ISSN 1414-0624

UNIVERSIDADE FEDERAL DE SO CARLOS

CENTRO DE CINCIAS EXATAS E

TECNOLGICAS

SEQUNCIAS DE PASSOS PARA ANLISE DE

DADOS NO SISVAR: UM
SOFTWARE ESTATSTICO PARA ANLISES E
ENSINO DE ESTATSTICA.

Jadson Luan dos S. Marcelino

Prof Dr Vera Lucia D. Tomazella

RELATRIO TCNICO DEPARTAMENTO

DE ESTATSTICA

NOTAS DIDTICAS SRIE C

Agosto/2011
n 27

Universidade Federal de So Carlos

Centro de Cincias Exatas e da Tecnologia
Departamento de Estatstica

Sequncias de Passos para Anlise de Dados no Sisvar: Um

Software Estatstico para anlises e ensino de estatstica

Responsveis
Jadson Luan dos S. Marcelino
Prof Dr Vera Lucia D. Tomazella

So Carlos 2011

Apresentao
A proposta deste texto apresentar um software estatstico de fcil manuseio e de grande
funcionalidade. Com ele o aluno de incio de curso poder facilmente fazer suas atividades acadmicas
e, tambm, profissionais. Poder ainda ser de uso de qualquer um dos professores de disciplinas que
envolvam os contedos abordados nele. Sendo que os assuntos, tratados neste texto so, principalmente
de disciplinas iniciais do curso de bacharelado em estatstica.
O texto mantido sucinto para que o tempo utilizado neste contato inicial seja o menor possvel.
Como decorrncia, a informao passada somente o essencial para que o leitor tenha uma introduo
ao Sisvar. Nenhum dos tpicos abordado com profundidade ou de forma completa. O aprofundamento
de um tema ser decorrncia de uma necessidade especfica de cada leitor e dever ser feita atravs do
Manual do Software. O manual do Sisvar apresenta um programa, que foi desenvolvido principalmente
para delineamento de experimentos, mas tambm apresenta uma grande ferramenta para outras reas da
estatstica.
O objetivo principal deste texto ter em mos um material que pode servir de apoio a todos
alunos e professores que precisam utilizar anlise descritiva de dados, bem como calculo simples de
probabilidades e tcnicas de Anlise de Regresso e Anlise de Varincia.
Recomendamos que a leitura seja linear, sem saltar tpicos, especialmente para os iniciantes.
Desta forma buscamos estabelecer um vocabulrio inicial que possibilitar, ao final da leitura, o
entendimento da utilizao do Software. A leitura deve ser feita em frente do computador. Os comando
devem ser executados e os resultados obtidos interpretados.
Um incentivo ao uso do programa que o mesmo gratuito, de fcil acesso e possui uma
linguagem simples.

Sumrio
1.
2.
3.
4.

Introduo ............................................................................................................................................ 4
Ambiente SISVAR .............................................................................................................................. 5
Entrando com os Dados ....................................................................................................................... 6
Estatsticas Descritivas ........................................................................................................................ 9
4.1 Tabelas de distribuies de freqncias .......................................................................................... 10
4.2 Medidas de Posies ....................................................................................................................... 10
4.2.1 Mdia .................................................................................................................................................... 10
4.2.2 Mediana ................................................................................................................................................ 10
4.2.3 Moda ..................................................................................................................................................... 11
4.2.4 Separatrizes ......................................................................................................................................... 12

4.3 Medidas de Disperso .................................................................................................................... 12

4.3.1 Amplitude Total.................................................................................................................................... 13
4.3.2 Varincia ............................................................................................................................................... 13
4.3.3 Desvio Padro ..................................................................................................................................... 13

4.4 Grficos ........................................................................................................................................... 13

4.4.1 Grfico de Barra .................................................................................................................................. 14
4.4.2 Histograma ........................................................................................................................................... 14
4.4.3 Grfico de Linha .................................................................................................................................. 15
4.4.4 Grfico de Setor .................................................................................................................................. 15

5.

Distribuies de Probabilidade de variveis Aleatrias Contnuas e Discretas ................................ 18

5.1 Distribuio Binomial ................................................................................................................ 18
5.2 Distribuio Poisson ....................................................................................................................... 21
5.3 Distribuio Normal........................................................................................................................ 23
6. Intervalo de confiana ....................................................................................................................... 24
7. Teste de Hiptese............................................................................................................................... 25
8. Anlise de Varincia .......................................................................................................................... 27
9. Anlise de Regresso Linear Simples ............................................................................................... 30
10. Consideraes Finais ........................................................................................................................ 36
11. Referncias Bibliogrficas ................................................................................................................ 36

1. Introduo
Nas ltimas dcadas, os clculos estatsticos foram muito facilitados pelo uso de aplicativos
computacionais. Isso permitiu que mtodos complexos e demorados fossem rotineiramente aplicados.
Diversos pacotes estatsticos para anlise de experimentos esto disponveis, podendo-se citar programas
como o SAS-Statistical Analysis System (Sas Institute Inc., 2000), que , em geral, um dos programas
mais utilizados em todo o mundo para anlise de dados da rea agronmica, biolgica e social, o
STATGRAPHICS-Statistical Graphics System (Statgraphics, 1999), o STATISTICA for Windows
(Statistica, 2002), dentre outros. Este texto tem por objetivo apresentar o sistema computacional
SISVAR com aplicaes diversas na anlise estatstica de experimentos.
Este trabalho tem por objetivo apresentar o programa SISVAR, que um sistema para anlises
estatsticas, podendo tambm ser utilizado no ensino. O SISVAR um dos programas brasileiros de
anlise estatstica mais utilizados no pas, seja diretamente nas anlises estatsticas de trabalhos
cientficos das mais diferentes reas do conhecimento cientfico ou seja no ensino de estatstica bsica e
experimental. Nesse contexto, as principais rotinas de anlises estatsticas bsicas direcionadas a alunos
das disciplinas bsicas do bacharelado em estatstica (Estatstica 1 e Estatstica 2) existentes no
programa so apresentados.
O SISVAR uma poderosa ferramente da informtica que permite realizar clculos estatsticos
complexos, focados em palnejamento de experimentos, e visualizar os seus resultados, em poucos
segundos. Um aspecto desafiador do uso do SISVAR se refere a saber que teste estatstico usar para
responder s suas questes de delineamnetos de experimentos e interpretar corretamente os resultados
do clculo estatstico efetuado.
O texto dividido em trs partes. A primeira parte, Estatstica Descritiva e Clculos de
Probabilidades, apresenta e define as principais tcnicas exploratrias de dados e clculo de
probabilidades no SISVAR, orienta quanto a definio de variveis, o que fazer depois da definio das
variveis da base de dados, isto , como realizar a insero de dados. A segunda parte, Inferncia
Estatstica no SISVAR, define as principais seqncias para a construo de intervalos de confiana e
realizao de testes de hipteses paramtricos no SISVAR e expoe as seqncias de passos para realizlos numa base de dados criada. A terceira e ltima parte, Anlise de Variancia e Regresso no
SISVAR, o sistema de Anlise da Varincia uma aplicao que proporciona um moderno e eficiente
tratamento estatstico de dados, combinando potencialidades grficas com uma gesto de informaes.

