Escolar Documentos
Profissional Documentos
Cultura Documentos
POPULAÇÃO AMOSTRA
300
0,08
0,07 250
0,06
Frequency
200
Density
0,05
0,04 1 50
0,03
1 00
0,02
50
0,01
0,00 0
85 90 95 1 00 1 05 110 115 80 88 96 1 04 112
X C1
Corpo de prova
Rugosidade
Experimento
Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 4
CONCEITOS BÁSICOS
Data
13 5,109 5,515
4 14 4,830 4,699
15 3,225 5,309
16 5,849 6,503
3 17 2,682 3,325
18 2,572 3,354
19 3,203 3,867
2 20 3,092 4,055
Rz_I Rz_F 21 2,207 2,298
22 3,357 3,290
23 4,353 4,876
24 3,862 2,824
25 3,547 3,297
26 3,760 3,844
27 3,685 3,347
28 3,465 3,449
NÃO
0,4 0,4
0,3 0,3
P(a ≤ y ≤ b)
P(y = yj) = p(yj)
Probability
Density
0,2 0,2
0,1 0,1
0,0 0,0
0 2 4 6 8 10 12 -3 -2 -1 0 a 1 b 2 3
X X
f ( y )dy = 1
j
−
E (c ) = c
E( y) =
E (cy ) = cE ( y ) = c
Var (c ) = 0
Var ( y ) = 2
Var (cy ) = c 2Var ( y ) = c 2 2
• Distribuição normal
• Função densidade de probabilidade:
− ( x − )2
1
f ( x) = e 2 2
, − x
2
• Parâmetros: N(μ,σ)
desvio-padrão
média
• Supondo X~N(μ,σ),
X − x−
P ( X x ) = P = P(Z z )
Utilizando o Rstudio:
mi = 6000
sigma = 100
#P(X<6250)
xa = 6250
Pa = pnorm(xa, mi, sigma)
Pa = 0.9937903
σ
n
(x − x )
n
(
i )
n 2
1 −
2
x = xi i x x
n i =1 S2 = i =1
S= i =1
μ n −1 n −1
Média amostral Variância amostral Desvio-padrão amostral
~ N ( , )
0,20
População de
~ N ,
origem não normal
0,1 5
x n
Density
0,1 0
0,05
0,00
x = SE ( x ) =
0 2 4 6 8 10 12 14 16
X
Desvio-padrão
n da média
y = z12 + z 22 + ... + z n2
t0 tc ?
0,3
H 0 : = 0 x − 0
Density
α t0 =
0,2
x
H1 : 0 s/ n
0,1
0,025 0,025
p − value ?
0,0
-2,093 0 2,093
X
H0 verdadeira H0 falsa
0,4
Density
• Usualmente α = 0,05; 0,2
0,1 α γ =1 - α
• Nível de confiança: γ =1 – α. Região de
aceitação
0,0
X
tc
μ0 zα μ +δ
0
• Poder do teste e
tamanho da amostra
n=
(z 2 − z ) 2 2
2
Qto menor a diferença (δ) a ser
detectada, maior o tamanho da
amostra, para garantir um
determinado nível de 1 - β.
=2 H 0 : = 50
= 51 − 50 H1 : 50
Utilizando o RStudio:
= 0,05 sigma = 2
= 0,10 ( poder = 1 − = 0,90) d = 51-50
alfa = 0.05
n=
(z 2 − z )
2 2 #poder = 0.90 = 1-beta
beta = 0.10
2
n=
(1,96 − (− 1,28)) 2 2
2
zalfa = qnorm((alfa/2), lower.tail =
12 FALSE)
n = 43 zbeta = qnorm(beta)
n = (((zalfa - zbeta)^2)*sigma^2)/d^2
n = 42.03
#como n é uma variável discreta
n = 43
H 0 : = 0 x − 0
Z0 =
H1 : 0 / n
Density
Density
0,2 0,2 0,2
α/2 α/2 α α
0,1 0,1 0,1
• Exemplo:
a) Teste H0: μ = 3 versus H1: μ ≠ 3 usando α = 0,05;
Zα/2 = 1,96
x − 0 2,78 − 3
Z0 = = = −0,95
/ n 0,9 / 15
Como |z0|= 0,95 < 1,96 = Zα/2, não rejeita-se H0.
