ipaee capitulo 3_slides_2
DESCRIPTION
Material integrante do curso "Introdução ao Planejamento e Análise Estatística de Experimentos" - Prof. Pedro Ferreira Filho e Profa. Estela Maris P. Bereta - UFSCarTRANSCRIPT
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
CCAPÍTULOAPÍTULO 33
IINTRODUÇÃONTRODUÇÃO AA PPROBABILIDADEROBABILIDADEIINTRODUÇÃONTRODUÇÃO AA PPROBABILIDADEROBABILIDADE
EE AA IINFERÊNCIANFERÊNCIA EESTATÍSTICASTATÍSTICA
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INFERÊNCIA ESTATÍSTICA:
A inferência estatística consiste em um conjunto
de métodos usados para tomar decisões ou tirarde métodos usados para tomar decisões ou tirar
conclusões acerca de uma população. Esses métodos
utilizam a informação contida em uma amostra da
população para tirar conclusões.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INFERÊNCIA ESTATÍSTICA:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INFERÊNCIA ESTATÍSTICA:
DUAS GRANDES
ESTIMAÇÃO
PONTUAL
INTERVALARDUAS GRANDES ÁREAS
TESTE DE HIPÓTESES
INTERVALAR
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
EEXEMPLOXEMPLO::
SITUAÇÃO 1:Considere que um engenheiro de estruturas esteja analisando aresistência a tensão de um componente usado em um chassi deautomóvel.
Uma vez que a variabilidade da resistência à tração está naturalmentepresente entre componentes individuais, o interesse do engenheiro estána estimação da resistência média a tração dos componentes.
Na prática, o engenheiro usará dados da amostra para calcular umnúmero que e, de algum modo, um valor razoável (ou tentativa) damédia verdadeira. Esse número é chamado de estimativa.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
EEXEMPLOXEMPLO::
Situação 2:
Considere agora uma situação em que duas temperaturas diferentes
de reação, como t1 e t2 possam ser usadas em um processo químico.
O engenheiro conjectura que t1 resulta em rendimentos maiores que t2
Neste caso não há ênfase na estimação de rendimentos; em vez disso,
o foco está na tirada de conclusões acerca de uma hipótese
estabelecida (t1 tem maior rendimento que t2).
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PROPRIEDADESPROPRIEDADES BÁSICASBÁSICAS::
Na maioria dos problemas de inferência estatística, é impossível ou
impraticável observar a população inteira.
Por exemplo, não poderíamos testar a resistência a tração de todos os
elementos estruturais dos chassis, pois consumiria muito tempo e seria
muito caro
ALTERNATIVA:
Observar um conjunto de observações da população (AMOSTRA) para
ajudar a tomar decisões à cerca da população.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PROPRIEDADESPROPRIEDADES BÁSICASBÁSICAS::
PopulaçãoPopulação
amostra
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PROPRIEDADESPROPRIEDADES BÁSICASBÁSICAS::
OBJETIVO:
A amostra tem que ser representativa da população.
SOLUÇÃO:
Selecionar uma amostra aleatória.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PROPRIEDADESPROPRIEDADES BÁSICASBÁSICAS::
DEFINIÇÃO 1:
As observações (X1,X2,...,Xn) são uma amostra aleatória de tamanho n, se:
(a) os X’s são observações independentes,
(b) todos os Xi’s podem ser representados pela distribuição deprobabilidade.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PRPRIEDADESPRPRIEDADES BÁSICASBÁSICAS::
EXEMPLO:
Suponha que estejamos investigando a vida efetiva de serviço de um
componente eletrônico usado em um marca-passo cardíaco e que a vida
do componente seja normalmente distribuída.do componente seja normalmente distribuída.
Então, esperaríamos que cada uma das observações da vida do
componente Xl, X2, ..., X. em uma amostra aleatória de n componentes
fosse uma variável aleatória independente com, exatamente, a mesma
distribuição normal.
Depois dos dados serem coletados, os valores numéricos dos tempos de
vida observados são denotados por x1,x2,...,xn.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PROPRIEDADESPROPRIEDADES BÁSICASBÁSICAS::
DEFINIÇÃO 2:
Uma estatística é qualquer função das observações de uma amostra
aleatória.
