Você está na página 1de 39

4-Teste de

Hipóteses
Teste de
Hipóteses

• Procedimentos Gerais
• Teste de média Z para 1 amostra
• Teste de média t para 1 amostra
• Teste de variância para 2 amostras
A Distribuição de Fisher
• Teste de média t para 2 amostras
• Teste de média para Observações
Emparelhadas
• Teste de proporções

1
4-Teste de
Hipóteses Erros e Hipóteses

•Na afirmação: “Uma pessoa é considerada inocente até


que se prove o contrário pois é um erro maior condenar
um inocente do que libertar um culpado.”, defina:
•Erros Tipo I e Tipo II
•Hipóteses Nula e Alternativa

RC
RC Situação
SituaçãoReal
Real
Ho
Ho H1
H1
Ho
Ho Correta
Correta Erro
ErroIIII
Decisão ββ
Decisão
H1
H1 Erro
ErroII Correta
Correta
αα

2
4-Teste de
Hipóteses Testes Paramétricos e Não Paramétricos

Paramétricos
Não Paramétricos

Ho: Dados Normais H1: Dados não normais

P_value

3
4-Teste de
Hipóteses Algoritmo Básico de Implementação

No Minitab: Análise do p-value !

4
4-Teste de
Hipóteses Exemplo de Algoritmo Básico

Teste de dois tipos de


Amplificadores

Amostra de 25 amplificadores

5
4-Teste de
Hipóteses Exemplo de Algoritmo Básico

6
4-Teste de
Hipóteses Marcianos ou Venusianos?

Ver Programa John


Hattie e
Teste_Hipóteses
(flash)

7
4-Teste de
Hipóteses
Teste de média Z
para 1 amostra

Exemplo Processo de fabricação de latas

A Resistência ao Estufamento das latas para a


inspeção final deve ser maior que 90 psi. Tal
resistência obedece a uma distribuição normal
com desvio padrão de 1 psi . As medidas da
Resistência para uma determinada linha/turno
estão dadas na planilha Resistência.MTW
Teste a Hipótese de que as medidas da
Resistência ao Estufamento estão dentro do
limite de especificação. (Prove que as
medidas são maiores que 90)
Resistência.MTW
8
4-Teste de
Hipóteses <1-Sample Z>

H1 é geralmente o que se
deseja provar
Geralmente não
é fornecido

9
4-Teste de
Hipóteses 1-Sample Z: Resultados

One-Sample Z: Resistencia Uma boa regra: Quando


H0 H1 P_value< 0,05, rejeita-se Ho

Test of mu = 90 vs mu > 90
Valor dentro da
The assumed sigma = 1
Região Crítica

Variable N Mean StDev SE Mean


Resistencia 15 91,111 0,834 0,258

Variable 95,0% Lower Bound Z P


Resistencia 90,686 4,30 0,000
Região Rejeita-se H0
Crítica

10
4-Teste de
Hipóteses 1-Sample Z: Histograma

Histogram of Resistencia
(with Ho and 95% Z-confidence bound for the mean, and sigma = 1,0000)

6
A média pertence a
região crítica para
5
rejeição de Ho
4
Frequency

0 _
Ho X
[

89,5 90,0 90,5 91,0 91,5 92,0 92,5 93,0

Resistencia

11
4-Teste de
Hipóteses
Teste de média t
para 1 amostra

Exemplo Processo de fabricação de latas

A especificação da Largura da Flange das latas


para a inspeção final é definida como
0.082’’+/- 0.010’’ e obedece a uma distribuição
normal. As medidas da Largura da Flange para
uma determinada linha/turno estão dadas na
planilha.
Teste a Hipótese de que as medidas da Largura
da Flange estão dentro do limite de
especificação. (Prove que os valores são em
média maiores que 0,072” e menores que
0,092”) flange.MTW
12
4-Teste de
Hipóteses <1-Sample t>

Teste 1

Teste 2

13
4-Teste de
Hipóteses 1-Sample t: Resultados

One-Sample T: Largura Flange


H0 H1
Test of mu = 0,092 vs mu < 0,092

Variable N Mean StDev SE Mean


Largura Flan 15 0,083522 0,003446 0,000890

Variable 95,0% Upper Bound T P Rejeita-se


Largura Flan 0,085089 -9,53 0,000 H0
One-Sample T: Largura Flange
H0 H1
Test of mu = 0,072 vs mu > 0,072

