Beruflich Dokumente
Kultur Dokumente
O Problema Amostral
Inferncias e Comparaes
99
disponvel para anlise. Alm disso, as respostas dessas perguntas quase sempre geram
procedimentos de projeto e rotinas de deciso, como visto no Exemplo 2.3.
Para resolver as questes propostas acima, necessrio amostrar o sistema; isto
, tomar medidas representativas do problema estocstico considerada. O objeto
fundamental desse captulo discutir como medidas experimentais podem ajudar o
analista a definir as distribuies de probabilidade que descrevem as flutuaes
observadas e, dessa forma, permitir a comparao de resultados e a tomada de deciso.
x1
( x ) dx =
xmn
PAC ( x2 ) =
x2
( x ) dx = 1
xmn
1 p
2
1 p 1+ p
=
2
2
(3.1)
(3.2)
100
Exemplo 3.1 - Admita que dois catalisadores industriais distintos seguem diferentes
padres de decaimento de atividade. No primeiro caso, sabe-se que a distribuio de
tempo de vida segue a curva exponencial tpica, na forma
t
exp
10
1 ( t ) =
10
onde t dado em horas. No segundo caso, sabe-se que a distribuio de tempo de vida
segue uma curva gama, na forma
2 ( t ) =
220 19 2t
t e
( 20 )
( 6.1,14.8)95%
2
Repare que se o nvel de confiana exigido for maior e igual a 98% ( p = 0.98 ,
(1 p )
2 = 0.01 ,
respectivamente:
(1 + p )
101
xi =
xi +1 + xi
, xi = xmn + ( i 1) x
2
x2
I=
NR
F ( x ) dx F ( xi ) x
i =1
x1
NR =
x2 x1
x
que consiste fundamentalmente em aproximar a integral pela soma das reas dos
retngulos que tm base igual a x (preciso da integrao) e altura igual ao valor da
funo no ponto mdio do intervalo x considerado. Portanto, o clculo das integrais
necessrias para a anlise dos dados no deve ser considerada uma dificuldade
intransponvel. Muito pelo contrrio, essas integrais podem ser calculadas at com certa
facilidade.
102
cujo valor mdio conhecido e igual a 10. Numericamente, o valor mdio pode ser
obtido na forma
ti
exp
100
NR
10 t
T = t( t ) dt t( t ) dt t i
10
i =1
0
0
ti =
ti +1 + ti
, ti = 0 + ( i 1) t
2
NR =
100 0
t
A Tabela 3.1 ilustra a qualidade dos resultados obtidos para diferentes valores de
t. Observe que a convergncia dos resultados bastante rpida, medida que a
preciso da integrao aumenta (t diminui). Um resduo final observado porque a
integral computada at o limite mximo de 100, que serve como referncia para o
limite superior infinito.
Para fins de tomada de deciso, todo resultado observado que no estiver contido
no intervalo de confiana pode ser considerado anormal (improvvel), de maneira que
ele indica a mudana de comportamento do sistema estudado ou o aparecimento de um
novo fato, at ento desconsiderado. Deve ser enfatizado que, ao se definir o intervalo
de confiana com p% de probabilidade, define-se implicitamente que as decises
estaro erradas (100-p)% das vezes. Portanto, pode-se dizer que o estabelecimento do
nvel de confiana equivalente definio da frao de vezes que um erro pode ser
tolerado. Por exemplo, ao se dizer que uma varivel aleatria est num certo intervalo
95% das vezes, diz-se simultaneamente que ela no est naquele intervalo 5% das vezes
por razes meramente aleatrias. Portanto, ao se dizer que a observao de um valor
fora do intervalo de confiana indica uma mudana, erra-se 5% das vezes.
Erroneamente costuma-se acreditar que, quanto maior o nvel de confiana
exigido, menor o intervalo de confiana. Preste ateno que o resultado correto
exatamente o oposto: quanto maior o nvel de confiana exigido, mais largo o intervalo
103
Exemplo 3.3 - Conforme discutido na seo anterior, a curva normal muito utilizada
para representao de erros de medida. Portanto, muito conveniente determinar os
limites tpicos de confiana para variveis que apresentam flutuaes normalmente
distribudas.
A Tabela A.1 encaminhada no Apndice apresenta as probabilidades da curva
normal, parametrizada na forma
x X
Normal ( u;0.1) , u =
X
onde u representa a varivel x normalizada. A Tabela A.1 s contm as probabilidades
acumuladas de valores positivos de u, uma vez que a curva normal simtrica e
104
PAC ( u ) = 1 PAC ( u )
Para ler a Tabela A.1, considere a linha 1.0 e a coluna 0.05, onde se encontra o
nmero 0.8531. Nesse caso,
105
fi
pi = lim
fi
NR
fj
j =1
= lim f i
NT NT
(1.4)
Exemplo 3.4 - Uma moeda jogada para o alto vrias vezes e a frao de vezes em que
se obtm o resultado Cara lanada no grfico da Figura 3.3.
106
PAC ( X i ) =
i
N +1
107
108
X = pi xi
(1.7)
i =1
X =
xmax
x( x ) dx
(1.71)
xmin
Se a hiptese do experimento bem feito aceita, ento, por analogia direta com a
Equao (1.7), possvel escrever:
109
xi
1
i =1
X = pi xi = xi =
N
i =1
i =1 N
N
(3.3)
onde X a chamada mdia amostral do conjunto de dados. Antes que se seja tentado
a confundir X com X, conveniente perceber os resultados apresentados no exemplo
abaixo.
Exemplo 3.6 - Nas Tabelas 3.2 e 3.3 apresentam-se as mdias amostrais calculadas para
os problemas analisados nos Exemplos 3.4 e 3.5.
Tabela 3.2 - Mdias amostrais obtidas no Exemplo 3.4.
10
20
40
80
160
N
1
2
1
2
1
2
1
2
1
2
Semente
0.500
0.400
0.600
0.450
0.500
0.425
0.538
0.438
0.513
0.506
0.500
X
Tabela 3.3 - Mdias amostrais obtidas no Exemplo 3.5.
10
20
40
80
160
N
1
2
1
2
1
2
1
2
1
2
Semente
0.518 0.483 0.559 0.422 0.512 0.488 0.547 0.516 0.521 0.513 0.500
X
Observe que a mdia amostral flutua de experimento para experimento em torno
da mdia verdadeira, igual a 0.500 em ambos os casos. A mdia amostral, portanto, no
deve ser confundida com a mdia real da distribuio de probabilidades amostrada, que
o analista a princpio desconhece.
