Upload
vokhanh
View
213
Download
0
Embed Size (px)
Citation preview
1. Teste de hipóteses;
2. Inferência sobre a média de uma população (variância conhecida);
3. Inferência sobre a média de uma população (variância desconhecida);
4. Inferência sobre a variância de uma população;
5. Inferência sobre a proporção de uma população;
6. Referências
ROTEIRO
Estatística Aplicada à Engenharia 2
• Já vimos que o parâmetro pode ser estimado a partir dos dados, mas muitos problemas requerem que decidamos em aceitar ou rejeitar uma afirmação sobre esse parâmetro;
• A afirmação é chamada de hipótese; • O procedimento da tomada de decisão é chamado
de teste de hipóteses;
HIPÓTESES ESTATÍSTICAS
Estatística Aplicada à Engenharia 4
Suponha que estejamos interessados em analisar a taxa de queima de um propelente sólido, usado para fornecer energia aos sistemas de escapamento de aeronaves. A taxa de queima é uma variável aleatória que pode ser descrita por uma distribuição de probabilidades. Suponha que nosso interesse esteja focado na taxa média de queima. Especificamente, estamos interessados em avaliar se a taxa média de queima é ou não de 50 cm/s.
EXEMPLO
Estatística Aplicada à Engenharia 5
• Isso pode ser expresso formalmente como
• Hipótese nula:
• Hipótese alternativa:
• H1 é uma hipótese alternativa bilateral;
EXEMPLO
H0
: µ = 50 cm/s
H1: µ ≠ 50 cm/s
H0
: µ = 50 cm/s
H1: µ ≠ 50 cm/s
Estatística Aplicada à Engenharia 6
• Dependendo do problema, pode-se considerar testes com diferentes hipóteses alternativas;
• Testes com hipótese bilateral
• Testes com hipótese unilateral
TIPOS DE HIPÓTESES
H0
: µ = 50 cm/s
H1: µ ≠ 50 cm/s
H0
: µ = 50 cm/s
H1: µ > 50 cm/s
H0
: µ = 50 cm/s
H1: µ < 50 cm/s
Estatística Aplicada à Engenharia 7
Definição: Uma hipótese estatística é uma afirmação sobre os parâmetros de uma ou mais populações.
HIPÓTESES ESTATÍSTICAS
Definição: Um procedimento levando a uma decisão acerca de uma hipótese particular é chamado de teste de hipóteses.
Estatística Aplicada à Engenharia 8
• Hipóteses são afirmações sobre a população, não sobre a amostra;
• Hipótese nula: afirmação sobre o parâmetro, em geral, ligada a um valor de referência, ou a uma especificação padrão ou histórica;
• Hipótese alternativa: afirmação sobre o parâmetro que suspeitamos ser verdadeira (e que queremos testar).
TIPOS DE HIPÓTESES
Estatística Aplicada à Engenharia 9
• Testes de hipóteses usam informações de uma amostra aleatória proveniente da população de interesse;
• Informações consistentes com uma hipótese indicam que
essa hipótese é verdadeira; • Informações inconsistentes nos levam a concluir que a
hipótese é falsa; • A veracidade de uma hipótese não pode ser conhecida,
a menos que se possa examinar toda a população (inviável);
TIPOS DE HIPÓTESES
Estatística Aplicada à Engenharia 10
• A hipótese nula é aquela que desejamos testar, e sua rejeição nos leva à aceitação da hipótese alternativa;
• Testar uma hipótese envolve uma estatística de teste baseada na amostra;
• A partir do valor observado dessa estatística de teste, pode-se concluir a respeito da hipótese nula;
TIPOS DE HIPÓTESES
Estatística Aplicada à Engenharia 11
• Considere novamente o problema da taxa de queima
• Seja a taxa média de queima da amostra;
• Amostras com taxa média de queima próxima de evidenciam que H0 é verdadeira;
• Valores de afastados de evidenciam que H0 é falsa (H1 é verdadeira);
TESTANDO HIPÓTESES ESTATÍSTICAS
H0
: µ = 50 cm/s
H1: µ ≠ 50 cm/s
X
xµ = 50 cm/s
x µ = 50 cm/s
Estatística Aplicada à Engenharia 12
• Suponha que, se , não rejeitamos H0;
• Se , rejeitamos H0 em favor de H1;
• Os limites 48,5 e 51,5 são chamados pontos críticos ou valores críticos;
TESTANDO HIPÓTESES ESTATÍSTICAS
48,5 ≤ x ≤ 51,5
x < 48,5 ou x > 51,5
Falhar em rejeitar H0 µ = 50 cm/s
Rejeitar H0 µ ≠ 50 cm/s
Rejeitar H0 µ ≠ 50 cm/s
48,5 51,5 50 x –
Estatística Aplicada à Engenharia 13
• Esse procedimento de decisão pode induzir a duas conclusões erradas;
TESTANDO HIPÓTESES ESTATÍSTICAS
Definição: A rejeição da hipótese nula quando esta for verdadeira é definida como erro tipo I. Definição: A não rejeição da hipótese nula quando esta for falsa é definida como erro tipo II. Estatística Aplicada à Engenharia 14
TESTANDO HIPÓTESES ESTATÍSTICAS
Decisão Situação Real
H0 é Verdadeira H0 é Falsa
Falhar em rejeitar H0 Nenhum erro Erro tipo II
Rejeitar H0 Erro tipo I Nenhum erro
• Quatro situações determinam se a decisão está, ou não correta:
Estatística Aplicada à Engenharia 15
ERRO TIPO I
• É importante ter controle sobre os erros tipo I e II;
• A probabilidade do erro tipo I é conhecida como nível de significância ou tamanho do teste;
α = P(erro tipo I)=P(rejeitar H0 quando H
0 for verdadeira)
Estatística Aplicada à Engenharia 16
EXEMPLO
• Suponha σ = 2,5 cm/s e H0 seja verdadeira;
• O erro tipo I ocorrerá quando
• Para n = 10 e supondo que a taxa de queima tenha distribuição normal, então
pois
X ~N(50;0,79),
X < 48,5 ou X > 51,5;
σ / n = 2,5 / 10 ≈ 0,79;
Estatística Aplicada à Engenharia 17
EXEMPLO
48.5 µ = 50 51.5
α 2 = 0.0288 α 2 = 0.0288
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 18
EXEMPLO
• O tamanho do teste será
• Portanto, 5,74% de todas as amostras aleatórias conduziriam à rejeição de H0:μ= 50 cm/s;
α = P(rejeitar H0 quando H
0 for verdadeira)
= P(X < 48,5|µ = 50)+P(X > 51,5|µ = 50)
= P Z <48,5−50
0,79
⎛
⎝⎜
⎞
⎠⎟+P Z >
51,5−500,79
⎛
⎝⎜
⎞
⎠⎟
= P(Z < −1,90)+P(Z >1,90)
= 0,0287+0,0287 = 0,0574.