2. Ambiente SISVAR
Construdo em linguagem pascal o Sisvar um software Estatstico com grande funcionalidade.
Sendo um programa de Livre acesso e Criado pelo Prof Dr. Daniel Furtado Ferreira do Departamento
de Cincias Exatas da Universidade Federal de Lavras UFLA. O Criador do Sisvar est inteiramente
aberto para crticas ou sugestes de melhoria do Software, e qualquer pessoa pode contat-lo via e-mail:
danielff@ufla.br.
Com o site abaixo voc pode baixar os seguintes produtos:
O software SISVAR;
O manual do SISVAR;
Seqncia de como gerar dbse no Excel

WWW.DEX.UFLA.BR/~DANIELFF/SOFTWARES.H:

3. Entrando com os Dados

A entrada dos Dados no SISVAR pode ser feita de duas maneiras, sendo elas via teclado j
dentro do Programa para apenas uma anlise e via arquivo j pronto e ficam disponibilizadas para
posteriores anlises.
a) Classificao dos Dados no SISVAR:
Qualitativos: contagens
Quantitativos: Medies
b) Entrada dos Dados no SISVAR:
Via teclado: durante a execuo da anlise, por meio de preenchimento de formulrios.
Via arquivo: criao de arquivos de dados que fica disponvel para realizao de novas anlises. a
melhor maneira.
c) Tipos de Campos ou Colunas Criadas:
Alfanumrico (String): forma de texto
Numrico: nmeros inteiros ou reais.
OBS: Cada varivel do arquivo de dados um campo da base de dados.
Para entrar com os dados o usurio precisar seguir os passos para preencher uma tabela que se
abrir para anlise. Assim estando com o SISVAR aberto devero ser seguidos os seguintes passos:

Seqncia:

1.
2.
3.
4.
5.
6.
7.

Arquivo
Manipular
Arquivo
Criar
Salvar como: escolha um nome para o arquivo de dados e aonde ser salvo
Nmero de campos: indique o nmero de variveis da base de dados ou arquivo
Campo1: escolha um nome para a primeira varivel da base ou primeiro campo do arquivo de
dados
8. Confirmar o tipo de campo 1: clique em (Yes) se o campo for numrico e clique em (No) se o
campo for alfanumrico
9. Repita os passos 6 e 7 at que o nmero de campos do arquivo termine
10. Entre com os dados do arquivo, manipulando-o com setas para cima () e para baixo ().
11. Sair

Arquivo

Manipular

Arquivo

Criar

Neste momento ser aberta uma janela para escolher onde sero salvas as anlises dos dados.

Nome do Arquivo

Tipo da varivel

Salvar

Nome da 1a Varivel

Nmero colunas

OK

Se for colocado que tem mais de uma coluna para disponibilizar os dados, estes passos devero
ser seguidos at responder a todas as colunas.

Colocar os dados na
tabela

Sair

Exemplo 1: quatro grupos, I II III IV, foram submetidos a um exerccio (ex1), e pretende-se
montar uma base de dados com os grupos e seus respectivos valores. A seguir esto apresentados os
dados no SISVAR. Aps serem seguidos os passos acima, uma tabela, ser construda.

Tendo conseguido fazer a tabela acima, basta dar continuidade nos passos que foram
anteriormente mostrados para poder, com essa tabela, trabalhar.
Nas sees seguintes descreveremos de forma simplificada algumas metodologia estatstica
trazida no relatrio do SISVAR para anlise dos dados.

4. Estatsticas Descritivas
A estatstica descritiva utilizada na etapa inicial da anlise, quando tomamos contato com os
dados pela primeira vez. um conjunto de tcnicas destinadas a descrever e resumir os dados de forma
a tornar as informaes mais facilmente inteligveis.
Elementos bsicos:
Tabelas
Medidas de sntese
Grficos
No SIVAR, depois de entrarmos com os dados, uma de suas simples tarefas analisar
estatisticamente os dados. Com apenas uma seqncia de passos que ser mostrada a seguir.
Seqncia de passos para Anlises Estatsticas Descritivas
1.
2.
3.
4.
5.
6.
7.
8.

Anlise
Estatstica Descritiva
Opo: Arquivo pronto
Ok
Nvel de significncia (Alpha):
Abrir arquivo: selecionar o arquivo de anlise
Clicar na varivel de anlise
Clicar em Anlise

Anlise

Estatstica descritiva

Arquivo pronto / digitar dados

Abrir Arquivo / digitar dados - Finalizar

Nvel de significncia

OK

Clicar Varivel a ser Analisada

Clicar em Anlise

4.1. Tabelas de distribuies de freqncias

O nmero de classes depende do nmero de observaes (n) e o quo dispersos os dados
esto. No h uma frmula exata para o clculo do nmero de classes e amplitude das classes na
construo da tabela de freqncia mas alguns clculos so sugeridos
Nmero de classes (k)
k
n
onde n o nmero de observaes
Amplitude da classe (h)
h =

max

V
k

, onde

min

V
V

max

min

= Valor mximo do conjunto de dados e

= Valor mximo do conjunto de dados

4.2. Medidas de Posies

Nesta subseo estudaremos algumas medidas de posio, que so medidas que
sintetizam, em um nico valor, o conjunto original e orientam quanto posio da distribuio
dos dados que sero apresentadas na sequncia de passos do Sisvar.

4.2.1. Mdia
A mdia uma medida de posio no to representativa da amostra, ou populao. Isso
porque esta mesma medida influenciada pelos valores extremos.
Sejam (X 1 , X 2 , L , X n ) uma amostra de tamanho n para calcular a mdia aritmtica simples
basta fazer o somatrio dos elementos da amostra e dividir pelo tamanho da mesma, isto ,
n

x
X

i=1

4.2.2 Mediana.
Mediana de uma amostra a medida que divide ao meio o nmero de observaes, ou seja,
50% das observaes ficam abaixo da mediana e os outros 50% acima. Esta medida calculada da
seguinte forma:

10

1- Calcula-se a posio da Mediana

n
, se n for par
2
n +1
PM d
, se n for impar.
2
PM

Se n par a mediana (Md) a mdia aritmtica dos dois valores centrais do conjunto de dados
e se n impar o valor da posio da mediana.
Para os dados distribudos em tabela de freqncia a mediana deve ser calculada da seguinte
forma:
Md = li +

h( PM d Fai 1 )
fi

onde
li = limite inferior da classe da mediana
Fai1 = Freqncia acumulada da classe anterior classe da mediana
PM d =indica a posio da mediana
f i = freqncia absoluta da classe mediana

Obs: a Classe mediana de freqncia acumulada igual ou imediatamente superior a posio da

mediana ( PM d ).
4.2.3 Moda
Moda de uma amostra o valor que aparece com mais freqncia no conjunto de dados.
Exemplo: Dada uma amostra de tamanho n = 15 , descrita a seguir:
X = {1, 2, 2, 2, 3, 5, 6, 4, 2, 3, 5, 8, 2, 6, 5}
Mo = 2
Quando os dados esto disponveis em uma tabela de freqncia a seguinte formula poder ser
utilizada.
Mo = li +

h ( f i f i 1 )
( f i f i 1 ) + f i f i + 1 )

onde ,
= Indica a posio da classe modal
li = Limite inferior da classe modal
h = Amplitude da classe modal
f i = Freqncia Absoluta da classe modal
f i 1 =Freqncia absoluta da classe anterior a modal
f i +1 = Freqncia absoluta da classe posterior a modal
i

11

4.2.4. Separatrizes
So medidas que divide o conjunto de dados em partes iguais.
So Separatrizes: Quartis, Decis e Percentis
Quartis: Os quartis dividem um conjunto de dados em quatro partes iguais

Formula Geral
Si = li +

h( PS i Fai 1 )
fi

, onde

Posio das Separatrizes

n
PQ = i e i = 1,2,3 Posio dos Quartis
4
n
PDi =
i
10
n
PP i =
i
100

e i = 1,2,3,4,5, K ,9 Posio dos Decis

e i = 1,2,3,4,5,K ,99 , Posio dos Percentis

i a ordem da classe que estamos calculando

Fai 1 a freqncia acumulada anterior classe da separatriz

4.3 Medidas de Disperso

As medidas de disperso buscam definir o grau de agregao dos dados, ou seja, medir ao grau
de variabilidade dos dados.

