Escolar Documentos
Profissional Documentos
Cultura Documentos
1 - Introdução
Diversos problemas da Engenharia e outras ciências requerem que decidamos entre aceitar ou
rejeitar uma afirmação acerca de algum parâmetro. Essa afirmação é chamada de hipótese e o
procedimento de tomada de decisão sobre a hipótese é chamado de teste de hipóteses.
Para se realizar um teste de hipótese estatística, retira-se uma amostra da população em estudo,
com base nessa amostra e utilizando um estimador não tendencioso do parâmetro toma-se a decisão
de rejeitar ou aceitar a afirmação.
Um conceito importante a ser definido é o nível de significância α, que é utilizado para se definir as
regiões de aceitação e rejeição do teste de hipóteses. O valor mais utilizado é 5%, que é o valor a ser
utilizado nesse curso.
Outro importante conceito é o P-value (ou Valor P) que é o menor nível de significância que conduz à
rejeição da hipótese nula H0 com os dados fornecidos.
Quando uma estimativa de um parâmetro não fornece informação suficiente é interessante fazermos
o intervalo de confiança para um parâmetro.
Para utilizar-se a distribuição normal considera-se que a população de origem seja normalmente
distribuída, ou que as condições do Teorema Central do Limite sejam satisfeitas. Assim, a distribuição
da média amostral é aproximadamente normal, com média µ e variância σ2/n.
Se o valor observado da Estatística de Teste pertencer à região crítica, deve-se rejeitar a hipótese
nula H0, caso contrário não rejeita-se a hipótese nula H0.
EXEMPLO 1
Proposta:
Testar a média de uma população, quando o desvio padrão da população for conhecido.
Problema:
Considere que uma indústria compra de um certo fabricante, pinos cuja resistência média à
ruptura é especificada em 12 kgf (valor nominal da especificação). Em um determinado dia, a
indústria recebeu um grande lote de pinos e a equipe técnica da industria deseja verificar se
o lote atende às especifições. Considere o desvio padrão como igual 4 e que a resistência à
ruptura é normalmente distribuída. Adote um nível de significância de 5%.
Ferramentas:
1-Sample Z
Fonte de dados:
TH-1.mpj
1-SAMPLE Z
1. Abra o arquivo TH-1
2. Selecione Static > Basic Statics > 1-Sample Z
3. Preencha o quadro de acordo a figura seguinte:
4. Clique em OK
SAÍDA DO MINITAB
Test of mu = 12 vs not = 12
The assumed standard deviation = 4
CONCLUSÃO
Há evidências estatísticas para considerarmos que a resistência média à ruptura dos pinos
produzidos pelo fabricante seja realmente igual a 12, assim esses pinos estão dentro das
especificações estabelecidas.
INTERVALO DE CONFIANÇA
De acordo com a saída do MINITAB 14, temos o seguinte Intervalo de Confiança:
Como o Intervalo de Confiança acima contém o 12, podemos concluir então que a resistência
média à ruptura dos pinos produzidos pelo fabricante seja realmente igual a 12.
- Para o Teste Unilateral Esquerdo, a região crítica será: Rc = {T < - t 0,05; n-1};
- Para o Teste Unilateral Direito, a região crítica será: Rc = {T > t 0,05; n-1};
- Para o Teste Bilateral, a região crítica sera: Rc = {│T│> t 0,025; n-1}.
(i) (ii) (iii)
Figura 2 – Gráficos da estatística de teste, com suas respectivas regiões críticas
Se o valor observado da Estatística de Teste pertencer à região crítica, deve-se rejeitar a hipótese
nula H0, caso contrário não rejeita-se a hipótese nula H0.
EXEMPLO 2
Proposta:
Testar a média da população, quando o desvio padrão da população for desconhecido (não
importando o tamanho da amostra).
Problema:
O exemplo é o mesmo anterior, só que agora o desvio-padrão não é conhecido.
