Você está na página 1de 81

CONTROLE ESTATSTICO

DE QUALIDADE

Testes de hipteses
e ANOVA

Robson Bruno Dutra Pereira

SUMRIO
CONCEITOS BSICOS;
TESTES DE HIPTESES PARA MDIA;
1-sample z;
1-sample t;
2-sample z;
2-sample t;
t pareado;
ANOVA one way;
Rudo
Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Inferncia estatstica (MONTGOMERY, 2004): ramo da estatstica que
visa a obteno de resultados ou tomada de deciso com base em uma
amostra selecionada desta populao.
Amostra aleatria: x1, x2, ..., xn na amostra aleatria de tamanho n
cada observao xi independente e identicamente distribuda.

POPULAO

AMOSTRA

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Distribution Plot

Histogram of C1

Normal; Mean=100; StDev=5

350

0,09

300

0,08
0,07

250

Frequency

Density

0,06
0,05
0,04
0,03

200
150
100

0,02

50

0,01
0,00

85

90

95

100

105

110

115

80

88

104

96

112

C1

POPULAO
, mdia populacional
, desvio-padro populacional

Amostra (x1, x2, ..., xn )

Robson Bruno Dutra Pereira

AMOSTRA

x, mdia populacional

s, desvio-padro populacional

CONCEITOS BSICOS
A rugosidade superficial uma caracterstica de qualidade importante de um
produto metlico. Em furos usinados importante saber se a rugosidade difere no
incio e fim do furo. Foram realizados 28 ensaios e a rugosidade foi medida no
incio e no fim do furo de cada corpo de prova.

Corpo de prova

Rugosidade
Experimento

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Resultados das medies de rugosidade mdia Rz em
(m).
Boxplot of Rz_I; Rz_F
7

Data

2
Rz_I

Rz_F

Robson Bruno Dutra Pereira

Ensaio
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

Rz_I (m)
2,743
3,010
2,216
2,531
2,757
2,752
2,136
2,557
3,085
3,068
2,546
3,202
5,109
4,830
3,225
5,849
2,682
2,572
3,203
3,092
2,207
3,357
4,353
3,862
3,547
3,760
3,685
3,465

Rz_F (m)
2,825
3,008
2,910
3,825
2,671
3,036
2,516
3,492
2,850
2,930
3,003
3,847
5,515
4,699
5,309
6,503
3,325
3,354
3,867
4,055
2,298
3,290
4,876
2,824
3,297
3,844
3,347
3,449

CONCEITOS BSICOS
Avaliando apenas a mdia das rugosidades no incio e fim do
furo seria possvel afirmar categoricamente se h diferena
na qualidade superficial no incio e fim do furo?

NO
Uma tcnica estatstica de inferncia chamada de teste de
hipteses pode ser usada para comparar a rugosidade no
incio e fim do furo.
Como neste exemplo para cada corrida mediu-se a rugosidade
no incio e fim de cada corpo de prova, o teste t
emparelhado o mais adequado (chegaremos l)!
Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Cada observao nos experimentos de medio de rugosidade na
parede dos furos chamada de corrida, ensaio ou experimento;
H uma flutuao ou rudo nos resultados. Este rudo comumente
chamado de erro experimental;
A presena do erro experimental implica que a rugosidade uma
varivel aleatria;
Uma varivel aleatria pode ser discreta (assume valores finitos ou
infinitos contveis, ou seja, valores pertencentes ao conjunto dos
nmeros inteiros positivos) ou contnua (assume valores dentro de um
intervalo, ou seja no conjunto dos nmeros reais);

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Distribuio de probabilidade: A estrutura de probabilidade de uma
varivel aleatria descrita por sua distribuio de probabilidade;
Distribuio contnua

Distribution Plot

Distribution Plot

Binomial; n=20; p=0,25

Normal; Mean=0; StDev=1

0,4

0,4

0,3

0,3

P(y = yj) = p(yj)

Density

Probability

Distribuio discreta

0,2

0,1

0,0

P(a y b)

0,2

0,1

10

12

0,0

-3

-2

-1

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Propriedades das distribuies:
DISTRIBUIES DISCRETAS

0 p y j 1,

p y y j p y j ,

py 1
j

y j
y j

DISTRIBUIES CONTNUAS

0 f y
b

p a y b f y dy
a

f y dy 1

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Mdia, esperana e varincia;

yf y dy,
E y
y j p y j ,

distribuio contnua
distribuio discreta

f y dy,
distribuio contnua

2
2
y p y , distribuio discreta

Var y 2 E y
Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Propriedades dos operadores de mdia e varincia. Seja y uma va com
mdia e varincia 2,

E c c

E y

E cy cE y c

Var c 0

Var y

Var cy c 2Var y c 2 2
Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Se h duas vas com E(y1) = 1 e Var(y1) = 12 e E(y2) = 2 e Var(y2) = 22,

