TA33d - Estati301stica Aplicada A300 Qualidade

TA33D – ESTATÍSTICA
APLICADA À QUALIDADE
1
TESTES DE HIPÓTESES EM
UMA E DUAS AMOSTRAS
2
HIPÓTESE ESTATÍSTICA:
CONCEITOS GERAIS
Definição (HIPÓTESE ESTATÍSTICA): Uma
hipótese estatística é uma afirmação sobre
os parâmetros de uma ou mais populações.
3
CONCEITOS GERAIS
Exemplo: Suponha que estejamos
interessados no tempo de cozimento de
um bolo de chocolate. O tempo de
cozimento é uma variável aleatória que
pode ser descrita por uma distribuição de
probabilidades. Suponha que nosso
interesse esteja focado na tempo médio
de cozimento (um parâmetro dessa
distribuição).
4
CONCEITOS GERAIS
Exemplo (continuação):
Especificamente, estamos interessados em
decidir se tempo médio de cozimento é ou não
30 minutos. Podemos expressar isso
formalmente como:
H0: µ = 30 min Hipótese Nula
H1: µ ≠ 30 min Hipótese Alternativa
Bilateral
5
CONCEITOS GERAIS
Uma vez que a hipótese alternativa H1 especifica
valores de µ que poderiam ser maiores ou
menores do que 30 (ou seja, diferente de 30) ela
é chamada de uma hipótese alternativa bilateral.
Em algumas situações, podemos desejar
formular uma hipótese alternativa unilateral,
como em:
H0: µ = 30 min ou H0: µ = 30 min
H0: µ < 30 min H0: µ > 30 min
Hipótese alternativa unilateral
6
CONCEITOS GERAIS
Nota: Hipóteses são sempre afirmações sobre a
população ou distribuição sob estudo, e não
afirmações sobre a amostra.
7
CONCEITOS GERAIS
O valor do parâmetro especificado em H0,
geralmente, é determinado em uma de três
maneiras:
a)  Resultado de experiências passadas.
b)  Determinado a partir de alguma teoria ou
modelo relativo ao processo em estudo.
c)  Resultar de considerações externas.
8
CONCEITOS GERAIS
Um procedimento levando a uma decisão

acerca de uma hipótese particular é chamado de
teste de uma hipótese.
Procedimentos de teste de hipóteses se
apoiam no uso de afirmações de uma amostra
aleatória proveniente da população de interesse.
9
CONCEITOS GERAIS
Testar uma hipótese envolve:
1)  Considerar uma amostra aleatória.
2)  Calcular uma estatística de teste a partir
dos dados amostrais
3)  Usar a estatística de teste para tomar uma
decisão a respeito da hipótese nula (H0).
10
Testes de Hipóteses Estatísticas
Considere o problema do bolo

apresentado no exemplo anterior,
com as seguintes hipóteses (usando
uma amostra de tamanho n = 10):
H0: µ = 30 min
H1: µ ≠ 30 min
11
A média amostral é a estatística
do teste, neste caso. Ainda, a média
amostral pode assumir muitos
valores diferentes. Suponha que, se
28,5≤𝑋 ≤31,5 não rejeitaremos H0: µ =
30 min, e se 𝑋  >31,5 ou 𝑋  <28,5
rejeitaremos a hipótese H0 em favor
de H1: µ ≠ 30.
12
Logo, Região Crítica ou
Região de Rejeição
Região de Aceitação
Valores Críticos
13
Observações:
a)  É comum estabelecer conclusões referentes a
hipótese nula H0.
b)  Rejeitamos H0 se a estatística do teste cair na
região crítica ou região de rejeição e,
assumimos H1 como verdadeira.
c)  Não rejeitaremos H0 se a estatística do teste
cair na região de aceitação.
14
Esse procedimento de decisão pode
conduzir a uma de duas conclusões erradas:
Decisão H0 é verdadeira H0 é falsa
Não rejeitar H0 Nenhum erro Erro tipo II
Rejeitar H0 Erro tipo I Nenhum erro
15
Testes de hipóteses estatísticas
Como nossa decisão está baseada em
variáveis aleatórias, probabilidades podem estar
associadas com os erros tipo I e tipo II.
Probabilidade do erro tipo I:

α = P[erro tipo I] = P[rejeitar H0 | H0
verdadeira]
Nota: a probabilidade do erro tipo I é chamada de
nível de significância ou erro α ou tamanho do
teste.
16
Probabilidade do erro tipo II:
β = P[erro tipo II] = P[não rejeitar H0 | H0 falsa]
17
Nota: quatro pontos importantes:
1)  Os erros tipo I e II são relacionados. Uma
redução na probabilidade de um
geralmente resulta num aumento da
probabilidade do outro.
2)  O tamanho da região crítica e, portanto, a
probabilidade de se cometer o erro tipo I,
pode ser sempre reduzido ajustando-se
o(s) valor(es) crítico(s).
18
Nota: quatro pontos importantes:
3)  Um aumento no tamanho da amostra n
reduzirá α e β simultaneamente.
4)  Se a hipótese nula é falsa, β é maximizada
quando o valor real de um parâmetro se
aproxima do valor hipotético. Quanto maior
a distância entre o valor real e o hipotético,
menor será o valor de β.
19
NOTA: Uma vez que o analista pode controlar
diretamente a probabilidade de rejeitar
erroneamente H0 (erro tipo I), sempre pensamos
na rejeição da hipótese nula H0 como uma
conclusão forte.
20
Definição(Poder): O poder de um teste é a
probabilidade de se rejeitar H0 dado que uma
hipótese alternativa específica H1 é verdadeira.
Nota: O poder de um teste pode ser calculado