H0: µ = 12
H1: µ ≠ 12
Ferramentas
1-Sample T
Fonte de dados:
TH-1.mpj
1-SAMPLE T
1. Abra o arquivo TH-1
2. Selecione Static > Basic Statics > 1-Sample T
3. Preencha o quadro de acordo a figura seguinte:
4. Clique em OK
SAÍDA DO MINITAB
Test of mu = 12 vs not = 12
Assim, vemos que a estatística de teste observada foi igual a 2,17. Esse valor encontrado
pertence à região crítica, logo rejeitamos a hipótese nula H0 e não rejeitamos a hipótese
alternativa H1.
Também podemos utilizar o P-value para interpretar os resultados: nesse caso, obtivemos
um P-value igual a 0,042, que é menor que o nível de significância α adotado (0,05), logo
rejeitamos a hipótese nula H0.
CONCLUSÃO
Há evidências estatísticas fortes para considerarmos que a resistência média à ruptura dos
pinos produzidos pelo fabricante seja diferente de 12, assim esses pinos não estão dentro
das especificações estabelecidas.
Como o Intervalo de Confiança acima não contém o 12, podemos concluir então que a
resistência média à ruptura dos pinos produzidos pelo fabricante não seja igual a 12. Como o
intervalo de confiança está um pouco acima do 12, podemos considerar que o valor da
resistência média à ruptura desses pinos seja superior ao valor especificado.
Se o valor observado da Estatística de Teste pertencer à região crítica, deve-se rejeitar a hipótese
nula H0, caso contrário não rejeita-se a hipótese nula H0.
Problema:
Um fabricante de semicondutores produz controladores usados em aplicações no motor de
automóveis. O consumidor requer que a fração defeituosa em uma etapa crítica de
fabricação não exceda 0,05 e que o fabricante demonstre uma capacidade de processo
nesse nível de qualidade, usando um nível de significância de 5%. O fabricante dos
semicondutores retira uma amostra aleatória de 200 aparelhos e encontra que 4 deles são
defeituosos. O fabricante pode demonstrar uma capacidade de processo para o consumidor?
Ferramentas
1-Proportion
Fonte de Dados:
1 - PROPORTION
1. Abra o MINITAB 14;
2. Selecione Static > Basic Statics > 1-Proportion;
3. Preencha o quadro de acordo a figura seguinte:
4. Clique em Options;
5. Preencha o quadro de acordo a figura seguinte:
6. Clique em OK;
SAÍDA DO MINITAB
95%
Upper
Sample X N Sample p Bound Z-Value P-Value
1 4 200 0,020000 0,036283 -1,95 0,026
Obtivemos um P-value igual a 0,026, que é menor que o nível de significância α adotado
(0,05), logo rejeitamos a hipótese nula H0 e não rejeitamos a hipótese alternativa H1.
CONCLUSÃO
Há evidências estatísticas fortes para considerarmos que proporção defeituosa do processo
é menor que 0,05. Assim o fabricante de semicondutores demonstra uma capacidade de
processo no nível de qualidade requerida pelo seu consumidor.
EXEMPLO 4
Proposta:
Problema:
Teste se a Resistência Media à Ruptura é normalmente distribuída.
Ferramentas:
Normality Test
Probability Plot
Fonte de dados:
TH-1.mpj
NORMALITY TEST
1. Abra o MINITAB 14
2. Selecione Static > Basic Statics > Normality Test
3. Preencha o quadro de acordo a figura seguinte:
4. Clique em OK
SAÍDA DO MINITAB
Gráfico de Normalidade para a Resistência Média à Ruptura
Normal
99
Mean 13,71
StDev 3,554
95 N 22
KS 0,085
90
P-Value >0,150
80
70
Percent
60
50
40
30
20
10
1
5,0 7,5 10,0 12,5 15,0 17,5 20,0 22,5
Resistência Média à Ruptura
Obtivemos um P-value ligeiramente inferior a 0,15, que é maior que o nível de significância α
adotado (0,05), logo rejeitamos a hipótese nula H0 e não rejeitamos a hipótese alternativa H1.
CONCLUSÃO
Há evidências estatísticas para se aceditar a Resistência à Ruptura dos pinos seja normalmente
distribuída.
onde
EXEMPLO 5
Proposta:
Testar a diferença entre as médias de duas poluações.