E y1 y2 E y1 E y2 1 2
possvel mostrar que:

Var y1 y2 Var y1 Var y2 2Cov y1 , y2


A covarincia uma medida de associao linear entre y1 e y2. Se y1 e
y2 so independentes, ento Cov(y1,y2) = 0

Cov y1 , y2 E y1 1 y2 2
Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Analogamente:

Var y1 y2 Var y1 Var y2 2Cov y1 , y2

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Por fim, se y1 e y2 so independentes,

Var y1 y2 Var y1 Var y2 1 2


E y1 y2 E y1 E y2 1 2

y1 E y1
E
y2 E y2
Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Distribuio normal
Funo densidade de probabilidade:
f ( x)

1
e
2

x 2
2 2

, x

Parmetros: N(,2)
varincia
mdia

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Normal padro: va com = 0 e 2 = 1, ou seja Z~N(,2).
Procedimento para padronizar a normal: Z
Supondo X~N(,2),
X x
P ( X x ) P

P Z z

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Exemplo: A resistncia compresso de amostras de cimento pode ser
modelada por uma distribuio normal, com uma mdia de 6000 Kg/cm2
e um desvio-padro de 100 Kg/cm2.
a) Qual a probabilidade da resistncia da amostra ser menor do que
6250 Kg/cm2?
b) Qual a probabilidade da resistncia da amostra estar entre 5800 e
5900 Kg/cm2?
c) Que resistncia excedida por 95% das amostras?

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
a) P (X < 6250) = 0 ,9938;
Distribution Plot
Normal; Mean=6000; StDev=100
0,004

0,9938

Density

0,003

0,002

0,001

0,000

6000

Robson Bruno Dutra Pereira

6250

CONCEITOS BSICOS

Distribution Plot

Distribution Plot

Normal; Mean=6000; StDev=100

Normal; Mean=6000; StDev=100

0,004

0,004

0,003

0,003

Density

Density

b) P (5800 < X < 5900) = P (X < 5900) P (X < 5800) = 0,158655 0,0227501 = 0,1359049

0,002

0,002

0,001

0,001

0,1587

0,02275
0,000

5900

6000

0,000

5800

Robson Bruno Dutra Pereira

6000

CONCEITOS BSICOS
c) P (X > x) = 0,95 -> P[Z> (x- 6000)/100] = 0,95 -> (x 6000)/100 = -1,65
->x = 5835
Distribution Plot

Distribution Plot

Normal; Mean=6000; StDev=100

Normal; Mean=0; StDev=1


0,4

0,004

0,95

0,002

0,001

0,000

0,95

0,3

Density

Density

0,003

0,2

0,1

5836

6000

0,0

Robson Bruno Dutra Pereira

-1,645

CONCEITOS BSICOS
Estatstica: funo dos dados amostrais.

Amostra (x1, x2, ..., xn )

1
x xi
n i 1
Mdia amostral

S
2

xi x
i 1

n 1

Varincia amostral

Robson Bruno Dutra Pereira

x x
i 1

n 1

Desvio-padro amostral

CONCEITOS BSICOS
Distribuio amostral: a distribuio de probabilidade de uma
estatstica.
Seja x ~ N ( , 2 ) (x uma varivel aleatria com mdia e varincia 2);
Amostra (x1, x2, ..., xn )
Pelo teorema central
do limite a distribuio
da mdia amostral
normal com mdia e
varincia 2/n.

2
x ~ N ,
n

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Se a distribuio da populao de origem no for normal, pelo TCL, a
distribuio da mdia amostral ser normal (n > 30)!
0,20


x~ N ,
n

Density

0,15

0,10

0,05

0,00

10

12

14

16

x SE ( x )

Robson Bruno Dutra Pereira

Desvio-padro
da mdia

CONCEITOS BSICOS
Distribuio qui-quadrado (2): Se x1, x2, ..., xn so vas independentes e
N(0,1), ento a va

y z12 z 22 ... z n2

Tem distribuio qui-quadrado com n graus de liberdade.

Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Distribuio t: Seja x uma va N(0,1) e y uma va 2 com k graus de
liberdade e x e y so independentes,

x
y
k

distribuda como t com


k graus de liberdade.

t ~ N(0,1)
Robson Bruno Dutra Pereira

CONCEITOS BSICOS
Distribuio F: Seja w e y duas vas independentes com distribuio quiquadrado com u e v graus de liberdade, logo
w/u
distribuda como F com u graus de
F
liberdade no numerador e v no denominador.
y/v

Robson Bruno Dutra Pereira

TESTES DE HIPTESES PARA MDIA


Hiptese: afirmao sobre os parmetros de uma distribuio de
probabilidade. Exemplo: dimetro de um mancal.