Exemplos de Estatísticas:
Média da amostraVariância da amostraDesvio-padrão S da amostra
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PROPRIEDADESPROPRIEDADES BÁSICASBÁSICAS::
O objetivo da estimação pontual é selecionar um único número
baseado nos dados da amostra, sendo esse o valor mais plausível para
θθθθ (parâmetro).
DEFINIÇÃO 3:
Uma estimativa pontual de algum parâmetro θ da população é umúnico valor numérico de uma estatística .
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PROPRIEDADESPROPRIEDADES BÁSICASBÁSICAS::
EXEMPLO:
Suponha que a variável aleatória X seja normalmente distribuída
com uma média desconhecida µµµµ. A média da amostra é um
estimador da média desconhecida µµµµ da população. Isto é . Depoisestimador da média desconhecida µµµµ da população. Isto é . Depois
da amostra ter sido selecionada, o valor numérico é a estimativa
de µµµµ. Assim, se x1 = 25, x2 = 30, x3 = 29 e x4 = 31, então a estimativa
de µµµµ é:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PROPRIEDADESPROPRIEDADES BÁSICASBÁSICAS::
EXEMPLO:
Similarmente, se a variância da população σσσσ2 for também
desconhecida, um estimador para σσσσ2 será a variância da amostra
S2 e o valor numérico s2 = 6.9, calculado a partir dos dados
amostrais, é chamado de estimativa de σσσσ2.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕESDEFINIÇÕES EE PROPRIEDADESPROPRIEDADES BÁSICASBÁSICAS::
Problemas de estimação ocorrem freqüentemente em engenharia.Geralmente, é necessário estimar:
A. A média µµµµ de uma única população;
B. A variância σσσσ2 (ou desvio-padrão σσσσ) de uma única população;
C. A proporção p de itens em uma população que pertence a uma classe
de interesse;.
D. A diferença nas médias de duas populações, µµµµ1 - µµµµ2;.
E. A diferença nas proporções de duas populações, p1 – p2;
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
Estimativas razoáveis desses parâmetros são dadas a seguir:
Para µµµµ, a estimativa é , a média da amostra.
Para σσσσ2 a estimativa é a variância da amostra.
Para p, a estimativa é a proporção da amostra, sendo x o número
de itens em uma amostra aleatória de tamanho n que pertence a classe de
interesse.
Para µµµµ1 - µµµµ2, a estimativa é a diferença entre as médias
de duas amostras aleatórias independentes.
Para p1 – p2 a estimativa é , a diferença entre duas proporções
amostrais, calculadas a partir de duas amostras aleatórias independentes.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
Podemos ter várias escolhas diferentes para o estimador pontual de um
parâmetro. Por exemplo, se desejarmos estimar a média de uma
população, podemos considerar como estimadores a média ou a
mediana da amostra ou talvez a média das observações menores e
maiores da amostra.maiores da amostra.
SOLUÇÃO: Estabelecer critérios para escolha de um estimador.
Os critérios para escolha do “melhor” estimador para um
determinado parâmetro populacional são definidos a partir de
“propriedades” desejáveis destes estimadores.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
PROPRIEDADE 1:
Um estimador é não viciado (ou não tendencioso) para um
parâmetro populacional θθθθ se:
Essa propriedade diz que um estimador deve estar "perto", de
algum modo, do valor verdadeiro do parâmetro desconhecido.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
PROPRIEDADE 2:
Sejam e dois estimadores não viciados de um parâmetro θθθθ.
é mais eficiente do que se:
Var( ) < Var( )
ou seja, um estimador é mais eficiente quanto menor for a sua
variância, ou ainda, quanto mais preciso (menor dispersão) ele for.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÃO 4:
Se considerarmos todos os estimadores não viciados de um parâmetro θ,
aquele com menor variância será denominado de estimador não viciado
de menor variância.
