Baixe o app para aproveitar ainda mais
Prévia do material em texto
Professor: Hudson T. da Silva – Estatística Aplicada 1 Professor: Hudson T. da Silva – Estatística Aplicada 2 OBJETIVO: Mede o grau de relacionamento entre as variáveis através da apreciação de correlação simples e predizer o valor da variável dependente “Y” dado que seja conhecido o valor da variável independente “X” por meio da análise de regressão linear simples. Professor: Hudson T. da Silva – Estatística Aplicada 3 5. INTRODUÇÃO A ANÁLISE DE CORRELAÇÃO 5.1 Diagrama de Dispersão É um gráfico que permite a identificação do possível relacionamento entre variáveis consideradas numa análise. O diagrama de dispersão consiste basicamente, num “aglomerado” de pontos, distribuídos sobre um plano estabelecido por um par de eixos ortogonais: “X” e “Y” cada eixo corresponde ao conjunto e valores das variáveis, cuja análise pretende-se realizar. Os pontos são a interseções dos valores das variáveis “X” e “Y”, tomadas a partir de seus eixos correspondentes. Ao fazer um diagrama de dispersão, deve-se ter muito cuidado para não extrair conclusões erradas, o diagrama mostra, somente, o relacionamento entre duas variáveis, através da forma como se distribuem os pontos. A utilização apenas, do diagrama de dispersão não é suficiente para provar que uma variável é causa da outra, ou seja, não prova relação de causalidade. Exemplo 1: Dado o quadro abaixo construa o diagrama de dispersão. X (investimento em 1.000 reais) 2 3 4 5 6 7 8 9 10 Y (Aumento de Vendas em 1.000 reais) 5,2 7,3 8,9 11,0 13,5 15,7 17.2 19.1 21 Para construção do gráfico devemos considerar para cada ponto o seu respectivo par ordenado. Professor: Hudson T. da Silva – Estatística Aplicada 4 FIGURA 1: Diagrama de dispersão entre as variáveis investimento e vendas. 5.1.2 Coeficiente de Correlação de Pearson Um dos aspectos mais importantes ao se estudar variáveis bidimensionais é o de procurar dimensionar o quanto elas apresentam-se correlacionadas. Uma das medidas utilizadas é o coeficiente de Correlação linear, denotado por “r” ou “r (X,Y)”, que calcula a partir de n pares de observações de “X” e de “Y”, o grau de relação linear existente entre as duas variáveis. O coeficiente de correlação linear “r” permite que se determine o grau e o sinal da correlação entre as variáveis “X” e “Y”, esse coeficiente é uma mediada adimensional do relacionamento entre as variáveis (X e Y). O coeficiente de correlação linear é dado como a razão entre a covariância e a raiz quadrada do produto das variações de X e de Y, simbolicamente: YYXX YYXX r . . eq. (1) Dividindo-se, em (1) o numerador e o denominador por n (n° de observações) podemos escrever: X 0 4 8 12 16 20 24 0 1 2 3 4 5 6 7 8 9 10 11 A u m e n to d e V e n d a ( e m 1 .0 0 0 r e a is ) Investimento(em 1.000 reais) Y Professor: Hudson T. da Silva – Estatística Aplicada 5 YX SS YXCov r . ),( eq. (2) Onde: n YYXX YXCov __ . ),( n XX S X 2 _ e n YY SY 2 _ n = n° de observações Outra simbologia bastante utilizada é: YYXX XY SS S r . , eq. (3) onde: n YX XYS XY . n Y YSYY 2 2 n X XS XX 2 2 O coeficiente de Correlação Linear é uma medida cujo valor se situa no intervalo compreendido pelos valores –1 e +1, ou seja, -1 r 1. A seguir