Buscar

atividades_comp2014-3

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 3, do total de 35 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 6, do total de 35 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 9, do total de 35 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Prévia do material em texto

1 
CAPÍTULO 7 - DISTRIBUIÇÃO AMOSTRAIS E ESTIMAÇÃO DE PARÂMETROS 
 
Estatística Indutiva - Fornece procedimentos formais para tirar conclusões sobre uma população, a partir 
de uma amostra. 
Parâmetros - Alguma medida descritiva (média, variância, proporção etc..) dos valores x1, x2, x3,.....,xn 
associados à população. 
Estatística - Alguma medida descritiva (média, variância, proporção etc..) dos valores x1, x2,.....,xn associa 
à amostra. 
 
Considere uma amostragem aleatória simples, qualquer medida associada à amostra (estatística) é uma 
variável aleatória, devido à aleatoriedade introduzida na amostragem. Uma estatística é uma variável 
aleatória e sua distribuição de probabilidade é chamada distribuição amostral. 
 
1 - Distribuição amostral da média - Seja uma amostra aleatória simples {x1, x2,.....,xn} e a estatística 
x
. A distribuição da média amostral apresenta as seguintes propriedades: 
a) O valor esperado da média amostral é igual à média da população: E (
x
) = 

. 
 
b) A variância da média amostral é inferior à variância populacional (
2
) e a relação é dada por: 
V(
x
) = 
2
/n; se a amostragem for com reposição, ou N grande e até infinito. 
 
V(
x
) = 
)
1N
nN
(
n
2


; se a amostragem for sem reposição e N pequeno ou N < 20n. 
 
c) Teorema do limite central. Quando amostra for grande, a distribuição da média segue a distribuição 
normal. 
 
2 - Distribuição amostral da proporção 
 
O estudo da proporção dos elementos que tem certo atributo A, segue as seguintes propriedades: 
a) O valor esperado da proporção amostral é igual à proporção da população: E (
P
^
) = p. 
 
b) A variância da proporção amostral é dada por: 
V(
P
^
) = 
n
pp )1( 
; se a amostragem for com reposição, ou N grande e até infinito. 
 
V(
P
^
) = 
)
1N
nN
(
n
)p1(p


; se a amostragem for sem reposição e N pequeno, N<20n. 
 
Estimação dos parâmetros: Intervalo de Confiança (I.C.) 
 
Estimação dos parâmetros - Uma estatística T é uma função dos elementos da amostra, isto é T = f (x1, 
x2,....,,xn}. Quando ela é usada para avaliar certo parâmetro  , é também chamada de estimador de  . 
Propriedades de um estimador – T é um estimador não viesado (não tendencioso) de um parâmetro 

 se 
e só se E(T) = 

. 
 
Introdução - Trata-se de uma técnica para fazer inferência estatística, ou seja, a partir de um intervalo 
de confiança, construído com os elementos amostrais, pode-se inferir sobre um parâmetro populacional. 
 A construção de intervalos de confiança fundamenta-se nas distribuições amostrais. Se a partir de 
uma amostra procura-se obter um Intervalo de Confiança 
 
21
ˆˆ 
1 -  com probabilidade de 
conter o verdadeiro parâmetro populacional. 
 2 
 Quando se diz que o Intervalo de Confiança contém o verdadeiro parâmetro populacional  com 
uma probabilidade 1 -  (nível de confiança),  será o nível de significância, ou seja, o erro que está se 
cometendo ao afirmar-se que o parâmetro estimado 
    1ˆˆ
21
. 
 
 Esta técnica diferencia-se da estimação “por ponto” onde se calcula um único valor (estimativa) 
para o parâmetro populacional. 
 
1. Intervalo de Confiança para Proporção ou Probabilidade P 
 Quando n > 30. Vimos que P ~ N (p; pq/n), logo .
n
)p1(p
Pp
Z
^^
^


 O denominador da fórmula é o 
desvio padrão da distribuição amostral de P, ou seja, é o erro padrão da proporção. 
Portanto, o intervalo para um nível  será: 
 
 
 
 
 
 
 
 
Então: 
























  1Z
n
)p1(p
Pp
ZP1ZZZP
2
^^
^
222
 
 
 Para obter o intervalo acima é necessário o valor de “p” que é desconhecido. Como estamos 
admitindo n > 30 pode-se substituir e encontrar: 
 














  1
n
)p1(p
Zp P
n
)p1(p
ZpP
^^
2
^
^^
2
^ resumindo temos: 
IC (P, 1-α) = [ ^
p
 
n
)p1(p
z
^^
2

 
] 
 
 
2. Intervalo de Confiança para média populacional (Conhece variância populacional) 
 Neste caso, não precisa calcular a estimativa da variância a partir da amostra. Trabalha-se então 
com a distribuição “z”, isto é: 
 
 
 
 
 
 
/2 
 
/2 
1 -  
 
2
Z
 
2
Z

 
Z
 
/2 
 
/2 
1 -  
 
2
Z
 
2
Z

 
Z
 
 3 
P [
z
n
x
z 



 ] = 1- 
 




  1]
n
.zx
n
.zx[P
22
; resumindo temos: IC ( 

, 1-α) = [
x
 
n
z
2

 
] 
 
 
3. Intervalo de Confiança para a Média Populacional (Não conhece variância populacional) 
 
Neste caso, precisa-se calcular a estimativa da variância a partir da amostra. Trabalha-se então com a 
distribuição “t” de Student, com (n – 1) graus de liberdade, isto é: 
 
n
s
x
t


, com (-   t + ) 
 O gráfico da função densidade da variável “t” de Student é simétrico e tem a forma da normal. 
Logo, o intervalo de confiança para um nível de significância ou erro  é: 
 
 
 
 
2
t
 
 
 
 
 
Portanto: 
  1]
n
s
.tx
n
s
.tx[P
22
 
Valor do teste t tabelado: 
2
;1(
2

 nt
); Resumindo temos: 
].[)1,(
2 n
s
txIC  
 
 
ATIVIDADE 7A – Distribuição amostral das médias e da proporção 
 
1) pg173 - Seja a população dos 4 ônibus e a variável X = número de vezes que o ônibus teve um defeito 
grave. Se um ônibus teve 2 defeitos graves, o outro 3, o outro 4, e o último 5 defeitos graves. A variável 
X = {2, 3, 4, 5}. Construir a distribuição amostral da média amostral, considerando uma Amostragem 
aleatória simples, com n=2 elementos, extraída com reposição. 
Determine: a) valor esperado e a variância da distribuição de X. 
 b) valor esperado e a variância da média amostral (Propriedades). 
 c) refaça o item a e b com reposição 
 
2) pg171 - Em um estudo sobre emissões de CO2, definiu-se uma população composta de 4 ônibus de 
uma companhia de transporte urbano. Dos 4 ônibus, 1 apresentava alto índice de emissão de CO2, e os 
outros dentro de padrão. Assim a população é descrita por {1, 0, 0, 0}. O parâmetro de interesse é a 
proporção de veículos fora do padrão. Determine: 
a) a proporção populacional. 
/2 
 
/2 
1 -  
 -
2
t
 +
2
t
 
2
t
 
 4 
b) se for retirada uma A.S.A., com reposição de tamanho n=2, qual a proporção P, de veículos fora dos 
padrões na amostra? P – Distribuição amostral da proporção. 
 
3) pg174 – Num estudo sobre consumo de combustível definiu-se uma população composta por 4 ônibus 
de uma pequena companhia de transporte urbano. Os consumos dos ônibus (Km/l), em condições padrões 
de teste, eram [3,5; 3,6; 4; 4,2]. Uma amostra de dois elementos será sorteada, com reposição. Verifique 
todas as amostras possíveis e, em seguida, construa a distribuição amostral para o consumo médio da 
amostra. 
a) Calcule o valor esperado 
b) Verifique as 3 propriedades. 
c) Refaça retirando as amostras sem reposição 
 
ATIVIDADE 7B – Intervalos de Confiança para proporção e para médias 
 
1) Demonstrar o desenvolvimento das fórmulasdo Intervalo de Confiança para a proporção. 
 
2)pg185- Ache os valores críticos para z (Normal padrão) nos intervalos de confiança que corresponde ao 
nível de confiança: 80%, 90%; 95% ; 98%; 99% , 99,5%; 99.8%. 
 
3)pg186- Na avaliação de dois sistemas computacionais, A e B, foram selecionadas 400 cargas de 
trabalho – supostamente uma amostra aleatória da infinidade de cargas de trabalho que poderiam ser 
submetidas a esses sistemas. O sistema A foi melhor que o B em 60% dos casos. Construir o IC para 
proporção (proporção que o sistema A foi melhor que o B) usando nível de significância de 95% e 99%. 
Discuta o que ocorre com I.C. quando aumenta o nível de confiança. Por que? 
 
4) Considere sua sala de aula uma amostra aleatória do Curso da Ciência da Computação. a)Estimar a 
proporção amostral de mulheres da sua sala de aula. 
b)Construir o Intervalo de Confiança para a verdadeira proporção populacional de mulheres do 
Curso da Ciência da Computação. Adote o nível de significância de 10%. 
 
5) Demonstrar o desenvolvimento das fórmulas do Intervalo de Confiança para: 
a) média (quando conhece a variância: tabela normal padrão); 
b) média (quando desconhece a variância: tabela t de Student). 
 
6) pg188 - Em uma indústria de cerveja, a quantidade de cerveja inserida em latas tem se comportado 
como uma variável aleatória com média de 350 ml e desvio padrão 3 ml. Detectado problemas na linha 
de produção, suspeita-se que houve alteração na média. Retirou-se uma amostra de 20 latas e obteve 
média 346 ml. Construa um I.C. para o novo valor da quantidade média 

 de cerveja inserida em latas, 
com nível de confiança de 95%, supondo não alteração no desvio padrão do processo. 
 