Estatística Aplicada à Engenharia 19
ERRO TIPO I
• Como reduzir o nível de significância? • Aumentar o tamanho da região de aceitação; • Aumentar o tamanho da amostra
• Suponha que n = 16. Portanto, sob H0, pois
σ / n = 2,5 / 16 ≈ 0,625;X ~N(50;0,625),
α = P(X < 48,5|µ = 50)+P(X > 51,5|µ = 50)
= P Z <48,5−500,625
⎛
⎝⎜
⎞
⎠⎟+P Z >
51,5−500,625
⎛
⎝⎜
⎞
⎠⎟
= P(Z < −2,40)+P(Z > 2,40)
= 0,0082+0,0082 = 0,0164.Estatística Aplicada à Engenharia 20
ERRO TIPO II
• E com relação ao erro tipo II?
• βdepende de valores específicos da hipótese alternativa;
β = P(Não rejeitar H0 quando H
0 for falsa)
Estatística Aplicada à Engenharia 21
EXEMPLO
• Suponha que seja importante rejeitar a hipótese nula H0:μ=50 cm/s toda vez que a verdadeira taxa média de queima for superior a μ=52 cm/s ou inferior a μ=48 cm/s;
• Poderíamos, portanto, pensar em calcular a probabilidade de erro tipo II para valores μ=48 ou μ=52
Estatística Aplicada à Engenharia 22
EXEMPLO
48.0 50.0 51.5
H0 : µ = 48 H1 : µ = 50
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 23
EXEMPLO
48.5 50.0 52.0
H0 : µ = 50 H1 : µ = 52
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 24
EXEMPLO
• Por causa da simetria, só é necessário avaliar um dos dois casos;
• Por exemplo, aceitar a hipótese nula H0:μ=50 cm/s quando a verdadeira taxa média de queima for μ=52 cm/s;
β = P(48,5 ≤ X ≤ 51,5|µ = 52)
= P48,5−520,79
≤ Z ≤51,5−520,79
⎛
⎝⎜
⎞
⎠⎟
= P(−4,43 ≤ Z ≤ −0,63)= 0,2643−0,000
= 0,2643Estatística Aplicada à Engenharia 25
EXEMPLO
• Desse modo, no caso em que n = 10, se estivermos testando H0:μ= 50 contra H1:μ= 52, se a verdadeira taxa média de queima for μ= 52 cm/s, a probabilidade de não rejeitarmos a falsa hipótese nula será 0,2643;
• Devido à simetria, no caso em que a verdadeira taxa média de queima for μ= 48 cm/s, também teremos β= 0,2643;
Estatística Aplicada à Engenharia 26
EXEMPLO
• A probabilidade de erro tipo II aumenta r a p i d a m e n t e à m e d i d a q u e o verdadeiro valor de μ se aproxima do valor da hipótese nula;
48.5 50.0 52.0
H0 : µ = 50 H1 : µ = 50.5
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 27
EXEMPLO
• A probabilidade de erro tipo II é muito maior no caso em que a verdadeira média for μ= 50,5 do que quando a verdadeira média é μ= 52;
β = P(48,5 ≤ X ≤ 51,5|µ = 50,5)
= P48,5−50,50,79
≤ Z ≤51,5−50,50,79
⎛
⎝⎜
⎞
⎠⎟
= P(−2,53 ≤ Z ≤1,27)= 0,8980−0,0057
= 0,8923;
Estatística Aplicada à Engenharia 28
EXEMPLO
• A probabilidade de erro tipo II também depende do tamanho da amostra;
• Retornando ao caso em que H0:μ= 50 vs H1:μ= 52, agora com n = 16, isso fica mais claro;
Estatística Aplicada à Engenharia 29
EXEMPLO
β = P(48,5 ≤ X ≤ 51,5|µ = 52)
= P48,5−520,625
≤ Z ≤51,5−520,625
⎛
⎝⎜
⎞
⎠⎟
= P(−5,59 ≤ Z ≤ −0,80)= 0,2119−0,000
= 0,2119;
48.5 50.0 52.0
H0 : µ = 50 H1 : µ = 52
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 30
EXEMPLO
• Os resultados discutidos até agora induzem ao quadro abaixo:
Região de Aceitação
Tamanho amostral α β p/μ=52 β p/μ=50,5
48,5 < x < 51,5 10 0,0574 0,2643 0,8923
48 < x < 52 10 0,0114 0,5000 0,9705
48,5 < x < 51,5 16 0,0164 0,2119 0,9445
48 < x < 52 16 0,0014 0,5000 0,9918
Estatística Aplicada à Engenharia 31
• A probabilidade de erro tipo I é definida a partir dos valores críticos;
• As probabilidades de erros tipo I e tipo II estão
relacionadas, para tamanhos amostrais fixos;
• O aumento do tamanho da amostra reduzirá α e β, para valores críticos fixados;
• Quando a hipótese nula for falsa, β aumenta à
medida que o verdadeiro valor do parâmetro se aproxima do valor estabelecido sob H0;
CONCLUSÕES
Estatística Aplicada à Engenharia 32
• X1, X2, ..., Xn é uma amostra aleatória de tamanho n com média μ e variância σ2;
• A variância populacional é conhecida; • Se
• Caso a amostra seja oriunda de uma outra distribuição que não seja normal, as condições do Teorema Central do Limite se aplicarão;
SUPOSIÇÕES
Xi~N µ,σ 2( ), i =1,!,n, então X ~N(µ, σ 2
n);
Estatística Aplicada à Engenharia 34
• A hipótese nula é um valor de referência:
• A hipótese alternativa é algo que se quer avaliar; • Os três possíveis casos de hipóteses alternativas são:
HIPÓTESES
H1:
µ ≠ µ0
µ < µ0
µ > µ0
⎧
⎨⎪⎪
⎩⎪⎪
;
H0: µ = µ
0;
Estatística Aplicada à Engenharia 35
• A estatística do teste é baseada na hipótese nula
• Se a hipótese nula for verdadeira,
• O caso acima vale se a amostra for normal, caso contrário, a distribuição será aproximada, devido ao TCL;
ESTATÍSTICA DO TESTE
Z0=X −µ
0
σ / n;
Z0~N(0,1);
Estatística Aplicada à Engenharia 36
• Obtida uma estimativa da média amostral, denotada por o valor pode ser aplicado à estatística do teste, resultando no que chamamos de estatística observada do teste
• O valor da estatística observada poderá auxiliar na tomada de decisão, o que dependerá da formulação do teste;
ESTATÍSTICA OBSERVADA DO TESTE
z0=x −µ
0
σ / n;
x,
Estatística Aplicada à Engenharia 37
• Teste bilateral:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R :|x|≤ zα/2{ }
H0: µ = µ
0
H1: µ ≠ µ
0
RR = x ∈ R :|x|> zα/2{ }
−zα 2 0 zα 2
α 2 α 2
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 38
• Teste unilateral inferior:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R : x ≥ −zα{ }
H0: µ = µ
0
H1: µ < µ
0
RR = x ∈ R : x < −zα{ }
−zα 0
α
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 39
• Teste unilateral superior:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R : x ≤ zα{ }
H0: µ = µ
0
H1: µ > µ
0
RR = x ∈ R : x > zα{ }
0 zα
α
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 40
• Rejeitamos a hipótese nula H0, em favor da alternativa H1, quando a estatística observada do teste pertencer à região de rejeição; • Teste bilateral:
• Teste unilateral inferior:
• Teste unilateral superior:
DECISÃO
z0< −z
α/2 ou z
0> z
α/2;
z0< −z
α;
z0> z
α;
Estatística Aplicada à Engenharia 41
• O valor crítico (teste unilateral) ou ( teste b i latera l ) é calculado de acordo c o m o n í v e l d e s i g n i f i c â n c i a estabelecido para o teste, satisfazendo
VALOR CRÍTICO
P Z > zp( ) = p
zα
zα/2
0 zp
p
Estatística Aplicada à Engenharia 42
Os sistemas de escapamento de uma aeronave funcionam devido a um propelente sólido. A taxa de queima desse propelente é uma característica importante do produto. As especificações requerem que a taxa média de queima seja de 50 cm/s. Sabe-se que o desvio padrão da taxa de queima é σ= 2 cm/s. O exper imenta l i s ta dec ide espec i f icar uma probabilidade de erro tipo I (nível de significância) de α= 0,05. Com o objet ivo de ver i f icar se as especificações estão sendo satisfeitas, ele seleciona uma amostra de n = 25 e obtém uma taxa média amostral de
EXEMPLO
x = 49,14 cm/s.