Problema:
Dois catalisadores estão sendo analisados para determinar como eles afetam o rendimento
médio de um processo químico. Especificamente, o catalisador 1 está correntemente um
uso, mas o catalisador 2 aceitável. Já que o catalisador 2 é mais barato, ele deve ser
adotado se não alterar o rendimento do processo. Um teste é feito em uma planta piloto. Há
alguma diferença entre os rendimentos médios? Considere as variâncias iguais.
H0: µ1 – µ2 = 0 → H0: µ1 = µ2
H1: µ1 – µ2 ≠ 0 → H1: µ1 ≠ µ2
Fonte de dados:
TH2.mpj
2-SAMPLE T
1. Abra o arquivo TH-2
2. Selecione Static > Basic Statics > 2-Sample T
3. Preencha o quadro de acordo a figura seguinte:
4. Clique em OK
SAÍDA DO MINITAB
Assim, vemos que a estatística de teste observada foi igual a -0,35. Esse valor encontrado
não pertence à região crítica, logo não rejeitamos a hipótese nula H0 e rejeitamos a hipótese
alternativa H1.
Também podemos utilizar o P-value para interpretar os resultados: nesse caso, obtivemos
um P-value igual a 0,729, que é maior que o nível de significância α adotado (0,05), logo não
rejeitamos a hipótese nula H0.
CONCLUSÃO
Há evidências estatísticas fortes para considerarmos que o catalisador 2 não altere o
rendimento médio do processo químico, assim seu rendimento pode ser considerado como
igual ao rendimento médio do catalisador 1. Logo, por ser mais barato, o catalisador 2 pode
substituir o catalisador 1 nessa indústria.
onde
Se o valor observado da Estatística de Teste pertencer à região crítica, deve-se rejeitar a hipótese
nula H0, caso contrário não rejeita-se a hipótese nula H0.
A tomada de decisão também pode ser feita utilizando-se o P-value:
- rejeita-se a hipótese nula se: P-value ≤ α
- não rejeita-se a hipótese nula se: P-value > α
EXEMPLO 6
Proposta:
Problema:
Considere o exemplo anterior, mas agora temos variâncias diferentes.
Ferramentas
2-Sample T
Fonte de dados:
TH-2.mpj
2 – SAMPLE T
1. Abra o arquivo TH-2;
2. Selecione Static > Basic Statics > 2-Sample T;
3. Preencha o quadro de acordo a figura seguinte:
4. Clique em OK
SAÍDA DO MINITAB
Assim, vemos que a estatística de teste observada foi igual a -0,35. Esse valor encontrado
não pertence à região crítica, logo não rejeitamos a hipótese nula H0 e rejeitamos a hipótese
alternativa H1.
Também podemos utilizar o P-value para interpretar os resultados: nesse caso, obtivemos
um P-value igual a 0,729, que é maior que o nível de significância α adotado (0,05), logo não
rejeitamos a hipótese nula H0.
Conclusão
Há evidências estatísticas fortes para considerarmos que o catalisador 2 não altere o
rendimento médio do processo químico, assim seu rendimento pode ser considerado como
igual ao rendimento médio do catalisador 1. Logo, por ser mais barato, o catalisador 2 pode
substituir o catalisador 1 nessa indústria.
Que equivale a:
(1)H0: µY – µX = ∆0 (ou ≥) (2) H0: µY – µX = ∆0 (ou ≤) (3) H0: µY – µX = ∆0
H1: µY – µX < ∆0 H1: µY – µX = ∆0 H1: µY – µX ≠ ∆0
Se o valor observado da Estatística de Teste pertencer à região crítica, deve-se rejeitar a hipótese
nula H0, caso contrário não rejeita-se a hipótese nula H0.
Problema:
Um artigo no Journal of Strain Analysis (1983, Vol.18, N°2) compara vários métodos para
predizer a resistência de cisalhamento para traves planas metálicas. Dados para dois desses
métodos, os procedimentos de Karlsruhe e Lehigh, quando aplicados a nove traves
específicas, são mostrados a seguir. Considere os dados como normalmente distribuídos.
Ferramentas
Paired t
Arquivo de dados:
TH-3.mpj
PAIRED T
1. Abra o arquivo TH-3;
2. Selecione Static > Basic Statics > Paired t;
3. Preencha o quadro de acordo a figura seguinte:
4. Clique em OK;
SAÍDA DO MINITAB
Também podemos utilizar o P-value para interpretar os resultados: nesse caso, obtivemos
um P-value aproximadamente igual a 0, que é menor que o nível de significância α adotado
(0,05), logo rejeitamos a hipótese nula H0.