EXEMPLO:
Deseja-se comprar um rifle, e após algumas seleções, restaram quatro
alternativas que denominamos de rifles A, B, C e D. Realiza-se um teste
para cada um dos rifles que consistiu em fixá-lo num cavalete, mirar o
centro de um alvo e disparar 15 tiros.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
Rifle A: Não viciado combaixa precisão (grandedispersão ou variância);
Rifle B: Viciado combaixa precisão;
Rifle C: Não viciado comboa precisão;
Rifle D: Viciado com altaprecisão;
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MÉTODOS DE ESTIMAÇÃO:MÉTODOS DE ESTIMAÇÃO:
A forma de obtenção de um estimador para um dado parâmetro
populacional, de preferência com as propriedades desejáveis, pode ser
feita utilizando-se diferentes procedimentos chamados de métodos de
estimação. Esses métodos não serão aqui apresentados e podem serestimação. Esses métodos não serão aqui apresentados e podem ser
vistos, por exemplo, em Montgomery e Runger (ver bibliografia do curso).
Destacamos que os principais métodos de estimação são:
1. Métodos dos Momentos;
2. Método da Máxima Verossimilhança;
3. Método dos Mínimos Quadrados;
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DISTRIBUIÇÃO AMOSTRAL:DISTRIBUIÇÃO AMOSTRAL:
A inferência estatística, como vimos anteriormente, tem por objetivo tomar
decisões acerca de uma população.
Por exemplo, podemos estar interessados no volume médio de enchimento de
uma lata de refrigerante. O volume médio de enchimento na população é 300 ml.uma lata de refrigerante. O volume médio de enchimento na população é 300 ml.
Um engenheiro considera uma amostra aleatória de 25 latas e calcula o volume
médio amostral de enchimento como ml.
O engenheiro decidirá, provavelmente, que a média da população é µµµµ = 300 ml,
muito embora a média amostral tenha sido 298 ml.
De fato, se a média verdadeira for 300 ml, os testes de 25 latas feitos
repetidamente devem resultar valores de x que variarão acima e abaixo de µµµµ =
300 ml.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DISTRIBUIÇÃO AMOSTRAL:DISTRIBUIÇÃO AMOSTRAL:
A média amostral é uma estatística:
Uma vez que uma estatística, ela tem uma distribuição de probabilidades.
Qual a distribuição da média amostral?
DEFINIÇÃO 5:
A distribuição de probabilidades de uma estatística é chamada de uma distribuição amostral.
Por exemplo, a distribuição de probabilidades de é chamada de distribuição amostral da média.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DISTRIBUIÇÃO AMOSTRAL:DISTRIBUIÇÃO AMOSTRAL:
A distribuição amostral de uma estatística depende da distribuição da
população, do tamanho da amostra e do método de seleção da amostra.
A próxima seção deste capítulo apresenta talvez a mais importante
distribuição amostral. Outras distribuições amostrais e suas aplicações
serão ilustradas quando necessárias (por exemplo a distribuição
amostral da variância amostral).
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA MMÉDIAÉDIA::
CASO DE UMA MÉDIA:
Considere a determinação da distribuição amostral da média da
amostra. Suponha que uma amostra aleatória de tamanho n sejaamostra. Suponha que uma amostra aleatória de tamanho n seja
retirada de uma população normal com média µµµµ e variância σσσσ2.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA MMÉDIAÉDIA::
JUSTIFICATIVA EMPÍRICA:
Seleciona-se várias amostras aleatórias de um determinado tamanho n de
uma população com média µµµµ desvio padrão σσσσ e:
1. Calcule a média amostral para cada amostra.
2. Construa um histograma dos valores de
3. Examine a forma, centro e dispersão da distribuição apresentada no
histograma, bem como valores atípicos e ou desvios.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA MMÉDIAÉDIA::
Distribuição amostral de “x barra”
HistogramaHistogramade 1000 médias
amostrais
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA MMÉDIAÉDIA::
Distribuição amostral de “x barra”
σ/√n
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA MMÉDIAÉDIA::
JUSTIFICATIVA TEÓRICA:
TEOREMA DO LIMITE CENTRAL
O Teorema Central do Limite nos diz que, independente da distribuição queO Teorema Central do Limite nos diz que, independente da distribuição que
a característica em estudo pode ser representada, a medida que o tamanho
da amostra aumenta, a distribuição amostral da média pode ser
representada pelo modelo normal.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA MMÉDIAÉDIA:: EXEMPLO:
Uma companhia eletrônica fabrica resistores que têm uma resistênciamédia de 100Ω e um desvio padrão de 10Ω. A distribuição dasresistências pode ser representada pelo modelo normal. Encontre aprobabilidade de uma amostra aleatória de tamanho n = 25 resistorester uma resistência média menor que 95Ω?