O Exemplo 3.6 mostra claramente que a mdia amostral X flutua e, por isso,
no deve ser confundida com a mdia verdadeira X da distribuio. (Se houver dvidas
a esse respeito, lembre que o valor mdio do experimento dos dados 3.5, como
mostrado no Exemplo 1.4. No entanto, parece perfeitamente normal jogar o dado trs
vezes e obter o nmero 1 trs vezes seguidas, resultando na mdia amostral X =1.)
Mais ainda, se a mdia amostral flutua de experimento para experimento (nesse caso o
experimento consiste em tomar amostras de tamanho N), ela tambm uma varivel
aleatria, assim como os dados amostrados xi. Portanto, a mdia amostral X deve ser
encarada como uma varivel aleatria que flutua em torno de certo valor mdio e com
certa varincia, que devem a princpio ser caracterizados, assim como a distribuio de
probabilidades que descreve as flutuaes de X . Mas certamente a conseqncia mais
importante dessa discusso que no devemos ter esperanas de obter o valor real da
mdia X, a no ser que tenhamos a distribuio real de probabilidades do problema, o
que, segundo a discusso apresentada na seo anterior, de maneira geral no possvel.
Dessa forma, se tivermos que obter informaes sobre o problema a partir da
experimentao (amostrando), nunca saberemos qual o valor verdadeiro da mdia
X .
Embora a discusso anterior parea um pouco frustrante, ela coloca a
perspectiva verdadeira que o experimentador deve ter em relao aos dados obtidos a
110
{ }
{x }
i
i =1
i =1
= X
(3.4)
{ }
{(
Var X = X X
)}
2
N
xi
= i = 1 X
N
xi N X
i =1
=
N
111
2
2
1 N
1 N
xi N X = 2 ( xi X ) =
N 2 i = 1
N i = 1
(3.5)
1 N N
1 N N
(
)
(
)
= 2 ( x j X ) ( xi X ) =
j
X
i
X
N 2 i = 1 j =1
N i = 1 j =1
N X2 X2
1 N N 2
1 N 2
=
=
=
X
,
X
X
N 2 i = 1 j =1 i j N 2 i = 1 i
N2
N
Exemplo 3.7 - Suponha que a cada medida xi, i=1,...,N, de uma mesma populao
associado o peso wi, i=1,...,N. Suponha ainda que
N
X = wi xi
i =1
0 < wi < 1
N
=1
i =1
{ }
{ }
{(
Var X = X X
)}
2
112
2
2
N
N
= E wi xi X = wi ( xi X ) =
i =1
i = 1
N N
N N
wi w j ( x j X ) ( xi X ) = wi w j ( x j X ) ( xi X ) =
i = 1 j =1
i = 1 j =1
w w
i
i = 1 j =1
2
Xi , X j
i =1
i =1
de maneira que qualquer mdia ponderada dos dados amostrados flutua em torno do
valor mdio X com varincia inferior dos dados amostrados. Isso mostra que h um
certo grau de arbitrariedade na definio da mdia amostral da Equao (3.3), j que
qualquer mdia ponderada dos nmeros amostrados tambm satisfaz as Propriedades
3.1 e 3.2 definidas anteriormente. Por isso, retornaremos a esse problema no Captulo 4,
para aumentar um pouco mais a significao terica da Equao (3.3).
A mesma discusso apresentada para a mdia amostral pode ser agora estendida
para a medida amostral da varincia. Nesse caso, as Equaes (1.36) e (1.72),
reproduzidas abaixo
NR
2
XX
= Var {x} = E ( xi X ) = pi ( xi X )
2
XX
=
xmax
(1.36)
i =1
( x ) ( x ) dx
2
(1.72)
xmin
(x X )
N
s X2 = pi xi X
i =1
) = N1 ( x X )
2
i =1
i =1
(3.6)
No entanto, antes que a Equao (3.6) seja aceita como medida adequada da
varincia amostral (o que de fato ela no , como ser mostrado ao longo desta seo),
conveniente observar o Exemplo 3.8.
Exemplo 3.8 - Nas Tabelas 3.4 e 3.5 apresentam-se as varincias amostrais calculadas a
partir da Equao (3.6) para os problemas analisados nos Exemplos 3.4 e 3.5.
Tabela 3.4 - Varincias amostrais obtidas no Exemplo 3.4.
10
20
40
80
160
N
1
2
1
2
1
2
1
2
1
2
Semente
2
0.250 0.240 0.240 0.248 0.250 0.244 0.249 0.246 0.249 0.250 0.250
sX
113
1
2
1
2
1
2
1
2
1
2
Semente
2
0.137 0.094 0.107 0.084 0.098 0.078 0.083 0.082 0.083 0.083 0.083
sX
Observe que a varincia amostral flutua de experimento para experimento em
torno de valores prximos das varincias verdadeiras, iguais a 0.250 no primeiro caso e
0.083 no segundo caso. A varincia amostral, portanto, no deve ser confundida com a
varincia real da distribuio de probabilidades amostrada, que o analista a princpio
desconhece.
Assim como no caso da mdia amostral, o Exemplo 3.8 mostra claramente que a
varincia amostral s X2 flutua e, por isso, no deve ser confundida com a varincia
verdadeira X2 da distribuio. Mais ainda, se a varincia amostral flutua de
experimento para experimento (nesse caso o experimento consiste em tomar amostras
de tamanho N), ela tambm uma varivel aleatria, assim como os dados amostrados
xi. Portanto, a varincia amostral tambm deve ser encarada como uma varivel
aleatria que flutua em torno de certo valor mdio e com certa varincia, que devem a
princpio ser caracterizados, assim como a distribuio de probabilidades que descreve
as flutuaes de s X2 . Como no caso da mdia amostral, no devemos ter esperanas de
obter o valor real da varincia X2 , a no ser que tenhamos a distribuio real de
probabilidades do problema, o que de maneira geral no possvel, como j discutido.
Dessa forma, se tivermos que obter informaes sobre o problema a partir da
experimentao (amostrando), nunca saberemos qual o valor verdadeiro da varincia
X2 . No entanto, como no caso anterior e mostrado a seguir, possvel escrever um
conjunto de propriedades bastante teis para a varincia amostral.
(x X )
N
s X2 =
i =1
N 1
(3.7)
A varincia amostral definida pela Equao (3.7) flutua em torno do valor real da
varincia X2 .
Para mostrar a Propriedade 3.3, conveniente primeiramente abrir a Equao
(3.7) em termos dos desvios em relao mdia verdadeira, em geral desconhecida.