como 1- β , onde β é a probabilidade do erro tipo
II.
21
Testes unilaterais e bilaterais
Na construção de hipóteses, sempre vamos

estabelecer a hipótese nula como uma igualdade
de modo que a probabilidade do erro tipo I, α,
pode ser controlado em um valor específico. A
hipótese alternativa tanto pode ser unilateral
como bilateral, dependendo da conclusão a ser
retirada se H0 é rejeitada.
22
Testes unilaterais e bilaterais
Se o objetivo é fazer uma alegação
envolvendo afirmações, tais como maior que,
menor que, superior a, excede, no mínimo e
assim por diante, uma alternativa unilateral é
apropriada, ou se for feita a alegação não igual a,
uma alternativa bilateral deve ser usada.
Nota: Na formulação das hipóteses unilaterais,
demos nos lembrar que rejeitar H0 é sempre uma
conclusão forte!!
23
Uso de valores-p para tomada de
decisão em testes de hipóteses
Definição (Valor-p): O valor-p é o menor nível de
significância que conduz à rejeição da hipótese
nula H0, com os dados fornecidos.
Nota:
a)  É costume chamar a estatística do teste (e os
dados) de significante quando a hipótese nula
H0 for rejeitada.
b)  Se o valor-p for “baixo”, rejeitamos H0.
c)  Se o valor-p for “alto”, não rejeitamos H0.
24
Conexão entre testes de hipóteses
e intervalos de confiança
Se [l;u] for um intervalo de confiança de 100(1-α)
% para o parâmetro θ, o teste de tamanho α das
hipóteses
H0: θ = θ0 vs H1: θ ≠ θ0
Conduzirá a rejeição de H0 se, e somente se, θ0
não estiver no intervalo [l;u] de 100(1-α)%.
25
Conexão entre testes de hipóteses
e intervalos de confiança
Exemplo: Considere o processo de assar um
bolo. Considerando também que o tempo médio
de cozimento obtido de uma amostra de tamanho
16 foi de 27,3 e σ = 1,9. Teste a hipótese de que
a taxa média de queima µ é igual a 30 min,
usando um intervalo de confiança de 95% para o
tempo médio de cozimento µ.
26
Procedimento geral para testes de
hipóteses
O uso da seguinte sequência de etapas na
metodologia de aplicação de testes de hipóteses
é recomendada.
1)  A partir do contexto do problema, identifique o
parâmetro de interesse.
2)  Estabeleça a hipótese nula H0.
3)  Especifique uma hipótese alternativa
apropriada, H1.
27
hipóteses
4)  Escolha um nível de significância α.
5)  Determine uma estatística apropriada de
teste.
6)  Estabeleça a região de rejeição para a
estatística.
28
hipóteses
7)  Calcule quaisquer grandezas amostrais
necessárias, substitua-as na equação para a
estatística de teste e calcule aquele valor.
8)  Decida se H0 deve ou não ser rejeitada e
reporte isso no contexto do problema.
Nota: As etapas 1-4 devem ser completadas
antes de examinar os dados amostrais.
29
Amostra única: testes referentes a
uma única média µ (σ2 conhecida)
Seja X1, X2, .., Xn uma amostra aleatória
retirada de uma população normal, com variância
σ2 conhecida.
Suponha que desejamos testar as hipóteses:
(a) (b) (c)
H0: µ = µ0 H0: µ = µ0 H0: µ = µ0
H1: µ ≠ µ0 H1: µ > µ0 H1: µ < µ0
30
Estatística do teste:
X − µ0 sob H 0
Z0 = ~ N (0;1)
σ
n
31
Se o nível de significância α for adotado, temos:
32
33
34
Teste para a média média µ com σ2 conhecida:
ð Hipótese Nula: H0: µ = µ0
ð Estatística do Teste: Z = X − µ0
0
σ
n
Hipótese Alterna.va Critério de Rejeição
H1: µ ≠ µ0 z0 > zα/2 ou z0 < -‐zα/2
H1: µ > µ0 z0 > zα
H1: µ < µ0 z0 < -‐zα
35
Exemplo: Uma amostra aleatória de cem
registros de mortes nos EUA durante o ano
passado mostrou uma expectativa de vida de
71,8 anos. Assumindo um desvio-padrão de 8,9
anos, isso parece indicar que a média da
expectativa de vida hoje é maior do que 70 anos?
Use um nível de significância de 0,05.
36
Amostra única: testes referentes a uma
única média µ (σ2 desconhecida)
Seja X1, X2, .., Xn uma amostra aleatória retirada
de uma população normal, com variância σ2
desconhecida.
(a) (b) (c)