H 0 : 0

H 0 : 1,500

Hiptese nula

H1 : 0

H1 : 1,500

Hiptese alternativa

Como determinar 0:

Evidncia/conhecimento do processo;
Teoria/modelo do processo;
Especificaes de contratos/projetos.

Robson Bruno Dutra Pereira

TESTES DE HIPTESES PARA MDIA


Procedimento para o teste de hipteses:
1.
2.
3.
4.
5.
6.

Identificar o parmetro de interesse;


Definir a hiptese nula H0 e a hiptese alternativa H1;
Escolher um nvel de significncia;
Definir o teste estatstico apropriado e calcular a estatstica de teste;
Definir a regio de rejeio;
Comparar a estatstica calculada com a estatstica crtica (regio de rejeio).
A hiptese nula pode ser rejeitada?
Distribution Plot
T; df=19

0,4

H 0 : 0
H1 : 0

x 0
t0
s/ n

Density

0,3

t0 tc ?

0,2

0,1

0,025
0,0

Robson Bruno Dutra Pereira

0,025
-2,093

2,093

TESTES DE HIPTESES PARA MDIA


Nvel de significncia (): probabilidade que determina a dimenso da
regio de rejeio;
0,4

Deseja-se que o erro do tipo I seja pequeno!


Usualmente = 0,05;

Density

= P{Erro tipo I} = P{rejeitar H0| H0 verdadeira}

0,3

0,2

0,1

Nvel de confiana: =1 .

Regio de
rejeio de H0

=1 -

Regio de
aceitao
0,0

Robson Bruno Dutra Pereira

tc

TESTES DE HIPTESES PARA MDIA


Poder do teste (1 - ):
Relaciona-se ao Erro do tipo
II.

=1 -

= P{erro tipo II} =


= P {no rejeitar H0| H0 falsa}

1-

Poder = 1 =
= P {rejeitar H0| H0 falsa}

Robson Bruno Dutra Pereira

z +
0

TESTES DE HIPTESES PARA MDIA


Considere a hiptese unilateral:
H 0 : 0

H1 : 0
Supondo que H0 seja falsa, e que

0 ,

Logo, quando H1 for verdadeira, a


distribuio de Z0 ser:
n
Z 0 ~
,1

x 0 x 0

Z0

/ n
/ n
/ n
x 0 n
Z0

/ n
0

Robson Bruno Dutra Pereira

TESTES DE HIPTESES PARA MDIA


Considerando um teste bilateral:

P z 2 z0 z 2

n
P z 2
z 2

P z 2
0 z 2

Sabe-se que:

-z/2

P Z z

n
z 2

z 2

Robson Bruno Dutra Pereira

z/2

TESTES DE HIPTESES PARA MDIA


Considerando um teste bilateral: Finalmente,

n
z 2

z 2

z 2

0,

n
z z 2

E o tamanho da amostra fica

z
n

-z/2 z/2

z z 2

Robson Bruno Dutra Pereira

TESTES DE HIPTESES PARA MDIA


Poder do teste e tamanho
da amostra

z
n

z
2

Qto menor a diferena () a ser


detectada, maior o tamanho da
amostra, para garantir um determinado
nvel de 1 - .

Robson Bruno Dutra Pereira

TESTES DE HIPTESES PARA MDIA


Exemplo: As especificaes de um propelente slido de uma aeronave requerem
uma taxa mdia de queima igual a 50 cm/s. O desvio-padro da taxa de queima
igual a 2cm/s. Deseja-se um nvel de significncia, ou probabilidade de erro do tipo
I, igual a 0,05.
Deseja-se planejar o teste de modo que se a taxa mdia diferir de 50 cm/s por no
mais que 1 cm/s o teste detecte esta diferena com uma probabilidade de 0,90.
H 0 : 50
H1 : 50

2
51 50
0,05
0,10

z
n

1,96 1,28 2 2
n
2

12

poder 1 0,90

n 43
Robson Bruno Dutra Pereira

TESTES DE HIPTESES PARA MDIA


Erro tipo I ~ Condenar um ru inocente;
Erro tipo II ~ Absolver um ru culpado.

REALIDADE
H0 verdadeira

DECISO

No rejeitar Deciso correta


1-
H0
Rejeitar H0

Erro tipo I

Robson Bruno Dutra Pereira

H0 falsa
Erro tipo II

Deciso correta
1-

Teste 1-sample z
Teste para mdia de uma amostra, varincia conhecida;
Hipteses:

H 0 : 0
H1 : 0

Estatstica do teste:

x 0
Z0
/ n

Se H0 verdadeira, Z0 N(0,1), consequentemente, espera-se que


100(1 ) esteja entre Z/2 e Z/2.
n > 40, varincia desconhecida pode-se utilizar este teste!!