Estatística Aplicada à Engenharia 43
a) Quais as hipóteses estatísticas associadas ao problema?
R O parâmetro de interesse corresponde à taxa média
de queima. Há um valor de referência, μ= 50 cm/s, e o interesse em saber se as especificações estão sendo satisfeitas. Desse modo, quer-se saber se a taxa média sofreu alguma alteração (para mais ou para menos). Logo, as hipóteses associadas ao problema são
EXEMPLO
H0
: µ = 50 cm/s
H1: µ ≠ 50 cm/s
Estatística Aplicada à Engenharia 44
b) Descreva os erros tipo I e tipo II para o problema. • Erro Tipo I (rejeitar H0 em favor de H1 quando H0 é
verdadeira): Concluir que a taxa média de queima difere de 50 cm/s quando, na verdade, a taxa média é de 50 cm/s. Ou ainda, concluir que as especificações não estão sendo satisfeitas quando, na verdade, elas estão; • Erro Tipo II (não rejeitar H0 quando H0 é falsa): Concluir
que a taxa média de queima é de 50 cm/s quando, na verdade, a verdadeira taxa média não é essa.
NOTA: É preciso ter cuidado com o erro tipo II, pois geralmente não se tem controle sobre sua probabilidade.
EXEMPLO
Estatística Aplicada à Engenharia 45
c) Apresente as regiões de aceitação e de rejeição para o teste.
R Um vez que foi estabelecido um nível de significância
de 5%, e o teste é bilateral, temos que os valores críticos são associados a
Portanto,
EXEMPLO
zα/2
= z0,05/2
= z0,025
=1,96.
RA = x ∈ R :|x|≤1,96{ }RR = x ∈ R :|x|>1,96{ }
Estatística Aplicada à Engenharia 46
d) Ao nível de significância de 5%, tome uma decisão e conclua:
R Note que Desse modo, a estatística
observada do teste será Em outras palavras, Logo, rejeitamos H0. Portanto, ao nível de significância de 5%, concluímos que a taxa média de queima difere de 50 cm/s.
EXEMPLO
z0=x −µ
0
σ / n=49,14−50
2 / 25= −2,15.
z0∈ RR, pois |z
0|= 2,15 >1,96 = z
0,025.
x = 49,14 cm/s.
Estatística Aplicada à Engenharia 47
• E se quiséssemos testar as mesmas hipóteses para outro nível de significância?
• O nível descritivo, também conhecido como valor-p, ajuda o pesquisador a tomar decisões e concluir para qualquer nível de significância.
NÍVEL DESCRITIVO (VALOR-P)
Definição: O nível descritivo é o menor nível de significância que conduz a rejeição da hipótese nula H0.
Estatística Aplicada à Engenharia 48
• Teste bilateral -
• Teste unilateral inferior –
• Teste unilateral superior -
NÍVEL DESCRITIVO (VALOR-P)
H0
: µ = µ0 vs. H
1: µ < µ
0
p̂ = 2P(Z >|z0|)
p̂ = P(Z < z0)
H0
: µ = µ0 vs. H
1: µ > µ
0
p̂ = P(Z > z0)
H0
: µ = µ0 vs. H
1: µ ≠ µ
0
Estatística Aplicada à Engenharia 49
e) Calcule o nível descritivo do teste. Ao nível de significância de 1%, tome uma decisão e conclua.
R Como o teste é bilateral e z0 = -2,15, temos que o nível descritivo do teste será
Uma vez que não rejeitamos H0. Logo, ao nível de significância de 1%, não há evidências suficientes que nos levem a crer que a taxa média de queima difere de 50 cm/s.