12

4.3.1 Amplitude Total

uma estatstica que mostra a amplitude dos dados, ou seja, a diferena entre a maior e a
menor observao.
AT = Vmax Vmin

onde,
Vmax =

maior valor observado

Vmin = menor valor observado.

4.3.2 Varincia
Medida de variabilidade dos dados em torno da mdia
Sejam (X 1 , X 2 , L , X n ) uma amostra de tamanho n para calcular a mdia aritmtica simples
basta fazer o somatrio dos elementos da amostra e dividir pelo tamanho da mesma, isto ,
Calcula a Diferena (desvio) de cada observao em relao mdia ( X )
Observao:

(x

X ) = 0 , ou seja, a soma dos desvios igual a 0.

Deve-se elevar os desvios ao quadrado, para que se somem apenas valores positivos. Assim
temos que a varincia da amostra dada por:
n

s2 =

( xi x ) 2

i =1

n 1

4.3.3 Desvio Padro

Desvio Padro a raiz quadrada da varincia. Desvio-padro d uma medida de
variabilidade com a mesma unidade das observaes.
n

( xi x ) 2

i =1

n 1

4.4 Grficos
So formas de representao de dados que nos permite visualizar facilmente a natureza da
distribuio
Tipo de grficos mais usados:
13

- Grfico de barras
- Histograma
- Grfico de setores
- Grfico de linhas

4.4.1 Grfico de Barra

Representao de variveis categricas em que o tamanho de cada barra proporcional ao
nmero de indivduos na categoria

4.4.2 Histograma
Representao grfica para variveis quantitativas contnuas
um grfico de barras justapostas em que no eixo horizontal est a varivel de interesse,
dividida em classes
No eixo vertical constri-se uma barra para cada classe com altura igual freqncia
correspondente

14

4.4.3 Grfico de Linha

4.4.4 Grfico de Setor

15

Exemplo: A tabela abaixo disponibiliza as idades dos alunos de acordo com os mesmo. E a seguir as
anlises Estatsticas Descritivas deste conjunto de dados.
Aluno: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Idade : 18 19 22 18 17 18 17 21 23 20 18 18 18 17 19 18 21 20 22 15 18 18 17 17 91 21 17 24 23 18 19
Aluno: 32 33 34 35 36 37 38 39 40 41 42 43 44
Idade : 18 17 18 21 20 23 22 20 20 21 18 18 20

Acima est apresentado o Histograma das idades dos alunos. Neste grfico fica clara a presena
da Curva de normalidade, o Polgono de freqncia e a freqncia relativa. Porm uma anlise mais
detalhada dos dados obtida atravs do Sisvar quando imprimimos o Relatrio que est apresentado a
seguir.

Relatrio das Anlises Estatsticas Descritivas

Varivel analisada Idade
-------------------------------------------------------------------------------Estatsticas descritivas bsicas
-------------------------------------------------------------------------------n:
44
mdia aritmtica amostral:
19.522727272727
16

mdia harmnica amostral:

19.309317854275
mdia geomtrica amostral:
19.413732651510
varincia:
4.534355179704
desvio padro:
2.129402540551
desvio padro no viesado:
2.141817725098
coeficiente de variao(em %):
10.907300556954
erro padro da mdia:
0.321019511574
soma total:
859.000000000000
soma de quadrados no corrig.:
16965.000000000000
soma de quadrados corrigida:
194.977272727273
amplitude total (A ou R):
8.000000000000
mnimo:
17.000000000000
mximo:
25.000000000000
amplitude estudentizada (W):
3.756922351530
-------------------------------------------------------------------------------Obs. O Desvio padro no viesado obtido por: Sc = Q * S, em que Q dado
por: Q = [(n-1)/2]^0.5 * G[(n-1)/2]/G[n/2] * S; sendo G(a) a funo
gama do argumento a!
Estatsticas da natureza da distribuio
-------------------------------------------------------------------------------Coef. de Assimetria - Estimador beta:
0.699141405437
Coef. de Assimetria - Estimador gama:
0.724062905788
Coef. de curtose - Estimador beta:
2.588021756909
Coef. de curtose - Estimador gama:
-0.313111440407
Momento de ordem 3 centrado na mdia:
6.673385546800
Momento de ordem 4 centrado na mdia:
52.001368583247
-------------------------------------------------------------------------------Nota: Os estimadores beta de assimetria e curtose tm como referncias
os valores 0 (para o coef. de assimetria) e 3 para o de curtose!
J os estimadores gama tm como referncia o valor 0 (zero)!
Os momentos foram dividos por (n-1) e no por n!
------------------------------------------------------------------------------------------------------------------------------------------------------------Clculo dos percentis
-------------------------------------------------------------------------------Mtodo 5
-------------------------------------------------------------------------------Percentis (%)
Estimativa
-------------------------------------------------------------------------------5.0000
17.000000000000
10.0000
17.000000000000
15.0000
17.000000000000
20.0000
18.000000000000
25.0000
18.000000000000
30.0000
18.000000000000
35.0000
18.000000000000
40.0000
18.000000000000
45.0000
18.000000000000
17

50.0000
19.000000000000
55.0000
20.000000000000
60.0000
20.000000000000
65.0000
20.000000000000
70.0000
21.000000000000
75.0000
21.000000000000
80.0000
21.000000000000
85.0000
22.000000000000
90.0000
23.000000000000
95.0000
23.000000000000
100.0000
25.000000000000
-------------------------------------------------------------------------------Distribuio de freqncias
Nmero de classes:
7
Mtodo emprico
Moda =
18.301587301587
Obs. Em distribuies multimodais apenas uma moda calculada!
amplitude de classe (c) =
1.333333333333
---------------------------------------------------------------------------------------Classes (i)
Ponto mdio X(i)
FO(i)
Fr(i)
[ 16.333333333333; 17.666666666667) 17.000000000000
7 0.159090909091
[ 17.666666666667; 19.000000000000) 18.333333333333
17 0.386363636364
[ 19.000000000000; 20.333333333333) 19.666666666667
6 0.136363636364
[ 20.333333333333; 21.666666666667) 21.000000000000
6 0.136363636364
[ 21.666666666667; 23.000000000000) 22.333333333333
6 0.136363636364
[ 23.000000000000; 24.333333333333) 23.666666666667
1 0.022727272727
[ 24.333333333333; 25.666666666667) 25.000000000000
1 0.022727272727

5. Distribuies de Probabilidade de variveis Aleatrias

Contnuas e Discretas
Um Estatstico tem a tarefa tambm de analisar os dados de acordo com a possibilidade de
ocorrncia. O criador do Sisvar pensando tambm nisso, disponibilizou em seu programa a opo de
clculo de probabilidades de eventos com distribuies discretas e contnuas dando nfase quelas que
mais se aperfeioam com a rea de planejamento de Experimento. A seguir apresentaremos as algumas
distribuies de probabilidade que podem ser calculadas pelo Sisvar:

5.1

Distribuio Binomial

Uma Varivel Aleatria possui distribuio binomial quando se pode obter no evento Sucesso
ou fracasso. Para ser mais especifico, este Varivel uma soma de Bernoulli, onde se obtm apenas um
nico sucesso e/ou fracasso. Adotando como p a probabilidade de sucesso e q como a probabilidade
de fracasso, sendo q igual a 1-p.
Se fosse ser calculado mo, dever-se-ia saber fazer o seguinte calculo:

n
P[ X = x] = p x (1 p)n x
x
Onde,
18

n o tamanho da Amostra
p a Probabilidade de Sucesso
x o evento de interesse

Seqncia de passos para clculo de probabilidades de um evento com distribuio binomial:

1.
2.
3.
4.
5.
6.
7.
8.