mostraremos os possíveis valores de “r” e sua interpretação. i) 0,7 r 1 - Correlação Forte - Positiva. Interpretação: Os valores da variável “Y” crescem com o aumento dos valores da variável “X”; há pouca dispersão entre os pontos do diagrama (FIGURA 16). Professor: Hudson T. da Silva – Estatística Aplicada 6 FIGURA 2: Correlação Forte - Positiva ii) 0,3 r < 0,7 – Correlação Fraca – Positiva Interpretação: Os valores de “X” crescem, “Y” também cresce; os pontos do diagrama estão mais dispersos (FIGURA 17). FIGURA 3: Correlação Fraca - Positiva iii) -0,3 < r < 0,3 - Sem Correlação Interpretação: “Y” assumirá qualquer valor, independente do valor da variável “X”; não é possível encontrar algum padrão de correlação entre as variáveis (FIGURA 18). FIGURA 4: Sem Correlação X x X Professor: Hudson T. da Silva – Estatística Aplicada 7 iv) -0,7 < r ≤ -0,3 – Correlação Fraca – Negativa Interpretação: Quando os valores de “X” crescem, “Y” decresce; os pontos estão dispersos (FIGURA 19). FIGURA 5: Correlação Fraca - Negativa v) -1 r -0,7 – Correlação Forte - Negativa Interpretação: O valor de “X” cresce, e “Y” decresce; há pouca dispersão entre os pontos (FIGURA 20). FIGURA 6: Correlação Forte - Negativa x X Professor: Hudson T. da Silva – Estatística Aplicada 8 Exemplo 2: A tabela a seguir representa os custos totais de produção de certas quantidades de determinado artigo, em cinco observações independentes. Pede-se o coeficiente de pearson e interprete o seu resultado. Para solucionar o problema devemos fazer o uso da equação do “r”. (equação 3) 1º passo: vamos construir um quadro para obtermos o somatório das parcelas. ).,,,( 22 YXeYXYX X Y X 2 Y 2 X*Y 10 50 100 2500 500 15 120 225 14400 1800 23 145 529 21025 3335 30 200 900 40000 6000 37 245 1369 60025 9065 Somatório 115 760 3.123 137.950 20.700 2º passo: Aplicar as equações: 220.3 5 760115 700.20 . n YX XYSXY 478 5 115 123.3 22 2 n X XSXX 430.22 5 760 950.137 22 2 n Y YSYY 983.0 430.22478 220.3 . YYXX XY SS S r Interpretação: como o valor de r estar dentro do intervalo 0,7 r 1, logo terá uma correlação forte positiva. Quantidade (X) em Toneladas Custos Totais (Y) em U.M 10 50 15 120 23 145 30 200 37 245 PARCELAS Professor: Hudson T. da Silva – Estatística Aplicada 9 5.2 ANÁLISE DE REGRESSÃO 5.2.1 Introdução De uma maneira bastante resumida, podemos dizer que o objetivo da regressão é, no caso em que há duas ou mais variáveis envolvidas, estudaro efeito que algumas variáveis exercem nas outras, este estudo consistiria na construção e análise de uma relação funcional entre as variáveis (ELIAN, 1988). Em casos que dispomos de variáveis auxiliares, poderíamos querer estudar o peso em função da altura e do sexo, ou ambas. Neste ponto, é importante identificarmos dois tipos de variáveis: independentes e dependente. As variáveis independentes são aquelas nas quais não temos um particular interesse. Essas variáveis serviram para tentar explicar a variabilidade de uma outra variável, a dependente, cujo comportamento desejamos estudar e que é a variável de interesse no problema. A análise de regressão consistirá, em um método de análise entre a variável independente (X) ou as variáveis independentes X1, X2, ..., Xk e a variável dependente (Y). E têm como um dos objetivos estabelecer uma possível relação funcional (Matemática), entre elas e, se a relação for boa, usar para fazer previsões. 