Analisando o p-value:
Como p-value = 2 x 0,1711 = 0,34 > 0,05, não Exercício 9.37 Montgomery EPE
rejeita-se H0.
• Exemplo:
a) Teste H0: μ = 3 versus H1: μ ≠ 3 usando α = 0,05;
Utilizando o RStudio:
mi = 3
z.test(xbar,mi,sigma, alternative = c("two.sided"), sigma, n, conf.level = 0.95)
data: xbar
z = -0.94673, n = 15.00000, Std. Dev. = 0.90000, Std. Dev. of the sample mean
= 0.23238, p-value = 0.3438
P-value > 0.05
alternative hypothesis: true mean is not equal to 3
95 percent confidence interval:
2.324546 3.235454
sample estimates:
mean of xbar
2.78
Exercício 9.37 Montgomery EPE
• Exemplo:
c) Que tamanho da amostra seria requerido para detectar uma média
verdadeira de 3,75, se quiséssemos que a potência fosse no mínimo
0,9?
Utilizando o RStudio:
dc = 3.75-3
#Poder=0.9 - 1-beta
beta = 0.10
n = (((zalfa - zbeta)^2)*sigma^2)/dc^2
H 0 : = 0 x − 0
t0 =
H1 : 0 s/ n
Rejeita-se H0 se , no caso bilateral.
t0 t / 2,n −1
Ou se p-value (p valor ou valor p) for menor que α.
H 0 : 1 = 2 H 0 : 1 = 2 H 0 : 1 = 2
H1 : 1 2 H1 : 1 2 H1 : 1 2
Estatística do teste:
X 1 − X 2 − (1 − 2 )
Z0 =
12 22
+
n1 n2
Obs.: Na prática não se conhece a variância!!
O Minitab não faz este teste!
Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 42
Teste 2-sample z
Máquina 1 Máquina 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
• Diferença: d j = y1 j − y2 j , j = 1,..., n
H 0 : d = 0
• Hipóteses (teste bilateral) sobre a diferença:
H1 : d 0
d
• Estatística do teste:t0 =
sd / n
j = 1, 2, ..., n
• Modelo de médias:
i = 1, 2, ..., a
yij = i + ij
j = 1, 2,..., n
yij : ij-ésima observação
i : média do i-ésimo tratamento
ij : erro aleatório Tratamentos Observações Totais Média
• Modelo de efeitos:
i = 1, 2, ..., a
yij = + i + ij
j = 1, 2,..., n
yij : ij-ésima observação
: média geral
i : efeito do i-ésimo tratamento
Tratamentos Observações Totais Média
• Hipóteses:
H 0 : 1 = 2 = ... = a
H1 : i j para ao menos um par i , j
Ou:
H 0 : 1 = 2 = ... = a
H1 : i j para ao menos um par i , j
SSTrat
MSTrat = σ2between Variância entre tratamentos
a −1
SS E
MS E = σ2within Variância dentro dos tratamentos
N −a
1 a 2 y..2
= yi . −
Entre SSTrat MSTrat
(between) SSTrat a-1 MSTrat = F0 =
tratamentos n i =1 N a −1 MS E
SS E = SST − SSTrat SS E
Erro (within) N-a MS E =
N −a
a n 2
y
Total SST = yij2 − .. N-1
i =1 j =1 N
Porque? 0,6
0,5
MSTrat
F0 = 0,4
Density
• Pois testa-se , ou seja,
MS E
quantas vezes a variância “entre” é
0,3
0,1
0,05
0,0
0 3,478
X
• A distribuição F é razão de chi-
quadrados, que por sua vez é soma
do quadrado de normais, de forma
que F só assume valores positivos!!!