7) Ache na tabela t de Student, o valor crítico utilizado no intervalo de confiança (bilateral), conhecendo 
o “n” amostral e o nível de confiança. 
99%; n=28 98%; n= 38 95 %; n= 22 90 %; n= 50 
99%; n=43 98%; n= 20 95% ; n= 45 90 %; n= 60 
 
8) pg190 - Deseja-se avaliar a dureza esperada μ do aço produzido sob um novo processo de 
têmpera. Uma amostra de dez corpos de prova de aço produziu os seguintes resultados, em HRc: 
{36.4, 35.7, 37.2, 36.5, 34.9, 35.2, 36.3, 35.8, 36.6, 36.9}. Construir o Intervalo de confiança para 
a verdadeira média com nível de significância de 5%. 
 
9) pg195 - Sob condições normais, realizaram-se dez observações sobre o tempo de resposta de uma 
consulta a certo banco de dados. Os resultados, em segundos, foram os seguintes: [28, 35, 43, 23, 62, 38, 
34, 27, 32, 37]. Construir IC para o verdadeiro tempo médio de uma consulta sob as condições 
normais. Adote alfa 1%. 
 
 5 
10) pg195- Fixados certos parâmetros de entrada, o tempo de execução de um algoritmo foi medido 12 
vezes, obtendo-se os seguintes resultados [15,12,14,15,16,14,16,13,14,11,15,13] (em minutos). Apresente 
o Intervalo de 95% confiança para o tempo médio de execução do algoritmo. 
 
ATIVIDADE 8 - Testes de hipóteses 
Decisões Estatísticas 
 Na prática somos chamados com muita frequência a tomar decisões acerca de populações, 
baseados nas informações das amostras. Essas decisões são denominadas decisões estatísticas. Pode-se 
desejar decidir, com base em dados amostrais, se um novo soro é realmente eficaz na cura de uma 
doença, se um processo educacional é melhor do que outro, se certa moeda é viciada e outras. 
 
Hipótese Estatística - A Hipótese Estatística é uma suposição ou afirmação relativa a uma ou mais 
populações, que pode ser verdadeira ou falsa. 
 
Testes de Hipótese - Consiste em decidir se a hipótese é verdadeira ou falsa. Assim, através de uma 
amostra testaremos à hipótese formulada e concluiremos se ela deve ser rejeitada ou aceita. 
As Hipóteses 
 A hipótese lançada para ser rejeitada ou aceita é chamada de hipótese nula, denotada por Ho. A 
rejeição de Ho leva a aceitação de uma hipótese alternativa, representada por H1. 
A hipótese H1 é formulada em termos de desigualdades (≠, >, <) 
 
Erros do Tipo I e II - Se uma hipótese for rejeitada quando deveriam ser aceita, diz-se que foi cometido 
um erro do Tipo I. Se, por outro lado, for aceita uma hipótese que deveria ser rejeitada, diz-se que foi 
cometido um erro Tipo II. Em ambos os casos ocorreram uma decisão errada ou um erro de julgamento. 
 
Nível de Significância - Ao testar uma hipótese estabelecida, a probabilidade máxima com a qual 
estaremos dispostos a correr o risco de um erro Tipo I é denominada nível de significância do teste. Essa 
probabilidade, representada frequentemente por , é geralmente especificada antes da extração de 
quaisquer amostras, de modo que os resultados obtidos não influenciem a escolha. Se, por exemplo, é 
escolhido um nível de significância 5%, no planejamento de um teste de hipótese, há então cerca de 5 
chances em 100, de a hipótese ser rejeitada, quando deveria ser aceita, isto é, há uma confiança de cerca 
de 95% de que se tome uma decisão acertada. 
 
Tipos de Testes de Hipóteses 
8A) Teste para a proporção – Abordagem clássica 
1
a
) Formulação das hipóteses 
 
Ho: p = p0 vs H1: 
 
 
 
2
a
) Nível de significância  
Normalmente adota-se um valor de ( entre 1% a 10%). 
Estabelecer os valores críticos 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1 -  
 Z 
 
1 -  
/2 
 
/2 
1 -  
 -Z/2 Z/2 -Z 
(a) (b) ( c ) 
p  p0 (a) –Teste bilateral 
p > p0 (b) – Teste unilateral a direita 
p < p0 (c) - Teste unilateral a esquerda 
 
 
 
 
 
 
 
 
 
 
 
 6 
3
a
) 
)p1.(p.n
np'y
Z
00
0
cal



 
 
 
 
4
a
) Conclusão: Abordagem clássica 
a) Se 

22
 ZZZ cal
Aceita-se Ho 
b) Se 
 ZZ cal
 Rejeita-se Ho 
c) Se 
 ZZ cal
 Rejeita-se Ho. 
 
Abordagem do p valor: Se p > 

; Aceita-se Ho 
 Se p 

; Rejeita-se Ho 
 
8B) Teste para a Média ( conhece 
2
) 
 

 

0 (a) T. bilateral 
1
a
) Formulação das hipóteses 
Ho: 

 = 

0 vs H1: 
 
 
 
2
a
) Nível de significância  - Normalmente adota-se um valor de  entre 1% a 10%. 
Estabelecer os valores críticos – Normal padrão 
 
3
a
) Cálculo da variável teste 


 n).x 0(Z
 
 
4
a
) Conclusão: Idem ao teste de Proporção 
 
8C) Teste para a Média (Não conhece 
2
) 
 
 
1
a
) Formulação das hipóteses 
 Ho: 

 = 

0 vs H1: 
 
 
2
a
) Nível de significância  - Normalmente adota-se um valor de  entre 1% a 10%. 
Estabelecer os valores críticos 
 
 
 
 
 
 
 
 
 
 Variável “t” tabelada- Teste bilateral: 
2
t

(n – 1; 
2

) e Teste Unilateral: 

 t(n – 1; ) 
 
 

 

0 (a) T. bilateral 

 >

0 (b) T. unilateral à direita 

 < 

0 (c) T. unilateral à esquerda 
 < 

 (c) 
 
 
 
 
 
 
 
 
 
 
 
 
1 -  
 
t
 
 
1 -  
/2 
 
/2 
1 -  
2
t
 
2
t
 
- t (a) (b) (c) 
y = num.elementos c/ atributos 
atributo 
y’= y+0,5 se y < np0 e y’=y-0,5 se y > np0 
 
po = valor de Ho 
n = tamanho da amostra 
 
 

 >

0 (b) T. Unilateral à direita 
0
< 

0 (c) T. Unilateral à esquerda 
Unilateral direita 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 7 
3
a
) Cálculo da variável teste 
 
 
s
nx
tcal
)( 0
 
 
 
 
4
a
) Conclusão: a) Se 

22
 ttt cal
Aceita-se Ho 
 b) Se 
 ttcal
 Rejeita-se Ho 
 c) Se 
 ttcal
 Rejeita-se Ho. 
 
8D) Teste para Variância - Quando há interesse em verificar possíveis alterações na 
 variabilidade. 
1
a
) Formulação das hipóteses - Ho: 
2
= 
2 o vs H1: 2 2
0
 
 
2 > 2
0
(u.d) ou 
2 < 2
0
(u.e) 
2
a
) Nível de significância e Valores críticos: tabela qui-quadrado 
Bilateral: 
2
sup
(n – 1; /2); 
2
inf
(n – 1; 1 - /2) e Unilateral : 
);1n(2sup 
; 
)1;1n(2inf 
 
 
3
a
) Cálculo da variável teste: 
2
calc
ou q
2
 = 
0
2)1(

sn 
 
4
a
) Conclusão: Aceitação ou rejeição de Ho. 
 
ATIVIDADE 8 - Testes de hipóteses para uma amostra –pg198 
1) Defina o erro tipo I e erro tipo II num teste de hipótese. 
 
2) pg199 - Escreva as hipóteses abaixo em termos de parâmetros populacionais; 
a) a média dos tempos de resposta do equipamento com o processador A é diferente da média dos tempos 
de resposta do equipamento com o processador B; 
b) a média dos valores da resistência do concreto com a dosagem d2 de cimento é maior que a média dos 
valores da resistência do concreto com a dosagem d1. 
c) a média das vendas depois da campanha publicitária é maior que a média das vendas antes da 
campanha publicitária; 
d) a proporção de reclamações após a realização do programa de melhoria de qualidade é menor do que 
antes da realização do programa; 
e) crie uma hipótese, dentro de sua área de estudo, em termos de proporção. 
f) crie uma hipótese, dentro de sua área de estudo, em termos de média. 
 
Tabela normal padrão 
3) pg 215 - Para um teste bilateral, encontre somente o valor crítico da normal padrão: 
Considere o nível de significância [0,20; 0,10; 0,05; 0,02; 0,01; 0,005] 
Para um teste unilateral à direita, encontre o valor crítico da normal padrão: 
Considere alfa [0,20; 0,10; 0,05; 0,02; 0,01; 0,005 ] 
Para um teste unilateral à esquerda, encontre o valor crítico da normal padrão: 
Considere alfa [0,20; 0,10; 0,05; 0,02; 0,01; 0,005] 
 
4) Encontre o p-valor para o teste de hipótese: 
a- Unicaudal à esquerda com estatística de teste z = -2,23. 
b- Unicaudal à esquerda com estatística de teste z = -1,62. 
c- Bicaudal com estatística de teste z = 2,14 
d- Bicaudal com estatística de teste z = 2,31 
e- Unicaudal à direita com estatística de teste z = 2,16. 
x
 = média amostral 
 0
 = valor da hipótese nula 
s = desvio-padrão amostral 
n = tamanho da amostra 
 8 
f- Unicaudal à direita com estatística de teste z = 1,48. 
 
Teste de hipótese para proporção 
5) pg215 - Uma empresa retira periodicamente amostras aleatórias de 500 peças da linha de produção 
para análise de qualidade para verificar se tem ou não defeito. O processo produtivo não aceita evidência 
de mais de 1,5% de peças defeituosas. Na última amostra apareceram 9 peças com defeitos. 
a- Testar a hipótese dos defeitos serem superiores a 1,5% . Adote alfa 5%. 
b- Testar a hipótese dos defeitos serem diferentes de 1,5%. Adote alfa 5%. 
c- Realize a abordagem do p valor para os itens a e b. 
 