Variable N Mean StDev SE Mean


Largura Flan 15 0,083522 0,003446 0,000890

Variable 95,0% Lower Bound T P Rejeita-se


Largura Flan 0,081955 12,95 0,000 H0
14
4-Teste de
Hipóteses 1-Sample t: Histogramas
Histogram of Largura Flange
(with Ho and 95% t-confidence bound for the mean)

O Teste t é usado para comparar 5

médias quando o desvio padrão da 3

Frequency
população é desconhecido 2

Histogram of Largura Flange 0 _


X
(with Ho and 95% t-confidence bound for the mean) [

0,079 0,081 0,083 0,085 0,087 0,089 0,091


5
Largura Flange

3
Frequency

2
O teste t é usado na
maioria dos casos. O
1

termo t deve-se ao
0 _
X
]
Ho
estatístico Gosset que
0,079 0,081 0,083 0,085 0,087 0,089 0,091 criou a distribuição t de
Largura Flange
Student.

15
4-Teste de
Hipóteses
Teste de Variância
para 2 amostras
Exemplo
Processo de fabricação de latas
Dois tipos de Bico de Aplicação de
verniz (Tipo I e Tipo II) foram
avaliados. Deseja-se investigar o
efeito desses dois Bicos com
relação ao Peso do Verniz (em mg)
medido após o processo. Tais
medidas são dadas na planilha ao
lado.
As variâncias são iguais? (Teste a
Hipótese nula de que os dois bicos
produzem um peso de Verniz com
mesma variância, ou seja, mesma Peso_Verniz.MTW
dispersão).
16
4-Teste de
Hipóteses <2 Variances>

Usando
2 Variances

Obs.: Teste o
Procedimento
Stack
Columns

17
4-Teste de
Hipóteses 2 Variances – Levine’s Test

Test for Equal Variances


95% Confidence Intervals for Sigmas Factor Levels

Verniz_tipo1
Prefira
Verniz_tipo2
sempre pois
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1
independe da
F-Test Levene's Test distribuição
Test Statistic: 2.738 Test Statistic: 1.505
P-Value : 0.150 P-Value : 0.236 dos dados
Boxplots of Raw Data

As variâncias são iguais!


Verniz_tipo1

Verniz_tipo2

110.0 110.5 111.0 111.5 112.0 112.5

18
4-Teste de
Hipóteses 2 Variances – Teste F de Fisher

Probability Density Function


y=F(x,10,10)
A Distribuição
1.500
F de Fisher

1.125

O Teste F testa se duas Variâncias são


0.750
iguais. Em caso de Variâncias
idênticas, F=1. Tal distribuição é
0.375
geralmente utilizada para cálculos
manuais pois é tabelada!

0.000
0 1 2 3 4

19
4-Teste de
Hipóteses <Anova> <Test for equal variances>

USANDO Test for Equal Variances (melhor!!!)


Level1 Verniz_tipo1 <Anova> <test for equal variances>
Level2 Verniz_tipo2 Esse método é melhor pois pode testar
ConfLvl 95.0000 mais que dois conjuntos de dados.
Bonferroni confidence intervals for standard deviations
Lower Sigma Upper N Factor Levels
0.358564 0.548160 1.10380 10 Verniz_tipo1
0.216713 0.331303 0.66713 10 Verniz_tipo2

F-Test (normal distribution)


Test Statistic: 2.738
P-Value : 0.150

Levene's Test (any continuous distribution)


Test Statistic: 1.505

P-Value : 0.236 (variâncias iguais)


20
4-Teste de
Hipóteses Teste de média t
para 2 amostras

Exemplo: Em relação ao problema anterior, teste se as médias são


diferentes. (Peso_Verniz.MTW)

Do teste
de Levene

21
4-Teste de
Hipóteses <2-Sample t>

Two-Sample T-Test and CI: Verniz_tipo1, Verniz_tipo2


Two-sample T for Verniz_tipo1 vs Verniz_tipo2
N Mean StDev SE Mean
Verniz_t 10 110.792 0.548 0.17
Verniz_t 10 112.205 0.331 0.10
Difference = mu Verniz_tipo1 - mu Verniz_tipo2
Estimate for difference: -1.413
95% CI for difference: (-1.838, -0.987)
T-Test of difference = 0 (vs not =): T-Value = -6.97
P-Value = 0.000 DF = 18
Both use Pooled StDev = 0.453
Médias diferentes

