( 0 < Z < 0,6) = 0,2258
0 0,6
Logo:
P( Z > 0,6 ) = 0,5 0,2258 = 0,2742
e. P(Z < 0,92)

Temos que
P( Z < 0,92 ) = P( Z < 0) + P( 0 < Z < 0,92)
Como:
P( Z < 0) = 0,5 e P( 0 < Z < 0,92) = 0,3212
0 0,92
Logo:
P( Z > 0,6 ) = 0,5 + 0,3212 = 0,8212
EXEMPLO 5.5.3: Admitindo-se que 500 alunos de um curso de ps-graduao

esto distribudos normalmente em torno de um grau final de curso 8,5 e com desvio padro
de 0,8, e em se querendo selecionar 10% destes alunos para realizarem um curso de
aperfeioamento, que nota deveria ser o ponto de corte para a seleo?
Devemos inicialmente determinar os valores da varivel de distribuio reduzida.
Assim:
Temos que
Zcrit deve conter todos os valores menores que o ponto
de corte que de 10,00%, logo, devemos encontrar o
valor do Zi que represente 40% dos valores maiores
que a mdia (0,4000)
Por interpolao:
Zcrit = 1,28 . 40,00% / 39,97%
Zcrit = 1,2810
0
Zcrit
Como:
x X
Zcrit = crit
S
Logo:
xcrit = 1,2810 . 0,8 + 8,5= 9,5248
71
72
Captulo 6
Erro, Significncia, Tamanho do
Efeito e Poder Estatstico
Em uma investigao cientfica comum que o pesquisador questione quais as
chances de um determinado fenmeno acontecer, para tal, utiliza-se dos conceitos de
probabilidade.
Um primeiro conceito o de probabilidade subjetiva ou probabilidade personalstica
que est relacionado ao nvel de conhecimento que dispusemos acerca de uma determinada
varivel.
Quais so as chances de que chova? Ouvimos um meteorologista dizer que a
probabilidade de chuva de 90/o, e deduzimos que existe 90% de chances de chover onde
estamos.
Um segundo conceito envolve o limite da freqncia relativa. Para ilustrar, suponha
que joguemos uma moeda 100 vezes, o nmero de caras esperado seria de 50 caras. No
entanto, ao realizarmos o experimento obtivermos 45, ento fri = 0,45. Jogando 1000 vezes,
esperaramos 500 caras, entretanto, podemos obter 490 caras, fri = 0,490. Se jogarmos
100000, e obtivssemos 49995 caras, fri =0,49995. Note que, quanto maior o valor de n, o
limite da freqncia relativa tende a probabilidade real do evento ocorrer, ou seja, 0,5.
Um terceiro conceito o chamado probabilidade estatstica relacionado com
estimativas calculadas por meio de experincias e testes relacionados a um determinado
parmetro populacional que se deseja inferir.
Em um teste estatstico, extramos uma amostra de uma populao de sujeitos e
eventos. Usamos afirmativas de probabilidade para descrever a confiana que depositamos
nos achados estatsticos. Freqentemente, encontramos um teste estatstico seguido pelo
enunciado da probabilidade tal como p < 0,05. Mas o que significa este valor?
Para melhor compreendermos o significado do p-valor (p), passaremos a abordar os
principais conceitos relativos s hipteses estatsticas aos erros estatsticos, significncia,
ao poder, e fora dos testes estatsticos.
6.1 HIPTESES ESTATSTICAS
O teste de hiptese uma regra de deciso para aceitar (ou rejeitar) uma hiptese de
estudo com base nos elementos amostrais, possibilitando ao investigador verificar se as
possveis generalizaes resultantes dos dados da pesquisa so devidas ao acaso, ou aos
tratamentos dispensados s variveis de estudo.
73
Com base em suas conjecturas sobre o fenmeno, ou em funo de informaes

tericas, o pesquisador formula as chamadas de hipteses estatsticas, em suas formas nula
ou alternativa.
A hiptese nula (Ho) expressa uma igualdade. Postula no existir diferena entre as
mdias, tratamentos ou distribuies, pois as amostras foram retiradas da mesma populao;
portanto, qualquer diferena dever-se-ia ao acaso. Quando a hiptese nula aceita, no
possvel generalizar os resultados para a populao.
A hiptese alternativa (H1 ou Ha) expressa uma desigualdade. Afirma existir uma
verdadeira e significativa diferena entre as populaes comparadas, constituindo-se na
hiptese da pesquisa, que geralmente uma predio deduzida da teoria.
EXEMPLO 6.1.1:
Ho :
A altura mdia do soldado brasileiro de 1,60 m.
= 1,60m
H1 :
1,60m; ou
H1:
< 1,60m e H2:
> 1,60m
EXEMPLO 6.1.2.: Soldados de cavalaria apresentam um melhor resultado no TAT

em relao aos soldados de artilharia.
Ho :
cav
art
H1 :
cav
>
art
EXEMPLO 6.1.3:
A proporo de reprovados em um Concurso maior que 50%.
Ho: p < 0,5

H1: p > 0,5
No entanto, devido ao fato de que a deciso ser baseada em estimativas fornecidas
pela amostra, fica evidente que, devido s condies de incerteza, o pesquisador estar sujeito
a erros ao decidir.
Os testes de hiptese dimensionam a probabilidade (risco) de se estar cometendo
algum tipo de erro, fornecendo alguma segurana para a tomada de deciso acerca de aceitar,
ou rejeitar uma hiptese estatstica.
6.2 TIPOS DE ERROS ESTATSTICOS
Existem dois possveis tipos de erros, quando realizamos um teste estatstico para se
aceitar ou rejeitar Ho. Podemos rejeitar Ho, quando ela verdadeira, ou aceitar Ho, quando ela
falsa.
O erro de rejeitar Ho, sendo Ho verdadeira, denominado Erro tipo I, sendo sua
probabilidade designada por .
Por outro lado, o erro de se aceitar Ho, sendo Ho falsa, denominado Erro tipo II,
sendo sua probabilidade designada por .
74
O Quad. 4 chamado de Quadro da Verdade, apresentando os erros tipo I e II. Note

que aceitar uma hiptese nula verdadeira, ou rejeitar uma falsa a deciso correta.
Realidade
Ho falsa
Ho verdadeira
Erro tipoI
Aceitao No houve erro
( )
Erro tipoII
No houve erro
Rejeio
( )
Deciso
Quadro 4 - Quadro da verdade
6.2.1 Erro Tipo I - Alfa ( )

Em pesquisa, o resultado do teste estatstico comparado a uma tabela de
probabilidade, para aquele modelo terico de distribuio de probabilidades, a qual lhe dir
qual a chance de ocorrncia daquele valor.
Antes do inicio de um experimento deve-se de estipular a probabilidade do Erro Tipo
I que se est disposto a cometer, estabelecendo a priori. Se estabelecido em 0,05, ento,
em 100 experimentos realizados, uma hiptese nula verdadeira de no-diferena ou de no
relao entre as variveis, seria rejeitada somente em 5 ocasies. Embora as chances do erro
ainda existam, o experimentador as especificou exatamente pelo estabelecimento de alfa antes
do estudo.
EXEMPLO 6.2.1: Em um estudo do efeito de um remdio para o cncer, o
experimentador pode no querer aceitar a hiptese nula de nenhum efeito , se existe alguma
chance da droga fazer efeito. Assim, o experimentador pode estabelecer um alfa de 0,30
sempre, embora as chances de acontecer um erro tipo I possam ser aumentadas. O
experimentador est garantindo que a droga tem todas as oportunidades de mostrar sua
efetividade. Por outro lado, estabelecer um alfa de 0,001 diminui enormemente as chances do
erro tipo I ocorrer.
No podemos dizer onde estabelecer o alfa; entretanto, podemos dizer que os nveis
0,05 ou 0,01 (as probabilidades de os achados no serem devidos ao acaso e sim aos
tratamentos so, respectivamente, de 5 em 100, e de 1 em 100) so amplamente utilizados na
comunidade cientfica. Se o alfa for movido para cima ou para baixo, certifique-se de
justificar a razo.
Mesmo quando os experimentadores estabelecem o alfa em um nvel especfico (p.
ex., 0,05) antes da pesquisa, eles freqentemente relatam o p-valor para os efeitos especficos
do estudo no nvel que ocorreu (p. ex., p = 0,012). No h nada de errado com este
procedimento, na medida em que esto somente demonstrando em que grau o nvel de
probabilidade excedeu o nvel especificado (afinal 0,012 < 0,05).
Uma abordagem mais adequada pode ser a de relatar o nvel exato de probabilidade (p.
ex., p = 0,024) associado com o teste estatstico. Ento avaliaremos o significado da diferena
ou relao. Usando a informao estatstica (significncia ou significado), o pesquisador deve
interpretar os resultados dentro da teoria e hipteses que foram formuladas. Em vez de tomar
uma deciso somente estatstica, esta abordagem coloca a responsabilidade da tomada de
75
deciso onde ela deve estar, ou seja, no pesquisador que colocou o estudo em um modelo
terico, e que considerou as pesquisas relacionadas ao seu objeto de estudo.
6.2.2 Erro Tipo II - Beta ( )
Embora a magnitude do erro tipo I seja especificada pelo alfa, podemos tambm
cometer o erro tipo II, cuja magnitude determinada por beta ( ). Observando a Fig. 21,
podemos notar a sobreposio da distribuio de escores na varivel dependente para X
(distribuio da amostragem se a hiptese nula verdadeira) e Y (distribuio da amostragem
se a hiptese nula falsa).
Distribuio
da amostragem
sob Ho
Distribuio
da amostragem
se Ho falsa
1-
Y
X
Figura 21. reas de distribuio do erro tipo II
Pela especificao do alfa, indicamos que a mdia de Y (dado uma certa distribuio)
deve ser em uma distncia especificada da mdia de X antes da hiptese nula ser rejeitada.
Entretanto, se a mdia de Y localiza-se em algum lugar entre a mdia de X e o Y
especificado, pode-se estar cometendo um erro tipo II ( ); isto , no rejeitar a hiptese nula
quando, de fato, existe uma diferena verdadeira. Como podemos ver, existe uma relao
entre alfa e beta, a medida que alfa diminui, beta torna-se maior.
Obviamente, o pesquisador deseja reduzir ao mnimo as probabilidades dos dois tipos
de erros. A reduo simultnea dos erros poder ser alcanada pelo aumento do tamanho da
amostra. Para um mesmo n, a probabilidade de se incorrer em um Erro tipo II aumenta
medida que diminui a probabilidade do Erro tipo I, e vice-versa.
Para compreender o relacionamento dos erros e suas dimenses, vamos idealizar uma
configurao a partir de um exemplo.
EXEMPLO 6.2.2: Sabendo-se a varincia da populao vale 9, e que foi retirada de
uma amostra de 36 elementos, testar:
Ho :
= 25
H1 :
> 25
Para valores de prximos de 25 a hiptese Ho poder ser aceita. Como H1:

devemos ter um limite crtico direita para valores de X.
76
>25,
Regio de Aceitao
Para Ho: = 25
Regio de Rejeio
Para Ho: = 25
RC
RA
= 25
Xcrit
A rea hachurada direita de Xcrit corresponde probabilidade de rejeitar Ho, quando

Ho: = 25 verdadeira. Essa rea representa a probabilidade de cometer o Erro tipo I, ou
seja, a rea representa o risco .
Para encontrar o limite crtico(Xcrit) pode-se atribuir valores para , padronizando-se a
distribuio normal das mdias das possveis mdias amostrais, utilizando-se para tal a
distribuio Z, como explicado a seguir:
Para
= 0,05, Z=1,64
Z=
Xcrit
/ n
Logo:
Xcrit =
+Z.
/ n
Xcrit = 25 + 1,645 . 3/ 36
Xcrit = 25,823
Regio de Aceitao
Para Ho: = 25
Regio de Rejeio
Para Ho: = 25
= 0,05
RA
= 25
RC
25,823
Xcrit
Assim, a regra de deciso para Ho ser:

Rejeitar Ho, quando Xcrit > 25,823
Aceitar Ho, quando Xcrit < 25,823
Observando o grfico acima, fcil constatar que existe uma grande probabilidade de
aceitar Ho: = 25 (95%) e pouca probabilidade (apenas 5%) de rejeitar Ho = 25.
77
Ora, quando se aceita uma hiptese Ho pode-se estar cometendo o Erro tipo II (aceitar
Ho, quando Ho falsa). No exemplo, essa probabilidade pode ser de 95% quando Ho: = 25
for falsa, fato extremamente preocupante. Por outro lado, tm-se apenas 5% de chances para
rejeitar Ho.
No entanto, quando se rejeita Ho, pode-se estar cometendo o Erro tipo I (rejeitar Ho
quando Ho verdadeira). Como a probabilidade neste caso relativamente baixa (5%), a
deciso de rejeitar Ho muito mais segura do que a deciso de aceitar Ho.
6.2.3 Lgica do teste de significncia
Fixando , pode-se determinar a probabilidade p de cometer o Erro tipo II. Para o
clculo de , preciso admitir outros valores para, j que seu valor original considerado
falso.
(1) Atribuir baixos valores para
(geralmente de 1% a 10%).
(2) Formular Ho com a pretenso de rejeit-la (da o nome hiptese nula).

(3) Se o teste indicar a rejeio de Ho, tem-se um indicador mais seguro para a deciso.
(4) Caso o teste indique a aceitao de Ho, diz-se que, com o nvel de significncia
( ), no se pode rejeitar Ho.
No EXEMPLO 6.2.3, Ho: = 25 seria falso, ou seja, em realidade > 25. Ora, essa
suposio corresponde a uma infinidade de possveis valores para (25,2; 25,5; 26, 27...).
Para cada um desses valores podemos determinar o valor de p condicionando
hiptese admitida. Assim, para um valor qualquer, > 25, temos a seguinte configurao
para o Erro tipo II.
Regio de Rejeio
Regio de Aceitao
Para Ho: = 25
Para Ho: = 25
25,823
1
Fixando-se = 0,05, para valores de Xcrit prximos de 25, temos elevados ndices
para . Observando-se o grfico, quando 1 = 25,823, temos a seguinte probabilidade:
= 25
P( /
78
1 = 25,823) = P(X < 25,823/
1 = 25,823) = P Z =
25,823 25,823
3 / 36
=0
Consultando a Tabela Z verifica-se que, para um valor de Z = 0, a rea correspondente

sob uma distribuio normal de 0,50, ou seja, 50% .
Logo, a probabilidade de cometer-se um Erro tipo II ( ) de 50%.
P( /
= 25,823) = 0,5 = 50%
Esse valor crescer medida que os valores de

Fixando
forem menores que 21,64.
= 0,05
P( /
= 26) = P(X < 25,823/
P( /
= 25,5) = P(X < 25,823/
P( /
= 25) = P(X < 25,823/
= 26) = P Z =
25,823 - 26
3 / 36
= 25,5) = P Z =
= 25) = P Z =
= -0,36 = 0,3594
25,823 25,5
3 / 36
25,823 25
3 / 36
= 0,646 = 0,7401
= 1,645 = 0,95
Assim:
H0 =
25
25,5
25,823
26,00
0,9500
0,7401
0,5000
0,3594
1
0,05
0,2599
0,5000
0,6406
Ao formular-se hipteses prximas hiptese original ( = 25), os valores de so

elevados, diminuindo medida que o valor de Xcrit se afasta do valor testado. No
comprometedor ter-se elevados valores de para hipteses prximas da original.
Dizer que h um erro de 0,7401 (74,01%) de aceitar Ho: = 25, quando na realidade
Ho :
= 25,5, no um resultado preocupante, pois estamos aceitando 25, quando o
verdadeiro pode ser 25,5. A diferena de 0,5 (erro absoluto) no to preocupante.
Quando os valores alternativos ( i) afastam-se do valor da hiptese original as
probabilidades de erros ( ) diminuem, atenuando as preocupaes do pesquisador.
Quanto aplicao dos testes de hipteses a resultados de pesquisas empricas,
considera-se apenas a probabilidade de cometer o Erro tipo I. Para testar a hiptese nula,
formulada com o propsito de verificar a possibilidade de rejeitar H0 com base nos dados
amostrais, admite-se (nvel de significncia do teste) entre 1% e 10%, pois a indicao de
rejeio de H0, com baixo risco, implica em uma melhor deciso.
79
6.3 CURVA CARACTERSTICA DE OPERAO (CCO)

A Curva Caracterstica de Operao expressa o comportamento do erro em funo
das diversas hipteses alternativas feitas para Ho, fixando-se um nvel de probabilidade
denominado nvel de significncia do teste.
A CCO do EXEMPLO 6.2.3 seria dada por:
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
25,5
25
25,8
26
26,5
i
Admitindo-se constante, quanto maior for o tamanho da amostra menor ser o erro
, conforme apresentado abaixo:
1
0,9
0,8
0,7
0,6
n1 < n2 < n3
0,5
0,4
0,3
0,2
0,1
0
80
n1
n2
n3
Uma alternativa s Curvas Caractersticas de Operao a construo das Curvas de

Poder do Teste, ou Curvas de Fora do Teste, em que a fora do teste: (1 ) obtida em
funo dos valores atribudos hiptese H0, conforme tratado mai s adiante.
6.4 SIGNIFICADO OU TAMANHO DO EFEITO
Alm de reportar a significncia dos resultados, estudiosos precisam se preocupar com
o significado dos resultados em suas pesquisas. O significado da diferena entre duas mdias
pode ser estimado de vrias formas, uma em particular que tem chamado muita ateno
recentemente: o tamanho do efeito, que pode ser calculado pela frmula:
TE = (M1 M2 )/ S
Esta frmula subtrai a mdia de um grupo (M1) da mdia do segundo grupo (M2), e
divide a diferena pelo desvio-padro. Desta forma, a diferena entre as mdias colocada na
mtrica comum chamada de unidades de desvio-padro , e sua relao com o significado dos
resultados pode ser mensurado, segundo Cohen (1969), conforme o quadro abaixo:
Relao
TE < 0,2
0,2< TE <0,8
TE > 0,8
Significado
pequeno
moderado
grande
Quadro 5 - Classificao quanto ao Tamanho do Efeito.
6.5 PODER
Poder a probabilidade de rejeitar a hiptese nula quando esta falsa (p. ex.,
detectando uma diferena real), ou a probabilidade de tomar a deciso correta. Ter poder na
anlise estatstica importante porque aumenta as chances de rejeitar a hiptese nula falsa.
claro que, at certo ponto, na pesquisa comportamental, a hiptese nula sempre falsa.
O que este enunciado reflete que em pesquisa comportamental as mdias dos dois
grupos nunca so as mesmas. Assim, se suficientes sujeitos so obtidos (uma forma de obter
poder), quaisquer duas mdias podem ser declaradas significativamente diferentes.
As questes mais interessantes em pesquisa comportamental so:
a. O quanto uma diferena importante na teoria e/ou na prtica?
b. Quantos sujeitos so necessrios para declarar uma diferena importante como
significante?
Entendendo o conceito de poder, pode-se responder s duas questes. Se um
pesquisador pode identificar o tamanho de um importante efeito por meio de pesquisas
prvias, ou simplesmente estimar um tamanho do efeito (p. ex., 0,5 um TE moderado,
tambm chamado delta, ), estabelecer quanto de poder aceitvel (p. ex., uma estimativa
comum em cincia comportamental 0,8), ento o tamanho da amostra necessrio para o
estudo pode ser estimado.
81
As Figuras 22 e 23 oferecem uma viso da relao entre o tamanho da amostra, (eixo

y), o poder (eixo x), e o tamanho do efeito (curva TE), quando alfa 0,05 ou 0,01.
EXEMPLO 6.5.1 No planejamento de um estudo, o investigador tem dois grupos,
que sero randomicamente formados, mas no sabe quantos sujeitos so necessrios para cada
grupo a fim de identificar uma diferena significativa entre os tratamentos. Entretanto,
existem vrios estudos relacionados e o investigador calculou um TE mdio = 0,70
favorecendo o grupo experimental nos resultados desses estudos.
O investigador decide estabelecer = 0,05 e quer proteger em 4 vezes o nvel de
alfa (assim, = 0,20) porque Cohen (1988) sugeriu que em cincias comportamentais, a
seriedade do erro do tipo I para o tipo II dever ter a razo de 1 para 4 (0,05 x 4 = 0,20). Uma
vez que o poder 1 - (1,0 - 0,2 = 0,8), ento o poder estabelecido em 0,8 (freqentemente
recomendado como poder adequado em pesquisa comportamental, Green, 1991, p. 502).
500
n para
400
cada grupo
TE=0,2
300
TE=0,3
200
TE=0,4
100
TE=0,5
50
TE=0,7
TE=0,8
TE=0,6
0,3
0,4
0,5
0,6
0,7
0,8
Poder
0,9
Figura 22 - Curva do tamanho do efeito para = 0,05, teste bicaudal.
n para
cada grupo
500
TE=0,2
400
TE=0,3
300
TE=0,4
200
TE=0,5
100
TE=0,6
TE=0,7
TE=0,8
50
0,3
0,4
0,5
0,6
0,7
Figura 23 - Curva do tamanho do efeito para
0,8
0,9
Poder
= 0,01, teste bicaudal.
Quando as informaes prvias so conhecidas ( , TE e poder), ento o nmero de

sujeitos necessrios em cada um dos dois grupos pode ser estimado da Fig. 22 Deve-se ler a
82
curva TE 0,70 por onde atravessa o eixo x (poder) em 0,8, e ento, ler atravs do eixo y
(tamanho da amostra) e observar que 30 sujeitos sero necessrios para cada grupo.
Conforme o nmero de sujeitos em cada grupo reduzido, o poder reduzido (dado o
mesmo TE). Analisando a Fig. 23 (alfa = 0,01), nota-se que para o mesmo nvel de poder
(0,8) e TE (0,70), o nmero de sujeitos necessrios aumenta de 30 (como na Fig. 22, onde
alfa 0,05) para 50.
Pode-se verificar, que para um alfa mais rigoroso (p. ex., 0,05 a 0,01), um maior
nmero de sujeitos requerido para detectar uma diferena significativa.
83
84
Captulo 7
Inferncia Estatstica
O principal objetivo da inferncia estatstica obter informaes sobre uma
populao, com base em elementos amostrais, para aplic-las resoluo de problemas
prticos. Como as populaes so caracterizadas por medidas numricas descritivas,
denominadas parmetros, a estatstica diz respeito realizao de inferncias sobre esses
parmetros populacionais desconhecidos.
Os parmetros populacionais tpicos so:
- a mdia ( );
- o desvio padro ( ); e
- a proporo (p) de determinado evento populacional.
Os mtodos para realizar inferncias a respeito dos parmetros pertencem a duas
categorias:
- estimao: determinao de estimativas dos parmetros populacionais; e
- teses de hipteses: tomada de deciso relativa ao valor de um parmetro.
7.1 ESTIMATIVA POR PONTO
A estimativa por ponto consiste em, com base em dados amostrais, calcular-se um
valor da estimativa de um parmetro populacional.
Assim:
- o valor da mdia amostral (X) constitui uma estimativa do parmetro ( );
- o valor do desvio padro amostral (S) constitui uma estimativa do parmetro ( ), e
- o valor da freqncia relativa amostral (fri) constitui uma estimativa do parmetro
(p) de um determinado evento populacional.
EXEMPLO 7.1.1
Uma amostra aleatria de 300 candidatos Escola Preparatria
de Cadetes do Exrcito, de um total de 200.000, revelou nota mdia amostral de 6,0 no
concurso.
Logo: X = 6,0 uma estimativa por ponto da verdadeira nota mdia ( ) dos 200.000
candidatos.
7.2 ESTIMATIVA POR INTERVALO
Uma estimativa por intervalo consiste em, com base em dados amostrais, calcular-se
um intervalo determinado por dois nmeros, que se espera contenha o valor do parmetro
populacional ( ) com dado nvel de confiana ou probabilidade (1 ) = 90%, 95%, 97,5%...
Quanto menor for o intervalo, maior ser o grau de preciso da inferncia realizada, e
as estimativas dessa natureza so denominadas de intervalos de confiana (IC).
85
EXEMPLO 7.2.1
O intervalo [1,59m; 1,64m] contm a altura mdia dos soldados
de uma Brigada, com nvel de confiana de 90%;
EXEMPLO 7.2.2
Com 95% de confiana, pode-se afirmar que o intervalo [2%;
4%] contm a proporo de aprovados na EsAO com mdia final de curso acima de 9,0;
EXEMPLO 7.2.3
O intervalo [0,001 mm; 0,002 mm] contm o desvio padro do
calibre de munies produzidas por uma determinada mquina, com 97,5% de confiana.
Quando se constri um intervalo de confiana importante atentar para o risco do erro
tipo I ( ). Se o nvel de confiana de 90%, o risco do erro da inferncia estatstica ser de
10% ( = 0,1). Logo, se construssemos 100 intervalos, baseados em 100 amostras de
tamanhos iguais, poderamos esperar que 90 desses intervalos (90% deles) iriam conter o
parmetro populacional sob estudo, enquanto 10 intervalos (10% deles) no iriam conter o
parmetro.
EXEMPLO 7.2.4
Tomando-se 10 amostras aleatrias de 10 soldados de uma
Brigada, construir o IC que contm a altura mdia dos soldados da Brigada.
Amostras
1
2
3
4
5
6
7
8
9
10
1,57
1,58
1,59
1,60
1,61
Figura 24 Intervalo de Confiana para
1,62
1,63
1,64
1,65
1,66
Alturas
a partir de 10 amostras de tamanho n (p=0,9)
Os segmentos horizontais representam os 10 intervalos amostrais, e a reta vertical

representa a localizao do parmetro . Nota-se que o parmetro fixo, e que a localizao
do intervalo varia de amostra para amostra. Por conseguinte, diz-se que a probabilidade do
intervalo [1,59; 1,64] conter o parmetro de 90% , j que em 9 amostras est contido.
Note que no possvel afirmar que existe 90% de probabilidade de
pertencer ao
intervalo [1,59; 1,64] , j que fixo, e o intervalo aleatrio. Na prtica, somente um
intervalo construdo por meio da amostra aleatria obtida.
7.3 INTERVALO DE CONFIANA PARA A MDIA POPULACIONAL QUANDO A
VARINCIA CONHECIDA
Como dito, o estimador de
86
X. E a distribuio de probabilidade de X dada por:
- para populaes infinitas

XdN
- para populaes finitas.

XdN
N n
N 1
Assim, para o caso de populaes infinitas, a varivel normal padronizada de X ser:

X-
Z=
/ n
Fixando um nvel de confiana (1 ) temos:
Ou seja:
P( Z
/2 <
Zi < Z
/2 )
=1
Substituindo o valor de Zi:

P
X-
/2 <
<Z
/ n
/2
=1
Resolvendo as duas inequaes para , temos o intervalo de confiana para a mdia

2
populacional ( ), quando a varincia ( ) conhecida para populaes infinitas:
P
X Z
/2
/ n
<
<
X+Z
/2
/ n =1
87
Para a determinao do IC deve-se proceder da seguinte forma:

(1) Fixar , e determinar o Zcrit com o auxlio da Tabela Z.
(2) Determinar a Regio de Aceitao (RA) e a Regio de Rejeio (RC), por meio do
valor do Zcrit.
(3) Construir o IC com os valores da mdia amostral (X), do desvio-padro
populacional ( ) e do tamanho da amostra (ni).
EXEMPLO 7.3.1
O nmero de flexes de brao realizados por soldados tal que
= 5. Foram amostrados aleatoriamente 100 soldados em todo o pais, obtendo-se uma mdia
de flexes de brao igual a 25. Construir um intervalo de confiana para a verdadeira mdia
nacional de flexes de brao com um nvel de confiana de 95%.
Soluo:
(1) Fixando
= 0,05, encontra-se Zcrit = 1,960
(2) Determinando RA e RC por meio do Zcrit:
2,5%
2,5%
1,960
-1,960
(3)
Construindo o IC:
Dado que:
=5
n = 100
X = 25
= 0,05
Zcrit = 1,960
Logo:
P 25 1,96 . 5/ 100 <
P(24,02 <
88
< 25 + 1,96 . 5/ 100 = 95%

< 25,98) = 95%
(4) Concluso:
A interpretao desse resultado pode ser expressa por uma das duas maneiras:
- O intervalo [24,02; 25,98] contm o nmero mdio de flexes de brao executado
por soldados do Exrcito Brasileiro, com 95% de confiana ; ou
- Com 95% de confiana o intervalo [24,02; 25,98] contm o nmero mdio de
flexes de brao executado por soldados do Exrcito Brasileiro .
Resolvendo as duas inequaes para , temos o intervalo de confiana para a mdia
2
populacional ( ), quando a varincia ( ) conhecida para populaes finitas:
P X Z
N n
/2
<
< X+Z
N n
/2
N 1
N 1
=1

(1) Fixar , e determinar o Zcrit com o auxlio da Tabela Z.
(2) Determinar RA e RC por meio do valor do Zcrit.
(3) Construir o IC com os valores da mdia amostral (X), do desvio-padro
populacional ( ), do tamanho da populao (N) e do tamanho da amostra (ni).
EXEMPLO 7.3.2
O consumo de combustvel por viaturas 5 ton tal que = 1
Km/l. Foram amostradas aleatoriamente 100 viaturas das 1000 de uma Diviso de Exrcito,
obtendo-se uma mdia de consumo de combustvel de 5 Km/l. Construir um intervalo de
confiana para o verdadeiro consumo mdio de combustvel com um nvel de confiana de
90%.
Soluo:
(1) Fixando
= 0,1, encontra-se Zcrit = 1,645.
(2) Determinando RA e RC por meio do Zcrit:
5%
5%
-1,645
1,645
89
(4) Construindo o IC:

Dado que:
=1
N = 1000
n = 100
X=5
= 0,1
Zcrit = 1,645
Logo:
P 5 1,645 .
1
.
100
1000 100
<
1000 1
< 5 + 1,645
P(4,844 <
1
.
100
1000 100
1000 1
= 90%
< 5,156) = 90%
(5) Concluso:
A interpretao desse resultado pode ser expressa por uma das duas maneiras:
- O intervalo [4,844; 5,156] contm o consumo mdio de combustvel das viaturas 5
ton da DE, com 90% de confiana ; ou
- Com 90% de confiana o intervalo [4,844; 5,156] contm consumo mdio de
combustvel das viaturas 5 ton da DE .
7.4 INTERVALO DE CONFIANA PARA A MEDIA POPULACIONAL QUANDO A
VARINCIA DESCONHECIDA
possvel construir-se intervalos de confiana para a mdia quando dispe-se de
pequenas amostras, mas no se conhece o valor do desvio padro populacional ( ). No
entanto, necessrio que a populao de onde foi extrada a amostra aleatria tenha
distribuio normal.
Como no se conhece preciso substitu-lo por S (desvio padro amostral) que,
contrariamente a , uma varivel aleatria. Da se ter o quociente entre duas variveis
aleatrias, X e S.
Como visto no Captulo 5, o estimador:
XS/ n
tem distribuio t de Student com (n 1) graus de liberdade
Fixando um nvel de confiana (1 ), temos:
90
/2
/2
/2
ti
/2
Ou seja:
P( t
/2
< ti < t
/2)
=1
Substituindo o valor de t, e resolvendo as inequaes para , obtemos o intervalo para

a mdia, quando a varincia populacional ( 2) desconhecida, para populaes infinitas:
P
X t
/2
/ n
<
<
X+t
/2
/ n =1

(1) Fixar , e determinar o tcrit com o auxlio da Tabela t (ANEXO F), com (n 1)
graus de liberdade.
(2) Determinar RA e RC, por meio do valor do tcrit.
(3) Construir o IC com os valores da mdia amostral (X), do desvio-padro amostral
(S) e do tamanho da amostra (ni).
EXEMPLO 7.4.1
Escolhendo uma amostra aleatria de 30 cartuchos 7,62mm
(produzidos por uma determinada mquina) obteve-se as seguintes estimativas:
X = 7,62mm
S = 0,012mm
Considerando que o dimetro dos cartuchos produzidos provm de uma distribuio
normal, construir um intervalo de confiana para a mdia do dimetro dos cartuchos
produzidos pela mquina ao nvel de 95%.
Soluo:
(1) Fixando = 0,05, e determinando o tcrit
gl = (30 1) = gl = 29
91
t29;0,05 = 2,045
(2) Determinando RA e RC, por meio do valor do tcrit.
2,5%
2,5%
2,045
-2,045
(3) Construindo o IC com os valores da mdia amostral (X), do desvio-padro

amostral (S) e do tamanho da amostra (ni).
Dado que:
X = 7,62
S = 0,012
n = 10
= 0,05
t29;0,05 = 2,045
Logo:
P (7,62 2,045 . 0,012/ 10 <
< 7,62 + 2,045 . 0.012/ 10) = 95%
P(7,612 <
< 7,628) = 95%
(4) Concluso:
O intervalo [7,612; 7,628] contm a verdadeira mdia com 95% de confiana.
Para os casos de populaes finitas, substituindo o valor de t, e resolvendo as
inequaes para , obtemos o intervalo para a mdia, quando a varincia populacional ( 2)
desconhecida:
P X t
/2
S
n
N n
<
N 1
< X+t
/2
S
n
N n
N 1
=1

(1) Fixar
liberdade,
92
, e determina-se o tcrit com o auxlio da Tabela t com (n 1) graus de
(2) Determinar RA e RC, por meio do valor do tcrit.