6) pg217 - Um fabricante garante que 90% de seus itens estão dentro das especificações. Um comprador 
examinou uma amostra de 50 itens e verificou que apenas 84% estavam dentro das especificações. Há 
evidência que o nível de qualidade é menor do que o alegado pelo fabricante? Adote alfa 1%. Encontre o 
p-valor. 
 
Teste de hipótese para média (conhece a variabilidade) 
7) pg218 - Na indústria cerâmica, avalia-se sistematicamente a resistência de amostras de massas de 
cerâmicas, após o processo de queima. Dessas avaliações, sabe-se que certo tipo de massa tem resistência 
mecânica aproximadamente normal, com média 53 Mpa e a variância de 16 Mpa
2
. Após a troca de 
alguns fornecedores de matérias primas, deseja-se verificar se houve alteração na qualidade. Uma 
amostra de 15 corpos de prova de massa de cerâmica acusou média de igual a 50 Mpa. Qual é a 
conclusão ao nível de significância de 1%? Realize um teste bilateral. Faça abordagem clássica e 
abordagem do p-valor. 
 
8) Em um anúncio, a Computec afirma que a média do tempo de entrega de suas mercadorias é menor 
que 30 minutos, com desvio padrão populacional de 3,5 minutos. Uma seleção aleatória de 36 tempos de 
entrega apresentou média amostral de 28,5 minutos. Há evidência suficiente para apoiar a afirmação com 
nível de significância de 1%. Adote alfa 5%. Faça abordagem do p-valor. 
 
Tabela t de Student 
9) Calcule o valor crítico da tabela t de Student para um teste: 
Bilateral n=15 e nível de significância de 10%; 5% e 1%. 
Unilateral n=18 e nível de significância de 10%; 5% e 1%. (Un. à direita e a esquerda) 
 
10) Encontre o p-valor para o teste de hipótese: 
a- Unicaudal à esquerda com estatística de teste t = -2,45 e n=10. 
b- Unicaudal à esquerda com estatística de teste t = -1,45 e n=12. 
c- Bicaudal com estatística de teste t = 2,95 e n=20. 
d- Bicaudal com estatística de teste t = 1.28 e n= 30. 
e- Unicaudal à direita com estatística de teste t = 2,74 e n= 60. 
f- Unicaudal à direita com estatística de teste t = 1,36 e n= 150. 
 
Teste de hipótese para média (desconhece a variabilidade) 
11) pg220 - O tempo para transmitir 10 MB em determinada rede de computadores varia segundo um 
modelo normal, com média de 7,4 seg. Depois de algumas mudanças na rede, acredita-se numa redução 
no tempo de transmissão de dados, além da alteração na variabilidade. Foram realizados 10 ensaios 
independentes com um arquivo de 10 MB e foram anotados os tempos de transmissão, em segundos 
{ 6,8 7,1 5,9 7,5 6,3 6,9 7,2 7,6 6,6 6,3 }. Há evidência de que o tempo médio de transmissão foi 
reduzido? Nível de significância de 5% e faça a abordagem clássica e abordagem do p-valor. 
 
12) pg229 – Padrões técnicos exigem que o nível de ruído em CPDs seja de, no máximo, 70dB. Foram 
analisados 16 CPDs de várias organizações, obtendo-se os seguintes valores máximos de ruído: 
[78, 73, 68, 65, 72, 64, 77, 80, 82, 78, 65, 72, 61, 79, 58, 65]. 
a-calcule a intensidade de ruído médio e desvio padrão para os 16 CPDs. 
b-Suponha que os 16 CPDs analisados são uma amostra aleatória de CPDs do país. Para verificar se na 
média os CPDs atendem aos padrões técnicos, como vc construiria as hipóteses? 
 9 
c-A intensidade de ruído médio dos CPDs nos horários críticos é superior ao especificado? Use o nível de 
confiança de 95%. 
Tabela qui-quadrado 
13) Calcule os valores críticos do teste qui-quadrado (Teste para 1 amostra): 
a- Teste bicaudal: alfa =10% , n = 16 
b- Teste bicaudal: alfa =10% , n = 29 
c- Teste unicaudal á direita: alfa =5% , n = 27 
d- Teste unicaudal á direita: alfa =10% , n = 10 
e- Teste unicaudal á esquerda: alfa = 1% , n = 7 
f- Teste unicaudal á esquerda: alfa = 5% , n = 24 
 
Teste de hipótese para variância 
14) pg222 (continuação do exercicio11)- O tempo para transmitir 10 MB em determinada rede de 
computadores varia segundo um modelo normal, com média de 7,4 segundos e variância de 1.3 Seg
2
. 
Existe evidência suficiente de que as mudanças na rede de computadores alteraram a variabilidade no 
tempo de transmissão de dados? Use o nível de confiança de 95%. 
 
15) pg223- Usuários de uma rede de transmissão de energia elétrica tem reclamado da alta variação na 
tensão (desvio padrão de 12 V). A empresa encarregada da transmissão de energia elétrica na região 
instalou novos transformadores. O desvio padrão calculado sob 30 observações independentes foi de 8 V 
e a distribuição de frequências dos valores da amostra sugere uma distribuição normal. Há evidência da 
redução na variação da tensão? Use alfa 5%. 
 
Aula 9A - Teste t para amostras pareadas ou independentes - 2 amostras 
Comparação de 2 médias – Caso com 2 amostras. 
9a) Teste t para duas amostras pareadas 
O teste t é apropriado para comparar 2 conjuntos de dados quantitativos, em termos de seus valores 
médios. 
 
1
a
) Hipóteses : H0: 
21  
 vs H1: 
21  
 ; 
21  
 ou 
21  
 
 
1
 - valor esperado da resposta do tratamento 1 
 
2
 - valor esperado da resposta do tratamento 2 
 
2
a
) Nível de significância e 
Valores críticos: bilateral t(n-1; 
2

) e unilateral t(n-1; 

) 
3
a
) Variável teste t = 
ds
nd
 onde n: tamanho da amostra; 
d
: média das diferenças 
observadas (d = x2 – x1 ) e sd: desvio padrão das diferenças. 
 
4
a
) Conclusão: a) Se 

22
 ttt cal
Aceita-se Ho 
 b) Se 
 ttcal
 Rejeita-se Ho 
 c) Se 
 ttcal
 Rejeita-se Ho. 
 
9b) Teste t para duas amostras independentes 
A formação de pares de elementos similares nem sempre é viável. Uma alternativa é considerar 
duas amostras independentes. 
 
 Grupos com número de elementos iguais n 1= n2 
Suposição básica: As observações são independentes 
 Os dois grupos provêm de distribuições normais 
 Os dois grupos possuem a mesma variância. 
 10 
 (a) 
21   
 
1
a
) Hipóteses : H0: 
21  
 vs H1: (b) 
21  
 
 (c) 
21  
 
 
2
a
) Nível de significância e 
 Valores críticos: bilateral t(n1+n2-2; 
2

) e unilateral t (n1+n2-2;

) 
3
a
) Variável teste t = 
2
a
21
S2
n
)xx( 
 onde a variância agregada: Sa
2
 = 
2
SS 22
2
1 
 
 n: tamanho da amostra; 
 
1x : média do grupo1; 
 
2x
: média do grupo2; 
 Sa
2
: variância comum (agregada) dos dois grupos. 
 
4
a
) Conclusão: regra habitual da distribuição t de Student. 
 
 Grupos com número de elementos diferentes n1 

 n2 
Idem ao procedimento acima, altera o item 3 com a seguinte fórmula; 
 
3
a
) Variável teste t = 
21
a
21
n
1
n
1
S
xx

 onde a variância comum S
2nn
S)1n(S)1n(
21
2
22
2
112
a



 
 
9c - Comparação de 2 variâncias - Teste F para duas variâncias 
 
Suponha que queremos comparar duas populações, supostamente com distribuições normais, têm a 
mesma variância. Formulam-se as hipóteses: 
 
1
a
) Ho: 
2
2
2
1 
 vs H1: 2
2
2
1 
 (teste bilateral) ou 
2
2
2
1
2
2
2
1 ; 
 (teste unilateral) 
 onde 
1var:21 populaçãodaiância
 
 
2var:22 populaçãodaiância
. 
 
2
a
) Nível de significância e os valores críticos: 
Bilateral: Fsup ( gl1= n1 -1; gl2= n2 -1; 
2

) e 
 Finf ( gl1= n1 -1; gl2 = n2 -1; 1-
2

) = Finf = 
);(
1
12
)
2
(
glglF 
 
Unilateral: Finf [(1-

) (gl1; gl2)] ou Fsup [

 (gl1; gl2)] 
3
a
)Estatística teste: f = 
2
2
2
1
s
s
 onde si
2
 são as variâncias das amostras 1 e 2. 
Condição da amostra 1 ser maior que amostra 2 (maior variância posicionada no numerador). 
4
a
)Conclusão: Rejeita-se Ho: Para teste unilateral esquerda, fcalc < F(1-

) (gl1 gl2) 
 Para teste unilateral direita, fcalc > F

 (gl1; gl2) 
 Para teste bilateral, fcalc < F(1-
2

) (gl1; gl2) e fcalc > F
2

 (gl1; gl2) 
Obs: F(1- 
2

) (gl1; gl2) = 
);(
1
12)
2
(
glglF
 
 11 
Aula 9B - Comparação de várias médias 
 
Geralmente este delineamento é usado quando é classificado segundo um único critério, chamado 
tratamento. Este delineamento é utilizado quando as unidades experimentais (parcelas) são similares. 
 Os tratamentos são diferentes???? Assim usa-se um processo aritmético para decompor as 
variações, que é chamado de Análise de Variância (ANOVA). 
 Todo delineamento experimental possui um modelo matemático necessário para podermos 
efetuar a análise de variância do experimento. E, para a validade da análise de variância deve-se 
considerar o seu modelo matemático além de algumas pré-suposições básicas para se fazer a análise dos 
dados. 
 
Algumas suposições básicas que se deve admitir para a validade da análise de variância: 
 Deve-se considerar independência entre tratamentos e entre parcelas do mesmo tratamento; 
 As j observações por tratamento são normais de média mi e mesma variância 

2
, ou seja, 
X i j ~ N (

 , 

2 
). 
 As variâncias populacionais devem ser iguais nos g grupos. 
 