22
4-Teste de
Hipóteses 2-Sample t: Boxplots

Boxplots of Verniz_t1 and Verniz_t2


(means are indicated by solid circles)

112.5

112.0

111.5

111.0

110.5

110.0

Verniz_t Verniz_t

23
4-Teste de
Hipóteses
Teste para observações
emparelhadas
Exemplo Processo de fabricação de latas

Suspeita-se que dois


funcionários estão
monitorando o Manômetro
do processo de Minster de
uma forma desigual. Para
diferentes pressões foram
lidas (de uma forma
emparelhada) os resultados
da planilha.
Teste a Hipótese Nula de
que os dois operadores tem Oper_Pressao.MTW
o mesmo desempenho.
24
4-Teste de
Hipóteses <Paired t>

25
4-Teste de
Hipóteses Paired t: Resultados

Paired T-Test and CI: Operador 1, Operador 2


Paired T for Operador 1 - Operador 2
N Mean StDev SE Mean
Operador 1 10 194 428 135
Operador 2 10 196 428 135
Difference 10 -2.400 1.075 0.340

95% CI for mean difference: (-3.169, -1.631)


T-Test of mean difference = 0 (vs not = 0): T-Value
= -7.06 P-Value = 0.000

Médias diferentes

26
4-Teste de
Hipóteses Paired t: Boxplot

Boxplot of Differences
(with Ho and 95% t-confidence interval for the mean)

[ _ ]
X Ho

-4 -3 -2 -1 0
Differences

27
4-Teste de
Hipóteses
Teste para proporção
de 1 amostra

Exemplo: Durante a Inspeção final da lata acabada a


especificação define que entre 6 latas (vistas a cada hora em cada
linha) 5 não devem apresentar defeitos visuais por palete. As
inspeções correspondentes a 24 horas são feitas para dois dias em
meses diferentes (admita que a proporção se mantenha constante
ao longo dos dois dias). Temos Assim:
Dia 1: 12 Defeitos Visuais em 144 Latas Inspecionadas
Dia 2: 23 Defeitos Visuais em 144 Latas Inspecionadas
Teste a Hipótese Nula de que as duas proporções atendem às
especificações.

28
4-Teste de
Hipóteses <1 Proportion>

Teste 1 Teste 2

Uma lata em cada 6 são


defeituosas 1/6=0,166667

29
4-Teste de
Hipóteses 1 Proportion: Resultados

Test and CI for One Proportion

Test of p = 0,166667 vs p > 0,166667

Exact
Sample X N Sample p 95,0% Lower Bound P-Value
1 23 144 0,159722 0,111691 0,623

Test and CI for One Proportion Estão dentro da


especificação
Test of p = 0,166667 vs p > 0,166667

Exact
Sample X N Sample p 95,0% Lower Bound P-Value
1 12 144 0,083333 0,048788 0,999

30
4-Teste de
Hipóteses <2 Proportions>

Em relação ao exemplo anterior, Teste


a Hipótese Nula de que as duas
proporções são iguais.

31
4-Teste de
Hipóteses 2 Proportions: Resultados

Test and CI for Two Proportions

Sample X N Sample p
1 12 144 0,083333
2 23 144 0,159722

Estimate for p(1) - p(2): -0,0763889


95% CI for p(1) - p(2): (-0,151343; -0,00143469)
Test for p(1) - p(2) = 0 (vs not = 0): Z = -1,98
P-Value = 0,047

São diferentes

32
4-Teste de
Hipóteses Análise
Bidimensional

Distribuição Conjunta

A Distribuição Conjunta é usada para o estudo da associabilidade entre


variáveis. Ex.: A partir de uma renda familiar podemos estimar a
classe social de uma pessoa, pois sabemos da existência de
dependência entre essas duas variáveis.