Assim,
(x X )
N
s X2 =
N x
j
x
N
i = 1
j =1
=
=
N
N
i =1
114
2
Nx
i xj
i = 1
j =1
=
3
N
N
N ( xi X ) ( x j X )
i = 1
j =1
=
3
N
N
N
N
2
2
( x j X ) + ( x j X )
N ( xi X ) 2 N ( xi X )
i = 1
j =1
j =1
=
3
N
N
(x )
i
i =1
(3.8)
( x ) ( x
2
N2
i =1 j =1
(x )
i
X ) +
1 N N N
( x j X ) ( xk X ) =
N 3 i =1 j =1 k =1
i =1
1
N2
( x ) ( x
i
i =1 j =1
X )
{( x ) }
N
{ }
E s X2 =
i =1
1
N2
{( x ) ( x
N
i =1 j =1
X ) =
(3.9)
i =1
2
Xi
1
N2
X2 , X =
i =1 j =1
N X2
1
2
N
N
X2 =
i =1
N X2 N X2 ( N 1) 2
=
X
N
N2
N
Repare que a Equao (3.9) mostra que, na mdia, a Equao (3.6) leva um valor
de varincia amostral menor que o valor da varincia real do problema. Esse um
defeito inaceitvel do procedimento de inferncia do valor real da varincia. Para
corrigir o resultado, no entanto, o procedimento a seguir muito fcil: basta
multiplicarmos o resultado obtido por N e dividirmos o resultado por (N-1), o que
resulta na Equao (3.7) e na Propriedade 3.3. Diz-se, portanto, que a varincia amostral
definida na Equao (3.7) uma avaliao consistente da varincia real do problema.
Deve ficar bem claro que a necessidade de apresentar o valor (N-1) no denominador da
Equao (3.7) nada tem de arbitrrio - muito pelo contrrio. exatamente essa correo
que permite obter, na mdia, uma inferncia consistente da varincia real do problema a
partir dos dados amostrados. O valor (N-1) chamado de nmero de graus de
liberdade do problema, representado usualmente por . Como no caso da mdia
amostral, o fato da Equao (3.7) fornecer uma medida consistente da varincia no
significa que a varincia amostral obtida em um problema particular igual varincia
verdadeira e desconhecida do problema. Para que isso fosse verdade, seria necessrio
obter a mdia a partir de infinitas repeties do problema fsico investigado, o que no
possvel. Portanto, nunca saberemos de fato qual o valor real da varincia do problema
a partir de dados amostrados. No entanto, a Equao (3.9) oferece ao menos o consolo
115
de que o valor obtido para a varincia amostral a partir da Equao (3.7) flutua ao redor
do valor verdadeiro da varincia.
{ }
{(
Var s X2 = E s X2 X2
) } = N2 1 1 + N2 N 1 ( k
4
X
4
X
(3.10)
Var {s X2 } = E ( s X2 X2 )
2 X4
N 1
(3.11)
(3.12)
a covarincia amostral,
( x X )( y Y )
N
2
XY
i =1
N 1
(3.13)
116
2
s XY
s X sY
(3.14)
Exemplo 3.9 - A covarincia amostral, definida pela Equao (3.13), pode ser colocada
na forma
N ( x ) ( x
2
s XY
=
i =1
j =1
X ) N ( yi Y ) ( y j Y )
j =1
2
N ( N 1)
e
N
N
N
x
N
y
(
)
(
)
(
)
( y j Y )
i
X
j
X
i
Y
i =1
j =1
j =1
=
=
2
N ( N 1)
N
2
s XY
N 2 ( xi X )( yi Y )
i =1
( N 1)
N ( xi X ) ( y j Y )
i =1 j =1
N 2 ( N 1)
( x ) ( y
i
Y )
k =1 i =1 j =1
N 2 ( N 1)
N
( x )( y )
i
i =1
( N 1)
N ( xi X ) ( y j Y )
i =1 j =1
N 2 ( N 1)
{ }=
2
XY
N 2 {( xi X )( yi Y )}
i =1
N 2 ( N 1)
N
2
N 2 XY
i =1
N 2 ( N 1)
i =1 j =1
N 2 ( N 1)
2
N XY
i =1
N ( xi X ) ( y j Y )
N 2 ( N 1)
2
= XY
117
que mostra que a Equao (3.13) de fato permite uma inferncia consistente da
covarincia entre dois conjuntos de dados.
f2
(3.15)
onde so feitas (N-1) integraes sobre as (N-1) variveis que podem flutuar
independentemente para gerar os valores especificados da funo f e uma integrao
sobre o valor de xN, que especifica de fato os valores desejados de f. Se f1 o valor
mnimo admissvel para a funo f(x1,...,xN), ento a Equao (3.15) pode ser rescrita
como
g ( x1 ,..., xN 1 , f2 )
PAC ( f 2 ) = ( x1 )... ( xN 1 )
x
dx
(
)
N
N dxN 1 ...dx1
x1
x N 1
g ( x1 ,..., xN 1 , f1 )
(3.16)
x1 + x2
2
118
g x1 , X = x2 = 2 X x1
Obviamente, o valor mnimo de X o valor mnimo de xi, de maneira que
( )
2 X x1
x
dx
( 1 ) 2 x x ( 2 ) 2 dx1
xmn
mn 1
xmx
PAC X =
PAC
2 X x1
X = dx2 dx1
0 0
( )
0 < 2 X x1 < 1
ou
0 < x1 < 1 ,
2 X 1 < x1 < 2 X
Mas s possvel satisfazer ambas as desigualdades se
0 < x1 < 2 X
se X < 0.5
( )
PAC X =
2X
2 X x1
2
dx2 dx1 = 2 X x1 dx1 = 2 X se X < 0.5
( )
PAC X =
1 2 X x1
dx
dx
dx
+
2 1
0 2 dx1 =
0
2 X 1
2 X 1
dx1 +
se X > 0.5
2
2 X 1
119
2 X x1 dx1 = 4 X 2 X 1
e portanto
( )
( X ) = 4 4 X
X = 4X
se X < 0.5
se X > 0.5
x1 + x2
x1 + x2
x1 x2 x2 x1
2
x1 2 + x2 2
2 + 2
x x
s X2 =
=
= 2 1 2
1
1
2
2
de tal maneira que, para qualquer valor especificado de s X2 , valores menores que esses
so encontrados no intervalo
x1 2 s X2 < x2 < x1 + 2 s X2
Dessa forma, a Equao (3.16) pode ser escrita como
( )
PAC s X2
x1 + 2 s2X
=
dx2 dx1 , s X2 < 0.5
0
x1 2 s2X
x1 2 s X2 > 0 ,
x1 + 2 s X2 < 1
ou
120
0 < x1 < 1 ,
x1 > 2 s X2 ,
x1 < 1 2 s X2
que s podem ser satisfeitas se
( )
PAC s
2
X
x1 + 2 s2X
1 2 s 2X
=
dx2 dx1 +
0
0
2 s 2X
+
dx2 dx1
1 2 s 2X x1 2 s 2X
2 s 2X
x1 + 2 s2X
dx2 dx1 +
x1 2 s X
, s X2 < 0.125
x1 + 2 s2X
2 s 2X
1
dx
dx
+
dx2 dx1 +
2
1
0
0
1 2 s 2X
dx
2 dx1
2
x1 2 s X
1 2 s 2X
( )=
PAC s
2
X
2 s 2X
resultando em
( )
PAC s X2 = 2
e portanto
s X2 = 2
1 , 0 < s X2 < 0.5
2s 2
( )
que mostra que as varincias amostrais pequenas so mais provavelmente obtidas que as
varincias amostrais grandes. A curva de densidade inclusive singular no ponto s X2 =0.