H0: µ = µ0 H0: µ = µ0 H0: µ = µ0
H1: µ ≠ µ0 H1: µ > µ0 H1: µ < µ0
37
X − µ0 sob H 0
T0 = ~ tn−1
s
n
38
39
40
41
Teste para a média µ com σ2 desconhecida:
Hipótese
Critério de Rejeição
AlternaHva
H1: µ ≠ µ0 t0 > tα/2; n-‐1 ou t0 < -‐tα/2; n-‐1
H1: µ > µ0 t0 > tα; n-‐1
H1: µ < µ0 t0 < -‐tα; n-‐1
42
Exemplo:
O Edison Electric Institute publicou os números
referentes ao consumo anual de energia elétrica
em quilowatts/hora de vários eletrodomésticos.
Afirmou-se que o aspirador de pó gasta uma
média de 46 quilowatts/hora por ano.
43
Exemplo: (continuação)
Se uma amostra aleatória de 12 casas incluídas
em um estudo planejado indica que os
aspiradores de pó gastam uma média de 42
quilowatts/hora, isso sugere, num nível de
significância de 0,05, que os aspiradores de pó
gastam, em média, menos de 46 quilowatts/hora
por ano? Assuma que a população dos
quilowatts/hora seja normal.
44
Duas amostras: testes para duas
médias - Variâncias conhecidas
Seja X11, X12, .., X1n1 uma amostra aleatória de
tamanho n1 proveniente de uma população 1 e,
X21, X22, .., X2n2 uma amostra aleatória de
tamanho n2 proveniente de uma população 2.
Ambas as populações são normais, com
variâncias conhecidas.
(a) (b) (c)
H0: µ1 -‐ µ2 = Δ0 H0: µ1 -‐ µ2 = Δ0 H0: µ1 -‐ µ2 = Δ0
H1: µ1 -‐ µ2 ≠ Δ0 H1: µ1 -‐ µ2 > Δ0 H1: µ1 -‐ µ2 < Δ0
45
Z0 =
( X 1 − X 2 ) − Δ0
sob H 0
~ N (0;1)
2 2
σ 1 σ 2
+
n1 n2
46
47
48
49
Teste para a diferença de médias µ1–µ2 com
variâncias conhecida:
ð Hipótese Nula: H0: µ1 - µ2 = Δ0 ( X1 − X 2 ) − ( µ1 − µ2 ) Z0 =
ð Estatística do Teste: σ 12
+
σ 22
n1 n2

H1: µ1 -‐ µ2 ≠ Δ0 z0 > zα/2 ou z0 < -‐zα/2
H1: µ1 -‐ µ2 > Δ0 z0 > zα
H1: µ1 -‐ µ2 < Δ0 z0 < -‐zα
50
Exemplo:
Um idealizador de produtos está interessado em
reduzir o tempo de secagem de um zarcão. Duas
formulações de tinta são testadas; a formulação 1
tem uma química-padrão e a formulação 2 tem um
novo ingrediente de secagem, que deve reduzir o
tempo de secagem. Da experiência, sabe-se que o
desvio-padrão do tempo de secagem é igual a 8
minutos e essa variabilidade interente não deve ser
afetada pela adição do novo ingrediente.
51
Dez espécimes são pintados com a formulação 1
e outros 10 espécimes são pintados com a
formulação 2. Os 20 espécimes são pintados
numa ordem aleatória. Os tempos médios de
secagem das duas amostras são x2 = 121 min e
x1 = 112 min, respectivamente. Quais as conclusões
que o idealizador de produtos pode retirar sobre
a eficiência do novo ingrediente, usando α =
0,05?
52
médias - Variâncias desconhecidas e
consideradas iguais
Seja X11, X12, .., X1n1 uma amostra aleatória
de tamanho n1 proveniente de uma população 1
e, X21, X22, .., X2n2 uma amostra aleatória de
variâncias desconhecidas mas consideradas
iguais.
53
médias - Variâncias desconhecidas e
consideradas iguais

(a) (b) (c)
H0: µ1 -‐ µ2 = d0 H0: µ1 -‐ µ2 = d0 H0: µ1 -‐ µ2 = d0
H1: µ1 -‐ µ2 ≠ d0 H1: µ1 -‐ µ2 > d0 H1: µ1 -‐ µ2 < d0
54
Duas amostras: testes para duas médias - Variâncias
desconhecidas e consideradas iguais
t0 =
( X 1 − X 2 ) − ( µ1 − µ2 ) sob H0
~ tn1 + n2 −2
1 1
sp +
n1 n2
2 2
sp =
( n1 − 1) s + ( n2 − 1) s
1 2
n1 + n2 − 2
55
Duas amostras: testes para duas médias -
Variâncias desconhecidas e consideradas
iguais
56
57
58
variâncias desconhecida e consideradas iguais:
ð Hipótese Nula: H0: µ1 - µ2 = d0 t = ( X1 − X 2 ) − ( µ1 − µ2 )
0
ð Estatística do Teste: 1 1
sp +
n1 n2