5.2.2 Modelo de Regressão Linear Simples Observando o diagrama de dispersão podemos ter uma idéia do tipo de relação entre as variáveis. A natureza da relação pode tomar várias formas, desde uma simples relação linear até uma complicada função Matemática. Considerando a regressão de “Y” sobre “X”, é de grande interesse obter, a partir dos dados, a equação da reta quem represente uma estimativa da verdadeira linha de regressão e sirva, não só para descrever a relação entre “X” e “Y”, mas para prever o valor de “Y” quando “X” for dado. O modelo de regressão linear simples pode ser interpretado como: Professor: Hudson T. da Silva – Estatística Aplicada 10 iii XY . , eq. (4) onde: é o intercepto da reta com o eixo y; é a inclinação da reta e i é o erro aleatório de “Y” para observação i. Assim, a inclinação representa a mudança esperada de “Y” por unidade de “X”, isto é, representa a mudança de “Y” (tanto positivo quando negativo) para uma particular unidade de “X”. Por outro lado, representa o valor de “Y” quando X = 0, enquanto i representa uma variável aleatória que descreve o erro de “Y” para cada observação i. A equação de “Y” sobre “X”, onde e são os verdadeiros parâmetros, da população, como e são desconhecidos, obteremos a partir de uma amostra de n pares (Xi, Yi) as estimativas dos parâmetros do modelo adotado, que designaremos por “a” e “b”, dessa forma a equação abaixo é uma estimativa da verdadeira reta de regressão: iî XbaY . eq. (5) Onde: iY é o valor da previsão de “Y” para uma observação de “Xi”. Xi é o valor de X para cada observação i. a é o estimador de . b é o estimador de Portanto para determinar a reta estimada, é necessário obter estimativas dos seus parâmetros a e b . Diversos métodos têm sido sugeridos para calcular essas estimativas. Segundo o método dos mínimos quadrados, o mais utilizado, determinam-se os parâmetros de forma que a soma dos quadrados dos desvios seja mínima (MURTEIRA, 1983). n i n i iii YY 1 1 2 2 = mínimo eq. (6) Substituindo-se iY pela expressão dada em (5), tem-se: ),(. 2 baQXbaY ii função de a e b , cujas as condições que minimizam são: Professor: Hudson T. da Silva – Estatística Aplicada 11 0 a Q 0 b Q ou seja: 0..2 ii XbaY a Q 0...2 iii XbaYX b Q Efetuando-se a derivação, obtém-se o sistema: ii YXbna .. eq. (7) iiii YXXbXa ... 2 eq. (8) Resolvendo o sistema, ou seja, encontramos os valores de a e b . Primeiro dividiremos todos os termos da equação (7) por n; assim: n Xb n na n Y ii .. Lembrando que _ Y n Yi e _ X n X i vem: __ .XbYa eq. (9) Substituindo a equação (9) na equação (8), resolvendo teremos o valor de b: n X X n YX YX b i i ii ii 2 2 . . ou XX XY S S b eq. (10) Professor: Hudson T. da Silva – Estatística Aplicada 12 Exemplo 3: A tabela a seguir representa os custos totais de produção de certas quantidades de determinado artigo, em cinco observações independentes. Pede-se para ajustar uma reta aos dados. Solução: Para resolver o problema devemos utilizar a equação (5) iî XbaY . , senda assim, devemos encontrar os valores de “a” através da equação (9) __ .XbYa e de “b” através da equação (10) XX XY S S b e depois substituir os valores na equação (5). 