Robson Bruno Dutra Pereira

Teste 1-sample z
Bilateral

Unilateral esquerda

H 0 : 0

H 0 : 0

H 0 : 0

H1 : 0

H1 : 0

0,4

0,4

0,3

0,3

0,3

0,2

0,1

/2

/2

0,0

- z/2

0,2

Density

0,4

Density

Density

H1 : 0

Unilateral direita

0,1

0,1

0,0

z/2

Se: Z0 < - Z/2 ou Z0 > Z/2

0,2

- z

Z0 < - Z
Robson Bruno Dutra Pereira

0,0

Z0 > Z, rejeita-se H0.

Teste 1-sample z
Exemplo: Um produtor fabrica eixos para um motor de automvel. O
desgaste (0,0001 polegada) dos eixos depois de 100000 milhas de
interesse, visto que provvel ter um impacto nas reivindicaes de
garantia. Uma amostra aleatria de n = 15 eixos testada e x = 2,78.
Sabe-se que = 0,9 e que o desgaste normalmente distribudo.
a) Teste H0: = 3 versus H1: 3 usando = 0,05;
b) Qual a potncia deste teste se = 3,25?
c) Que tamanho da amostra seria requerido para detectar uma mdia
verdadeira de 3,75, se quisssemos que a potncia fosse no mnimo
0,9?
Exerccio 9.37 Montgomery EPE

Robson Bruno Dutra Pereira

Teste 1-sample z
a) Z/2 = 1,96

x 0
2,78 3
Z0

0,95
/ n 0,9 / 15
Distribution Plot
Normal; Mean=0; StDev=1
0,4

0,3

Density

Como |z0|= 0,95 < 1,96 = Z/2, no rejeita-se H0.

0,2

0,1

0,1711

Analisando o p-value:
Como p-value = 2 x 0,1711 = 0,34 > 0,05, no
rejeita-se H0.

0,0

-0,95

0,95

Distribution Plot
Normal; Mean=0; StDev=1
0,4

Density

0,3

Z0 est na

0,2

regio de
aceitao!

0,1

0,025
0,0

Robson Bruno Dutra Pereira

0,1711

-1,960

0,025
1,960

Teste 1-sample z
= 3,25 3 = 0,25
1 = 0,19

Robson Bruno Dutra Pereira

Teste 1-sample z
= 3,75 3 = 0,75; Poder = 0,9;
n = 16!!

Robson Bruno Dutra Pereira

Teste 1-sample t
Teste para mdia de uma amostra, varincia desconhecida;
Hipteses:

H 0 : 0
H1 : 0

Estatstica do teste:

x 0
t0
s/ n

Rejeita-se H0 se t0 t / 2,n 1 , no caso bilateral.


Ou se p-value (p valor ou valor p) for menor que .
Robson Bruno Dutra Pereira

Teste 1-sample t
Exemplo: A precipitao pluviomtrica, em acre-p (unidade de volume),
proveniente de 20 nuvens que foram selecionadas aleatoriamente e
semeadas com nitrato de prata, segue: 18,0; 30,7; 19,8; 27,1; 22,3; 18,8;
31,8; 23,4; 21,2; 27,9; 31,9; 27,1; 25,0; 24,7; 26,9; 21,8; 29,2; 34,8; 26,7 e
31,6.
a) Voc pode sustentar a afirmao de que a precipitao mdia das nuvens
semeadas excede 25 acres-p? Use = 0,01. Encontre o p-valor;
b) Verifique se a precipitao normalmente distribuda;
c) Calcule o poder do teste se a precipitao mdia verdadeira for 27 acresps;
d) Que tamanho de amostra seria necessrio para detectar uma precipitao
mdia verdadeira de 27,5 acres-ps, se quisssemos que o poder do teste
fosse no mnimo de 0,9?
Exerccio 9. 52 Montgomery EPE

Robson Bruno Dutra Pereira

Teste 1-sample t
T; df=19
0,4

0,3

Density

a) mdia = 26,035; s = 4,785; n = 20


H 0 : 25
p-value = 0,1721
H1 : 25

Distribution Plot

x 0 26,035 25
t0

0,97
s / n 4,785 20

0,2

0,1

0,1721
0,0

0,97

Distribution Plot
T; df=19
0,4

t0,01;19 = 2,539
Density

0,3

Como t0 = 0,97 < 2,539 = t0,01;19, ou p-value =


0,1721 > 0,01 = , no rejeita-se H0.
Robson Bruno Dutra Pereira

0,2

0,1

0,0

0,01
0

2,539

Teste 1-sample t
b) Normalidade

H0: The data follow a normal distribution.


H1: The data do not follow a normal distribution.