H1: µ1 -‐ µ2 ≠ d0 t0 > tα/2; n1+n2-‐2 ou t0 < -‐tα/2; n1+n2-‐2
H1: µ1 -‐ µ2 > d0 t0 > tα; n1+n2-‐2
H1: µ1 -‐ µ2 < d0 t0 < -‐tα; n1+n2-‐2
59
Exemplo:
Um experimento foi realizado para comparar o
desgaste abrasivo de dois materiais laminados
diferentes. Doze peças do material 1 foram
testadas ao expor cada peça a uma máquina que
mede o desgaste. Dez peças do material 2 foram
testadas de forma similar. Em cada caso, a
profundidade do desgaste foi observada.
60
As amostras do material 1 forneceram uma média de
desgaste de 85 unidades com desvio-padrão de 4,
enquanto as amostras do material 2 forneceram uma
média de 81 e desvio-padrão de 5. Podemos
concluir que, ao nível de significância de 0,05:
a)  O desgaste abrasivo do material 1 excede aquele do
material 2 por mais de duas unidades?
b)  Existe diferença no desgaste abrasivo dos dois
materiais?
61
desconhecidas e consideradas diferentes
Seja X11, X12, .., X1n1 uma amostra aleatória de
tamanho n1 proveniente de uma população 1 e,
X21, X22, .., X2n2 uma amostra aleatória de
variâncias desconhecidas mas consideradas
diferentes.
(a)
Suponha (b)
que desejamos testar as(c)
hipóteses:
H0: µ1 -‐ µ2 = d0 H0: µ1 -‐ µ2 = d0 H0: µ1 -‐ µ2 = d0
H1: µ1 -‐ µ2 ≠ d0 H1: µ1 -‐ µ2 > d0 H1: µ1 -‐ µ2 < d0
62
desconhecidas e consideradas DIFERENTES
t ∗
=
( X 1 − X 2 ) − ( µ1 − µ 2 ) sob H 0
~ tν
0 2 2
s1 s2
+
n1 n2 Se ν não for inteiro,
2 arredondar para o
⎛ s12 s22 ⎞ menor inteiro mais
⎜ + ⎟ próximo.
⎝ n1 n2 ⎠
ν= 2 2
( s1 n1 ) + ( s2 n2 )
2 2
n1 − 1 n2 − 1 63
64
65
66
variâncias desconhecida e consideradas
diferentes: ( X 1 − X 2 ) − ( µ1 − µ2 )
t0 =
∗
ð Hipótese Nula: H0: µ1 - µ2 = d0 s12 s22

+
ð Estatística do Teste: n1 n2
H1: µ1 -‐ µ2 ≠ d0 t0* > tα/2; ν ou t0* < -‐tα/2; ν
H1: µ1 -‐ µ2 > d0 t0* > tα; ν
H1: µ1 -‐ µ2 < d0 t0* < -‐tα; ν
67
Exemplo:
A concentração de arsênico em suprimentos
públicos de água potável é um risco potencial à
saúde. Um artigo no jornal Arizona Republic
reportou as concentrações, em partes por bilhão
(ppb), de arsênico em água potável para 10
comunidades rurais do rio Arizona. Eis os dados:
68
Fênix Metropolitana – Arizona Rural –
PHX RuralAZ
Fênix 3 Rimrock 48
Chandler 7 Goodyear 44
Gilbert 25 New River 40
Glendale 10 Apache JuncHon 38
xFênix Metropolitaana
Mesa
= 12,515 x
Arizona Rural
Buckeye
= 27,5
33
sFênix Metropolitaana
Vale Paraíso = 7,636 s
Nogales
Arizona Rural = 15,3
21
Peoria 12 Back Canyon City 20
Scoesdale 25 Sedona 12
Tempe 15 Payson 1
Sun City 7 Casa Grande 18
69
Exemplo: (continuação 2)
Determine se há alguma diferença nas
concentrações médias de arsênico entre as
comunidades metropolitanas de Fênix e as
comunidades rurais do Arizona. Considerando que
as populações (neste caso, as concentrações de
arsênico das comunidades metropolitanas de Fênix
e as rurais do Arizona) sejam aproximadamente
normais e que as variâncias das populações sejam
diferentes. Use α = 0,01.
70
Duas amostras: testes para duas médias –
observações emparelhadas (ou pareadas)
Seja (X11, X21), (X12, X22), ..., (X1n, X2n) um
conjunto de n observações emparelhadas
proveniente de uma população 1 com média µ1 e
variância σ12 e, uma população 2 com média µ2 e
variância σ22 . Definindo-se as diferenças para
cada par de observações como Dj = X1j – X2j, j =
1, ..., n.
As diferenças Dj’s são consideradas como
distribuições normais, com média µD = µ1 – µ2 e
variância σD2.
71
Assim, testar hipóteses acerca da diferença
entre µ1 e µ2 pode ser feito através do teste t
para µD, considerando uma amostra.
Suponha que desejamos testar as
hipóteses:
(a) (b) (c)
H0: µ1 -‐ µ2 = d0 H0: µ1 -‐ µ2 = d0 H0: µ1 -‐ µ2 = d0
H1: µ1 -‐ µ2 ≠ d0 H1: µ1 -‐ µ2 > d0 H1: µ1 -‐ µ2 < d0
72
d − d sob H 0
t0 =
∗ 0
~ tn−1
sD
n
73
74
75
76
observações emparelhadas (ou pareadas):
ð Hipótese Nula: H0: µ1 - µ2 = d0 d − d0
∗
t0 =
ð Estatística do Teste: sD
n