Solução:
X = resistência dos resistores ⇒
= Média da amostra de n = 25 resistores
⇒
Conseqüentemente a probabilidade desejada é dada por:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS::
SITUAÇÃO:
1. Duas populações independentes.2. Faça a primeira população ter uma media µ1 e variância e a segunda
população ter uma media µ2 e variância .Suponha que ambas as populações possam ser representadas peloSuponha que ambas as populações possam ser representadas pelomodelo normal.
3. Resultado:Combinações lineares de variáveis aleatórias normais têm distribuiçãonormal.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS::
CONSEQÜÊNCIA:
distribuição amostral de é normal:
Com média:Com média:
e variância:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS::
EXEMPLO:A vida efetiva de um componente usado em um motor de uma turbina de um aviãoa jato é uma variável aleatória, com média de 5.000 h e desvio-padrão de 40 h.A distribuição da vida efetiva é razoavelmente próxima da distribuição normal.0 fabricante do motor introduz uma melhoria no processo de fabricação para essecomponente, que aumenta a vida média para 5.050 h e diminui o desvio-padrãocomponente, que aumenta a vida média para 5.050 h e diminui o desvio-padrãopara 30 h.Suponha que uma amostra aleatória de n1= 16 componentes seja selecionada doprocesso "antigo" e uma amostra aleatória de n2 = 25 componentes sejaselecionada do processo "melhorado".Considere que o processo antigo e o melhorado possam ser considerados comopopulações independentes.Qual é a probabilidade de que a diferença nas duas médias amostrais sejano mínimo de 25 h?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DDISTRIBUIÇÃOISTRIBUIÇÃO AAMOSTRALMOSTRAL DADA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS::
EXEMPLO:
Solução:
X1 = tempo de vida do processo antigo ⇒
X2 = tempo de vida do processo melhorado ⇒
Logo:
E
Desta forma:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
PROBLEMA:Considere o problema da condutividade térmica de ferro Armaco. Usandouma temperatura de 100ºF e uma potência de 550w, 10 medidas foramobservadas obtendo-se uma média amostral de BTU/h.ft.oF.
QUESTÃO:
Quão próximo está da verdadeira média populacional este valor?
Em muitas situações, uma estimativa pontual de um parâmetro,
como foi vista até o momento, não fornece informação completa.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
ALTERNATIVAS:
1. Calcular o erro-padrão da estimativa (desvio do estimador) é um
guia aproximado para a precisão da estimação.
2. Obter um intervalo de confiança para expressar o grau de
incerteza associado com uma estimativa.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
DEFINIÇÃO 6:Uma estimativa do intervalo de confiança de um parâmetro desconhecido θé um intervalo da forma l ≤≤≤≤ θθθθ ≤≤≤≤ s em que os pontos finais l e s dependem dovalor numérico da estatística da amostra para uma amostra particular.
Uma vez que amostras diferentes produzirão valores diferentes de e ,Uma vez que amostras diferentes produzirão valores diferentes de e ,conseqüentemente, valores diferentes dos pontos finais l e s, esses pontosfinais são valores de variáveis aleatórias, como I e S, respectivamente.
Da distribuição amostral da média seremos capazes de determinar valoresde I e S, tal que a seguinte afirmação sobre probabilidade seja verdadeira:
P [ I ≤≤≤≤ θθθθ ≤≤≤≤ S ] = 1 - αααα
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
DEFINIÇÃO 7:
P [ I ≤≤≤≤ θθθθ ≤≤≤≤ S ] = 1 - αααα
sendo 0 < αααα < 1. Assim, temos uma probabilidade de 1 - αααα desendo 0 < αααα < 1. Assim, temos uma probabilidade de 1 - αααα de
selecionar uma amostra que produzirá um intervalo contendo o valor
verdadeiro de θ.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
As grandezas l e s são chamadas de limites inferior e superior de
confiança, respectivamente, e (1 - αααα) é chamado de coeficiente de
confiança.