1º passo: vamos construir um quadro para obtermos o somatório das parcelas. ).,,,( 22 YXeYXYX X Y X 2 Y 2 X*Y 10 50 100 2500 500 15 120 225 14400 1800 23 145 529 21025 3335 30 200 900 40000 6000 37 245 1369 60025 9065 Somatório 115 760 3.123 137.950 20.700 2º Passo: Calcular o valor de “b” 220.3 5 760115 700.20 . n YX XYSXY 478 5 115 123.3 22 2 n X XSXX 736401674,6 478 220.3 XX XY S S b Quantidade (X) em Toneladas Custos Totais (Y) em U.M 10 50 15 120 23 145 30 200 37 245 PARCELAS Professor: Hudson T. da Silva – Estatística Aplicada 13 3º Passo: Calcular o valor de “a” É necessário que calcule as médias de “X” e “Y” 152 5 760 n Y Y i 23 5 115 _ n X X i Substituir os valores das médias de “b” na equação (9) 937238,223736401674,6152. __ XbYa Substituindo os valores de “a” e “b” na equação (5) iî XbaY . teremos: iî XY 736,6937,2 solução do problema 5.2.3 Testes de Hipótese Veremos nesta seção os testes mais utilizados para verificar a existência de regressão. 5.2.3.1 Testes Para a Existência de Regressão Conhecida as distribuições dos estimadores, devem-se considerar os seguintes passos visando aplicar os testes de hipótese (ELIAN, 1988). a) Teste T 1º Passo: As Hipóteses: Dados que iii XY . , deve-se testar as hipóteses: H0: = 0 (não há regressão) H1: 0 (há regressão) 2° Passo: Fixação do nível de significância () e escolha da variável do teste, geralmente usa- se = 5% ou = 10%. Professor: Hudson T. da Silva – Estatística Aplicada 14 3º Passo: Definir a Região Crítica da Aceitação da Hipótese H0 Conhecidos os níveis de significância “” e os graus de liberdade, determina-se tais regiões: RC /2 RA /2 RC - t/2 (tabelado) + t/2 (tabelado) RA = Região de Aceitação e RC = Região Crítica 4º Passo: Calcular o valor de calt Temos que XXS b Z tem distribuição Normal Padrão. Como não conhecemos o verdadeiro valor de 2 , deve-se estimá-lo através de S2; daí: t calculado dado por: XX calS S b t , onde: XX XY S S b e 2 .2 n SbS S XYYY 5º Passo: Conclusão: Se -t/2 < tcal < t/2 aceita-se H0, e concluí-se com risco “” que não há regressão. Se | tcal | > t/2, rejeita-se H0, e conclui-se que existe regressão. Exemplo 4: Vamos considerar os dados da aplicação acima para testar a existência de regressão utilizando o teste t. 1º Passo: Hipóteses: H0: = 0 (não há regressão) H1: 0 (há regressão) 2° Passo: Fixação do nível de significância () = 5% e escolher a variável t com 3 graus de liberdade (g.l.) pois n= 5 e g.l. = n – 2. Professor: Hudson T. da Silva – Estatística Aplicada 15 3º Passo: Região Crítica da Aceitação da Hipótese H0 RC /2 RA /2 RC - 3,1825 + 3,1825 RA = Região de Aceitação e RC = Região Crítica Para encontrar o valor de Ttabelado devemos utilizar a tabela de distribuição t Student, para localizar o valor devemos verificar o valor de alfa na coluna ( = 0,05) e o valor do grau de liberdade na linha (n – 2), onde g.l = 5-2 = 3 o cruzamento da linha com a coluna será o valor de Ttabelado. Após consultar o valor na tabela teremos: Ttab.