EXEMPLO
p̂ = 2P(Z >|z0|)= 2P(Z >|−2,15|)
= 2P(Z > 2,15)= 2×0,0158
= 0,0316.p̂ = 0,0316 > 0,01=α,
Estatística Aplicada à Engenharia 50
• Quando estimamos a média populacional, dificilmente a estimativa obtida coincide com o parâmetro;
• Apenas a estimativa (pontual) pode não ser suficiente, dependendo do estudo realizado;
• Pode-se querer obter um intervalo que contenha a verdadeira média μ com uma certa probabilidade;
• Esse intervalo é chamado de intervalo de confiança;
INTERVALOS DE CONFIANÇA
Estatística Aplicada à Engenharia 51
• Uma estimativa do intervalo de confiança para μ é um intervalo da forma
• Os pontos extremos dependem da estimativa da média amostral obtida para uma amostra particular;
• Amostras diferentes fornecerão diferentes estimativas, logo diferentes intervalos;
• l e u são valores observados das variáveis aleatórias L e U;
INTERVALOS DE CONFIANÇA
l ≤ µ ≤u
Estatística Aplicada à Engenharia 52
• L e U são funções de determinadas a partir de
• O valor 1-α é chamado de nível de confiança ou coeficiente de confiança;
• O intervalo resultante de uma amostra é chamado de intervalo de confiança de 100(1-α)% para μ, e também costuma ser denotado por
INTERVALOS DE CONFIANÇA
X
P(L ≤ µ ≤ U)=1−α, 0 <α <1
IC(µ;100(1−α)%)= [l;u]
Estatística Aplicada à Engenharia 53
• A distância entre a estimativa e o verdadeiro parâmetro é chamada de erro de estimação;
• Um intervalo de confiança pode ser obtido da forma
• Para garantir o nível de confiança 1-α estabelecido,
INTERVALOS DE CONFIANÇA
P(X −ε ≤ µ ≤ X +ε)=1−α;
µ x
ε
ε = zα/2
σ
n;
Estatística Aplicada à Engenharia 54
• Intervalo de confiança bilateral para μ, ao nível de 100(1-α)%:
TIPOS DE INTERVALOS DE CONFIANÇA
IC(µ;100(1−α)%)= X −ε;X +ε⎡⎣
⎤⎦
= X − zα/2
σ
n;X + z
α/2
σ
n
⎡
⎣⎢⎢
⎤
⎦⎥⎥
Estatística Aplicada à Engenharia 55
• Intervalo de confiança unilateral inferior para μ, ao nível de 100(1-α)%:
• Note que, nesse caso o erro de estimação passa a ser
TIPOS DE INTERVALOS DE CONFIANÇA
IC(µ;100(1−α)%)= X −ε;+∞⎡⎣ )
= X − zα
σ
n;+∞
⎡
⎣⎢⎢
⎞
⎠⎟⎟
ε = zα
σ
n;
Estatística Aplicada à Engenharia 56
• Intervalo de confiança unilateral superior para μ, ao nível de 100(1-α)%:
• Note que, nesse caso o erro de estimação passa a ser
TIPOS DE INTERVALOS DE CONFIANÇA
IC(µ;100(1−α)%)= −∞;X +ε( ⎤⎦
= −∞;X + zα
σ
n
⎛
⎝⎜⎜
⎤
⎦⎥⎥
ε = zα
σ
n;
Estatística Aplicada à Engenharia 57
• Espera-se que, aproximadamente, 100(1-α)% dos intervalos obtidos de diferentes amostras contenha o verdadeiro valor da média populacional μ;
• Ilustramos na figura a seguir intervalos bilaterais, com 90% de confiança, calculados para μ usando 30 amostras diferentes de populações normais com μ=50 e σ=5 (conhecido);
INTERVALOS DE CONFIANÇA
Estatística Aplicada à Engenharia 58
INTERVALOS DE CONFIANÇA
48 49 50 51 52
05
1015
2025
30
Inervalos de Confiança
Amos
tras
||
||
||
||
||
||
||
||
||
||
||
||
|||
||
|Observe que, dos 30 intervalos, apenas 3 n ã o c o n t ê m o verdadeira média;
Em outras palavras, 90% dos intervalos calculados contêm μ=50.
Estatística Aplicada à Engenharia 59
f) Retornando ao exemplo do propelente do foguete, suponha que estejamos interessados em calcular um intervalo com 95% de confiança para a taxa média de queima. Obtenha o erro de estimação associado ao intervalo.
R Observe que 1-α=0,95. Portanto, α=0,05. Desse modo,
Como σ= 2 e n = 25, o erro de estimação será
EXEMPLO
ε = z0,025
σ
n=1,96
2
25= 0,784
zα/2
= z0,05/2
= z0,025
=1,96
Estatística Aplicada à Engenharia 60
g) Qual o intervalo de confiança resultante?
R O intervalo de confiança resultante será
EXEMPLO
IC(µ;95%)= X −ε;X +ε⎡⎣
⎤⎦
= 51,3−0,784;51,3+0,784⎡⎣
⎤⎦
= [50,516;52,084]
Estatística Aplicada à Engenharia 61
• Pode-se querer estimar a média μ, de modo que o erro de estimação não exceda um certo valor ε;
• Para intervalos bilaterais:
• Para intervalos unilaterais (superior ou inferior):
ESCOLHA DO TAMANHO DA AMOSTRA
n=zα/2σ
ε
⎛
⎝⎜⎜
⎞
⎠⎟⎟
2
;
n=zασ
ε
⎛
⎝⎜⎜
⎞
⎠⎟⎟
2
;
Estatística Aplicada à Engenharia 62
• A amostra de tamanho n resultante fornecerá estimativas cujo erro de estimação não excederá ε em 100(1-α)% dos casos;
• Se o tamanho amostral resultante não for um valor inteiro, deve-se arredondar esse valor para mais, pois isso irá assegurar que o nível de confiança não seja inferior a 100(1-α)%;
ESCOLHA DO TAMANHO DA AMOSTRA
Estatística Aplicada à Engenharia 63
h) Suponha que quiséssemos assegurar um erro menor que 1 cm/s na estimação da taxa média de queima do propelente do foguete, ao nível de confiança de 95%. Nesse caso, qual o tamanho amostral necessário?
R Uma vez que σ= 2, z0,025 = 1,96 e ε=1, temos que
Logo, o tamanho amostral apropriado será n=16.
EXEMPLO
n=zα/2σ
ε
⎛
⎝⎜⎜
⎞
⎠⎟⎟
2
=1,96×21
⎛
⎝⎜
⎞
⎠⎟
2
=15,37 ≈16.
Estatística Aplicada à Engenharia 64
INFERÊNCIA SOBRE A MÉDIA DE UMA POPULAÇÃO
Variância Desconhecida
Estatística Aplicada à Engenharia
65
• X1, X2, ..., Xn é uma amostra aleatória de tamanho n com média μ e variância σ2;
• A variância populacional é desconhecida; • Se
• Já não é mais possível usar a estatística do teste abaixo, pois σ é desconhecida
SUPOSIÇÕES
Xi~N µ,σ 2( ), i =1,!,n, então X ~N(µ, σ 2
n);
Z0=X −µ
0
σ / n;
Estatística Aplicada à Engenharia 66
• Pode-se estimar a variância populacional por
• A estatística do teste será
• Sempre que n ≥ 30, pode-se aplicar o Teorema Central
d o L i m i t e e , s o b H 0 , T 0 t e r á d i s t r i b u i ç ã o aproximadamente normal, com média zero e variância 1;
SUPOSIÇÕES
S2 =1n−1
Xi− X( )
2
i=1
n
∑ ;
T0=X −µ
0
S / n;
Estatística Aplicada à Engenharia 67
• No caso em que n < 30, quando H0 for verdadeira, T0 terá distribuição t-Student, com n graus de liberdade;
SUPOSIÇÕES
T0~ t
n−1;
Definição: Diz-se que uma variável aleatória X tem distribuição t-Sudent com k graus de liberdade (X~tk) se sua função densidade de probabilidade f for escrita como
f(x)=Γ (k +1)/ 2( )Γ(k / 2) πk
1
(x2 / 2)+1( )(k+1)/2
,−∞ < x <∞.