121
Exemplo 3.11 - Para o cmputo das mdias e varincias amostrais a partir de dois
pontos aleatrios distribudos uniformemente no intervalo (0,1), como mostrado no
Exemplo 3.10, possvel calcular os intervalos de confiana na forma:
Confiana de 95%:
( )
( X ) = 4X
PAC
2 X 2 = 0.975 X 1 = 0.8881
( ) (
(s ) = 2(
PAC s X2 1 = 2
PAC
2
X2
122
2 s X2 1 s X2 1 = 0.025 s X2 1 = 7.91x105
2 s X2 2 s X2 2 = 0.975 s X2 2 = 0.354
X k +1 = 11 X k Trunc (11 X k )
com semente X1=0.75832446 (ver Seo 2.4). Fez-se ND igual a 2000 e N=2. Os
resultados obtidos e ordenados em ordem crescente so apresentados nas Figuras 3.5 e
3.6. Os limites apresentados separam os menores 2.5% (50 menores valores) e os
maiores 2.5% (50 maiores valores) valores calculados, de maneira que entre eles
encontram-se 95% dos valores obtidos.
123
t=
X X
sX
N
(3.17)
+1
+1
t 2 2
1
2
1+
( t ) = Stud ( t ; ) =
(3.18)
124
Exemplo 3.12 - Admita que testes de atividade cataltica foram realizados em condies
supostamente idnticas, resultando no seguinte conjunto de dados:
Tabela 3.6 - Dados de atividade cataltica obtidos experimentalmente.
1
2
3
4
5
6
7
8
9
10
i
xi (g/h g) 0.450 0.467 0.431 0.440 0.452 0.458 0.438 0.462 0.447 0.452
onde i designa o experimento realizado e xi designa a atividade medida, em gramas de
produto por hora por grama de reagente. Nesse caso,
10
X=
i =1
10
10
( x 0.450 )
i
s X2 =
= 0.450
i =1
= 93.2 106
125
s X = s X2 = 9.65 103
Sabemos, no entanto, que no devemos confundir a mdia e a varincia
amostrais com a mdia e a varincia verdadeiras da distribuio. Para construir o
intervalo de confiana da mdia real a partir dos valores amostrais, podemos contar com
o auxlio da distribuio t.
Suponha que um nvel de confiana de 95% requerido. Nesse caso, deseja-se
obter os valores de t1 e t2 tais que:
2.262 < t =
0.450 X
< 2.262
9.65 103
10
ou
0.450 2.262
9.65 103
9.65 103
< X < 0.450 + 2.262
10
10
e
0.443 < X < 0.457
Portanto, embora no seja possvel dizer qual o valor verdadeiro da mdia,
possvel definir o intervalo onde ela deve ser encontrada, com um certo grau de
confiana, desde que os dados medidos estejam sujeitos a flutuaes normais. Para os
nveis de confiana de 98% e 99%, os resultados obtidos so respectivamente iguais a:
0.450 2.821
0.450 X
< 2.821
9.65 10 3
10
9.65 103
9.65 103
< X < 0.450 + 2.821
10
10
0.441 < X < 0.459
3.250 < t =
0.450 3.250
126
0.450 X
< 3.250
9.65 103
10
9.65 103
9.65 103
< X < 0.450 + 3.250
10
10
0.440 < X < 0.460
Deve ficar bem claro que o Exemplo 3.12 acima admite implicitamente que a
medida experimental est distribuda de forma normal e que todas as medidas de fato
representam o mesmo fenmeno. S assim possvel usar a distribuio t de Student.
Caso a distribuio da medida amostrada original no seja normal ou caso o conjunto de
medidas represente coisas diferentes, a utilizao da distribuio t no faz qualquer
sentido. Nesse caso, outra distribuio da mdia amostral deveria ser gerada ou o
Algoritmo 3.1 deveria ser usado, como ilustrado no Exemplo 3.11. verdade, no
entanto, que como conseqncia do Teorema do Limite Central (ver Seo 2.6), a
distribuio t converge para a curva normal medida que N aumenta,
independentemente da distribuio de probabilidades que deu origem aos dados
amostrados. Portanto, para N suficientemente grandes (Temos visto que isso pode
representar valores inconcebveis para a prtica experimental. Portanto, cuidado com
essas hipteses!), possvel dizer que X est distribudo normalmente em torno de X,
com varincia igual a X2 = s X2 N .
Exemplo 3.13 - Suponha que tenha sido admitida distribuio normal para a mdia
amostral. Ento, segundo a Tabela A.1 da curva normal, para limite de confiana de
95%, podem ser obtidos os seguintes valores:
0.450 1.960
0.450 X
< 1.960
9.65 103
10
9.65 103
9.65 103
< X < 0.450 + 1.960
10
10
0.444 < X < 0.456
resultando numa viso mais otimista que a real da regio onde se encontra a mdia
verdadeira. Para valores menores de N, como usados na prtica experimental, essas
127
diferenas podem vir a ser muito grandes, de forma que o uso dessa aproximao
raramente pode ser justificado.
X=
i =1
10
= 0.466
( x 0.466 )
s X2 =
i =1
= 0.175
s X = s X2 = 0.418
0.466 4.604
0.466 X
< 4.604
0.418
5
0.418
0.418
< X < 0.466 + 4.604
5
5
0.395 < X < 1.321
O resultado obtido acima absurdo, pois sabemos que a mdia est, com 100%
de confiana, contida no intervalo (0,1). Ela jamais pode ser negativa ou maior que 1,
como calculado, porque os pontos esto sendo gerados com a distribuio uniforme.