Summary Report for C1


Anderson-Darling Normality Test
A-Squared
P-Value

0,21
0,827

Mean
StDev
Variance
Skewness
Kurtosis
N

26,035
4,785
22,894
-0,010994
-0,882869
20

Minimum
1st Quartile
Median
3rd Quartile
Maximum

18,000
21,925
26,800
30,325
34,800

95% Confidence Interval for Mean


20

24

28

23,796

32

28,274

95% Confidence Interval for Median


22,559

28,894

95% Confidence Interval for StDev


3,639

6,988

95% Confidence Intervals


Mean

Median
23

24

25

26

27

28

29

Robson Bruno Dutra Pereira

Teste 1-sample t
c)

27 25 20

n
0,66977 0,7485
2,539
t n 1;

s
4
,
785

1 0,2515

Power curve p/ teste unilateral direita

Robson Bruno Dutra Pereira

Teste 1-sample t
d)

t
n

t n 1; s 2
2

n 1;

2,539 1,328 4,7852


n
2

2,52

n 54,78

Distribution Plot
T; df=19

0,4

Density

0,3

0,2

0,1

0,1
0,0

t =

1,328

Robson Bruno Dutra Pereira

Teste 2-sample z
Teste para mdia de duas amostras, varincias conhecidas;
Bilateral

H 0 : 1 2

Unilateral esquerda

H 0 : 1 2

H1 : 1 2
Estatstica do teste:

H1 : 1 2
Z0

X 1 X 2 1 2

2
1

n1

2
2

n2

Robson Bruno Dutra Pereira

Unilateral direita

H 0 : 1 2
H1 : 1 2

Obs.: Na prtica no se conhece a


varincia!!
O Minitab no faz este teste!

Teste 2-sample z
Exemplo: Duas mquinas so usadas para encher garrafas de plstico
que tm um volume lquido de 16 onas. O volume de enchimento pode
ser suposto normal, com desvio-padro 1 = 0,020 e 2 = 0,025 ona.
Um membro do grupo de engenheiros da qualidade suspeita que ambas
as mquinas encham at o mesmo volume lquido mdio,
independentemente desse volume ser ou no 16 onas. Uma amostra
aleatria de 10 garrafas retirada na sada de cada mquina.

(10.4 EPE)

Mquina 1

Mquina 2

16,03

16,01

16,02

16,03

16,04

15,96

15,97

16,04

16,05

15,98

15,96

16,02

16,05

16,02

16,01

16,01

16,02

15,99

15,99

16,00

Robson Bruno Dutra Pereira

Teste 2-sample z
a) Voc acha que o engenheiro est correto? Use = 0,05. Qual o p-valor
para este teste?

H 0 : 1 2

Distribution Plot

H1 : 1 2

Normal; Mean=0; StDev=1


0,4

Density

X 1 X 2 1 2 16,015 16,005 (16 16)


Z0

2
2
1 2
0,020 2 0,0252

n1 n2
10
10

0,3

0,2

0,1

Z 0 0,80

0,025
0,0

Robson Bruno Dutra Pereira

0,025
-1,960

1,960

Teste 2-sample t
Teste para mdia de duas amostras, varincias desconhecidas;
Bilateral

H 0 : 1 2
H1 : 1 2

Unilateral esquerda

H 0 : 1 2

Unilateral direita

H 0 : 1 2

H1 : 1 2

X 1 X 2 1 2
t0
Estatstica do teste:
1 1
Sp

n1 n2

H1 : 1 2
2
2

1
S

1
S
1
2
2
S2 1
p

n1 n2 2

Estimador combinado de varincias (pooled estimator)

Robson Bruno Dutra Pereira

Teste 2-sample t
Exemplo: Est sendo investigada a temperatura em que ocorre uma deflexo,
devido carga, em dois tipos diferentes de tubo plstico. Duas amostras
aleatrias de 15 tubos so testadas e as temperaturas (em F) observadas em
que ocorre esta deflexo so reportadas a seguir:
Tipo 1: 206, 188, 205, 187, 194, 193, 207, 185, 189, 213, 192, 210, 194, 178, 205;
Tipo 2: 177, 197, 206, 201, 180, 176, 185, 200, 197, 192, 198, 188, 189, 203, 192;

a) Construa diagramas de caixa e grficos de probabilidade normal para as


duas amostras. Esses grficos confirmam as suposio de normalidade e
varincias iguais?
b) Os dados confirmam a afirmao de que a temperatura em que ocorre a
deflexo, devido carga, do tubo tipo I excede quela do tipo 2? Para
concluir algo, use = 0,05. Calcule o valor P.
c) Se a temperatura mdia em que ocorre a deflexo do tubo tipo I exceder
aquela do tubo tipo II por 5F, importante detectar esta diferena com
probabilidade de no mnimo 0,9. A escolha de n1 = 15 adequada?
Robson Bruno Dutra Pereira

Teste 2-sample t
a)