Estatística Aplicada à Engenharia 68
SUPOSIÇÕES
−4 −2 0 2 4
0.0
0.1
0.2
0.3
0.4
x
f(x)
t1t5t10t30N(0,1)
Estatística Aplicada à Engenharia 69
• Teste bilateral:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R :|x|≤ tα/2,n−1{ }
H0: µ = µ
0
H1: µ ≠ µ
0
RR = x ∈ R :|x|> tα/2,n−1{ }
− tα 2, n−1 0 tα 2, n−1
α 2 α 2
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 70
• Teste unilateral inferior:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R : x ≥ −tα ,n−1{ }
H0: µ = µ
0
H1: µ < µ
0
RR = x ∈ R : x < −tα ,n−1{ }
− tα, n−1 0
α
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 71
• Teste unilateral superior:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R : x ≤ tα ,n−1{ }
H0: µ = µ
0
H1: µ > µ
0
RR = x ∈ R : x > tα ,n−1{ }
0 tα, n−1
α
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 72
• Rejeitamos a hipótese nula H0, em favor da alternativa H1, quando a estatística observada do teste pertencer à região de rejeição; • Teste bilateral:
• Teste unilateral inferior:
• Teste unilateral superior:
DECISÃO
t0< −t
α/2,n−1 ou t
0> t
α/2,n−1;
t0< −t
α ,n−1;
t0> t
α ,n−1;
Estatística Aplicada à Engenharia 73
• O valor crítico (teste unilateral) ou ( teste b i latera l ) é calculado de acordo c o m o n í v e l d e s i g n i f i c â n c i a estabelecido para o teste, satisfazendo em que
VALOR CRÍTICO
P X > tp,k( ) = p
tα ,n−1
tα/2,n−1
0 tp, k
p
X ~ tk.
Estatística Aplicada à Engenharia 74
Um artigo no periódico Materials Engineering (1989, Vol. 2, No 4, pp. 275-281) descreve os resultados de testes de tensão quanto à adesão em 22 corpos de prova de liga U-700. A carga no ponto de falha do corpo de prova é dada a seguir (em MPa). O principal objetivo no estudo é avaliar se a carga média excede 10MPa, ao nível de significância de 5%.
EXEMPLO
19,8 18,5 17,6 16,7 15,8 10,1 15,4 14,1 13,6 11,9 11,4 7,9 11,4 8,8 7,5 15,4 15,4 19,5 14,9 12,7 11,9 11,4
Estatística Aplicada à Engenharia 75
a) Quais as hipóteses estatísticas associadas ao problema?
R O parâmetro de interesse corresponde à carga média
no ponto de falha. Há um valor de referência, μ= 10 MPa, e o interesse em saber se a carga média no ponto de falha excede 10 MPa. Desse modo, as hipóteses associadas ao problema são
EXEMPLO
H0
: µ =10 MPa
H1: µ >10 MPa
Estatística Aplicada à Engenharia 76
b) Descreva os erros tipo I e tipo II para o problema. • Erro Tipo I: Concluir que a carga média no ponto de
falha excede 10 MPa quando, na verdade, ela não excede;
• Erro Tipo II: Concluir que a carga média no ponto de falha não excede 10 MPa quando, na verdade, a verdadeira carga média excede.
EXEMPLO
Estatística Aplicada à Engenharia 77
c) Apresente as regiões de aceitação e de rejeição para o teste.
R Um vez que foi estabelecido um nível de significância
de 5%, o tamanho amostral é n = 22 e o teste é unilateral, temos que o valor crítico será
Portanto,
EXEMPLO
tα ,n−1
= t0,05;21
=1,721.
RA = x ∈ R : x ≤1,721{ }RR = x ∈ R : x >1,721{ }
Estatística Aplicada à Engenharia 78
d) Ao nível de significância de 5%, tome uma decisão e conclua:
R Os dados apresentaram uma média amostral e uma variância amostral de
Portanto, o desvio padrão amostral será s = 3,55 MPa. Desse modo
Logo, rejeitamos H0, pois Portanto, ao nível de significância de 5%, concluímos que a carga média no ponto de falha excede 10 MPa.
EXEMPLO
t0=x −µ
0
s / n=13,71−10
3,55 / 22= 4,90.
t0= 4,90 >1,721= t
0,05;21.
x =13,71 MPa e s2 =12,6279 MPa2.
Estatística Aplicada à Engenharia 79
e) Quais foram as suposições necessárias para a realização do teste de hipóteses neste problema?
R Como a amostra tem tamanho menor que 30, foi
necessár io supor que as observações são independentes e com distribuição normal.
EXEMPLO
Estatística Aplicada à Engenharia 80
• Intervalo de confiança bilateral para μ, ao nível de 100(1-α)%:
• O erro de estimação será, portanto,
TIPOS DE INTERVALOS DE CONFIANÇA
IC(µ;100(1−α)%)= X −ε;X +ε⎡⎣
⎤⎦
= X − tα/2,n−1
s
n;X + t
α/2,n−1
s
n
⎡
⎣⎢⎢
⎤
⎦⎥⎥
ε = tα/2,n−1
s
n;
Estatística Aplicada à Engenharia 81
• Intervalo de confiança unilateral inferior para μ, ao nível de 100(1-α)%:
• Note que, nesse caso o erro de estimação passa a ser
TIPOS DE INTERVALOS DE CONFIANÇA
IC(µ;100(1−α)%)= X −ε;+∞⎡⎣ )
= X − tα ,n−1
s
n;+∞
⎡
⎣⎢⎢
⎞
⎠⎟⎟
ε = tα ,n−1
s
n;
Estatística Aplicada à Engenharia 82
• Intervalo de confiança unilateral superior para μ, ao nível de 100(1-α)%:
• Note que, nesse caso o erro de estimação passa a ser
TIPOS DE INTERVALOS DE CONFIANÇA
IC(µ;100(1−α)%)= −∞;X +ε( ⎤⎦
= −∞;X + tα ,n−1
s
n
⎛
⎝⎜⎜
⎤
⎦⎥⎥
ε = tα ,n−1
s
n;
Estatística Aplicada à Engenharia 83
f) No caso do exemplo de tensão quanto, com o interesse de se obter um intervalo de confiança unilateral inferior, apresente o erro de estimação, ao nível de confiança de 95%.
R Aplicando a fórmula, obtemos o seguinte erro de estimação
EXEMPLO
ε = tα ,n−1
s
n= t
0,05;21
3,55
22=1,30.