Onde est o erro do procedimento usado? O erro fundamental cometido foi usar a
distribuio t, vlida para valores amostrados que seguem uma distribuio normal, e
no uma distribuio uniforme. Isso mostra de maneira inequvoca como as hipteses
feitas a respeito dos dados podem ser importantes para a anlise. Portanto, se a funo
de densidade de probabilidades que gera os pontos aleatrios no conhecida, o uso da
distribuio t de Student para interpretar mdias amostrais pode ser temerrio.
128
x X
= i
i =1 X
(3.19)
( )
2 = Chi 2 ; =
( )
2
2
2
1
2 2
(3.20)
apresentando
{ }
2 =
(3.21)
Var { 2 } = 2
(3.22)
129
xi X
=
i =1 X
2 =
i =1
X2
( N -1)
= ( N 1)
s X2
X2
(3.23)
Alm disso, somas normalizadas como a apresentada na Equao (3.19) aparecem com
muita freqncia em problemas prticos, como mostrado nos prximos captulos.
X=
i =1
10
10
( x 0.450 )
i
s X2 =
= 0.450
i =1
= 93.2 106
s X = s X2 = 9.65 103
Sabemos, no entanto, que no devemos confundir a mdia e a varincia
amostrais com a mdia e a varincia verdadeiras da distribuio. Para construir o
intervalo de confiana da varincia real a partir dos valores amostrais, podemos contar
2
com o auxlio da distribuio .
Suponha que um nvel de confiana de 95% requerido. Nesse caso, deseja-se
obter os valores de 12 e 22 tais que:
PAC ( 12 ;9 ) = 0.025 , PAC ( 22 ;9 ) = 0.975
Esses valores podem ser obtidos da integrao da Equao (3.20) e esto mostrados na
Tabela A.3. Na linha referente a 9 graus de liberdade e na coluna referente a uma
probabilidade acumulada de 0.025 encontra-se o valor 12 = 2.700 . Na linha referente a
130
12 = 2.700 < 2 = ( N 1)
s X2
2
X
< 19.023 = 22
ou
( N -1)
s X2
22
s X2
12
e
93.2 10-6
93.2 10-6
< X2 < 9
19.023
2.700
9
e
= 2.088 < = ( N 1)
2
1
( N -1)
2
X
2
2
s X2
2
X
< 21.666 = 22
s X2
12
93.2 10-6
93.2 10-6
< X2 < 9
21.666
2.088
38.7 10-6 < X2 < 401.7 10-6
e
PAC ( 12 ;9 ) = 0.005 , PAC ( 22 ;9 ) = 0.995
12 = 1.735 < 2 = ( N 1)
( N -1)
9
2
X
2
2
s X2
2
X
< 23.589 = 22
s X2
12
93.2 10-6
93.2 10-6
< X2 < 9
23.589
1.735
35.6 10-6 < X2 < 483.5 10-6
131
Deve ficar bem claro que o Exemplo 3.15 acima admite implicitamente que a
medida experimental est distribuda de forma normal e que todas as medidas de fato
2
representam o mesmo fenmeno. S assim possvel usar a distribuio . Caso a
distribuio da medida amostrada original no seja normal ou caso o conjunto de
2
medidas represente coisas diferentes, a utilizao da distribuio no faz qualquer
sentido e resultados esprios, como aqueles mostrado no Exemplo 3.14, podem ser
obtidos.
Exemplo 3.16 - Observe no Exemplo 3.15 que o fator ( N 1) 12 diz quantas vezes
maior a varincia real pode ser, quando comparada varincia amostral. Por isso, esse
nmero apresentado abaixo para alguns valores tpicos.
Tabela 3.8 - Fatores que dizem quantas vezes maior que a varincia amostral a
varincia real pode ser.
N=1
2
3
5
10
20
30
40
50
100
1018
39.5
8.26
3.33
2.13
1.81
1.65
1.55
1.35
95%
6366 99.5
13.5
4.31
2.49
2.03
1.82
1.69
1.43
98%
5.19
2.78
2.21
1.95
1.80
1.49
25460 199.5 19.3
99%
Observe na Tabela 3.8 que com cinco rplicas possvel apenas garantir a
ordem de grandeza da varincia verdadeira. Para garantir o primeiro algarismo
significativo (incertezas inferiores a 100% do valor medido) da varincia verdadeira so
necessrias entre 20 e 30 rplicas! Quando o nmero de rplicas chega a 100, as
incertezas so da ordem ainda de 35 a 50% do valor medido! Para que a incerteza seja
inferior a 10% do valor medido so necessrias 900 (95%), 1250 (98%) ou 1500 (99%)
rplicas, o que inaceitvel do ponto de vista do trabalho cientfico experimental. Por
isso, teremos sempre que conviver com incertezas muito grandes em relao aos reais
valores da varincia experimental.
A Tabela 3.8 tambm mostra que as incertezas da varincia real caem muito
rapidamente para pequenos valores de N (por exemplo, caem cerca de duas ordens de
grandeza quando N incrementado de 2 para 3), mas depois decaem muito lentamente
para valores elevados de N (por exemplo, decaem cerca de uma ordem de grandeza
quando N incrementado de 5 para 30). Por isso, raramente h justificativas para que se
reproduza um dado experimental mais do que 5 vezes, uma vez que ganhos apreciveis
de certeza requereriam aumento muito grande do nmero de rplicas experimentais. Por
isso, uma regra heurstica de repetio pode ser formulada, recomendando a replicao
de dados no mais do que 5 vezes, a no ser que seja muito fcil repetir o experimento.
sY2
132
X2
(3.24)
Y2
+
1
1 2 1 2
F
2 2 2
( F ) = F ( F ; 1 , 2 ) =
1
2
1 + 2
1 1
( 1 F + 2 ) 2
2
2
(3.25)
com
{F } =
Var {F } =
(3.26)
2 2
2 22 ( 1 + 2 2 )
1 ( 2 4 )( 2 2 )
(3.27)
(3.28)
que induzida pela prpria definio do valor de F. A Equao (3.28) diz que se a
probabilidade de se encontrar um valor de F inferior a um certo marco igual a p% para
dois conjuntos 1 e 2, ao se inverter a definio dos conjuntos 1 e 2 os resultados devem
ser qualitativamente idnticos. Como a definio dos conjuntos foi invertida, o valor do
marco tambm tem que ser. Nesse caso, o que era maior passa a ser menor e vice-versa.