(3) Construir o IC com os valores da mdia amostral (X), do desvio-padro amostral
(S), do tamanho da populao (N) e do tamanho da amostra (ni).
EXEMPLO 7.4.2
Escolhendo uma amostra aleatria dos graus obtidos por Cap
CAO 2 ano da EsAO, em uma determinada avaliao, os dados dispuseram-se da seguinte
forma:
Sujeitos
10
Grau
10
7,8
1,32
Considerando que os graus obtidos provem de uma distribuio normal, construir um

intervalo de confiana para a mdia ao nvel de 95%.
Soluo:
(1) Fixando
= 0,05, determina-se o tcrit
gl = (10 1) = gl = 9
t9;0,05 = 2,226
(2) Determinando RA e RC, por meio do valor do tcrit.
2,5%
2,5%
2,226
2,226
(3)
Construindo o IC com os valores da mdia amostral (X), do desvio-padro
amostral (S) e do tamanho da amostra (ni).
Dado que:
X = 7,8
S = 1,32
N = 400
n = 10
= 0,05
t 9; 005 = 2,226
93
7,8 2,226
1,32
400 10
10
400 1
<
<
P(7,39 <
7,8 2,226
1,32
400 10
10
400 1
= 95%
< 8,21) = 95%
(4) Concluso:
O intervalo [7,39; 8,21] contm a verdadeira mdia com 95% de confiana.
7.5 INTERVALO DE CONFIANA PARA A VARINCIA
Como visto na seo 7.1, o estimador de 2 S2, e S2 tem distribuio Qui-Quadrado
[S2(n 1)/ 2 ] com (n 1) graus de liberdade, a exceo de constantes.
Ou seja:
2
n-1
2
d S (n-1)
=
Admitindo-se que a populao de onde foi extrada a amostra tenha distribuio

normal, pode-se construir o intervalo:
/2
f ( 2)
1-
/2
RA
RC
2
RC
2
inf
sup
Ou seja:
2
P(
Substituindo o valor de
intervalo:
P
94
inf
n-1
S2(n-1)
2
sup
<
n-1
<
sup )
=1
e resolvendo as duas inequaes para , obtm-se o
< <
S2(n-1)
2
inf
=1

2
(1) Fixar , e determinar os

graus de liberdade,
inf
eo
sup
com o auxlio da Tabela

2
(2) Determinar RA e RC, por meio do valor dos

(ni).
com (n 1)
crit
(3) Construir o IC com os valores da varincia amostral (S2) e do tamanho da amostra
EXEMPLO 7.5.1
Retirando-se, de uma distribuio normal, uma amostra aleatria
com n = 20 e S=4. Construir um IC para a varincia populacional ao nvel de 90%.
Soluo:
(1) Fixando
= 0,1, determinamos os
inf
eo
sup
gl = (20 1) = gl = 19
2
19;0,95 =
2
19;0,05 =
10,117 e
30,144
(2) Determinando RA e RC, por meio dos valores dos

f ( 2)
crit
5%
5%
RA
RC
RC
2
30,144
10,117
(3) Construindo o IC
Dado que:
S2 = 4
n = 20
= 0,15
2
19;0,95 = 10,117
2
19;0,05 = 30,144
P
4(20 1)
30,144
< <
4(20 1)
10,117
= 90%
P(2,524 < < 7,512) = 90%

Assim, podemos afirmar que o intervalo [2,524; 7,512] contm a verdadeira varincia
populacional com 90% de confiana.
95
7.6 INTERVALO DE CONFIANA PARA O DESVIO PADRO

Admitindo que a distribuio de probabilidade populacional de onde se extraiu a
amostra seja normal, o intervalo de confiana aproximado para o desvio padro ( ) dado
pela raiz quadrada do IC para a varincia ( ), sendo a distribuio Qui-Quadrado tomada
com (n 1) graus de liberdade.
Assim:
S2(n-1)
S2(n-1)
P
=1
< <
2
2
sup
inf
EXEMPLO 7.6.1
Com os dados do EXEMPLO 7.5.1, construir o IC para o
desvio padro populacional.
Soluo:
(1)
= 0,1, determinamos os
Fixando
inf
eo
sup
gl = (20 1) = gl = 19
2
19;0,95 =
(2)
2
19;0,05 =
10,117 e
30,144
Determinando RA e RC, por meio dos valores dos
crit
5%
f ( 2)
5%
RA
RC
RC
2
30,144
10,117
(3)
Construir o IC com os valores da varincia amostral (S2) e do tamanho da
amostra (ni).
Dado que:
S2 = 4
n = 20
= 0,1
2
19;0,95 = 10,117
2
19;0,05 = 30,144
P
96
4(20 1)
30,144
<
<
4(20 1)
10,117
= 90%
P(1,589 <
< 2,741) = 90%
Assim, podemos afirmar que o intervalo [1,589; 2,741] contm verdadeiro desvio
padro populacional com 90% de confiana.
7.7 INTERVALO DE CONFIANA PARA A PROPORO
Para amostras suficientemente grandes (n > 30), a distribuio amostral de fr = ^
p= xi/ni
aproximadamente normal com mdia p, isto : f = p e desvio padro dado por:
(f) =
p(1 p)
n
Onde:
fr = freqncia relativa dos sucessos = ^
p = estimador de p
p = verdadeira proporo populacional de sucessos
xi = numero de sucessos na amostra
ni = tamanho da amostra
Para grandes amostras:
Zi =
fr p
p(1 p)
n
Fixando um nvel de confiana de (1
), temos:
/2
/2
-Z
-Z
/2
Zi
/2
Substituindo o valor de Zi e resolvendo as duas inequaes para p, temos:

P fr Z
p(1 p)
/2
ni
< p < f +Z
r
p(1 p)
/2
ni
=1
97
Para grandes amostras podemos substituir p, do radicando, por f, obtendo o IC para a

proporo populacional de um determinado evento:
P fr Z
fr (1 fr)
/2
ni
< p < f +Z
r
fr (1 fr)
ni
/2
=1
EXEMPLO 7.7.1
Examinando-se uma amostra aleatria de 500 graus obtidos por
candidatos ao Concurso da ESA foram encontrados 200 graus abaixo de 5. Com 95% de
confiana, desejamos construir um intervalo para a verdadeira proporo de candidatos que
no atingiram o grau 5.
Soluo:
(1)
Calcula-se a freqncia relativa de graus abaixo de 5
fr = 200/500 = 0,4
Fixando
= 0,05, por meio de fr determina-se o Zcrit
Zcrit = 1,960
(2)
Determina-se RA e RC, por meio do valor do Zcrit
2,5%
2,5%
-1,960
1,960
(3)
Constri-se o IC com os valores da freqncia relativa (fr), do tamanho da
amostra (ni), e do Zcrit.
Dado que:
fr = 0,4
n = 500
= 0,05
Zcrit = 1,960
Substituindo os valores na frmula:
P 0,4 1,96
98
0,4 (1 0,4r)
< p < 0,4 + 1,96
500
0,4 (1 0,4r)
=1
500
P(0,3571 <
< 0,4429) = 95%
Assim, podemos afirmar que o intervalo [0,3571; 0,4429] contm a verdadeira

proporo de candidatos que obtiveram grau inferior a 5 no Concurso da ESA.
Para o caso de populaes finitas:
P fr Z
/2
fr (1 fr)
n
N n
N 1 <
< fr + Z
/2
fr (1 fr)
n
N n
N 1
=1
Embora se aceite que n>30 suporta a idia de amostra suficientemente grande , uma
regra prtica para se verificar se o tamanho da amostra pode assim ser considerado aplicar a
frmula:
fr + 2 . fr (1 fr)
n
A amostra ser suficientemente grande se o intervalo resultante no contiver os
valores 0 ou 1 .
99
100
Captulo 8
Testes paramtricos de hipteses
Ao invs de calcular uma estimativa pontual ou por intervalo do parmetro, conforme
exposto no Captulo 7, possvel admitir-se um valor hipottico para um parmetro
populacional, e com base nas informaes de uma amostra realizar um teste estatstico para
tomar uma deciso (aceitar ou rejeitar o valor hipottico).
No entanto, devido ao fato de que a deciso ser baseada em estimativas fornecidas
pela amostra, fica evidente que, devido s condies de incerteza, o pesquisador estar sujeito
a erros ao decidir. Os testes de hiptese dimensionam a probabilidade (risco) de se estar
cometendo algum tipo de erro, fornecendo alguma segurana para a tomada de deciso acerca
de aceitar, ou rejeitar uma hiptese estatstica.
Neste captulo, sero apresentados os testes referentes aos parmetros da populao.
Trata-se de uma suposio quanto ao valor de um parmetro populacional, ou quanto
natureza da distribuio de probabilidade de uma varivel populacional.
Como descrito no Captulo 6, o teste de significncia considera apenas o erro
procedimento para sua realizao pode ser resumido nos seguintes passos:
,eo
(1) Enunciar as hipteses H0 e H1;

(2) Fixar o limite do erro
e identificar a varivel do teste;
(3) Com o auxilio das tabelas estatsticas, considerando

e a varivel do teste,
determinar a RC (regio crtica) e a RA (regio de aceitao) para H0;
(4) Com os dados amostrais, calcular o valor da varivel do teste; e
(5) Concluir pela aceitao ou rejeio de H0, comparando o valor obtido no passo (4)
com o valor crtico para a RA.
O Teste t e as Razes F so utilizados ao longo deste captulo para determinar se
grupos so significativamente diferentes, determinando a fora da associao entre as
variveis independentes e dependentes, e estabelecendo a amplitude desta diferena.
O uso das Distribuies t e F pressupe quatro condies:
(1) As distribuies devem ser feitas a partir de populaes distribudas normalmente;
(2) As observaes devem representar amostras aleatrias das populaes;
(3) O numerador e o denominador so estimativas da mesma varincia da populao; e
101
(4) O numerador e o denominador das razes F (ou t) so independentes.

8.1 TESTE DE SIGNIFICNCIA PARA MDIAS POPULACIONAIS
Procedimento:
(1) Enunciar as hipteses
H0 : = 0
H1: uma das alternativas:
; ou c)
>
(2) Fixar . Admitindo-se

com gl = (ni 1).
a)
0;
b)
<
desconhecida, a varivel do teste ser a t de Student,
(3) Determinam-se RA e RC por meio do tcrit

(4) Clculo do valor da varivel t:
tcalc=
XS/ n
Onde:
X = mdia amostral
= valor da hiptese nula
S = desvio padro amostral
n = tamanho da amostra
(5) Concluso:
a) Se t
/2 < calc
< t /2,no se pode rejeitar H0.
Se t
/2 > calc
> t /2, rejeita-se H0.
b) Se tcalc < t ,no se pode rejeitar H0.

Se tcalc > t , rejeita-se H0.
b) Se tcalc > t ,no se pode rejeitar H0.
Se tcalc < t , rejeita-se H0.
EXEMPLO 8.1.1: Os registros dos ltimos anos da EsAO atestam que os Cap CAO
obtiveram uma nota mdia igual a 8,0 em uma determinada avaliao formativa. Admitindose que 2 desconhecida, testar, ao nvel de significncia = 0,05 a hiptese de que a mdia
de uma nova turma a mesma das turmas anteriores, baseado no resultado obtido por uma
amostra aleatria de 20 Cap CAO, cuja mdia foi igual a 7,8 e o desvio padro igual a 0,5.
102
Soluo:
(1) Enunciando as hipteses
H0 :
H1 :
0
0
(2) Fixando , e calculando o tcrit com gl = (n 1).

= 0,05
gl = (n 1) = 20 1 =19
t19;0,05 = 2,093
(3) Determinando RA e RC por meio do tcrit ,.
2,5%
2,5%
2,093
-2,093
(4) Clculo do valor da varivel t:
tcalc=
tcalc=
XS/ n
7,8 8,0
0,5/ 20
tcalc= 1,789
(5) Concluso:
Como t /2 < tcalc < t /2 (-2,093 < 1,789 < 2,093), no se pode rejeitar H0, concluindo-se
que, a um nvel de significncia
= 0,05, que as mdias no so significativamente
diferentes.
Note que est concluso no quer dizer que as mdias so necessariamente iguais.
103
8.2 TESTE DE SIGNIFICNCIA PARA VARINCIAS POPULACIONAIS

Procedimento:
2
H0 :

a)
; b)
>
; ou c)
<
e escolher a varivel Qui-Quadrado com gl = (ni 1)
(2) Fixar
(3) Determinar RA e RC por meio do

a)
2
0
f ( 2)
crit
/2
/2
RC
RA
2
b)
>
RC
2
inf
f ( 2)
RC
RA
2
c)
<
2
0
crit
f ( 2)
RC
RA
2
104
sup
crit
(4) Clculo do valor da varivel

2
calc=
(n -1)S2
2
0
Onde:
S2 = varincia amostral
0
= valor da hiptese nula
(5) Concluso
a) Se 2inf < 2calc < 2sup,no se pode rejeitar H0.
Se 2calc > 2sup ou 2calc < 2inf, rejeita-se H0.
b) Se 2calc < 2sup,no se pode rejeitar H0.
Se 2calc > 2sup, rejeita-se H0.
b) Se 2calc > 2inf,no se pode rejeitar H0.
Se 2calc < 2inf, rejeita-se H0.
EXEMPLO 8.2.1: Deseja-se testar a hiptese de que a varincia de uma populao
com distribuio normal menor que 25, admitindo = 0,10. Para tanto, foi selecionada uma
amostra aleatria de 25 elementos obtendo-se S2 = 20.
Soluo:
H0 :
> 25
H1 :
< 25 (teste de significncia unicaudal esquerda)
(2) Fixando , e calculando o
inf t
com gl = (n 1)
= 0,1
gl = n 1 = 25 1= 24
2
24;01 = 15,7
(3) Determinando RC e RA por meio do
f ( 2)
inf
=10%
RC
RA
15,7
105
(4) Clculo do valor da varivel:

2
(5) Como 2calc >

significncia de 10%.
2
inf
(25 1)20
25
calc=
calc=
19,2
(19,2 > 15,7) no se pode rejeitar H0 :
= 25 ao nvel de
8.3 TESTE DE SIGNIFICNCIA PARA A IGUALDADE ENTRE DUAS VARINCIAS

POPULACIONAIS
Procedimento:
G)
H0 :
2
1 =
H1 :
2
1
(2) Fixar , e escolher a varivel F com gl = (n1 1) por meio da Tabela F (ANEXO
(3) Determinar RA e RC por meio do Fcrit.
f (F)
RC
RA
Fcrit
(4) Clculo do valor da varivel F.

F=
S12
S22
Onde:
S12 e S12 so as varincias amostrais, respectivamente, das duas populaes
S12 a maior varincia.
(5) Concluso:
Se Fcalc < Fcrit, no se pode rejeitar H0.
Se Fcalc > Fcrit, rejeita-se H0, concluindo-se, com risco
diferentes.
106
, que as varincias so
EXEMPLO 8.3.1: Foram avaliados 100 documentos desde o protocolo de entrada

at seu despacho final. Ambos entraram pelo protweb e pelo estafeta. Os documentos via
estafeta apresentaram uma varincia de 256 (horas de processamento). Os documentos que
tramitaram pelo protweb apresentaram uma varincia de 100. Sendo
= 0,05, podemos
concluir que as varincias so diferentes para as duas vias de processamento?
Soluo:
H0 :
2
1 =
H1 :
2
1
(2)
Fixando , e determinando o Fcrit
= 0,05
gln = n1 1 = 100 1 = 99 no numerador,
gld = n2 1 = 100 1 = 99 no denominador.
F99:99 = 1,39
(3) Determinar RA e RC por meio do Fcrit
f (F)
5%
RC
RA
1,39
(4) Clculo do valor da varivel F

Fcalc=
S12
S22
Fcalc=
256
100
Fcalc= 2,56
(5) Concluso
Como Fcalc > Fcrit (2,56 > 1,39), rejeita-se H0, concluindo, com risco
varincias so diferentes.
= 0,05, que as
107
8.4 TESTE DE SIGNIFICNCIA PARA IGUALDADE ENTRE DUAS MDIAS

POPULACIONAIS (VARINCIAS CONHECIDAS)
Procedimento:
ou > .
H0 :
1=
ou
H1 :
ou
2=
2
Onde d a diferena admitida entre as mdias, podendo se testar as desigualdades <

(2) Fixar
e verificar o valor do Zcrit
(3) Determinar RA e RC por meio do Zcrit
(4)
Clculo do valor da varivel:
Zcalc=
( X1 X2) d
1
n1
(5)
n2
Concluso:
Se Z /2 < Zcalc < Z /2, no se pode rejeitar H0.

Se Zcalc > Z /2 ou Zcalc < Z /2, rejeita-se H0, concluindo-se, com risco
diferena entre as mdias.
, que h
EXEMPLO 8.4.1: Um fabricante de pneus produz dois tipos de pneumticos para

2
2
Vtr 1 ton. Para o tipo 1, 1 = 4000 Km, e para o tipo 2 2 = 5000 Km. Um centro de
avaliao testou 50 pneus do tipo 1 e 50 do tipo 2, obtendo mdias de durao X1 = 40000 Km
e X2 = 42000 Km dos respectivos tipos. Adotando um risco de 5%, teste a hiptese de que a
vida mdia dos dois tipos de pneus a mesma.
108
Soluo:
H0 :
1=
H1 :
(2) Fixando , e determinando o Zcrit

= 0,05
Zcrit = 1,960
(3) Determinando RA e RC por meio do Zcrit :
2,5%
2,5%
1,960
-1,960
Zcalc=
( 40000 42000) - 0
4000
5000
+
50
50
Zcalc= 149,07
(5) Como Zcalc < Z /2 ( 149,07 < 1,960), rejeita-se H0, concluindo-se com risco de
5%, que as vidas mdias dos pneus so diferentes.
8.5 TESTE DE SIGNIFICNCIA PARA IGUALDADE ENTRE DUAS MDIAS
POPULACIONAIS (VARINCIAS DESCONHECIDAS, MAS ADMITIDAS IGUAIS)
Procedimento:
H0 :
ou > .
1=
ou
2=
H1 : 1
2 ou
1
2 d
Onde d a diferena admitida entre as mdias, podendo se testar as desigualdades <
(2) Fixar
e verificar o valor do tcrit com gl = n1 +n2 2

109
(3) Determinar RA e RC por meio do tcrit.
/2
/2
-t
/2
/2
ti
tcalc=
Onde:
S2=
( X1 X2) - d
n1 + n2
S2
n1 . n2
(n1 1) S12 + (n2 1) S22

n1 +n2 2
(5) Concluso:
Se t
/2
< tcalc < t /2, no se pode rejeitar H0.
Se tcalc > t /2 ou tcalc < t /2, rejeita-se H0, concluindo-se, com risco
diferena entre as mdias.
, que h
EXEMPLO 8.5.1: Dois tipos de pneus para Vtr 1 ton foram testados por um
centro de avaliao por meio de amostras aleatrias (n1 = 50 e n2 = 40). Para o tipo 1, a
2
2
durao mdia foi de X1 = 40000 com S1 = 3500 Km, e para o tipo 2 X1 = 38000 com S2 =
3800 Km. Adotando um risco de 5%, teste a hiptese de que a vida mdia dos dois tipos de
pneus a mesma.
Soluo:
H0 :
1=
H1 :
(2)
Fixando , e determinando o tcrit
= 0,05
gl = (n1 n2) 2 = 50 +40 2 = 88
t88;0,05 = 1,987
Note que buscamos o valor de /2 na Tabela t com 88 gl, pois o teste bi-caudal.
110
(3) Determinando RA e RC por meio do tcrit :
2,5%
2,5%
1,987
-1,987

S2=
(50 1) 3500 + (40 1) 3800

50 +40 2
S2= 3632, 95
tcalc=
(40000 38000) 0
50 + 40
3632, 95
50 . 40
tcalc= 12,234
(5) Concluso:
Como tcalc > t /2 (12,234 > 1,987), rejeita-se H0, concluindo-se, com risco de 5%, que
as vidas mdias dos pneus so diferentes.
8.6 TESTE DE SIGNIFICNCIA PARA PROPORES POPULACIONAIS
Procedimento:
H 0 : p = p0
a) p
p0; b) p > p0; ou c) p < p0
(2) Fixar
e verificar o valor do Zcrit
111
(3) Determinar RA e RC por meio do Zcrit

a) p
p0
/2
/2
RC
RC
RA
/2
/2
b) p > p0
RC
RA
c) p < p0
RC
RA
(4) Clculo da varivel Z:

Zcalc=
fr p0
p0(1 p0)
n
Onde:
fr = freqncia relativa do evento na amostra
p0(1 p0) = valor da hiptese nula
(5)
Concluso:
a) Se Z /2 < Zcalc < Z /2,no se pode rejeitar H0.

Se Zcalc > Z /2 ou Zcalc < Z /2, rejeita-se H0.
b) Se Zcalc < Z ,no se pode rejeitar H0.
Se Zcalc > Z , rejeita-se H0.
c) Se Zcalc > Z /2,no se pode rejeitar H0.
Se Zcalc < Z /2 rejeita-se H0.
112
EXEMPLO 8.6.1: As condies de mortalidade de uma regio so tais que a

proporo de nascidos que sobrevivem at 60 anos de 60% (0,60). Testar essa hiptese, ao
nvel de 5%, se em 1.000 nascimentos amostrados aleatoriamente, verificaram-se 530
sobreviventes at 60 anos.
Soluo:
H0 :
1=
H1 :
(2) Fixando , e determinando o Zcrit

= 0,05
Zcrit = 1,960
(3) Determinam-se RA e RC por meio do Zcrit
2,5%
2,5%
-1,96
1,96
Zi

Zcalc=
f p0
p0(1 p0)
n
Zcalc=
0,53 0,60
0,60 (1 0,60)
1000
Zcalc= - 4,52
(5) Concluso
Como Zcalc < Zcrit ( 4,52 < 1,96) rejeita-se H0, concluindo-se, com risco de 5%, que
a proporo de nascidos que sobrevivem at 60 anos diferente de 60%.
113
114
Captulo 9
Anlise de varincia
No captulo anterior, foram apresentados testes paramtricos verificar a igualdade
entre duas mdias (testes t e z), duas varincias (testes F e 2) ou duas propores (teste z).
Quando necessitamos testar a igualdade entre K mdias (K > 2, sendo a varivel intervalar
no mnimo intervalar), podemos utilizar a Anlise da Varincia (ANOVA), verificando a
influncia de um ou mais fatores sobre uma determinada varivel dependente.
Desenvolvido por Fsher, a ANOVA um mtodo estatstico que verifica se fatores ou
tratamentos (variveis independentes) produzem mudanas sistemticas em alguma varivel
de interesse (varivel dependente), por meio de teste de igualdade de mdias.
9.1 ANOVA SIMPLES (ONE-WAY OU COM NICO FATOR)
O conceito de anlise de varincia (ANOVA) simples uma extenso do teste t
independente, que permite a avaliao da igualdade entre as mdias de dois ou mais grupos,
sendo estes nveis da mesma varivel independente.
Trata-se de um mtodo estatstico, em que amostras aleatrias independentes so
retiradas de k populaes normais (k > 2) com mdias 1, 2, ..., k, cujas varincias so
supostamente iguais ( 12 = 22 = ... = k2). As amostras podem ser de tamanhos diferentes,
sendo o nmero total de observaes da experincia igual a ni = n1 + n2 + ... + nk.
Lgica da ANOVA
Deve-se fazer uma partio da soma total dos quadrados, variao total(Qt), em tantas
parcelas quantas forem as variveis independentes (fatores).
Qt=
ni
i=1
j=1
(xij X)2
Onde:
i= 1,2,...,k (tratamentos)
j = 1, 2,..., nj, (elementos das amostras)
X = mdia geral
Pode-se demonstrar que cada uma das varincias das variveis independentes (somas
de quadrados divididas por uma constante apropriada) um estimador justo (imparcial) de 2,
quando essas variveis no tm influncias sobre a varivel de estudo, ou seja, H0
115
verdadeira. Por outro lado, a varincia do erro um estimador justo (imparcial) de

H0 verdadeira ou falsa.
, sendo
A comparao das varincias detectada com o uso de um teste F para igualdade entre
duas varincias. Se a estimativa da varivel independente for significativamente grande, o
teste F rejeitar a hiptese de nenhum efeito provocado pela varivel independente,
fornecendo uma evidncia de que o fator correspondente tem influncia sobre a varivel de
estudo.
No caso de uma varivel independente (um fator),
maneiras:
poder ser estimada de trs
Varincia total;
Varincia devida aos tratamentos; e
Varincia devida aos erros.
Varincia Total (St2)
Para o clculo da varincia total, os k tratamentos so considerados como uma nica
amostra de tamanho n. O quociente entre a variao total e os respectivos graus de liberdade
(gl= n 1) expressa a varincia. St2 ser um estimador justo de 2, se H0 verdadeira, caso
contrrio ir superestim-la.
St2=
ni
i=1
j=1
(xij X)2
n 1
Qt
n 1
Frmula prtica:
St2=
Onde:
Qt =
ni
i=1
j=1
Qt
n-1
xij2 C
C=
ni
i=1
j=1
xij
Varincia Devida aos Tratamentos (Se2)

Para o clculo da varincia devida aos tratamentos, so considerados os desvios entre
as mdias dos k tratamentos e a mdia geral, ponderados pelos respectivos graus de liberdade
(gl = k 1). Se2 ser um estimador justo de 2, se H0 verdadeira, caso contrrio ir
superestim-la.
Se =
116
ni
i=1
j=1
(Xij X)2
k 1
Qe
k 1
Frmula prtica:
Qe
S e2 =
ni
onde Qe =
k 1
xij
j=1
i=1
ni
Varincia Devida aos Erros (Sr2)

A terceira maneira de estimar a varincia comum ser por meio da mdia aritmtica
das Si2 de cada uma das k amostras, ponderada pelos respectivos graus de liberdade (gl = n
k). Assim, Se2 ser um estimador justo de 2, sendo H0 verdadeira ou no.
Sr2=
ni
j=1
j=1
(xij Xi)2
n k
Qr
n k
Frmula prtica:
Qt
n 1
Sr2=
Onde:
Qt =
ni
i=1
j=1
xij2
C=
ni
i=1
j=1
xij
A variao total igual soma da variao entre tratamentos e a variao residual

(Qt = Qe + Qr) e suas respectivas varincias (St2, Se2, e Sr2) tem distribuio 2 com (n 1),
(k 1) e (n k) graus de liberdade, ou seja:
2
Essa condio necessria e suficiente para que
F=
n 1
k 1
k 1
2
n k
n k
k 1
n k
k 1
n k
sejam independentes.
Qe
k 1
S2
=
= e2
Qr
Sr
n k
Os graus de liberdade para a distribuio F so fornecidos por (k 1) no numerador e

(n k) no denominador, e o quociente F (Fcalc) ser utilizado para testar H0. Quanto mais
prximo de 1 maior a probabilidade de se aceitar H0. No entanto, quanto maior for o valor de
F, maior ser a indicao da rejeio de H0, concluindo-se, com risco , que o fator
considerado tem influncia sobre a varivel dependente.
117
Para proceder a ANOVA deve-se:

H0 :
= ... =
(as mdias dos k tratamentos so iguais)
H1: pelo menos duas mdias so diferentes.

(2) Dispor os dados de acordo com a tabela a seguir:
Elementos
amostrais
1
2
...
nj
Soma
Tratamentos
2
...
x21
...
x22
...
...
...
x2nj
...
1
x11
x12
...
x1nj
x1nj
x2nj
ki
xk1
xk2
...
xkinj
...
xkinj
Total
ni
i=1
j=1
xij
(3) Calcular a constante C
C=
ni
i=1
j=1
xij
(4) Calcular a variao total

Qt =
ni
i=1
j=1
xij2 C
(5) Calcular a variao entre tratamentos

k
Qe =
xij
j=1
i=1
ni
(6) Calcular a variao residual

Qr = Qt Qe
(7) Construir o Quadro de Anlise de Varincia obtendo-se o Fcalc
Fontes de variao
Soma dos
quadrados
Graus de
liberdade
Entre tratamentos
Qe
k 1
Dentro das amostras Qr = Qt - Qe

(residual)
Total
Qt
118
n k
n 1
Quadrados
mdios
Qe
S e2 =
k 1
Q
t - Qe
Sr2=
n k
Teste F
Fcalc =
S e2
Sr2
(8) Determinar RA e RC por meio do Fcrit obtido na Tabela F

gln = k 1 (graus de liberdade do numerador)
gld = n k (graus de liberdade do denominador)
f (F)
RC
RA
Fcrit
(9) Concluso:
Se Fcalc < Fcrit, no se pode rejeitar H0, concluindo, com risco , que o fator no tem
influncia sobre a varivel dependente.
Se Fcalc > Fcrit, rejeita-se H0, concluindo, com risco , que o fator tem influncia sobre
a varivel dependente.
EXEMPLO 9.1.1: Deseja-se inferir se o fato de pertencer a um determinado
peloto de uma SU tem influencia no desempenho do soldado no exerccio de flexo de brao.
Para tal foram selecionados aleatoriamente 10 soldados de cada peloto e registrado seu
resultado no 1 TAF. Verificar, ao nvel de 5%, se o desempenho mdio dos pelotes foram
diferentes.
Soluo:
H0 :
(as mdias dos 3 pelotes so iguais)

(2) Apresentando os dados
Elementos
amostrais
1
2
3
4
5
6
7
8
9
10
Soma
1
20
22
24
26
28
30
32
34
36
38
290
Pelotes
2
24
25
26
27
28
29
30
31
32
33
285
3
26
26
29
29
32
32
35
35
38
38
320
Total
895
119

C=
895 2
30
C = 26700,83
Qt =
k
ni
i=1
j=1
Logo:
ni
i=1
j=1
xij2 C
xij2 = 202 + 222 + 242 +...+382 = 27365
Qt = 27365 26700,83
Qt = 664,17
k
Qe =
i=1
xij
j=1
ni
(290)2
(285)2
(320)2
Qe =
+
+
26700,83
10
10
10
Qe = 71,67
Qr = Qt Qe
Qr = 664,17 71,67
Qr = 592,5
(7) Construir o Quadro de Anlise de Varincia obtendo-se o Fcalc
Fontes de variao
Soma dos
quadrados
Entre tratamentos
71,67
Dentro das amostras

(residual)
Total
592,5
664,17
Graus de
liberdade
Quadrados
Teste F
mdios
71,67
= 35,835
3 1 = 2
35,835
2
Fcalc =
592,5
= 21,944
30 3 = 27
21,944
27
Fcalc = 1,63
30 1 = 29

F2:27 = 3,35
120
f (F)
5%
RC
RA
3,35
(9) Concluso:
Como Fcalc < Fcrit, (1,61 < 3,35) no se pode rejeitar H0, concluindo, com risco
=0,05, que o fator (pertencer a um determinado peloto) no tem influncia sobre a varivel
dependente (nmero de flexes de brao).
EXEMPLO 9.1.2: Deseja-se inferir se um determinado peloto teve uma
significativa melhora na performance da corrida de 12 minutos ao longo dos 3 TAF do ano de
instruo (note que se deseja inferir se a repetio do treinamento executado influencia o
desempenho na corrida, este o caso de ANOVA simples com medidas repetidas) Para tal
foram selecionados aleatoriamente 10 soldados do peloto e registrados seus resultados no 1,
2 e 3 TAF. Verificar, ao nvel de 5%, se o desempenho mdio dos soldados foram diferentes
ao longo do ano.
Soluo:
H0 :
(as mdias dos soldados so iguais)

(2) Apresentando os dados
Elementos
amostrais
1
2
3
4
5
6
7
8
9
10
Soma
Resultado na Corrida de 12 minutos

1 TAF
2 TAF
3 TAF
2,0
2,4
2,6
2,2
2,6
3,0
2,4
2,6
3,1
2,6
2,7
3,1
2,8
2,9
3,2
3,0
3,2
3,3
3,2
3,3
3,5
3,2
3,3
3,5
3,3
3,4
3,5
3,3
3,4
3,5
28,0
29,8
32,3
Total
90,1
121
90,1 2
30
C=
C = 270,60
Qt =
k
ni
i=1
j=1
Logo:
ni
i=1
j=1
xij2 C
xij2 = 2,02 + 2,22 + 2,42 +...+3,52 = 275,69
Qt = 275,69 270,60
Qt = 5,0897
k
Qe =
Qe =
i=1
xij
j=1
ni
(290)2
(285)2
(320)2
+
+
270,60
10
10
10
Qe = 0,9327

Qr = Qt Qe
Qr = 5,0897 0,9327
Qr = 4,157
(7) Construindo o Quadro de Anlise de Varincia e obtendo o Fcalc
Fontes de variao
Soma dos
quadrados
Entre tratamentos
1,512
Dentro das amostras

(residual)
Total
3,82
5,332
Graus de
liberdade
Quadrados
Teste F
mdios
1,512
= 0,756
3 1 = 2
0,756
2
Fcalc =
3,82
= 0,142
30 3 = 27
0,142
27
Fcalc = 5,32
30 1 = 29

F2:27 = 3,35
122
f (F)
5%
RC
RA
3,35
(9) Concluso:
Como Fcalc > Fcrit, (5,32 < 3,35) rejeita-se H0, concluindo, com risco =0,05, que a
repetio do fator treinamento tem influncia sobre a o desempenho mdio dos pelotes na
corrida de 12 minutos.
Para verificar-se quais mdias foram diferentes, deve-se aplicar um teste de
acompanhamento (post-hoc), conforme apresentado ao final deste captulo.
9.2 ANOVA DUPLA (TWO-WAY OU COM DOIS FATORES)
A ANOVA two-way um modelo estatstico aplicado a projetos em blocos aleatrios
(b blocos e k tratamentos), onde os tratamentos so distribudos aleatoriamente em cada
bloco, aparecendo uma vez por bloco.
Este teste verifica se os dados apresentam evidncia suficiente de haver uma diferena
entre as mdias dos k tratamentos, e entre as respostas mdias dos blocos, ou seja, blocos e
tratamentos so duas variveis independentes qualitativas (dois fatores). Conseqentemente, a
variao total (Qt) poder ser subdividida em trs parcelas:
Variao entre os tratamentos (Qe);
Variao devida aos blocos (Qb); e
Variao devida aos erros ou residual(Qr).
Assim:
Onde:
Qt = Qe+ Qb + Qr
Qt =
i=1
j=1
xij2 C
b
Qe =
Qb =
j=1
i=1
b
j=1
xij
b
k
xij
i=1
C
123
Qr = Qt Qb Qe
Para testar a hiptese de influncia do fator Tratamentos:
H0 :
= ... =
(as mdias dos k tratamentos so iguais)

Para testar a hiptese de influncia do fator Blocos:
H0 :
= ... =
(as mdias dos b blocos so iguais)

Blocos
1
2
...
bj
Soma
Tratamentos
2
...
x21
...
x22
...
...
...
x2bj
...
1
x11
x12
...
x1bj
x1bj
x2bj

C=
ki
xk1
xk2
...
xkibj
...
xkibj
2
i=1
j=1
xij

Qt =
i=1
j=1

k
Qe =
b
j=1
xij
j=1
i=1
(6) Calcular a variao entre blocos

Qb =
xij2 C
k
n
xij
i=1
Qr = Qt Qb Qe
124
Total
k
i=1
xki1
xki2
...
xkibj
bi
j=1
xij
testada
(8) Construir o Quadro de Anlise de Varincia obtendo-se o Fcalc para cada hiptese
Fontes de variao
Soma dos
quadrados
Graus de
liberdade
Qe
k 1
Tratamentos
Qb
Blocos
Quadrados
mdios
Qe
S e2 =
k 1
Sb2=
b 1
Teste F
S e2
Fecalc =
Sr2
Sb2
Fbcalc =
Sr2
Qb
b 1
Residual
Qr
n k b + 1
Total
Qt
n 1
Sr2=
Qr
n k b + 1