(5%, 3) = 3,1825 Distribuição t de Student Graus de liberdade (GL) Área (α) 0,50 0,25 0,10 0,05 0,025 0,01 0,005 1 1,00000 2,4142 6,3138 12,706 25,542 63,657 127,32 2 0,81650 1,6036 2,9200 4,3127 6,2053 9,9248 14,089 3 0,76489 1,4226 2,3534 3,1825 4,1765 5,8409 7,4533 4 0,74070 1,3444 2,1318 2,7764 3,4954 4,6041 5,5976 5 0,72669 1,3009 2,0150 2,5706 3,1634 4,0321 4,7733 6 0,71756 1,2733 1,9432 2,4469 2,9687 3,7074 4,3168 ... ... ... ... ... ... ... ... Professor: Hudson T. da Silva – Estatística Aplicada 16 4º Passo: Calculo da variável tcal t calculado dado por: XX cal S S b t , onde: 736401674,6 478 220.3 XX XY S S b 2622032,246 3 )220.3736401674,6(430.22 2 .2 n SbS S XYYY 692743,152622032,246 S Então: 385,9 478 692743,15 736401674,6 XX cal S S b t 385,9calt 5º Passo: Conclusão: Se | tcal | > t/2, rejeita-se H0, e conclui-se que existe regressão. Como | 9,385| > 3,1825, rejeita-se Ho e concluímos com risco de = 5% que existe regressão. b) Teste ANOVA ou F A existência de regressão pode, ainda, ser verificada através do teste de análise de Variância (ANOVA), que considera o comportamento das variações totais, explicada e residuais. Este teste é compactado pelo QUADRO 01 (FONSECA, MARTINS e TOLEDO,1991). QUADRO 01: ANOVA Fonte de Variação Soma dos Quadrados (SQ) G.L Q. Médios (QM) Fcal Devido à regressão VE = b.SXY 1 QME =b.SXY/1 Fcal =b.Sxy/S 2 Resíduo VR = SYY – b.SXY n – 2 S 2 = VR/n-2 Total VT = SYY n – 1 Professor: Hudson T. da Silva – Estatística Aplicada 17 Onde: i) As hipóteses a serem testadas, são: H0: = 0 (não há regressão) H1: 0 (há regressão) ii) Fixação do nível de significância () e escolha da variável do teste, geralmente usa-se = 5% ou = 10%. iii) Fcal = 2/ 1/. 2 2 2 2 nVR VE S Sb n XY é uma variável aleatória com distribuição F de Snedecor com 1 grau de liberdade (G.L) no numerador e n-2 graus de liberdade no denominador. iv) Região Crítica e Região de Aceitação (sob H0) Ftab (1,n-2, ), onde: : nível de significância RA = Região de Aceitação RC = Região Crítica v) Conclusão Se Fcal > F(1,n-2, ), Rejeita-se H0 e conclui-se que existe regressão Se Fcal < F(1,n-2, ), Aceita-se H0 e conclui-se que não há regressão Exemplo 5: Vamos considerar os dados da aplicação acima para testar a existência de regressão utilizando o teste F. 1º Passo: Hipóteses: H0: = 0 (não há regressão) H1: 0 (há regressão) RA RC Professor: Hudson T. da Silva – Estatística Aplicada 18 2° Passo: Fixação do nível de significância () = 5% e escolher a variável Ftabelado com 1 grau de liberdade no numerador e 3 (n – 2) graus de liberdade no denominador. 3° Passo: Região Crítica e Região de Aceitação (sob H0) Ftabelado = 10,128 Para determinar o valor de Ftabelado devemos utilizar a tabela da distribuição F para alfa igual a 5%. Como o Ftabelado(1, 3) para alfa igual a 0,05, o numerador é igual a 1 (coluna) e o denominador é igual a 3 (linha) devemos localizar este valores na tabela e o cruzamento da coluna com a linha será o valor do Ftabelado Usaremos apenas uma parte da tabela para mostrar o valor de Ftab. Para alfa igual a 5% Distribuição F de Snedecor O valor de Ftabelado(1,3) = 10,128 Denominado r V2 Numerador (V1) 1 2 3 ... 1 161.4 199.5 215.7 ... 2 18.513 19.000 19.164 ... 3 10.128 9.552 9.277 ... 4 7.709 6.944 6.591 ... 5 6.608 5.786 5.409 ... 6 5.987 5.143 4.757 ... 7 5.591 4.737 4.347 ... 8 5.318 4.459 4.066 ... 9 5.117 4.256 3.863 ... 