133
s X2
sY2
(3.29)
134
1
s2
< F = X2 < 18.000
99.249
sY
Deve ficar bem claro que o Exemplo 3.17 acima admite implicitamente que as
medidas experimentais esto distribudas de forma normal e que todas as medidas de
fato representam o mesmo fenmeno. S assim possvel usar a distribuio F. Caso a
distribuio da medida amostrada original no seja normal ou caso o conjunto de
medidas represente coisas diferentes, a utilizao da distribuio F pode no fazer
qualquer sentido, resultando em resultados esprios, como aquele mostrado no Exemplo
3.14.
Exemplo 3.18 - Admita que dois estudantes diferentes obtiveram os seguintes dados de
titulao no laboratrio:
Tabela 3.9- Medidas de titulao obtidas por dois alunos.
1- Volume (ml)
2- Volume (ml)
2
76.43
78.4
3
77.20
77.2
4
76.25
76.2
135
5
76.48
77.7
6
76.48
76.8
7
76.6
-
X1 =
7
s12 =
( xi 76.56 )
= 76.56 e X 2 =
i =1
6
6
i =1
= 77.23
i =1
( x 76.56 )
= 0.0906 e s22 =
i =1
= 0.5707
76.56 2.447
76.56 1
< 2.447
0.301
7
0.301
0.301
< 1 < 76.56 + 2.447
7
7
76.28 < 1 < 76.84
e para a varincia
PAC ( 12 ; 6 ) = 0.025 , PAC ( 22 ; 6 ) = 0.975
12 = 1.237 < 2 = ( N1 1)
s12
2
1
< 14.449 = 22
0.0906
0.0906
< 12 < 6
14.449
1.237
136
confiana de 95% para fins de comparao e levando-se em conta que 1=N-1=5, para a
mdia
77.23 2.571
77.23 2
< 2.571
0.755
6
0.755
0.755
< 2 < 77.23 + 2.571
6
6
76.44 < 2 < 78.03
e para a varincia
PAC ( 12 ;5 ) = 0.025 , PAC ( 22 ;5 ) = 0.975
12 = 0.831 < 2 = ( N 2 1)
s22
22
< 12.833 = 22
0.5707
0.5707
< 22 < 5
12.833
0.831
0.2224 < 22 < 3.434
1
s2
= 0.1670 < F = 12 < 6.9777
5.9876
s2
O valor de F obtido foi
137
s12 0.0906
=
= 0.1587
s22 0.5707
Deve ficar bem claro que o Exemplo 3.18 acima admite implicitamente que as
medidas experimentais esto distribudas de forma normal e que todas as medidas de
fato representam o mesmo fenmeno. S assim seria justificvel o uso das distribuies
2
t, e F para a anlise. Caso as medidas amostradas no sejam distribudas
normalmente ou caso os conjuntos de medidas representem coisas diferentes, a
utilizao dessas distribuies pode no fazer qualquer sentido, resultando em
resultados esprios, como aquele mostrado no Exemplo 3.14.
As comparaes feitas atravs dos intervalos de confiana so muito simples e
podem ser executadas com facilidade. No entanto, a literatura est repleta de testes
comparativos desenvolvidos para condies particulares, onde informaes adicionais
so conhecidas. No objetivo desse texto discorrer longamente sobre esse assunto e o
leitor interessado pode buscar informaes adicionais nas referncias apensadas ao final
do captulo. No entanto, algumas dessas situaes particulares so apresentadas a seguir.
X X
(3.30)
138
normalmente distribuda, com mdia zero e varincia igual a 1. Logo, a curva normal
pode ser usada para gerar os intervalos de confiana de X e verificar se o valor obtido
compatvel com o esperado.
X u1
X
N
< X < X + u2
(3.31)
Condio especial 2 - Seja uma mdia histrica X, obtida com nmero elevado de
graus de liberdade e considerada igual ao valor verdadeiro. Deseja-se saber se uma nova
mdia amostral X , obtida a partir de um novo conjunto de dados de tamanho N,
2
2
compatvel com os dados passados. Desconhece-se X , mas se conhece s X . Admite-se
que as medidas amostrais flutuam de acordo com a curva normal.
Nesse caso, a varivel
t=
X X
sX
N
(3.32)
segue a distribuio t, com =N-1 graus de liberdade. Logo, a distribuio t pode ser
usada para gerar os intervalos de confiana de X e verificar se o valor obtido
compatvel com o esperado.
X t1
sX
s
< X < X + t2 X
N
N
(3.33)
) (
u=
(3.34)
(3.35)
139
1s12 + 2 s22
1 + 2
(3.36)
1
1
sD2 = s12+ 2
+
N1 N 2
(3.37)
D
sD
(3.38)
(3.39)
1
22.7
0.45
5
2
21.3
0.55
5
D = X 1 X 2 = 1.4
s12+ 2 =
1
1
1 1
sD2 = s12+ 2
+
= 0.2525 + = 0.101
5 5
N1 N 2
sD = 0.3178
D
t=
= 4.405
sD
Para 8 graus de liberdade e 95% de confiana,
2.306 < t < 2.306
Conclui-se, portanto, que o valor observado de t pouco provvel e que as
gasolinas so diferentes com 95% de confiana.
140
importante observar que testes similares podem ser utilizados para verificar se
uma determinada mdia difere significativamente de zero, por exemplo. Este teste
bastante importante para a estimao de parmetros, como ser visto nos captulos
posteriores.
2 = ( N 1)
s X2
(3.40)
X2
12
X2
( N 1)
< s X2 < 22
X2
(3.41)
( N 1)
X
i =1
N
(3.42)
12 < 2 < 22
(3.43)
141
sX
i =1
N
(3.44)
12 < 2 < 22
(3.45)
Intervalo
1
2
...
NI
Limites do
Intervalo
x0 < x < x1
x1 < x < x2
...
xNI-1 < x < xNI
Probabilidade
do Intervalo
1/NI
1/NI
...
1/NI
Nmero total
de observaes
N1
N2
...
NNI
0.2291
0.2430
0.3138
0.3416
0.3475
0.3665
0.4423
0.4476
0.4518
0.5192
0.5202
0.5482
0.6732
0.7062
0.7227
142
0.7680
0.7706
0.8227
0.9237
0.9493
0.9702
X=
i =1
40
40
= 0.4884
( x 0.4884 )
sx2 =
i =1
39
= 0.07952
s X = s X2 = 0.2820
Deseja-se saber se a curva normal pode representar de forma adequada esse
conjunto de dados aleatrios. Para isso, admitindo que X = X , que X2 = s X2 e que
NI = 40 = 6 , monta-se a seguinte Tabela de distribuio dos dados.