Boxplot of tipo I; tipo II


215
210
205

Data

200
195
190
185
180
175
tipo I

tipo II

Robson Bruno Dutra Pereira

Teste 2-sample t
b) H 0 : 1 2
H1 : 1 2

Summary Report for tipo II


Anderson-Darling Normality Test
A-Squared
P-Value
Mean
StDev
Variance
Skewness
Kurtosis
N
Minimum
1st Quartile
Median
3rd Quartile
Maximum

n1 n2 2

192,07
9,44
89,07
-0,402043
-0,902384
15
176,00
185,00
192,00
200,00
206,00

95% Confidence Interval for Mean

Pooled estimator:

n1 1S12 n2 1S 22
2
S

0,30
0,549

175

180

185

190

195

200

186,84

205

197,29

95% Confidence Interval for Median


186,12

199,25

95% Confidence Interval for StDev


6,91

14,88

Summary Report for tipo I


95% Confidence Intervals

Anderson-Darling Normality Test


A-Squared
P-Value

Mean

Mean
StDev
Variance
Skewness
Kurtosis
N

Median
185,0

187,5

190,0

192,5

195,0

197,5

200,0

2
2

15

1
10
,
48

15

1
9
,
44
S2
p

Minimum
1st Quartile
Median
3rd Quartile
Maximum

15 15 2

0,46
0,220
196,40
10,48
109,83
0,05341
-1,12660
15
178,00
188,00
194,00
206,00
213,00

95% Confidence Interval for Mean


180

190

200

190,60

210

202,20

95% Confidence Interval for Median


188,37

S 99,472
2
p

205,63

95% Confidence Interval for StDev


7,67

95% Confidence Intervals


Mean

Median
190

Robson Bruno Dutra Pereira

195

200

205

16,53

Teste 2-sample t
Distribution Plot

Clculo da estatstica do teste:

0,3

Density

X 1 X 2 1 2 196,40 192,07
t0

1,19
1 1
1 1
Sp

9,974

n1 n2
15 15

T; df=28
0,4

0,2

P-value

0,1

0,1220
0,0

Distribution Plot
T; df=28
0,4

0,3

Density

Como t0 = 1,19 < 1,701 = tc


ou como p-value = 0,1220 > 0,05 = ,
no rejeita-se H0.

1,19

0,2

0,1

0,05
0,0

Robson Bruno Dutra Pereira

1,701

= tc

Teste 2-sample t
c) No, n = 15 no suficiente. Para detectar uma diferena de 5F com
poder (1 - ) igual a 0,9, necessrio n = 69.

Robson Bruno Dutra Pereira

Teste t-pareado
No caso de duas amostras, varincias desconhecidas,
e dependncia entre as duas amostras, deve-se usar
o teste t-pareado. No caso onde deseja-se detectar
se h diferena na rugosidade no incio e fim da
superfcie de furos usinados h dependncia entre as
duas amostras.

Em um mesmo corpo de prova, para cada corrida,


faz-se a medio no incio e fim do furo,
caracterizando a dependncia.

Robson Bruno Dutra Pereira

Ensaio
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

Rz_I (m)
2,743
3,010
2,216
2,531
2,757
2,752
2,136
2,557
3,085
3,068
2,546
3,202
5,109
4,830
3,225
5,849
2,682
2,572
3,203
3,092
2,207
3,357
4,353
3,862
3,547
3,760
3,685
3,465

Rz_F (m)
2,825
3,008
2,910
3,825
2,671
3,036
2,516
3,492
2,850
2,930
3,003
3,847
5,515
4,699
5,309
6,503
3,325
3,354
3,867
4,055
2,298
3,290
4,876
2,824
3,297
3,844
3,347
3,449

Teste t-pareado
Diferena:

d j y1 j y2 j ,

j 1,..., n

Hipteses (teste bilateral) sobre a diferena:

H 0 : d 0
H1 : d 0

d
Estatstica do teste: t0
sd / n
Apesar da dependncia entre as amostras, supem-se dj~N(d,d2).
Robson Bruno Dutra Pereira

Teste t-pareado
Ensaio
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

Rz_I (m) Rz_F (m)


2,743
2,825
3,010
3,008
2,216
2,910
2,531
3,825
2,757
2,671
2,752
3,036
2,136
2,516
2,557
3,492
3,085
2,850
3,068
2,930
2,546
3,003
3,202
3,847
5,109
5,515
4,830
4,699
3,225
5,309
5,849
6,503
2,682
3,325
2,572
3,354
3,203
3,867
3,092
4,055
2,207
2,298
3,357
3,290
4,353
4,876
3,862
2,824
3,547
3,297
3,760
3,844
3,685
3,347
3,465
3,449

dj
-0,082
0,002
-0,695
-1,293
0,086
-0,284
-0,380
-0,935
0,235
0,138
-0,458
-0,645
-0,406
0,131
-2,084
-0,654
-0,643
-0,782
-0,664
-0,963
-0,091
0,067
-0,523
1,038
0,250
-0,084
0,338
0,016

Normalidade das diferenas:

Robson Bruno Dutra Pereira

Teste t-pareado
Rz_I (m) Rz_F (m)
2,743
2,825
3,010
3,008
2,216
2,910
2,531
3,825
2,757
2,671
2,752
3,036
2,136
2,516
2,557
3,492
3,085
2,850
3,068
2,930
2,546
3,003
3,202
3,847
5,109
5,515
4,830
4,699
3,225
5,309
5,849
6,503
2,682
3,325
2,572
3,354
3,203
3,867
3,092
4,055
2,207
2,298
3,357
3,290
4,353
4,876
3,862
2,824
3,547
3,297
3,760
3,844
3,685
3,347
3,465
3,449

dj
-0,082
0,002
-0,695
-1,293
0,086
-0,284
-0,380
-0,935
0,235
0,138
-0,458
-0,645
-0,406
0,131
-2,084
-0,654
-0,643
-0,782
-0,664
-0,963
-0,091
0,067
-0,523
1,038
0,250
-0,084
0,338
0,016

d
0,334
t0

sd / n 0,6 28

1 n
d d j 0,334
n j 1

t0 2,95
2

d j d
j 1

sd
n 1

Distribution Plot

T; df=27
0,4

0,6

0,3

Density

Ensaio
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

0,2

0,1

0,025
0,0

0,025
-2,052

H diferena!!
Robson Bruno Dutra Pereira

2,052

Teste t-pareado
Poder do teste:
Para n = 28, = -0,334, sd =
0,6:
Poder = 1- = 0,8

Robson Bruno Dutra Pereira

ANOVA one-way
Sejam a tratamentos ou nveis de um nico fator.
j = 1, 2, ..., n
Tratamentos

i = 1, 2, ..., a

Observaes

Totais

Mdia

y11

y12

y1n

y1.

y1.

y 21

y 22

y2 n

y 2.

y 2.

y a1

ya 2

y an

ya.

ya.

y..

y..

yij : j-sima observao tomada no i-simo nvel;


Robson Bruno Dutra Pereira

ANOVA one-way
Modelo de mdias:

yij i ij

i 1, 2, ..., a

j 1, 2,..., n

yij : ij-sima observao

i : mdia do i-simo tratamento


ij : erro aleatrio

Tratamentos

Observaes

Totais

Mdia

y11

y12

y1n

y1.

y1.

y 21

y 22

y2 n

y 2.

y 2.

y a1

ya 2

y an

ya.

ya.

y..

y..

Robson Bruno Dutra Pereira

ANOVA one-way
Modelo de efeitos:

i 1, 2, ..., a

j 1, 2,..., n

yij i ij
yij : ij-sima observao
: mdia geral

i : efeito do i-simo tratamento


ij : erro aleatrio

Tratamentos

Observaes

Totais

Mdia

y11

y12

y1n

y1.

y1.

y 21

y 22

y2 n

y 2.

y 2.

y a1

ya 2

y an

ya.

ya.

y..

y..

Robson Bruno Dutra Pereira

ANOVA one-way
ANOVA one-way: Apenas um fator investigado;
Os experimentos devem ser realizados em ordem aleatria;
Neste sentido, o planejamento experimental chamado de
Planejamento completamente aleatorizado.

As observaes so independentes!

yij ~ N i , 2

Robson Bruno Dutra Pereira

ANOVA one-way
Hipteses:

H 0 : 1 2 ... a
H1 : i j

Ou:

para ao menos um par i , j

H 0 : 1 2 ... a
H1 : i j

para ao menos um par i , j

Deseja-se testar a igualdade das mdias dos a tratamentos.


CUIDADO: ANOVA um teste para mdias! O nome engana!

Robson Bruno Dutra Pereira

ANOVA one-way
A ANOVA derivada do particionamento da soma dos quadrados:
2

SST yij y..


a

yi. yij ,
j 1

i 1 j 1

y
a

i 1 j 1

ij

y.. n yi. y.. yij yi.


a

i 1

i 1 j 1

y i . y i . n,

i 1, 2, ..., a

y.. yij , y.. y.. N


i 1 j 1

yij: j-sima observao tomada no i-simo nvel;

yi .: soma das observaes no i-simo tratamento;


yi .: mdia das observaes no i-simo tratamento;

SST

SSTratamentos

SSErro

y..: soma de todas as N observaes;


y..: mdia de todas as N observaes;

Robson Bruno Dutra Pereira

ANOVA one-way
Examinando a soma dos quadrados dos erros:
2

SS E yij yi.
a

i 1 j 1

2
n

yij yi.
i 1

j 1
a

Dividindo o termo entre colchetes por n -1, tem-se a varincia para o isimo tratamento:

Si2

j 1

ij

yi .

n 1

i 1, 2, ..., a

Robson Bruno Dutra Pereira

ANOVA one-way
a varincias amostrais podem ser combinadas para estimar uma nica
varincia da populao 2 comum;
2
n

yij yi.

i 1
SS E

j 1

MS E
an 1
N a
a

Robson Bruno Dutra Pereira

ANOVA one-way
Da mesma forma, pode-se usar a variao da mdia dos tratamentos
para estimar 2, caso no haja diferena significativa entre os
tratamentos.