Para Fecalc
gld = n k b + 1 (graus de liberdade do denominador)
Para Fbcalc
gln = b 1 (graus de liberdade do numerador)
gld = n k b + 1 (graus de liberdade do denominador)
Para Fecalc
f (F)
f (F)
RA
RC
RA
Fecrit
Para Fbcalc
RC
Fbcrit
(10) Concluses:
Se Fecalc < Fecrit, no se pode rejeitar H0, concluindo, com risco , que o fator no tem
Se Fecalc > Fecrit, rejeita-se H0, concluindo, com risco
sobre a varivel dependente.
, que o fator tem influncia

Se Fbcalc < Fbcrit, no se pode rejeitar H0, concluindo, com risco , que o fator no tem
Se Fbcalc > Fbcrit, rejeita-se H0, concluindo, com risco

125
EXEMPLO 9.2.1: Durante a IIB, trs

SU exerceram didticas diferentes
(tratamentos) na instruo de seus soldados. Deseja-se inferir se o fato de pertencer a um
determinado peloto (blocos) de uma determinada SU,tem influencia no desempenho do
soldado no exame seletivo para o Curso de Formao de Cabos (CFC). Para tal, foram
registrados os resultados mdios de cada peloto no exame. Verificar, ao nvel de 5%, se o
desempenho mdio das SU foi diferente (o que indicaria que a didtica empregada influencia
o resultado no exame), e se o desempenho mdio dos pelotes foi diferente (o que indicaria
que o desempenho do Cmt Pel, como instrutor, influencia o resultado no exame). Deve-se
observar que o fator inteligncia do soldado no uma varivel interveniente devido
aleatoriedade do processo de seleo e distribuio dos soldados pelas SU.
Soluo:
Para testar a hiptese de influncia do fator Didtica:
H0 :
H1 :
diferentes)
1
1
=
2;
(as mdias dos resultados das SU so iguais)
3;
3;
ou
(pelo menos duas mdias so
Para testar a hiptese de influncia do fator Instrutor:

H0: 1 = 2 = 3 (as mdias dos b blocos so iguais)
(2) Dispondo os dados de acordo com a tabela a seguir:
Pelotes
(Instrutor)
1
2
3
Soma
Didtica (SU)
2
7,0
6,7
6,8
20,5
1
8,5
8,4
8,0
24,9
(3) Calculando a constante C
3
7,2
6,8
6,5
20,5
Total
22,7
21,9
21,3
65,9
65,9 2
9
C=
C = 482,5
(4) Calculando a variao total
Qt =
i=1
j=1
xij2 C
Qt = (8,52 + 8,42 + 8,02 + 7,02 + 6,72 + 6,82 + 7,22 + 6,82 + 6,52 ) 482,5
Qt = 4,77
(5) Calculando a variao entre tratamentos
k
Qe =
126
i=1
xij
j=1
Qe =
24,92
20,52
20,52
+
+
482,5
3
3
3
Qe = 4,34
(6) Calculando a variao entre blocos

Qb =
xij
i=1
j=1
22,72
21,92
21,32
Qb =
+
+
482,5
3
3
3
Qb = 0,36
(7) Calculando a variao residual
Qr = Qt Qb Qe
Qr = 4,77 4,34 0,36
Qr = 0,07
(8) Construindo o Quadro de Anlise de Varincia obtendo-se o Fcalc para cada
hiptese testada
Fontes de variao
Soma dos
quadrados
Graus de
liberdade
Tratamentos
4,77
3 1
Blocos
4,34
3 1
Residual
0,07
9 3 3 + 1
Total
0,36
9 1
f (F)
Quadrados
mdios
4,77
S e2 =
2
Sb2= 4,34
2
Teste F
Fecalc=
2,385
=136,29
0,0175
Fbcalc=
2,17
=124,00
0,0175
0,07
Sr2=
(9) Determinando RA e RC por meio do Fcrit obtido na Tabela F

Para Fecalc
F3,4 = 9,98
Para Fbcalc
F3,4 = 9,98
Para Fecalc
Para Fbcalc
f (F)
RA
RA
RC
9,98
RC
9,98
F
127
(10) Concluses:
Como Fecalc > Fecrit, (136,29 > 9,98) rejeita-se H0, concluindo, com risco , que o
fator Didtica tem influncia sobre a varivel dependente (resultado no exame seletivo para o
CFC).
Como Fbcalc > Fbcrit, (124, > 9,98) rejeita-se H0, concluindo, com risco , que o fator
Desempenho do Instrutor tem influncia sobre a varivel dependente (resultado no exame
seletivo para o CFC).
Note que o teste capaz de discriminar se um determinado fator tem influncia sobre
uma varivel dependente, porm no indica quais mdias so diferentes entre si. Para
verificar-se quais mdias foram diferentes e indicar qual tratamento ou bloco gerou alteraes
na varivel dependente, deve-se aplicar um teste de acompanhamento ou post-hoc, que ser
tratado mais adiante neste captulo.
9.3 ANOVA FATORIAL (EXPERIMENTO COM DOIS FATORES E REPETIES)
A ANOVA fatorial um modelo estatstico utilizado no caso de haver mais de uma
observao para cada clula (interseo dos nveis tratamentos e blocos dos dois fatores),
admitindo-se Oi observaes para cada clula. Neste sentido, os dados so dispostos em um
quadro da seguinte forma:
ki tratamentos dispostos em colunas;
bj blocos dispostos em linhas;
ol observaes para cada clula (interao entre linhas e colunas); e
n = klo.
Conseqentemente, a variao total (Qt) poder ser subdividida em quatro parcelas:
Variao entre os tratamentos (Qe);
Variao devida aos blocos (Qb); e
Variao devida s interaes (Qi); e
Variao devida aos erros ou residual(Qr).
Assim:
Onde:
Qt = Qe+ Qb + Qi + Qr
Qt =
Qe =
Qb =
128
i=1
j=1
l=1
k
i=1
b
i=1
j=1
j=1
xij2 C
xijl
b
k
j=1
j=1
xijl
Qr =
i=1 j=1 l=1
xijl2
xijl
l=1
i=1 j=1
Qi = Qt Qe Qb Qr
H0: 1 = 2 = ... = k (as mdias dos k tratamentos so iguais)
H0: 1 = 2 = ... = b (as mdias dos b blocos so iguais)
Para testar a hiptese de influncia do fator Interao (blocos x tratamentos):
H0: 1 = 2 = ... = i (as mdias dos b blocos dentro dos k tratamentos so iguais)
1
Blocos
1
1
2
...
bj
Soma
x111
x121
...
x1b1
... ol
... x11o x11o
... x12o x12o
... ... ...
... x1bo x1bo
Tratamentos
2
1
... ol
x211 ... x21o x21o
x221 ... x22o x22o
... ... ... ...
x2b1 ... x2bo x2bo
x1jl
x2jl
C=
...
... 1
... xk11
... xk21
... ...
... xk11
ki
... ol
... xk1o xk1o
... xk2o xk2o
... ... ...
... xkbo xkbo
...
xi1l
xi2l
...
xijl
i=1 j=1 l=1
xijl
xijl
Total
i=1 j=1 l=1
xij
klo
Qt =
i=1
j=1
l=1
xij2 C

Qe =
k
i=1
j=1
l=1
xijl
b
129
(6) Calcular a variao entre blocos

k
Qb =
i=1
j=1
l=1
Qr =
i=1 j=1 l=1
xijl

k
xijl2
l=1
i=1 j=1
xijl
o
(8) Calcular a variao devido interao (repeties)

Qi = Qt Qe Qb Qr
(9) Construir o Quadro de Anlise de Varincia obtendo-se o Fcalc para cada hiptese
testada
Fontes de
Soma dos
Graus de
Quadrados
Teste F
variao
quadrados
liberdade
mdios
S e2
Qe
2
Fecalc =
Tratamentos
Qe
k 1
Se =
Sr2
k 1
Qb
Blocos
b 1
Sb2=
Sb2
Fbcalc =
Sr2
Qb
b 1
Qi
Interao
Qi
(k 1)( b 1)
Si2=
Residual
Qr
kb(o 1)
Sr2=
Total
Qt
n 1
(k 1)( b 1)
Ficalc =
Si2
Sr2
Qr
kb(o 1)

Para Fecalc
gld = kb(o 1) (graus de liberdade do denominador)
Para Fbcalc
gln = b 1 (graus de liberdade do numerador)
Para Ficalc
gln = (k 1)( b 1) (graus de liberdade do numerador)
Para Fecalc
Para Fbcalc
f (F)
f (F)
RA
f (F)
RA
RC
Fecrit
130
Para Ficalc
RC
Fbcrit
RA
RC
Ficrit
(11) Concluses:
Se Fecalc < Fecrit, no se pode rejeitar H0, concluindo, com risco , que o fator no tem
Se Fecalc > Fecrit, rejeita-se H0, concluindo, com risco

Se Fbcalc < Fbcrit, no se pode rejeitar H0, concluindo, com risco , que o fator no tem
Se Fbcalc > Fbcrit, rejeita-se H0, concluindo, com risco
Para testar a hiptese de influncia das Repeties:

Se Ficalc < Ficrit, no se pode rejeitar H0, concluindo, com risco
tem influncia sobre a varivel dependente.
Se Fialc > Ficrit, rejeita-se H0, concluindo, com risco
, que as repeties
, que as repeties tem
EXEMPLO 9.3.1: Durante o ano de instruo, trs SU utilizaram a corrida

intervalada em diferentes nveis de volume [(tratamentos (3, 4 ou 5 vezes por semana)] para
otimizar o desempenho de seus soldados na corrida de 12 minutos do TAF. Os pelotes foram
comandados, respectivamente, por um Aspirante a Oficial, um 2 Tenente, e um 1 Tenente
[blocos (experincia do instrutor)] Verificar, ao nvel de 5%, se:
a) existe alguma relao entre o volume de treinamento e o resultado da SU;
b) existe alguma relao entre a experincia do instrutor e o resultado do Pel; e
c) existe interao entre o volume de treinamento e a experincia do instrutor.
Soluo:
H0: 1 = 2 = 3 (as mdias das 3 SU so iguais)
H1: pelo menos duas mdias so diferentes. O que indicaria que o volume de
treinamento tem influncia sobre o desempenho na corrida.
H0: 1 = 2 = 3 (as mdias dos Pel so iguais)
H1: pelo menos duas mdias so diferentes. O que indicaria que a experincia do
instrutor tem influncia sobre o desempenho na corrida.
Para testar a hiptese de influncia do fator Interao (blocos x tratamentos):
H0: 1 = 2 = ... = i (as mdias dos b blocos dentro dos k tratamentos so iguais)
H1: pelo menos duas mdias so diferentes. O que indicaria existe interao entre o
volume de treinamento e a experincia do instrutor.
131
(2) Os resultados mdios dos Pel nos 1, 2 e 3 TAF esto apresentados a seguir:
Experincia
do Instrutor
Volume de treinamento (vezes por semana)

4
5
Asp Of
2 Ten
1 Ten
TAF
1
2
1
2,70 2,75 2,80
2,75 2,80 2,85
2,8
2,85 2,90
Soma
8,25
8,4
8,55
TAF
1
2
3
2,75 2,85 2,95
2,9
2,95 3,00
3,0
3,05 3,10
25,2
Total
8,55
8,85
9,15
TAF
1
2
3
2,90 3,00 3,10
3,00 3,10 3,20
3,10 3,20 3,30
9
9,3
9,6
25,80
26,55
27,30
26,55
27,9
79,65
Resultados em 1000 metros.
(3) Calculando a constante C
C=
i=1 j=1 l=1
xij
klo
79,652
C=
27
C = 234,97
(4) Calculando a variao total
Qt =
i=1
j=1
l=1
xij2 C
Qt = (2,702 + 2,752 + 2,802 + 2,752 + 2,852 + 2,952 ... + 3,302 ) 234,97

Qt = 0,6425
(5) Calculando a variao entre tratamentos
Qe =
k
i=1
j=1
l=1
xijl
b
25,20 + 26,55 + 27,92
Qe =
234,97
9
2
Qe = 0,4025
(6) Calculando a variao entre blocos
Qb =
k
i=1
j=1
l=1
xijl C
25,802 + 26,552 + 27,302

Qe =
234,97
9
Qe = 0,1225
(7) Calculando a variao residual
Qr =
132
i=1 j=1 l=1
xijl2
i=1 j=1
xijl
l=1
8,252
8,482
8,552
9,602
+
+
+...+
Qr = (2,702 + 2,752 + 2,802 ... + 3,302)
3
3
3
3
Qr = 0,1050
(8) Calculando a variao devido interao (repeties)
Qi = Qt Qe Qb Qr
Qi = 0,6425 0,4025 0,1225 0,1050
Qi = 0,0125
(9) Construindo o Quadro de Anlise de Varincia
Fontes
de variao
SQ
GL
QM
Tratamentos 0,4025
3 1
S e2 =
0,1225
3 1
Sb2=
Blocos
Interao
0,0125 (3 1)(3 1) Si2=
Residual
0,1050
3 . 3(3 1)
Total
0,6425
27 1
Teste F
0,4025
2
0,1225
2
0,0125
4
Fecalc=
0,210
= 36,00
0,005833
Fbcalc=
0,06125
= 10,49
0,005833
Ficalc=
0,003125
= 0,54
0,005833
0,1050
Sr2=
18
(10) Determinando RA e RC por meio do Fcrit obtido na Tabela F

Para Fecalc
gln = 3 1 = 2
gld = 3 . 3(3 1) = 18
F2;18 = 3,55
Para Fbcalc
gln = 3 1 = 2
gld = 3 . 3(3 1) = 18
F2;18 = 3,55
Para Ficalc
gln = (3 1) (3 1) = 4
gld = 3 . 3(3 1) = 18
F4;18 = 2,93
Para Fecalc
Para Fbcalc
f (F)
Para Ficalc
f (F)
f (F)
5%
RA
RA
RC
3,55
5%
RC
3,55
5%
RA
RC
2,93
F
133
(11) Concluses:
Como Fecalc > Fecrit (36,00> 3,55), rejeita-se H0, concluindo, com risco de 5%, que o
fator volume de treinamento tem influncia sobre o desempenho dos pelotes na corrida de 12
minutos.
Como Fbcalc > Fecrit (10,49 > 3,55), rejeita-se H0, concluindo, com risco de 5%, que o
fator experincia do instrutor tem influncia sobre o desempenho dos pelotes na corrida de
12 minutos.
Para testar a hiptese de influncia das Repeties:
Como Ficalc < Ficrit (0,54 > 2,93), no se pode rejeitar H0, concluindo, com risco de
5%, que as repeties (interao entre volume de treinamento e experincia do instrutor) no
tem influncia sobre o desempenho dos pelotes na corrida de 12 minutos.
9.4 TESTE DE SCHEFF (COMO POST-HOC)
Como dito anteriormente, a ANOVA um teste estatstico capaz de discriminar se um
determinado fator tem influncia sobre uma varivel dependente, porm no indica quais
mdias so diferentes entre si, sendo necessrio a aplicao de um teste de acompanhamento
ou post-hoc.
O teste de Scheff um post-hoc rigoroso, capaz de identificar quais mdias so
diferentes entre si, ao nvel de significncia adotado, da seguinte forma:
Anova com um Fator:
XA XB > Sr2(k 1)
1
1
+
F
nA
nB
[(k -1);(n-k)
Anova com dois Fatores:

Para as Colunas:
XA XB > Sr2
2(k 1)
L
1
1
+
F
nA
nB
[(k -1);(k-1)(L-1)]
2(k 1)
K
1
1
+
F
nA
nB
[(L -1);(k-1)(L-1)]
Para as Linhas:
XA XB > Sr2
Anova com dois Fatores e repeties:

Para as Colunas:
XA XB > Sr2
134
2(k 1)
RL
1
1
+
F
nA
nB
[(k -1);kL (R-1)]
Para as Linhas:
XA XB > Sr2
2(k 1)
RK
1
1
+
F
nA
nB
[(L -1);kL (R-1)]
EXEMPLO 9.4.1: Conforme apresentado no EXEMPLO 9.1.1, existe influncia

da repetio do treinamento sobre o desempenho do peloto na corrida de 12 minutos. Resta
ento verificar quais mdias (ou quais resultados no TAF) foram diferentes entre si. Neste
sentido comparamos as mdias de cada repetio por meio da formula apresentada para Teste
de Scheff para Anova com um Fator:
Sendo:
X1TAF = 2,80
; n = 10
X2TAF = 2,98
; n = 10
X3TAF = 3,23
; n = 10
Sr2
=0,142 ; F0,05[(k -1);(n -k)= F2:27 = 3,35
Ento:
Entre X1TAF e X2TAF
2,80 2,98 > 0,142(3 1)
1
1
+
3,35)
10
10
0,18 < 0,19028

Como a diferena entre as mdias do 1 e do 2 TAF menor que a diferena
calculada (0,18 < 0,19028) conclui-se que no existe diferena entre elas, ou seja os
resultados mdios do peloto na corrida de 12 minutos entre o 1 e do 2 TAF no foram
diferentes, ao nvel de = 0,05.
Entre X1TAF e X3TAF
2,80 3,23 > 0,142(3 1)
1
1
+
3,35)
10
10
0,43 > 0,19028

Como a diferena entre as mdias do 1 e do 3 TAF maior que a diferena calculada
(0,43 > 0,19028) conclui-se que existe diferena entre elas, ou seja os resultados mdios do
peloto na corrida de 12 minutos entre o 1 e do 2 TAF foram diferentes, ao nvel = 0,05.
Para: X2TAF versus X3TAF
2,98 3,23 > 0,142(3 1)
1
1
+
3,35)
10
10
0,25 > 0,19028
135
Como a diferena entre as mdias do 1 e do 3 TAF maior que a diferena calculada

(0,25 > 0,19028) conclui-se que existe diferena entre elas, ou seja os resultados mdios do
peloto na corrida de 12 minutos entre o 1 e do 2 TAF foram diferentes, ao nvel = 0,05.
O teste de Scheff nos permite concluir que o treinamento provocou um aumento
significativo das performances na corrida de 12 minutos a partir do 3 TAF. Para inferir-se a
magnitude desta influncia pode-se recorrer ao teste , dado pela seguinte frmula:
=
[Fcalc (k 1) (k 1)]
[Fcalc (k 1) + (N k) + 1]
[5,32 (3 1) (3 1)]
[5,32 (3 1) + (30 3) + 1]
= 0,2246
Assim,
indica que 22,46% da variao total do desempenho na corrida de 12
minutos explicado (ou resultado) da aplicao do treinamento.
2
Reunindo-se as estatsticas, pode-se afirmar que o treinamento (tratamento) foi

significativo F2;27 = 5,32, p<0,05, e responsvel por uma proporo significativa da varincia
no desempenho da corrida de 12 minutos ( 2 = 22,46).
EXEMPLO 9.4.2: Conforme apresentado no EXEMPLO 9.2.1, existe influncia
de ambos os fatores, Didtica e Desempenho do Instrutor, sobre a varivel dependente
(resultado no exame seletivo para o CFC). Resta ento verificar quais mdias foram diferentes
entre si, comparando em um primeiro momento as didticas e em um segundo momento os
instrutores. Neste sentido, deve-se aplicar o teste de acompanhamento por meio das frmula
apresentadas para o Teste de Scheff para Anova com dois Fatores:
Sendo:
Para as Colunas:
XA XB > Sr2
2(k 1)
L
1
1
+
F
nA
nB
[(k -1);(k-1)(L-1)]
Onde:
X Did1 = 8,33
; n=3
X Did2 = 6,83
; n=3
X Did3 = 6,83
; n=3
Sr2
=0,0175 ; F
[(k -1);(k-1)(L-1)]=
F3:4 = 9,98
Ento:
Entre X Did1 e X Did2
8,33 6,83 > 0,0175

136
2(3 1)
3
1
1
+
9,98
3
3
1,5 > 0,16

Como a diferena entre as mdias da SU1 e SU2 maior que a diferena calculada
(1,5> 0,16) conclui-se que existe diferena entre elas, ou seja os resultados mdios da SU que
utilizou a didtica 1 foram melhores que os da SU que utilizou a didtica 2, ao nvel = 0,05.
8,33 6,83 > 0,0175
2(3 1)
3
1
1
+
9,98
3
3
1,5 > 0,16

Como a diferena entre as mdias da SU1 e SU3 maior que a diferena calculada
(1,5> 0,16) conclui-se que existe diferena entre elas, ou seja os resultados mdios da SU que
utilizou a didtica 1 foram melhores que os da SU que utilizou a didtica 3, ao nvel = 0,05.
6,33 6,83 > 0,0175
2(3 1)
3
1
1
+
9,98
3
3
0 < 0,16
Como a diferena entre as mdias da SU2 e SU3 menor que a diferena calculada
(0<0,16) conclui-se que no existe diferena entre elas, ou seja os resultados mdios da SU
que utilizou a didtica 2 no foram diferentes que os da SU que utilizou a didtica 3, ao nvel
= 0,05.
137
138
Captulo 10
Testes No-Paramtricos
para 2 grupos
Os testes no-paramtricos, tambm chamados provas livres de distribuio, so
particularmente teis quando no se dispe de parmetros populacionais, ou no possvel
fazer suposies quanto ao modelo de distribuio de probabilidade da populao que se est
estudando, sendo prioritariamente adaptveis aos estudos que envolvem variveis com nveis
de mensurao nominal e ordinal, bem como investigao de pequenas amostras. Esses
testes so recomendados:
- para anlises de resultados de experimentos com dados emparelhados;
- para verificar se variveis so independentes ou relacionadas; e
- para o tratamento estatstico de dados oriundos de tabelas com dupla entrada.
10.1 TESTE QUI-QUADRADO PARA ADEQUAO DO AJUSTAMENTO
Consideremos um experimento aleatrio realizado n vezes, onde E1, E2, ..., EK, so
K eventos associados a . Sejam Fo1, Fo2, ..., FoK as freqncias observadas para cada um
dos K eventos considerados, e Fe1, Fe2, ..., FeK as freqncias esperadas, ou freqncias
tericas dos K eventos considerados, deseja-se realizar um teste estatstico para verificar se h
adequao de ajustamento entre as freqncias observadas e as freqncias esperadas. Isto ,
se as discrepncias (Foi Fei), i = 1, 2, ..., K so devidas ao acaso, ou se de fato existe
diferena significativa entre as freqncias.
Para a realizao do Teste Qui-Quadrado deve-se proceder da seguinte forma:
H0: Foi = Fei (no existem discrepncias entre Foi e Fei)
H1: Foi
Fei (existem discrepncias entre Foi e Fei)
(2) Fixar e escolher a varivel Qui-Quadrado (

Tabela 2(ANEXO J).
) com gl = (K 1) , por meio da
(3) Determinar a Regio Crtica ou de rejeio (RC) e a Regio de Aceitao (RA),

por meio do 2 crit.
139
f ( 2)
RC
RA
2
crit

2
i=1
(Foi Fei)2
Fei
(5) Concluso:
2
Se 2calc < crit no se pode rejeitar H0, ou seja, as freqncias observadas e esperadas
no podem ser consideradas discrepantes.
Se 2calc > 2crit rejeita-se H0, concluindo, com risco que h discrepncias entre as
freqncias observadas e esperadas. Ou seja, no h adequao do ajustamento.
EXEMPLO 10.1.1: Em 100 lances de uma moeda observaram-se 65 coroas e 35
caras. Teoricamente, se a moeda fosse honesta esperar-se-ia que 50% dos resultados fosse
cara e 50% coroa.
Eventos
Cara
Coroa
Fo
35
65
Fe
50
50

H0: Foi = Fei
(a moeda honesta)
H1: Foi
(a moeda no honesta)
Fei
(2) Fixando
= 0,05
gl = 2 1 = 1
2
140
0,05;1
=3,84
e escolhendo a varivel
com gl = K 1
crit
f ( 2)
5%
RC
RA
3,84
2
2
calc
i=1
(35 50)2
(65-50) 2
(Foi Fei)2
=
+
Fei
50
50
2
calc
=9
(5) Concluso:
Como 2calc >
moeda no honesta.
2
crit
(9 > 3,84) rejeitamos H0, concluindo, com risco
= 0,05 que a
EXEMPLO 10.1.2: Deseja-se testar se o ndice de indisponibilidade das viaturas de

uma determinada OM est igualmente distribudo durante os bimestres do ano de instruo.
Neste sentido foram levantados os seguintes dados:
Bimestres
Eventos
Fo
12%
5%
7%
4%
8%
12%
Fe
6%
6%
6%
6%
6%
6%
(1) Enunciando as hipteses H0 e H1:

H0: Foi = Fei (o ndice de indisponibilidade igual ao longo do ano)
H1: Foi
Fei (o ndice de indisponibilidade diferente ao longo do o ano)
(2) Fixando
e escolhendo a varivel
com gl = K 1
= 0,05
gl = 6 1 = 5
2
5;0,05
= 11,071
crit
141
f ( 2)
5%
RC
RA
11,071
calc =
(12 6)2
(5 - 6) 2
(7 - 6) 2
(4 - 6) 2
(8 - 6) 2
(12 - 6) 2
+
+
+
+
+
6
6
6
6
6
6
2
calc
= 13,67
(5) Concluso:
Como 2calc > 2crit (13,67 > 11,07) rejeitamos H0, concluindo, com risco = 0,05 que
existem diferenas entre os ndices de indisponibilidade de viaturas na OM ao longo do ano.
Consultando-se novamente a Tabela 2 pode-se notar que no seria possvel rejeitar-se
H0 a um nvel de significncia de = 0,01, pois o 2crit = 15,086.
Observe que a estatstica fornece uma ferramenta para a tomada da deciso quanto s
diferenas entre os bimestres. A explicao do porqu destas discrepncias deve ser embasada
pela teoria que gerou a formulao das hipteses testadas.
10.2 TESTE QUI-QUADRADO PARA INDEPENDNCIA OU ASSOCIAO
O teste Qui-Quadrado pode ser empregado para estudar a associao, ou dependncia,
entre duas variveis. A representao das Fo dada por uma tabela de dupla entrada chamada
Tabela de Contingncia, e o clculo das Fe fundamenta-se na definio de independncia
estatstica entre dois eventos, ou seja, diz-se que X e Y so independentes se a distribuio
conjunta de probabilidades de (Y,X) igual ao produto das distribuies marginais de
probabilidades de X e Y.
p(xi, yi) = p(xi) . p(yj)
Este teste aconselhvel quando o tamanho da amostra razoavelmente grande, e
deve ser aplicado com maior cuidado se existirem freqncias esperadas menores do que 5
(Fe < 5). Nesses casos, a soluo juntar classes adjacentes.
142
Quando uma das variveis possui nveis que contemplam todas as categorias da
populao (por exemplo, varivel sexo: masculino e feminino, no sendo possvel outra
modalidade), diz-se que o teste de homogeneidade.
Para realizao do teste de independncia entre duas variveis, deve-se proceder da
seguinte forma:
(1) Enunciar as hipteses H0 e H1:
H0: Foij = Feij (as variveis so independentes, ou as variveis no esto associadas)
H1: Foij Feij (as variveis so dependentes, ou as variveis esto associadas)
H1 afirmar que as freqncias observadas e esperadas so discrepantes
(2) Fixar
e escolher a varivel
com gl = (L - 1) (C - 1), onde:
L = nmero de linhas da tabela de contingncia, e

C = nmero de colunas
2
(3) Determinar RC e RA por meio do

f ( 2)
crit
RC
RA
2
crit
(4) Calcular o valor da varivel:

2
i=1
j=1
(Foij Feij)2
Feij
Onde
Feij =
(total marginal da linha) (total marginal da coluna)

(total de observaes)
5) Concluso:
Se 2calc < 2crit no podemos rejeitar H0, ou seja, no se pode dizer que as variveis
sejam dependentes, pois as Foij no diferem significativamente das Feij.
143
Se 2calc > 2crit rejeitamos H0, concluindo, com risco

dependentes, ou esto associadas.
, que as variveis so
EXEMPLO 10.2.1: Deseja-se testar, ao nvel de 5%, se h dependncia entre o

resultado de uma avaliao diagnstica no CAO 1 Fase e o Curso a que pertence o aluno de
uma determinada turma de aperfeioamento. Para tanto os dados referentes s avaliaes
foram dispostos na tabela a seguir.
Curso
Grau
8,0-10,0
6,0-8,0
4,0-6,0
Total
marginal
Inf
Cav
Art
Eng
Int
Com
10
80
50
10
30
10
30
30
10
20
20
10
20
20
10
10
10
10
Mat
Bel
10
10
10
140
50
70
50
50
30
30

H0: Foi = Fei (o resultado na avaliao independe do curso)
H1: Foi
Fei (o resultado na avaliao depende do curso)
(2) Fixando
e escolhendo
crit
com gl = (L 1) (C 1)
=0,05
L=3
C=7
gl = (3 1) (7 1) = 12
2
0,05;12
= 21,026
crit
f ( 2)
5%
RA
RC
21,026
144
Total
marginal
110
200
110
420

Curso
Grau
8,0-10,0
6,0-8,0
4,0-6,0
Total
marginal
Inf
Cav
Art
Eng
Int
Com
110.140
420
200.140
420
110.140
420
110.50
420
200.50
420
110.50
420
110.70
420
200.70
420
110.70
420
110.50
420
200.50
420
110.50
420
110.50
420
200.50
420
110.50
420
110.30
420
200.30
420
110.30
420
Mat
Bel
110.30
420
200.30
420
110.30
420
140
50
70
50
50
30
30
Total
marginal
110
200
120
420
Quadro das freqncias esperadas (Feij)

Curso
Grau
8,0-10,0
6,0-8,0
4,0-6,0
Total
marginal
Inf
Cav
Art
Eng
Int
Com
36,667
66,667
36,667
13,095
23,810
13,095
18,333
33,333
18,333
13,095
23,810
13,095
13,095
23,810
13,095
7,857
14,286
7,857
Mat
Bel
7,857
14,286
7,857
140
50
70
50
50
30
30
Total
marginal
110
200
120
420
Logo:
(Foij Feij)2
Cursos
Inf
Cav
Art
Eng
Int
Com
Mat Bel
(10 36,667) = 19,395

36,667
(10 - 13,095) = 0,732
13,095
(30 - 18,333) = 4,425
18,333
(20 - 13,095) = 3,641
13,095
(20 - 13,095) = 3,641
13,095
(10 7,857) = 0,586
7,857
(10 7,857) = 0,586
7,857
Feij
(80 66,667) = 2,667
66,667
(30 - 23,810) = 1,609
23,810
(30 - 33,333) = 0,333
33,333
(20 - 23,810) = 0,610
23,810
(20 - 23,810) = 0,610
23,810
(10 14,286) = 1,286
14,286
(10 14,286) = 1,286
14,286
(50 36,667) = 4,848

36,667
(10 - 13,095) = 0,732
13,095
(10 - 18,333) = 3,788
18,333
(10 - 13,095) = 0,732
13,095
(10 - 13,095) = 0,732
13,095
(10 7,857) = 0,586
7,857
(10 7,857) = 0,586
7,857
2
calc =
26,91
3,073
8,546
4,983
4,983
2,458
2,458
53,411
(5) Concluso:
Como 2calc > 2crit (53,411 > 21,026), rejeitamos H0, concluindo, com risco
que o resultado na avaliao diagnstica depende do Curso do Aluno.
= 0,05,
145
Consultando-se novamente a Tabela

um nvel de significncia de <0,005, pois o
pode-se notar que seria possvel rejeitar H0 a

crit = 28,299,
Observe que a estatstica fornece uma ferramenta para a tomada da deciso quanto
dependncia entre as variveis. Para determinarmos o quanto pertencer a um determinado
Curso influencia o resultado na avaliao diagnstica, seria necessria a aplicao de um teste
de acompanhamento (post-hoc) conforme abordado mais frente.
10.3 TESTE QUI-QUADRADO PARA TABELAS (2 X 2)

O teste para tabelas de contingncia (2X2) um caso particular do teste QuiQuadrado, sendo utilizado para anlise de variveis com dois nveis de mensurao
(dicotmicas).
Conforme apresentado no quadro a seguir, os Grupos I e II podem ser dois grupos
independentes quaisquer, tais como: experimental e controle; efetivo varivel e efetivo
profissional; oficiais e praas; etc. Os cabealhos indicados com os sinais e +
constituem duas classificaes quaisquer: aprovados e reprovados; concorda e discorda; etc.
A hiptese a ser testada a de que dois grupos diferem em relao determinada
caracterstica.
-
Grupos
I
II
Total
A+C
B
D
B+D
Total
A+B
C+D
A frmula para o clculo do Qui-Quadrado de uma tabela (2 x 2) (com a correo de

Yates para Fe < 5) dada por:
calc=
N ( |AD - BC| N/2)2

(A +B)(C +D)(A +C)(B +D)
Note que com gl = 1 pois:

gl = (L 1) (C 1) = (2 1) (2 1) = 1
EXEMPLO 10.3.1: Um pesquisador deseja inferir, ao nvel de 5%, se o hbito de
praticar esportes depende do gnero do oficial QCO, ou seja, se homens e mulheres diferem
quanto ao habito de se exercitar, e, para tanto, entrevistou aleatoriamente 150 militares. Os
resultados esto apresentados no quadro abaixo:
Segmento
Masculino
Feminino
Total
146
Praticam esporte?
Sim
No
70
30
20
30
90
60
Total
100
50
150
Soluo:
H0: Foi = Fei (no h relao entre o gnero e o hbito de praticar esporte, ou, o hbito
de praticar esportes no depende do gnero do militar)
H1: Foi
Fei (existe relao entre o gnero do militar e o hbito de praticar esportes)
(2) Fixando
e escolhendo
crit
com gl = 1
= 0,05
2
0,05;1
= 3,84
crit
f ( 2)
5%
RC
RA
3,84
(4) Calcular o valor da varivel:

2
calc =
calc =
N ( |AD - BC| N/2)2

(A +B)(C +D)(A +C)(B +D)
150 ( |70.30 30.20| 150/2)2
(70 + 30)(30 + 20)(70 + 20)(20 + 30)

2
calc =
calc
304593750
22500000
= 13,54
(5) Concluso
Como 2calc > 2crit (13,54 > 3,84), rejeita-se H0, sendo possvel afirmar, ao nvel de
significncia de 5%, que existe relao entre o gnero e o hbito de praticar esportes.
147
10.4 TESTE DA MEDIANA

O teste da mediana semelhante ao teste Qui-Quadrado para tabelas (2 x 2) e fornece
informaes sobre a probabilidade de dois grupos independentes, no necessariamente do
mesmo tamanho, provenham de populaes com a mesma mediana, podendo ser aplicado sempre
que os escores dos dois grupos sejam apresentados pelo menos em escala ordinal.
Para realizao do teste deve-se proceder da seguinte forma:
H0: MdI = MdII (no h diferena entre as medianas dos dois grupos).
H1: MdI MdII (as medianas so diferentes).
(2) Fixar
e escolher o
crit
com gl = 1.

f ( 2)
crit.
RC
RA
2
crit
(4) Calcular o do valor da varivel, para tal deve-se.