143
(X,s
2
X
,N
) e (Y , s , N )
2
Y
esto
(1.40)
1
1.1
2
1.9
3
3
4
3.9
5
5.1
X =3
s X2 = 2.50
s X = 1.5811
Y =3
sY2 = 2.51
s X = 1.5843
XY
2
s XY
= 2.50
144
2
s XY
=
= 0.998
s X sY
X +Y = 6
s X2 +Y = 10.1
X Y = 0
s X +Y = 3.1639
s X2 Y = 0.01
s X +Y = 0.1
s 2X Y
(s2X + s2Y )
0.01
s2
10.01
= 0.002 ; F = X + Y =
= 2.00
2
2
5.01
5.01
sX + sY
( x X )( x
i
CX =
k
ou na forma
i+k
i =1
N k 1
Xk
)
(3.46)
( x X )( x
0
CX =
k
i+k
i =1
2
N k
xi X 0
i =1
0.5
Xk
N k
xi + k X k
i =1
145
0.5
(3.47)
146
Exemplo 3.22 - Para o conjunto de dados ilustrado abaixo na Figura 3.11, calcula-se o
espectro de auto-correlao da Figura 3.12. V-se de forma clara que as correlaes
diminuem lentamente, medida que a distncia entre os dados aumenta, e tornam-se
no significativas aps um certo tempo.
147
Exemplo 3.23 - Os seguintes dados foram obtidos para a concentrao de uma espcie
qumica em uma soluo mineral
x (ppm):
23.2
23.4
23.5
24.1
25.5
havendo desconfiana de que o ltimo ponto seja na realidade um outlier. Para analisar
a questo, para um grau de confiana de 95%, o conjunto amostral que contm o outlier
X = 23.94
s X2 = 0.873
s X = 0.934
=4
X = 23.55
s X2 = 0.150
s X = 0.387
=3
1
0.873
<F=
= 5.82 < 15.101
9.9792
0.150
Como as mdias e varincias obtidas com e sem o outlier so estatisticamente
semelhantes, no parece razovel descartar o candidato a outlier do conjunto de pontos.
148
( x1 ; x2 ) = 2e( x1 2 x2 )
Pode-se ento construir regies de confiana com forma quadrada, com lados de
tamanho 2a e centradas ao redor do ponto mdio, na forma
1+ a 0.5 + a
1+ a
0.5 + a
1- a
0.5- a
1- a 0.5- a
1+ a
e( 2 x2 ) dx2 dx1 =
0.5 + a
e( x1 ) e( 2 x2 )
2
1 1-a 2 0.5-a
1+ 2 a
1-2 a 0.5- a
1-2 a
1+ 2 a
e( x1 )
0.5 + a
e( 2 x2 ) dx2 dx1 =
0.5- a
0.5 + a
e( x1 )
e( 2 x2 )
2
1 1-2 a 2 0.5-a
149
(x )
VX1 ( x ) = c
(3.48)
150
uma vez que a funo normal tende a zero para valores muito grandes. A regio de
confiana ento aquela que satisfaz a Equao (3.49)
(x )
VX1 ( x ) c
(3.49)
NX
(v ) ( x ) ( x
1
ij
i =1j =1
j ) = c
(3.50)
que a generalizao de uma polinomial de segundo grau para vrias variveis. vij1 o
elemento ij da inversa da matriz de covarincias de x.
Como a matriz VX positiva definida, a curva definida pela Equao (3.48)
uma forma quadrtica muito especial, que recebe o nome de hiper-elipse; ou seja, uma
elipse no espao de dimenso NX. Portanto, a regio de confiana obtida a partir da
curva normal sempre uma elipse no espao de variveis de dimenso NX. O problema
que o estudo da Equao (3.48) na forma proposta bastante dificultado pelo fato da
matriz VX no ser diagonal, o que faz com que todos os termos quadrticos apaream,
como na Equao (3.50). Portanto, antes de estudar as caractersticas da hiper-elipside
que define a regio de confiana, conveniente diagonaliz-la. Para tanto, lembremos
do problema clssico de valores caractersticos, colocado como encontrar os nmeros
(valores caractersticos) e vetores d (vetores caractersticos) que satisfazem a seguinte
equao:
VXd = d
(3.51)
( VX I ) d = 0
(3.52)
ou seja
det ( Vx I ) = 0
(3.53)
a equao que permite calcular os valores caractersticos do sistema. Uma vez obtidos
os valores caractersticos do sistema, a Equao (3.51) pode ser utilizada para que sejam
obtidos os vetores caractersticos. Como a matriz (VX - I) singular, infinitos vetores
caractersticos satisfazem a Equao (3.51). Para normalizar e definir de forma nica a
soluo do problema, conveniente tomar como soluo, dentre as infinitas solues
151
existentes, aquela cujo vetor tem tamanho unitrio. Deve ser ainda enfatizado que a
Equao (3.53) resulta sempre em um polinmio de grau NX, que portanto admite at
NX diferentes razes ou valores caractersticos. Como a matriz VX positiva definida e
simtrica, possvel garantir que todos os seus valores caractersticos so nmeros reais
e positivos.
A Equao (3.51) pode ser re-escrita de forma compacta, englobando todas as
solues caractersticas do sistema ao mesmo tempo, na forma:
1 0
0
2
VX [d1 M d 2 MLM d NX ] = [d1 M d 2 MLM d NX ]
0 0
0 0
L 0
L 0
O M
L NX
(3.54)
que pode ento ser usada como definio da matriz diagonal dos valores caractersticos
e da matriz de vetores caractersticos na forma:
VX D = D
(3.55)
onde
1 0
0
2
=
M M
0 0
L 0
L 0
O M
L NX
(3.56)
D = [d 1 Md 2 MLMd NX ]
(3.57)
(3.58)
1 1
Exemplo 3.25 - Seja a matriz A =
. Neste caso, os valores caractersticos so
0 2
iguais a:
1
det ( A I ) = det
0
1
= (1 )( 2 ) 0 ( 1) = 0
2
2 3 + 2 = 0
152
( 3)
( 3) 4 (1)( 2 )
2 (1)
2
1
=
2
1 1 a
a
a b = a
a a
0 2 b = 1 b 2b = b b = 0 = d1
1
A soluo com tamanho unitrio d1 = .
0
1 1 a
a
a b = 2a
a b
0 2 b = 2 b 2b = 2b b = b = d 2
2 .