Estatística Aplicada à Engenharia 84
g) Obtenha um intervalo unilateral inferior, ao nível de 95% de confiança, para a carga média no ponto de falha.
R Utilizando o erro de estimação obtido no item anterior, temos
Logo, podemos dizer, com 95% de confiança, que a carga média no ponto de falha excede 12,41 MPa.
EXEMPLO
IC(µ;100(1−α)%)= X − tα ,n−1
s
n;+∞
⎡
⎣⎢⎢
⎞
⎠⎟⎟
= 13,71−1,30;+∞⎡⎣ )
= 12,41;+∞⎡⎣ )
Estatística Aplicada à Engenharia 85
• X1, X2, ..., Xn é uma amostra aleatória de tamanho n de observações que assumem zero ou um:
• A média amostral corresponde à proporção de elementos com a característica de interesse,
SUPOSIÇÕES
Xi=
1, se tem a característica de interesse;
0, caso contrário.
⎧⎨⎩
p̂ = X;
Estatística Aplicada à Engenharia 87
• Tem-se que
• Para n grande,
• Para uma boa aproximação da distribuição de pela normal, é interessante que
SUPOSIÇÕES
np ≥ 5,
n(1−p)≥ 5;
p̂
E(p̂)= p e V(p̂)=p(1−p)n
;
p̂~N(p, p(1−p)n);
Estatística Aplicada à Engenharia 88
• As hipóteses estatísticas nesse caso são • Hipótese nula:
• Contra uma das alternativas
SUPOSIÇÕES
H0: p = p
0;
H1:
p < p0
p ≠ p0
p > p0
⎧
⎨⎪⎪
⎩⎪⎪
;
Estatística Aplicada à Engenharia 89
• Sob a hipótese nula,
• Para n grande, • Portanto, a estatística do teste será
• X: número de observações com a característica de interesse;
SE H0 FOR VERDADEIRA
Z0=
p̂−p0
p0(1−p
0)/ n
=np̂−np
0
np0(1−p
0)=
X −np0
np0(1−p
0);
E(p̂)= p0 e V(p̂)=
p0(1−p
0)
n;
p̂~N p0, p0(1−p0 )
n( );
Estatística Aplicada à Engenharia 90
• Teste bilateral:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R :|x|≤ zα/2{ }
H0: p = p
0
H1: p ≠ p
0
RR = x ∈ R :|x|> zα/2{ }
−zα 2 0 zα 2
α 2 α 2
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 91
• Teste unilateral inferior:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R : x ≥ −zα{ }
H0: p = p
0
H1: p < p
0
RR = x ∈ R : x < −zα{ }
−zα 0
α
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 92
• Teste unilateral superior:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R : x ≤ zα{ }
H0: p = p
0
H1: p > p
0
RR = x ∈ R : x > zα{ }
0 zα
α
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 93
• Rejeitamos a hipótese nula H0, em favor da alternativa H1, quando a estatística observada do teste pertencer à região de rejeição; • Teste bilateral:
• Teste unilateral inferior:
• Teste unilateral superior:
DECISÃO
z0< −z
α/2 ou z
0> z
α/2;
z0< −z
α;
z0> z
α;
Estatística Aplicada à Engenharia 94
• Teste bilateral -
• Teste unilateral inferior –
• Teste unilateral superior -
NÍVEL DESCRITIVO (VALOR-P)
H0
: p = p0 vs. H
1: p < p
0
p̂ = 2P(Z >|z0|)
p̂ = P(Z < z0)
H0
: p = p0 vs. H
1: p > p
0
p̂ = P(Z > z0)
H0
: p = p0 vs. H
1: p ≠ p
0
Estatística Aplicada à Engenharia 95
Um fabricante de semicondutores produz controladores usados em aplicações no motor de automóveis. O consumidor requer que a fração defeituosa em uma etapa crítica de fabricação seja inferior a 0,05 e que o fabricante demonstre uma capacidade de processo nesse nível de qualidade, a um nível de significância de α= 0,05. O fabricante de semicondutores retira uma amostra aleatória de 200 aparelhos e verifica que quatro deles são defeituosos. Quer-se avaliar se o fabricante pode demonstrar uma capacidade de processo para o consumidor.
EXEMPLO
Estatística Aplicada à Engenharia 96
a) Quais as hipóteses estatísticas associadas ao problema?
R O parâmetro de interesse corresponde à proporção
de controladores defeituosos, p. Há um valor de referência, p = 0,05, e o interesse em saber se a proporção de controladores defeituosos é inferior a 0,05. Desse modo, as hipóteses associadas ao problema são
EXEMPLO
H0: p = 0,05
H1: p < 0,05
Estatística Aplicada à Engenharia 97
b) Descreva os erros tipo I e tipo II para o problema. • Erro Tipo I: Concluir que o fabricante demonstra uma
capacidade de processo para o consumidor quando, na verdade, ele não demonstra (concluir que a proporção de controladores defeituosos é menor que 0,05 quando, na verdade, não é);
• Erro Tipo II: Concluir que o fabricante não demonstra uma capacidade de processo quando, na verdade, ele demonstra (concluir que a fração defeituosa de controladores em uma etapa crítica de fabricação não é inferior a 0,05 quando, na verdade, é).
EXEMPLO
Estatística Aplicada à Engenharia 98
c) Apresente as regiões de aceitação e de rejeição para o teste.
R Observe que np0 = 10 ≥ 5 e n(1-p0) = 190 ≥ 5,
garantindo uma boa aproximação da estatística do teste pela distribuição normal. Um vez que foi estabelecido α = 0,05 e o teste é unilateral, temos que o valor crítico será
Portanto,
EXEMPLO
−zα= −z
0,05= −1,645.
RA = x ∈ R : x ≥ −1,645{ }RR = x ∈ R : x < −1,645{ }
Estatística Aplicada à Engenharia 99
d) Ao nível de significância de 5%, tome uma decisão e conclua:
R A estatística observada do teste será Como z0 = -1,95 < -1,645, rejeitamos H0. Portanto, ao nível de significância de 5%, concluímos que o fabricante demonstra uma capacidade de processo para o consumidor.
EXEMPLO
z0=
x −np0
np0(1−p
0)=
4−200×0,05
200×0,05×0,095≈ −1,95;
Estatística Aplicada à Engenharia 100
e) Quais foram as suposições necessárias para a realização do teste de hipóteses neste problema?
R Foi necessário supor que a distribuição da proporção
amostral de controladores defeituosos pode ser aproximada satisfatoriamente pela distribuição normal.
EXEMPLO
Estatística Aplicada à Engenharia 101
f) Calcule o nível descritivo do teste. Ao nível de significância de 1%, tome uma decisão e conclua.
