Carlos Antonio Filho

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Carlos Antonio Filho"

Transcrição

1 Estatística II - Seção 04 Carlos Antonio Filho ESAGS 2 o semestre de 2017 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

2 Comparação de médias de duas populações Vamos ver como comparar as médias de duas populações através de Testes de Hipóteses e Intervalos de Confiança. A estatística usada dependerá de qual das quatro situações tivermos: Amostras pareadas (ou dependentes, ou emparelhadas) variâncias conhecidas Amostras independentes variâncias desconhecidas e iguais variâncias desconhecidas e diferentes Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

3 Amostras pareadas versus Amostras independentes Amostras pareadas Cada membro de uma amostra corresponde a um membro da outra amostra. Exemplo: Amostra 1: Ritmo cardíaco, em descanso, de 35 indivíduos, antes de tomar café. Amostra 2: Ritmo cardíaco dos mesmos indivíduos, depois de beber duas xícaras de café. Amostras independentes As amostras selecionadas das duas populações não são relacionadas. Exemplo: Amostra 1: Nota em um teste para 35 estudantes de Estatística. Amostra 2: Nota no mesmo teste para 42 estudantes de Biologia. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

4 Amostras pareadas Exemplo Cinco operadores de certo tipo de máquina são treinados em máquinas de duas marcas diferentes, A e B. O tempo gasto por cada um deles para a realização de uma mesma tarefa, em cada uma das máquinas, é medido para analisar se a tarefa, em média, demora mais para ser realizada na máquina A, em relação à máquina B. Nesse caso, as amostras são pareadas (ou dependentes, ou emparelhadas), ou seja, cada elemento da amostra da máquina A tem o seu correspondente na amostra da máquina B (no caso, cada elemento da amostra da máquina A é o tempo gasto por um operador com a máquina A, ao qual corresponde o tempo gasto pelo mesmo operador na máquina B). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

5 Amostras pareadas (continuação) Então temos duas variáveis: e X = tempo gasto na realização da tarefa na máquina A Y = tempo gasto na realização da tarefa na máquina B e respectivas amostras X 1, X 2,..., X n e Y 1, Y 2,..., Y n, que na verdade são observações pareadas: X 1 e Y 1 são os tempos gastos pelo 1 o operador nas máquinas A e B, respectivamente; X 2 e Y 2 são os tempos gastos pelo 2 o operador nas máquinas A e B, respectivamente; e assim sucessivamente. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

6 Amostras pareadas (continuação) Definimos então a variável D = X Y que mede a diferença entre o tempo gasto na máquina A e o tempo gasto na máquina B por um mesmo operador e obtemos uma amostra D 1, D 2,..., D n da variável D: Operador X Y D = X - Y 1 X 1 Y 1 D 1 = X 1 Y 1 2 X 2 Y 2 D 2 = X 2 Y n X n Y n D n = X n Y n Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

7 Amostras pareadas (continuação) Observe que reduzimos o problema a um problema com uma única variável, a variável D. O nosso interesse passa a ser o de estudar a média µ D = µ X µ Y da variável D, a qual estimamos pela média amostral D = D 1 + D D n n Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

8 Amostras pareadas (continuação) Como o nosso interesse é testar se há diferença entre as médias das variáveis X e Y, então nossa hipótese nula será sempre Contra a hipótese alternativa H 0 : µ D = 0 H 1 : µ D 0 ou H 1 : µ D > 0 ou H 1 : µ D < 0 dependendo se queremos testar apenas se há diferença entre as médias, ou se a média de X é maior ou menor que a média de Y. Os procedimentos para a realização do teste de hipóteses de comparação de médias, no caso de amostras pareadas, é semelhante ao caso em que testávamos a média de uma população. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

9 Amostras pareadas (continuação) Se não conhecemos a variância σd 2, fazemos o teste t-pareado, usando a estatística T = D µ D S D n t n 1 com a variância amostral S 2 D = 1 n 1 n i=1 ( Di D ) 2 = 1 n 1 [( n i=1 D 2 i ) n ( D ) ] 2 A variável T tem distribuição t-student com n 1 graus de liberdade. Observação n é o número de pares de valores das amostras. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