(a) Determinar a mediana do grupo combinado, isto , a mediana de todos os escores
das duas amostras.
(b) Montar uma tabela de contingncia (2X2):
Critrio
Escores acima da
mediana combinada
Escores acima da
mediana combinada
Total
Grupo I
Grupos II
Total
A+B
C+D
A+C
B+D
(c) Aplicar a frmula:

2
148
calc =
N ( |AD BC| N/2)2

(A +B)(C +D)(A +C)(B +D)
(5) Concluso:
Se
diferentes.
Se
diferentes.
calc
calc
<
2
crit
no se pode rejeitar H0, concluindo que as medianas no so
>
2
crit
rejeitamos H0, concluindo, com risco
, que as medianas so
O teste da mediana no adequado quando temos n1 + n2 < 20.

EXEMPLO 10.4.1: Alunos da disciplina Estatstica de dois Cursos da EsAO X e Y,
obtiveram as seguintes notas finais:
Curso X
Curso Y
2
2
4
3
5
3
5
3
6
4
6
5
7
5
7
6
7
6
8
8
10 10
Testar, ao nvel de significncia de 2,5%, a hiptese de igualdade entre as medianas

das notas para os dois cursos.
Soluo:
H0: MdI = MdII (no h diferena entre as notas medianas dos dois grupos).
H1: MdI MdII (as notas medianas so diferentes).
(2) Fixando
e escolhendo o
crit
com gl = 1.
= 0,025
2
0,025;1
= 5,02
crit.
f ( 2)
2,5%
RC
RA
5,02
149
(a) Mediana do grupo combinado:

Notas
fi
Fi
2
2
2
3
3
5
4
2
7
5
4
11
6
7 8 9
4
3 3 2
15 18 21 23
13
n+1
25 + 1
=
2
2
Md=
10
2
25
= 13 elemento
Md = 6
(b) Tabela de contingncia:
Critrio
Escores acima da
mediana combinada
Escores acima da
mediana combinada
Total
Curso X
Curso Y
Total
10
15
10
12
13
25
(c) Aplica-se a frmula:

2
calc =
calc =
N ( |AD BC| N/2)2

(A +B)(C +D)(A +C)(B +D)
25 ( |10 . 8 5 . 2| 25/2)2
(15)(10)(12)(13)
2
calc =
calc
82656,25
23400
= 3,53
(5) Concluso:
Se 2calc < 2crit (3,53 < 5,02) no se pode rejeitar H0, concluindo que as medianas no
so diferentes ao nvel de 2,5%.
10.5 TESTE DE MANN-WHITNEY
O teste de Mann-Whitney (U) pode ser utilizado como uma alternativa ao teste
paramtrico para igualdade de mdias (teste t), pois no exige nenhuma hiptese sobre as
distribuies populacionais e suas varincias, permitindo testar se duas amostras
150
independentes foram retiradas de populaes com mdias iguais. Esse teste pode ser aplicado
para variveis intervalares ou ordinais.
Para realizao do teste deve-se proceder da seguinte forma:
H0: X1 = X2 (no h diferena entre os grupos).
H1: X1 X2 (h diferena entre os grupos).
(2) Fixar e verificar o valor do Zcrit por meio da Tabela Z. Para ni < 10 consultar a
Tabela U para pequenas amostras (ANEXO L).
(3) Determinam-se RA e RC por meio do Zcrit
(4) Ordenar as observaes

Considerar n1 o nmero de casos do grupo com menor quantidade de observaes, e
n2 o nmero de casos do grupo com maior quantidade de observaes, ordenando-os de
forma crescente (rank Ri).
Atribuir ao escore que algebricamente for menor o primeiro posto, prosseguindo at
n= n1 + n2. s observaes empatadas deve-se atribuir a mdia dos postos correspondentes.
(5) Calcular o somatrio das ordenaes (Ri) e escolher a menor soma entre R1 e R2
R1 = soma dos postos do grupo n1
R2 = soma dos postos do grupo n2
(6) Calcular uma das estatsticas, de acordo com o menor Ri
U1= n1 . n2 +
n1 + n2
R1
2
ou
U2= n1 . n2 +
n1 + n2
R2
2
151
(7) Calcular o valor de Zcalc :

Zcalc=
U ( n1 . n2 )/2
n1 . n2 (n1 + n2+1)
12
No caso de haver uma amostra com menos de 10 elementos, consultar a Tabela U para
pequenas amostra.
(9) Concluso:
Se Z
/2
< Zcalc < Z /2, no se pode rejeitar H0.
Se Zcalc > Z /2 ou Zcalc < Z /2, rejeita-se H0, concluindo-se, com risco
diferena entre os grupos.
, que h
No caso de pequenas amostras rejeita-se H0 sempre que um dos valores de R estiver

enquadrado no Intervalo de Confiana apresentado na Tabela U.
EXEMPLO 10.5.1: Verifique, ao nvel de 5%, se os resultados no Tiro de Ao
Reflexa (TAR) de dois Grupos de Combate (GC) X e Y so diferentes.
GC
X
Y
9
5
7
3
Impactos dos integrantes

6 7 8 5 9
4
4 6 7 5 8
9
7
5
8
6

H0: X1 = X2 (no h diferena entre os resultados dos GC no TAR)
H1: X1 X2 (h diferena entre os resultados dos GC no TAR)
(2) Fixando
e verificando o valor do Zcrit.
= 0,05
Zcrit = 1,960
(3) Determinando RA e RC de acordo com o Zcrit
2,5%
2,5%
1,960
152
1,960
(4) Ordenando as observaes
Impactos
4
5
6
7
7
7
8
8
9
9
=
GC
R1
2,5
5,5
9
12,5
12,5
12,5
16
16
19
19
125,5
Impactos
3
4
5
5
5
6
6
7
8
9
R2
1
2,5
5,5
5,5
5,5
9
9
12,5
16
19
88
(5) Clculo do somatrio das ordenaes e escolha do menor Ri

R1 = 125,5 e R2 = 88, como R2 < R1, escolher R2 para o clculo da estatstica U.
(6) Clculo da estatstica U.
U2= 10 . 10 +
10 + 102
88
2
U2= 67

Zcalc=
Zcalc=
U ( n1 . n2 )/2
n1 . n2 (n1 + n2 + 1)
12
67 ( 10 .10 )/2
10 . 10 (10 + 10+1)
12
Zcalc = 1,285
(8) Concluso:
Como Z /2 < Zcalc < Z /2, ( 1,960 < 1,285 < 1,960), no se pode rejeitar H0,ou seja,
no possvel afirmar que os grupos tiveram desempenhos diferentes no TAR.
EXEMPLO 10.5.2: Verifique, ao nvel de 10%, se os resultados no Tiro de Ao
Reflexa (TAR) das duas Esquadras de um GC so diferentes.
Esquadra
1
2
9
5
Impactos
7 6 7
3 4 6
153
Soluo:
H0: X1 = X2 (no h diferena entre os resultados das esquadras no TAR).
H1: X1 X2 (h diferena entre os resultados das esquadras no TAR).
(2) Fixando
= 0,10, com o auxlio da Tabela U para amostras pequenas, l-se a
coluna 4 e a linha 5 encontrando o Intervalo de Confiana
IC4;5 = [12 28]
(3) Determinando RA e RC por meio do IC4;5
5%
5%
28
12
(4) Calcular o somatrio das ordenaes (Ri):
Impactos
6
7
7
8
9
=
Esquadras
R1
4,5
6,5
6,5
8
9
34,5
Impactos
3
4
5
6
-
R2
1
2
3
4,5
10,5
R1 = 34,5 e R2 = 10,5.
(5) Concluso:
Considera-se que duas mdias so diferentes entre si quando o Ri dos grupos no
estiver contido no IC.
Como R1 e R2 no se encontram dentro do IC para igualdade entre as mdias,
rejeitamos H0. concluindo que o desempenho da esquadra 1 foi melhor que o da esquadra 2
pois X1 > X2 (7,4 > 4,5).
Note que, mesmo que
154
= 0,05 seria possvel rejeitar H0, pois IC4;5 = [11 29]
10.6 TESTE DOS SINAIS PARA DOIS GRUPOS RELACIONADOS

O Teste dos Sinais (para dados emparelhados) pode ser utilizado quando o mesmo
indivduo submetido a duas medidas chamadas: antes e depois, ou pr e ps-tratamento,
sendo aplicado em situaes em que se deseja determinar se duas condies so diferentes
(antes de depois da IIB, entre o 1 e o 2 TAF, etc).
A varivel de estudo poder estar nas escalas nominal, ordinal ou intervalar. um
teste bem simples e seu nome deve-se ao fato de que os valores da escala so substitudos
pelos sinais + e - , dependendo da tendncia positiva ou negativa que se queira mensurar.
Onde no houver alterao de tendncia atribui-se o valor 0 (zero), descartando-se o
indivduo.
A lgica deste teste est em investigar se as tendncias + e podem (ou no)
serem consideradas iguais (p1 = p2), concluindo se um determinado tratamento (varivel
independente) fez efeito (ou no) sobre o desempenho do sujeito (varivel dependente).
Procedimento:
H0: p1 = p2 (no h diferena entre os resultados pr e ps, ou seja, o tratamento no
surtiu efeito).
H1: p1 p2 (h diferena entre os resultados pr e ps, ou seja, o tratamento surtiu
efeito).
(2) Fixar , e determinar o Zcrit com o auxlio da Tabela Z (para n >25), ou utilizar a
Distribuio Binomial se n < 25.
(3) Determinar RA e RC por meio do Zcrit.
(4) Calcular o valor da varivel Z, quando n > 25.

Zcalc=
y np
npq
155
Onde:
y = nmero de sinais +
n = tamanho da amostra (descontados os empates)
p = 0,5 e q = 1 p = 0,5, pois estamos testando a hiptese de igualdade entre as
propores.
(5) Concluses:
Se Zcalc > Z /2 ou Zcalc < Z /2, rejeita-se H0, concluindo-se, com risco , que h
diferena entre os grupos (medidas), ou seja que existe diferena entre as condies pr e ps.
EXEMPLO 10.6.1: Deseja-se verificar ao nvel de 5% se os 80 recrutas de uma
determinada SU apresentaram melhora significativa na corrida entre o 1 e o 2 TAF,
concluindo um determinado treinamento fez efeito ou no na condio fsica dos sujeitos.
Comparando os resultados do 1 TAF (pr) com o 2 TAF (ps) obtm-se a seguinte
quadro:
Melhoram a meno
+
40
No mudaram de meno
0
20
Pioraram a meno
20
Soluo:
H0: p1 = p2 (no h diferena entre os resultados da corrida no 1 e no 2 TAF, ou seja,
o treinamento no surtiu efeito).
H1: p1 < p2 (o resultado da corrida no 2 TAF foi maior que no 1 TAF, ou seja, o
treinamento surtiu efeito).
(2) Fixando = 0,05, e determinar o Zcrit com o auxlio da Tabela Z.
Zcrit = 1,960
(3) Determinando RA e RC de acordo com o Zcrit .
5%
1,960
156
Observe que, devido ao enunciado de H1, optamos por um teste uni-caudal direita,
por termos a esperana estatstica de que o treinamento executado entre os TAF surtiu um
efeito positivo no desempenho dos sujeitos. Caso esperssemos uma piora no desempenho o
teste deveria ser unicaudal esquerda, e se a hiptese afirmasse alterao no desempenho na
corrida, sem esperarmos algum sentido, o teste deveria ser bi-caudal.
(4) Calculando o valor da varivel Z.
Como estamos verificando a hiptese de igualdade entre a propores de soldados que
melhorou seu resultado e soldados que pioraram seu resultado p = 0,5, logo q = 1 p = 0,5.
y np
Zcalc=
npq
Zcalc=
40 60(0,5)
60(0,5)(0,5)
Zcalc=2,582
(5) Concluso:
Como Zcalc > Zcrit, rejeitamos H0, concluindo, com risco de 5%, que o treinamento
melhorou o desempenho dos soldados na corrida entre o 1 e o 2 TAF.
10.7 TESTE DE WILCOXON - DOIS GRUPOS RELACIONADOS
O teste de Wilcoxon uma extenso do teste dos sinais, que leva em considerao a
magnitude das diferenas (pr-ps) para cada par de medidas, o que o torna mais informativo.
Para aplicarmos o teste preciso:
a. determinar para cada par a diferena (di) entre os dois escores;
b. atribuir postos (colocar em ordem crescente) a todas as diferenas,
desconsiderando-se os sinais. No caso de empate, atribuir a mdia dos pontos empatados;
c. identificar cada posto pelo sinal + ou - , segundo a diferena que ele representa;
d. determinar a estatstica T (menor das somas de postos de mesmo sinal); e
e. abater do n o nmero de zeros, isto , os pares em que di = 0.
Procedimento:
H0: p1 = p2 (no h diferena entre os resultados pr e ps, ou seja, o tratamento no
surtiu efeito).
H1: p1 p2 (h diferena entre os resultados pr e ps, ou seja, o tratamento surtiu
efeito).
157
(2) Fixar e determinar o Zcrit por meio da Tabela Z (para n >25), ou utilizar a Tabela
W (ANEXO M) n < 25.
(3) Determinando RA e RC
(4) Calcular o valor da varivel Z, quando n > 25.

Zcalc=
Onde
T n(n+1)/4
n(n+1)(2n+1)
24
T = menor das somas de postos de mesmo sinal

n = nmero de sujeitos
(5) Concluses:
Se Zcalc > Z /2 ou Zcalc < Z /2, rejeita-se H0, concluindo-se, com risco , que h
diferena entre os grupos (medidas), ou seja que existe diferena entre as condies pr e ps.
EXEMPLO 10.7.1: Um grupo de 30 soldados foi submetido a um treinamento
muscular visando aumentar o nmero de flexes de brao. Teste, ao nvel de 5%, a hiptese
de que no houve um aumento significativo na performance dos sujeitos.
Soluo
(1) Enunciando as hipteses H0 e H1:
H0: p1 = p2 (no h diferena entre os resultados pr e ps, ou seja, o treinamento no
surtiu efeito).
efeito).
H1: p1 p2 (h diferena entre os resultados pr e ps, ou seja, o treinamento surtiu
(2) Fixando
Zcrit = 1,960
158
= 0,05, e determina-se o Zcrit com o auxlio da Tabela Z.
(3) Determinando RA e RC
2,5%
2,5%
1,960
1,960
(4) Clculo do valor da varivel Z.
Soldados
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Mdia
Nmero de
flexes de brao
Antes
depois
20
19
22
30
23
29
22
30
22
23
23
24
24
30
22
22
23
20
24
22
25
30
25
25
25
30
23
30
22
29
23
33
24
33
23
33
23
23
25
33
22
21
26
26
27
33
23
22
22
33
23
33
23
24
24
30
25
30
23
22
23,3
27,4
di
-1
8
6
8
1
1
6
0
-3
-2
5
0
5
7
7
10
9
10
0
8
-1
0
6
-1
11
10
1
6
5
-1
-
Menor soma por

Ordenao postos de mesmo sinal
T
-4
4
20
14,5
20
4
4
14,5
-9
9
-8
8
11
11
17,5
17,5
24
22
24
20
-4
4
14,5
-4
4
26
24
4
14,5
11
-4
4
T = 31
159
Zcalc=
Zcalc=
T n(n+1)/4
n(n+1)(2n+1)
24
33 30(30+1)/4
30(30+1)(2.30+1)
24
Zcalc= 4,103
(5) Concluses:
Como Zcalc > Z /2 (4,103>1,960) rejeita-se H0, concluindo-se, com risco de 5%, que o
treinamento surtiu efeito, visto que o desempenho dos soldados, em mdia, aumentou
(23,3<27,4).
160
Captulo 11
Testes No-Paramtricos para
3 ou mais grupos independentes
Como visto no Captulo 9, a Anlise da Varincia (ANOVA) uma tcnica
paramtrica utilizada para testar se diversas amostras independentes provm da mesma
populao. No entanto, as suposies para o seu uso exigem que as observaes tenham sido
extradas, independentemente, de populaes normalmente distribudas com a mesma
varincia, e ainda, que a mensurao da varivel de estudo seja no mnimo intervalar.
Se o pesquisador entende que tais suposies no so caractersticas dos dados de seu
problema, deve utilizar-se das tcnicas no-paramtricas para decidir se diversas variveis
(trs ou mais) independentes podem ser consideradas procedentes da mesma populao.
Como os valores amostrais quase sempre so diferentes, o problema determinar se as
discrepncias observadas sugerem realmente diferenas entre populaes, ou se so apenas
variaes casuais esperadas entre amostras aleatrias da mesma populao.
Nesta seo, sero apresentados testes para comprovar a significncia de diferenas
entre trs ou mais grupos independentes de amostras, ou seja, para comprovar a hiptese de
nulidade de que as amostras independentes tenham sido extradas da mesma populao, ou de
populaes idnticas.
11.1 TESTE QUI-QUADRADO
O teste Qui-Quadrado para trs ou mais grupos independentes uma extenso direta
da prova Qui-Quadrado para duas amostras independentes, apresentadas nas sees 10.1, 10.2
e 10.3.
11.2 TESTE DA MEDIANA
O teste da mediana para trs ou mais grupos independentes, no necessariamente do
mesmo tamanho, pode ser aplicado do mesmo modo como apresentado na seo 10.4. A
varivel de estudo poder ter nvel de mensurao ordinal ou intervalar.
EXEMPLO 11.2.1: Alunos da disciplina Estatstica de trs Cursos da EsAO X, Y e V,
obtiveram as seguintes notas finais:
Curso X
Curso Y
Curso V
2
2
5
4
3
6
5
3
6
5
3
6
6
4
7
6
5
8
7
5
8
7
6
8
7
6
8
8
8
9
10 10
Teste, ao nvel de significncia de 5%, a hiptese de igualdade entre as medianas das

notas para os trs cursos.
161
Soluo:
H0: MdX = MdY = MdV (no h diferena entre as notas medianas dos trs Cursos).
H1: MdX MdY
(2) Fixando
MdV (as notas medianas so diferentes).
e escolhendo o
crit
com gl =K 1
= 0,05
gl = 3 1 = 2
2
2; 0,05
= 5,99
crit
f ( 2)
5%
RC
RA
5,99
(4) Como o teste para a igualdade de medianas apia-se em um teste Qui-Quadrado,

deve-se calcular o valor da varivel 2para tabelas (3 x 2), da seguinte forma:
(a) Determinar o valor da mediana do grupo combinado:
Notas
fi
Fi
Md=
2
2
2
3
3
5
4
2
7
5
5
12
6
7 8 9
7
4 7 3
19 23 30 33
18
n+1
35 + 1
=
2
2
10
2
35
= 18 elemento
Md = 6
(b) Preencher a Tabela de contingncia:
Critrio
Escores acima da mediana
combinada
Escores iguais ou abaixo da
mediana combinada
Total
162
Curso X
Curso Y
Curso V
Total
Fo
Fe
Fo
Fe
Fo
Fe
6,8
4,6
4,6
16
8,2
5,4
5,4
19
15
10
10
35
(c) Clculo do valor da varivel

2
:
(Foi Fei)2
Fei
calc =
(9 6,8)2
(6 8,2) 2
(1 4,6) 2
(9 5,4) 2
(6 4,6) 2
(4 5,4) 2
+
+
+
+
+
calc=
6,8
8,2
4,6
5,4
4,6
5,4
2
calc
= 12,621
(5) Concluso:
Como 2calc > 2crit (12,621>5,99), rejeitamos H0, concluindo, com risco de 5%, que as
notas medianas no so iguais para os trs cursos.
11.3 TESTE KRUSKAL-WALLIS
Trata-se de teste extremamente til para decidir se K amostras (K > 2) independentes
provm de populaes com mdias iguais, podendo ser aplicado para variveis ordinais ou
intervalares.
a. Dispor, em ordem crescente, as observaes de todos os K grupos, atribuindo-lhes
postos de 1 a n. Caso haja empates, atribuir o posto mdio.
b. Determinar o valor da soma dos postos (Ri )para cada um dos K grupos.
Procedimento:
H0: X1 = X2 = ... = Xi
H1: X1 X2
...
(as mdias dos K grupos so iguais).
Xi (pelo menos uma das mdias dos K grupos diferente).
(2) Fixar , e determinar o
crit
com gl= K 1

f ( 2)
crit
1-
RC
RA
2
crit
163
(4) Calcular o valor do
,chamado, neste caso, de estatstica H :
12
H=
n(n+1)
(Ri)2
3(n+1)
ni
i=1
(5) Concluso:
Se H <
crit,
Se H >
dos K grupos.
crit,rejeitamos
no se pode H0.
H0, concluindo, com risco , que h diferena entre as mdias
EXEMPLO 13.3.1: Testar, ao nvel de 5%, a hiptese da igualdade dos resultados

mdios obtidos no TAR por GC de 3 diferentes OM. Note que o teste pretende verificar se
existe igualdade na instruo ministrada pelas diferentes OM, o que poder ser confirmado
caso os resultados mdios no TAR no puderem ser considerados diferentes.
Soluo:
Confeco do quadro de ordenao dos grupos:
GC1
Impactos
Ordenao
5
3
5
3
5
3
6
8,5
6
8,5
6
8,5
7
16
7
16
7
16
8
23,5
R1 = 106
X1 = 6,2
R1 = 10,6
GC2
Impactos
Ordenao
5
3
5
3
6
8,5
6
8,5
6
8,5
7
16
7
16
7
16
8
23,5
8
23,5
X2 = 6,5
R2 = 126,5
R2 = 12,65
GC3
Impactos
Ordenao
7
16
7
16
7
16
8
23,5
8
23,5
8
23,5
9
27,5
9
27,5
10
29,5
10
29,5
X3 = 8,3
R3 = 232,5
R3 = 23,25

H0: X1 = X2 = X3 (as mdias dos 3 GC so iguais).
H1: X1 X2 = X3 (pelo menos uma das mdias diferente, ou seja, o adestramento foi
diferente).
(2) Fixando
= 0,05,e determinando o
= 0,05
gl = (K 1) = (3 1) = 2
2
164
crit =
5,99
crit
para gl = K 1
(3) Determinando RA e RC por meio do
crit
f ( 2)
5%
RC
RA
5,99
(4) Clculo da estatstica H :

12
H=
n(n+1)
H=
12
30(30+1)
(5) Concluso:
K
i=1
(Ri)2
3(n+1)
ni
(106) 2
(126,5) 2
(232,5) 2
+
+
10
10
10
3(30+1)
H = 11,73
Como H > 2crit (11,73>5,99), rejeitamos H0, concluindo, com risco de 5%, que h
diferena entre os resultados mdios obtidos no TAR.
Note que o teste capaz de discriminar a existncia ou no de diferenas significativas
entre grupos. No entanto, o aspecto mais relevante da investigao est na identificao de
quais grupos foram diferentes entre si. Para tal deve-se realizar um teste de acompanhamento
(post-hoc), da seguinte forma:
(1) Identificar quantas possibilidades de comparao so possveis, utilizando a
frmula:
C = K(K 1)/2
Logo:
C = 3(3 1)/2 = 3
(2) Estabelecer o nvel de confiana para cada comparao, utilizando a tcnica de
Bonferroni, que consiste em dividir o nvel pelo nmero de comparaes possveis.
= 0,05/3 = 0,017
(3) Consultar a Tabela Z e encontrar o Zcrit correspondente
= 0,017
Zcrit = 2,39
165
(4) Calcular o erro padro (EP) de diferena entre duas amostras

EP =
[N(N+1)/12] . (1/n1 + n2)
Onde:
N = ao tamanho total da amostra
n = tamanho dos grupos que esto sendo comparados
Logo:
Para GC1 X GC2:
EP1,2 =
[30(30+1)/12] . (1/10 + 1/10)
EP1,2= 3,973
Para GC1 X GC3:

EP1,3 =
[30(30+1)/12] . (1/10 + 1/10)
EP1,3= 3,973
Para GC2 X GC3:

EP2,3 =
[30(30+1)/12] . (1/10 + 1/10)
EP2,3= 3,973
(5) Calcular o intervalo de confiana por meio da frmula:

IC = (R1 R2). Zcrit . EP
Onde:
R = ordenao mdia do grupo
Grupos
Clculo do Intervalo de Confiana
GC1 X GC2
GC1 X GC3
GC2 X GC3
IC1,2 = (10,6 12,65) + 2,39 . 3,973

IC1,3 = (10,6 23,25) + 2,39 . 3,973
IC2,3 = (12,65 23,25) + 2,39 . 3,973
Mnimo
11,56
22,16*
20,10*
IC
*Uma comparao considerada estatisticamente significativa quando o IC no inclui o valor 0 (zero)
Mximo
7,45
3,15*
1,10*
Logo, os grupos que apresentaram diferena significativa foram os grupos GC1 X GC3
e GC2 X GC3 . Tal anlise nos permite inferir que os resultados obtidos no TAR pelos sujeitos
do GC3 so significativamente diferentes dos obtidos pelos GC1 e GC3 G, e ainda, que no
existem diferenas entre os GC1 e GC2 .
Poderamos ainda afirmar que os GC1 e GC2 possuem um mesmo nvel de
adestramento em relao ao TAR (6,2 = 6,5), e que o GC3 apresenta um nvel mais elevado de
adestramento, quando comparado aos demais (8,3 > 6,2 = 6,5).
11.4 ANOVA TWO-WAY DE FRIEDMAN POR ORDENAES
O teste de Friedman anlogo ANOVA de medidas repetidas aplicado na estatstica
paramtrica (apresentado no Captulo XX). Trata-se de um teste extremamente til para
decidir se K medidas repetidas (K>2) de uma mesma amostra possuem mdias iguais ou no,
podendo ser aplicado para variveis ordinais ou intervalares.
166

a) Ordenar em ordem crescente as K medidas repetidas para cada sujeito, atribuindolhes postos de 1 a K. Caso haja empates, atribuir o posto mdio.
b) Determinar o valor da soma das ordenaes (Oi)para cada uma das K medidas.
Procedimento:
H0: X1 = X2 = ... =Xi (as mdias das K medidas no so diferentes)
H1: X1 X2 = ... =Xi (pelo menos uma mdia diferentes das demais)
(2) Fixar , e determinar o
crit
para gl= K 1

f ( 2)
crit
1-
RC
RA
2

2
calc
crit
= [ 12 / NK(K+1) ] . [ ( O) ] - 3N(K+1)
Onde:
N = o total de sujeitos
K = nmero de medidas
( O) = somatrio das somas das ordenaes ao quadrado
(5) Concluso:
Se
calc
<
2
crit,
no se pode H0.
Se 2calc > 2crit, rejeitamos H0, concluindo, com risco , que h diferena entre as
mdias das K medidas.
167
EXEMPLO 11.4.1: Testar, ao nvel de 1%, a hiptese da igualdade entre os

resultados mdios obtidos na corrida do TAF, por um GC, considerados os 3 TAF de um ano
de instruo. Note que o teste pretende medir se existe evoluo no resultado da corrida,
devido ao treinamento fsico desenvolvido durante o ano.
Confeco do quadro de ordenao das medidas:
Sujeitos
1
2
3
4
5
6
7
8
9
10
1 TAF
2 TAF
3 TAF
Resultado
Oi
Resultado
Oi
Resultado
Oi
2700
1
2800
2
3000
3
2700
1,5
2700
1,5
2900
3
2700
1
2800
2
3000
3
2800
1,5
2800
1,5
3000
3
2700
1
2900
2
3000
3
2600
1
2800
2
3000
3
2700
1
2800
2,5
2800
2,5
2800
1,5
2800
1,5
3000
3
2900
1
3000
2
3100
3
2900
1
3000
2
3200
3
X1 = 2750
O1 = 11,5 X2 = 2840
O2 = 19,0 X3 = 3000
O3 = 29,5

H0: X1 = X2 = ... =Xi (as mdias das 3 medidas no so diferentes)
H1: X1 X2 = ... =Xi (pelo menos uma mdia diferentes das demais)
(2) Fixando , e determinando o
= 0,01
gl =(3 1) = 2
2
2; 0,01 = 9,210
crit
(3) Determinar RA e RC a partir do
com gl = K 1
crit
f ( 2)
1%
RC
RA
9,21
168

2
2
calc
calc
[ 12 / N.K(K+1) ] . [ ( O) ] 3N(K+1)
[ 12 / 10.3(3+1) ] . [(11,5) . (19,0) . (29,5)] 3. 10(3+1)
calc
= 16,35
(5) Concluso:
Como 2calc > 2crit (16,35>9,21), rejeitamos H0, concluindo, com risco de 1%, que h
diferena entre os resultados mdios obtidos no TAR.
Para identificarmos quais grupos foram diferentes entre si, aplicamos o post-hoc:
(1) Identificando as possibilidades de comparao
C = K(K 1)/2
C = 3(3 1)/2 = 3
(2) Estabelecendo o nvel de confiana para cada comparao
= 0,05/3= 0,017
(3) Consultar a Tabela Z e encontrar o Zcrit correspondente
= 0,017
Zcrit = 2,39
(4) Calcular o erro padro (EP) de diferena entre duas amostras
EP =
[N(N+1)/12] . (1/n1 + n2)
Onde:
N = ao tamanho total da amostra
n = tamanho dos grupos que esto sendo comparados
Para GC1 X GC2:
EP1,2 =
[30(30+1)/12] . (1/10 + 1/10)
EP1,2= 3,973
Para GC1 X GC3:

EP1,3 =
[30(30+1)/12] . (1/10 + 1/10)
EP1,3= 3,973
Para GC2 X GC3:

EP2,3 =
[30(30+1)/12] . (1/10 + 1/10)
EP2,3= 3,973
169
(5) Calcular o intervalo de confiana, pela frmula:

IC = ( O1 O2) . Zcrit . EP
Onde:
R = ordenao mdia do grupo
Grupos
Clculo do Intervalo de Confiana
GC1 X GC2
GC1 X GC3
GC2 X GC3
IC1,2 = (11,5 19,0) + 2,39 . 3,973

IC1,3 = (11,5 29,5) + 2,39 . 3,973
IC2,3 = (19,0 29,5) + 2,39 . 3,973
IC
Mnimo
- 16,995
- 27,495*
- 19,995*
Mximo
1,995
-8,505*
-1,005*
*Uma comparao considerada estatisticamente significativa quando o IC no inclui o valor 0 (zero)
Logo, os grupos que apresentaram diferena significativa foram os grupos GC1 X GC3
e GC2 X GC3 . Tal anlise nos permite inferir que os resultados obtidos no 3 TAF foram
melhores que no 1 e 2 TAF (3000 > 2840 = 2750), e ainda que no houve diferena
significativa entre os resultados do 1 e 2 TAF (2750 = 2840). Conclui-se que o treinamento
provocou mudanas significativas nas performances dos soldados.
A amplitude de tal mudana pode ser verificada, de forma bem simples, por meio da
frmula:
v=
Onde:
Xps Xpr
Xpr
v = percentual de variao entre os momentos

Xps = media ps-tratamento
Xpr = mdia pr-tratamento
Logo:
Do 1 para o 3 TAF:
v=
3000 2750
2750
v = 0,0909 = 9,09%
Do 2 para o 3 TAF:
v=
3000 2840
2840
v = 0,0563 = 5,63%
Neste sentido, possvel afirmar que o treinamento realizado provocou um aumento
de 9,09% no desempenho mdio dos soldados na corrida de 12 minutos entre o 1 e o 3 TAF.
170
Captulo 12
Correlao e Regresso
Este captulo discute brevemente vrios tipos de correlao, a significncia dos
coeficientes correlacionais, bem como o uso de correlaes para previses, incluindo as
correlaes parciais.
A correlao uma tcnica estatstica utilizada para determinar o relacionamento
entre duas ou mais variveis. Freqentemente um pesquisador est interessado no grau de
relacionamento entre variveis. A correlao pode envolver duas variveis (correlao
simples), tais como o relacionamento entre a altura e o peso, como tambm trs ou mais
variveis (correlao mltipla), como quando algum investiga o relacionamento entre um
critrio (varivel dependente) tal como fora muscular e duas ou mais variveis determinantes
(variveis independentes), como o peso corporal, porcentagem de gordura, resistncia
muscular.
12.1 COEFICIENTE DE CORRELAO DE PEARSON
O coeficiente de correlao de Pearson (r) um valor quantitativo do relacionamento
entre duas ou mais variveis, podendo variar entre 0,00 (correlao nula) e 1,00 (correlao
perfeita) tanto na direo positiva quanto na negativa. Portanto, 1,00 < r < +1,00. Nesse tipo
de correlao, existe uma varivel critrio (ou dependente) e uma varivel preditora (ou
independente).
O r pode ser calculado pela frmula:
n XY ( X) . ( Y)
r=
n X ( X)
n Y ( Y)
De acordo com a fora da relao entre as variveis, a correlao pode ser positiva,
negativa ou nula. Quando os escores de cada par ordenado so plotados em um grfico de
disperso, formam uma elipse, que quanto mais prxima de uma reta, mais perfeita ser a
correlao entre as variveis, conforme as Fig. 25a e Fig. 25c. Quando virtualmente no
existe relao entre variveis, a correlao tende a 0,00. Isso denota independncia entre os
grupos de escores, que no exibem um padro discernvel, conforme a Fig. 25b.
CORRELAO NULA
CORRELAO POSITIVA
CORRELAO NEGATIVA
Y
Y
145
130
115
100
85
70
55
40
145
130
115
100
85
70
55
40
145
130
115
100
85
70
55
40
20
30
40
50
60
70
X
Figura 25a Correlao positiva
20
30
40
50
60
70
X
Figura 25b Correlao nula
20
30
40
50
60
70
X
Figura 25c Correlao negativa
171
Uma correlao positiva existe, quando uma pequena quantidade da varivel X

associada com uma pequena quantidade da varivel Y , e uma grande quantidade da varivel
X associada com uma grande quantidade da varivel Y.
EXEMPLO 12.1.1: A Tab. 20 apresenta o clculo de r para as variveis: peso
corporal (X) e fora muscular (Y).
Tabela 20 Clculo do coeficiente de correlao de Pearson.
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Peso Fora
(X)
(Y)
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
60
720
58
68
65
78
80
76
92
90
100
98
103
104
114
112
115
120
1473
Clculo de r
XY
1740
2176
2210
2808
3040
3040
3864
3960
4600
4704
5150
5408
6156
6272
6670
7200
68998
900
1024
1156
1296
1444
1600
1764
1936
2116
2304
2500
2704
2916
3136
3364
3600
33760
3364
4624
4225
6084
6400
5776
8464
8100
10000
9604
10609
10816
12996
12544
13225
14400
141231
Sendo:
r
=
n XY ( X).( Y)
n X ( X)
n = 16
X = 720 e ( X)= 518400
Y = 1473 e ( Y)= 2169729
XY = 68998
X = 33760
Y = 141231
n Y ( Y)
r=
16. 68998 720. 1473

16. 33760 518400
16. 141231 2169729
r=
1103968 1060560
540160 518400
2259696 2169729
43408
147,5127 . 299,945
r=
r = 0,98107
A Fig. 26 uma ilustrao grfica da correlao positiva (r = 0,98107) quase perfeita.