Anlise
Clculo das Probabilidades
Escolha o modelo de Probabilidade binomial
Preencher o formulrio abaixo:
Selecione o evento: ( )P(Y=y); ( )P(Y>y); ( )P(Yy).
Probabilidade de sucesso(P):
Tamanho da amostra(n):
Nmero de sucessos(Y):

Clculo de
Probabilidade

Anlise

Lado Esquerdo
Superior

Escolher
o Evento

Lado Esquerdo
Inferior

Distribuio
de
Probabilidade

Calcular

Distribuio
de interesse

Distribuio
Binomial

OK

Probabilidades Pontuais

Relatrio
Probabilidade

Probabilidades
Pontuais

Exemplo: No Programa Universidade Aberta, a Federal de So Carlos abre as portas para o pblico em
geral, porm seus alvos so os alunos de cursinho e de ensino mdio com nfase para aqueles que esto
no terceiro colegial. Dizemos que X a quantidade de pessoas abordadas. Supe-se ser fracasso a
probabilidade de que uma pessoa seja abordada e no faa parte de nenhuma das categorias acima e sua
probabilidade de 20%. Numa amostra de 25, qual a probabilidade de que menos que 5 das pessoas
faam parte do publico alvo?
R: n = 25
p = 0.8
(1-p)=q=0.2
x<= 5
O relatrio que o Sisvar nos fornece est a mostra abaixo.
19

Clculo de probabilidade para a Binomial

Tamanho da amostra (n): 25
Probabilidade de sucesso (P):
0.80000000
P ( Y <= 5) = 1,93929923497909024E-10
----------------------------------------------------------Tamanho da amostra (n):
25
Probabilidade de sucesso (p): 0.80000000
y

P(Y = y)

P(Y <= y)

0 0,000000000000000003
0,000000000000000003
1 0,000000000000000335
0,000000000000000338
2 0,000000000000016106
0,000000000000016445
3 0,000000000000493921
0,000000000000510366
4 0,000000000010866267
0,000000000011376633
5 0,000000000182553290
0,000000000193929923
6 0,000000002434043866
0,000000002627973789
7 0,000000026426761973
0,000000029054735763
8 0,000000237840857762
0,000000266895593525
9 0,000001797019814204
0,000002063915407729
10 0,000011500926810909 0,000013564842218638
11 0,000062732328059503 0,000076297170278142
12 0,000292750864277682 0,000369048034555824
13 0,001171003457110730 0,001540051491666555
14 0,004014868995808218 0,005554920487474773
15 0,011776949054370777 0,017331869541845551
16 0,029442372635926956 0,046774242177772508
17 0,062348553817257118 0,109122795995029627
18 0,110841873452901619 0,219964669447931246
19 0,163345918772697270 0,383310588220628516
20 0,196015102527236968 0,579325690747865484
21 0,186681050025944594 0,766006740773810078
22 0,135768036382501632 0,901774777156311710
23 0,070835497243044412 0,972610274399356122
24 0,023611832414348166 0,996222106813704288
25 0,003777893186295711 1,000000000000000000
Obs Se alguns valores de Y forem omitidos porque P(Y=y)<=1e-19 ou P(Y<=y)>=1-1e-19

20

5.2 Distribuio Poisson

Uma Varivel Aleatria possui distribuio de Poisson se temos a ocorrncia de sucesso taxada,
em intervalos de tempo, unidade de medida, etc. Quando j se sabe com que freqncia a v.a. ocorre,
temos uma distribuio de Poisson.
A seguir seqncia de passos para calculo de probabilidade de eventos com distribuio
Poisson:
Seqncia de passos para calculo de probabilidades de enventos com distribuio Poisson.
Clculo de
Probabilidade

Anlise

P(X=x) ou
P(X>x) ou
P(X<=x)
Colo
Colocar a taxa
de ocorrncia

Distribuio
de Interesse

Distribuio
de
Probabilidade

Distribuio
de Poisson

OK

Probabilidades
Pontuais

Probabilidade
ser calculada

Calcular

Relatrio

O relatrio mostra todas as probabilidades de ocorrncia do evento pontuais. E como bom estatstico, os
nmeros mostrados nos relatrios devero ser analisados e a partir da anlise montar a concluso que se
tem deste evento.
Para calcular probabilidade de V.A. com esta distribuio usada a seguinte frmula:

x
P (X=x) = e
x!
Resolvendo esta equao acima obtemos o resultado calculado pelo Sisvar.

21

Exemplo: Observando ainda a Universidade aberta, foi notado que 15 pessoas a cada 30 minutos
visitam o stand da Estatstica. Sendo assim, qual a probabilidade de nos prximos 30 minutos no
mximo 10 pessoas visitarem este stand?
Clculo de probabilidade para a Poisson
-------------------------------------------------------------------------------Nmero de sucessos:
10
Parmetro da Poisson (K):
15.00000000
P ( Y <= 10) =
1.18464411529015340E-0001
--------------------------------------------------------------------------------------------------------------------------------------------------------------Mdia (k) da Poisson:
15.000000000000000000
--------------------------------------------------------------------------------------------------------------------------------------------------------------y

P(Y = y)

P(Y <= y)

-------------------------------------------------------------------------------------------------------

0 0.000000305902320500
1 0.000004588534807530
2 0.000034414011056460
3 0.000172070055282280
4 0.000645262707308540
5 0.001935788121925620
6 0.004839470304814050
7 0.010370293510315820
8 0.019444300331842170
9 0.032407167219736950
10 0.048610750829605420
11 0.066287387494916490
12 0.082859234368645620
13 0.095606808886898810
14 0.102435866664534490
15 0.102435866664531870
16 0.096033624998000930
17 0.084735551468824380
18 0.070612959557353680
19 0.055747073334752950
20 0.041810305001064660
21 0.029864503572189140
22 0.020362161526492620
23 0.013279670560756070
24 0.008299794100472540
49
50
51
52
53
54
55
56
57
58
59
60

0.000000000002137710
0.000000000000641310
0.000000000000188620
0.000000000000054410
0.000000000000015400
0.000000000000004280
0.000000000000001170
0.000000000000000310
0.000000000000000080
0.000000000000000020
0.000000000000000010
0.000000000000000000

0.0000003059023205000
0.0000048944371280300
0.0000393084481844800
0.0002113785034667600
0.0008566412107753000
0.0027924293327009200
0.0076318996375149700
0.0180021931478308000
0.0374464934796729700
0.0698536606994099200
0.1184644115290153400
0.1847517990239318300
0.2676110333925774500
0.3632178422794762600
0.4656537089440107500
0.5680895756085426200
0.6641232006065435500
0.7488587520753679300
0.8194717116327216100
0.8752187849674745600
0.9170290899685392300
0.9468935935407283600
0.9672557550672209800
0.9805354256279770500
0.9888352197284495900
.
0.9999999999990943900
0.9999999999997357000
0.9999999999999243200
0.9999999999999787300
0.9999999999999941300
0.9999999999999984100
0.9999999999999995800
0.9999999999999998900
0.9999999999999999700
0.9999999999999999900
1.0000000000000000000
1.0000000000000000000

Obs Se alguns valores de Y forem omitidos porque P(Y=y)<=1e-19 ou P(Y<=y)>=1-1e-19

A probabilidade de se entrar 10 pessoas no stand da estatstica de 11%.