R Como o teste é unilateral inferior e z0 = -1,95, temos que o nível descritivo do teste será
Uma vez que não rejeitamos H0. Logo, ao nível de significância de 1%, não há evidências suficientes para crer que o fabricante possa demonstrar uma capacidade de processo para o consumidor.
EXEMPLO
p̂ = P(Z < z0)= P(Z < −1,95)
= 0,0256.
p̂ = 0,0256 > 0,01=α,
Estatística Aplicada à Engenharia 102
• Intervalo de confiança bilateral para p, ao nível de 100(1-α)%:
• O erro de estimação será, portanto,
TIPOS DE INTERVALOS DE CONFIANÇA
IC(p;100(1−α)%)= X −ε;X +ε⎡⎣
⎤⎦
= X − zα/2
p̂(1− p̂)n
;X + zα/2
p̂(1− p̂)n
⎡
⎣⎢⎢
⎤
⎦⎥⎥
ε = zα/2
p̂(1− p̂)n
;
Estatística Aplicada à Engenharia 103
• Intervalo de confiança unilateral inferior para p, ao nível de 100(1-α)%:
• Note que, nesse caso o erro de estimação passa a ser
TIPOS DE INTERVALOS DE CONFIANÇA
IC(p;100(1−α)%)= X −ε;+∞⎡⎣ )
= X − zα
p̂(1− p̂)n
;+∞⎡
⎣⎢⎢
⎞
⎠
⎟⎟
ε = zα
p̂(1− p̂)n
;
Estatística Aplicada à Engenharia 104
• Intervalo de confiança unilateral superior para μ, ao nível de 100(1-α)%:
• Note que, nesse caso o erro de estimação passa a ser
TIPOS DE INTERVALOS DE CONFIANÇA
IC(µ;100(1−α)%)= −∞;X +ε( ⎤⎦
= −∞;X + zα
p̂(1− p̂)n
⎛
⎝
⎜⎜
⎤
⎦⎥⎥
ε = zα
p̂(1− p̂)n
;
Estatística Aplicada à Engenharia 105
• Esse procedimento de intervalo de confiança, para garantir uma boa aproximação, requer que
• Os casos em que essa aproximação seja inapropriada, particularmente quando n for pequeno, requerem que outros métodos sejam usados;
INTERVALOS DE CONFIANÇA
np̂ ≥ 5,
n(1− p̂)≥ 5;
Estatística Aplicada à Engenharia 106
Em uma amostra aleatória, de 85 mancais de eixos de manivelas de motores de automóveis, 10 têm uma superfície que é mais rugosa do que as especificações permitidas.
a) Estime a proporção de mancais na população que excede a especificação de rugosidade.
EXEMPLO
p̂ =xn=1085
= 0,12.
Estatística Aplicada à Engenharia 107
b) Obtenha um intervalo de confiança bilateral, ao nível de 95%, para a proporção p.
Logo, podemos dizer, com 95% de confiança, que a proporção de mancais está entre 0,05 e 0,19.
EXEMPLO
IC(p;100(1−α)%)= p̂− zα/2
p̂(1− p̂)n
;p̂+ zα/2
p̂(1− p̂)n
⎡
⎣⎢⎢
⎤
⎦⎥⎥
= 0,12−1,960,12(0,88)
85;0,12+1,96
0,12(0,88)85
⎡
⎣⎢⎢
⎤
⎦⎥⎥
= 0,12−0,07;0,12+0,07⎡⎣
⎤⎦= 0,05;0,19⎡
⎣⎤⎦
Estatística Aplicada à Engenharia 108
• Pode-se querer estimar a proporção p de modo que o erro de estimação não exceda um certo valor ε; • Para intervalos bilaterais:
• Para intervalos unilaterais (superior ou inferior):
• Como p é desconhecido, deve-se substituí-lo de modo a maximizar o tamanho amostral, garantindo o nível de confiança;
ESCOLHA DO TAMANHO DA AMOSTRA
n=zα/2
ε
⎛
⎝⎜⎜
⎞
⎠⎟⎟
2
p(1−p);
n=zα
ε
⎛
⎝⎜⎜
⎞
⎠⎟⎟
2
p(1−p);
Estatística Aplicada à Engenharia 109
ESCOLHA DO TAMANHO DA AMOSTRA
p
p(1−p)
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0.00
0.05
0.10
0.15
0.20
0.25
Estatística Aplicada à Engenharia 110
• A amostra de tamanho n resultante fornecerá estimativas cujo erro de estimação não excederá ε em 100(1-α)% dos casos;
• Se o tamanho amostral resultante não for um valor inteiro, deve-se arredondar esse valor para mais, pois isso irá assegurar que o nível de confiança não seja inferior a 100(1-α)%;
ESCOLHA DO TAMANHO DA AMOSTRA
Estatística Aplicada à Engenharia 111
c) Qual deveria ser o tamanho amostral, se quiséssemos estar no mínimo 95% confiantes de que o erro ao estimar p fosse menor que 0,05?
d) E se soubéssemos que p < 0,3?
EXEMPLO
n=zα/2
ε
⎛
⎝⎜⎜
⎞
⎠⎟⎟
2
0,5(0,5)=1,960,05
⎛
⎝⎜
⎞
⎠⎟
2
0,25 ≈ 385.
n=zα/2
ε
⎛
⎝⎜⎜
⎞
⎠⎟⎟
2
0,3(0,7)=1,960,05
⎛
⎝⎜
⎞
⎠⎟
2
0,21≈ 323.
Estatística Aplicada à Engenharia 112
• X1, X2, ..., Xn é uma amostra aleatória de tamanho n com média μ e variância σ2, ambos desconhecidos;
• Um estimador natural de σ2 é
• Se
SUPOSIÇÕES
Xi~N µ,σ 2( ), i =1,!,n, então V =
(n−1)S2
σ 2~ χ 2
n−1;
S2 =1n−1
Xi− X( )
2
i=1
n
∑ ;
Estatística Aplicada à Engenharia 114
• A estatística V terá papel fundamental nos estudos inferenciais referentes a σ2;
• Quando a hipótese nula for temos que, sob H0,
SUPOSIÇÕES
H0:σ 2 =σ
02,
V0=(n−1)S2
σ02
~ χ 2n−1;
Estatística Aplicada à Engenharia 115
SUPOSIÇÕES
Definição: Diz-se que uma variável aleatória X tem distribuição Qui-quadrado com k graus de liberdade (X~χk
2) se sua função densidade de probabilidade f for escrita como
f(x)=1
2k/2Γ(k / 2)x(k/2)−1e−x/2,x > 0.