Como ver a associação das variáveis


na Distribuição Conjunta abaixo?
X Y Masculino Feminino Total
Distribuição conjunta das
Economia 85 35 120
freqüências das variáveis X
Administração 55 25 80
(Curso) e Y (Sexo)
Total 140 60 200

33
4-Teste de
Hipóteses Ex.: Independência de Eventos

X Y Masculino Feminino Total


Distribuição conjunta das
Economia 85 35 120
freqüências das variáveis X
Administração 55 25 80
(curso) e Y (sexo)
Total 140 60 200

X Y Masculino Feminino Total Distribuição conjunta das proporções


em relação aos totais de cada coluna.
Economia 61% 58% 60%
Independente do sexo, 60% preferem
Administração 39% 42% 40% Economia e 40% preferem
Total 100% 100% 100% Administração

X Y Masculino Feminino Total Distribuição conjunta das proporções


Economia 71% 29% 100% em relação aos totais de cada linha.
Administração 69% 31% 100% Independente do Curso, 70% é
Masculino e 30% é feminino
Total 70% 30% 100%

34
4-Teste de
Hipóteses <Chi-Square Test>

X Y Masculino Feminino Total


Economia 85 35 120 Desenvolva a análise
Administração 55 25 80 de Independência de
Total 140 60 200 Eventos para cada uma
Escola A das tabelas, usando o
Minitab
(Bidimensional.mtw)

X Y Masculino Feminino Total


<Stat> <Tables>
Engenharia 100 20 120 <Cross -Tabulation>
C. Sociais 20 60 80
Total 120 80 200
<Chi-Square Analysis>
Escola B
35
4-Teste de
Hipóteses Esperados e Observados

Distribuição
Estado Tipo de Cooperativa
conjunta das
Consumidor Produtor Escola Outros Total proporções em
São Paulo 214 (33%) 237 (37%) 78 (12%) 119 (18%) 648 (100%) relação aos totais de
Paraná 51 (17%) 102 (34%) 126 (42%) 22 ( 7%) 301 (100%) cada linha.
Rio G.Sul 111 (18%)
Total 376 (24%)
304 (51%) 139 (23%) 48 ( 8%) 602 (100%)
643 (42%) 343 (22%) 189 (12%) 1551 (100%)
oij
Estado Tipo de Cooperativa Distribuição
Consumidor Produtor Escola Outros Total conjunta dos
São Paulo 156 (24%) 272 (42%) 142 (22%) 78 (12%) 648 (100%) valores esperados
Paraná 72 (24%) 127 (42%) 66 (22%) 36 (12%) 301 (100%) em relação aos
Rio G.Sul 144 (24%) 254 (42%) 132 (22%) 72 (12%) 602 (100%)
totais das linhas
Total 376 (24%) 643 (42%) 343 (22%) 189 (12%) 1551 (100%) eij

36
4-Teste de
Hipóteses Chi-Square Test

Estado Tipo de Cooperativa


Consumidor Produtor Escola Outros
São Paulo 58 -35 -64 41 nij = oij − eij
Paraná -21 -25 60 -14
Rio G. Sul -33 50 7 -24

(o −e )
Estado Tipo de Cooperativa
Consumidor Produtor Escola Outros 2

=
São Paulo 21,56 4,50 28,84 21,55 ij ij
Paraná 6,12 4,92 54,54 5,44 nij
Rio G. Sul 7,56 9,84 0,37 8,00 eij
Qui-Quadrado
χ =∑
(o − e ) 2
2

i
∑j
ij

eij
ij
= 21,56 + 6,12 + L + 8,00 = 173,379

37
4-Teste de
Hipóteses Cross Tabulation

Estado Tipo de Cooperativa


Consumidor Produtor Escola Outros Total
São Paulo 214 (33%) 237 (37%) 78 (12%) 119 (18%) 648 (100%)
Paraná 51 (17%) 102 (34%) 126 (42%) 22 ( 7%) 301 (100%)
Rio G.Sul 111 (18%) 304 (51%) 139 (23%) 48 ( 8%) 602 (100%)
Total 376 (24%) 643 (42%) 343 (22%) 189 (12%) 1551 (100%)

Desenvolva a análise de Independência de Eventos para a tabela,


usando o Minitab (Bidimensional.mtw)
<Stat> <Tables> <Cross Tabulation> Stacked
<Stat> <Tables> <Chi-Square> Unstacked

38
4-Teste de
Hipóteses Lembre-se do Cone of Learning!

• Livro Texto: Montgomery/Runger


– Capítulo 8:
• Exemplo 8.8
• 8.33, 8,35
• Exemplo 8.20
• Seção 8.8
– Capítulo 9:
• Exemplo 9.5 (ver também 9.3.4)
• 9.18, 9.19
• Exemplo 9.9
Fazer os
• 9.33, 9.34, 9.35, 9.36, 9.37, 9.38
exercícios com
resposta usando o
Minitab!
39

Você também pode gostar