22

5.3. Distribuio Normal

A distribuio Normal uma das mais importantes na rea da estatstica. Esta distribuio se
usada em diversas reas e de diferentes maneiras. Porm na rea de estatstica usada para calculo de
probabilidades, testes de hipteses, intervalos de confiana, e grande parte de tudo que envolve a
estatstica Paramtrica. Sendo assim vemos que se mais que necessrio o aprendizado de um simples
calculo de probabilidade e um maior avano nos estudos da Distribuio Normal e suas Aplicaes.
No Sisvar h tem tambm a opo para o clculo de probabilidade de eventos com distribuio
Normal, basta seguir a seqncia de passos a seguir e observar que no nada complicado.
Seqncia de passos para clculo de probabilidades de eventos com distribuio Normal:
1. Anlise
2. Clculo das Probabilidades
3. Escolha o modelo de Probabilidade Normal
4. Preencher o formulrio abaixo:
Escolha a opo:
( )Clculo da probabilidade(p),dado Xc P(X>Xc)=p
(x)Clculo dos quantis(Xc),dado pP(X>Xc)=p

Mdia:
Varincia:
Valor de p tal que P(X>Xc)=p:

Anlise

Selecione:
Clculo de
Probabilidade

Clculo de
Probabilidade

Colocar a
Mdia

Distribuio
de Interesse

Colocar a
Varincia

Distribuio
Normal

Calcular

OK

Sair
relatrio

Aps o calculo da probabilidade, fazer o comentrio exigido de um estatstico e sua concluso a

respeito do modelo ou do evento.
Exemplo: Sabe-se que o vestibular da Federal de So Carlos tem 38.900 candidatos a 2.755 vagas
oferecidas. Sabe-se tambm que destes 38.900, 270 so candidatos ao curso de estatstica. Supondo
ainda o tempo para realizao da prova da federal ter distribuio normal com media 115min e varincia
15min. Sendo assim, qual a probabilidade de ser sorteado ao acaso um aluno do curso de estatstica que
fez a prova em no mnimo 90 min?
Soluo: Primeiramente calculamos a probabilidade do aluno sorteado ser do curso de
estatstica,da seguinte forma:
N=38.900
n = 270
P(aluno ser da estatstica) = 270/38.900= 0.007
23

Agora se precisa calcular a probabilidade deste mesmo aluno ter terminado a prova em no
mnimo 90 min?
90 115
Para tanto faremos a mudana de varivel Z =
= -1.66, fazemos esta mudana de
15
varivel para no precisar mudar os parmetros de entrada do sisvar, que so da normal padro. Porem
poderamos simplesmente colocar estes parmetros da maneira que esto.
Aqui precisa agora colocar em pratica a seqncia de passos ensinada anteriormente e calcular
esta probabilidade, sendo x o tempo demandado para realizao da prova.

Fazendo isso obtemos o seguinte resultado:

Clculo de probabilidade para a Normal

----------------------------------------------------------Mdia:
0.00000
Varincia:
1.00000
P (X >=-1.660000)=
0.9515427737
----------------------------------------------------------Precisamos agora aplicar conhecimentos de probabilidade, no qual aprendemos que a probabilidade de
acontecer um evento e outro ao mesmo tempo igual a:
P( aluno de estatstica) e P(X>=90) igual a P(aluno de estatistica) * P(X>=90) =
0.007
* 0.951542 = 0.00666
sendo assim, a probabilidade de ser escolhido um aluno do curso de estatstica, com tempo
mnimo de 90 minutos igual a 0.00666.

6. Intervalo de confiana
Nesta seo temos por objetivo inserir o interessado na teoria de Intervalos de confiana. Sabe-se
que pode ser calculado este I.C. (intervalo de confiana) para diferentes parmetros, como a media,
proporo e varincia. Aqui ser mostrado o procedimento para o clculo do intervalo de confiana para
um destes parmetros: A mdia. Para os demais a seqncia de passos semelhante, bastando apenas
modificar o parmetro de interesse.
O Intervalo de Confiana consiste em estimar um Intervalo onde o Verdadeiro parmetro
populacional esteja inserido com determinada confiana. Com isso, baseado numa amostra podemos
obter uma estimativa do parmetro populacional sem precisar analisar toda a populao. Eis a uma das
vantagens do I.C. e uma de suas utilidades.
Sendo assim passo agora a seqncia de passos para construo de um intervalo de confiana
para a mdia no Sisvar:

24

Anlise

Estimao

Teclado

Escolhe o
parmetro

Preencher as
lacunas que
vo aparecer

Calcular

Relatrio
Exemplo: Os estudos a partir de uma amostra com 40 indivduos verificaram uma mdia de 23
horas de estudos semanais, com um desvio padro de 2 horas. Sendo assim, Determine o intervalo com
95% de confiana para a verdadeira mdia.
Resultado: seguindo os passos acima se obteve os seguintes resultado:
N=40,

Mdia = 23 horas,

desvio = 2 horas,

Significncia = 95%

Com isso o intervalo de confiana para a verdadeira mdia dado como no relatrio do sisvar
por:
Estimao de mdias
-------------------------------------------------------------------------------Mdia amostral:
23.000000
Tamanho da amostra:
40
Coeficiente de Confiana (%):
95.00
Intervalo de confiana: [LI; LS]
[22.360369;
23.639631]
--------------------------------------------------------------------------------

Ou seja, com 95% de confiana pode-se dizer que a verdadeira mdia populacional est contida neste
intervalo

7. Teste de Hiptese
Um dos problemas a serem resolvidos pela inferncia estatstica o de testar uma hiptese, isto
, feita determinada afirmao sobre uma populao, usualmente sobre um parmetro desta, desejamos
saber se os resultados de uma amostra contrariam, ou no, tal afirmao. Assim, estabelecemos uma
regio de deciso para aceitar os rejeitar uma afirmao (hiptese) sobre um parmetro populacional
desconhecido, com base em elementos amostrais.
A construo de um teste de hiptese, para um parmetro populacional, pode ser colocada do
seguinte modo. Existe uma varivel X em uma dada populao. Tem-se uma hiptese sobre determinado
parmetro dessa populao. Por exemplo, afirmamos que este valor um nmero 0 . Colhe-se uma
amostra aleatria de elementos dessa populao, e atravs dela deseja-se aceitar ou rejeitar tal hiptese.
Iniciamos explicitando claramente qual a hiptese que estamos colocando prova, e a chamamos
de hiptese nula. No nosso caso:
H 0 : = 0
Em seguida, convm explicar tambm, a hiptese alternativa que ser colocada como aceitvel
caso H 0 seja rejeitada. A essa hiptese chamamos de hiptese alternativa, e a sua caracterizao
estatstica ir depender do grau de conhecimento que se tem do problema estudado. A alternativa mais
geral seria:
25

H 0 : 0 .
Poderamos ainda ter alternativas da forma:
H 1 : < 0 ou H 1 : > 0 ,
Dependendo das informaes que o problema traz.
Qualquer que seja a deciso tomada j foi visto que estamos sujeitos a cometer erros. Para
facilitar a linguagem, necessitamos das definies:
Erro Tipo I: Rejeitar a hiptese nula quando ela verdadeira. Chamamos de a probabilidade de
cometer esse erro, isto ,

= P[erro tipo I] = P[rejeitar H 0 / H 0 verdadeiro].

Erro Tipo II: Aceitar H 0 quando o mesmo falso. A probabilidade de se cometer um erro desse
tipo indicada por ,

= P[erro tipo II] = P[aceitar H 0 / H 0 falso].

O objetivo do teste de hiptese consiste em dizer, atravs de uma estatstica obtida de uma
amostra, se a hiptese H 0 ou no aceitvel. Operacionalmente, isto conseguido atravs de uma
regio RC; caso o valor observado da estatstica pertena a essa regio, rejeitamos a hiptese nula; caso
contrrio, no a rejeitamos. Essa regio construda de modo que a P( RC/ H 0 verdadeira) seja
igual a um numero fixado. RC recebe o nome de regio crtica, esta regio critica sempre construda
atravs da hiptese de hiptese nula verdadeira. A determinao do valor de j mais fcil, pois
usualmente no especificam valores fixos para o parmetro na situao alternativa.