10 Teste por Região de Rejeição - teste bilateral (1) Hipóteses do teste: H 0 : µ D = 0 versus H 1 : µ D 0 (2) Nível de significância do teste: α (3) Estatística do teste (sob H 0, ou seja, µ D = 0): T = D S D n t n 1 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

11 Teste por Região de Rejeição - teste bilateral (continuação) (4) Região de rejeição do teste: Valores críticos: t c e t c onde t c é o valor tal que P(T > t c ) = α 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

12 Teste por Região de Rejeição - teste bilateral (continuação) (5) Decisão estatística: t obs = d obs s Dobs n Se t obs > t c ou t obs < t c, rejeitamos H 0 ao nível de significância α. Se t c < t obs < t c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

13 Exemplo de teste bilateral Um médico deseja saber se uma certa droga altera a pressão arterial média. Para isso mediu a pressão arterial em cinco voluntários, antes e depois da ingestão da droga, obtendo os dados abaixo. Existe evidência estatística de que a droga altera a pressão arterial? Suponha que a pressão arterial segue uma distribuição Normal e use um nível de significância de 10%. Voluntário Antes Depois Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

14 Exemplo de teste bilateral (continuação) Em primeiro lugar calculamos as diferenças entre as pressões arteriais medidas para cada voluntário: Voluntário Antes Depois D = Antes - Depois De onde se obtém d obs = 4, 2 e s Dobs = 4, 49. D = diferença entre as pressões arteriais antes e depois da ingestão da droga, tem distribuição Normal Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

15 Exemplo de teste bilateral (continuação) (1) Hipóteses do teste: H 0 : µ D = 0 versus H 1 : µ D 0 (2) Nível de significância do teste: α = 10% = 0, 1 (3) Estatística do teste: T = D = D t n S D 5 S 4 D Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

16 Exemplo de teste bilateral (continuação) (4) Região de rejeição do teste: Valores críticos: t c e t c onde t c é o valor tal que P(T > t c ) = 0, 05, com 4 graus de liberdade, de onde t c = 2, 132. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

17 Exemplo de teste bilateral (continuação) (5) Conclusão do teste: Ou seja, t c < t obs = 2, 09 < t c. t obs = d obs s Dobs = 4, 2 n 4,49 = 2, 09 5 Portanto, não rejeitamos H 0 ao nível de significância de 10%, ou seja, a droga não altera a pressão arterial. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

18 Teste por Região de Rejeição - teste unilateral (1) Hipóteses do teste: H 0 : µ D = 0 versus H 1 : µ D > 0 (ou H 1 : µ D < 0) (2) Nível de significância do teste: α (3) Estatística do teste (sob H 0, ou seja, µ D = 0): T = D S D n t n 1 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

19 Teste por Região de Rejeição - teste unilateral (continuação) (4) Região de rejeição do teste: Caso H 1 : µ D > 0 Valor crítico: t c onde t c é o valor tal que P(T > t c ) = α Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

20 Teste por Região de Rejeição - teste unilateral (continuação) (4) Região de rejeição do teste: Caso H 1 : µ D < 0 Valor crítico: t c onde t c é o valor tal que P(T > t c ) = α Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

21 Teste por Região de Rejeição - teste unilateral (continuação) (5) Decisão estatística: t obs = d obs s Dobs n Caso H 1 : µ D > 0 Se t obs > t c, rejeitamos H 0 ao nível de significância α. Se t obs < t c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Caso H 1 : µ D < 0 Se t obs < t c, rejeitamos H 0 ao nível de significância α. Se t obs > t c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

22 Exemplo de teste unilateral Para verificar se um novo tipo de gasolina aumenta o rendimento de motores de carros, selecionou-se 12 carros de um mesmo modelo e mediu-se o consumo de combustível. Depois, abasteceu-se os carros por 5 semanas com a nova gasolina e mediu-se novamente o consumo. Sendo X o consumo de um carro, em km/l, com gasolina convencional e Y o consumo com o novo tipo de gasolina, e assumindo normalidade das variáveis em estudo, qual a conclusão ao nível de significância de 5%? Veículo X Y 1 8,1 11,6 2 7,9 8,8 3 6,8 9,9 4 7,8 9,5 5 7,6 11,6 6 7,9 9,1 Veículo X Y 7 5,7 10,6 8 8,4 10,8 9 8,0 13,4 10 9,5 10,6 11 8,0 10,5 12 6,8 11,4 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