CORRELAO ENTRE FORA MUSCULAR
E PESO CORPORAL
Lb
145
130
115
100 X=92,1
85
70
55
40
20
X=45
30
40
50
60
70
Kg
Figura 26 Grfico de disperso da relao fora muscular X peso corporal.
O peso corporal e a fora muscular esto correlacionados positivamente nos sujeitos

mais pesados, j que esses so geralmente mais fortes do que os mais leves. A correlao no
perfeita porque encontramos sujeitos mais leves que so mais fortes do que sujeitos mais
pesados, como por exemplo os sujeitos: 2 e 3; 5 e 6; 7 e 8; 9 e 10; 13 e 14.
172
Uma correlao negativa existe, quando uma pequena quantidade da varivel X

associada com uma grande quantidade da varivel Y , e uma grande quantidade da varivel X
associada com uma pequena quantidade da varivel Y.
EXEMPLO 12.1.2: A Tab.21 apresenta o clculo de r para as variveis: peso
corporal (X) e flexo na barra (Y).
Tabela 21 Clculo do coeficiente de correlao de Pearson.
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Peso
(X)
50
55
60
65
70
75
80
85
90
95
100
105
110
115
120
125
1400
Flexes
(Y)
20
18
16
15
14
13
12
10
8
7
6
5
4
3
2
1
154
XY
1000
990
960
975
980
975
960
850
720
665
600
525
440
345
240
125
11350
2500
3025
3600
4225
4900
5625
6400
7225
8100
9025
10000
11025
12100
13225
14400
15625
131000
400
324
256
225
196
169
144
100
64
49
36
25
16
9
4
1
2018
Clculo de r
Sendo:
r=
n XY ( X).( Y)
n X ( X)
n = 16
X = 1400e ( X)= 1960000
Y = 154 e ( Y)= 23716
XY = 11350
X = 131000
Y = 2018
n Y ( Y)
r=
16. 11350 1400. 154

16. 131000 1960000
16. 2018 23716
r=
181600 215600
2096000 1960000
32288 23716
34000
368,782 . 92,585
r=
r = 0,99579
A Fig. 27 uma ilustrao grfica da correlao positiva (r = 0,99579) quase perfeita.

CORRELAO ENTRE PESO CORPORAL
E FLEXES NA BARRA
Nr
21
18
15
12
X=9,6
9
6
3
0
45
55
X=87,5
65
75
85
95
105
115
125
Kg
Figura 27 Grfico de disperso da relao peso corporal X flexes na barra.
A flexo na barra executada pela suspenso do peso corporal at o queixo passar

acima da barra, desta forma, o peso corporal pode fornecer uma tendncia, indicando
freqentemente que pessoas mais pesadas tendem a executar um nmero menor de barras do
que as pessoas mais leves.
173
12.2 CORRELAO E CAUSA

Uma correlao entre duas variveis no significa, necessariamente, que uma varivel
causa a outra. Por exemplo, podemos citar um estudo que pretendesse verificar a relao entre
o posto/graduao de militares e seu desempenho no tiro prtico de pistola. Muito
provavelmente encontraramos capites com muito bons resultados e recrutas com pssimos
resultados. Pesquisadores inexperientes (ou desatentos) talvez conclussem que quanto maior
o posto/graduao, melhor seria o resultado no teste de tiro prtico de pistola. Desta forma,
bastaria que promovssemos todos os recrutas ao posto de coronel para que s houvesse
excelentes atiradores de pistola no Exrcito (parece lgico?!).
No se pretende dizer que uma varivel no possa ser a causa de outra, mas que no se
pode inferir somente com o resultado de uma correlao. No exemplo ilustrativo acima,
dever-se-ia levar em considerao outras variveis que provavelmente tenham correlao com
o resultado do tiro, tais como: experincia do atirador (quanto mais se pratica melhor tende a
ser o resultado) e o nervosismo do atirador (com a prtica prolongada o atirador tende a
ficar menos nervoso durante a performance, melhorando seu resultado). A nica forma de
demonstrar uma causa com um experimento no qual uma varivel independente pode ser
manipulada para produzir um efeito, e as variveis intervenientes podem ser controladas.
Alm de se verificar o valor de r, e se positivo ou negativo, deve-se entender o que
significa, em termos de ser alto ou baixo, satisfatrio ou insatisfatrio.
12.3 INTERPRETAO DE r
Existem muitas formas de se interpretar o r, sendo um dos critrios sua significncia
(confiabilidade), que representa a probabilidade de obter-se uma relao similar se o estudo
fosse repetido n vezes.
O nvel significncia pode ser estabelecido por meio de clculos matemticos ou,
simplesmente, consultando a Tabela r (ANEXO H). Para tal, deve-se selecionar o nvel
desejado, tais como 0,05 ou 0,01, e ler a tabela de acordo com os graus de liberdade (gl)
adequados [gl so baseados no nmero de sujeitos (n) corrigidos para tendncias amostrais (2
variveis)], que, para r, gl= n 2 .
EXEMPLO 12.3.1: No EXEMPLO 12.1.2, correlao entre o peso corporal e as
flexes na barra (r = 0,99579), os graus de liberdade so n 2 = 16 2 = 14, (onde n referese ao nmero de pares de escores). Ao ler-se a Tabela r no gl 14, vemos que necessria uma
correlao de 0,4863 para a significncia de um teste bi-caudal no nvel 0,5 (e 0,5742 no nvel
0,01). Logo se pode concluir que uma correlao de r = 0,98107 significante.
A correlao necessria para um determinado nvel de significncia diminui com o
aumento do nmero de sujeitos, logo, coeficientes de correlao muito baixos podem ser
significantes para uma amostra ampla de sujeitos. No nvel 0,05, uma correlao de 0,4227
significante com 20 gl, r = 0,2500 significante com 60 gl, e 0,1946 significante com 100
gl. Por outro lado, uma maior correlao exigida para a significncia no nvel 0,01 do que
no nvel 0,05.
O nvel 0,05 significa que se 100 experimentos fossem conduzidos, assumiria-se a
possibilidade de se rejeitar a hiptese nula (de que no existe relao), pelo acaso, somente
174
em 5 das 100 ocasies. No nvel 0,01, esperasse cometer este erro somente uma vez a cada
100 experimentos devido ao acaso. Logo, o teste de significncia no nvel 0,01 mais preciso
do que no nvel 0,05, e, portanto, uma correlao maior exigida para a significncia no nvel
0,01.
A Estatstica pode responder se os efeitos so confiveis, e se eles so significantes. O
critrio mais comumente usado para a interpretao de r, conforme sua significncia, o
coeficiente de determinao (r2), que indica a poro da variao total em uma medida que
pode ser explicada, ou devida variao na outra medida.
Para uma correlao de 0,70 entre duas variveis, apenas cerca da metade (49%) da
variao (ou influncias) em um teste associada com a outra. Se r = 0,80, ento 64% da
performance em um teste so associados com, ou explicados pelos, fatores envolvidos na
performance do outro teste.
A variao no explicada (1,0 r2) refere-se variao em uma varivel (dependente)
que no ocorre em funo da manipulao da outra varivel (independente). Com uma
correlao de 0,70, existe 49% de variao comum (explicada), e 51% (1,00 - 0,702) de
variao de erro (no explicada). Quando se utiliza o coeficiente de determinao para
interpretar os coeficientes de correlao, fica evidente que uma relao mais substancial
necessria para explicar uma grande quantidade de variao comum. A Tabela 22 apresenta a
relao entre o coeficiente de correlao e as variaes explicadas e no explicadas um breve
exemplo
Tabela 22 Relao entre r e as variaes explicadas e no explicadas
r
0,900
0,800
0,700
0,600
0,500
0,400
0.300
Variao
Explicada
No Explicada
81%
19%
64%
36%
49%
51%
36%
64%
25%
75%
16%
84%
9%
91%
O tamanho comparativo das correlaes devidas ao coeficiente de determinao

tambm pode ser observado. Uma correlao de 0,90 no simplesmente trs vezes maior do
que uma correlao de 0,30, mas sim, nove vezes maior (0,30 = 0,09, ou 9%, e 0,90= 0,81,
ou 81%).
12.4 TRANSFORMAO Z DO r
Um pesquisador pode estar interessado em determinar a mdia de duas ou mais
correlaes. estatisticamente insuficiente tentar calcular a mdia dos coeficientes por eles
mesmos, porque a distribuio de amostras dos coeficientes de correlao no normal, pois
quanto maior for a correlao mais desviada se torna a distribuio.
O mtodo mais satisfatrio de aproximao da normalidade de uma distribuio de
amostras de relaes lineares pela transformao dos r para valores Z (transformao Z de
175
Fisher). Tal procedimento envolve o uso de logaritmos naturais. Todavia, no necessitamos

utilizar a frmula de Fisher para calcular as transformaes, basta utilizar a Tabela para
transformao de r para z, localizando o valor Z correspondente para qualquer coeficiente de
correlao em particular.
Suponha, por exemplo, que obtivemos correlaes entre a distncia percorrida e a
freqncia cardaca durante a corrida do TAF (correr-caminhar por 12 minutos) em quatro
grupos de sujeitos de diferentes de idades. Para combinarmos essas correlaes de amostras a
fim de se obter uma estimativa vlida e confivel da relao entre essas duas variveis, devese proceder conforme a Tab. 23.
Tabela 23 Clculo da mdia dos coeficientes de correlao (transformao Z).
Grupo etrio
18-25
26-33
34-40
41-47
n
33
35
34
35
r
0,700
0,835
0,770
0,735
Z
0,867
1,204
1,020
0,929
=
n 3
30
32
31
32
125
Z com peso
26,010
38,528
31,620
29,728
125,886
Passos da utilizao dos valores Z para o clculo da correlao mdia.

a. converter cada correlao para um valor Z utilizando a Tabela para transformao
de r para z (ANEXO I);
b. contrapesar os valores Z multiplicando-os pelos graus de liberdade para cada
amostra, que nesse processo n 3;
c. somar os valores contrapesados de Z;
d. calcular a mdia do valor Z dividindo-se pela amostra total [ (n 3)]: 125,886/125
= 1,007; e
e. converter o valor mdio do Z contrapesado a uma correlao mdia consultando-se
novamente a Tabela para transformao de r para z, Z = 1,007 o r mdio 0,765.
A transformao Z tambm utilizada para os testes estatsticos (tais como aqueles
para a significncia do coeficiente de correlao) e para determinar a significncia da
diferena entre dois coeficientes de correlao. Alguns autores afirmam que para calcular a
mdia das correlaes pela transformao Z, deve-se primeiro estabelecer que no existem
diferenas significativas entre as correlaes testadas.
Uma comparao de diferenas poderia ser feita utilizando um teste qui-quadrado
para os valores de Z com contrapeso (o qui-quadrado uma tcnica no-paramtrica discutida
no volume 2).
12.5 REGRESSO LINEAR
Um dos propsitos da correlao pode ser a previso. Sempre que se deseja estudar
determinada varivel dependente (sobre a qual deseja-se fazer uma estimativa) , em funo de
uma varivel independente, utiliza-se uma equao de predio (regresso) baseada na
correlao entre X e Y. Quanto mais alta for a relao entre as duas variveis, mais
precisamente poder-se- prever Y a partir de X.
176
Geralmente utilizam-se as frmulas abaixo descritas para o clculo da linha de melhor

ajustamento (reta de regresso)
Y= a+bX
Sendo: a = Xy bXx
b = r (Sy/Sx)
Onde:
Y = varivel dependente (critrio)
a = o ponto de interseco
b = a inclinao da linha de regresso
X = varivel independente (preditor)
Xy e Sy = mdia e desvio padro de y
Xx e Sx= mdia e desvio padro de x
r = correlao entre X e Y
Quadro 6 Frmula da regresso linear
A letra a da frmula de regresso indica a interseco da linha de regresso no eixo y.

Em outras palavras, a o valor de Y quando X = 0. A inclinao da linha (b) significa a
quantidade de mudana em Y que acompanha uma mudana de 1 unidade de X.
Utilizando os dados da Tab. 20, peso corporal (X) e fora muscular (Y).onde a
correlao entre o peso corporal (X) e fora muscular (Y) foi r = 0,98107. As mdias e os
desvios-padro so os seguintes:
Medida
Peso
Fora
X
S
r
45,00
9,522
0,98107
92,06
19,361
0,98107
Sendo: Y= a+bX
Onde:
b = r (Sy/Sx)= 0,98107 . (19,361/9,522)
b = 1,995
a = Xy bXx = 92,06 - 1,995 . 45,00
a = 2,285
Logo : Y = 2,285 + 1,995.X
Quadro 7 Clculo da equao de regresso linear
Para qualquer peso corporal (X), podemos calcular o escore de fora muscular (Y)
predito. Por exemplo, um sujeito pesando 100 Kg teria um escore Y (fora predita):
Y = 2,285 + 1,995 . X = 2,285 + 1,995 . 100
Y = 201,785
Quando prevemos a fora muscular a partir do peso corporal a correlao (r =
0,98107) menor do que 1,00, ou seja a correlao no perfeita. Deste modo possvel
dizer que existe um erro na estimativa de Y a partir de X, o qual chamaremos de erro de
predio.
12.6 LINHA DE MELHOR AJUSTAMENTO E ERRO DE PREDIO
A Fig. 26 mostra que a disperso dos escores de peso e fora no forma uma linha
reta, mas sim uma elipse. Conseqentemente, devemos calcular uma linha de melhor
ajustamento para prever Y a partir dos escores X. Para tal pode-se eleger um escore X alto
(60Kg), e um baixo (30kg) e aplicamos a frmula de predio. Para um peso corporal de
60kg, prediz-se Y = 2,285 + 1,995 . 60= 121,99. Para um peso corporal de 30Kg, predize-se
Y= 2,285 + 1,995 . 30 = 62,14.
177
Deve-se ento, plotar esses dois valores previstos no grfico de disperso e conect-los
com uma linha reta. Essa linha passa pela interseco das mdias X e Y A Fig. 28 mostra essa
linha de melhor ajustamento. Desta forma, pode-se notar que os escores no se situam na
linha reta, mas em torno da mesma. Quanto mais prximo da perfeio estiver o nvel de
correlao entre as variveis X e Y, mais prximos da linha de melhor ajustamento estaro os
escores plotados.
CORRELAO ENTRE FORA MUSCULAR
E PESO CORPORAL
Kg
120
100
X=92,1
80
60
40
20
a= (0; 2,285)
0
0
20
40 X=45 60
80
100
120
Kg
Figura 28 Regresso linear da relao fora muscular X peso corporal.
Na construo dessa linha de melhor ajustamento, selecionamos um alto peso corporal

(60) e um peso corporal baixo (30) e predizemos seus valores Y Quando examinamos seus
valores Y reais, vemos que existe algum erro na predio. O escore de fora previsto para o
sujeito de 60kg foi de 121,99Kg, mas ele obteve apenas 120Kg, uma diferena de -1,99Kg.
Ao mesmo tempo, esperava-se que o sujeito de 30Kg obtivesse 62,14Kg no dinammetro, e
na verdade ele obteve 58Kg, uma diferena de 4,14Kg. Essas diferenas entre o escore Y
previsto e o real representam erros de predio e so chamados de escores residuais. Se
computssemos todos os escores residuais, a mdia seria zero e o desvio-padro seria o erro
de predio padro, ou erro de estimativa padro (Sy.x).
Uma forma mais simples de se obter o erro de predio padro utilizar a frmula
Sy.x = Sy
1-r
Sendo:
Sy.x = erro de predio padro
Sy = desvio padro de Y
r = correlao entre X e Y
Quadro 24 Frmula do erro de predio padro (Sy.x).
O erro de predio padro interpretado da mesma forma que o desvio-padro. O

valor predito (fora) de um sujeito, mais ou menos o erro de estimativa padro, ocorrer
aproximadamente 68 vezes em 100.
178
Para o exemplo utilizado at o presente momento, um sujeito de 50Kg teria uma fora
predita de Y = 2,285 + 1,995.50 = 102,04 Kg mais ou menos o erro de predio.
Sendo: Sy.x = Sy
1-r
Onde:
Sy = 19,361 e r = 0,98107
Logo:
Sy.x = 19,361 1 - 0,981072

Sy.x = 19,361 . .013759
Sy.x= 2,66
Quadro 8 Clculo de Sy.x para fora muscular X peso corporal.
Ao medirmos a fora muscular de um sujeito de 50Kg, provavelmente encontraremos

uma fora muscular variando:
entre 99.38 Kg e 104,70 Kg (Y + Sy.x ) em 68,26% dos casos;
entre 96,72 Kg e 107,36 Kg (Y + 2Sy.x ) em 95,44% dos casos; e
entre 94,06 Kg e 110,02 Kg (Y + 3Sy.x ) em 99,74% dos casos.
Este intervalo chamado de amplitude de predio Quanto maior a correlao,
menor ser o erro de predio. Alm disso, quanto menor o desvio padro do critrio, menor
ser o erro.
12.7 CORRELAO PARCIAL
Quando existe pouca ou nenhuma correlao entre duas variveis X e Y, que no seja
causada por sua dependncia comum a uma terceira varivel Z, a correlao entre X e Y
algumas vezes equivocada, e pode ser difcil de interpretar.
Por exemplo, em uma ampla faixa etria (18 a 47 anos), a correlao entre duas
variveis como resultado no tiro prtico de pistola dos sujeitos e seu posto/graduao ser,
quase certamente, positiva e provavelmente alta, em funo do fator experincia no esporte
(anos de prtica) com o qual elas esto altamente correlacionadas.
Na verdade, a correlao pode diminuir muito se a variabilidade causada pelas
diferenas de experincia for eliminada, podendo-se controlar esse fator por meio de duas
formas: selecionar apenas sujeitos da mesma idade, ou eliminar-se os efeitos da idade
estatisticamente mantendo-a constante. O smbolo para a correlao parcial r12,3 o qual
significa a correlao entre as variveis 1 e 2 com a varivel 3 mantida constante
Lembremos novamente a correlao entre o resultado do tiro prtico de pistola e o
posto/graduao do sujeito. Esse um exemplo de correlao espria, o que significa que a
correlao entre as duas variveis devida influncia comum de uma outra varivel
(experincia no esporte). Quando o efeito da terceira varivel (experincia) removido, a
correlao entre o resultado do tiro prtico de pistola e o posto/graduao diminui ou
desaparece completamente.
Chamaremos as trs variveis a seguir: 1 = resultado no tiro prtico de pistola, 2 =
posto /graduao, e 3 = experincia (anos de prtica). Logo, r12.3 a correlao parcial entre
as variveis 1 e 2, com 3 sendo mantida constante. Podemos ajustar alguns coeficientes de
correlao entre trs variveis: r12 = 0,765; r13 = 0,880; e r23 = 0,850.
179
Sendo:
r12.3 =
r12 r1.3 . r2.3

1 r13 1 r23
Onde:
r12 = 0,765
Correlao entre 1 e 2
r13 = 0,880
r23 = 0,850
Logo:
r12.3 =
r12.3 =
r12.3 =
0,765 0,880 . 0,850

1 0,880 1 0,850
0,765 0,748
0,2256
0,2775
0,017
0,47497 . 0,52678
r12.3 = 0,068
Quadro 9 Frmula e clculo da correlao parcial.
Pode-se notar que a correlao entre o resultado do tiro prtico de pistola e o

posto/graduao cai cerca de zero quando a experincia do atirador isolada. A correlao
parcial principalmente utilizada no desenvolvimento de equaes de regresso mltipla
com duas ou mais variveis preditoras.
12.8 REGRESSO MLTIPLA
A regresso mltipla consiste em uma varivel dependente (usualmente um critrio de
algum tipo) e duas ou mais variveis preditoras (variveis independentes), tendo em vista que
o uso de mais de uma varivel preditora, usualmente aumenta a preciso da predio. Caso se
desejasse predizer a capacidade de um atirador dever-se-ia analisar a correlao de vrias
habilidades inerentes ao tiro para se predizer a sua performance com o decorrer dos anos de
prtica, ou seja utilizando vrios preditores ao invs de apenas um.
O coeficiente de correlao mltipla (R) indica a relao entre um critrio e o
somatrio dos pesos suas variveis preditoras. Segue-se ento que R2 representa a quantidade
de varincia do critrio que explicada pela associao/combinao dos preditores (mesmo
conceito do coeficiente de determinao r2). Ao utilizarmos R, desejamos encontrar a
combinao de variveis que fornecer a predio mais precisa do critrio, portanto
importante saber o quanto cada um dos mecanismos de predio contribui para a variao
total explicada, encontrando as variveis que melhor reduziro os erros de predio. Existem
vrios mtodos de regresso mltipla. Neste manual abordaremos apenas as mais comumente
utilizadas, a regresso mltipla progressiva, a regresso mltipla regressiva,o mtodo do R2
mximo e o mtodo de regresso gradativa
O mtodo de regresso mltipla progressiva consiste em adicionarmos,
progressivamente, uma nova varivel preditora. A primeira varivel selecionada deve ser
aquela com a maior correlao com o critrio. As variveis selecionadas produzem
cumulativamente a soma residual mnima de quadrados, significando que a soma residual de
quadrados constitui erro. Algumas vezes o pesquisador ir determinar um nvel de
probabilidade para entrada, como 0,05 ou 0,01. Dessa forma, as variveis so acrescentadas
at que elas no possam mais aumentar de forma significativa a predio do critrio. Sempre
que duas variveis possa estar medindo a mesma coisa, a incluso de ambas no melhor do
que utilizar apenas uma.
180
Aps o primeiro passo, a seleo de variveis adicionais determinada pelo efeito

combinado, no apenas pelo efeito aditivo. Em outras palavras, o processo leva em
considerao as inter-relaes entre as variveis X. Aps cada varivel X ser introduzida, o
processo identifica qual das variveis preditoras restantes explicar a maior quantidade de
variao inexplicada. As variveis devem ser introduzidas conforme a sua importncia e o
processo termina quando no existe mais uma contribuio significativa para a predio.
No mtodo de regresso mltipla regressiva, as variveis independentes so
eliminadas por sua falta de importncia. Inicia-se com todas as variveis independentes e
exclui-se aquelas que no contribuem significativamente para a predio do critrio.
Determina-se um nvel de probabilidade para entrada, como 0,05 ou 0,01, e as variveis que
no alcanam o nvel de significncia, so excludas.
O R2 mximo o mtodo no qual o chamado melhor de todos os modelos possveis de
urna nica varivel selecionado, assim como o melhor modelo de duas variveis, o melhor
modelo de trs variveis e assim por diante, at um critrio predeterminado que termina
quando o clculo alcanado.
O mtodo de regresso gradativa um procedimento de regresso similar seleo
progressiva exceto pelo fato de que a cada passo todas as variveis independentes so
avaliadas para se verificar se cada uma continua contribuindo para a predio. Se uma
varivel independente no contribui, ela ento excluda (removida) da combinao linear.
A equao de predio da regresso mltipla segue o modelo de regresso de duas
variveis (Y = a + bX), diferindo apenas na existncia de mais de uma varivel X, conforme a
equao:
Y = a+ b1X1+ b2X2+...+biXi
A premissa bsica em uma regresso mltipla a mesma que na regresso linear
simples, ou seja, o tamanho da correlao entre as variveis de estudo. Quanto maior a
correlao, mais precisa ser a predio. Todavia, uma limitao da predio relaciona-se com
a generalizao das constataes, pois as equaes de regresso desenvolvidas por uma
amostra, freqentemente perdem em preciso quando aplicadas a outras amostras, o que
chamamos de reduo. O termo especificidade de populao tambm se relaciona a esse
fenmeno, pois ao buscarmos uma maior preciso por meio de procedimentos de seleo das
variveis preditoras (o que refora as caractersticas especficas da amostra), tornamos mais
difcil a generalizao dos achados para outras populaes.
Os resultados de uma frmula de predio para adolescentes provavelmente perderiam
muita preciso se aplicada em adultos. Assim, o pesquisador deve selecionar cuidadosamente
uma amostra em relao populao para a qual os resultados devero ser generalizados.
Em estudos de previso, quanto maior a amostra, mais provavelmente ela representar
a populao da qual foi retirada. Um grande problema com pequenas amostras em estudos de
regresso mltipla que a correlao pode ser espuriamente alta. Existe uma relao direta
entre a correlao, e a razo entre o nmero de sujeitos versus o nmero de variveis. O grau
no qual o valor esperado de R2 exceder zero quando zero na populao depende de dois
fatores: o tamanho da amostra (n) e o nmero de variveis (k). Ao selecionarmos o nmero de
sujeitos de uma amostra devemos tomar o cuidado de observar a razo R2 = k 1 / n 1. Por
fim, recomendvel manter-se uma razo de 10 sujeitos ou mais para cada varivel.
181
182
Captulo 13
Distribuies Amostrais
Os conceitos abordados a seguir formam uma ponte entre a Estatstica Descritiva e a
Estatstica Indutiva e sua compreenso fundamental para o entendimento de como se
constroem os mtodos de anlise estatstica e interpretao dos dados.
Para tal, preciso supor que as amostras tratadas so representativas das populaes,
sendo obtidas por amostragem aleatria simples. Neste sentido, todos os seus n elementos
fornecero valores aleatrios da varivel de interesse.
Ao retirarmos uma amostra aleatria de uma populao, estaremos considerando cada
valor da amostra como um valor de uma varivel aleatria cuja distribuio de probabilidade
a mesma da populao (se a amostragem for com reposio, ou a populao for infinita,
todos os valores da amostra tero a mesma distribuio de probabilidade).
Em conseqncia da aleatoriedade dos valores da amostra, qualquer quantidade
calculada em funo dos elementos da amostra tambm ser uma varivel aleatria, e a estes
valores calculados denominaremos estatsticas.
Veremos a seguir algumas distribuies amostrais que tero grande utilizao nos
captulos seguintes. Para tal, a fim de diferenciarmos os smbolos relativos aos parmetros
populacionais dos smbolos relativos s medidas da amostra, adotaremos as seguintes
notaes:
= mdia de uma populao, ou seja, da distribuio de probabilidades da varivel
de interesse na populao;
2
= varincia populacional;
X = mdia da distribuio amostral da estatstica X; e
2
X = varincia da distribuio amostral das mdias (X).
13.1 DISTRIBUIO AMOSTRAL DE X
Dada uma populao infinita (ou a amostragem feita com reposio), resulta que os
diversos valores da amostra podem ser considerados valores de variveis aleatrias
independentes, com a mesma distribuio de probabilidade da populao.
Consideremos as seguintes propriedades da mdia:
a. Multiplicando os valores de uma varivel aleatria por uma constante, a mdia fica
multiplicada por essa constante, e
b. A mdia de uma soma de variveis aleatrias igual soma das mdias dessas
variveis.
183
No difcil imaginar que, retiradas infinitas amostras de diferentes tamanhos de uma

populao infinita, ou sendo a amostragem feita com reposio, a mdia em torno da qual
devem variar os possveis valores da estatstica X a prpria mdia da populao. Ou seja,
a mdia das mdias das infinitas amostras ser igual a mdia da populao.
1
1
1
[ (X1) + (X2) + ... + (Xn) ] =
[ + + ... + ] =
n
=
n
n
n
Consideremos agora as seguintes propriedades da varincia:
a. Multiplicando os valores de uma varivel aleatria por uma constante, a varincia
fica multiplicada pelo quadrado dessa constante; e
b. A varincia de uma soma de variveis aleatrias independentes igual soma das
varincias.
X
Desse modo:
2
X
1
=
[
n
+ ... +
(X1)
(X2)
+ ... +
(Xn) ]
Ou seja:
2
X
1
[
n2
] =
1
n
n2
Note que a varincia com que se dispersam os possveis valores da estatstica X n

vezes menor que a varincia da populao de onde retirada a amostra. Isso se deve prpria
essncia do processo aleatrio, que faz com que haja, dentro da amostra, uma natural
compensao entre valores mais elevados e valores mais baixos, produzindo valores de i que
tendem a ser tanto mais prximos de , quanto maior o tamanho da amostra n.
Para populaes infinitas:
X
Para populaes finitas:

X
N n
N 1
Onde:
N = nmero de elementos da populao e o fator
N n
= fator de correo para populao finita
N 1
Note que o fator tende unidade quando o tamanho da populao tende ao infinito.
Se a distribuio da populao for normal, a distribuio amostral das mdias ser
tambm normal para qualquer tamanho de amostra.
184
Distribuio amostral de X
Distribuio populacional
X, X
Figura 29 - Distribuio amostral de X populao normal.
Se a distribuio da populao no for normal, mas a amostra for suficientemente

grande, a distribuio amostral das mdias ser aproximadamente normal, pois os valores
resultaro da soma de um nmero grande de variveis aleatrias independente (essa concluso
extensvel ao caso de amostragem sem reposio de populaes finitas, porm
razoavelmente grandes).
Distribuio amostral de X
Distribuio populacional
X, X
Figura 30 - Distribuio amostral de X populao no-normal e amostra suficientemente grande.
13.2 DISTRIBUIES AMOSTRAIS DE fi E fri

Consideremos a freqncia fi com que foi observada alguma caracterstica na amostra,
dizemos que fi uma estatstica, pois determinada em funo dos elementos da amostra.
Seja p a probabilidade de ocorrncia de sucesso para cada elemento amostral, se a populao
infinita ou a amostragem feita com reposio, p constante para todos os elementos da
amostra, e os resultados observados para todos eles sero independentes.
Nessas condies, a distribuio amostral de freqncia ser uma distribuio
binomial de parmetros n e p em que:
(fi) = n . p
2
(fi) = np(1 p)
Pela aplicao das propriedades a. e c., a freqncia relativa fri, ter mdia e varincia:
(fri) =
2
(fri) =
fi
1
=
n
n
fi
1
= 2
n
n
(fi) = n np = p
1
(fi) = n2 np(1 p) =
p(1 p)
n
185
Quanto maior o valor de n, o limite da freqncia relativa tende a probabilidade real

do evento ocorrer. Note que o tipo de distribuio de fri contnua sendo uma distribuio
binomial, cujos possveis valores foram comprimidos entre 0 e 1 com intervalos de 1/n, ao
invs de variarem de 0 a n segundo os nmeros naturais, o que ocorre na distribuio
binomial propriamente dita.
Sendo a amostra suficientemente grande, podemos aproximar as distribuies de fi e fri
por distribuies normais de mesma mdia e mesmo desvio-padro Para efeito de
aproximao, pode-se considerar que uma amostra suficientemente grande se:
np > 5
n(1 p)> 5
13.3 DISTRIBUIO AMOSTRAL DE S2 DISTRIBUIES
A distribuio amostral das varincias S2(x) est relacionada s distribuies quiquadrado ( 2), conforme segue:.
Dado que
2
xi
i=1
i=1
Zi2
Onde:
xi = valores aleatrios independentemente retirados de uma populao normal
= mdia populacional;
= desvio-padro populacional com distribuio 2 com v graus de liberdade; e
Zi = valores da varivel normal reduzida.
por X a estatstica S2(x) tem distribuio
Substituindo
liberdade.
v
2
n-1
i=1
com n 1 graus de
xi X
2
v
i=1
Zi2
Note que, a exceo de uma constante, a varincia de uma amostra extrada de

populao normal, distribui-se conforme uma distribuio 2 com n 1 graus de liberdade
com mdia:
(S2) =
n 1
n-1 ) =
n 1
(n 1) =
E varincia:
2
186
(S2) =
(n 1)2
n-1
) =
(n 1)2
2(n 1) =
2 4
n 1
13.5 DISTRIBUIES t DE STUDENT

Suponhamos que, a partir de uma amostra de n valores retirados de uma populao
normal de mdia e desvio-padro , fosse definida a estatstica
X
/ n
Z=
Como dito na seo 13.1, a distribuio amostral das mdias normal, com mdia
desvio-padro / n, .
No entanto, quando no se dispe do parmetro populacional , uma soluo a

substituio de por S, no entanto, ao utilizarmos o desvio-padro da amostra, obteremos
uma estatstica cuja distribuio no mais normal. De fato, conforme mostrou Student, a
estatstica t distribui-se simetricamente, com mdia 0, porm no normalmente.
t=
X
S(x) / n
Quanto maior o n da amostra, mais prximo do parmetro deve estar a estatstica

S(x). Logo, as correspondentes distribuies t aproximam-se da normal reduzida com n 1
graus de liberdade.
A Fig. 31 procura ilustrar comparativamente uma distribuio t e a distribuio normal
reduzida z. Vemos que uma distribuio t genrica mais alongada que a normal reduzida.
Z,t
Figura 31 - Distribuio t e distribuio normal reduzida
A Tabela t (ANEXO F) fornece valores de t em funo dos diversos graus de

liberdade v e de probabilidades notveis, correspondentes cauda direita da respectiva
distribuio.
EXEMPLO 13.5.1: Entrando na Tabela t com a probabilidade p = 0,025 e v = 50,
lemos o valor t50 = 2,009. Isso significa, dada a simetria das distribuies t, que:
P(t50 > 2,009) = P(t50 < 2,009) = 0,025.
187
Note-se que:
t50 = 2,009 =~ t = 1,960.