H1: µ1 -‐ µ2 ≠ d0 t0* > tα/2; n-‐-‐1 ou t0* < -‐tα/2; n-‐-‐1
H1: µ1 -‐ µ2 > d0 t0* > tα; n-‐-‐1
H1: µ1 -‐ µ2 < d0 t0* < -‐tα; n-‐-‐1
77
Exemplo:
Um artigo compara vários métodos para prever a
resistência ao cisalhamento em traves planas
metálicas. Dados obtidos para dois desses
métodos, os procedimentos de Karlsruhe e
Lehigh, quando aplicados a nove traves
específicas, são mostrados na tabela adiante.
Determine se há diferença (na média) entre os
dois métodos. Adote um nível de significância α
de 0,05.
78
Trave Método de Karlsruhe Método de Lehigh Diferença Dj
S1/1 1,186 1,061 0,125
S2/1 1,151 0,992 0,159
S3/1 1,322 1,063 0,259
S4/1 1,339 1,062 0,277
S5/1 1,200 1,065 0,135
S2/1 1,402 1,178 0,224
S2/2 1,365 1,037 0,328
S2/3 1,537 1,086 0,451
S2/4 1,559 1,052 0,507
d = 0, 2739
sD = 0,1351 79
Amostra única: TESTE PARA UMA
ÚNICA PROPORÇÃO (amostras
grandes)
Seja X1, X2, .., Xn uma amostra aleatória de
tamanho n tenha sido retirada de uma grande
(possivelmente infinita) população e que X (≤ n)
observações nessa amostra pertençam a uma
classe de interesse.p̂Então, = X/n é o estimador
pontual da proporção populacional p de indivíduos
que pertencem a essa classe.
(a) (b) (c)
H0: p = p0 H0: p = p0 H0: p = p0
H1: p ≠ p0 H1: p > p0 H1: p < p0
80
Estatística do teste:grandes)
X − np0 sob H 0
Z0 = ~ N (0;1)
np0 (1 − p0 )
Nota: A distribuição amostral de Z0 será uma
N(0;1) se: (i) np ≥ 5, e (ii) n(1-p) ≥ 5.
81
grandes)
82
grandes)
83
grandes)
84
grandes)
Teste aproximado para uma proporção binomial:
ð Hipótese Nula: H0: p = p0
ð Estatística do Teste: X − np0
Z0 =
np0 (1 − p0 )

H1: p ≠ p0 z0 > zα/2 ou z0 < -‐zα/2
H1: p > p0 z0 > zα
H1: p < p0 z0 < -‐zα
85
Exemplo: grandes)
Acredita-se que uma droga comumente prescrita
para aliviar a tensão nervosa tem apenas 60% de
eficácia. Resultados experimentais com uma
nova droga administrada em uma amostra
aleatória de cem adultos que sofrem de tensão
nervosa mostram que 70 deles sentiram alívio.
Isso é evidencia suficiente para concluirmos que
a nova droga é superior a usualmente prescrita?
Use o nível de significância α = 0,02.
86
DUAS AMOSTRAS: TESTE PARA
DUAS PROPORÇÕES (amostras
grandes)
Suponha que duas amostras aleatórias
independentes, de tamanhos n1 e n2, sejam
retiradas de duas populações e sejam X1 e X2 os
números de observações que pertencem à classe de
interesse nas amostras 1 e 2, respectivamente. Além
disso, considere que a aproximação da binomial pela
normal seja aplicada a cada população, de modo
ˆp1 = X1
que os estimadores das proporções das populações
X n1
e pˆ 2 = 2 tenham distribuições normais
n2
aproximadas.
87
grandes)
(a) (b) (c)

H0: p1 = p2 H0: p1 = p2 H0: p1 = p2
H1: p1 ≠ p2 H1: p1 > p2 H1: p1 < p2
88
Estatística do teste:grandes)
pˆ1 − pˆ 2 sob H 0
Z0 = ~ N (0;1)
⎛ 1 1 ⎞
pˆ (1 − pˆ ) ⎜ + ⎟
⎝ n1 n2 ⎠
X1 + X 2
pˆ =
n1 + n2
Nota: A distribuição amostral de Z0 será uma
N(0;1) se: (i) np ≥ 5, e (ii) n(1-p) ≥ 5.
89
grandes)
90
grandes)
91
grandes)
92
grandes)
Teste aproximado para uma proporção binomial:
ð Hipótese Nula: H0: p1 = p2 pˆ1 − pˆ 2
Z0 =
ð Estatística do Teste: ⎛ 1 1 ⎞
pˆ (1 − pˆ ) ⎜ + ⎟
⎝ n1 n2 ⎠
H1: p1 ≠ p2 z0 > zα/2 ou z0 < -‐zα/2
H1: p1 > p2 z0 > zα
H1: p1 < p2 z0 < -‐zα
93
Exemplo: grandes)
Uma votação será realizada entre os residentes
de uma cidade e seus arredores para determinar
se uma indústria química deveria ser construída.
A construção da fábrica é dentro dos limites da
cidade e, por essa razão, muitos eleitores dos
arredores sentem que a proposta será aprovada
por causa da grande proporção dos eleitores da
cidade que são a favor de sua construção.
94
grandes)
Para determinar se há uma diferença significativa na
proporção dos eleitores da cidade e dos arredores
favorecendo a proposta, uma pesquisa foi realizada.
Se 120 dos 200 eleitores da cidade são a favor da
proposta e 240 dos 500 que moram nas redondezas
são a favor da proposta, você concordaria que a
proporção de eleitores da cidade a favor da proposta
é maior que a proporção dos eleitores das
redondezas? Use α = 0,04.
95
Amostra única: TESTE PARA σ2 (e σ)
DE UMA DISTRIBUIÇÃO NORMAL
Seja X1, X2, .., Xn uma amostra aleatória de
tamanho n de uma população normal. Considere,
ainda, que estejamos interessados em testar se a
variância σ2 dessa população é igual a um valor
específico σ20.
(a) (b) (c)

H0: σ2 = σ20 H0: σ2 = σ20 H0: σ2 = σ20
H1: σ2 ≠ σ20 H1: σ2 > σ20 H1: σ2 < σ20
96
2 sob H
2 ( n − 1) s 0
2
χ =
0 2
~ χ n −1
σ0
97
98
99
100
Teste para uma variância de uma distribuição
normal:
ð Hipótese Nula: H0: σ2 = σ20 2 ( n − 1) s 2
χ0 =
ð Estatística do Teste: σ 02