23 Exemplo de teste unilateral (continuação) Em primeiro lugar calculamos as diferenças entre os consumos para cada carro (D = X Y ): Veículo X Y D 1 8,1 11,6-3,5 2 7,9 8,8-0,9 3 6,8 9,9-3,1 4 7,8 9,5-1,7 5 7,6 11,6-4,0 6 7,9 9,1-1,2 Veículo X Y D 7 5,7 10,6-4,9 8 8,4 10,8-2,4 9 8,0 13,4-5,4 10 9,5 10,6-1,1 11 8,0 10,5-2,5 12 6,8 11,4-4,6 d obs = 2, 9 e s Dobs = 1, 55 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

24 Exemplo de teste unilateral (continuação) D = X Y = km/l da gasolina velha - km/l da gasolina nova, tem distribuição Normal (1) Hipóteses do teste: (2) Nível de significância do teste: (3) Estatística do teste: H 0 : µ D = 0 versus H 1 : µ D < 0 α = 5% = 0, 05 T = D = n S D D S D 12 t 11 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

25 Exemplo de teste unilateral (continuação) (4) Região de rejeição do teste: Valor crítico: t c onde t c é o valor tal que P(T > t c ) = 0, 05, com 11 graus de liberdade, de onde t c = 1, 796. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

26 Exemplo de teste unilateral (continuação) (5) Conclusão do teste: Ou seja, t obs < t c. t obs = d obs s Dobs = 2, 9 n 1,55 = 6, Portanto, rejeitamos H 0 ao nível de significância de 5%, de onde conclui-se que µ D < 0, ou seja, a média da diferença D = X Y é menor que zero, logo a gasolina Y é mais eficiente. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

27 Observação Para n > 30, pode-se usar, por aproximação, a estatística Z = onde usamos a estimativa σ D = s Dobs. D s Dobs n N(0, 1) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

28 Intervalo de Confiança É possível construir-se um intervalo de confiança para µ D, de maneira análoga ao caso da média de uma população. Usando a estatística T : IC µd = [ ] D t γ SD 2 n ; D + t γ SD 2 n onde t γ 2 é tal que P ( ) t γ < T < t γ = γ 2 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

29 Intervalo de Confiança (continuação) Usando a estatística Z (n > 30): onde z γ 2 é tal que IC µd = [ ] D z γ SD 2 n ; D + z γ SD 2 n ( ) P 0 < Z < z γ 2 = γ 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

30 Teste por Valor-p H 0 : µ D = 0 versus H 1 : µ D > 0 valor-p = P(T > t obs ) H 0 : µ D = 0 versus H 1 : µ D < 0 valor-p = P(T < t obs ) H 0 : µ D = 0 versus H 1 : µ D 0 se t obs < 0: valor-p = 2.P(T < t obs ) se t obs > 0: valor-p = 2.P(T > t obs ) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

31 Teste por Valor-p (continuação) Para α > valor-p, rejeitamos H 0. Para α < valor-p, não rejeitamos H 0. Para n > 30, pode-se usar, por aproximação, a estatística Z = adotando σ D = s Dobs, e, portanto D s Dobs n N(0, 1) valor-p = P(Z > z obs ) ou valor-p = P(Z < z obs ) ou valor-p = 2.P(Z < z obs ) ou valor-p = 2.P(Z > z obs ) em cada um dos casos. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

32 Exercícios Exercícios 1 e 2 dos Exercícios de Aula - Seção 04. PS /1 - Exercício 6 PS /2 - Exercício 7 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

33 Amostras independentes Quando, por exemplo, deseja-se comparar a altura média da população de duas cidades, o que se faz é coletar uma amostra aleatória em cada cidade e calcular a média observada em cada amostra para realizar a comparação. Não há como estabelecer uma relação de paridade entre as amostras nesse caso. Temos então um caso de amostras independentes. Eventualmente, as amostras podem até ser de tamanhos diferentes. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