E que:
t = Z = 1,960.
13.6 DISTRIBUIES F DE SNEDECOR
Suponhamos que duas amostras independentes retiradas de populaes normais
forneam varincias amostrais S1 e S2, e que desejamos conhecer a distribuio amostral do
quociente S1/S2 Isso ser possvel atravs do conhecimento das distribuies F de Snedecor.
Define-se a varivel F com v1 graus de liberdade no numerador e v2 graus de liberdade
no denominador, ou, simplesmente, Fv1;v2 por:
Fv1;v2=
2
2
v1
v2
/ v1
/ v2
Evidentemente, a definio geral precedente engloba uma famlia de distribuies de

probabilidade para cada par de valores (v1 , v2). A Tabela F (ANEXO G) apresenta os valores
da varivel F que determinam caudas direita com probabilidades 0,1; 0,05; 0,25; 0,005 e
0,001, fornecidos para diversos pares de valores de v1 e v2.
EXEMPLO 13.5.1: Se entrarmos na Tabela F (para = 5%) com v1 = 5 e v2 = 20,
encontraremos o valor Fcrit = 2,71. Isso quer dizer que, na distribuio F com 5 graus de
liberdade no numerador e 20 graus de liberdade no denominador, a probabilidade de se obter
um valor aleatrio superior a 2,71 igual a 5%, conforme esquematizado na Fig. 32.
f (F)
5%
RC
RA
2,71
F5,20
Figura 32 - Distribuio F de Snedecor
Imaginemos agora que de duas populaes normais com mesma varincia (ou, o que
seria equivalente, de uma mesma populao normal), sejam extradas duas amostras
independentes com n1 e n2 elementos, e tomemos o quociente S1/S2 das varincias dessas
amostras. A distribuio amostral desse quociente ser uma distribuio Fn1 1, n2 1 , pois:
S21
[
=
2
S2
[
188
/ (n1 1) ]
2
/ (n2 1) ]
2
2
2
n1 - 1
n2 - 1
2
2
n1 - 1
n2 - 1
/ (n1 1)
= Fn1 1, n2 1
/ (n2 1)
ANEXOS
189
ANEXO A ESTATSTICA DESCRITIVA

Os quadros abaixo indicam os tipos de tcnicas estatsticas que podem ser aplicadas
para a descrio geral de conjuntos de dados.
DISTRIBUIO NORMAL - ESTATSTICA DESCRITIVA E GRFICOS
N de
Escala
Anlises Aplicveis
Grficos Aplicveis
Amostras Numrica
Mdia, Moda, Desvio Padro, Coeficiente
Histograma, Box &
Ordinal,
de Variao, Intervalo de Confiana,
Uma ou
Whiskers, Grfico de
Intervalar ou
Mnimo, Primeiro Quartil, Mediana,
Mais
Sries, Ogiva (Funo
Razo
Terceiro Quartil, Mximo, Srie
de Distribuio).
Temporal*.
* Quando uma das variveis registradas for o tempo.
DISTRIBUIO NO-NORMAL - ESTATSTICA DESCRITIVA E GRFICOS
N de
Escala
Anlises Aplicveis
Grficos Aplicveis
Amostras Numrica
Mdia, Moda, Desvio Padro,
Histograma, Box &
Ordinal,
Coeficiente de Variao, Intervalo de
Uma ou
Whiskers, Grfico de
Intervalar ou Confiana, Mnimo, Primeiro Quartil,
Mais
Sries, Ogiva (Funo de
Razo
Mediana, Terceiro Quartil, Mximo,
Distribuio).
Srie Temporal*.
Uma ou
Pictograma, Grfico de
Nominal
Freqncias, Srie Temporal*.
Mais
Sries.
* Quando uma das variveis registradas for o tempo.
190
ANEXO B COMPARAES ENTRE AMOSTRAS

Os quadros abaixo indicam as tcnicas estatsticas que podem ser aplicadas para a
comparao entre os parmetros de dois ou mais grupos de dados.
DISTRIBUIO NORMAL - ESTATSTICA INFERENCIAL
Tipo de
Relao
N de Amostras
Tipo de Escala
Anlises Aplicveis
Duas Amostras
Intervalar ou Razo
Teste t de Student Pareado
Pareadas
Trs ou Mais
Intervalar ou Razo ANOVA c/ Medidas Repetidas
Amostras
Duas Amostras
Intervalar ou Razo
Teste t de Student
No-Pareadas
ANOVA c/ Grupos
Trs ou Mais
Intervalar ou Razo
Independentes
Amostras
* Varivel com apenas dois valores ou duas categorias (varivel binria).
DISTRIBUIO NO-PARAMTRICA - ESTATSTICA INFERENCIAL
Tipo de
N de Amostras
Tipo de Escala
Anlises Aplicveis
Relao
Ordinal, Intervalar Teste de Friedman, Sign-Test,
Duas Amostras
ou Razo
Wilcoxon Matched-Pairs Test
Nominal
Duas Amostras
Teste de McNemar
Dicotmica*
Pareadas
Trs ou Mais
Ordinal, Intervalar
ANOVA de Friedman
Amostras
ou Razo
Trs ou Mais
Nominal
Teste Q de Cochran
Amostras
Teste Mann-Whitney U, WaldOrdinal, Intervalar
Wolfowitz Runs Test,
Duas Amostras
ou Razo
Kolmogorov-Smirnov TwoSample Test
Teste de Qui-Quadrado
Duas Amostras
Nominal
No-Pareadas
(Homogeneidade)
Trs ou Mais
Ordinal, Intervalar
ANOVA de Kruskal-Wallis
Amostras
ou Razo
Trs ou Mais
Nominal
Teste de Qui-Quadrado
Amostras
191
ANEXO C RELAO ENTRE VARIVEIS

Os quadros abaixo indicam as tcnicas analticas e os procedimentos grficos aplicveis
quando para verificar a existncia e/ou caracterizar as relaes entre duas ou mais variveis.
DISTRIBUIO NORMAL - ESTATSTICA DESCRITIVA E GRFICOS
N de
Grficos
Tipo de Escala
Anlises Aplicveis
Variveis
Aplicveis
Correlao de Pearson,
Diagrama de
Duas
Intervalar e/ou Razo
Regresso Linear
Disperso (X,Y).
Simples.
Diagrama
Trs ou
Regresso Mltipla
Previso vs.
Mais
Observao
Regresso Linear
Trs ou
Mltipla, Regresso
--Mais
No-Linear
Nominal Dicotmica* (VarivelTrs ou
Resposta) e/ou Nominal e/ou
Regresso Logstica
--Mais
Ordinal e/ou Intervalar e/ou Razo
DISTRIBUIO NO-NORMAL - ESTATSTICA DESCRITIVA E GRFICOS
N de
Grficos
Tipo de Escala
Anlises Aplicveis
Variveis
Aplicveis
Correlao de
Diagrama de
Duas
Spearman.
Disperso (X,Y).
Duas
Nominal
Teste de Qui-Quadrado.
--Trs ou
Correlao Partial Rank
Diagrama de
Mais
de Kendall
Disperso (X,Y).
Trs ou
Nominal
Anlise Discriminante
--Mais
Regresso Linear
Trs ou
Mltipla, Regresso
--Mais
No-Linear
Nominal Dicotmica* (VarivelTrs ou
Resposta) e/ou Nominal e/ou
Regresso Logstica
--Mais
192
ANEXO D TABELA DE NMEROS ALEATRIOS
57720039848441796771402113975649865408932968745483
28805351590993988758702771771706320278621674696517
92591852873048869748352518887403629838586586424103
90381291743019758907506415597188137495305278301175
80911694675860820666904756184645111235324550411343
22017031329691927540165429727499009597610098243007
56241004302046299053531105844121647919762951626066
79449262029686643000945669302059878735442250977819
53996645088978507753372577412762380223576201416035
18928735885505213651392850146685793019797266643145
53085896630561257022504128966266436306630132798522
03588029287689511824888946474859192987031033996712
27078188656949980028047051300147189733218582454324
05210859010622249891811755446616077307661012317858
40361327843082333639694205586461123389278952667193
54602528858820001059610536613372010119016110512091
71516340767111737352373160458892734371280498090248
61020181739260667358533442682638340327449604466593
82559313463095265506961765917239799612495280632699
89985414217413576819862860894733152628774538480808
00998484146795137758901450794273633106604340125504
62415078204805884352980319939203049725849595036331
94279069246809921186076383193299511555710927026700
44892928843628251582877418972576106326760226745328
97307695332110542695666552049936584803089363581796
39165804448015595983909554668184396085388866333569
60781103266750340961313020769366308351093383647605
03192347628957779133884760593754394877674985384391
41285267562539599665513690322239330522990339979699
77549850392537425297100356049281668670014889558210
28634161916424838137344883279638716973067750256460
74244885401233596750149814264279791352896978804471
00240337964668750532421663332897263647277365383446
05414769694536167118955197220413239658600369487983
62698497974723665156130869115275592686818043009892
193
ANEXO E REA SUBTENDIDA PELA CURVA NORMAL TABELA Z

z
0
1
2
3
4
5
6
7
8
9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0398
0438
0478
0517
0557
0596
0636
0675
0714
0754
0,2 0793
0832
0871
0910
0948
0987
1026
1064
1103
1141
0,3 1179
1217
1255
1293
1331
1368
1406
1443
1480
1517
0,4 1554
1591
1628
1664
1700
1736
1772
1808
1844
1879
0,5 1915
1950
1985
2019
2054
2088
2123
2157
2190
2224
0.6 2258
2291
2324
2357
2389
2422
2454
2486
2518
2549
0,7 2580
2612
2642
2673
2704
2734
2764
2794
2823
2852
0,8 2881
2910
2939
2867
2996
3023
3051
3078
3106
3133
9,0 3159
3186
3212
3238
3264
3289
3315
3340
3365
3389
1,0 3413
3438
3461
3485
3508
3531
3554
3577
3599
3621
1,1 3643
3665
3686
3708
3729
3749
3770
3790
3810
3830
1,2 3849
3869
3888
3907
3925
3944
3962
3980
3997
4015
1,3 4032
4049,
4066
4082
4099
4115
4131
4147
4162
4177
1,4 4192
4207
4222
4236
4251
4265
4279
4292
4306
4319
1,5 4332
4345
4357
4370
4382
4394
4406
4418
4429
4441
1,6 4452
4463
4474
4484
4496
4505
4515
4525
4535
4545
1,7 4554
4564
4573
4582
4591
4599
4608
4616
4625
4633
1,8 4641
4649
4656
4664
4671
4678
4686
4693
4699
4706
1,9 4713
4719
4726
4732
4738
4744
4750
4756
4761
4767
2,0 4772
4778
4783
4788
4793
4798
4803
4808
4812
4817
2,1 4821
4826
4830
4834
4838
4842
4846
4850
4854
4857
2,2 4861
4864
4868
4871
4875
4878
4881
4884
4887
4890
2,3 4893
4896
4898
4901
4904
4906
4909
4911
4913
4916
2,4 4918
4920
4922
4925
4927
4929
4931
4932
4934
4936
2,5 4938
4940
4941
4943
4945
4946
4948
4949
4951
4952
2,6 4953
4955
4956
4957
4959
4960
4961
4962
4963
4964
2,7 4965
4966
4967
4968
4969
4970
4971
4972
4973
4974
2,8 4974
4975
4976
4977
4977
4978
4979
4979
4980
4981
2,9 4981
4982
4982
4983
4984
4984
4985
4985
4986
4986
3,0 4987
4987
4987
4988
4988
4989
4989
4989
4990
4990
3,1 4990
4991
4991
4991
4992
4992
4992
4992
4993
4993
3,2 4993
4993
4994
4994
4994
4994
4994
4995
4995
4995
3,3 4995
4995
4995
4996
4996
4996
4996
4996
4996
4997
3,4 4997
4997
4997
4997
4997
4997
4997
4997
4997
4998
3,5 4998
4998
4998
4998
4998
4998
4998
4998
4998
4998
3,6 4998
4998
4999
4999
4999
4999
4999
4999
4999
4999
3,7 4999
4999
4999
4999
4999
4999
4999
4999
4999
4999
3,8 4999
4999
4999
4999
4999
4999
4999
4999
4999
4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
194
ANEXO F TABELA PARA O TESTE t

v
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
45
50
60
70
80
90
100
110
120
140
160
180
200
0,200
t0.800
0,150
t0.850
0,100
t0.900
0,050
t0.950
0,025
t0.975
0,020
t0.980
0,015
t0.985
0,010
t0.990
0,005
t0.995
1,37638
1,06066
0,97847
0,94096
0,91954
0,90570
0,89603
0,88889
0,88340
0,87|906
0,87553
0,87261
0,87015
0,86805
0,86624
0,86467
0,86328
0,86205
0,86095
0,85996
0,85907
0,85827
0,85753
0,85686
0,85624
0,85567
0,85514
0,85465
0,85419
0,85377
0,85201
0,85070
0,84968
0,84887
0,84765
0,84679
0,84614
0,84563
0,84523
0,84490
0,84463
0,84420
0,84387
0,84362
0,84342
0,84198
1,96261
1,38621
1,24978
1,18957
1,15577
1,13416
1,11916
1,10815
1,09972
1,09306
1,08767
1,08321
1,07947
1,07628
1,07353
1,07114
1,06903
1,06717
1,06551
1,06402
1,06267
1,06145
1,06034
1,05932
1,05838
1,05752
1,05673
1,05599
1,05530
1,05466
1,05202
1,05005
1,04852
1,04729
1,04547
1,04417
1,04319
1,04244
1,04184
1,04134
1,04093
1,04029
1,03980
1,03943
1,03913
1,03697
3,07768
1,88562
1,63775
1,53321
1,47588
1,43976
1,41492
1,39682
1,38303
1,37218
1,36343
1,35622
1,35017
1,34503
1,34061
1,33676
1,33338
1,33039
1,32773
1,32534
1,32319
1,32124
1,31946
1,31784
1,31635
1,31497
1,31370
1,31253
1,31143
1,31042
1,30621
1,30308
1,30065
1,29871
1,29582
1,29376
1,29222
1,29103
1,29008
1,28930
1,28865
1,28763
1,28686
1,28627
1,28580
1,28240
6,31375
2,91999
2,35336
2,13185
2,01505
1,94318
1,89458
1,85955
1,83311
1,81246
1,79588
1,78229
1,77093
1,76131
1,75305
1,74588
1,73961
1,73406
1,72913
1,72472
1,72074
1,71714
1,71387
1,71088
1,70814
1,70562
1,70329
1,70113
1,69913
1,69726
1,68957
1,68385
1,67943
1,67591
1,67065
1,66692
1,66413
1,66196
1,66023
1,65882
1,65765
1,65581
1,65443
1,65336
1,65251
1,64638
12,70615
4,30266
3,18245
2,77645
2,57058
2,44691
2,36462
2,30601
2,26216
2,22814
2,20099
2,17881
2,16037
2,14479
2,13145
2,11990
2,10982
2,10092
2,09302
2,08596
2,07961
2,07388
2,06865
2,06390
2,05954
2,05553
2,05183
2,04841
2,04523
2,04227
2,03011
2,02107
2,01410
2,00856
2,00030
1,99444
1,99007
1,98667
1,98397
1,98177
1,97993
1,97706
1,97490
1,97323
1,97189
1,96234
15,89447
4,84873
3,48191
2,99853
2,75651
2,61224
2,51675
2,44899
2,39844
2,35931
2,32814
2,30272
2,28160
2,26378
2,24854
2,23536
2,22384
2,21370
2,20470
2,19666
2,18943
2,18289
2,17696
2,17155
2,16659
2,16203
2,15782
2,15394
2,15033
2,14697
2,13316
2,12291
2,11500
2,10872
2,09936
2,09273
2,08778
2,08394
2,08088
2,07839
2,07631
2,07306
2,07063
2,06874
2,06723
2,05643
21,20505
5,64280
3,89606
3,29763
3,00288
2,82893
2,71457
2,63381
2,57381
2,52749
2,49067
2,46070
2,43585
2,41490
2,39701
2,38155
2,36805
2,35618
2,34565
2,33625
2,32779
2,32016
2,31323
2,30692
2,30113
2,29581
2,29092
2,28638
2,28218
2,27827
2,26219
2,25027
2,24109
2,23378
2,22292
2,21523
2,20949
2,20504
2,20150
2,19860
2,19620
2,19244
2,18962
2,18743
2,18569
2,17319
31,82096
6,96455
4,54071
3,74694
3,36493
3,14267
2,99795
2,89647
2,82143
2,76377
2,71808
2,68099
2,65030
2,62449
2,60248
2,58349
2,56694
2,55238
2,53948
2,52798
2,51765
2,50832
2,49987
2,49216
2,48510
2,47863
2,47266
2,46714
2,46202
2,45726
2,43772
2,42326
2,41212
2,40327
2,39012
2,38080
2,37387
2,36850
2,36421
2,36072
2,35783
2,35328
2,34988
2,34724
2,34513
2,33008
63,65590
9,92499
5,84085
4,60408
4,03212
3,70743
3,49948
3,35538
3,24984
3,16926
3,10582
3,05454
3,01228
2,97685
2,94673
2,92079
2,89823
2,87844
2,86094
2,84534
2,83137
2,81876
2,80734
2,79695
2,78744
2,77872
2,77068
2,76326
2,75639
2,74998
2,72381
2,70446
2,68959
2,67779
2,66027
2,64790
2,63870
2,63157
2,62589
2,62127
2,61742
2,61140
2,60690
2,60341
2,60063
2,58075
195
ANEXO G TABELA PARA TESTE F: DE [1,12] A [1,5]

1
10
11
12
39.864
49.500
53.593
55.833
57.240
58.204
58.906
59.439
59.857
60.195
60.473
60.705
0.100
0.050 161.446 199.499 215.707 224.583 230.160 233.988 236.767 238.884 240.543 241.882 242.981 243.905
0.025 647.793 799.482 864.151 899.599 921.835 937.114 948.203 956.643 963.279 968.634 973.028 976.725
0.010
4052
4999
5404
5624
5764
5859
5928
5981
6022
6056
6083
6107
0.005
16212
19997
21614
22501
23056
23440
23715
23924
24091
24222
24334
24427
0.001 405312 499725 540257 562668 576496 586033 593185 597954 602245 605583 608444 610352
0.100
8.526
9.000
9.162
9.243
9.293
9.326
9.349
9.367
9.381
9.392
9.401
9.408
0.050
18.513
19.000
19.164
19.247
19.296
19.329
19.353
19.371
19.385
19.396
19.405
19.412
0.025
38.506
39.000
39.166
39.248
39.298
39.331
39.356
39.373
39.387
39.398
39.407
39.415
0.010
98.502
99.000
99.164
99.251
99.302
99.331
99.357
99.375
99.390
99.397
99.408
99.419
0.005 198.503 199.012 199.158 199.245 199.303 199.332 199.361 199.376 199.390 199.390 199.419 199.419
0.001 998.378 998.843 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309
0.100
5.538
5.462
5.391
5.343
5.309
5.285
5.266
5.252
5.240
5.230
5.222
5.216
0.050
10.128
9.552
9.277
9.117
9.013
8.941
8.887
8.845
8.812
8.785
8.763
8.745
0.025
17.443
16.044
15.439
15.101
14.885
14.735
14.624
14.540
14.473
14.419
14.374
14.337
0.010
34.116
30.816
29.457
28.710
28.237
27.911
27.671
27.489
27.345
27.228
27.132
27.052
0.005
55.552
49.800
47.468
46.195
45.391
44.838
44.434
44.125
43.881
43.685
43.525
43.387
0.001 167.056 148.488 141.095 137.079 134.576 132.830 131.608 130.618 129.861 129.221 128.755 128.319
0.100
4.545
4.325
4.191
4.107
4.051
4.010
3.979
3.955
3.936
3.920
3.907
3.896
0.050
7.709
6.944
6.591
6.388
6.256
6.163
6.094
6.041
5.999
5.964
5.936
5.912
0.025
12.218
10.649
9.979
9.604
9.364
9.197
9.074
8.980
8.905
8.844
8.794
8.751
0.010
21.198
18.000
16.694
15.977
15.522
15.207
14.976
14.799
14.659
14.546
14.452
14.374
0.005
31.332
26.284
24.260
23.154
22.456
21.975
21.622
21.352
21.138
20.967
20.824
20.705
0.001
74.127
61.249
56.170
53.435
51.718
50.524
49.651
48.996
48.472
48.050
47.701
47.410
0.100
4.060
3.780
3.619
3.520
3.453
3.405
3.368
3.339
3.316
3.297
3.282
3.268
0.050
6.608
5.786
5.409
5.192
5.050
4.950
4.876
4.818
4.772
4.735
4.704
4.678
0.025
10.007
8.434
7.764
7.388
7.146
6.978
6.853
6.757
6.681
6.619
6.568
6.525
0.010
16.258
13.274
12.060
11.392
10.967
10.672
10.456
10.289
10.158
10.051
9.963
9.888
0.005
22.785
18.314
16.530
15.556
14.939
14.513
14.200
13.961
13.772
13.618
13.491
13.385
0.001
47.177
37.122
33.200
31.083
29.751
28.835
28.165
27.649
27.241
26.914
26.645
26.419
Baseado em Rohlf, FJ & Sokal, RR. Statistical Tables, 2nd ed., USA, 1981.
196
Continuao do ANEXO G TABELA PARA TESTE F: DE [1,12] A [6,10]

1
10
11
12
0.100
3.776
3.463
3.289
3.181
3.108
3.055
3.014
2.983
2.958
2.937
2.920
2.905
0.050
5.987
5.143
4.757
4.534
4.387
4.284
4.207
4.147
4.099
4.060
4.027
4.000
0.025
8.813
7.260
6.599
6.227
5.988
5.820
5.695
5.600
5.523
5.461
5.410
5.366
0.010 13.745 10.925
9.780
9.148
8.746
8.466
8.260
8.102
7.976
7.874
7.790
7.718
0.005 18.635 14.544 12.917 12.028 11.464 11.073 10.786 10.566 10.391 10.250 10.133 10.034
0.001 35.507 27.001 23.705 21.922 20.802 20.031 19.463 19.030 18.688 18.412 18.183 17.990
0.100
3.589
3.257
3.074
2.961
2.883
2.827
2.785
2.752
2.725
2.703
2.684
2.668
0.050
5.591
4.737
4.347
4.120
3.972
3.866
3.787
3.726
3.677
3.637
3.603
3.575
0.025
8.073
6.542
5.890
5.523
5.285
5.119
4.995
4.899
4.823
4.761
4.709
4.666
0.010 12.246
9.547
8.451
7.847
7.460
7.191
6.993
6.840
6.719
6.620
6.538
6.469
0.005 16.235 12.404 10.883 10.050
9.522
9.155
8.885
8.678
8.514
8.380
8.270
8.176
0.001 29.246 21.690 18.772 17.197 16.207 15.520 15.018 14.634 14.330 14.083 13.879 13.708
0.100
3.458
3.113
2.924
2.806
2.726
2.668
2.624
2.589
2.561
2.538
2.519
2.502
0.050
5.318
4.459
4.066
3.838
3.688
3.581
3.500
3.438
3.388
3.347
3.313
3.284
0.025
7.571
6.059
5.416
5.053
4.817
4.652
4.529
4.433
4.357
4.295
4.243
4.200
0.010 11.259
8.649
7.591
7.006
6.632
6.371
6.178
6.029
5.911
5.814
5.734
5.667
0.005 14.688 11.043
9.597
8.805
8.302
7.952
7.694
7.496
7.339
7.211
7.105
7.015
0.001 25.415 18.494 15.829 14.392 13.484 12.858 12.398 12.045 11.767 11.540 11.352 11.194
0.100
3.360
3.006
2.813
2.693
2.611
2.551
2.505
2.469
2.440
2.416
2.396
2.379
0.050
5.117
4.256
3.863
3.633
3.482
3.374
3.293
3.230
3.179
3.137
3.102
3.073
0.025
7.209
5.715
5.078
4.718
4.484
4.320
4.197
4.102
4.026
3.964
3.912
3.868
0.010 10.562
8.022
6.992
6.422
6.057
5.802
5.613
5.467
5.351
5.257
5.178
5.111
0.005 13.614 10.107
8.717
7.956
7.471
7.134
6.885
6.693
6.541
6.417
6.314
6.227
0.001 22.857 16.387 13.901 12.560 11.714 11.129 10.697 10.368 10.106
9.894
9.719
9.570
10 0.100
3.285
2.924
2.728
2.605
2.522
2.461
2.414
2.377
2.347
2.323
2.302
2.284
10 0.050
4.965
4.103
3.708
3.478
3.326
3.217
3.135
3.072
3.020
2.978
2.943
2.913
10 0.025
6.937
5.456
4.826
4.468
4.236
4.072
3.950
3.855
3.779
3.717
3.665
3.621
10 0.010 10.044
7.559
6.552
5.994
5.636
5.386
5.200
5.057
4.942
4.849
4.772
4.706
10 0.005 12.827
9.427
8.081
7.343
6.872
6.545
6.303
6.116
5.968
5.847
5.746
5.661
10 0.001 21.038 14.905 12.553 11.283 10.481
9.926
9.517
9.204
8.956
8.754
8.587
8.446
Baseado em Rohlf, FJ & Sokal, RR. Statistical Tables, 2nd ed., USA, 1981
197

1
10
11
12
11 0.100
3.225
2.860
2.660
2.536 2.451 2.389 2.342 2.304 2.274 2.248 2.227 2.209
11 0.050
4.844
3.982
3.587
3.357 3.204 3.095 3.012 2.948 2.896 2.854 2.818 2.788
11 0.025
6.724
5.256
4.630
4.275 4.044 3.881 3.759 3.664 3.588 3.526 3.474 3.430
11 0.010
9.646
7.206
6.217
5.668 5.316 5.069 4.886 4.744 4.632 4.539 4.462 4.397
11 0.005 12.226
8.912
7.600
6.881 6.422 6.102 5.865 5.682 5.537 5.418 5.320 5.236
11 0.001 19.687 13.812 11.561 10.346 9.579 9.047 8.655 8.355 8.116 7.923 7.762 7.625
12 0.100
3.177
2.807
2.606
2.480 2.394 2.331 2.283 2.245 2.214 2.188 2.166 2.147
12 0.050
4.747
3.885
3.490
3.259 3.106 2.996 2.913 2.849 2.796 2.753 2.717 2.687
12 0.025
6.554
5.096
4.474
4.121 3.891 3.728 3.607 3.512 3.436 3.374 3.321 3.277
12 0.010
9.330
6.927
5.953
5.412 5.064 4.821 4.640 4.499 4.388 4.296 4.220 4.155
12 0.005 11.754
8.510
7.226
6.521 6.071 5.757 5.524 5.345 5.202 5.085 4.988 4.906
12 0.001 18.645 12.973 10.805
9.633 8.892 8.378 8.001 7.711 7.480 7.292 7.136 7.005
13 0.100
3.136
2.763
2.560
2.434 2.347 2.283 2.234 2.195 2.164 2.138 2.116 2.097
13 0.050
4.667
3.806
3.411
3.179 3.025 2.915 2.832 2.767 2.714 2.671 2.635 2.604
13 0.025
6.414
4.965
4.347
3.996 3.767 3.604 3.483 3.388 3.312 3.250 3.197 3.153
13 0.010
9.074
6.701
5.739
5.205 4.862 4.620 4.441 4.302 4.191 4.100 4.025 3.960
13 0.005 11.374
8.186
6.926
6.233 5.791 5.482 5.253 5.076 4.935 4.820 4.724 4.643
13 0.001 17.815 12.313 10.209
9.073 8.355 7.856 7.489 7.206 6.982 6.799 6.647 6.519
14 0.100
3.102
2.726
2.522
2.395 2.307 2.243 2.193 2.154 2.122 2.095 2.073 2.054
14 0.050
4.600
3.739
3.344
3.112 2.958 2.848 2.764 2.699 2.646 2.602 2.565 2.534
14 0.025
6.298
4.857
4.242
3.892 3.663 3.501 3.380 3.285 3.209 3.147 3.095 3.050
14 0.010
8.862
6.515
5.564
5.035 4.695 4.456 4.278 4.140 4.030 3.939 3.864 3.800
14 0.005 11.060
7.922
6.680
5.998 5.562 5.257 5.031 4.857 4.717 4.603 4.508 4.428
14 0.001 17.142 11.779
9.730
8.622 7.922 7.436 7.078 6.802 6.583 6.404 6.256 6.130
15 0.100
3.073
2.695
2.490
2.361 2.273 2.208 2.158 2.119 2.086 2.059 2.037 2.017
15 0.050
4.543
3.682
3.287
3.056 2.901 2.790 2.707 2.641 2.588 2.544 2.507 2.475
15 0.025
6.200
4.765
4.153
3.804 3.576 3.415 3.293 3.199 3.123 3.060 3.008 2.963
15 0.010
8.683
6.359
5.417
4.893 4.556 4.318 4.142 4.004 3.895 3.805 3.730 3.666
15 0.005 10.798
7.701
6.476
5.803 5.372 5.071 4.847 4.674 4.536 4.424 4.329 4.250
15 0.001 16.587 11.340
9.335
8.253 7.567 7.091 6.741 6.471 6.256 6.081 5.935 5.812
198

1
10
11
12
16 0.100
3.048
2.668 2.462 2.333 2.244 2.178 2.128 2.088 2.055 2.028 2.005 1.985
16 0.050
4.494
3.634 3.239 3.007 2.852 2.741 2.657 2.591 2.538 2.494 2.456 2.425
16 0.025
6.115
4.687 4.077 3.729 3.502 3.341 3.219 3.125 3.049 2.986 2.934 2.889
16 0.010
8.531
6.226 5.292 4.773 4.437 4.202 4.026 3.890 3.780 3.691 3.616 3.553
16 0.005 10.576
7.514 6.303 5.638 5.212 4.913 4.692 4.521 4.384 4.272 4.179 4.099
16 0.001 16.120 10.970 9.006 7.944 7.272 6.805 6.460 6.195 5.984 5.812 5.668 5.547
17 0.100
3.026
2.645 2.437 2.308 2.218 2.152 2.102 2.061 2.028 2.001 1.978 1.958
17 0.050
4.451
3.592 3.197 2.965 2.810 2.699 2.614 2.548 2.494 2.450 2.413 2.381
17 0.025
6.042
4.619 4.011 3.665 3.438 3.277 3.156 3.061 2.985 2.922 2.870 2.825
17 0.010
8.400
6.112 5.185 4.669 4.336 4.101 3.927 3.791 3.682 3.593 3.518 3.455
17 0.005 10.384
7.354 6.156 5.497 5.075 4.779 4.559 4.389 4.254 4.142 4.050 3.971
17 0.001 15.722 10.658 8.727 7.683 7.022 6.562 6.224 5.962 5.754 5.584 5.443 5.324
18 0.100
3.007
2.624 2.416 2.286 2.196 2.130 2.079 2.038 2.005 1.977 1.954 1.933
18 0.050
4.414
3.555 3.160 2.928 2.773 2.661 2.577 2.510 2.456 2.412 2.374 2.342
18 0.025
5.978
4.560 3.954 3.608 3.382 3.221 3.100 3.005 2.929 2.866 2.814 2.769
18 0.010
8.285
6.013 5.092 4.579 4.248 4.015 3.841 3.705 3.597 3.508 3.434 3.371
18 0.005 10.218
7.215 6.028 5.375 4.956 4.663 4.445 4.276 4.141 4.030 3.938 3.860
18 0.001 15.380 10.390 8.487 7.460 6.808 6.355 6.021 5.763 5.557 5.390 5.251 5.132
19 0.100
2.990
2.606 2.397 2.266 2.176 2.109 2.058 2.017 1.984 1.956 1.932 1.912
19 0.050
4.381
3.522 3.127 2.895 2.740 2.628 2.544 2.477 2.423 2.378 2.340 2.308
19 0.025
5.922
4.508 3.903 3.559 3.333 3.172 3.051 2.956 2.880 2.817 2.765 2.720
19 0.010
8.185
5.926 5.010 4.500 4.171 3.939 3.765 3.631 3.523 3.434 3.360 3.297
19 0.005 10.073
7.093 5.916 5.268 4.853 4.561 4.345 4.177 4.043 3.933 3.841 3.763
19 0.001 15.081 10.157 8.280 7.265 6.622 6.175 5.845 5.591 5.387 5.222 5.084 4.967
20 0.100
2.975
2.589 2.380 2.249 2.158 2.091 2.040 1.999 1.965 1.937 1.913 1.892
20 0.050
4.351
3.493 3.098 2.866 2.711 2.599 2.514 2.447 2.393 2.348 2.310 2.278
20 0.025
5.871
4.461 3.859 3.515 3.289 3.128 3.007 2.913 2.837 2.774 2.721 2.676
20 0.010
8.096
5.849 4.938 4.431 4.103 3.871 3.699 3.564 3.457 3.368 3.294 3.231
20 0.005
9.944
6.987 5.818 5.174 4.762 4.472 4.257 4.090 3.956 3.847 3.756 3.678
20 0.001 14.819
9.953 8.098 7.096 6.461 6.019 5.692 5.440 5.239 5.075 4.939 4.823
199

1
10
11
12
21 0.100
2.961 2.575 2.365 2.233 2.142 2.075 2.023 1.982 1.948 1.920 1.896 1.875
21 0.050
4.325 3.467 3.072 2.840 2.685 2.573 2.488 2.420 2.366 2.321 2.283 2.250
21 0.025
5.827 4.420 3.819 3.475 3.250 3.090 2.969 2.874 2.798 2.735 2.682 2.637
21 0.010
8.017 5.780 4.874 4.369 4.042 3.812 3.640 3.506 3.398 3.310 3.236 3.173
21 0.005
9.829 6.891 5.730 5.091 4.681 4.393 4.179 4.013 3.880 3.771 3.680 3.602
21 0.001 14.586 9.773 7.938 6.947 6.318 5.881 5.557 5.308 5.109 4.946 4.811 4.696
22 0.100
2.949 2.561 2.351 2.219 2.128 2.060 2.008 1.967 1.933 1.904 1.880 1.859
22 0.050
4.301 3.443 3.049 2.817 2.661 2.549 2.464 2.397 2.342 2.297 2.259 2.226
22 0.025
5.786 4.383 3.783 3.440 3.215 3.055 2.934 2.839 2.763 2.700 2.647 2.602
22 0.010
7.945 5.719 4.817 4.313 3.988 3.758 3.587 3.453 3.346 3.258 3.184 3.121
22 0.005
9.727 6.806 5.652 5.017 4.609 4.322 4.109 3.944 3.812 3.703 3.612 3.535
22 0.001 14.381 9.612 7.796 6.814 6.191 5.758 5.437 5.190 4.993 4.832 4.698 4.583
23 0.100
2.937 2.549 2.339 2.207 2.115 2.047 1.995 1.953 1.919 1.890 1.866 1.845
23 0.050
4.279 3.422 3.028 2.796 2.640 2.528 2.442 2.375 2.320 2.275 2.236 2.204
23 0.025
5.750 4.349 3.750 3.408 3.183 3.023 2.902 2.808 2.731 2.668 2.615 2.570
23 0.010
7.881 5.664 4.765 4.264 3.939 3.710 3.539 3.406 3.299 3.211 3.137 3.074
23 0.005
9.635 6.730 5.582 4.950 4.544 4.259 4.047 3.882 3.750 3.642 3.551 3.474
23 0.001 14.195 9.469 7.669 6.696 6.078 5.649 5.331 5.085 4.889 4.730 4.596 4.483
24 0.100
2.927 2.538 2.327 2.195 2.103 2.035 1.983 1.941 1.906 1.877 1.853 1.832
24 0.050
4.260 3.403 3.009 2.776 2.621 2.508 2.423 2.355 2.300 2.255 2.216 2.183
24 0.025
5.717 4.319 3.721 3.379 3.155 2.995 2.874 2.779 2.703 2.640 2.586 2.541
24 0.010
7.823 5.614 4.718 4.218 3.895 3.667 3.496 3.363 3.256 3.168 3.094 3.032
24 0.005
9.551 6.661 5.519 4.890 4.486 4.202 3.991 3.826 3.695 3.587 3.497 3.420
24 0.001 14.028 9.340 7.554 6.589 5.977 5.551 5.235 4.991 4.797 4.638 4.505 4.393
25 0.100
2.918 2.528 2.317 2.184 2.092 2.024 1.971 1.929 1.895 1.866 1.841 1.820
25 0.050
4.242 3.385 2.991 2.759 2.603 2.490 2.405 2.337 2.282 2.236 2.198 2.165
25 0.025
5.686 4.291 3.694 3.353 3.129 2.969 2.848 2.753 2.677 2.613 2.560 2.515
25 0.010
7.770 5.568 4.675 4.177 3.855 3.627 3.457 3.324 3.217 3.129 3.056 2.993
25 0.005
9.475 6.598 5.462 4.835 4.433 4.150 3.939 3.776 3.645 3.537 3.447 3.370
25 0.001 13.877 9.222 7.451 6.493 5.885 5.462 5.148 4.906 4.713 4.555 4.423 4.311
200