Estatística Aplicada à Engenharia 116
SUPOSIÇÕES
0 10 20 30 40 50 60
0.0
0.1
0.2
0.3
0.4
0.5
x
f(x)
χ22
χ52
χ102
χ152
Estatística Aplicada à Engenharia 117
• Teste bilateral:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R : χ 21−α/2,n−1
≤ x ≤ χ 2α/2,n−1{ }
H0:σ 2 =σ 2
0
H1:σ 2 ≠σ 2
0
RR = {x ∈ R : x < χ 21−α/2,n−1
ou x > χ 2α/2,n−1
}χ1−α 2, n−1
2 χα 2, n−12
α 2
α 2
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 118
• Teste unilateral inferior:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R : x ≥ χ 21−α ,n−1{ }
H0:σ 2 =σ 2
0
H1:σ 2 <σ 2
0
RR = x ∈ R : x < χ 21−α ,n−1{ }
χ1−α, n−12
α
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 119
• Teste unilateral superior:
• Região de aceitação:
• Região de rejeição:
REGIÕES DE ACEITAÇÃO E REJEIÇÃO
RA = x ∈ R : x ≤ χ 2α ,n−1{ }
H0:σ 2 =σ 2
0
H1:σ 2 >σ 2
0
RR = x ∈ R : x > χ 2α ,n−1{ }
χα, n−12
α
Região de RejeiçãoRegião de Aceitação
Estatística Aplicada à Engenharia 120
• Rejeitamos a hipótese nula H0, em favor da alternativa H1, quando a estatística observada do teste pertencer à região de rejeição; • Teste bilateral:
• Teste unilateral inferior:
• Teste unilateral superior:
DECISÃO
v0< χ 2
1−α/2,n−1 ou v
0> χ 2
α/2,n−1;
v0< χ 2
1−α ,n−1;
v0> χ 2
α ,n−1;
Estatística Aplicada à Engenharia 121
• O valor crítico (teste unilateral) ou ( teste b i latera l ) é calculado de acordo c o m o n í v e l d e s i g n i f i c â n c i a estabelecido para o teste, satisfazendo em que
VALOR CRÍTICO
P V > χ 2p,k( ) = p
χ 2α ,n−1
χ 2α/2,n−1
χp, k
p
V ~ χ 2k.
Estatística Aplicada à Engenharia 122
Uma máquina automática de enchimento é usada para encher garrafas com detergente líquido. Uma amostra aleatória de 20 garrafas resulta em uma variância da amostra do volume de enchimento de s2 = 0,0153 (onça fluida)2. Se a variância do volume de enchimento exceder 0,01 (onça fluida)2, existirá uma proporção inaceitável de garrafas cujo enchimento não foi completo, e cujo enchimento foi em demasia. O objetivo desse estudo é, portanto, avaliar ao nível de 5% de significância se a máquina está enchendo as garradas dentro das especificações necessárias.
EXEMPLO
Estatística Aplicada à Engenharia 123
a) Quais as hipóteses estatísticas associadas ao problema?
R O parâmetro de interesse corresponde à variância do
volume de enchimento. Há um valor de referência, σ2=0,01 (onça fluida)2, e o interesse reside em saber se a variância do volume de enchimento excede 0,01 (onça fluida)2. Desse modo, as hipóteses associadas ao problema são
EXEMPLO
H0
:σ 2 = 0,01 (onça fluida)2
H1:σ 2 > 0,01 (onça fluida)2
Estatística Aplicada à Engenharia 124
b) Descreva os erros tipo I e tipo II para o problema. • Erro Tipo I: Concluir que a variância do volume de
enchimento excede 0,01 (onça fluida)2 quando, na verdade, ela não excede (concluir que a máquina não está satisfazendo o padrão de especificação quando, na verdade ela está);
• Erro Tipo II: Concluir que a variância do volume de enchimento não excede 0,01 (onça fluida)2 quando, na verdade, ela excede (concluir que a máquina está satisfazendo o padrão de especificação quando, na verdade ela não está).
EXEMPLO
Estatística Aplicada à Engenharia 125
c) Apresente as regiões de aceitação e de rejeição para o teste.
R Um vez que foi estabelecido um nível de significância
de 5%, o tamanho amostral é n = 20 e o teste é unilateral, temos que o valor crítico será
Portanto,
EXEMPLO
χ 2α ,n−1
= χ 20,05;19
= 30,144.
RA = x ∈ R : x ≤ 30,144{ }RR = x ∈ R : x > 30,144{ }
Estatística Aplicada à Engenharia 126
d) Ao nível de significância de 5%, tome uma decisão e conclua:
R Os dados apresentaram uma variância amostral de s2 = 0,0153 (onça fluida)2. Portanto, a estatística observada do teste será
Como a estatística observada do teste pertence à região de aceitação, não rejeitamos H0. Portanto, ao nível de significância de 5%, concluímos que não há evidências suficientes que nos levem a crer que a variância do volume de enchimento exceda 0,01 (onça fluida)2.
EXEMPLO
v0=(n−1)s2
σ02
=19(0,0153)0,01
= 29,07.
Estatística Aplicada à Engenharia 127
e) Quais foram as suposições necessárias para a realização do teste de hipóteses neste problema?
R Foi necessário supor que as observações são
independentes e com distribuição normal.
EXEMPLO
Estatística Aplicada à Engenharia 128
• Intervalo de confiança bilateral para μ, ao nível de 100(1-α)%:
TIPOS DE INTERVALOS DE CONFIANÇA
IC(σ 2;100(1−α)%)=(n−1)s2
χ 2α/2,n−1
;(n−1)s2
χ 21−α/2,n−1
⎡
⎣⎢⎢
⎤
⎦⎥⎥
Estatística Aplicada à Engenharia 129
• Intervalo de confiança unilateral inferior para μ, ao nível de 100(1-α)%:
TIPOS DE INTERVALOS DE CONFIANÇA
IC(σ 2;100(1−α)%)=(n−1)s2
χ 2α ,n−1
;+∞⎡
⎣⎢⎢
⎞
⎠⎟⎟
Estatística Aplicada à Engenharia 130
• Intervalo de confiança unilateral superior para μ, ao nível de 100(1-α)%:
TIPOS DE INTERVALOS DE CONFIANÇA
IC(σ 2;100(1−α)%)= −∞;(n−1)s2
χ 21−α ,n−1
⎛
⎝⎜⎜
⎤
⎦⎥⎥
Estatística Aplicada à Engenharia 131
f) Reconsidere o exemplo da máquina de enchimento. Uma amostra de 20 garrafas resulta em uma variância amostral de s2 = 0,0153 (onça fluida)2. Calcule um intervalo unilateral superior com 95% de confiança para a variância do volume de enchimento da máquina.
R Aplicando a fórmula, pode-se obter
Portanto, ao nível de confiança de 95%, pode-se afirmar que a variância do volume de enchimento não excede 0,0287 (onça fluida)2.
EXEMPLO
σ 2 ≤(n−1)s2
χ 20,95;19
= 0,0287.
Estatística Aplicada à Engenharia 132