34 Amostras independentes (continuação) Neste caso, temos duas variáveis X e Y (por exemplo, alturas em cada cidade), ambas com distribuição Normal, e queremos testar: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y 0 (ou H 1 : µ X µ Y < 0 ou H 1 : µ X µ Y > 0) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

35 Amostras independentes (continuação) Nesse caso, temos duas amostras independentes X 1, X 2,..., X n1 é uma amostra de X Y 1, Y 2,..., Y n2 é uma amostra de Y e usamos a estimativa para µ X µ Y. X Y = X 1 + X X n1 n 1 ( ) Y1 + Y Y n2 n 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

36 Amostras independentes (continuação) Ao comparar as médias de duas populações com amostras independentes, temos 3 casos: (I) Variâncias Conhecidas (II) Variâncias Desconhecidas e Iguais (III) Variâncias Desconhecidas e Diferentes Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

37 1 o Caso - Variâncias Conhecidas Nesse caso, se ou seja, e X N(µ X, σ 2 X ) e Y N(µ Y, σ 2 Y ), X tem distribuição Normal com média µ X e variância σ 2 X Y tem distribuição Normal com média µ Y e variância σ 2 Y, e sendo X 1, X 2,..., X n1 e Y 1, Y 2,..., Y n2 amostras independentes então ( ) X Y N µ X µ Y, σ2 X n1 + σ2 Y n2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

38 1 o Caso - Variâncias Conhecidas (continuação) Portanto a estatística de teste será (assumindo H 0 verdadeira, ou seja, que µ X µ Y = 0): σ 2 X n 1 Z = X Y (µ X µ Y ) + σ2 Y n2 = X Y σ 2 X n 1 + σ2 Y n2 N(0, 1) (Z tem distribuição Normal com média 0 e variância 1.) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

39 Teste por Região de Rejeição - teste bilateral (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y 0 (2) Nível de significância do teste: α (3) Estatística do teste (sob H 0, ou seja, µ X µ Y = 0): Z = X Y σ 2 X n 1 + σ2 Y n2 N(0, 1) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

40 Teste por Região de Rejeição - teste bilateral (continuação) (4) Região de rejeição do teste: Valores críticos: z c e z c onde z c é o valor tal que P(0 < Z < z c ) = 0, 5 α 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

41 Teste por Região de Rejeição - teste bilateral (continuação) (5) Decisão: σ 2 X n 1 z obs = x obs y obs + σ2 Y n2 Se z obs > z c ou z obs < z c, rejeitamos H 0 ao nível de significância α. Se z c < z obs < z c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

42 Exemplo de teste bilateral Uma empresa avaliadora de imóveis está estudando as regiões central e oeste da cidade de São Paulo, para verificar se o preço médio, para imóveis comerciais de um dado tamanho, é o mesmo nas duas áreas. De levantamentos anteriores, a empresa sabe que os desvios padrões são de 0,82 UPC (unidade padrão de construção) na região oeste e 0,71 UPC na região central. Uma amostra de tamanho 18 foi coletada na região oeste, assim como uma de tamanho 20 na região central, obtendo médias de 36,7 e 40,2 UPC, respectivamente. Ao nível de significância de 5%, qual a conclusão? Suponha normalidade das variáveis. X = preço de um imóvel na região oeste N(µ X, σ 2 X = (0, 82)2 ) Y = preço de um imóvel na região central N(µ Y, σ 2 Y = (0, 71)2 ) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

43 Exemplo de teste bilateral (continuação) (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y 0 (2) Nível de significância do teste: α = 5% = 0, 05 (3) Estatística do teste: Z = X Y σ 2 X n 1 + σ2 Y n2 = X Y (0,82) (0,71)2 20 N(0, 1) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

44 Exemplo de teste bilateral (continuação) (4) Região de rejeição do teste: Valores críticos: z c e z c onde z c é o valor tal que P(0 < Z < z c ) = 0, 475, de onde z c = 1, 96. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