Na ANOVA h duas estimativas de 2:

MSTrat

SSTrat

a 1

SS E
MS E
N a

2between

Varincia entre tratamentos

2within

Varincia dentro dos tratamentos

Robson Bruno Dutra Pereira

ANOVA one-way
Tabela ANOVA one-way
Fonte de
variao
Entre
(between)
tratamentos

Graus de
liberdade

Soma dos quadrados

SSTrat

1 a 2 y..2
yi .
n i 1
N

a-1

Erro (within)

SS E SST SSTrat

N-a

Total

2
y
2
SST yij ..
N
i 1 j 1

N-1

Mdia dos
quadrados

MSTrat

Robson Bruno Dutra Pereira

SSTrat

a 1

SS E
MS E
N a

F0

MSTrat
F0
MS E

ANOVA one-way
Rejeita-se H0 se h diferena entre as mdias dos tratamentos, isto :

F0 F ,a 1, N a
Distribution Plot
F; df1=4; df2=10
0,7
0,6
0,5

Density

A hiptese alternativa bilateral e o


critrio de rejeio unilateral.
Porque?
MSTrat
F0
Pois testa-se
, ou seja,
MS E
quantas vezes a varincia entre
maior que a varincia dentro
A distribuio F razo de chiquadrados, que por sua vez soma do
quadrado de normais, de forma que F
s assume valores positivos!!!

0,4
0,3
0,2
0,1
0,0

0,05
0

Robson Bruno Dutra Pereira

3,478

ANOVA one-way
O tempo de resposta em milissegundos foi determinado para trs tipos
de circuitos que podem ser usados em uma vlvula automtica de um
mecanismo de desligamento.
Tipo de
circuito
1
2
3

Tempo de resposta (ms)


9
12
10
8
20
21
23
17
7
6
5
8

Robson Bruno Dutra Pereira

ANOVA one-way
SSTrat

2
1 a 2 y..2 1 2
146
yi .
39 812 26 2
413,17
n i 1
N 4
12

2
2
y
146
SST yij2 .. 9 2 12 2 10 2 ... 52 82 7 2
445,67
N
12
i 1 j 1
a

SS E SST SSTrat 445,67 413,17 32,5


Tipo de circuito
1
2
3

9
20
6

Tempo de resposta (ms)


12
10
21
23
5
8

Robson Bruno Dutra Pereira

8
17
7

Totais Mdias
39
9,75
81
20,25
26
6,5
146
12,17

ANOVA one-way
MSTrat

SSTrat 413,17

206,583
a 1
2

SS E
32,50
MS E

3,611
N a
9

2between

MSTrat 206,583
F0

57,21
MS E
3,611

2within

FV
Circuito
Erro
Total

Robson Bruno Dutra Pereira

DF
2
9
11

SS
MS
F
413,167 206,583 57,21
32,500 3,611
445,667

ANOVA one-way

Distribution Plot

Distribution Plot

F; df1=2; df2=9

F; df1=2; df2=9

1,0

1,0

0,8

0,8

0,6

0,6

Density

Density

MSTrat 206,583
F0

57,21 > 4,256 = F0,05; 2; 12


MS E
3,611

0,4

0,4

0,2

P-value

0,2

0,0

7,6358E-06
57,21

0,0

0,05
0

Robson Bruno Dutra Pereira

4,256

ANOVA one-way
Checando a adequao do modelo: examinando os resduos!
^

eij yij y ij
Circuito Tempo
1
9
1
12
1
10
1
8
2
20
2
21
2
23
2
17
3
6
3
5
3
8
3
7

FITS1
9,75
9,75
9,75
9,75
20,25
20,25
20,25
20,25
6,5
6,5
6,5
6,5

RESI1
-0,75
2,25
0,25
-1,75
-0,25
0,75
2,75
-3,25
-0,5
-1,5
1,5
0,5

y ij i
y ij y.. yi. y..
^

y ij yi.

Robson Bruno Dutra Pereira

Rudo
Anlise dos resduos

eij ~ N 0, 2

Devem ser:
Normais (0;2)
Constantes
Estveis
Aleatrios
Independentes
NoCorrelacionados

Robson Bruno Dutra Pereira

Rudo
Rudo (noise; nuisance factor): varivel desconhecida ou negligenciada
que pode afetar os resultados dos experimentos;
Rudo
conhecido
SIM
NO

Rudo controlvel
SIM
NO
Blocagem
ANCOVA
Aleatorizao
Aleatorizao

Estas tcnicas sero detalhadas no planejamento fatorial.

Robson Bruno Dutra Pereira

Você também pode gostar