Escolar Documentos
Profissional Documentos
Cultura Documentos
A companhia XPTO opera duas lojas de departamentos, uma no centro da cidade e outra na
periferia. O gerente geral notou que os produtos que vendem bem em uma loja nem sempre
vendem bem na outra.. Isto pode ser atribuído à diferença entre as idades médias dos
clientes que compram nas duas lojas.
Valor esperado E( ) = μ1 – μ2
Desvio padrão
Onde desvio padrão da população 1;
desvio padrão da população 2;
n1 = tamanho da amostra da população 1; e
n2 = tamanho da amostra da população 2.
Se 🡺
Se 🡺
Neste caso, um ou ambos tamanhos da amostra são menores que 30, ou seja, n 1 < 30 e/ou
n2 < 30
A estimativa será
Se 🡺
Como geralmente o σ das populações é difícil de ser encontrado, recorre-se à variância
agrupada, onde:
Exemplo: Um determinado banco desejava estudar a diferença de saldos médios entre duas
agências.
80 ± 101,41.
Como o valor zero está dentro do intervalo de confiança, podemos dizer com 90% de
confiança que as médias não diferem entre as duas agências.
Grande amostra ( n1 ≥ 30 e n2 ≥ 30 )
Como parte de um estudo para avaliar a qualidade educacional entre dois centros de
treinamento, um exame padronizado é aplicado aos indivíduos que são treinados nos dois
centros. As pontuações dos exames são o principal fator para avaliar quaisquer diferenças
entre os centros. As médias para os dois centros são:
Neste tipo de problema, considera-se, a princípio que, a qualidade educacional dos dois
centros é igual, assim sendo,
H0: μ1 – μ2 = 0
Ha: μ1 – μ2 ≠ 0.
Seguindo os procedimentos das aulas anteriores sobre testes de hipóteses, verificamos que
o teste é bicaudal e ztetste é dado por:
Se 🡺
Se 🡺
n1 = 30 n2 = 40
= 82,5 = 78
s1 = 8 s2 = 10
Como zteste > 1,96 não se aceita H0 e concluiremos que os dois centros diferem em qualidade
educacional.
H0: μ1 – μ2 ≥ 0
Ha: μ1 – μ2 < 0 ou
H0: μ1 – μ2 ≤ 0
Ha: μ1 – μ2 > 0
O exemplo que se segue ilustra bem o assunto: Um novo pacote de software foi
desenvolvido para auxiliar os analistas a reduzir o tempo total exigido para conceber,
desenvolver e implementar um sistema de informações. Para avaliar os benefícios do novo
pacote de software, uma amostra aleatória de 24 analistas de sistemas foi selecionada. A
cada analista foram dadas especificações de um projeto hipotético e 12 foram instruídos a
desenvolver o sistema pela tecnologia corrente, e 12 foram treinados com o novo pacote de
software e em seguida desenvolveram o sistema utilizando a nova tecnologia.
Determinou-se o seguinte:
tempo médio de término do projeto para os analistas que usam a tecnologia corrente.
tempo médio de término do projeto para os analistas que usam a nova tecnologia.
H0: μ1 – μ2 ≤ 0
Ha: μ1 – μ2 > 0
Sob a hipótese que a variância das populações sejam iguais, calcularemos a estimativa
agrupada de σ2 :
Usando α = 0,05 e sendo o teste monocaudal, a regra de rejeição será:
Rejeitar H0 se tteste > 1,717 pois t0,05 para 22 graus de liberdade (12 + 12 – 2) é 1,717
Como 2,16 é maior que 1,717, rejeitamos H0 o que significa que o novo pacote de software
realmente reduz o tempo médio de término dos projetos.
Suponha que uma empresa de manufatura tenha dois métodos pelos quais os empregados
podem realizar uma tarefa de produção. A empresa quer determinar qual dos dois métodos
possui a menor média. Seja:
H0: μ1 – μ2 = 0
Ha: μ1 – μ2 ≠ 0.
Sempre que possível o procedimento 2 deve ser deve ser empregado pois reduz o erro
amostral.
A tabela abaixo mostra os dados coletados.
H0: μd = 0
Ha: μd ≠ 0
A regra de rejeição será: Rejeitar H0 se tteste < -2,571 ou tteste > 2,571, pois o teste é bicaudal.
A análise da variância é uma técnica que permite testar a hipótese de que as médias de três
ou mais populações são iguais.
Exemplo: Uma empresa possui três fábricas localizadas em três cidades diferentes. Ela
deseja saber o grau de conhecimento de seus empregados sobre qualidade. Foram
selecionados aleatoriamente seis empregados de cada fábrica e a eles aplicado um teste. A
pontuação de cada um encontra-se na tabela abaixo.
Os gerentes querem usar esses dados para testar a hipótese de que a pontuação média de
cada teste é a mesma para todas as fábricas.
Se as médias para as três pontuações são iguais, esperamos que as médias das três amostras
estejam próximas uma das outras. Por outro lado, se as médias das amostras estiverem
muito afastadas isto nos leva a crer que as médias das pontuações das três populações serão
diferentes.
Para ilustrar o que acontece quando H0 é falsa, suponha que todas as médias da população
difiram, neste caso, teremos três diferentes distribuições amostrais e será maior, fazendo
com que a estimativa de tratamento-entre de seja maior. Em geral, quando as médias
das populações não são iguais a estimativa de tratamento-entre superestimará ou seja, se
H0 for falsa.
A variação dentro de cada uma das amostras também influencia a conclusão na análise da
variância. Sabemos que uma amostra fornece uma estimativa não tendenciosa ou sem viés
de . Podemos então combinar as variâncias das amostras para obter a estimativa de .
Esta estimativa é chamada de estimativa-dentro de e é calculada do seguinte modo:
Estimativa de tratamento-dentro de = .
Podemos então generalizar para k médias de amostras com tamanhos n diferentes, teremos
então:
H0: = = = ........=
Ha: nem todas as médias das populações são iguais.
Onde
Média global
no nosso caso
Estimativa do tratamento-entre da variância da população (MSTR = média quadrática
dos tratamentos)
Se chamarmos SSTR de então teremos
SSTR = soma quadrática dos tratamentos.
No nosso caso
SSTR = 6(79-73)2 + 6(74-73)2 + 6(66-73)2 = 516
Como Fteste = nos dá que Fteste > F logo H0 deve ser rejeitada.