45 Exemplo de teste bilateral (continuação) (5) Conclusão do teste: Ou seja, z obs < z c. σ 2 X n 1 z obs = x obs y obs = + σ2 Y n2 36, 7 40, 2 (0,82) (0,71)2 20 = 14 Portanto, rejeitamos H 0 ao nível de significância de 5%, de onde conclui-se que µ X µ Y 0, ou seja, os imóveis situados nas regiões central e oeste de São Paulo têm preços médios diferentes. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

46 Teste por Região de Rejeição - teste unilateral (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y > 0 (ou H 1 : µ X µ Y < 0) (2) Nível de significância do teste: α (3) Estatística do teste (sob H 0, ou seja, µ X µ Y = 0): Z = X Y σ 2 X n 1 + σ2 Y n2 N(0, 1) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

47 Teste por Região de Rejeição - teste unilateral (continuação) (4) Região de rejeição do teste: Caso H 1 : µ X µ Y > 0 Valor crítico: z c onde z c é o valor tal que P(0 < Z < z c ) = 0, 5 α Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

48 Teste por Região de Rejeição - teste unilateral (continuação) (4) Região de rejeição do teste: Caso H 1 : µ X µ Y < 0 Valor crítico: z c onde z c é o valor tal que P(0 < Z < z c ) = 0, 5 α Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

49 Teste por Região de Rejeição - teste unilateral (continuação) (5) Conclusão do teste: Caso H 1 : µ X µ Y > 0 σ 2 X n 1 z obs = x obs y obs + σ2 Y n2 Se z obs > z c, rejeitamos H 0 ao nível de significância α. Se z obs < z c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Caso H 1 : µ X µ Y < 0 Se z obs < z c, rejeitamos H 0 ao nível de significância α. Se z obs > z c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

50 Exemplo de teste unilateral Um estudo envolve a avaliação de um novo sistema operacional de computador, desenvolvido para crianças com idades entre 8 e 12 anos. Afirma-se que o novo sistema é mais rápido do que o atual, ĺıder de mercado. Para testar essa afirmação, foram selecionados dois grupos, com 15 crianças cada, sem conhecimento prévio relacionado ao uso de computadores, para realizar uma certa tarefa, que teve seu tempo anotado. O primeiro grupo, trabalhou com o sistema operacional convencional, com um tempo médio de 179,73 min, enquanto que o segundo grupo, trabalhando com o novo sistema operacional, levou, em média, 89,86 min para realizar a tarefa. Ao nível de significância de 5%, qual a conclusão? Suponha normalidade das variáveis e desvio padrão populacional de 10 min em ambos os casos. X = tempo gasto no sistema convencional N(µ X, σ 2 X = 102 ) Y = tempo gasto no novo sistema N(µ Y, σ 2 Y = 102 ) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

51 Exemplo de teste unilateral (continuação) (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y > 0 (2) Nível de significância do teste: α = 5% = 0, 05 (3) Estatística do teste: Z = X Y σ 2 X n 1 + σ2 Y n2 = X Y N(0, 1) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

52 Exemplo de teste unilateral (continuação) (4) Região de rejeição do teste: Valor crítico: z c onde z c é o valor tal que P(0 < Z < z c ) = 0, 45, de onde z c = 1, 64. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

53 Exemplo de teste unilateral (continuação) (5) Conclusão do teste: Ou seja, z obs > z c. σ 2 X n 1 z obs = x obs y obs = + σ2 Y n2 179, 73 89, = 24, 62 Portanto, rejeitamos H 0 ao nível de significância de 5%, de onde conclui-se que µ X µ Y > 0, ou seja, o novo sistema operacional é mais eficiente. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

54 Intervalo de Confiança É possível construir-se um intervalo de confiança para a diferença entre as médias µ X µ Y de maneira semelhante ao caso da média de uma população. Usando a estatística Z, se z γ 2 é tal que ( ) P 0 < Z < z γ = γ 2 2 ( ou ) P z γ < Z < z γ = γ 2 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

55 Intervalo de Confiança (continuação) Então z γ < Z < z γ 2 2 σ 2 X n 1 z γ < X Y (µ X µ Y ) 2 + σ2 Y n2 < z γ 2 de onde Logo X Y z γ 2 IC µx µ Y = σ 2 X n 1 + σ2 Y n2 [ X Y z γ σ 2 X 2 n 1 < µ X µ Y < X Y z γ σ 2 X 2 n 1 + σ2 Y n2 ; X Y + z γ σ 2 X 2 n 1 + σ2 Y n2 ] + σ2 Y n2 Onde o intervalo construído tem probabilidade γ de conter µ X µ Y. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