10 4.965 4.103 3.708 ... ... ... ... ... ... Professor: Hudson T. da Silva – Estatística Aplicada 19 4° Passo: Construir a tabela abaixo para determinar o valor de Fcalculado. Fonte de Variação Soma dos Quadrados (SQ) G.L Q. Médios (QM) Fcal Devido à regressão VE = 21.691,21339 1 21.691,21339 Fcal =88,0817 Resíduo VR = 738,78661 3 S 2 = 246,2622033 Total VT = 22.430 4 VE = b.SXY = VE = 6,736401674 • 3.220 = 21.691,21339 VT = SYY = VT = 22.430 VR = SYY – b.SXY = 22.430 – 21.691,21339 = 738,78661 QME = VE S 2 = VR/n-2 = 738,78661/3 = 246,2622033 Fcal = 21.691,21339/246,262203 = 88,0817 5º Passo: Conclusão: Se Fcal > F(1,n-2, ), Rejeita-se H0 e conclui-se que existe regressão Como Fcal > Ftab, rejeita-se Ho e concluímos com risco de = 5% que existe regressão. 5.2.4 Coeficiente de Determinação ou Explicação (R 2 ) Outra maneira de termos uma indicação de que o modelo adotado se ajusta aos dados é através do coeficiente de determinação ou de explicação, definido por: YY XX S Sb VT VE R .22 Variação: 0 R2 1 Este coeficiente indica o quanto à variação explicada pela regressão representada da variação total. No caso de R 2 = 1, todos os pontos se situam sobre a reta de regressão, o ajuste é perfeito. As variações de Y são 100% explicadas pelas variações de X, não havendo desvios em torno da função estimada (FONSECA, MARTINS, TOLEDO,1991). Se R 2 = 0, as variações de Y são totalmente aleatórias, a variável X não trará nenhuma informação sobre a variação Y. Professor: Hudson T. da Silva – Estatística Aplicada 20 Exemplo 6: Considere os dados da aplicação acima e determine o valor de R 2 e interprete o resultado. 967,0 430.22 21339,691.212 VT VE R , este resultado indica que o nosso modelo explica 96,7% da variação total deY. OOBBSSEERRVVAAÇÇÕÕEESS:: ─ Geralmente quando o valor de R2 é superior ou igual a 90% o modelo é considerado bom para se fazer previsão. ─ Existem outros procedimentos para verificar a ser o modelo é considerado ideal ou não, porém não será visto nesta unidade. − No exemplo dado acima com 5 observações apenas é utilizado para efeito didático, na prática devemos tomar se possível 30 observações no mínimo. Professor: Hudson T. da Silva – Estatística Aplicada 21 REFERÊNCIAS: ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS, T.A. Estatística aplicada à Administração e Economia. São Paulo: Pioneira, 2002. BRUNI, A.L. Estatística Aplicada à Gestão Empresarial. São Paulo: Atlas, 2007. CRESPO, A.A. Estatística Fácil. 14º ed. São Paulo: Saraiva, 1996. ELIAN, S. N. Análise de Regressão. São Paulo: IME – USP, 1998. FONSECA, J.S.; MARTINS, G. A.; TOLEDO, Geraldo Luciano. Estatística Aplicada. 2.ed. São Paulo: Atlas; 1991. LAPPONI, J.C. Estatística usando Excel. São Paulo: Lapponi; 2000. MARTINS, G.A. Estatística Geral e Aplicada. São Paulo: Atlas, 2001. MURTEIRA, B.J.F. & BLACK, G.H.J. Estatística Descritiva. Lisboa: Mc Graw – Hill, 1983. SILVA, E.M.; GONÇALVES, V.; MUROLO, A.C.; SILVA, E.M. Estatística para os cursos de: Economia, Administração e Ciências Contábeis. 2º ed. V. 1. São Paulo: Atlas, 1996. ____________. Estatística para os cursos de: Economia, Administração e Ciências Contábeis. 