Para o delineamento inteiramente casualizado o modelo matemático é: 
yij = 

+ ti + eij com i = 1,2,............ g; j = 1,2,................. n; onde: 
 
 yij = valor observado na parcela que recebeu o tratamento i na repetição j; 
 ti = efeito do tratamento aplicado na parcela; 
 

 = média global resposta; 
 eij = efeito dos fatores não controlados, ou seja, o efeito do erro experimental; 
 
 
Quadro de Dados 
 Tratamentos 
Repetições T 1 T2 ... Tg 
1 y11 y21 ... yg1 
2 y12 y22 ... yg2 
... ... ... ... ... 
n y1n y2n ... ygn 
Soma y1. y2. ... yg. y..= 

i
iy
 
Médias 
 
y 1.
 
y 2.
 ... 
y
g. 

i
iy
g
y
1
..
 
 
Para realizar o Teste de hipótese: 
i) Testar as hipóteses H0: As médias dos tratamentos são iguais (H0:
)....21 g 
 
 H1: Pelo menos uma das médias difere das demais. (
jiH  :1
para algum i≠j) 
 
ii) Nível de significância e estabelecer o valor crítico: (F de Snedecor) 
 
iii) Teste Fcalc 
 Construiremos o seguinte quadro de análise de variância: ANOVA 
Fonte de 
Variação 
Graus de 
Liberdade 
Somas de 
Quadrados 
Quadrados 
Médios 
Fcalc Ftab 
Tratamentog – 1 SQT QMT QMT/QMR [(g – 1), (N-g)] 
Resíduo (R) N – g SQR QMR 
Total (To) N – 1 SQTo 
 12 
Soma de Quadrados 
 
gn
2
2
ij ;
N
..y
ySQTo 


g
i
i
N
y
n
y
SQT
1
22 ..
; SQR = SQTo – SQT 
Quadrados Médios 
1g
SQT
QMT


; 
)gN(
SQR
QMR


 
Estatística Fcalc: 
QMR
QMT
Fcalc 
 
 
Valor tabelado - Ftab [(glT; glR)] 
 
 
 
 
iv) Conclusão: Assim se Fcalc > Ftab  Rejeita-se Ho, isto é, pelo menos umas das médias 
 diferem entre si. 
 
 As médias aritméticas de cada grupo servem como uma estimativa pontual da resposta esperada 
de cada tratamento. Para detectar qual média difere das demais, existem diversos testes (Tukey, Schefée, 
Duncan..), mas uma opção rápida é construir o intervalo de confiança para verificar se realmente há 
diferença entre as médias. 
IC ( 
n
QMR
tyii
2
)1,  
 onde o valor tabela: t (N-g; 
2

) 
 
 
AMOSTRAS EM BLOCOS 
 
Considere que as unidades experimentais são agrupadas em blocos, de tal forma que todos os g 
tratamentos sejam realizados em cada bloco. Cada observação Yij é influenciada pelo efeito do 
tratamento, efeito do bloco e o efeito aleatório. Assim: 
 
Yij = 

+ ti + Bj + eij 
 
Os cálculos de uma ANOVA num projeto em blocos, considerando em cada bloco uma 
observação de cada tratamento (blocos completos não replicados), donde o número total de observações é 
dado por N = gh. 
 
i) Testar as hipóteses H0: As médias dos tratamentos são iguais 
 H1: Pelo menos uma das médias difere das demais 
ii) Nível de significância e valor crítico: F de Snedecor 
 
iii) Estatística teste: Fcalc 
ANOVA - Construiremos o seguinte quadro de análise de variância: ANOVA 
Fonte de 
Variação 
Graus de 
Liberdade 
Somas de 
Quadrados 
Quadrados 
Médios 
 Fcalc Ftab 
Tratamento g – 1 SQT SQT/g-1 QMT/QMR [(glt; glR)] 
Bloco h – 1 SQB SQB / h-1 
Resíduo (Erro) (g-1)(h-1) SQR SQR / (g-1)(h-1) 
Total (To) N – 1 SQTo 
1- 
 
 
tabF
 
 13 
SQTo = 

 

g
i
h
j
ij
N
y
y
1 1
2
2 ..
; SQT = 



g
i
i
N
y
h
y
1
22 ..
; SQB = 



h
1j
22
j
N
..y
g
.y
 
SQR= SQTo – SQT - SQB
 
 
iv) Conclusão: Assim se Fcalc > Ftab  Rejeita-se Ho, isto é, pelo menos umas das médias 
 diferem entre si. 
 
Construir o intervalo de confiança para detectar onde há diferença significativa das médias. 
 
ATIVIDADE 9 A - Teste t para amostras pareadas ou independentes 
 
Teste t para duas amostras pareadas 
1) pg235 - Seja o problema de verificar se um novo algoritmo de busca em um banco de dados é mais 
rápido que o algoritmo atualmente usado. Para fazer a comparação dos dois algoritmos, planeja-se 
realizar uma amostra aleatória de dez buscas experimentais (ensaios). Em cada ensaio, uma dada busca é 
realizada pelos dois algoritmos e o tempo de resposta de cada algoritmo anotado. Testar se o tempo do 
algoritmo novo superou do algoritmo antigo? 
a) Adote alfa 1%. b) Faça a discussão com alfa 5%. c) Abordagem do p-valor. 
 
Ensaio Tempo de respostas (segundos) 
 Novo X1 Antigo X2 Diferença X2 – X1 
1 22 25 3 
2 21 28 7 
3 28 26 -2 
4 30 36 6 
5 33 32 -1 
6 33 39 6 
7 26 28 2 
8 24 33 9 
9 31 30 -1 
10 22 27 5 
 
 
2) pg245 - Num planejamento tipo antes e depois, observou a venda mensal de determinado produto em 
12 lojas sem oferecer brinde. Depois, passou-se a oferecer um brinde e voltou-se avaliar a venda mensal 
deste produto nas 12 lojas. O valor da diferença Di foi: 
{ 7, 10, 5, -2, 9, 0, 3, -4, 8, 9, 1, 3}. 
Os dados mostram evidência suficiente para se afirmar que a oferta do brinde aumenta as vendas? Use 
nível de significância de 5%. Abordagem p-valor. 
 
3)pg245 - Para avaliar o efeito de um brinde nas vendas de determinado produto, planeja-se comparar as 
vendas em lojas que vendem o produto com brinde, com lojas que vendem sem brinde. As lojas foram 
agrupadas em pares, de tal forma que os pares são o mais similares possíveis. Em cada par de lojas, uma 
passou a oferecer brinde e a outra não. Os dados da tabela, mostram evidência suficiente para se afirmar 
que a oferta do brinde aumenta as vendas? Alfa 5%. 
 
Par de loja Vendas sem brinde Vendas com brinde 
1 33 43 
2 43 39 
3 26 33 
4 19 32 
5 37 43 
6 27 46 
 
 14 
Teste t para duas amostras independentes 
4) pg238 - Testar a hipótese se nos dez ensaios com cada catalizador verificou que os catalizadores A e B 
têm efeitos diferentes no rendimento de certa reação química. Confirme com alfa 5%, faça a abordagem 
do p-valor. 
 Rendimento ( % ) de uma reação química em função do catalizador utilizado. 
Cat A 45 51 50 62 43 42 53 50 48 55 
Cat B 45 35 43 59 48 45 41 43 49 39 
 
5) pg244 - Uma empresa de cerveja estuda a possibilidade de alterar o rótulo de sua marca com cores 
mais vivas. Enlatou a cerveja com rótulo novo e tradicional. A pesquisa foi feita em 8 estabelecimentos 
comerciais. Por sorteio em 4 adotou-se o rótulo tradicional e nos outros 4 o rótulo novo. Avaliou-se a 
quantidade vendida em milhares de unidades. 
R trad: {6,5,2,2 } e R novo: { 4,9,5,6}. Verifique se a média de vendas é maior com rótulo novo; use alfa 
5%. 
 
Teste t para duas amostras independentes ( n1 ≠ n2) 
6) pg246 - Na comparação de duas topologias de rede de computadores, C1 e C2, avaliou-se o tempo de 
transmissão de pacotes de dados entre duas máquinas. Foram realizados 32 ensaios em C1 e 24 ensaios 
em C2, como mostra os dados abaixo: 
 
Topologia Tempo (em décimos de segundo) Média Variância 
C1 9, 12, 10, 12, 11, 9, 8, 12, 13, 9, 13, 8, 17, 9, 9, 8, 9, 8, 14, 8, 
8, 8, 8, 13, 10, 10, 15, 13, 13, 12, 14, 8 
10,625 6,371 
C2 14, 15, 8, 13, 16, 12, 14, 17, 14, 10, 13, 12, 13, 14, 10, 15, 12, 17, 
16, 12, 15, 13, 14, 14 
13,458 4,781 
Existe diferença significativa entre o tempo médio de transmissão nas 2 topologias? 
 
Utilização da Tabela F 
7) Encontre os valores críticos utilizando a tabela F. 
a- Teste unicaudal á direita: alfa =5% , n1 = n2 = 27 
b- Teste unicaudal á direita: alfa =5% , n1 = 8 e n2= 10 
c- Teste unicaudal á esquerda: alfa = 5% , n1 = n2 = 7 
d- Teste unicaudal á esquerda: alfa = 5% , n1 = 21 e n2= 31 
e- Teste bicaudal: alfa =10% , n1 = n2 = 20 
f- Teste bicaudal: alfa =10% , n1 = 8 e n2= 10. 
 
8) pg248 – (Exercício 4) Verificamos que não há evidências de que os catalisadores A e B tenham efeitos 
médios diferentes no rendimento de certa reação química. Vamos verificar, agora, se eles produzem 
efeitos diferentes nas variâncias. Use alfa 10%. 
Didaticamente: delimitar a região crítica para os 2 casos do teste unilateral. 
 