56 Teste por Valor-p H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y > 0 valor-p = P(Z > z obs ) H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y < 0 valor-p = P(Z < z obs ) H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y 0 se z obs < 0: valor-p = 2.P(Z < z obs ) se z obs > 0: valor-p = 2.P(Z > z obs ) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

57 Teste por Valor-p (continuação) Para α > valor-p, rejeitamos H 0. Para α < valor-p, não rejeitamos H 0. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

58 Exercícios Exercícios 3 e 4 dos Exercícios de Aula - Seção 04. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

59 Variâncias Desconhecidas Em geral, não conhecemos as variâncias das variáveis X e Y e precisamos estimá-las: SX 2 = 1 n 1 n 1 1 ( Xi X ) [( n1 ) ] 2 1 = n 1 1 Xi 2 n 1 X 2 i=1 i=1 e S 2 Y = 1 n 2 1 n 2 j=1 ( Yj Y ) 2 1 = n 2 1 n 2 Yj 2 j=1 n 2 Y 2 onde, novamente, X 1, X 2,..., X n1 e Y 1, Y 2,..., Y n2 são amostras independentes das variáveis X e Y, respectivamente, que admitimos possuírem distribuição Normal. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

60 Variâncias Desconhecidas (continuação) Como veremos posteriormente, apesar de não conhecermos as variâncias σx 2 e σ2 Y, é possível testar se elas são iguais ou não. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

61 2 o Caso - Variâncias Desconhecidas e Iguais No caso de igualdade, temos σ 2 X = σ2 Y = σ2 e usa-se a estimativa agrupada (variância agrupada): S 2 p = (n 1 1)S 2 X + (n 2 1)S 2 Y (n 1 1) + (n 2 1) Nesse caso, a estatística de teste será (assumindo H 0 verdadeira, ou seja, que µ X µ Y = 0): T = X Y (µ X µ Y ) S p 1 n n 2 = X Y S p 1 n n 2 t (n1 +n 2 2) (T tem distribuição t-student com n 1 + n 2 2 graus de liberdade.) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

62 Teste por Região de Rejeição - teste bilateral (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y 0 (2) Nível de significância do teste: α (3) Estatística do teste (sob H 0, ou seja, µ X µ Y = 0): T = X Y S p 1 n n 2 t (n1 +n 2 2) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

63 Teste por Região de Rejeição - teste bilateral (continuação) (4) Região de rejeição do teste: Valores críticos: t c e t c onde t c é o valor tal que P(T > t c ) = α 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

64 Teste por Região de Rejeição - teste bilateral (continuação) (5) Conclusão do teste: t obs = x obs y obs s pobs 1 n n 2 Se t obs > t c ou t obs < t c, rejeitamos H 0 ao nível de significância α. Se t c < t obs < t c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

65 Exemplo de teste bilateral Digitadores são treinados em uma empresa em duas turmas distintas. Na primeira turma usa-se um método japonês de ensino, ao passo que na segunda turma usa-se um método alemão. Para comparar os dois métodos, 16 alunos de cada turma foram escolhidos aleatoriamente e uma mesma tarefa foi atribuída a cada aluno. No processo, dois computadores usados por alunos da primeira turma e três usados pela segunda turma apresentaram problemas que impediram a realização da tarefa, reduzindo os tamanhos das amostras para 14 e 13, respectivamente para a primeira turma e a segunda turma. Se os alunos selecionados da primeira turma realizaram a tarefa com um tempo médio de 11,57 min e variância de 4, 1min 2 ao passo que os alunos da segunda turma realizaram a tarefa com tempo médio de 15,38 min e variância de 4, 3min 2, qual a conclusão ao nível de significância de 1%? Suponha normalidade das variáveis em estudo. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