No Sisvar o clculo do Teste de Hiptese obtido sendo seguidos os passos:

Anlise

Valor a testar
a Hiptese

Calcular

Teste de
Hiptese

Varincia da
Amostra

Escolher o
parmetro

Nvel de
Significncia

Entrar o parmetro
obtido pela amostra

Tamanho
da Amostra

Relatrio

Exemplo: Jairo Simon (modificado). Os registros dos ltimos anos de um colgio, atestam para os
calouros admitidos a nota mdia 115 (teste vocacional). Para testar a hiptese de que a mdia de uma

26

nova turma a mesma, tirou-se, ao acaso, uma amostra de 40 notas, obtendo-se mdia 118 e desvio
padro 20. Admitir que = 0.05, para efetuar o teste.
Resoluo
Mdia = 115,

desvio = 20,

mdia amostral = 118,

= 0.05,

n = 40

Sada do Sisvar para o exemplo dado:

Hipteses sobre mdias
________________________________________________________________________________
Obs. Esse teste bilateral!
Para obter a significncia do correspondente unilateral,
divida o valor calculado do nvel de significncia por 2
________________________________________________________________________________
Tamanho da amostra:
40
Mdia da amostra:
118.000000
Varincia da amostra:
40.000000
Teste da hiptese: Ho: m =
115.000000
t calculado: tc =
3.000000
Probabilidade: P(t>|tc|) =
0.004687
Rejeita-se Ho ao nvel de 5.00% de probabilidade
________________________________________________________________________________

8. Anlise de Varincia
Uma das preocupaes da estatstica ao analisar dados, a de criar modelos que possam explicar
estruturas do fenmeno em observao, as quais freqentemente esto misturadas com variaes
acidentais ou aleatrias. A identificao dessas estruturas permite conhecer melhor o fenmeno, bem
como fazer afirmao sobre possveis comportamentos do mesmo. Assim sendo, os modelos de anlise
de varincia so ferramentas estatsticas usadas para se estudar efeitos de determinadas variveis (ou
fatores) sobre uma varivel resposta.
Quando queremos comparar mais de uma mdia ao mesmo tempo, estamos num caso de anlise
de Varincia onde ser dito ser relevante ou no a escolha de algo que seja comparado ou se os dois
so iguais. No passa de um teste de hiptese porm neste caso temos como hiptese nula a igualdade de
todas as medias e como hiptese alternativa que existe pelo menos uma media diferente. Quando
fazendo este teste, se dissermos que aceitamos a hiptese nula estamos dizemos que o que esta sendo
analisado indiferente, ou seja, pode-se escolher um ou outro de maneira igual, porm ao aceitar a
hiptese alternativa est dizendo que um daqueles que esto sendo analisados tem vantagem ou
desvantagem na escolha. E por isso fazemos uma analise de varincia para este teste.
Na prtica anlise de varincia usada para se determinar se as mdias de duas ou mais
populaes so iguais.
O MODELO DE ANLISE DE VARINCIA COM UM FATOR:

OBS: Na notao usual, os grupos so chamados de tratamentos.

H trs suposies bsicas que devem ser satisfeitas para que se possa aplicar a anlise de
varincia.
1) As amostras devem ser aleatrias e independentes.
2) As amostras devem ser extradas de populaes normais.
27

3) As populaes devem ter varincias iguais, isto , 12 = 22 = ...= k2 = 2

A anlise de varincia, como o nome indica, envolve o clculo de varincias, onde a
anlise destas varincias pode revelar se determinado fator est tendo influncia, ou no, sobre a
varivel resposta. Assim sendo, podemos estimar a varincia comum 2 com base nos elementos
amostrais.

ESTIMAO DA VARIABILIDADE ENTRE E DENTRO DOS TRATAMENTOS (GRUPOS).

a) Variabilidade Dentro dos Tratamentos.

- Soma de Quadrados dentro (Residual).
k

SQDen =

ni

(y
i =1 j =1

onde:

ij

yi )2

- y i = y ij / n i = mdia amostral do tratamento i.

- ni = n de observaes do tratamento i.
- k = n de tratamentos.
- Quadrado Mdio dentro dos tratamentos i.
QMDen =

SQDen
= s R2
nk

onde: n = n1 + n2 + ... + nk o n total de observaes.

s R2 um estimador no viciado para a varincia com um 2.
b) Variabilidade Entre tratamentos.
- Soma de Quadrados entre tratamentos.
SQEnt =
onde: y =

ij

ni (yi y)2

/N

- Quadrado Mdio entre tratamentos.

QMEnt =

SQEnt
k 1

Se no existir diferena significativa entre as mdias dos tratamentos, o QMEnt ser um segundo
estimador de 2. Ento, se as duas estimativas so aproximadamente iguais, isto tende a indicar que as
mdias entre os tratamentos so iguais.

28

c) Soma de Quadrados Total.

SQTot =

(yij y)2 ,

que tambm pode ser obtido de:

SQTot = SQDen + SQEnt.
Tabela de Anlise de Varincia.

As informaes obtidas anteriormente podem, ento, ser agrupadas numa tabela, descrita abaixo,
chamada de tabela de Anlise de Varincia ou simplesmente, tabela ANOVA.
ANOVA para um fator com k nveis
GRAUS DE SOMA DE QUADRADO

FONTES
F
Valor P
DE
VARIA LIBERDADE QUADRA
MDIO
O
DO
k1
SQEnt
QMEnt
QMent/S2
P
ENTRE
2
Nk
SQDen
QMDen = S
DENTRE
N1
SQTot
TOTAL
onde F = QMEnt 2 , e p = probabilidade de significncia do teste F.
sR
A estatstica F definida acima usada para testar a hiptese H0 de que as mdias dos
tratamentos (grupos etrios) so iguais entre si, contra a alternativa Ha de que pelo menos uma delas
diferente. Ela deve ser comparada com o percentil 100 (1 - )% de uma distribuio F de Snedecor com
(k 1) e (N k) graus de liberdade.
Se o valor F observado maior do que F(k-1);(n-k);(1-), ou ainda, se o valor p for menor do que ,
ento rejeitamos a hiptese H0 de que as mdias dos tratamentos so iguais.
Para determinar a ANOVA atravs do sisvar devem-se seguir os seguintes passos:

Anlise

OK

Clica na varivel
de anlise do
experimento

Abrir
arquivo

Anava

Clica no item
nenhum teste

Finalizar

Clica no arquivo
adequado para
anlise

D clique
duplo na fonte
de variao

Clique em
nenhuma
transformao

Clica na varivel
que indica os
tratamentos

Clica
em Fim

Clica em
adicionar

Finalizar

29

Exemplo: Em um experimento para avaliar o consumo de energia eltrica em KWh de trs

motores durante uma hora de funcionamento, obteve-se os seguintes resultados:
Tabela 1: Distribuio do consumo de energia de acordo com os motores
Motores Motor 1
2212
2025
1989
2232
2027
Total
10485

Motor 2
2195
2031
1876
1750
1060
8912

Motor 3
1770
1800
1852
1769
7191

Resoluo:
Arquivo analisado:
C:\Documents and Settings\COMPUTER1\Desktop\Anava.DB
-------------------------------------------------------------------------------Varivel analisada: Consumo
Opo de transformao: Varivel sem transformao ( Y )
-------------------------------------------------------------------------------TABELA DE ANLISE DE VARINCIA
-------------------------------------------------------------------------------FV
GL
SQ
QM
Fc Pr>Fc
-------------------------------------------------------------------------------Motores
2
305003.764286
152501.882143
2.042 0.1761
erro
11
821455.950000
74677.813636
-------------------------------------------------------------------------------Total corrigido
13
1126459.714286
-------------------------------------------------------------------------------CV (%) =
14.39
Mdia geral:
1899.1428571
Nmero de observaes:
14
--------------------------------------------------------------------------------

9. Anlise de Regresso Linear Simples

A anlise de regresso tem por objetivo estudar a relao linear de duas os mais variveis
quantitativas. Com esta anlise pode-se dizer se estas variveis esto relacionadas com um alto ou baixo
coeficiente de correlao. Este coeficiente pode ser negativo quando as variveis esto inversamente
proporcionais relacionadas e pode ser positivo se o estiver diretamente proporcional relacionada. A
regressao estabelece uma equao linear, que permite estimar o valor de uma varivel em funo de
outra varivel e estimar os resduos.
Para se estimar o valor esperado, usa-se de uma equao, que determina a relao entre ambas as
variveis.