 
ATIVIDADE 9B - Teste para k médias – (mais de 2 amostras) 
 
1) pg252 - Considere o problema de comparar 3 tipos de rede de computadores, C1, C2, C3, em termos 
do tempo médio de transmissão de pacotes de dados entre duas máquinas. Realizou-se um experimento 
com oito replicações com cada tipo de rede, aleatorizando a ordem de 24 ensaios e mantendo fixo fatores 
controláveis. 
 
a- Testar a hipótese do tempo médio de transmissão ser iguais para os três tipos de redes. Alfa 5%. 
b- Apresentar graficamente os intervalos de confiança. 
 
 
 
 
 
 15 
 Tipo de rede 
replicações REDE C1 REDE C2 REDE C3 
1 7,2 7,8 6,3 
2 9,3 8,2 6,0 
3 8,7 7,1 5,3 
4 8,9 8,65,1 
5 7,6 8,7 6,2 
6 7,2 8,2 5,2 
7 8,8 7,1 7,2 
8 8,0 7,8 6,8 
Soma 65,7 63,5 48,1 
Média 8,21 7,94 6,01 
 
2) pg265 - Com o objetivo de comparar 3 tipos de cimento em termos da resistência à compressão do 
concreto, foi realizado um experimento completamente aleatorizado, com 5 corpos de prova de cada tipo 
de cimento. Os resultados foram os seguintes: 
 Tipo de cimento 
replicações C1 C2 C3 
1 9 20 10 
2 12 21 9 
3 10 23 12 
4 8 17 20 
5 15 30 11 
a- Testar a hipótese da resistência media serem iguais para os três tipos de cimento. Alfa 5%. 
b- Apresentar graficamente os intervalos de confiança. 
 
3) pg257 - Seja o problema comparar 3 algoritmos de busca em um banco de dados. No experimento com 
6 buscas experimentais, sendo que em cada uma é sorteado um n. aleatório que indica o registro do banco 
de dados a ser localizado. Em cada um dos seis processos de busca, são usados 3 algoritmos em estudo, 
mas sob mesmas condições. São anotados os tempos de resposta ao usuário. 
a- Testar se os 3 algoritmos são igualmente rápidos. Adote alfa 5%.b- Construir os intervalo de confiança. 
 
 Algoritmo de busca 
Blocos A1 A2 A3 
1 8,3 8,1 9,2 
2 9,4 8,9 9,8 
3 9,1 9,3 9,9 
4 9,9 9,6 10,3 
5 8,2 8,1 8,9 
6 10,9 11,2 13,1 
Soma 55,8 55,2 61,2 
Média 9,43 9,2 10,2 
 
4) pg267 - Para comparar a absorção de água de 4 tipos de massa cerâmica, analisaram-se corpos de 
prova de 3 fornadas. Em cada fornada (bloco) era analisado um corpo de prova de cada tipo de massa 
cerâmica. Os resultados (porcentagem de absorção de água) foram: 
Fornada Massa Cerâmica 
 C1 C2 C3 C4 
1 1,2 1,5 1,1 2,1 
2 2,1 2,1 1,3 2,7 
3 1,5 1,9 1,3 2,4 
 
Os dados mostram evidência suficiente para garantir diferença na porcentagem esperada de absorção de 
água nos 4 tipos de massa cerâmica? Use nível de confiança de 95%. 
 
 16 
####################################### 
# CAPÍTULO 7 - ATIV.7B 
#--------------------------------------------------------- 
# Valores críticos da tabela z - pg185 
#-------------------------------------------------------- 
############### 
#EXERCÍCIO 2 
############### 
 
# a)cálculo do z com alfa 20% 
 qnorm(c(0.10), mean=0, sd=1, lower.tail=TRUE) #L Inferior 
 qnorm(c(0.10), mean=0, sd=1, lower.tail=FALSE) #L.superior 
 qnorm(c(0.10, 0.90), mean=0, sd=1, lower.tail=TRUE) #ambos limites 
 
# b)cálculo do z com alfa 10% 
 qnorm(c(0.05), mean=0, sd=1, lower.tail=TRUE) #L Inferior 
 qnorm(c(0.05), mean=0, sd=1, lower.tail=FALSE) #L.superior 
 qnorm(c(0.05, 0.95), mean=0, sd=1, lower.tail=TRUE) #ambos limites 
 
# c)cálculo do z com alfa 5% 
 qnorm(c(0.025), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c(0.975), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c(0.025,0.975), mean=0, sd=1, lower.tail=TRUE) 
 
# d) alpha - 2% 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c( , ), mean=0, sd=1, lower.tail=TRUE) 
 
# e) alpha - 1% 
 qnorm(c(0.005), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c(0.995), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c(0.005,0.995), mean=0, sd=1, lower.tail=TRUE) 
 
# f) alpha - 0.5% 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c( , ), mean=0, sd=1, lower.tail=TRUE) 
 
# g) alpha - 0.2% (Bilateral) 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) 
 qnorm(c( , ), mean=0, sd=1, lower.tail=TRUE) 
 
############### 
#EXERCÍCIO 3 
############### 
#----------------------------------------------------- 
# Intervalos de confiança para proporção (p) 
# PROGRAMANDO NO R -Ativ 7B - pg 186 
#----------------------------------------------------- 
### para alfa 5% 
n=400; n 
p=0.60; p 
q=0.40; q 
 
 17 
ep = sqrt((p*q)/n) ; ep 
z = qnorm(c(0.025, 0.975), mean=0, sd=1, lower.tail=TRUE);z 
erroamostral = z*ep; erroamostral 
ICP = c(p+z*ep);ICP 
 
### para alfa 1% 
 
ep = sqrt((p*q)/n) ; ep 
z = qnorm(c( , ), mean=0, sd=1, lower.tail=TRUE);z 
erroamostral = z*ep; erroamostral 
ICP = c(p+z*ep);ICP 
 
 
#-------------------------------------------- 
# Ex3- Forma direta no R 
#-------------------------------------------- 
prop.test(240, 400, conf.level=0.95) #alfa 5% 
prop.test(240, 400, conf.level=0.99) #alfa 1% 
 
 
################ 
#EXERCÍCIO 4 
###############------------------------------ 
# Intervalos de confiança para proporção (p) 
#-------------------------------------------- 
# Número de mulheres na sala de aula 
#-------------------------------------------- 
 
 
 
 
 
 
 
 
 
 
 
################# 
#EXERCÍCIO 6 
#################--------------------------------------------------------------- 
# Intervalos de confiança para média (z)- conhece a variabilidade pg188 
# Quantidade de cerveja inserida em latas 
#-------------------------------------------------------------------------------------- 
 
#alfa = 5% 
n = 20; n 
media = 346; media 
dp = 3; dp 
z=qnorm(c(0.025, 0.975), mean=0, sd=1, lower.tail=TRUE);z 
erroamostral = (z*dp/sqrt(n)); erroamostral 
ICM = (media+ erroamostral) ; ICM 
#---------------------------------------------------------------------------------------- 
 
 
 
 18 
################ 
# EXERCÍCIO 7 
################---------------------------------------- 
# Valores da tabela t de Student (t) 
#--------------------------------------------------------------- 
 
#a) alfa = 1% 
n=28; n 
t = qt (c(0.005, 0.995), df = n-1, lower.tail=TRUE); t 
#---------------------------------------------------------------- 
 
#b) alfa = 1% 
n=43; n 
t = qt (c(0.005, 0.995), df = n-1, lower.tail=TRUE); t 
#--------------------------------------------------------------- 
 
#c) alfa = 2% 
t = qt (c(0.01, 0.99), df = 37, lower.tail=TRUE); t 
#---------------------------------------------------------------- 
 
#d) alfa = 2% 
n= ;n 
t = qt (c( , ), df = n-1, lower.tail=TRUE); t 
 
#----------------------------------------------------------------- 
#e) alfa = 5% 
n= ;n 
t = qt(c( , ), df = n-1, lower.tail=TRUE); t 
#----------------------------------------------------------------- 
 
#f) alfa = 5% 
n= ;n 
t = qt (c( , ), df = n-1, lower.tail=TRUE); t 
#ou 
t = qt (c(0.025, 0.975), df = 44, lower.tail=TRUE); t 
 
#---------------------------------------------------------- 
#g) alfa = 10% 
n= 50 ;n 
t = qt (c(0.05,0.95), df = n-1, lower.tail=TRUE); t 
#ou 
t = qt (c(0.05, 0.95), df = 49, lower.tail=TRUE); t 
#---------------------------------------------------------- 
 
#h) alfa = % 
t = qt (c( , ), df = , lower.tail=TRUE); t 
 
 
#################### 
#EXERCÍCIO 8 
####################----------------- 
#Ativ. 7B - Dureza do aço - pg190 
#---------------------------------------------- 
x= c(36.4,35.7,37.2,36.5,34.9,35.2,36.3,35.8,36.6,36.9) 
sum(x*x) 
n = 10 ; n 
 19 
M = mean (x); M 
DP = sd(x) ; DP 
ep = (DP/sqrt(n)); ep 
t = qt (c(0.025, 0.975), df = n-1, lower.tail=TRUE); t 
ea = t*ep ; ea 
 
ICM = (M + t*ep); ICM 
 
#--------------------------- 
# forma direta 
#--------------------------- 
summary(x) 
sd(x) 
t.test(x, conf.level=0.95) 
---------------------------- 
 
 
#################EXERCÍCIO 9 
################------------------------------------------------------------------ 
# Intervalo de confiança para média (desconhece a variabilidade) 
#----------------------------------------------------------------------------------------- 
# Ativ7B - pg 195 - TEMPO DE RESPOSTA A UM BANCO DE DADOS 
#------------------------------------------------------------------------------------------- 
# alfa 1% 
 
x= c(28,35,43,23,62,38,34,27,32,37) 
 
n = 10 ; n 
M = mean (x); M 
DP = sd(x) ; DP 
ep = (DP/sqrt(n)); ep 
t = qt (c(0.005, 0.995), df = n-1, lower.tail=TRUE); t 
ea = t*ep ; ea 
 
ICM = (M + t*ep); ICM 
 
#--------------------------- 
# forma direta 
#--------------------------- 
summary(x) 
sd(x) 
t.test(x, conf.level=0.99) 
---------------------------- 
 
################# 
#EXERCÍCIO 10 
#################---------------------------------------------------------------------- 
# Ativ7B - TEMPO DE EXECUÇÃO DE UM ALGORITMO 
# pg 195 - Intervalos de confiança para média (desconhece a variabilidade) 
#---------------------------------------------------------------------------------------------- 
 
y=c(15,12,14,15,16,14,16,13,14,11,15,13) 
 
#alfa = 5% 
???? 
 20 
 
 
 
 
 
 
 
#--------------------------- 
# forma direta 
#--------------------------- 
????? 
 