66 Exemplo de teste bilateral (continuação) X = tempo gasto por um aluno do método japonês, tem distribuição Normal Y = tempo gasto por um aluno do método alemão, tem distribuição Normal (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y 0 (2) Nível de significância do teste: (3) Estatística do teste: α = 1% = 0, 01 T = X Y 1 S p t 25 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

67 Exemplo de teste bilateral (continuação) (4) Região de rejeição do teste: Valores críticos: t c e t c onde t c é o valor tal que P(T > t c ) = 0, 005, com 25 graus de liberdade, de onde t c = 2, 787. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

68 Exemplo de teste bilateral (continuação) (5) Conclusão do teste: s pobs = (n 1 1)sX 2 obs + (n 2 1)sY 2 obs (n 1 1) + (n 2 1) = = 2, 05 t obs = Ou seja, t obs < t c. x obs y obs s pobs 1 n n 2 = (14 1)4, 1 + (13 1)4, 3 (14 1) + (13 1) 11, 57 15, 38 = 4, 83 2, Portanto, rejeitamos H 0 ao nível de significância de 1%, de onde conclui-se que µ X µ Y 0, ou seja, os tempos médios gastos usando os dois métodos são diferentes. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

69 Teste por Região de Rejeição - teste unilateral (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y > 0 (ou H 1 : µ X µ Y < 0) (2) Nível de significância do teste: α (3) Estatística do teste (sob H 0, ou seja, µ X µ Y = 0): T = X Y S p 1 n n 2 t (n1 +n 2 2) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

70 Teste por Região de Rejeição - teste unilateral (continuação) (4) Região de rejeição do teste: Caso H 1 : µ X µ Y > 0 Valor crítico: t c onde t c é o valor tal que P(T > t c ) = α Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

71 Teste por Região de Rejeição - teste unilateral (cont.) (4) Região de rejeição do teste: Caso H 1 : µ X µ Y < 0 Valor crítico: t c onde t c é o valor tal que P(T > t c ) = α Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

72 Teste por Região de Rejeição - teste unilateral (cont.) (5) Decisão: t obs = x obs y obs s pobs 1 n n 2 Caso H 1 : µ X µ Y > 0 Se t obs > t c, rejeitamos H 0 ao nível de significância α. Se t obs < t c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Caso H 1 : µ X µ Y < 0 Se t obs < t c, rejeitamos H 0 ao nível de significância α. Se t obs > t c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

73 Exemplo de teste unilateral Duas técnicas de venda são aplicadas por dois grupos de vendedores: a técnica A por 12 vendedores e a técnica B por 15 vendedores. Espera-se que a técnica B produza melhores resultados. No final de um mês obtiveram-se os resultados abaixo: Dados Técnica A Técnica B Média Variância Vendedores Vamos testar, ao nível de significância de 5% se a técnica B é de fato melhor. Informações adicionais permitem supor que as vendas sejam normalmente distribuídas, com mesma variância, desconhecida. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

74 Exemplo de teste unilateral (continuação) X = vendas usando técnica A, tem distribuição Normal Y = vendas usando técnica B, tem distribuição Normal (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y < 0 (2) Nível de significância do teste: (3) Estatística do teste: α = 0, 05 (5%) T = X Y 1 S p t 25 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

75 Exemplo de teste unilateral (continuação) (4) Região de rejeição do teste: Valor crítico: t c, onde t c é o valor tal que P(T > t c ) = 0, 05, com 25 graus de liberdade, de onde t c = 1, 708. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

76 Exemplo de teste unilateral (continuação) (5) Conclusão do teste: (n 1 1)sX 2 s pobs = obs + (n 2 1)sY 2 obs = (n 1 1) + (n 2 1) t obs = Ou seja, t obs < t c. x obs y obs s pobs 1 n n 2 = (12 1)50 + (15 1)75 = 8 (12 1) + (15 1) = 2, 58 Portanto, rejeitamos H 0 ao nível de significância de 5%, de onde conclui-se que µ X µ Y < 0, ou seja, a técnica B deve ser melhor. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

77 Intervalo de Confiança Como no caso anterior, é possível construir um intervalo de confiança para a diferença entre as médias µ X µ Y. Usando a estatística T : Se t γ é tal que 2 ou ( ) P 0 < T < t γ 2 ( ) P T > t γ 2 = γ 2 = 1 γ 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