CONCLUSÃO
Não há evidências estatísticas para considerarmos que dois os métodos de previsão da
resistência não forneçam resultados iguais. Os dados indicam que o método de Karlsruhe
produz, em média, previsões maiores para a resistência do que o método de Lehigh.
Como o Intervalo de Confiança acima não contém o 0, podemos concluir que as previsões de
resistência utilizando os 2 métodos são diferentes. Como o intervalo é positivo, concluímos
que o método de Karlsruhe produz, em média, previsões maiores para a resistência do que o
método de Lehigh.
Se o valor observado da Estatística de Teste pertencer à região crítica, deve-se rejeitar a hipótese
nula H0, caso contrário não rejeita-se a hipótese nula H0.
Onde
EXEMPLO 8
Proposta:
Problema:
Considere os exemplos 6 e 7, agora iremos testar se as variâncias dos rendimentos ao se
utilizar os catalisadores 1 e 2 são iguais. Adote um nível de 5% de significância.
Fontes de dados:
TH-2.mpj
2 VARIANCES
4. Clique em Options
5.Preencha o quadro de acordo com a figura seguinte
6. Clique em OK
SAÍDA DO MINITAB
Assim, vemos que a estatística de teste observada foi igual a 0,64. Esse valor encontrado não
pertence à região crítica, logo não rejeitamos a hipótese nula H0 e rejeitamos a hipótese alternativa
H1.
Também podemos utilizar o P-value para interpretar os resultados: nesse caso, obtivemos um P-
value igual a 0,569, que é maior que o nível de significância α adotado (0,05), logo não rejeitamos a
hipótese nula H0.
CONCLUSÃO
Há evidências estatísticas para considerarmos as variâncias dos rendimentos do processo utilizando
os catalisadores 1 e 2 sejam iguais.
Onde
Se o valor observado da Estatística de Teste pertencer à região crítica, deve-se rejeitar a hipótese
nula H0, caso contrário não rejeita-se a hipótese nula H0.
A tomada de decisão também pode ser feita utilizando-se o P-value:
- rejeita-se a hipótese nula se: P-value ≤ α
- não rejeita-se a hipótese nula se: P-value > α
EXEMPLO 9
Proposta:
Problema:
Dois tipos diferentes de solução de polimento estão sendo avaliados para possível uso em
uma operação de polimento na fabricação de lentes intra-oculares usadas no olho humano
depois de uma operação de catarata. Trezentas lentes foram polidas usando a primeira
solução de polimento e desse número, 235 não tiveram defeitos induzidos pelo polimento.
Outras 300 lentes foram polidas, usando a segunda solução depolimento, sendo 196 lentes
consideradas satisfatória. Há qualquer razão para acreditar que a primeira solução de
polimento seja melhor que a segunda? Adote α=0,05.
Ferramentas
2-Proportion
Fonte de dados:
2 – PROPORCION
1. Abra o MINITAB 14;
2. Selecione Static > Basic Statics > 2-Proportion
3. Preencha o quadro de acordo a figura seguinte:
4. Clique em Options;
5. Preencha o quadro de acordo a figura seguinte:
6. Clique em OK
SAÍDA DO MINITAB
Sample X N Sample p
1 253 300 0,843333
2 196 300 0,653333
Assim, vemos que a estatística de teste observada foi igual a 5,36. Esse valor encontrado
pertence à região crítica, logo rejeitamos a hipótese nula H0 e não rejeitamos a hipótese
alternativa H1.
Obtivemos um P-value igual a 0,000, que é menor que o nível de significância α adotado
(0,05), logo rejeitamos a hipótese nula H0 e não rejeitamos a hipótese alternativa H1.
CONCLUSÃO
Há evidências estatísticas fortes para considerarmos que a primeira solução tenha um
desempenho superior ao da segunda lente. A proporção de lentes sem defeitos que foram
polidas com a primeira solução é maior que a proporção de lentes sem defeitos polidas com
a segunda solução.