INTERPRETAÇÃO:
intervalo de confiança considera que se um número infinito de
amostras aleatórias for calculado e um intervalo com 100( 1 - αααα)% de
confiança para θθθθ for obtido a partir de cada amostra, então 100(1 -
αααα)% desses intervalos conterão o valor verdadeiro de θθθθ.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
Na prática:
Obtemos somente uma amostra aleatória e calculamos um intervalo de
confiança.
Uma vez que esse intervalo conterá ou não o valor verdadeiro de θ, não éUma vez que esse intervalo conterá ou não o valor verdadeiro de θ, não é
razoável fixar um nível de probabilidade a esse evento específico.
A afirmação apropriada é: O intervalo observado [l, s] contém o valor
verdadeiro de θ, com 100( 1 - αααα) de confiança. Essa afirmação tem uma
interpretação de freqüência; ou seja, não sabemos se a afirmação é
verdadeira para essa amostra especifica, mas o método usado para obter o
intervalo [l, s] resulta em afirmações corretas em 100( 1 - αααα)% do tempo.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
Essa afirmação tem uma interpretação de freqüência; ou seja, não sabemos
se a afirmação é verdadeira para essa amostra específica, mas o método
usado para obter o intervalo [l, s] resulta em afirmações corretas em 100
( 1 - αααα)% do tempo.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
O comprimento s - l do intervalo observado de confiança é umaimportante medida da qualidade da informação obtida a partir daamostra.
A metade do comprimento do intervalo θθθθ - l ou s - θθθθ é chamada deA metade do comprimento do intervalo θθθθ - l ou s - θθθθ é chamada deprecisão do estimador.
Quanto maior for o intervalo de confiança, mais confiantes estaremos deque o intervalo realmente contem o valor verdadeiro de θ.Por outro lado, quanto maior for o intervalo, menos informação teremos arespeito do valor verdadeiro de θ.
IDEAL: Obter um intervalo relativamente pequeno com alta precisão.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
INTERVALOS DE CONFIANÇA:INTERVALOS DE CONFIANÇA:
QUESTÃO: Como encontrar Intervalos de Confiança com estascaracterísticas.
Em muitas situações práticas, é fácil encontrar os pontos finais que definemo intervalo de confiança para um parâmetro.o intervalo de confiança para um parâmetro.Por exemplo, os pontos finais para o intervalo de confiança para a média µµµµde uma distribuição normal envolvem o erro-padrão da média amostral .
Na verdade, o intervalo de confiança para µµµµ é encontrado adicionando esubtraindo um múltiplo do erro-padrão ou do erro-padrãoestimado, da média amostral.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ
SITUAÇÃO:
Temos interesse em construir um intervalo de confiança para a média
µµµµ, de uma característica que pode ser representada pelo modelo
normal:normal:
DUAS SITUAÇÕES
Variância Conhecida
Variância Desconhecida
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
OBSERVAÇÃO: Situação pouco usual em termos práticos!
Para estimar a média µ de uma população usamos a média da amostraobservada.Qualquer que seja a amostra coletada, no intervalo de confiançadefiniremos um “erro” observado em torno do valor médio, este “erro” édefiniremos um “erro” observado em torno do valor médio, este “erro” édado por ,ou seja, o desvio da média amostral em relação averdadeira média populacional.
Consideremos a variável aleatória “erro” dada por . Dividindo estaúltima expressão por temos pelo Teorema Central do Limite que,
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
Assim, fixado um valor (100(1 - αααα)%) tal que 0 < α < 1, podemosencontrar um valor de Zα/2 tal que
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
Por exemplo, αααα = 5% ⇒ (1-αααα)=0.95
0.95
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
Valores para mais usuais:
Nível de Confiança
90% 95% 99%
Valor crítico : 1.645 1.960 2.576
2/αz
Valor crítico : 1.645 1.960 2.576
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
A amplitude do intervalo de confiança
2/αz
-
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
Exemplo 1:Um cientista descobriu que uma doença que afeta indivíduos de certaregião está relacionada com a concentração da substância A no sangue,sendo considerado doente todo indivíduo para o qual a concentração de A émenor que 1,488 mg/cm3.