1
10
11
12
26 0.100
2.909 2.519 2.307 2.174 2.082 2.014 1.961 1.919 1.884 1.855 1.830 1.809
26 0.050
4.225 3.369 2.975 2.743 2.587 2.474 2.388 2.321 2.265 2.220 2.181 2.148
26 0.025
5.659 4.265 3.670 3.329 3.105 2.945 2.824 2.729 2.653 2.590 2.536 2.491
26 0.010
7.721 5.526 4.637 4.140 3.818 3.591 3.421 3.288 3.182 3.094 3.021 2.958
26 0.005
9.406 6.541 5.409 4.785 4.384 4.103 3.893 3.730 3.599 3.492 3.402 3.325
26 0.001 13.739 9.117 7.357 6.406 5.802 5.381 5.070 4.829 4.637 4.480 4.349 4.238
27 0.100
2.901 2.511 2.299 2.165 2.073 2.005 1.952 1.909 1.874 1.845 1.820 1.799
27 0.050
4.210 3.354 2.960 2.728 2.572 2.459 2.373 2.305 2.250 2.204 2.166 2.132
27 0.025
5.633 4.242 3.647 3.307 3.083 2.923 2.802 2.707 2.631 2.568 2.514 2.469
27 0.010
7.677 5.488 4.601 4.106 3.785 3.558 3.388 3.256 3.149 3.062 2.988 2.926
27 0.005
9.342 6.489 5.361 4.740 4.340 4.059 3.850 3.687 3.557 3.450 3.360 3.284
27 0.001 13.613 9.019 7.271 6.326 5.726 5.308 4.998 4.759 4.568 4.412 4.281 4.170
28 0.100
2.894 2.503 2.291 2.157 2.064 1.996 1.943 1.900 1.865 1.836 1.811 1.790
28 0.050
4.196 3.340 2.947 2.714 2.558 2.445 2.359 2.291 2.236 2.190 2.151 2.118
28 0.025
5.610 4.221 3.626 3.286 3.063 2.903 2.782 2.687 2.611 2.547 2.494 2.448
28 0.010
7.636 5.453 4.568 4.074 3.754 3.528 3.358 3.226 3.120 3.032 2.959 2.896
28 0.005
9.284 6.440 5.317 4.698 4.300 4.020 3.811 3.649 3.519 3.412 3.322 3.246
28 0.001 13.497 8.930 7.193 6.253 5.657 5.241 4.933 4.695 4.505 4.349 4.219 4.109
29 0.100
2.887 2.495 2.283 2.149 2.057 1.988 1.935 1.892 1.857 1.827 1.802 1.781
29 0.050
4.183 3.328 2.934 2.701 2.545 2.432 2.346 2.278 2.223 2.177 2.138 2.104
29 0.025
5.588 4.201 3.607 3.267 3.044 2.884 2.763 2.669 2.592 2.529 2.475 2.430
29 0.010
7.598 5.420 4.538 4.045 3.725 3.499 3.330 3.198 3.092 3.005 2.931 2.868
29 0.005
9.230 6.396 5.276 4.659 4.262 3.983 3.775 3.613 3.483 3.376 3.287 3.211
29 0.001 13.391 8.848 7.121 6.186 5.592 5.179 4.873 4.636 4.447 4.292 4.162 4.053
30 0.100
2.881 2.489 2.276 2.142 2.049 1.980 1.927 1.884 1.849 1.819 1.794 1.773
30 0.050
4.171 3.316 2.922 2.690 2.534 2.421 2.334 2.266 2.211 2.165 2.126 2.092
30 0.025
5.568 4.182 3.589 3.250 3.026 2.867 2.746 2.651 2.575 2.511 2.458 2.412
30 0.010
7.562 5.390 4.510 4.018 3.699 3.473 3.305 3.173 3.067 2.979 2.906 2.843
30 0.005
9.180 6.355 5.239 4.623 4.228 3.949 3.742 3.580 3.451 3.344 3.255 3.179
30 0.001 13.293 8.773 7.054 6.125 5.534 5.122 4.817 4.582 4.393 4.239 4.110 4.001
201
Continuao do ANEXO G TABELA PARA TESTE F: DE [1,12] A [40,

1
10
11
12
40
0.100
2.835 2.440 2.226 2.091 1.997 1.927 1.873 1.829 1.793 1.763 1.737 1.715
40
0.050
4.085 3.232 2.839 2.606 2.449 2.336 2.249 2.180 2.124 2.077 2.038 2.003
40
0.025
5.424 4.051 3.463 3.126 2.904 2.744 2.624 2.529 2.452 2.388 2.334 2.288
40
0.010
7.314 5.178 4.313 3.828 3.514 3.291 3.124 2.993 2.888 2.801 2.727 2.665
40
0.005
8.828 6.066 4.976 4.374 3.986 3.713 3.509 3.350 3.222 3.117 3.028 2.953
40
0.001 12.609 8.251 6.595 5.698 5.128 4.731 4.436 4.207 4.024 3.874 3.749 3.643
60
0.100
2.791 2.393 2.177 2.041 1.946 1.875 1.819 1.775 1.738 1.707 1.680 1.657
60
0.050
4.001 3.150 2.758 2.525 2.368 2.254 2.167 2.097 2.040 1.993 1.952 1.917
60
0.025
5.286 3.925 3.343 3.008 2.786 2.627 2.507 2.412 2.334 2.270 2.216 2.169
60
0.010
7.077 4.977 4.126 3.649 3.339 3.119 2.953 2.823 2.718 2.632 2.559 2.496
60
0.005
8.495 5.795 4.729 4.140 3.760 3.492 3.291 3.134 3.008 2.904 2.817 2.742
60
0.001 11.973 7.768 6.171 5.307 4.757 4.372 4.086 3.865 3.687 3.542 3.419 3.315
120
0.100
2.748 2.347 2.130 1.992 1.896 1.824 1.767 1.722 1.684 1.652 1.625 1.601
120
0.050
3.920 3.072 2.680 2.447 2.290 2.175 2.087 2.016 1.959 1.910 1.869 1.834
120
0.025
5.152 3.805 3.227 2.894 2.674 2.515 2.395 2.299 2.222 2.157 2.102 2.055
120
0.010
6.851 4.787 3.949 3.480 3.174 2.956 2.792 2.663 2.559 2.472 2.399 2.336
120
0.005
8.179 5.539 4.497 3.921 3.548 3.285 3.087 2.933 2.808 2.705 2.618 2.544
120
0.001 11.380 7.321 5.781 4.947 4.416 4.044 3.767 3.552 3.379 3.237 3.118 3.016
0.100
2.706 2.303 2.084 1.945 1.847 1.774 1.717 1.670 1.632 1.599 1.571 1.546
100000 0.050
3.842 2.996 2.605 2.372 2.214 2.099 2.010 1.939 1.880 1.831 1.789 1.752
100000 0.025
5.024 3.689 3.116 2.786 2.567 2.408 2.288 2.192 2.114 2.048 1.993 1.945
100000 0.010
6.635 4.605 3.782 3.319 3.017 2.802 2.640 2.511 2.408 2.321 2.248 2.185
100000 0.005
7.880 5.299 4.280 3.715 3.350 3.091 2.897 2.745 2.621 2.519 2.433 2.359
100000 0.001 10.828 6.909 5.422 4.617 4.103 3.743 3.475 3.266 3.098 2.959 2.843 2.743
202
Continuao do ANEXO G TABELA PARA TESTE F: DE [13,
] A [1,5]
13
14
15
16
17
18
19
20
25
30
40
60
120
60.902
61.073
61.220
61.350
61.465
61.566
61.658
61.740
62.055
62.265
62.529
62.794
63.061
0.100
0.050 244.690 245.363 245.949 246.466 246.917 247.324 247.688 248.016 249.260 250.096 251.144 252.196 253.254 254.313
0.025 979.839 982.545 984.874 986.911 988.715 990.345 991.800 993.081 998.087
1001
1006
1010
1014
1018
0.010
6126
6143
6157
6170
6181
6191
6201
6209
6240
6260
6286
6313
6340
6366
0.005
24505
24572
24632
24684
24728
24766
24803
24837
24959
25041
25146
25254
25358
25466
0.001 612259 614166 616074 617027 617981 618935 619888 620842 623703 626087 628471 631332 634193 636578
0.100
9.415
9.420
9.425
9.429
9.433
9.436
9.439
9.441
9.451
9.458
9.466
9.475
9.483
9.491
0.050
19.419
19.424
19.429
19.433
19.437
19.440
19.443
19.446
19.456
19.463
19.471
19.479
19.487
19.496
0.025
39.421
39.427
39.431
39.436
39.439
39.442
39.446
39.448
39.458
39.465
39.473
39.481
39.489
39.498
0.010
99.422
99.426
99.433
99.437
99.441
99.444
99.448
99.448
99.459
99.466
99.477
99.484
99.491
99.499
0.005 199.419 199.419 199.434 199.449 199.449 199.449 199.449 199.449 199.449 199.478 199.478 199.478 199.492 199.507
0.001 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309 999.309
0.100
5.210
5.205
5.200
5.196
5.193
5.190
5.187
5.184
5.175
5.168
5.160
5.151
5.143
5.134
0.050
8.729
8.715
8.703
8.692
8.683
8.675
8.667
8.660
8.634
8.617
8.594
8.572
8.549
8.527
0.025
14.305
14.277
14.253
14.232
14.213
14.196
14.181
14.167
14.115
14.081
14.036
13.992
13.947
13.902
0.010
26.983
26.924
26.872
26.826
26.786
26.751
26.719
26.690
26.579
26.504
26.411
26.316
26.221
26.125
0.005
43.270
43.172
43.085
43.008
42.939
42.881
42.826
42.779
42.590
42.466
42.310
42.150
41.990
41.829
0.001 127.940 127.649 127.358 127.126 126.951 126.718 126.573 126.427 125.845 125.438 124.972 124.448 123.982 123.458
0.100
3.886
3.878
3.870
3.864
3.858
3.853
3.848
3.844
3.828
3.817
3.804
3.790
3.775
3.761
0.050
5.891
5.873
5.858
5.844
5.832
5.821
5.811
5.803
5.769
5.746
5.717
5.688
5.658
5.628
0.025
8.715
8.684
8.657
8.633
8.611
8.592
8.575
8.560
8.501
8.461
8.411
8.360
8.309
8.257
0.010
14.306
14.249
14.198
14.154
14.114
14.079
14.048
14.019
13.911
13.838
13.745
13.652
13.558
13.463
0.005
20.603
20.515
20.438
20.371
20.311
20.258
20.211
20.167
20.003
19.892
19.751
19.611
19.469
19.325
0.001
47.163
46.944
46.755
46.595
46.450
46.319
46.202
46.100
45.693
45.431
45.082
44.747
44.398
44.049
0.100
3.257
3.247
3.238
3.230
3.223
3.217
3.212
3.207
3.187
3.174
3.157
3.140
3.123
3.105
0.050
4.655
4.636
4.619
4.604
4.590
4.579
4.568
4.558
4.521
4.496
4.464
4.431
4.398
4.365
0.025
6.488
6.456
6.428
6.403
6.381
6.362
6.344
6.329
6.268
6.227
6.175
6.123
6.069
6.015
0.010
9.825
9.770
9.722
9.680
9.643
9.609
9.580
9.553
9.449
9.379
9.291
9.202
9.112
9.021
0.005
13.293
13.215
13.146
13.086
13.033
12.985
12.942
12.903
12.756
12.656
12.530
12.402
12.274
12.144
0.001
26.223
26.055
25.910
25.782
25.670
25.568
25.477
25.393
25.080
24.869
24.600
24.331
24.062
23.785
63.328
203

13
14
15
16
17
18
19
20
25
30
40
60
120
0.100
2.892
2.881
2.871
2.863
2.855
2.848
2.842
2.836
2.815
2.800
2.781
2.762
2.742
2.722
0.050
3.976
3.956
3.938
3.922
3.908
3.896
3.884
3.874
3.835
3.808
3.774
3.740
3.705
3.669
0.025
5.329
5.297
5.269
5.244
5.222
5.202
5.184
5.168
5.107
5.065
5.012
4.959
4.904
4.849
0.010
7.657
7.605
7.559
7.519
7.483
7.451
7.422
7.396
7.296
7.229
7.143
7.057
6.969
6.880
0.005
9.950
9.878
9.814
9.758
9.709
9.664
9.625
9.589
9.451
9.358
9.241
9.122
9.001
8.879
0.001 17.826 17.684 17.557 17.451 17.353 17.266 17.189 17.120 16.851 16.673 16.444 16.214 15.982 15.745
0.100
2.654
2.643
2.632
2.623
2.615
2.607
2.601
2.595
2.571
2.555
2.535
2.514
2.493
2.471
0.050
3.550
3.529
3.511
3.494
3.480
3.467
3.455
3.445
3.404
3.376
3.340
3.304
3.267
3.230
0.025
4.628
4.596
4.568
4.543
4.521
4.501
4.483
4.467
4.405
4.362
4.309
4.254
4.199
4.142
0.010
6.410
6.359
6.314
6.275
6.240
6.209
6.181
6.155
6.058
5.992
5.908
5.824
5.737
5.650
0.005
8.097
8.028
7.968
7.915
7.868
7.826
7.788
7.754
7.623
7.534
7.422
7.309
7.193
7.076
0.001 13.561 13.435 13.324 13.228 13.140 13.064 12.995 12.931 12.693 12.529 12.325 12.118 11.909 11.696
0.100
2.488
2.475
2.464
2.454
2.446
2.438
2.431
2.425
2.400
2.383
2.361
2.339
2.316
2.293
0.050
3.259
3.237
3.218
3.202
3.187
3.173
3.161
3.150
3.108
3.079
3.043
3.005
2.967
2.928
0.025
4.162
4.130
4.101
4.076
4.054
4.034
4.016
3.999
3.937
3.894
3.840
3.784
3.728
3.670
0.010
5.609
5.559
5.515
5.477
5.442
5.412
5.384
5.359
5.263
5.198
5.116
5.032
4.946
4.859
0.005
6.938
6.872
6.814
6.763
6.718
6.678
6.641
6.608
6.482
6.396
6.288
6.177
6.065
5.951
0.001 11.059 10.943 10.841 10.752 10.672 10.601 10.537 10.479 10.259 10.108
9.919
9.728
9.532
9.333
0.100
2.364
2.351
2.340
2.330
2.320
2.312
2.305
2.298
2.272
2.255
2.232
2.208
2.184
2.159
0.050
3.048
3.025
3.006
2.989
2.974
2.960
2.948
2.936
2.893
2.864
2.826
2.787
2.748
2.707
0.025
3.831
3.798
3.769
3.744
3.722
3.701
3.683
3.667
3.604
3.560
3.505
3.449
3.392
3.333
0.010
5.055
5.005
4.962
4.924
4.890
4.860
4.833
4.808
4.713
4.649
4.567
4.483
4.398
4.311
0.005
6.153
6.089
6.032
5.983
5.939
5.899
5.864
5.832
5.708
5.625
5.519
5.410
5.300
5.188
0.001
9.443
9.333
9.239
9.153
9.079
9.012
8.952
8.898
8.689
8.547
8.368
8.186
8.002
7.813
10 0.100
2.269
2.255
2.244
2.233
2.224
2.215
2.208
2.201
2.174
2.155
2.132
2.107
2.082
2.055
10 0.050
2.887
2.865
2.845
2.828
2.812
2.798
2.785
2.774
2.730
2.700
2.661
2.621
2.580
2.538
10 0.025
3.583
3.550
3.522
3.496
3.474
3.453
3.435
3.419
3.355
3.311
3.255
3.198
3.140
3.080
10 0.010
4.650
4.601
4.558
4.520
4.487
4.457
4.430
4.405
4.311
4.247
4.165
4.082
3.996
3.909
10 0.005
5.589
5.526
5.471
5.422
5.379
5.340
5.306
5.274
5.153
5.071
4.966
4.859
4.750
4.639
10 0.001
8.325
8.220
8.129
8.048
7.977
7.913
7.856
7.803
7.604
7.469
7.297
7.122
6.944
6.763
204
] A [6,10]

13
14
15
16
17
18
19
20
25
30
40
60
] A [11,15]
120
11 0.100 2.193 2.179 2.167 2.156 2.147 2.138 2.130 2.123 2.095 2.076 2.052 2.026 2.000 1.972
11 0.050 2.761 2.739 2.719 2.701 2.685 2.671 2.658 2.646 2.601 2.570 2.531 2.490 2.448 2.405
11 0.025 3.392 3.359 3.330 3.304 3.282 3.261 3.243 3.226 3.162 3.118 3.061 3.004 2.944 2.883
11 0.010 4.342 4.293 4.251 4.213 4.180 4.150 4.123 4.099 4.005 3.941 3.860 3.776 3.690 3.603
11 0.005 5.165 5.103 5.049 5.001 4.959 4.921 4.886 4.855 4.736 4.654 4.551 4.445 4.337 4.226
11 0.001 7.510 7.409 7.321 7.243 7.175 7.113 7.058 7.008 6.815 6.684 6.517 6.348 6.175 5.999
12 0.100 2.131 2.117 2.105 2.094 2.084 2.075 2.067 2.060 2.031 2.011 1.986 1.960 1.932 1.904
12 0.050 2.660 2.637 2.617 2.599 2.583 2.568 2.555 2.544 2.498 2.466 2.426 2.384 2.341 2.296
12 0.025 3.239 3.206 3.177 3.152 3.129 3.108 3.090 3.073 3.008 2.963 2.906 2.848 2.787 2.725
12 0.010 4.100 4.052 4.010 3.972 3.939 3.910 3.883 3.858 3.765 3.701 3.619 3.535 3.449 3.361
12 0.005 4.836 4.775 4.721 4.674 4.632 4.595 4.561 4.530 4.412 4.331 4.228 4.123 4.015 3.904
12 0.001 6.892 6.795 6.709 6.634 6.567 6.507 6.454 6.405 6.217 6.090 5.928 5.763 5.593 5.420
13 0.100 2.080 2.066 2.053 2.042 2.032 2.023 2.014 2.007 1.978 1.958 1.931 1.904 1.876 1.846
13 0.050 2.577 2.554 2.533 2.515 2.499 2.484 2.471 2.459 2.412 2.380 2.339 2.297 2.252 2.206
13 0.025 3.115 3.082 3.053 3.027 3.004 2.983 2.965 2.948 2.882 2.837 2.780 2.720 2.659 2.596
13 0.010 3.905 3.857 3.815 3.778 3.745 3.716 3.689 3.665 3.571 3.507 3.425 3.341 3.255 3.165
13 0.005 4.573 4.513 4.460 4.413 4.372 4.334 4.301 4.270 4.153 4.073 3.970 3.866 3.758 3.647
13 0.001 6.409 6.315 6.231 6.158 6.093 6.034 5.982 5.934 5.751 5.626 5.467 5.305 5.138 4.967
14 0.100 2.037 2.022 2.010 1.998 1.988 1.978 1.970 1.962 1.933 1.912 1.885 1.857 1.828 1.797
14 0.050 2.507 2.484 2.463 2.445 2.428 2.413 2.400 2.388 2.341 2.308 2.266 2.223 2.178 2.131
14 0.025 3.012 2.979 2.949 2.923 2.900 2.879 2.861 2.844 2.778 2.732 2.674 2.614 2.552 2.487
14 0.010 3.745 3.698 3.656 3.619 3.586 3.556 3.529 3.505 3.412 3.348 3.266 3.181 3.094 3.004
14 0.005 4.359 4.299 4.247 4.201 4.159 4.122 4.089 4.059 3.942 3.862 3.760 3.655 3.547 3.436
14 0.001 6.023 5.930 5.848 5.776 5.713 5.655 5.603 5.557 5.377 5.254 5.098 4.938 4.773 4.604
15 0.100 2.000 1.985 1.972 1.961 1.950 1.941 1.932 1.924 1.894 1.873 1.845 1.817 1.787 1.755
15 0.050 2.448 2.424 2.403 2.385 2.368 2.353 2.340 2.328 2.280 2.247 2.204 2.160 2.114 2.066
15 0.025 2.925 2.891 2.862 2.836 2.813 2.792 2.773 2.756 2.689 2.644 2.585 2.524 2.461 2.395
15 0.010 3.612 3.564 3.522 3.485 3.452 3.423 3.396 3.372 3.278 3.214 3.132 3.047 2.959 2.869
15 0.005 4.181 4.122 4.070 4.024 3.983 3.946 3.913 3.883 3.766 3.687 3.585 3.480 3.372 3.260
15 0.001 5.707 5.615 5.535 5.464 5.401 5.345 5.294 5.249 5.071 4.950 4.796 4.638 4.475 4.307
205

13
14
15
16
17
18
19
20
25
30
40
60
] A [16,20]
120
16 0.100 1.968 1.953 1.940 1.928 1.917 1.908 1.899 1.891 1.860 1.839 1.811 1.782 1.751 1.718
16 0.050 2.397 2.373 2.352 2.333 2.317 2.302 2.288 2.276 2.227 2.194 2.151 2.106 2.059 2.010
16 0.025 2.851 2.817 2.788 2.761 2.738 2.717 2.698 2.681 2.614 2.568 2.509 2.447 2.383 2.316
16 0.010 3.498 3.451 3.409 3.372 3.339 3.310 3.283 3.259 3.165 3.101 3.018 2.933 2.845 2.753
16 0.005 4.031 3.972 3.920 3.875 3.834 3.797 3.764 3.734 3.618 3.539 3.437 3.332 3.224 3.112
16 0.001 5.443 5.353 5.275 5.205 5.143 5.087 5.037 4.992 4.817 4.697 4.545 4.388 4.226 4.060
17 0.100 1.940 1.925 1.912 1.900 1.889 1.879 1.870 1.862 1.831 1.809 1.781 1.751 1.719 1.686
17 0.050 2.353 2.329 2.308 2.289 2.272 2.257 2.243 2.230 2.181 2.148 2.104 2.058 2.011 1.960
17 0.025 2.786 2.753 2.723 2.697 2.673 2.652 2.633 2.616 2.548 2.502 2.442 2.380 2.315 2.248
17 0.010 3.401 3.353 3.312 3.275 3.242 3.212 3.186 3.162 3.068 3.003 2.920 2.835 2.746 2.653
17 0.005 3.903 3.844 3.793 3.747 3.707 3.670 3.637 3.607 3.492 3.412 3.311 3.206 3.097 2.984
17 0.001 5.221 5.132 5.055 4.986 4.924 4.869 4.820 4.775 4.602 4.484 4.332 4.177 4.016 3.850
18 0.100 1.916 1.900 1.887 1.875 1.864 1.854 1.845 1.837 1.805 1.783 1.754 1.723 1.691 1.657
18 0.050 2.314 2.290 2.269 2.250 2.233 2.217 2.203 2.191 2.141 2.107 2.063 2.017 1.968 1.917
18 0.025 2.730 2.696 2.667 2.640 2.617 2.596 2.576 2.559 2.491 2.445 2.384 2.321 2.256 2.187
18 0.010 3.316 3.269 3.227 3.190 3.158 3.128 3.101 3.077 2.983 2.919 2.835 2.749 2.660 2.566
18 0.005 3.793 3.734 3.683 3.637 3.597 3.560 3.527 3.498 3.382 3.303 3.201 3.096 2.987 2.873
18 0.001 5.031 4.943 4.866 4.798 4.738 4.683 4.634 4.590 4.418 4.301 4.151 3.996 3.836 3.670
19 0.100 1.894 1.878 1.865 1.852 1.841 1.831 1.822 1.814 1.782 1.759 1.730 1.699 1.666 1.631
19 0.050 2.280 2.256 2.234 2.215 2.198 2.182 2.168 2.155 2.106 2.071 2.026 1.980 1.930 1.878
19 0.025 2.681 2.647 2.617 2.591 2.567 2.546 2.526 2.509 2.441 2.394 2.333 2.270 2.203 2.133
19 0.010 3.242 3.195 3.153 3.116 3.084 3.054 3.027 3.003 2.909 2.844 2.761 2.674 2.584 2.489
19 0.005 3.696 3.638 3.587 3.541 3.501 3.464 3.432 3.402 3.287 3.208 3.106 3.000 2.891 2.776
19 0.001 4.867 4.780 4.703 4.636 4.576 4.522 4.474 4.430 4.259 4.143 3.994 3.840 3.680 3.514
20 0.100 1.875 1.859 1.845 1.833 1.821 1.811 1.802 1.794 1.761 1.738 1.708 1.677 1.643 1.607
20 0.050 2.250 2.225 2.203 2.184 2.167 2.151 2.137 2.124 2.074 2.039 1.994 1.946 1.896 1.843
20 0.025 2.637 2.603 2.573 2.547 2.523 2.501 2.482 2.464 2.396 2.349 2.287 2.223 2.156 2.085
20 0.010 3.177 3.130 3.088 3.051 3.018 2.989 2.962 2.938 2.843 2.778 2.695 2.608 2.517 2.421
20 0.005 3.611 3.553 3.502 3.457 3.416 3.380 3.348 3.318 3.203 3.123 3.022 2.916 2.806 2.691
20 0.001 4.723 4.638 4.562 4.495 4.435 4.382 4.334 4.290 4.121 4.005 3.856 3.703 3.544 3.378
206

13
14
15
16
17
18
19
20
25
30
40
60
] A [21,25]
120
21 0.100 1.857 1.841 1.827 1.815 1.803 1.793 1.784 1.776 1.742 1.719 1.689 1.657 1.623 1.586
21 0.050 2.222 2.197 2.176 2.156 2.139 2.123 2.109 2.096 2.045 2.010 1.965 1.916 1.866 1.812
21 0.025 2.598 2.564 2.534 2.507 2.483 2.462 2.442 2.425 2.356 2.308 2.246 2.182 2.114 2.042
21 0.010 3.119 3.072 3.030 2.993 2.960 2.931 2.904 2.880 2.785 2.720 2.636 2.548 2.457 2.360
21 0.005 3.536 3.478 3.427 3.382 3.342 3.305 3.273 3.243 3.128 3.049 2.947 2.841 2.730 2.614
21 0.001 4.597 4.512 4.437 4.371 4.311 4.258 4.211 4.167 3.999 3.884 3.736 3.583 3.424 3.258
22 0.100 1.841 1.825 1.811 1.798 1.787 1.777 1.768 1.759 1.726 1.702 1.671 1.639 1.604 1.567
22 0.050 2.198 2.173 2.151 2.131 2.114 2.098 2.084 2.071 2.020 1.984 1.938 1.889 1.838 1.783
22 0.025 2.563 2.528 2.498 2.472 2.448 2.426 2.407 2.389 2.320 2.272 2.210 2.145 2.076 2.003
22 0.010 3.067 3.019 2.978 2.941 2.908 2.879 2.852 2.827 2.733 2.667 2.583 2.495 2.403 2.306
22 0.005 3.469 3.411 3.360 3.315 3.275 3.239 3.206 3.176 3.061 2.982 2.880 2.774 2.663 2.546
22 0.001 4.486 4.401 4.326 4.260 4.201 4.149 4.101 4.058 3.891 3.776 3.628 3.476 3.317 3.151
23 0.100 1.827 1.811 1.796 1.784 1.772 1.762 1.753 1.744 1.710 1.686 1.655 1.622 1.587 1.549
23 0.050 2.175 2.150 2.128 2.109 2.091 2.075 2.061 2.048 1.996 1.961 1.914 1.865 1.813 1.757
23 0.025 2.531 2.497 2.466 2.440 2.416 2.394 2.374 2.357 2.287 2.239 2.176 2.111 2.041 1.968
23 0.010 3.020 2.973 2.931 2.894 2.861 2.832 2.805 2.780 2.686 2.620 2.536 2.447 2.354 2.256
23 0.005 3.408 3.351 3.300 3.255 3.215 3.179 3.146 3.116 3.001 2.922 2.820 2.713 2.602 2.484
23 0.001 4.386 4.301 4.227 4.162 4.103 4.051 4.004 3.961 3.794 3.680 3.533 3.380 3.222 3.055
24 0.100 1.814 1.797 1.783 1.770 1.759 1.748 1.739 1.730 1.696 1.672 1.641 1.607 1.571 1.533
24 0.050 2.155 2.130 2.108 2.088 2.070 2.054 2.040 2.027 1.975 1.939 1.892 1.842 1.790 1.733
24 0.025 2.502 2.468 2.437 2.411 2.386 2.365 2.345 2.327 2.257 2.209 2.146 2.080 2.010 1.935
24 0.010 2.977 2.930 2.889 2.852 2.819 2.789 2.762 2.738 2.643 2.577 2.492 2.403 2.310 2.211
24 0.005 3.354 3.296 3.246 3.201 3.161 3.125 3.092 3.062 2.947 2.868 2.765 2.658 2.546 2.428
24 0.001 4.296 4.212 4.139 4.074 4.015 3.963 3.916 3.873 3.707 3.593 3.447 3.295 3.136 2.969
25 0.100 1.802 1.785 1.771 1.758 1.746 1.736 1.726 1.718 1.683 1.659 1.627 1.593 1.557 1.518
25 0.050 2.136 2.111 2.089 2.069 2.051 2.035 2.021 2.007 1.955 1.919 1.872 1.822 1.768 1.711
25 0.025 2.476 2.441 2.411 2.384 2.360 2.338 2.318 2.300 2.230 2.182 2.118 2.052 1.981 1.906
25 0.010 2.939 2.892 2.850 2.813 2.780 2.751 2.724 2.699 2.604 2.538 2.453 2.364 2.270 2.170
25 0.005 3.304 3.247 3.196 3.152 3.111 3.075 3.043 3.013 2.898 2.819 2.716 2.609 2.496 2.377
25 0.001 4.216 4.132 4.059 3.994 3.936 3.884 3.837 3.794 3.629 3.515 3.369 3.217 3.058 2.891
207

13
14
15
16
17
18
19
20
25
30
40
60
] A [26,30]
120
26 0.100 1.790 1.774 1.760 1.747 1.735 1.724 1.715 1.706 1.671 1.647 1.615 1.581 1.544 1.504
26 0.050 2.119 2.094 2.072 2.052 2.034 2.018 2.003 1.990 1.938 1.901 1.853 1.803 1.749 1.691
26 0.025 2.452 2.417 2.387 2.360 2.335 2.314 2.294 2.276 2.205 2.157 2.093 2.026 1.954 1.878
26 0.010 2.904 2.857 2.815 2.778 2.745 2.715 2.688 2.664 2.569 2.503 2.417 2.327 2.233 2.132
26 0.005 3.259 3.202 3.151 3.107 3.067 3.031 2.998 2.968 2.853 2.774 2.671 2.563 2.450 2.330
26 0.001 4.142 4.059 3.986 3.922 3.864 3.812 3.765 3.723 3.558 3.445 3.299 3.147 2.987 2.819
27 0.100 1.780 1.764 1.749 1.736 1.724 1.714 1.704 1.695 1.660 1.636 1.603 1.569 1.531 1.491
27 0.050 2.103 2.078 2.056 2.036 2.018 2.002 1.987 1.974 1.921 1.884 1.836 1.785 1.731 1.672
27 0.025 2.429 2.395 2.364 2.337 2.313 2.291 2.271 2.253 2.183 2.133 2.069 2.002 1.930 1.853
27 0.010 2.872 2.824 2.783 2.746 2.713 2.683 2.656 2.632 2.536 2.470 2.384 2.294 2.198 2.097
27 0.005 3.218 3.161 3.110 3.066 3.026 2.990 2.957 2.927 2.812 2.733 2.630 2.522 2.408 2.287
27 0.001 4.075 3.993 3.920 3.856 3.798 3.747 3.700 3.658 3.493 3.380 3.234 3.083 2.923 2.755
28 0.100 1.771 1.754 1.740 1.726 1.715 1.704 1.694 1.685 1.650 1.625 1.592 1.558 1.520 1.478
28 0.050 2.089 2.064 2.041 2.021 2.003 1.987 1.972 1.959 1.906 1.869 1.820 1.769 1.714 1.654
28 0.025 2.409 2.374 2.344 2.317 2.292 2.270 2.251 2.232 2.161 2.112 2.048 1.980 1.907 1.829
28 0.010 2.842 2.795 2.753 2.716 2.683 2.653 2.626 2.602 2.506 2.440 2.354 2.263 2.167 2.064
28 0.005 3.180 3.123 3.073 3.028 2.988 2.952 2.919 2.890 2.775 2.695 2.592 2.483 2.369 2.247
28 0.001 4.014 3.932 3.859 3.795 3.738 3.687 3.640 3.598 3.434 3.321 3.176 3.024 2.864 2.695
29 0.100 1.762 1.745 1.731 1.717 1.705 1.695 1.685 1.676 1.640 1.616 1.583 1.547 1.509 1.467
29 0.050 2.075 2.050 2.027 2.007 1.989 1.973 1.958 1.945 1.891 1.854 1.806 1.754 1.698 1.638
29 0.025 2.390 2.355 2.325 2.298 2.273 2.251 2.231 2.213 2.142 2.092 2.028 1.959 1.886 1.807
29 0.010 2.814 2.767 2.726 2.689 2.656 2.626 2.599 2.574 2.478 2.412 2.325 2.234 2.138 2.034
29 0.005 3.145 3.088 3.038 2.993 2.953 2.917 2.885 2.855 2.740 2.660 2.557 2.448 2.333 2.210
29 0.001 3.958 3.876 3.804 3.740 3.683 3.632 3.585 3.543 3.380 3.267 3.121 2.970 2.810 2.640
30 0.100 1.754 1.737 1.722 1.709 1.697 1.686 1.676 1.667 1.632 1.606 1.573 1.538 1.499 1.456
30 0.050 2.063 2.037 2.015 1.995 1.976 1.960 1.945 1.932 1.878 1.841 1.792 1.740 1.683 1.622
30 0.025 2.372 2.338 2.307 2.280 2.255 2.233 2.213 2.195 2.124 2.074 2.009 1.940 1.866 1.787
30 0.010 2.789 2.742 2.700 2.663 2.630 2.600 2.573 2.549 2.453 2.386 2.299 2.208 2.111 2.006
30 0.005 3.113 3.056 3.006 2.961 2.921 2.885 2.853 2.823 2.708 2.628 2.524 2.415 2.300 2.176
30 0.001 3.907 3.825 3.753 3.689 3.632 3.581 3.535 3.493 3.330 3.217 3.072 2.920 2.760 2.589
208