Yi = + X i + ei
Em que: Yi - Varivel explicada (dependente); o valor que se quer atingir;
- uma constante, que representa a interceptao da reta com o eixo vertical;
- outra constante, que representa o declive da reta;
Xi - Varivel explicativa (independente), representa o fator explicativo na equao;
30

ei - Varivel que inclui todos os factores residuais mais os possveis erros de medio. O seu
comportamento aleatrio, devido natureza dos factores que encerra. Para que essa frmula possa ser
aplicada, os erros devem satisfazer determinadas hipteses, que so: serem variveis normais, com a
mesma varincia (desconhecida), independentes e independentes da varivel explicativa X.
Os parametros e sao obtidos da seguinte maneira:
__

___

= Y X onde igual a
=

XY X Y
n X ( X )
2

onde n o tamanho da amostra.

Sequncia de passos para Anlise de Regresso:

1 )Anlise
2 )Regresso Linear
3 )Arquivo
4 )Abrir: selecionar o arquivo que deseja realizar a anlise de regresso linear simples
5 )Clicar, no canto superior esquerdo, na varivel explicativa do modelo e d ENTER
6 )Clicar, no canto inferior esquerdo, na varivel dependente do modelo
7 )Ajustar

Anlise

Regresso
Linear

Canto superior
Esquerdo

Clica na Varivel
explicativa

Canto inferior
Esquerdo

Clica na varivel
dependente

Arquivo

Abrir

Seleciona
o Arquivo

Enter

Ajustar

31

Exemplo: Queria-se observar se h relao entre o numero de candidato por vaga em cada curso do
vestibular e respectiva nota mnima para adentrar a faculdade tambm neste curso. O estatstico
observou, ento, que poderia fazer uma analise de regresso linear e observar o comportamento das duas
variveis. Vendo assim se tem relao. Abaixo segue a tabela com a concorrncia candidato vaga e a
pontuao de cada curso:

C/V
15.08
29.60
37.83
9.45
16.94
12.43
6.92
6.22
6.64
8.60
13.26
7.66
20.43
5.93
17.70

Pontuao
63,09
77,68
77,46
62,03
75,92
75,01
67,44
48,66
42,81
52,32
60,32
44,61
68,39
56
79,53

16.73
13.19
26.08
20.02
15.44
13.80
17.10
10.62
7.20
4.31
4.40
4.40
3.39
3.07
6.07
11.83

75,62
81,2
77,56
84,36
88,07
72,71
85,37
86,62
77,18
40,83
46,8
49,42
70,88
40,84
51,05
66,61

7.56
2.89
84.34
2.30
4.00
9.00
2.30
30.54
5.27
10.10
5.36
8.03
1.64
6.38
3.46

55,07
39,22
100,62
44
30,28
21,29
38,95
76,43
39,37
38,89
74,35
68,19
38,22
43,41
32,77

32

Soluo do Problema:
Primeiro os dados foram dispostos numa tabela dentro do sisvar. Como mostra a imagem a seguir:

Aps a disposio dos dados como na tabela acima, poderemos comear a anlise de regresso.
Seguindo a seqncia de passos mostrada na pagina anterior, e com isso atingiremos os seguintes
resultados:
-----------------------------------------------------------------------Varivel
analisada: C/V
----------------------------------------------------------------------Variveis do modelo e codificao usada
-----------------------------------------------------------------------b( 1):
Pontuao
-----------------------------------------------------------------------Anlise de
varincia
----------------------------------------------------------------------FV
GL
SQ
QM
Fc Pr>Fc
-----------------------------------------------------------------------Modelo
1
3223.981834409
3223.98183441
28.2622 0.0000
Erro
44
5019.258811243
114.07406389
----------------------------------------------------------------------Total corrigido
45
8243.240645652
Total no corrigido 15443.4963
-----------------------------------------------------------------------Mdia
12.51108696
Raiz do QME
10.68054605
R^2
0.39110612
R^2 ajustado
0.37726762
C.V.(%)
85.36865011
----------------------------------------------------------------------Anlise de varincia seqencial (Tipo I)
----------------------------------------------------------------------FV
GL
SQ
QM
Fc Pr>Fc
-----------------------------------------------------------------------b
( 1)
1
3223.981834409
3223.98183441
28.2622 0.0000
----------------------------------------------------------------------Anlise de varincia parcial (Tipo II)
-----------------------------------------------------------------------FV

GL
SQ
QM
Fc Pr>Fc
----------------------------------------------------------------------b
( 1)
1
3223.981834409
3223.98183441
28.2622 0.0000
--------------------------------------------------------------------------------------------------------------------------------------------Estimativas dos parmetros
----------------------------------------------------------------------Estimativa dos
t para H0:
Varivel
GL
parmetros
EP
parmetro = 0
Pr>|t|
-------------------------------------------------------------------------------b
( 0) 1
-14.78922034082
5.371316502
-2.753369744 .0085
b
( 1) 1
0.45052436301
0.084745266
5.316218669 0.0000
----------------------------------------------------------------------R^2 paciais e semi parciais tipo I e tipo II
----------------------------------------------------------------------R^2 Parcial
R^2 semi Parcial
R^2 Parcial
R^2 Semi Parcial
Varivel
tipo I
tipo I
tipo II
tipo II
-----------------------------------------------------------------------b
( 1)
0.39110611627
0.39110611627
0.39110611627
0.39110611627
----------------------------------------------------------------------Matriz X'X
----------------------------------------------------------------------b
( 0) b
( 1)
b 0
46.00000
2787.45000
b 1

2787.45000

184794.23950

----------------------------------------------------------------------inversa
----------------------------------------------------------------------( 0) b
( 1)
b 0
0.25291
-0.00381
b 1

-0.00381

Matriz X'X
b

0.00006

----------------------------------------------------------------------observao importante: neste caso beta_1 difere significativamente de 0 (p-valor =

0.00)
Erro padro do
Obs Vlr observado
Valor predito
valor predito
Resduos
----------------------------------------------------------------------1
15.08000
13.63436
1.58887
1.44564
2
29.60000
20.20751
2.13911
9.39249
3
37.83000
20.10840
2.12653
17.72160
4
9.45000
13.15681
1.57944
-3.70681
5
16.94000
19.41459
2.04112
-2.47459
6
12.43000
19.00461
1.99294
-6.57461
7
6.92000
15.59414
1.67815
-8.67414
8
6.22000
7.13330
1.87168
-0.91330
9
6.64000
4.49773
2.17990
2.14227
10
8.60000
8.78221
1.72391
-0.18221
11
13.26000
12.38641
1.57494
0.87359
12
7.66000
5.30867
2.07734
2.35133
13
20.43000
16.02214
1.70765
4.40786
14
5.93000
10.44014
1.62223
-4.51014
15
17.70000
21.04098
2.24818
-3.34098
16
16.73000
19.27943
2.02504
-2.54943
17
13.19000
21.79336
2.35127
-8.60336
18
26.08000
20.15345
2.13224
5.92655
19
20.02000
23.21701
2.55643
-3.19701