 
 
 
 
 
############### 
# CAPÍTULO 8 
############### 
###############---------------------------------------------------- 
#EXERCÍCIO 3 - Valores críticos da tabela z - pg215 
###############---------------------------------------------------- 
#alpha - 20% 
 qnorm(c(0.10,0.90), mean=0, sd=1, lower.tail=TRUE) #bilateral 
 
#alpha - 10% 
 qnorm(c( , ), mean=0, sd=1, lower.tail=TRUE) #bilateral 
 
#alpha - 5% 
 qnorm(c(0.025,0.975), mean=0, sd=1, lower.tail=TRUE) #bilateral 
 
#alpha - 2% 
 qnorm(c(0.01,0.99), mean=0, sd=1, lower.tail=TRUE) #bilateral 
 
#alpha - 1% 
 qnorm(c( , ), mean=0, sd=1, lower.tail=TRUE) #bilateral 
 
#alpha - 0.5% 
 qnorm(c(0.0025,0.9975), mean=0, sd=1, lower.tail=TRUE) #bilateral 
#--------------------------------------------------------------------------------------- 
 
#alpha - 20% 
 qnorm(c(0.80), mean=0, sd=1, lower.tail=TRUE) #unilateral à direita 
 
#alpha - 10% 
 qnorm(c(0.9), mean=0, sd=1, lower.tail=TRUE) #unilateral à direita 
 
#alpha - 5% 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) #unilateral à direita 
 
#alpha - 2.5% 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) #unilateral à direita 
 
#alpha - 1% 
 qnorm(c(0.99), mean=0, sd=1, lower.tail=TRUE) #unilateral à direita 
 21 
#alpha - 0.5% 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) #unilateral à direita 
 
#alpha - 0.25% 
 qnorm(c(0.9975), mean=0, sd=1, lower.tail=TRUE) #unilateral à direita 
 #--------------------------------------------------------------------------------------------- 
 
#alpha - 20% 
 qnorm(c(0.20), mean=0, sd=1, lower.tail=TRUE) #unilateral à esquerda 
 
#alpha - 10% 
 qnorm(c(0.1), mean=0, sd=1, lower.tail=TRUE) #unilateral à esquerda 
 
#alpha - 5% 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) #unilateral à esquerda 
 
#alpha - 2.5% 
 qnorm(c(0.025), mean=0, sd=1, lower.tail=TRUE) #unilateral à esquerda 
 
#alpha - 1% 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) #unilateral à esquerda 
 
#alpha - 0.5% 
 qnorm(c(0.005), mean=0, sd=1, lower.tail=TRUE) #unilateral à esquerda 
 
#alpha - 0.25% 
 qnorm(c( ), mean=0, sd=1, lower.tail=TRUE) #unilateral à esquerda 
#---------------------------------------------------------------------------------------------------- 
 
 
 
 
################# 
#EXERCÍCIO 5 
#################--------------------------------------------------------------------------- 
# Ativ 8 - pg 215 – teste de hipótese para proporção 
#-------------------------------------------------------------------------------------------------- 
prop.test (9,500, p=0.015, alternative = c("greater"), conf.level = 0.95, correct = T) 
 
 
#------------------------------------------------------------------------------------------- 
# Forma direta - pacote exigido para análise {corpora} 
#------------------------------------------------------------------------------------------ 
Require (corpora) 
z.score.pval (9, 500, p = 0.015, correct = TRUE, alternative = c("greater")) 
#------------------------------------------------------------------------------------------ 
 
 
############## 
#EXERCÍCIO 6 
############## 
????? 
 
 
 
 
 22 
############## 
#EXERCÍCIO 7 
############## 
#----------------------------------------------------- 
# Teste para média (conhece VAR) 
# Indústria de cerâmica - pg 218 
#----------------------------------------------------- 
# Hipóteses 
#---------------- 
H0: U=53 seg 
H1: U#53 
 
#----------------------------------------- 
# Alfa: 5% - valores críticos: ztab 
#----------------------------------------- 
ztab = qnorm(c(0.025,0.975),mean=0,sd=1,lower.tail=TRUE) 
ztab 
 
#----------- 
# Zcalc 
#---------- 
MP= 53; MP #Media Populacional 
ma = 50; ma #Media amostral 
var = 16; var #Variancia Populacional 
dp = 4; dp 
n=15; n 
zcalc= ((ma-MP)*sqrt(n))/dp; zcalc 
#---------------------------- 
#conclusão: rejeita-se H0 
#------------------------------ 
 
 
############## 
#EXERCÍCIO 9 
############## 
#----------------------------------------------------------------------------------------- 
# tabela t Student - Default para uso da tabela 
#------------------------------------------------------------------------------------------- 
n= length(x); n # sendo x dados amostrais 
qt (c(0.025, 0.975), df = n-1, lower.tail=TRUE) #bilateral 
qt (c(0.975), df = n-1, lower.tail=TRUE); ttab #Unilateral à direita 
qt (c(0.025), df = n-1, lower.tail=TRUE) #Unilateral à esquerda 
#--------------------------------------------------------------------------------------------- 
 
t1= qt(c(0.05, 0.950), df = 14, lower.tail=TRUE);t1 #bil. 
t2= qt(c(0.025,0.975), df = 14, lower.tail=TRUE);t2 #bil. 
t3= qt(c(0.005,0.995), df = 14, lower.tail=TRUE);t3 #bil. 
#---------------------------------------------------------------------------------------------- 
t4= qt(c(0.950), df = 17, lower.tail=TRUE);t4 #un dir. 
t5= qt(c(0.975), df = 17, lower.tail=TRUE);t5 #un dir. 
t6= qt(c(0.995), df = 17, lower.tail=TRUE);t6 #un dir. 
#---------------------------------------------------------------------------------------------- 
t7= qt(c(0.05), df = 17, lower.tail=TRUE);t7 #un esq. 
t8= qt(c(0.025), df = 17, lower.tail=TRUE);t8 #un esq. 
t9= qt(c(0.005), df = 17, lower.tail=TRUE);t9 #un esq. 
#----------------------------------------------------------------------------------------------- 
 23 
############## 
#EXERCÍCIO 11 
############## 
#------------------------------------------------------------ 
# Teste para média ( não conhece var)pg-220 
#----------------------------------------------------------- 
# Hipóteses 
#-------------- 
H0: U = 7.4 seg 
H1: U < 7.4 
 
#------------------------------ 
# Alfa: 1% - valor crítico 
#--------------------------------- 
ttab= qt(c(0.01,0.99),df=9,lower.tail=TRUE) 
ttab 
#--------- 
#tcalc 
#---------- 
MP = 7.4; MP 
n=10; n 
x = c(6.8,7.1, 5.9, 7.5, 6.3, 6.9, 7.2, 7.6, 6.6,6.3) 
 
Ma= mean(x); Ma 
Dp= sd(x); Dp 
sum(x) 
sum(x^2) 
tcalc= ((Ma-MP)*sqrt(n))/Dp; tcalc 
 
#------------------------------- 
#Conclusão: Rejeita-se H0 
#------------------------------- 
 
 
 
#-------------------------------------------------------------------------------------- 
# Forma direta 
#-------------------------------------------------------------------------------------- 
t.test(x, m= Media H0, conf.level=1-alfa, alternative = c("less"....)) 
 
#Teste de Normalidade 
shapiro.test(x) 
#-------------------------------------------------------------------------------------- 
# Solução 
t.test(x, m=7.4, conf.level=0.01,alternative = c("less")) 
#--------------------------------------------------------------------------------------- 
 
############## 
#EXERCÍCIO 12 
############## 
 
#----------------------------------------------------------------------------------------------- 
# Teste de Hipótese p/ Média (desconhece variância populacional) – pg229 
# ------------------------------------------------------------------------------------------------ 
# t.test(x, m= Media H0, conf.level=1-alfa) # Default do teste 
 
 24 
#--------------------------- 
# Estatística descritiva 
#--------------------------- 
x=c(78,73,68,65,72,64,77,80,82,78,65,72,61,79,58,65) 
summary(x) 
mean(x) 
var(x) 
sd(x) 
shapiro.test(x) # pressuposto do teste de média 
 
#----------------------- 
# Teste de hipótese 
#---------------------- 
#bilateral 
tcalc= t.test(x, m=70, conf.level=0.95); tcalc 
 
#unilateral à direita 
tcalc= t.test(x, m=70, conf.level=0.95, alternative=c("greater")); tcalc 
 
#--------------------------------------------------------------- 
# Valor crítico - tabela t Student 
#-------------------------------------------------------------- 
n= length(x); n # sendo x dados amostrais 
 
ttab = qt (c(0.95), df = n-1, lower.tail=TRUE); ttab #Unilateral a direita 
ttab = qt (c(0.025, 0.975), df = n-1, lower.tail=TRUE);ttab #bilateral 
#----------------------------------------------------------- 
 
 
############## 
#EXERCÍCIO 13 
############## 
 
#BICAUDAL 
qtab = qchisq(c(0.05,0.95), df=15, lower.tail=T);qtab 
qtab = qchisq(c(0.05,0.95), df=28,lower.tail=T);qtab 
 
#UNICAUDAL À DIREITA 
qtab = qchisq(c(0.05), df=26, lower.tail=F);qtab 
qtab = qchisq(c(0.95), df=26, lower.tail=TRUE);qtab 
 
qtab = qchisq(c(0.90), df=9, lower.tail=F);qtab 
qtab = qchisq(c(0.10), df=9, lower.tail=T);qtab 
 