H1: σ2 ≠ σ20 χ20>χ2α/2;n–1 ou χ20 < χ21–α/2; n–1
H1: σ2 > σ20 χ20>χ2α;n–1
H1: σ2 < σ20 χ20<χ2α;n–1
101
Exemplo:
Um fabricante de baterias automotivas afirma
que a vida útil delas tem distribuição
aproximadamente normal, com desvio-padrão de
0,9 ano. Se uma amostra aleatória de dez dessas
baterias tem desvio-padrão de 1,2 ano. Teste a
hipótese de que o desvio-padrão da vida útil das
baterias seja superior a 0,9 ano. Use α = 0,05.
102
DUAS AMOSTRAS: TESTE PARA A
RAZÃO DE DUAS VARIÂNCIAS σ21
E σ 2
Seja X11, X12, .., X1n1 uma2 amostra aleatória de
tamanho n1 proveniente de uma população 1 e, X21,
X22, .., X2n2 uma amostra aleatória de tamanho n2
proveniente de uma população 2. Considere,
também, que s12 e s22 são as variâncias amostrais
das amostras obtidas das populações 1 e 2,
respectivamente.
Suponha
(a) que desejamos
(b) testar(c)
as hipóteses:
H0: σ21 = σ22 H0: σ21 = σ22 H0: σ21 = σ22
H1: σ21 ≠ σ22 H1: σ21 > σ22 H1: σ21 < σ22
103
Estatística do teste: E σ 2
2
2 sob H 0
s
F0 = 1
2
~ Fn1 −1,n2 −1
s
2
104
E σ 2
Se o nível de significância α2 for adotado, temos:
105
E σ 2
106
E σ 2
107
E σ 2
Teste para a razão de duas2variâncias:
ð Hipótese Nula: H0: σ2 = σ20
ð Estatística do Teste: s 2
F0 = 1
2
s 2

H1: σ21 = σ22 F0>Fα/2;n1–1,n2–1 ou F0<F1–α/2;n1–1,n2–1
H1: σ21 > σ22 F0>Fα;n1–1,n2–1
H1: σ21 < σ22 F0<F1–α;n1–1,n2–1
108
Exemplo: E σ 2
2
Ao testar a diferença no desgaste abrasivo de
dois materiais no exemplo do slide 281-282,
assumimos que as duas variâncias populacionais
desconhecidas eram iguais. Havia justificativa
para fazermos essa suposição? Use um nível de
significância α = 0,10.
109
Teste qui-quadrado (qualidade do
ajuste)
Um teste da qualidade do ajuste é um teste de
hipótese cuja finalidade é determinar se uma
população tem uma distribuição teórica específica.
O teste se baseia em quão bom é o ajuste que
temos entre as frequências da ocorrências das
observações em uma amostra observada
(frequência observada) e as frequências esperadas
obtidas da distribuição hipotética (frequência
esperada).
110
ajuste)
Hipóteses :
H0: a população segue a distribuição especificada.

H 1 : a população não segue a distribuição
especificada
111
ajuste)
2
2
k
( oi − ei ) sob H 0
2
χ0 = ∑ ~ χ k −1
i =1 ei
oi: frequência observada na i-ésima célula.
ei: frequência esperada na i-ésima célula.
112
ajuste)
113
ajuste)
Observação (1):
Se as frequências observadas (oi) estiverem:
§  Próximas das frequências esperadas (ei), o valor
assumido pela estatística do teste χ2 será pequeno,
indicando um bom ajuste e a não rejeição de H0.
§  Distantes das frequências esperadas (ei), o valor
assumido pela estatística do teste χ2 será grande,
indicando um ajuste ruim e a rejeição de H0.
114
ajuste)
Observação (2):
a)  O teste qui-quadrado para qualidade do ajuste só
deve ser utilizado quando cada uma das frequências
esperadas é maior ou igual a 5.
b)  Caso alguma das frequências esperadas seja
menor que 5, células adjacentes podem ser
combinadas para sanar tal situação.
115
ajuste)
Teste qui-quadrado para qualidade do ajuste:
ð Hipótese Nula:
H0: a população segue a distribuição especificada
2
ð Estatística do Teste: k
( oi − ei )
2
χ =∑
0
i =1 ei
H1: a população não segue a 2 2
distribuição especificada
χ > χα ;k −1
0
116
ajuste)
Exemplo:
Um dado é jogado 180 vezes com os seguintes
resultados:
x 1 2 3 4 5 6
f 28 36 36 30 28 23
Esse dado é balanceado (ou seja, é honesto)?
Use um nível de significância de 0,01.
117
Teste qui-quadrado (teste de
independência)
O procedimento do teste qui-quadrado
discutido para qualidade do ajuste, também pode
ser usado para testar a hipótese de
independência entre duas variáveis de
classificação (neste caso, duas variáveis
categóricas).
118
independência)
Definição (TABELA DE CONTINGÊNCIA): Uma
tabela de contingência ou tabela de frequência
de dupla-entrada é uma tabela na qual as
frequências correspondem a duas variáveis (uma
variável é usada para categorizar linhas, e a
segunda variável é usada para categorizar
colunas).
119
independência)
Nota:
a)  Uma tabela de contingência com l linhas e c
colunas é referida como uma tabela l x c (lê-se: “l
por c”).
b)  Os totais das linhas e das colunas de uma
tabela de contingência são chamados de
frequências marginais.
120
independência)
Hipóteses :
H 0 : as variáveis da linha e da coluna são