2º ed. V. 2. São Paulo: Atlas, 1997. Professor: Hudson T. da Silva – Estatística Aplicada 22 ANEXOS Tabela: Valores para distribuição t gl Nível de Significância (α) 0,500 0,250 0,100 0,050 0,025 0,010 0,005 0,001 1 1,0000 2,4142 6,3137 12,706 25,452 63,656 127,32 636,58 2 0,8165 1,6036 2,9200 4,3027 6,2054 9,9250 14,09 31,60 3 0,7649 1,4226 2,3534 3,1824 4,1765 5,8408 7,4532 12,924 4 0,7407 1,3444 2,1318 2,7765 3,4954 4,6041 5,5975 8,6101 5 0,7267 1,3009 2,0150 2,5706 3,1634 4,0321 4,7733 6,8685 6 0,7176 1,2733 1,9432 2,4469 2,9687 3,7074 4,3168 5,9587 7 0,7111 1,2543 1,8946 2,3646 2,8412 3,4995 4,0294 5,4081 8 0,7064 1,2403 1,8595 2,3060 2,7515 3,3554 3,8325 5,0414 9 0,7027 1,2297 1,8331 2,2622 2,6850 3,2498 3,6896 4,7809 10 0,6998 1,2213 1,8125 2,2281 2,6338 3,1693 3,5814 4,5868 11 0,6974 1,2145 1,7959 2,2010 2,5931 3,1058 3,4966 4,4369 12 0,6955 1,2089 1,7823 2,1788 2,5600 3,0545 3,4284 4,3178 13 0,6938 1,2041 1,7709 2,1604 2,5326 3,0123 3,3725 4,2209 14 0,6924 1,2001 1,7613 2,1448 2,5096 2,9768 3,3257 4,1403 15 0,6912 1,1967 1,7531 2,1315 2,4899 2,9467 3,2860 4,0728 16 0,6901 1,1937 1,7459 2,1199 2,4729 2,9208 3,2520 4,0149 17 0,6892 1,1910 1,7396 2,1098 2,4581 2,8982 3,2224 3,9651 18 0,6884 1,1887 1,7341 2,1009 2,4450 2,8784 3,1966 3,9217 19 0,6876 1,1866 1,7291 2,0930 2,4334 2,8609 3,1737 3,8833 20 0,6870 1,1848 1,7247 2,0860 2,4231 2,8453 3,1534 3,8496 21 0,6864 1,1831 1,7207 2,0796 2,4138 2,8314 3,1352 3,8193 22 0,6858 1,1815 1,7171 2,0739 2,4055 2,8188 3,1188 3,7922 23 0,6853 1,1802 1,7139 2,0687 2,3979 2,8073 3,1040 3,7676 24 0,6848 1,1789 1,7109 2,0639 2,3910 2,7970 3,0905 3,7454 Professor: Hudson T. da Silva – Estatística Aplicada 23 25 0,6844 1,1777 1,7081 2,0595 2,3846 2,7874 3,0782 3,7251 26 0,6840 1,1766 1,7056 2,0555 2,3788 2,7787 3,0669 3,7067 27 0,6837 1,1756 1,7033 2,0518 2,3734 2,7707 3,0565 3,6895 28 0,6834 1,1747 1,7011 2,0484 2,3685 2,7633 3,0470 3,6739 29 0,6830 1,1739 1,6991 2,0452 2,3638 2,7564 3,0380 3,6595 30 0,6828 1,1731 1,6973 2,0423 2,3596 2,7500 3,0298 3,6460 31 0,6825 1,1723 1,6955 2,0395 2,3556 2,7440 3,0221 3,6335 32 0,6822 1,1716 1,6939 2,0369 2,3518 2,7385 3,0149 3,6218 33 0,6820 1,1710 1,6924 2,0345 2,3483 2,7333 3,0082 3,6109 34 0,6818 1,1703 1,6909 2,0322 2,3451 2,7284 3,0020 3,6007 35 0,6816 1,1698 1,6896 2,0301 2,3420 2,7238 2,9961 3,5911 36 0,6814 1,1692 1,6883 2,0281 2,3391 2,7195 2,9905 3,5821 37 0,6812 1,1687 1,6871 2,0262 2,3363 2,7154 2,9853 3,5737 38 0,6810 1,1682 1,6860 2,0244 2,3337 2,7116 2,9803 3,5657 39 0,6808 1,1677 1,6849 2,0227 2,3313 2,7079 2,9756 3,5581 40 0,6807 1,1673 1,6839 2,0211 2,3289 2,7045 2,9712 3,5510 41 0,6805 1,1669 1,6829 2,0195 2,3267 2,7012 2,9670 3,5443 42 0,6804 1,1665 1,6820 2,0181 2,3246 2,6981 2,9630 3,5377 43 0,6802 1,1661 1,6811 2,0167 2,3226 2,6951 2,9592 3,5316 44 0,6801 1,1657 1,6802 2,0154 2,3207 2,6923 2,9555 3,5258 45 0,6800 1,1654 1,6794 2,0141 2,3189 2,6896 2,9521 3,5203 46 0,6799 1,1651 1,6787 2,0129 2,3172 2,6870 2,9488 3,5149 47 0,6797 1,1647 1,6779 2,0117 2,3155 2,6846 2,9456 3,5099 48 0,6796 1,1644 1,6772 2,0106 2,3139 2,6822 2,9426 3,5050 49 0,6795 1,1642 1,6766 2,0096 2,3124 2,6800 2,9397 3,5005 50 0,6794 1,1639 1,6759 2,0086 2,3109 2,6778 2,9370 3,4960 Professor: Hudson T. da Silva – Estatística Aplicada 24 Fonte: FONSECA, J.S.; MARTINS, G. A.; TOLEDO, Geraldo Luciano. Estatística Aplicada. 2.ed. São Paulo: Atlas; p. 264; 1991.
Compartilhar