#UNICAUDAL À ESQUERDA 
qtab = qchisq(c(0.99), df=6, lower.tail=F);qtab 
qtab = qchisq(c(0.01), df=6, lower.tail=T);qtab 
 
qtab = qchisq(c(0.95), df=23, lower.tail=F);qtab 
qtab = qchisq(c(0.05), df=23, lower.tail=T);qtab 
#------------------------------------------------------------------------- 
 
 
 
 
 
 25 
 
############## 
#EXERCÍCIO 14 
############## 
#------------------------------------------- 
# teste para variância - pg-222 
#------------------------------------------- 
 
#----------------------- 
# hipóteses 
#------------------------ 
# Ho : Var= 1.3 vs H1 : Var # 1.3 (bilateral) 
 
#-------------------------------------------------------------------- 
# valor crítico – qui quadrado tabelado - alfa = 5% 
#-------------------------------------------------------------------- 
qtab = qchisq(c(0.025,0.975), df=9, lower.tail=TRUE);qtab 
 
 
# OUTRAS OPÇÕES 
qtab = qchisq(c(0.05), df=9, lower.tail=TRUE);qtab # 3.33 
qtab = qchisq(c(0.95), df=9, lower.tail=TRUE);qtab # 16.9 
qtab = qchisq(c(0.95), df=9, lower.tail=FALSE);qtab # 3.33 
qtab = qchisq(c(0.05), df=9, lower.tail=FALSE);qtab # 16.9 
 
#------------------------------ 
# estatística teste 
#----------------------------- 
n= 10 ;n 
gl = 9 ; gl 
va = 0.304 ; va 
VP = 1.3 ; VP 
qcalc = (n-1)*va / VP; qcalc 
 
#--------------------------------- 
# conclusão : Rejeita-se Ho 
#-------------------------------- 
 
 
 
############## 
#EXERCÍCIO 15 
##############------------------------- 
# teste para variância - pg-223 
#------------------------------------------- 
#hipóteses 
#--------------- 
#Ho : Var = 144 vs H1 : Var # 144 OU Var <144 
 
#----------------------------------- 
# valor crítico - alfa = 5% 
#------------------------------------ 
qtab = qchisq(c(0.025,0.975), df=29, lower.tail=TRUE);qtab 
# VALORES CRÍTICOS (16.04 ; 45.7) 
 
 
 26 
#------------------------------ 
# OUTRAS OPÇÕES 
#------------------------------- 
qtab = qchisq(c(0.05),df=29, lower.tail=TRUE);qtab # 17.7 
qtab = qchisq(c(0.95),df=29, lower.tail=TRUE);qtab # 42.5 
qtab = qchisq(c(0.95),df=29, lower.tail=FALSE);qtab # 17.7 
qtab = qchisq(c(0.05),df=29, lower.tail=FALSE);qtab # 42.5 
 
#------------------------------ 
# estatística teste 
#-------------------------------- 
n= ;n 
gl = ; gl 
dp = ; dp 
va = ;va 
VP = ; VP 
qcalc = ; qcalc 
#--------------------------------------------- 
# conclusão : ??? 
#---------------------------------------------- 
 
 
 
 
######################## 
# CAPÍTULO 9A 
######################## 
################ 
#EXERCÍCIO 1 
################---------------------------------------------------------------------- 
#TESTE T PAREADO - pg 236; Algoritmo X2= Antigo e X1= Novo 
#------------------------------------------------------------------------------------------ 
#Obs: t.test (X2, X1, d=X2-X1) 
 
#------------------ 
# 1-Hipoteses 
#------------------- 
Ho: Media Antigo = Media Novo; Ud =0 
H1: Media Antigo > Media Novo; Ud >0 
 
#--------------------------------------- 
# 2- Valor crítico - alfa 5% 
#----------------------------------------- 
 
# Unilateral a direita [Antigo > Novo] 
ttab = qt(c(0.99),df=9,lower.tail= TRUE);ttab 
ttab = qt(c(0.95),df=9,lower.tail= TRUE);ttab 
 
#------------------------------------------------------------------- 
# 3 – Estatística teste: Tcalc - Conjunto de dados 
#------------------------------------------------------------------- 
A = c(22,21,28,30,33,33,26,24,31,22) 
N = c(25,28,26,36,32,39,28,33,30,27) 
 
n = 10 ;n 
d = N-A ;d #diferença= x2-x1 
 27 
 
Dm = mean(d) ; Dm #Dm= media da diferença 
dp = sd(d) ; dp # desvio padrão da dif. 
tcalc= Dm*sqrt(n)/dp ; tcalc 
#------------------------------------ 
# Conclusão - Rejeita-se H0 
#-------------------------------------- 
 
 
 
#------------------------------------------------------- 
# Forma direta no R - pg 236 
#------------------------------------------------------- 
# H1: Unilateral à direita 
t.test(N,A,alternative='greater',conf.level=.95,paired=TRUE) 
 
# H1: Unilateral à esquerda 
t.test(N,A, alternative='less',conf.level=.95,paired=TRUE) 
 
# H1: Bilateral 
t.test(N,A, alternative='two.sided',conf.level=.95,paired=TRUE) 
 
 
 
 
################ 
#EXERCÍCIO 2 
################------------------------- 
# Teste T pareado - pg 245 
#----------------------------------------------- 
# 1-Hipoteses Ho: Media D=Media A 
# H1: Media D>Media A 
#------------------------------------------------ 
 
#-------------------------------------------------------------# 2- valor crítico - alfa 5% - Unilateral a direita 
#------------------------------------------------------------- 
 
ttab = qt(c(0.95),df=11,lower.tail= TRUE) 
ttab 
 
#------------------------------------- 
# 4 – Estatística teste - Tcalc 
#-------------------------------------- 
d = c(7,10,5,-2,9,0,3,-4,8,9,1,3);d 
sum(d) 
sum(d^2) 
n = 12 ;n 
Dm = mean(d) ; Dm #Dm= media da diferença 
dp = sd(d) ; dp # desvio padrão da dif. 
var(d) 
tcalc= Dm*sqrt(n)/dp ; tcalc 
#----------------------------------- 
# Conclusão - Rejeita-se H0 
#------------------------------------ 
 
 28 
#-------------------------------------------------------- 
# Forma direta no R - 
#--------------------------------------------------------- 
#somente se conhecermos a amostra (conjunto de dados) 
# H1: Unilateral a direita 
t.test ( N,A , alternative='greater', conf.level=.95, paired=TRUE) 
#-------------------------------------------------------------------------------- 
 
 
################ 
#EXERCÍCIO 3 
################ 
#------------------- 
# 1-Hipoteses 
#------------------- 
 Ho: Media CB = Media SB 
 H1: Media CB > Media SB 
 
#---------------------------------------- 
# 2- Valor crítico - alfa 5% 
#----------------------------------------- 
# Unilateral a direita 
#------------------------------------------ 
ttab = qt(c(0.95),df=5,lower.tail= TRUE) 
ttab 
 
#----------------------------- 
# estatística teste – Tcalc 
#-------------------------------- 
CB=c(43,39,33,32,43,46) 
SB=c(33,43,26,19,37,27) 
 
d = CB-SB;d 
... 
 
 
 
 
 
 
#-------------------------------- 
# Conclusão - Rejeita-se H0 
#--------------------------------- 
 
 
 
#--------------------------------------------------------------------------------- 
# Forma direta no R 
#--------------------------------------------------------------------------------- 
#somente se conhecermos a amostra dos dados "Antes e depois" 
# H1: Unilateral à direita 
t.test (CB, SB, alternative ='greater', conf.level=.95, paired=TRUE) 
#--------------------------------------------------------------------------------- 
 
 
 
 29 
################ 
#EXERCÍCIO 4 
################------------------------------------------------ 
# Teste T (2 amostras independentes) com n1=n2 - pg238 
#--------------------------------------------------------------------- 
# Catalisador A e Catalisador B 
#---------------- 
# 1-Hipoteses 
#--------------- 
# Ho: Media CA = Media CB 
# H1: Media CA # Media CB (bilateral) 
 
#------------------------------------------ 
# 2- Valor crítico - alfa 5% 
#------------------------------------------- 
# Bilateral gl=10+10-2 = 18 
ttab = qt(c(0.025,0.975),df=18,lower.tail= TRUE) 
ttab 
 
#----------------------------------- 
# 4 – Estatística teste – Tcalc 
#------------------------------------ 
CA = c(45,51,50,62,43,42,53,50,48,55) 
CB = c(45,35,43,59,48,45,41,43,49,39) 
n = 10 ;n 
varA = var(CA) ; varA 
varB = var(CB) ; varB 
 
vag = (varA+varB)/2 #variância agregada 
vag 
 
MediaA= mean (CA); MediaA 
MediaB= mean (CB); MediaB 
 
tcalc = (MediaA-MediaB)*sqrt(n/(2*vag)) 
tcalc 
 
#------------------------------------ 
# 5- Conclusão - aceita-se H0 
#------------------------------------ 
 
 
#------------------------------------ 
# Forma direta no R – Default 
#------------------------------------ 
# Teste T amostras independentes 
# H1: Bilateral 
t.test(CA,CB, alternative='two.sided',conf.level=.95,paired=FALSE) 
 
#outras opções 
# H1: Unilateral a direita 
t.test(CA,CB, alternative='greater',conf.level=.95,paired=TRUE) 
 
# H1: Unilateral a esquerda 
t.test(CA,CB, alternative='less',conf.level=.95,paired=TRUE) 
 
 30 
################ 
#EXERCÍCIO 6 
################ 
#------------------------------------------------------------------------------------------- 
# TESTE T (2 amostras independentes com n1 ≠ n2) - pg246 
# duas topologias de rede de computadores 
#-------------------------------------------------------------------------------------------- 
 
#------------------ 
# 1) Hipóteses 
#------------------- 
# Ho: U1=U2 ou H1: U1 ≠ U2 (bilateral) 
 