2/αz
menor que 1,488 mg/cm .Com o intuito de conhecer a concentração da substância A no sangue emindivíduos desta região afetados pela moléstia em estudo, o cientista avaliouum grupo 867 pessoas.Supondo que a concentração da substância A no sangue, em indivíduos coma doença em estudo, tem distribuição normal com média µ desconhecida edesvio padrão 0,4 mg/cm3 determine uma estimativa intervalar com 95% deconfiança para o nível médio da concentração de substância, sabendo quepara esta amostra de 867 pessoas obteve-se
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
2/αz
Exemplo 1: SOLUÇÃO
Dados do Problema:
X : Concentração da substância A no sangue;
n : tamanho da amostra = 867
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
2/αz
Exemplo 1: RETORNANDO AO PROBLEMA
Questão:Questão:
É considerado doente todo indivíduo para o qual a concentração de A émenor que 1,488 mg/cm3.
O que concluir a respeito da população estudada?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
TAMANHO DE AMOSTRA:
ObservaçãoObservação:: ExemploExemplo anterioranterior:: n=n= 867867
ConseqüênciaConseqüência:: ErroErro padrãopadrão baixobaixo
2/αz
ConseqüênciaConseqüência:: ErroErro padrãopadrão baixobaixo
Quanto maior o tamanho da amostra menor o erro padrão
QUESTÃO:Como determinar o tamanho de amostra adequado de forma a garantir um “erro padrão” e um nível de confiança desejado??
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
TAMANHO DE AMOSTRA:
FixadoFixado umum erroerro máximomáximo admissíveladmissível::
2/αz
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
EXEMPLO:
DesejaDeseja--sese obterobter umauma estimativaestimativa dede ICIC parapara oo ganhoganho emem umum circuitocircuito dedeumum dispositivodispositivo semicondutorsemicondutor.. SuponhaSuponha queque oo ganhoganho sejaseja normalmentenormalmentedistribuídodistribuído comcom desviodesvio padrãopadrão == 2020
2/αz
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
EXEMPLO:
DesejaDeseja--sese obterobter umauma estimativaestimativa dede ICIC parapara oo ganhoganho emem umum circuitocircuito dede umumdispositivodispositivo semicondutorsemicondutor.. SuponhaSuponha queque oo ganhoganho sejaseja normalmentenormalmentedistribuídodistribuído comcom desviodesvio padrãopadrão == 2020..
2/αz
distribuídodistribuído comcom desviodesvio padrãopadrão == 2020..
a)a) EncontreEncontre ICIC 9595%% parapara oo ganhoganho médio,médio, quandoquando n=n=1010 ee aa médiamédiaamostral=amostral=10001000
b)b) QuãoQuão grandegrande nn devedeve serser sese oo comprimentocomprimento dodo ICIC dede 9595%% devedeve serser == 4040??
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
EXEMPLO: SOLUÇÃO
A:
2/αz
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA CCONHECIDAONHECIDA::
EXEMPLO: SOLUÇÃO
B:
2/αz
e = 10 (maior precisão)
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
2/αz
DUAS
Variância Conhecida
DUAS SITUAÇÕES
Variância Desconhecida
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
SITUAÇÃO: (USUAL)
Parâmetros do modelo são desconhecidos, portanto devem ser estimados
a partir dos dados da própria amostra. No caso do modelo normal, nessa
2/αz
situação tanto a média µµµµ e a variância σσσσ2 não são conhecidas e seus
valores serão estimados pela média e variância amostral.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
NOVA ESTATÍSTICA:
2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
T também é uma variável aleatória:
Diferença: Apesar de ter distribuição normal, o denominador de T
envolve a variável aleatória S2:
Conseqüência: Distribuição de T será diferente da normal.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMPARANDO:
2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
Conhecido ⇒⇒⇒⇒ Constante Desconhecido ⇒⇒⇒⇒ Precisou ser estimado na Amostra ⇒⇒⇒⇒ Distribuição amostral S.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
NOVA ESTATÍSTICA:
2/αz
Essa estatística tem distribuição conhecida como t-Student com n-1 graus
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
de liberdade, sendo n o tamanho da amostra. A forma da distribuição t-
Student é parecida com a da normal. É simétrica em relação a zero, mas
apresenta caudas “grossas”, ou seja, maior variância do que a normal.