A soluo com tamanho unitrio d 2 =
2
2
1
1
0
2 .
Desta forma, =
e
D
=
2
0 2
0
2
Calculando-se a matriz inversa de D como
2
1 d 22 d12
1
D =
=
2
det ( D ) d 21 d11 2
0
2
1
2 1
2 =
0
1
2
1
2 1 0 1
A=
2 0 2 0
0
153
Vx = DDT
(3.59)
(x )
D 1DT ( x ) = c
(3.60)
z = DT ( x )
(3.61)
z T 1 z = c
(3.62)
zi2
(3.63)
i =1
=c
facilmente identificvel como uma elipse centralizada no ponto central e com semieixos com comprimentos iguais a ci . Repare que c, ou o grau de confiana exigido,
no exerce qualquer influncia sobre o formato da regio de confiana, excetuando-se
obviamente o aumento proporcional de todos os semi-eixos da elipse. Por isso, quase
sempre o fator c desprezado durante a anlise, j que ele apenas muda de forma
absolutamente proporcional os eixos da elipse. Esses resultados indicam que as regies
de confiana obtidas para a curva normal para diferentes nveis de confiana formam
uma estrutura semelhante da cebola, em que as regies com maior confiana
envolvem completa e proporcionalmente as regies de menor confiana.
O conjunto de transformaes introduzidas atravs da Equao (3.61) representa
uma translao para o zero e uma rotao da elipse, de forma a fazer com que os seus
semi-eixos coincidam com os eixos ortogonais e que o centro da elipse coincida com a
origem dos eixos de coordenadas. As transformaes da Equao (3.61) so isomtricas,
no sentido de que elas preservam a forma original da figura geomtrica, como ilustrado
na Figura 3.14.
154
MIN
MAX
(3.64)
3- Como o trao de uma matriz (a soma dos elementos da diagonal principal) igual
soma de seus valores caractersticos, ou seja,
NX
NX
i =1
i =1
tr (VX ) = vii = i
(3.65)
155
NX
(3.66)
i =1
NX x i
1 1
( x ) = NX NX exp i
i
2
i =1
i
i =1
2 12
1
0
2
=
, VX =
M
M
0
NX
0
2 22
M
0
L
0
0
L
O
M
2
L 2 NX
xi i
i =1
=c
156
octaedro regular, com faces triangulares, centro em e eixos paralelos aos eixos
coordenados. E assim por diante.
zi = d ij ( x j j )
(3.67)
j =1
(3.68)
ento as variaes observadas podem ser decompostas ao longo das direes definidas
pelos vetores caractersticos, sendo que as variaes so mximas ao longo de d1
(direo que define o maior eixo da hiper-elipse) e mnimas ao longo da direo dNX
(direo que define o menor eixo da hiper-elipse). Por isso, os vetores caractersticos
so freqentemente chamados de direes principais de variao, enquanto os valores
caractersticos so usados para definir as direes do espao ao longo das quais as
variaes so mais importantes. Quando um ou mais dos valores caractersticos
apresentam ordem de magnitude muito inferior s dos demais, possvel sugerir a
reduo do nmero de variveis do problema, j que isso indica que uma ou mais
combinaes de variveis permanecem essencialmente constantes no conjunto de dados.
1
Exemplo 3.27 - Seja o vetor de mdias = e a matriz de covarincias
2
100 9
VX =
, cujos valores caractersticos so
9 1
100
9
2
det
= (100 )(1 ) 81 = 101 + 19 = 0
1
9
157
Assim
d1 =
11.0901 0.9960
1
=
11.13509 1 0.0898
Para obter o vetor unitrio
0.09017
d2 =
d 2 = 0.09017 2 + 12 = 1.00406
Assim
d2 =
0.09017 0.0898
1
= 0.9960
1
1.00406
3.6. Concluses
Foi mostrado nesse captulo que, em geral, os parmetros que caracterizam as
curvas de distribuio de probabilidades em problemas estocsticos (em particular a
mdia e a varincia) no podem ser jamais obtidos por mtodos empricos. Nesses
casos, preciso definir procedimentos consistentes de inferncia, a partir de dados
amostrados empiricamente. Contudo, as grandezas amostradas constituem tambm
158
159
1
2
3
4
5
6
7
8
9
Turma 1
0.892
0.910
0.880
0.900
0.920
0.905
0.860
0.920
0.904
Turma 2
0.850
0.875
0.880
0.842
0.900
0.910
0.891
0.905
0.870
Turma 3
0.775
0.872
0.650
0.881
0.910
0.720
0.851
0.820
0.730
Turma 4
0.915
0.921
0.917
0.911
0.907
0.899
0.912
0.910
0.907
0.930
0.921
0.872
0.897
0.880
0.911
0.908
0.915
0.882
0.920
0.900
0.865
0.880
0.891
0.832
0.886
0.872
0.907
0.652
0.871
0.915
0.870
0.780
0.792
0.751
0.891
0.950
0.971
0.918
0.863
0.721
0.753
0.828
160
0.913
0.905
0.898
0.902
0.911
0.907
0.906
0.913
0.908
0.906
0.909
1
2
3
4
5
00
0.1025
0.1147
0.9508
0.7212
0.4393
10
0.2217
0.3344
0.1351
0.6227
0.5111
20
0.3737
0.4521
0.5811
0.9123
0.7314
30
0.8341
0.4298
0.6315
0.4726
0.6215
40
0.0910
0.9511
0.1223
0.8711
0.5661
0.6161
0.0012
0.1200
0.8837
0.4141
0.7502
0.8192
0.9095
0.0195
0.5823
0.3122
0.4659
0.2197
0.7382
0.1180
0.5871
0.2012
0.3191
0.4615
0.9867
161
0.6161
0.9813
0.6715
0.2328
0.9142
( x ) = 1, 0 x 1
0,
x > 1
x2
1
0.9 1
a) Calcule a forma da regio de confiana (faa c = 1 na Equao (3.48));
b) Calcule as direes principais e interprete os resultados;
c) Como voc descreveria a regio de confiana, com um nvel de confiana
correspondente a c = 1, onde voc espera encontrar valores de x1 e x2?
x1min x1 x1max
x2min x2 x2max
6- Trs valores medidos esto disponveis: 1.0, 1.5 e 8.0.
a) Caracterize estatisticamente os dados;
b) Suponha que o experimentador desconfia do ltimo valor medido. Que conselho
voc daria ao experimentador?
c) Admita que um quarto valor obtido e igual a 1.3. A sua opinio muda? E se o
quarto valor obtido for igual a 5.0? E se for igual a 9.1?