C1 = c(9,12,10,12,11,9,8,12,13,9,13,8,17,9,9,8,9,8,14,8,8,8,8,13,10,10, 
 15,13,13,12,14,8) 
C2 = c(14,15,8,13,16,12,14,17,14,10,13,12,13,14,10,15,12,17,16,12,15,13,14,14) 
 
n1=length(C1); n1 
n2=length(C2); n2 
 
 
#--------------------------------------------------------------------- 
#pressupostos para teste t para 2 amostras independentes 
# a- Observações independentes 
# b- Os dois conjuntos provir de populações normais 
# c- as variâncias populacionais iguais nos dois conjuntos 
#--------------------------------------------------------------------- 
 
boxplot(C1,C2) 
# teste da normalidade; H0: Normalidade dos dados 
shapiro.test(C1) 
shapiro.test(C2) 
 
#--------------------------------------------- 
# teste para comparar 2 variâncias; 
# H0: homogeneidade das variâncias 
#---------------------------------------------- 
 
var.test(C1,C2, alternative=c('two.sided'),conf.level=0.95) 
 
#------------------------------------------------------------------ 
# 2) Valor crítico / bilateral / ttab(n1+n2-2; alfa/2) 
#------------------------------------------------------------------ 
ttab = qt(c(0.025,0.975),df=54,lower.tail= TRUE);ttab 
 
#--------------------------------------- 
# 3) estatística teste -forma direta 
#--------------------------------------- 
t.test(C1,C2,alternative=c("two.sided"),paired=F,var.equal=T,conf.level=0.95) 
 
 
#-------------------------------- 
# programando os cálculos 
#------------------------------- 
MediaC1 = (round(mean(C1),2)); MediaC1 
MediaC2 = (round(mean(C2),2)); MediaC2 
 31 
n1 
n2 
varC1 = (round(var(C1),2)) ; varC1 
varC2 = (round(var(C2),2)) ; varC2 
vag = (((n1-1)*varC1) + ((n2-1)*varC2))/(n1+n2-2) ; vag 
vag 
sdag = round(sqrt(vag),2); sdag 
 
tcalc = (MediaC1-MediaC2)/(sdag*(sqrt(1/n1)+(1/n2))); tcalc 
 
#-------------------------------------------------------------- 
# 4) Conclusão: Rejeita-se Ho. 
#-------------------------------------------------------------- 
 
 
 
#---------------------------------------------------------------------------------- 
# DEFAULT DO TESTE PARA 2 AMOSTRAS INDEPENDENTES 
# Forma direta no R 
#---------------------------------------------------------------------------------- 
# H1: Bilateral 
t.test(C1,C2, alternative='two.sided',conf.level=.95, paired=FALSE) 
 
# H1: Unilateral a direita 
t.test(C1,C2, alternative='greater', conf.level=.95, paired=TRUE) 
 
# H1: Unilateral a esquerda 
t.test(C1,C2, alternative='less', conf.level=.95, paired=TRUE) 
#---------------------------------------------------------------------------------- 
 
 
 
 
 
################ 
#EXERCÍCIO 7 
################ 
#------------------------------------------------ 
# TABELA F DE SNEDECOR 
#------------------------------------------------ 
a= qf(0.05,26,26,lower.tail=F); a #unil.direita 
 
b= qf(0.05,7 ,9 ,lower.tail=F); b 
 
c= qf(c(0.95), df1=6, df2=6, lower.tail=F); c #unil.esquerda 
 
d= qf(c(0.95), df1=20,df2=30, lower.tail=F); d 
 
e= qf(c(0.95,0.05), df1=19,df2=19, lower.tail=F); e #bilateral 
 
f= qf(c(0.95,0.05), df1=7,df2=9, lower.tail=F); f 
 
#----------------------------------------------------------32 
################ 
#EXERCÍCIO 8 
################ 
#---------------------------------------------------------------------------------------- 
# DEFAULT DO TESTE PARA DUAS VARIÂNCIAS 
# teste de hipótese para comparar 2 variâncias ou 
# Ho: homogeneidade das variâncias (Homogeneidade das variâncias) 
#----------------------------------------------------------------------------------------- 
# C1 = variância do grupo1 
# C2 = variância do grupo2 
#Obs: maior variância no grupo1 
 
var.test(C1,C2, alternative=c('two.sided'), conf.level=0.95) 
 
#----------------------------------------------------------------- 
# teste para duas variâncias - 2 catalisadores - pg248 
#--------------------------------------------------------------- 
Ca = c(45,51,50,62,43,42,53,50,48,55) 
Cb = c(45,35,43,59,48,45,41,43,49,39) 
 
var(Ca) 
var(Cb) 
#obs: var(Cb) > var(Ca) 
var.test(Cb,Ca, alternative=c('two.sided'),conf.level=0.90) #bilateral 
Ftab = qf(c(0.05,0.95), df1=9,df2=9, lower.tail=T); Ftab 
 
 
 
#################### 
#CAPÍTULO 9B 
#################### 
################################################################# 
#Exercício 1 - Experimento Inteiramente Casualizado pg- 252 
################################################################## 
# Comparação de 3 médias - 3 configurações de rede 
# Variável: Tempo de transmissão de dados# 
#---------------------------------------- 
# Forma direta no R 
#---------------------------------------- 
 
 TA= c(7.2,9.3,8.7,8.9,7.6,7.2,8.8,8) 
 TB= c(7.8,8.2,7.1,8.6,8.7,8.2,7.1,7.8) 
 TC= c(6.3,6,5.3,5.1,6.2,5.2,7.2,6.8) 
 
 y = matrix(c(TA,TB,TC), 24,1) 
 y 
 tr = data.frame(trat=rep(1:3,each=8),resp=y) 
 tr 
 attach(tr) 
 names(tr) 
 trat=as.factor(trat) 
 mean(TA) 
 mean(TB) 
 mean(TC) 
(anava =(lm(resp~trat))) 
 anova (anava) 
 33 
#---------------------------------------------------- 
#Verificando os pressupostos do modelo 
#---------------------------------------------------- 
# 1) Para verificarmos se as variâncias são homogêneas 
#---------------------------------------------------- 
 bartlett.test(resp, trat) 
 
#------------------------------------------------- 
# 2) Para verificarmos se os ERROS têm distribuição 
# normal: Gráfico do QQPlot ou Teste de Shapiro 
#------------------------------------------------- 
 
 shapiro.test(anava$res) 
 
##----------------------------------------- 
# INTERVALO DE CONFIANÇA 
#------------------------------------------ 
 
icconf = predict(anava, interval="confidence") ; icconf 
 
#OU 
N=24 
g=3 
n=8 
gl=N-g; gl 
Ttab=qt(c(0.025,0.975),df=gl,lower.tail=T) ; Ttab 
QMRes= cbind(anova(lm(resp~trat))[2,3]); QMRes 
 
#Intervalos de confiança 
ICM1 = mean(TA)+ (Ttab *(sqrt(QMRes/n))) ; ICM1 
ICM2 = mean(TB)+ (Ttab *(sqrt(QMRes/n))) ; ICM2 
ICM3 = mean(TC)+ (Ttab *(sqrt(QMRes/n))) ; ICM3 
 
 
####################### 
#EXERCÍCIO 2 
####################### 
rm(list=ls()) # limpar memória 
# Ler os dados - opção 2 
 C1= c(9,12,10,8,15) 
 C2= c(20,21,23,17,30) 
 C3= c(10,9,12,20,11) 
 
 y = matrix(c(C1,C2,C3), 15,1) 
 y 
 tr = data.frame(tra=rep(1:3,each=5),respos=y) 
 tr 
 
 attach(tr) 
 names(tr) 
 trat=as.factor(tra) 
 
 mean(C1) 
 mean(C2) 
 mean(C3) 
??????? 
 34 
 
##################################### 
# ENSAIO EM BLOCOS CASUALIZADOS 
##################################### 
# EXERCÍCIO - 3 
################# 
rm(list=ls()) 
 
busca = c(8.3,9.4,9.1,9.9,8.2,10.9,8.1,8.9,9.3,9.6,8.1,11.2,9.2,9.8,9.9,10.3,8.9,13.1) 
 
exe = data.frame(Trat=factor(rep(1:3, each=6)), Blocos=factor(rep(1:6, 3)), resp=busca) 
exe 
 
attach(exe) 
Trat = as.factor(Trat) 
Blocos = as.factor(Blocos) 
 
#---------------- 
# cálculos 
#---------------- 
(mediag = mean(busca)) 
(mediast = tapply(busca, Trat, mean)) 
(mediasb = tapply(busca, Blocos, mean)) 
(qsoma = tapply(busca, Trat, sum)^2) 
(qsoma = tapply(busca, Blocos, sum)^2) 
 
(somaq = tapply(busca^2, Trat, sum)) 
somaq =524.12+514.52+635.6 ; somaq 
 
corr = ((172.2)^2)/18; corr 
 
#------------------------------------ 
#ANOVA 
#----------------------------------- 
anava.bl = aov(busca~Trat+Blocos) 
anova(anava.bl) 
 
 
#------------------------------------------------------------------ 
# Para verificarmos se as variâncias são homogêneas - 
#------------------------------------------------------------------ 
 bartlett.test(busca, Trat) 
 bartlett.test(busca, Blocos) 
 
#------------------------------------------------------------ 
# Para verificarmos se os ERROS têm distribuição 
# normal: Gráfico do QQPlot e Teste de Shapiro 
#------------------------------------------------------------- 
par(mai=c(1,1,.3,.2)) 
plot(anava.bl, which=c(2:2), pch=19, col='red', las=1) 
 
shapiro.test(anava.bl$res) 
#------------------------------------------------------------ 
 
 
 
 35 
######################## 
#EXERCÍCIO 4 
######################## 
#---------------------------------------------------------- 
# ENSAIO EM BLOCOS CASUALIZADOS pg267 - 
#----------------------------------------------------------- 
rm(list=ls()) 
 
busca = c(1.2,2.1,1.5,1.5,2.1,1.9,1.1,1.3,1.3,2.1,2.7,2.4) 
 
exe=data.frame(Trat=factor(rep(1:4,each=3)),Blocos=factor(rep(1:3,4)),resp=busca) 
exe 
 
attach(exe) 
Trat = as.factor(Trat) 
Blocos = as.factor(Blocos) 
 
??????? 
 
 
 
 
#---------------------------------------------------------------------- 
# FIM FIM FIM 
#----------------------------------------------------------------------

Outros materiais