Aumentando-se o tamanho de amostra n, a distribuição t de Student
aproxima-se do modelo normal.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
NOVA ESTATÍSTICA:
2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
O procedimento para a obtenção do intervalo é semelhante ao desenvolvido
anteriormente. Utilizando a estatística,
2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
Exemplo:
Para estimar o rendimento semanal de operários de construção de uma
grande cidade, um sociólogo seleciona uma amostra aleatória de 75
2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
grande cidade, um sociólogo seleciona uma amostra aleatória de 75
operários. A média amostral é dada por = 427,00 reais e s= 15,00 reais.
Determine um intervalo de confiança para µ considerando coeficientes de
confiança 0,90 e 0,95.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
Dados do Problema:
X : Rendimento semanal dos operários
n : tamanho da amostra = 75
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
Exemplo 2:
Em uma pesquisa para toxinas produzidas por um parasita que infecta as safras de
milho, um bioquímico preparou extratos da cultura do parasita com solventes
orgânicos e mediu a quantidade de substância tóxica por grama de solução. Paraorgânicos e mediu a quantidade de substância tóxica por grama de solução. Para
uma amostra de 9 culturas encontrou uma quantidade média de substância tóxica
igual a 1,02 miligramas e um desvio padrão de 0,26 miligramas. Seja µ a verdadeira
quantidade média de substância tóxica. Construir um Intervalo de 95% de confiança
para µ.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA MMÉDIAÉDIA µµµµµµµµ COMCOM VVARIÂNCIAARIÂNCIA DDESCONHECIDAESCONHECIDA::
Dados do Problema:
X : quantidade de substância tóxica por grama de solução
n : tamanho da amostra = 9
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
LEMBRANDO:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
DIFERENTES SITUAÇÕES:
Variâncias dos diferentes grupos (tratamentos) são conhecidas;(tratamentos) são conhecidas;
Variâncias dos diferentes grupos (tratamentos) são Desconhecidas
e precisam ser estimada na amostra;
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE IIGUAISGUAIS::
Nessa situação temos que a variância dos dois tratamentos em
estudo são desconhecidas, logo devem também ser estimadosestudo são desconhecidas, logo devem também ser estimados
pela amostra. Porém, embora desconhecidas, têm-se a
informação que as variâncias dos dois tratamentos são iguais.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE IIGUAISGUAIS::
PROBLEMA:
Considerando que as variâncias são desconhecidas, porém iguais eque é possível obter uma estimativa para variância amostral emcada um dos tratamentos, como pode-se estimar, a partir dessesvalores, a variância que é igual para ambos os tratamentos?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE IIGUAISGUAIS::
uma amostra de tamanho n1 do tratamento 1 com variância estimada denotada por ;uma amostra de tamanho n do tratamento 2 com variância estimada uma amostra de tamanho n2 do tratamento 2 com variância estimada denotada por ;
Estimador Combinado: (pooled variance)
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE IIGUAISGUAIS::
Assim:
E, IC (1-αααα)% para µ1 - µ2 é dado por:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE IIGUAISGUAIS::
Exemplo:
As análises de dois lotes de carbono de
Amostras Lote 1 Lote 2
1 1.7 5.9
2 5.9 6.9
ix 2iS
As análises de dois lotes de carbono de
cálcio apresentaram os seguintes teor
de cinzas (%) indicadas na tabela a
seguir. Construir um intervalo de
confiança de 95% para à diferença de
médias destes dois lotes.
2 5.9 6.9
3 1.5 3.6
4 4.1 4.3
5 5.9 8.0
6 1.7 2.0
7 3.7 4.8
8 3.1 6.8
9 1.7 9.1
10 3.2 1.5
Média Amostral 3.25 5.29
Variância Amostral 2.805 6.263
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE IIGUAISGUAIS::
Logo:
ix 2iS
Qual o significado do intervalo conter apenas valores negativos?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE IIGUAISGUAIS::Exemplo 2:
ix 2iS
Na fabricação de semicondutores, o ataquequímico por via úmida é freqüentemente usadopara remover silicone da parte posterior das
S1 S2
9.9 10.2
9.4 10.6
9.3 10.7para remover silicone da parte posterior daspastilhas antes da metalização. A taxa de ataque éuma característica importante nesse processo e ésabido que ela segue uma distribuição normal.Duas soluções diferentes para ataque químico têmsido comparadas, usando duas amostras aleatóriasde 10 pastilhas para cada solução. As taxasobservadas de ataque (10-3mils/min) são dadas natabela a seguir:
9.3 10.7
9.6 10.4
10.2 10.5
10.6 10.0
10.3 10.2
10.0 10.7
10.3 10.4
10.1 10.3
Questão: A taxa de média de ataque é a mesma para ambas as soluções???