34

20
15.44000
24.88846
2.81079
-9.44846
21
13.80000
17.96841
1.87980
-4.16841
22
17.10000
23.67204
2.62439
-6.57204
23
10.62000
24.23520
2.70988
-13.61520
24
7.20000
19.98225
2.11066
-12.78225
25
4.31000
3.60569
2.29912
0.70431
26
4.40000
6.29532
1.96136
-1.89532
27
4.40000
7.47569
1.83767
-3.07569
28
3.39000
17.14395
1.79981
-13.75395
29
3.07000
3.61019
2.29850
-0.54019
30
6.07000
8.21005
1.77043
-2.14005
31
11.83000
15.22021
1.65516
-3.39021
32
7.56000
10.02116
1.64294
-2.46116
33
2.89000
2.88035
2.40035
0.00965
34
84.34000
30.54254
3.73953
53.79746
35
2.30000
5.03385
2.11142
-2.73385
36
4.00000
-1.14734
3.01341
5.14734
37
9.00000
-5.19756
3.68454
14.19756
38
2.30000
2.75870
2.41767
-0.45870
39
30.54000
19.64436
2.06888
10.89564
40
5.27000
2.94792
2.39077
2.32208
41
10.10000
2.73167
2.42153
7.36833
42
5.36000
18.70727
1.95916
-13.34727
43
8.03000
15.93204
1.70116
-7.90204
44
1.64000
2.42982
2.46494
-0.78982
45
6.38000
4.76804
2.14505
1.61196
46
3.46000
-0.02554
2.83565
3.48554
----------------------------------------------------------------------Estimativas dos parmetros padronizados
----------------------------------------------------------------------Estimativa dos coeficientes
Varivel
GL
de regresso padronizados
----------------------------------------------------------------------b
( 1) 1
0.62538477458
----------------------------------------------------------------------Usa-se com estimativa de regresso a seguinte equao:

Y = -14.78922034082 + 0.45052436301X

,ou seja,

Y = b0 + b1 X

35

10. Consideraes Finais

O Sisvar possui uma srie de vantagens competitivas, sendo a principal delas sua grande
interatividade com o usurio propiciando um ambiente simples, eficiente, poderoso, muito robusto e
acurado. Essas so as principais razes de seu enorme uso por grande parte da comunidade cientfica;
espera-se que esse texto seja capaz de ampliar ainda mais sua utilizao.
Tendo visto apenas um pouco da capacidade exploratria de dados do Sisvar, podemos muito
bem dizer que este de grande utilidade para um profissional estatstico ou mesmo um aluno da mesma
rea. Ficando claro o uso de todas as suas faculdades simples observar que o sisvar facilita e muito o
calculo de estatsticas descritivas e probabilidades discretas, bem como o calculo de probabilidades com
distribuio continua e medidas mais detalhadas da estatstica, tendo tambm aplicao em testes de
hiptese. Com isso, vemos que o sisvar ainda tem muito a ser explorado e assim ser em posteriores
oportunidades bastando apenas aplica-lo ao seu andamento no curso.

11. Referncias Bibliogrficas

- Manual do Sisvar
- Comunicao Oral do Giovani apresentada na 54 Rbras e 13 Seagro
- Apoio do Prof Dr. Daniel Furtado Ferreira da UFLA pelo e-mail fornecido no Sisvar,
danielff@ufla.br.
- www.comvest.com.br, banco de dados vestibulares da Unicamp.
- Fonseca, Jairo Simon da. Martins, Gilberto de Andrade: Curso de Estatstica,3 edio.
- Oliveira, Francisco Estevam Martins de, Estatstica e Probabilidade.
- Magalhes, Marcos Nascimento (2000). Probabilidade e Variveis aleatrias; Editora.
BUSSAB,W.O. - Anlise de Varincia e de Regresso. Atual Editora, 1986;
MORETTIN, P.A. & BUSSAB, W.O. - Estatstica Bsica. Editora Saraiva, 5a. Ed., 2002;

PUBLICAES ANTERIORES
. PAULA, V.A.; MASCARENHAS, M.R.; BARRETO, M.C.M. "Introduo ao Epi-Info".
Maro/97, No 01.
. CARVALHO, E. P.; DINIZ, C. A. R. "Introduo a Experimentos com Misturas". Abril/97, N o
02.
. MASCARENHAS, M.R; BARRETO, M.C.M.; ARAGO, F.J.O.S.; PAULA, V.A. "Estatstica
Usando Excel". Agosto/97, No 03.
. FERREIRA FILHO, P.; BERETA, E.M.P.; RIBEIRO, F.B.; Tabela de Burt. Maio/1998, No 04.
. DINIZ, C.A.R.; OISHI, J. EVOP - Operao Evolutiva, Junho/1998, N0 05.
. OLIVEIRA, L. A. Introduo Biometria - Epidemiologia, Agosto/1998, No 06.
. BARRETO, M.C.M.; GOMES, A.Z.; VALRIO, E.M.; SILVA, F.C.; BATISTELA, J.A.;
DRIUSSO, P.; CEMBRANELI, R.C. "Introduo ao Epi-Info 6". Abril/99, No 07.
. OLIVEIRA, L.A. Probabilidade e Estatstica para Engenherios: Idias Iniciais de
Planejamento de Experimento. Novembro/99, N 08.
. LEITE, J.G. "Introduo Inferncia Bayesiana". Maro/2000, N 09.
. MILAN, L.A. "Introduo Linguagem S-plus". Maio/2000, N 10.
. OLIVEIRA, L.A. "Probabilidade e Estatstica para Engenheiros: idias iniciais de
amostragem". Agosto/2000, N 11.
. LOUZADA-NETO, F.; DINIZ, C.A.R. "Uma Introduo ao Data Mining". Setembro/2000, N
12.
. OLIVEIRA, L.A. Introduo Demografia. Agosto/2001, N 13.
. OLIVEIRA, L.A. Introduo Anlise Estatstica de Dados. Agosto/2001, N 14.
. MARTINEZA, E.Z.; LOUZADA-NETO, F.; PEREIRA, B.B. Anlise de Testes Diagnsticos Via
Curva ROC. Maro/2002, N 15.
. TORRES, C.A.D; CANDOLO, C. Construo de Grficos no SAS. Agosto/2003, N 16.
. OLIVEIRA, L.A. Introduo Demografia: Anlise por Perodo. Outubro/2003. N 17.
. BARRETO, M.C.M. Amostragem no Meio Ambiente: Amostragem por Transectos.
Maro/2004. N 18.
. OLIVEIRA, L.A.; DESIDER, L.C. O Uso de Transformaes na Anlise Estatsttica de
Dados Uma Introduo. Dezembro/2004. N 19.
. OLIVEIRA, L.A. Introduo Demografia: Anlise de Mortalidade. Janeiro/2005. N 20.
. OLIVEIRA, L.A. Alisamento de Seqncias ou Sries por Filtros Resistentes. Junho/2005.
N 21.
. TORRES, C.A.D; CANDOLO, C.
Uso do Enterprise Miner Software do SAS.
Outrubro/2005, N 22.
. VITTE, D.C.C.; CANDOLO, C. Acess para Estatstica. Novembro/2005, N 23.
. FRANCO, M. A. P.; MANTOVANI, A.; Estudo por Simulao da Distribuio de Estimadores
por Mxima Verossimilhana na Presena de Censura. Janeiro/2006, N.24.
. LOUZADA - NETO, F.; Modelagem Temporal em Credit Scoring: Uma Nova Alternativa
Modelagem Tradicional via Anlise de Sobrevivncia. Fevereiro/2006, N 25
. LOUZADA-NETO; F.; DINIZ; C. A. R.; Aumentando a Capacidade Preditiva da Modelagem
de Credit Scoring via combinao de Preditores Uma Introduo. Outubro/2007, N 26