independentes.
H1: as variáveis da linha e da coluna não são
independentes.
121
independência)
2
2
c l
2
χ 0 = ∑∑ ~ χ c −1,l −1
j =1 i =1 ei
122
independência)
123
independência)
Observação:
No teste qui-quadrado para independência, os totais
marginais da tabela de contingência são
determinados ao acaso, ou seja, não são pré-
determinados.
124
independência)
Teste qui-quadrado de independência:
H0: as variáveis da linha e da coluna são independentes
2
ð Estatística do Teste: c l
( oi − ei )
2
χ = ∑∑
0
j =1 i =1 ei
H1: as variáveis da linha e da 2 2
coluna não são χ > χα ;c−1,l −1
0
independentes
125
independência)
Exemplo:
Em um experimento para estudar a relação entre
hipertensão e o hábito de fumar, os seguintes
dados foram obtidos em 180 indivíduos:
x Não Fumante Fumante
fumante moderado inveterado
Hipertenso 21 36 30
Não hipertenso 48 26 19
126
independência)
Teste a hipótese de que a presença ou ansência
da hipertensão depende dos hábitos
relacionados ao fumo. Use um nível de
significância de 0,05.
127
HOMOGENEIDADE)
O procedimento do teste qui-quadrado para
independência também pode ser usado quando
os totais das linhas e das colunas são pré-
determinados.
Neste caso, ao invés de independência,
testamos a hipótese de que as proporções
populacionais dentro de cada linha da tabela de
contingência são as mesmas.
128
HOMOGENEIDADE)
Hipóteses :
H0: populações diferentes têm a mesma proporção

de alguma característica.
H1: populações diferentes não têm a mesma
proporção de alguma característica.
129
HOMOGENEIDADE)
2
2
c l
2
χ 0 = ∑∑ ~ χ c −1,l −1
j =1 i =1 ei
130
HOMOGENEIDADE)
131
HOMOGENEIDADE)
Observação:
No teste qui-quadrado para homogeneidade, os
totais marginais de uma das variáveis da tabela de
contingência são fixos, ou seja, são pré-
determinados.
132
HOMOGENEIDADE)
Teste qui-quadrado de homogeneidade:
H0: populações diferentes têm a mesma proporção de alguma
2
característica. o −e
c l
2
χ = ∑∑
( i i )
ð Estatística do Teste: 0
j =1 i =1 ei
H1: populações diferentes
não têm a mesma 2 2
proporção de alguma χ > χα ;c−1,l −1
0
caracterísHca
133
HOMOGENEIDADE)
Exemplo: A enfermaria de uma faculdade
conduziu um experimento para conduzir o grau
de alívio fornecido por três remédios
antitussígenos. Cada remédio foi testado em 50
estudantes e os seguintes foram registrados:
134
HOMOGENEIDADE)
Remédio anHtussígeno
NyQuil Robitussin Triaminic
Sem alívio 11 13 9
Algum alívio 32 28 27
Alívio total 7 9 14
Teste a hipótese de que os três remédios são

igualmente eficazes. Use α = 0,05.
135
Análise de variância
136
Introdução
A Análise de Variância (ANOVA) de um

único fator tem por objeHvo comparar mais
d e d u a s p o p u l a ç õ e s o u m é d i a s d e
tratamentos.
137
Introdução
Considere:
§  a: número de populações ou tratamentos
em comparação.
§  µi: a média da população i ou a resposta
média verdadeira quando o tratamento i é
aplicado
(i = 1, 2, ..., a).
138
Hipóteses sendo testadas
As hipóteses de interesse são:

H0: µ1 = µ2 = µ3 = .... = µI
H1:pelo menos duas das médias µi são
diferentes (i = 1, 2, ..., a).
139
Notação e Pressupostos
Considere:
§  Xi,j: a variável aleatória que representa a
j-‐ésima medida feita na i-‐ésima
população, ou a medida feita na j-‐ésima
unidade experimental que recebeu o i-‐
ésimo tratamento.
§  xi,j: o valor observado de Xi,j quando o
experimento é realizado.
140
Nota:
§  Os dados observados são mostrados
frequentemente em uma tabela.
141
Nota:
§  É assumido que os Xi,j dentro de qualquer
amostra parHcular são independentes –
uma amostra aleatória da i-‐ésima
população ou tratamento – e que
diferentes amostras são independentes
umas das outras.
142
Experimentos balanceados
Em alguns experimentos, amostras

diferentes contém números diferentes de
observações.
Focaremos aqui no caso de tamanhos
a m o s t r a i s i g u a i s ( e x p e r i m e n t o s
balanceados).
143
Quadro da ANOVA (balanceada)
Soma de Quadrados
Fonte de Graus de
Variação Liberdade
Quadrados Médios Fcalc
(SQ) (QM)
Tratamentos
a–1 SQTrat QMTrat Fcalc
Erros
a(n – 1) SQE QME
Total an - 1 SQT
144
Quadro da ANOVA
Onde:
§  n: é o número de observações em
cada amostra (ou seja, o número de
observações obtidas do i-ésimo
tratamento ou da i-esima população).
§  a: número de populações ou
tratamentos em comparação.
145
Quadro da ANOVA
Onde:
⎛ I J 2 ⎞ 1 2 SQTrat
SQT = ⎜ ∑∑ xij ⎟ − xgg QM Trat =
⎝ i =1 j =1 ⎠ an a −1
1 ⎛ I
2 ⎞ 1 2 SQE
SQTrat = ⎜ ∑ xi g ⎟ − xgg QM E =
n ⎝ i =1 ⎠ an a ( n − 1)
SQE = SQT − SQTrat QM Trat
Fcalc =
QM E
146
Estatística do Teste
QM Trat Sob H0
Fcalc = ~ FI −1; I ( J −1)
QM E
147
Sendo o valor Fcalc o valor calculado

de F, a região de rejeição será:

Fcalc ≥ Fα ;I −1, I ( J −1)

quando um teste com nível de significância
α é especificado.
148
A figura adiante representa a curva da

distribuição Fa-‐1;a(n -‐ 1) e o valor críHco
Fα;a-‐1;a(n-‐1) na cauda superior
correspondente.
149
150
Exemplo de aplicação
Os dados adiante foram obHdos das
medidas de resistores idênHcos,
submeHdos a três níveis de temperaturas
num período de 24 horas. Os tamanhos
amostrais de cada grupo foi 5 (cinco).
151
No jargão de Planejamento de
Experimentos, temos um experimento em
que cada um dos 3 (três) tratamentos tem
5 repeHções.
152
Nível 1 Nível 2 Nível 3
8,0 6,9 8,3
10,5 5,4 6,8
8,1 5,8 7,8
6,9 4,6 9,2
9,3 4,0 6,5
153
Existe diferença nas medidas médias
para diferentes níveis de temperatura?
Responda essa pergunta realizando uma
ANOVA. Use α=0,05.
154
Teste Tukey
Teste de comparações múltiplas
155
Teste Tukey
Suponha que, após uma ANOVA em que
tenhamos rejeitado a hipótese nula de
igualdade de médias dos tratamentos,
desejamos testar todas as médias pareadas,
ou seja,

H0: µi = µj versus H1: µi ≠ µj,∀ i≠j
156
Teste Tukey
Tukey (1953) propôs um procedimento
para testar hipóteses para o qual o nível de
significância global é exatamente α quando
os tratamentos amostrais são iguais e, no
máximo α, quando os tratamentos
amostrais são diferentes.
157
Teste Tukey
Seu procedimento também pode ser
usado para contrair os intervalos de
confiança das diferenças de todos os pares
de médias. Para estes intervalos, os
intervalos de confiança simultâneos têm um
nível 100(1-‐α)% quando os tamanhos
amostrais são diferentes.
158
Teste Tukey
Para tamanhos amostrais iguais, duas médias
como sendo significaHvamente diferentes se o
valor absoluto da diferença de suas amostras
excede:
QM erro
Tα = qα a, f
( )
n
onde a é o número de tratamentos e n o
número de repeHções realizadas em cada
tratamento.
159
Considere que um químico deseja
comparar o percentual alcoólico de 8 (oito)
marcas diferentes de cervejas. Para tal, ele
escolheu aleatoriamente 6 (seis) latas de
cada uma das oito marcas e fez a medição
do teor de álcool. Os dados obHdos são
apresentados na tabela adiante:
160
Marca Média
1 5,977
2 9,402
3 5,802
4 5,942
5 6,040
6 7,012
7 6,011
8 5,936
161
Este químico realizou uma ANOVA
para este conjunto de dados, obtendo uma
soma de quadrados dos erros (ou seja,
SQE) de 0,083056 e uma soma de
quadrados dos tratamentos (ou seja,
SQTrat) de 0,142840.
162
Quais as marcas diferem quanto ao
percentual alcoólico médio? JusHfique sua
resposta através do emprego da ANOVA e
do Teste Tukey. UHlize um nível de
significância de α = 0,05.
163

TA33d - Estati301stica Aplicada A300 Qualidade

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

TA33d - Estati301stica Aplicada A300 Qualidade

Enviado por

Direitos autorais:

Formatos disponíveis

TA33D – ESTATÍSTICA

Um procedimento levando a uma decisão

Considere o problema do bolo

Decisão H0 é verdadeira H0 é falsa

Não rejeitar H0 Nenhum erro Erro tipo II

Rejeitar H0 Erro tipo I Nenhum erro

Probabilidade do erro tipo I:

Nota: O poder de um teste pode ser calculado

Na construção de hipóteses, sempre vamos

(a) (b) (c)

Hipótese Alterna.va Critério de Rejeição

Suponha que desejamos testar as hipóteses:

Hipótese Alterna.va Critério de Rejeição

ð Hipótese Nula: H0: µ1 - µ2 = d0 s12 s22

Hipótese Alterna.va Critério de Rejeição

Hipótese Alterna.va Critério de Rejeição

(a) (b) (c)

(a) (b) (c)

Hipótese Alterna.va Critério de Rejeição

Hipótese Alterna.va Critério de Rejeição

H0: a população segue a distribuição especificada.

H 0 : as variáveis da linha e da coluna são

H0: populações diferentes têm a mesma proporção

Teste a hipótese de que os três remédios são

A Análise de Variância (ANOVA) de um

As hipóteses de interesse são:

Em alguns experimentos, amostras

Sendo o valor Fcalc o valor calculado

A ﬁgura adiante representa a curva da

Teste de comparações múltiplas

Você também pode gostar