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE IIGUAISGUAIS::Solução:
ix 2iS
S1 S2
9.9 10.2
9.4 10.69.4 10.6
9.3 10.7
9.6 10.4
10.2 10.5
10.6 10.0
10.3 10.2
10.0 10.7
10.3 10.4
10.1 10.321
10.8
10.6
10.4
10.2
10.0
9.8
9.6
9.4
9.2
Solucao
Taxa
Boxplot of Taxa
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE IIGUAISGUAIS::Solução:
ix 2iS
S1 S2
9.9 10.2
9.4 10.69.4 10.6
9.3 10.7
9.6 10.4
10.2 10.5
10.6 10.0
10.3 10.2
10.0 10.7
10.3 10.4
10.1 10.3 CONCLUSÃO: ?????
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE DIFERENTES:DIFERENTES:
ix 2iS
Nessa situação tem-se que as variâncias dos dois tratamentos emestudo são desconhecidas e diferentes e a estimativa da variânciaamostral de cada grupo será utilizada como estimador das mesmas.
Uma amostra de tamanho n1 do tratamento 1 com variância estimada denotada por ;Uma amostra de tamanho n2 do tratamento 2 com variância estimada denotada por ;
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE DIFERENTES:DIFERENTES:
ix 2iS
Dessa forma, pelos mesmos motivos expostos quando doestudo para a situação de uma única média com variância desconhecidatem-se que:
v = necessária correção nos graus de liberdade da distribuição t
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE DIFERENTES:DIFERENTES:
ix 2iS
e assim o intervalo de confiança (100(1 - αααα)%) e assim o intervalo de confiança (100(1 - αααα)%) para a diferença de médias, µ1 - µ2 é dado por:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE DIFERENTES:DIFERENTES:
ix 2iS
Exemplo 1:Exemplo:
As análises de dois lotes de carbono de
Amostras Lote 1 Lote 2
1 1.7 5.9
2 5.9 6.9
cálcio apresentaram os seguintes teor
de cinzas (%) indicadas na tabela a
seguir. Construir um intervalo de
confiança de 95% para à diferença de
médias destes dois lotes.
3 1.5 3.6
4 4.1 4.3
5 5.9 8.0
6 1.7 2.0
7 3.7 4.8
8 3.1 6.8
9 1.7 9.1
10 3.2 1.5
Média Amostral 3.25 5.29
Variância Amostral 2.805 6.263
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE DIFERENTES:DIFERENTES:
ix 2iS
Solução:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE DIFERENTES:DIFERENTES:
ix 2iS
Solução:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇASIFERENÇAS DEDE MMÉDIASÉDIAS: :
IINTERVALONTERVALO DEDE CCONFIANÇAONFIANÇA PARAPARA DDIFERENÇAIFERENÇA DEDE MMÉDIASÉDIAS COMCOM
VVARIÂNCIASARIÂNCIAS DDESCONHECIDASESCONHECIDAS EE DIFERENTES:DIFERENTES:
ix 2iS
Solução:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
RRESUMOESUMO::
ix 2iS
Parâmetro Situação Intervalo de Confiança
Média
Variância Conhecida
Variância Desconhecida
Médias Conhecidas e
Diferença de Médias
Médias Conhecidas e Variâncias Iguais
Médias Conhecidas e Variâncias Diferentes
Médias Desconhecidas e Variâncias Iguais
Médias Desconhecidas e Variâncias Diferentes
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010 2/αz
OOBSERVAÇÃOBSERVAÇÃO::
ix 2iS
Intervalos de confiança podem ser obtidos para outras parâmetros como porexemplo:
• Uma certa proporção “p” ;
• Uma diferença de proporções “p – p ”;• Uma diferença de proporções “p1 – p2”;
• Uma Variância : σ2
• Razão de Duas Variâncias: σ12/ σ2
2
Estes intervalos não serão apresentados neste curso mas podem ser
vistos em Mongtomery e Runger (2009)