13
14
15
16
17
18
19
20
25
30
40
] A [40,
60
120
40
0.100 1.695 1.678 1.662 1.649 1.636 1.625 1.615 1.605 1.568 1.541 1.506 1.467 1.425 1.377
40
0.050 1.974 1.948 1.924 1.904 1.885 1.868 1.853 1.839 1.783 1.744 1.693 1.637 1.577 1.509
40
0.025 2.248 2.213 2.182 2.154 2.129 2.107 2.086 2.068 1.994 1.943 1.875 1.803 1.724 1.637
40
0.010 2.611 2.563 2.522 2.484 2.451 2.421 2.394 2.369 2.271 2.203 2.114 2.019 1.917 1.805
40
0.005 2.888 2.831 2.781 2.737 2.697 2.661 2.628 2.598 2.482 2.401 2.296 2.184 2.064 1.932
40
0.001 3.551 3.471 3.400 3.338 3.282 3.232 3.186 3.145 2.984 2.872 2.727 2.574 2.410 2.233
60
0.100 1.637 1.619 1.603 1.589 1.576 1.564 1.553 1.543 1.504 1.476 1.437 1.395 1.348 1.292
60
0.050 1.887 1.860 1.836 1.815 1.796 1.778 1.763 1.748 1.690 1.649 1.594 1.534 1.467 1.389
60
0.025 2.129 2.093 2.061 2.033 2.008 1.985 1.964 1.944 1.869 1.815 1.744 1.667 1.581 1.482
60
0.010 2.442 2.394 2.352 2.315 2.281 2.251 2.223 2.198 2.098 2.028 1.936 1.836 1.726 1.601
60
0.005 2.677 2.620 2.570 2.526 2.486 2.450 2.417 2.387 2.270 2.187 2.079 1.962 1.834 1.689
60
0.001 3.226 3.147 3.078 3.017 2.962 2.912 2.867 2.826 2.667 2.555 2.409 2.252 2.082 1.891
120
0.100 1.580 1.562 1.545 1.530 1.516 1.504 1.493 1.482 1.440 1.409 1.368 1.320 1.265 1.193
120
0.050 1.803 1.775 1.750 1.728 1.709 1.690 1.674 1.659 1.598 1.554 1.495 1.429 1.352 1.254
120
0.025 2.014 1.977 1.945 1.916 1.890 1.866 1.845 1.825 1.746 1.690 1.614 1.530 1.433 1.311
120
0.010 2.282 2.234 2.191 2.154 2.119 2.089 2.060 2.035 1.932 1.860 1.763 1.656 1.533 1.381
120
0.005 2.479 2.423 2.373 2.328 2.288 2.251 2.218 2.188 2.069 1.984 1.871 1.747 1.606 1.431
120
0.001 2.928 2.851 2.783 2.723 2.668 2.620 2.575 2.534 2.375 2.262 2.113 1.950 1.767 1.544
0.100 1.524 1.505 1.487 1.471 1.457 1.444 1.432 1.421 1.375 1.342 1.295 1.240 1.169 1.008
100000 0.050 1.720 1.692 1.666 1.644 1.623 1.604 1.587 1.571 1.506 1.459 1.394 1.318 1.222 1.010
100000 0.025 1.903 1.866 1.833 1.803 1.776 1.752 1.729 1.709 1.626 1.566 1.484 1.388 1.269 1.012
100000 0.010 2.130 2.082 2.039 2.000 1.965 1.934 1.905 1.878 1.773 1.697 1.592 1.473 1.325 1.015
100000 0.005 2.294 2.237 2.187 2.142 2.101 2.064 2.031 2.000 1.877 1.789 1.669 1.533 1.364 1.016
100000 0.001 2.656 2.581 2.514 2.454 2.400 2.351 2.307 2.266 2.105 1.990 1.835 1.660 1.447 1.020
209
ANEXO H VALORES CRTICOS DOS COEFICIENTES DE CORRELAO(TABELA r )
v (n 2)
210
Nvel de significncia para teste caudal

0,05
0,025
0,01
0,005
0,0005
Nvel de significncia para teste bicaudal
0,10
0,05
0,02
0,01
0,001
1
2
3
4
5
0,9877
0,9000
0,8054
0,7293
0,6694
0,9969
0,9500
0,8783
0,8114
0,7545
0,9995
0,9800
0,9343
0,8822
0,8329
0,9999
0,9900
0,9587
0,9172
0,8745
1,0000
0,9990
0,9912
0,9741
0,9507
6
7
8
9
10
0,6215
0,5822
0,5494
0,5214
0,4973
0,7067
0,6664
0,6319
0,6021
0,5760
0,7887
0,7498
0,7155
0,6851
0,6581
0,8343
0,7977
0,7646
0,7348
0,7079
0,9249
0,8982
0,8721
0,8471
0,8233
11
12
13
14
15
0,4762
0,4575
0,4409
0,4259
0,4124
0,5529
0,5324
0,5139
0,4973
0,4821
0,6339
0,6120
0,5923
0,5742
0,5577
0,6835
0,6614
0,6411
0,6226
0,6055
0,8010
0,7800
0,7603
0,7420
0,7246
16
17
18
19
20
0,4000
0,3887
0,3783
0,3687
0,3598
0,4683
0,4555
0,4438
0,4329
0,4227
0,5425
0,5285
0,5155
0,5034
0,4921
0,5897
0,5751
0,5614
0,5487
0,5368
0,7084
0,6932
0,6787
0,6652
0,6524
25
30
35
40
45
0,3233
0,2960
0,2746
0,2573
0,2428
0,3809
0,3494
0,3246
0,3044
0,2875
0,4451
0,4093
0,3810
0,3578
0,3384
0,4869
0,4487
0,4182
0,3932
0,3721
0,5974
0,5541
0,5189
0,4896
0,4648
50
60
70
80
90
100
0,2306
0,2108
0,1954
0,1829
0,1726
0,1638
0,2732
0,2500
0,2319
0,2172
0,2050
0,1946
0,3218
0,2948
0,2737
0,2565
0,2422
0,2301
0,3541
0,3248
0,3017
0,2830
0,2673
0,2540
0,4433
0,4078
0,3799
0,3568
0,3375
0,3211
ANEXO I TABELA PARA TRANSFORMAO DE r PARA Z

r
0,000
0,005
0,010
0,015
0,020
0,025
0,030
0,035
0,040
0,045
0,050
0,055
0,060
0,065
0,070
0,075
0,080
0,085
0,090
0,095
0,100
0,105
0,110
0,115
0,120
0,125
0,130
0,135
0,140
0,145
0,150
0,155
0,600
0,165
0,170
0,175
0,180
0,185
0,190
0,195
Z
0,000
0,005
0,010
0,015
0,020
0,025
0,030
0,035
0,040
0,045
0,050
0,055
0,060
0,065
0,070
0,075
0,080
0,085
0,090
0,095
0,100
0,105
0,110
0,116
0,121
0,126
0,131
0,136
0,141
0,146
0,151
0,156
0,161
0,167
0,172
0,177
0,182
0,187
0,192
0,198
r
0,200
0,205
0,210
0,215
0,220
0,225
0,230
0,235
0,240
0,245
0,250
0,255
0,260
0,265
0,270
0,275
0,280
0,285
0,290
0,295
0,300
0,305
0,310
0,315
0,320
0,425
0,330
0,335
0,340
0,345
0,350
0,355
0,360
0,365
0,370
0,375
0,380
0,385
0,390
0,395
Z
0,203
0,208
0,213
0,218
0,224
0,229
0,234
0,239
0,245
0,250
0,255
0,261
0,266
0,271
0,277
0,282
0,288
0,293
0,299
0,304
0,310
0,315
0,321
0,326
0,332
0,337
0,343
0,348
0,354
0,360
0,365
0,371
0,377
0,383
0,388
0,394
0,400
0,406
0,412
0,418
0,400
0,405
0,410
0,415
0,420
0,425
0,430
0,435
0,440
0,445
0,450
0,455
0,460
0,465
0,470
0,475
0,480
0,485
0,490
0,495
0,500
0,505
0,510
0,515
0,520
0,525
0,530
0,535
0,540
0,545
0,550
0,555
0,560
0,565
0,570
0,575
0,580
0,585
0,590
0,595
0,424
0,430
0,436
0,442
0,448
0,454
0,460
0,466
0,472
0,478
0,485
0,491
0,497
0,504
0,510
0,517
0,523
0,530
0,536
0,543
0,549
0,556
0,563
0,570
0,576
0,583
0,590
0,597
0,604
0,611
0,618
0,626
0,633
0,640
0,648
0,655
0,662
0,670
0,678
0,685
0,600
0,605
0,610
0,615
0,620
0,625
0,630
0,635
0,640
0,645
0,650
0,655
0,660
0,665
0,670
0,675
0,680
0,685
0,690
0,695
0,700
0,705
0,710
0,715
0,720
0,725
0,730
0,735
0,740
0,745
0,750
0,755
0,760
0,765
0,770
0,775
0,780
0,785
0,790
0,795
0,693
0,701
0,709
0,717
0,725
0,733
0,741
0,750
0,758
0,767
0,775
0,784
0,793
0,802
0,811
0,720
0,829
0,838
0,848
0,858
0,867
0,877
0,887
0,897
0,908
0,918
0,929
0,940
0,950
0,962
0,973
0,984
0,996
1,008
1,020
1,033
1,045
1,058
1,071
1,085
0,800
0,805
0,810
0,815
0,820
0,825
0,830
0,835
0,840
0,845
0,850
0,855
0,860
0,865
0,870
0,875
0,880
0,885
0,890
0,895
0,900
0,905
0,910
0,915
0,920
0,925
0,930
0,935
0,940
0,945
0,950
0,955
0,960
0,965
0,970
0,975
0,980
0,985
0,990
0,995
1,099
1,113
1,127
1,142
1,157
1,172
1,188
1,204
1,221
1,238
1,256
1,274
1,293
1,313
1,333
1,354
1,376
1,398
1,422
1,447
1,472
1,499
1,528
1,557
1,589
1,623
1,658
1,697
1,738
1,783
1,832
1,886
1,946
2,014
2,092
2,185
2,298
2,443
2,647
2,994
211
ANEXO J DISTRIBUIO QUI-QUADRADO [1-40]

v
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
212
0.995
0.975
0.9
0.5
0.1
0.05
0.025
0.01
0.005
0.001
0.000
0.010
0.072
0.207
0.412
0.676
0.989
1.344
1.735
2.156
2.603
3.074
3.565
4.075
4.601
5.142
5.697
6.265
6.844
7.434
8.034
8.643
9.260
9.886
10.520
11.160
11.808
12.461
13.121
13.787
14.458
15.134
15.815
16.501
17.192
17.887
18.586
19.289
19.996
20.707
0.001
0.051
0.216
0.484
0.831
1.237
1.690
2.180
2.700
3.247
3.816
4.404
5.009
5.629
6.262
6.908
7.564
8.231
8.907
9.591
10.283
10.982
11.689
12.401
13.120
13.844
14.573
15.308
16.047
16.791
17.539
18.291
19.047
19.806
20.569
21.336
22.106
22.878
23.654
24.433
0.016
0.211
0.584
1.064
1.610
2.204
2.833
3.490
4.168
4.865
5.578
6.304
7.041
7.790
8.547
9.312
10.085
10.865
11.651
12.443
13.240
14.041
14.848
15.659
16.473
17.292
18.114
18.939
19.768
20.599
21.434
22.271
23.110
23.952
24.797
25.643
26.492
27.343
28.196
29.051
0.455
1.386
2.366
3.357
4.351
5.348
6.346
7.344
8.343
9.342
10.341
11.340
12.340
13.339
14.339
15.338
16.338
17.338
18.338
19.337
20.337
21.337
22.337
23.337
24.337
25.336
26.336
27.336
28.336
29.336
30.336
31.336
32.336
33.336
34.336
35.336
36.336
37.335
38.335
39.335
2.706
4.605
6.251
7.779
9.236
10.645
12.017
13.362
14.684
15.987
17.275
18.549
19.812
21.064
22.307
23.542
24.769
25.989
27.204
28.412
29.615
30.813
32.007
33.196
34.382
35.563
36.741
37.916
39.087
40.256
41.422
42.585
43.745
44.903
46.059
47.212
48.363
49.513
50.660
51.805
3.841
5.991
7.815
9.488
11.070
12.592
14.067
15.507
16.919
18.307
19.675
21.026
22.362
23.685
24.996
26.296
27.587
28.869
30.144
31.410
32.671
33.924
35.172
36.415
37.652
38.885
40.113
41.337
42.557
43.773
44.985
46.194
47.400
48.602
49.802
50.998
52.192
53.384
54.572
55.758
5.024
7.378
9.348
11.143
12.832
14.449
16.013
17.535
19.023
20.483
21.920
23.337
24.736
26.119
27.488
28.845
30.191
31.526
32.852
34.170
35.479
36.781
38.076
39.364
40.646
41.923
43.195
44.461
45.722
46.979
48.232
49.480
50.725
51.966
53.203
54.437
55.668
56.895
58.120
59.342
6.635
9.210
11.345
13.277
15.086
16.812
18.475
20.090
21.666
23.209
24.725
26.217
27.688
29.141
30.578
32.000
33.409
34.805
36.191
37.566
38.932
40.289
41.638
42.980
44.314
45.642
46.963
48.278
49.588
50.892
52.191
53.486
54.775
56.061
57.342
58.619
59.893
61.162
62.428
63.691
7.879
10.597
12.838
14.860
16.750
18.548
20.278
21.955
23.589
25.188
26.757
28.300
29.819
31.319
32.801
34.267
35.718
37.156
38.582
39.997
41.401
42.796
44.181
45.558
46.928
48.290
49.645
50.994
52.335
53.672
55.002
56.328
57.648
58.964
60.275
61.581
62.883
64.181
65.475
66.766
10.827
13.815
16.266
18.466
20.515
22.457
24.321
26.124
27.877
29.588
31.264
32.909
34.527
36.124
37.698
39.252
40.791
42.312
43.819
45.314
46.796
48.268
49.728
51.179
52.619
54.051
55.475
56.892
58.301
59.702
61.098
62.487
63.869
65.247
66.619
67.985
69.348
70.704
72.055
73.403
Continuao do ANEXO J DISTRIBUIO QUI-QUADRADO [41-80]

v
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
0.995
0.975
0.9
0.5
0.1
0.05
0.025
0.01
0.005
0.001
21.421
22.138
22.860
23.584
24.311
25.041
25.775
26.511
27.249
27.991
28.735
29.481
30.230
30.981
31.735
32.491
33.248
34.008
34.770
35.534
36.300
37.068
37.838
38.610
39.383
40.158
40.935
41.714
42.493
43.275
44.058
44.843
45.629
46.417
47.206
47.996
48.788
49.581
50.376
51.172
25.215
25.999
26.785
27.575
28.366
29.160
29.956
30.754
31.555
32.357
33.162
33.968
34.776
35.586
36.398
37.212
38.027
38.844
39.662
40.482
41.303
42.126
42.950
43.776
44.603
45.431
46.261
47.092
47.924
48.758
49.592
50.428
51.265
52.103
52.942
53.782
54.623
55.466
56.309
57.153
29.907
30.765
31.625
32.487
33.350
34.215
35.081
35.949
36.818
37.689
38.560
39.433
40.308
41.183
42.060
42.937
43.816
44.696
45.577
46.459
47.342
48.226
49.111
49.996
50.883
51.770
52.659
53.548
54.438
55.329
56.221
57.113
58.006
58.900
59.795
60.690
61.586
62.483
63.380
64.278
40.335
41.335
42.335
43.335
44.335
45.335
46.335
47.335
48.335
49.335
50.335
51.335
52.335
53.335
54.335
55.335
56.335
57.335
58.335
59.335
60.335
61.335
62.335
63.335
64.335
65.335
66.335
67.335
68.334
69.334
70.334
71.334
72.334
73.334
74.334
75.334
76.334
77.334
78.334
79.334
52.949
54.090
55.230
56.369
57.505
58.641
59.774
60.907
62.038
63.167
64.295
65.422
66.548
67.673
68.796
69.919
71.040
72.160
73.279
74.397
75.514
76.630
77.745
78.860
79.973
81.085
82.197
83.308
84.418
85.527
86.635
87.743
88.850
89.956
91.061
92.166
93.270
94.374
95.476
96.578
56.942
58.124
59.304
60.481
61.656
62.830
64.001
65.171
66.339
67.505
68.669
69.832
70.993
72.153
73.311
74.468
75.624
76.778
77.930
79.082
80.232
81.381
82.529
83.675
84.821
85.965
87.108
88.250
89.391
90.531
91.670
92.808
93.945
95.081
96.217
97.351
98.484
99.617
100.749
101.879
60.561
61.777
62.990
64.201
65.410
66.616
67.821
69.023
70.222
71.420
72.616
73.810
75.002
76.192
77.380
78.567
79.752
80.936
82.117
83.298
84.476
85.654
86.830
88.004
89.177
90.349
91.519
92.688
93.856
95.023
96.189
97.353
98.516
99.678
100.839
101.999
103.158
104.316
105.473
106.629
64.950
66.206
67.459
68.710
69.957
71.201
72.443
73.683
74.919
76.154
77.386
78.616
79.843
81.069
82.292
83.514
84.733
85.950
87.166
88.379
89.591
90.802
92.010
93.217
94.422
95.626
96.828
98.028
99.227
100.425
101.621
102.816
104.010
105.202
106.393
107.582
108.771
109.958
111.144
112.329
68.053
69.336
70.616
71.892
73.166
74.437
75.704
76.969
78.231
79.490
80.746
82.001
83.253
84.502
85.749
86.994
88.237
89.477
90.715
91.952
93.186
94.419
95.649
96.878
98.105
99.330
100.554
101.776
102.996
104.215
105.432
106.647
107.862
109.074
110.285
111.495
112.704
113.911
115.116
116.321
74.744
76.084
77.418
78.749
80.078
81.400
82.720
84.037
85.350
86.660
87.967
89.272
90.573
91.871
93.167
94.462
95.750
97.038
98.324
99.608
100.887
102.165
103.442
104.717
105.988
107.257
108.525
109.793
111.055
112.317
113.577
114.834
116.092
117.347
118.599
119.850
121.101
122.347
123.595
124.839
213
Continuao do ANEXO J DISTRIBUIO QUI-QUADRADO [81-120]

v
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
214
0.995
0.975
0.9
0.5
0.1
0.05
0.025
0.01
0.005
0.001
51.969
52.767
53.567
54.368
55.170
55.973
56.777
57.582
58.389
59.196
60.005
60.815
61.625
62.437
63.250
64.063
64.878
65.693
66.510
67.328
68.146
68.965
69.785
70.606
71.428
72.251
73.074
73.899
74.724
75.550
76.377
77.204
78.033
78.862
79.691
80.522
81.353
82.185
83.018
83.852
57.998
58.845
59.692
60.540
61.389
62.239
63.089
63.941
64.793
65.647
66.501
67.356
68.211
69.068
69.925
70.783
71.642
72.501
73.361
74.222
75.084
75.946
76.809
77.672
78.536
79.401
80.267
81.133
82.000
82.867
83.735
84.604
85.473
86.342
87.213
88.084
88.955
89.827
90.700
91.573
65.176
66.076
66.976
67.876
68.777
69.679
70.581
71.484
72.387
73.291
74.196
75.100
76.006
76.912
77.818
78.725
79.633
80.541
81.449
82.358
83.267
84.177
85.087
85.998
86.909
87.821
88.733
89.645
90.558
91.471
92.385
93.299
94.213
95.128
96.043
96.958
97.874
98.790
99.707
100.624
80.334
81.334
82.334
83.334
84.334
85.334
86.334
87.334
88.334
89.334
90.334
91.334
92.334
93.334
94.334
95.334
96.334
97.334
98.334
99.334
100.334
101.334
102.334
103.334
104.334
105.334
106.334
107.334
108.334
109.334
110.334
111.334
112.334
113.334
114.334
115.334
116.334
117.334
118.334
119.334
97.680
98.780
99.880
100.980
102.079
103.177
104.275
105.372
106.469
107.565
108.661
109.756
110.850
111.944
113.038
114.131
115.223
116.315
117.407
118.498
119.589
120.679
121.769
122.858
123.947
125.035
126.123
127.211
128.298
129.385
130.472
131.558
132.643
133.729
134.813
135.898
136.982
138.066
139.149
140.233
103.010
104.139
105.267
106.395
107.522
108.648
109.773
110.898
112.022
113.145
114.268
115.390
116.511
117.632
118.752
119.871
120.990
122.108
123.225
124.342
125.458
126.574
127.689
128.804
129.918
131.031
132.144
133.257
134.369
135.480
136.591
137.701
138.811
139.921
141.030
142.138
143.246
144.354
145.461
146.567
107.783
108.937
110.090
111.242
112.393
113.544
114.693
115.841
116.989
118.136
119.282
120.427
121.571
122.715
123.858
125.000
126.141
127.282
128.422
129.561
130.700
131.838
132.975
134.111
135.247
136.382
137.517
138.651
139.784
140.916
142.049
143.180
144.311
145.441
146.571
147.700
148.829
149.957
151.084
152.211
113.512
114.695
115.876
117.057
118.236
119.414
120.591
121.767
122.942
124.116
125.289
126.462
127.633
128.803
129.973
131.141
132.309
133.476
134.641
135.807
136.971
138.134
139.297
140.459
141.620
142.780
143.940
145.099
146.257
147.414
148.571
149.727
150.882
152.037
153.190
154.344
155.497
156.648
157.799
158.950
117.524
118.726
119.927
121.126
122.324
123.522
124.718
125.912
127.106
128.299
129.490
130.681
131.871
133.059
134.247
135.433
136.619
137.803
138.987
140.170
141.351
142.532
143.712
144.891
146.069
147.247
148.424
149.599
150.774
151.948
153.121
154.295
155.467
156.637
157.808
158.977
160.146
161.314
162.481
163.648
126.084
127.324
128.565
129.802
131.043
132.276
133.511
134.746
135.977
137.208
138.437
139.667
140.894
142.118
143.343
144.566
145.789
147.009
148.230
149.449
150.666
151.884
153.100
154.314
155.527
156.740
157.950
159.164
160.371
161.582
162.787
163.995
165.202
166.406
167.609
168.813
170.014
171.216
172.417
173.618
ANEXO L - TABELA PARA O TESTE MANN-WHITNEY

(PEQUENAS AMOSTRAS)
Rejeita-se H0 se a soma dos postos de alguma das amostras estiver fora dos intervalos abaixo.
Valores crticos bi-caudais para o teste de soma de postos
Modificado de B. Rosner. Fundamentals of Biostatistics. Duxbury Press (4th ed), Belmont, 1995.
215
Continuao do ANEXO L - TABELA PARA O TESTE MANN-WHITNEY

(PEQUENAS AMOSTRAS)
Rejeita-se H0 se a soma dos postos de alguma das amostras estiver fora dos intervalos abaixo.
Valores crticos uni-caudais para o teste de soma de postos
Modificado de B. Rosner. Fundamentals of Biostatistics. Duxbury Press (4th ed), Belmont, 1995.
216
ANEXO M - TABELA W (PEQUENAS AMOSTRAS)

Valores crticos bi-caudais para o teste de Wilcoxon
Rejeio de H0 para
R- ou
0,1
R+ fora do intervalo dado pelos valores delimitados entre Inferior e Superior
0,05
0,02
0,01
nmero de
pares com
Inferior Superior Inferior Superior Inferior Superior Inferior Superior
diferenas
no-nulas
1
2
3
4
0
15
5
2
19
0
21
6
3
25
2
26
0
28
7
5
31
3
33
1
35
0
36
8
8
37
5
40
3
42
1
44
9
10
45
8
47
5
50
3
52
10
13
53
10
56
7
59
5
61
11
17
61
13
65
9
69
7
71
12
21
70
17
74
12
79
9
82
13
25
80
21
84
15
90
12
93
14
30
90
25
95
19
101
15
105
15
Modificado de B. Rosner. Fundamentals of Biostatistics. Duxbury Press (4th ed), Belmont,1995.
217
218
REFERNCIAS
ANDERSON, T.W. and SCLOVE, S.L. Introductory statistical analysis. Houghton Miffin
Company, Boston, 1974.
BEIGUELMAN, B. Curso prtico de bioestatstica. 5. ed. Ribeiro Preto: FUNPEC, 2002.
BUSSAB, W. O., MORETIN, P. A. Estatstica bsica. 3. ed. So Paulo: Atual, 1986.
CAMPBELL, R.C. Statistics for Biologists. 2nd edition. London, Canbridge University
Press, 1974.
CHACON, P. E. Curso breve de estatstica. 2. ed. Universidad de Duesto, 1965.
CLARKE, A. B., DISNEY, R. L. Probabilidade e processos estatsticos. Rio de Janeiro:
LTC, 1979.
COCHRAN, W. G. Tcnicas de amostragem. Rio de Janeiro: Editora Fundo de Cultura,
1965.
CONOVER, U.J. Practical Nonparametrical Statistics. New York, John Wiley & Sons,
Inc., 1971.
COSTA NETO, P.L. de O. Estatstica. 2. ed. So Paulo, Edgard Blcher, 2002.
CRESPO, A. A. Estatstica fcil. 17. ed. So Paulo: Saraiva, 2001
DANIEL, U.U. Applied Nonparametrical Statistics. Boston, Houghton Mifflin Co., 1978.
DANIEL, W.W. Bioestatstica: A Foundation for Analysis in the Health Sciences. 2nd ed.
New York, John Wiley & Sons.
DUNN, O.J. Basic Statistics: a primer for the biomedical sciences. John Wiley & Sons, New
York, 1964.
EDWARDS, A. L. Statistical Methods. 2. ed. New York: Holt, Rinehart and Winston
FISHER, F.E. Fundamental Statistical Concepts. Confield Press. San Francisco, 1973.
FONSECA, J.S., MARTINS, G. A. Curso de estatstica. 3. ed. So Paulo: Atlas, 1984.
GATTS, R. R. Elementos de probabilidades e inferncia. So Paulo: Atlas, 1978.
GOES, L. A. C. Estatstica: uma abordagem decisorial. So Paulo: Saraiva, 1940. v. 1.
GUEDES, M.L.S.; GUEDES, J.S. Bioestatsca. Rio de Janeiro: Ao Livro Tcnico S.A., 1988.
GUERRA, J. G., DONAIRES, D. Estatstica indutiva. 4. ed. So Paulo: LCT, 1990.
219
HOEL, P.G. Estatstica elementar. 1a ed., 5a tiragem, Editora Atlas, So Paulo, 1981.
HOLLANDER, M. Nonparametrical Statistics Methods. New York, John Wiley & Sons,
1973.
KARMEL, P. H., POLASEK, M. Estatstica geral e aplicada economia. 2. ed. So Paulo:
Atlas, 1976.
MARTINS, G. A., DONAIRES, D. Princpios de estatstica. 1. ed. So Paulo: Atlas, 1979.
MEYER, P. L. Probabilidade: aplicaes estatstica. LCT, 1969.
PEARSON, E. S., HARTLEY, H. O. Biometrika tables for statisticians. Vol. 1, 3. ed.
Londres: Cambridge University Press.
SILVA, E. M., SILVA, E. M., GONALVES, V., MUROLO, A. C. Estatstica para os
cursos de economia, administrao e cincias contbeis. 2. ed. So Paulo: Atlas, 1997. v. 1.
SPIEGEL, M. R. Estatstica. 2. ed. So Paulo: McGraw Hill, 1985.
STEVENSON, W. J. Estatstica aplicada administrao. So Paulo: Harbra, 1981.
RODRIGUES, P.C. Bioestatstica. 2. ed. Aumentada. Niteri: EDUFF, 1993.
ROHLF, F.J., SOKAL, R.R. Statistical Tables, 2nd ed., USA, 1981
THOMAS, J. R., NELSON, J. K. Mtodos de pesquisa em atividade fsica. 3. ed. Porto
Alegre: ARTMED, 2002.
WONNACOTT, T. H., WONNACOTT, R. J. Estatstica aplicada economia e
administrao. Rio de Janeiro: LCT, 1981.
ROSNER, B. Fundamentals of Biostatistics. Duxbury Press (4th ed), Belmont,1995.
SIEGEL, S. Estatstica no paramtrica para as cincias do comportamento. So Paulo,
Editora McGraw-Hill do Brasil Ltda, 1979.
SNEDECOR, G.W. and COCHRAN, W.G. Statistical methods. 6th ed. The Yowa State
University Press, Ames, 1967.
SPIEGEL, M.R. Estatstica. 2a ed. Editora McGraw-Hill do Brasil Ltda, So Paulo, 1964.
SPIEGEL, M.R. Probabilidade e Estatstica. Editora McGraw-Hill do Brasil, So Paulo,
1977.
220

Domingues 2005 - Estatística Aplicada As Ciências Militares

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Domingues 2005 - Estatística Aplicada As Ciências Militares

Uploaded by

Copyright:

Available Formats

ESTATSTICA APLICADA

Clayton Amaral Domingues

2005 Domingues, Clayton Amaral.

Dados internacionais de Catalogao-na-Publicao (CIP)

Domingues, Clayton Amaral.

Escola de Aperfeioamento de Oficiais

MODELOS TERICOS DE PROBABILIDADE

7.1 ESTIMATIVA POR PONTO............................................................................. 85

7.4 INTERVALO DE CONFIANA PARA A MEDIA POPULACIONAL

TESTES PARAMTRICOS DE HIPTESES

9. 1 ANOVA SIMPLES (ONE-WAY OU COM NICO FATOR).........................

10 TESTES NO-PARAMTRICOS PARA 2 GRUPOS

TESTE QUI-QUADRADO PARA ADEQUAO DO AJUSTAMENTO..... 139

COEFICIENTE DE CORRELAO DE PEARSON......................................

DISTRIBUIO AMOSTRAL DE X............................................................... 183

ANEXO A ESTATSTICA DESCRITIVA............................................................

ANEXO B COMPARAES ENTRE AMOSTRAS...........................................

ANEXO C RELAO ENTRE VARIVEIS......................................................

ANEXO D TABELA DE NMEROS ALEATRIOS.........................................

ANEXO E REA SUBTENDIDA PELA CURVA NORMAL TABELA Z ...

ANEXO F TABELA PARA O TESTE t................................................................. 195

ANEXO I TABELA PARA TRANSFORMAO DE r PARA Z.......................

ANEXO J DISTRIBUIO QUI-QUADRADO..................................................

ANEXO L - TABELA PARA O TESTE MANN-WHITNEY(PEQUENAS

ANEXO M - TABELA W (PEQUENAS AMOSTRAS)..........................................

descrio dos fenmenos observados.

Figura 1 - Esquema geral de um curso de Estatstica.

Os ANEXOS A, B e C, indicam as anlises inferenciais adequadas para as diversas

Quadro 1 - Variveis e seus nveis de medidas.

2.1 VARIVEIS QUALITATIVAS

imediatamente que o somatrio de todas as freqncias individuais igual ao nmero de

Tabela 1 - Formao especfica de militares por graduao.

A varivel qualitativa considerada no presente exemplo dada pela formao do candidato, e

CANDIDATOS POR GRADUAO A UM CURSO DE PS-GRADUAO DO CEP

Figura 2 - Diagrama de barras da formao especfica de militares por graduao.

Figura 3 - Diagrama circular da formao especfica de militares por graduao.

Entretanto deve-se mencionar ainda a possibilidade de se considerarem distribuies

Geografia e Estatstica (IBGE).

Calculando-se as porcentagens correspondentes, pode-se construir o diagrama circular

Figura 4 - Diagrama circular da rea territorial nacional percentuais por regies.

2.3.2 Descrio Grfica de Variveis Quantitativas Discretas

Usando xi para designar os diferentes valores da varivel, podemos construir a

ERROS DE DECRIPTOGRAFIA AVALIADAS 20 MENSAGENS

Figura 5 - Diagrama de barras para freqncias de erros de decriptografia por mensagem.

EXEMPLO 2.3.5: Caso o interesse fosse pela representao grfica das

Tabela 4 - Distribuio fri dos erros de decriptografia por mensagem.

ERROS DE CRIPTOGRAFIA POR MENSAGEM

Figura 6 - Diagrama de barras para freqncias relativas de decriptografia por mensagem.

O diagrama de barras, conforme j mencionamos, mostra a distribuio das

EXEMPLO 2.3.6: Voltando ao EXEMPLO 2.3.5 pode-se verificar que as

Tabela 5 - Distribuio Fi e Fri dos erros de decriptografia por mensagem.

A partir da Tab. 5 pode-se construir o grfico das freqncias acumuladas (Fig. 7) e

ERROS DE CRIPTOGRAFIA POR MENSAGEM

Figura 7 - Freqncias acumuladas dos erros de

Figura 8 - Freqncias relativas acumuladas dos

De acordo com a Fig. 7 pode-se identificar que 4 mensagens no contm erro de

A Tab. 6 apresenta esses mesmos dados organizados por freqncias.

Ao passarmos representao grfica, porm, devemos lembrar a correta interpretao

Vemos que, no caso das variveis contnuas, as freqncias sero, na verdade,

Pode-se ainda construir o polgono de freqncias acumuladas, traado a partir dos

DIMETRO DE PEAS PRODUZIDAS POR UMA MQUINA

21,15 21,25 21,35 21,45 21,55 21,65 21,75 21,85 21,95

Figura 12a - Ogiva de Galton (Fi) dos dimetros de