78 Intervalo de Confiança (continuação) Então t γ < T < t γ 2 2 t γ < X Y (µ X µ Y ) < t γ 2 S 1 p n n 2 de onde X Y t γ S 1 p n1 n2 Logo IC µx µ Y = [ X Y t γ S 1 p n1 n2 < µ X µ Y < X Y + t γ 2 S p 1 n n 2 ; X Y + t γ 2 S p 1 n n 2 Onde o intervalo construído tem probabilidade γ de conter µ X µ Y. ] Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

79 Exercícios Exercícios 5 e 6 dos Exercícios de Aula - Seção 04. P2-2012/1 - Exercício 18 P2-2012/2 - Exercício 4 PS /1 - Exercício 5 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

80 3 o Caso - Variâncias Desconhecidas e Diferentes Nesse caso, usa-se o teste T com variâncias separadas, ou seja, a estatística (assumindo H 0 verdadeira, ou seja, que µ X µ Y = 0): S 2 X n 1 T = X Y (µ X µ Y ) + S2 Y n2 = X Y S 2 X n 1 + S2 Y n2 cuja distribuição pode ser aproximada por uma t-student com ν graus de liberdade, onde sendo ν = (A + B)2 A 2 n B2 n 2 1 A = S2 X n1 e B = S2 Y n2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

81 3 o Caso - Variâncias Desconhecidas e Diferentes Como esse valor, geralmente, não é inteiro, arredondamos para o inteiro mais próximo para obter o número de graus de liberdade. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

82 Teste por Região de Rejeição - teste bilateral (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y 0 (2) Nível de significância do teste: α (3) Estatística do teste (sob H 0, ou seja, µ X µ Y = 0): T = X Y S 2 X n 1 + S2 Y n2 t ν Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

83 Teste por Região de Rejeição - teste bilateral (continuação) (4) Região de rejeição do teste: Valores críticos: t c e t c onde t c é o valor tal que P(T > t c ) = α 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

84 Teste por Região de Rejeição - teste bilateral (continuação) (5) Conclusão do teste: t obs = x obs y obs s 2 X obs n 1 + s2 Y obs n 2 Se t obs > t c ou t obs < t c, rejeitamos H 0 ao nível de significância α. Se t c < t obs < t c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

85 Exemplo de teste bilateral Queremos testar as resistências de dois tipos de vigas de aço, A e B. Tomando-se 16 vigas de cada tipo, obtemos os valores na tabela abaixo: Tipo de viga Média Variância A 70,5 81,6 B 84,3 161,5 Vamos testar, ao nível de significância de 10% se há diferença entre os dois tipos de vigas, supondo normalidade das variáveis. Realizando um teste prévio, rejeitamos a hipótese de variâncias iguais. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

86 Exemplo de teste bilateral (continuação) X = resistência de uma viga do tipo A, tem distribuição Normal Y = resistência de uma viga do tipo B, tem distribuição Normal (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y 0 (2) Nível de significância do teste: α = 10% = 0, 1 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

87 Exemplo de teste bilateral (continuação) (3) Estatística do teste: onde T = X Y S 2 X n 1 + S2 Y n2 t ν com ν = (A + B)2 A 2 n B2 n 2 1, A = s2 X obs n 1 = 81,6 16 = 5, 1 e B = s2 Y obs n 2 = 161,5 16 = 10, 1 ou seja ν = Tomamos ν = 27. (5, , 1)2 (5,1) (10,1)2 15 = 231, 04 1, , 8 = 27, 07, Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

88 Exemplo de teste bilateral (continuação) (4) Região de rejeição do teste: Valores críticos: t c e t c onde t c é o valor tal que P(T > t c ) = 0, 05 com 27 graus de liberdade, de onde t c = 1, 703. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

89 Exemplo de teste bilateral (continuação) (5) Conclusão do teste: t obs = x obs y obs = + s2 Y obs n 2 s 2 X obs n 1 Ou seja, t obs < t c. 70, 5 84, 3 81, ,5 16 = 13, 8 5, , 1 = 3, 54 Portanto, rejeitamos H 0 ao nível de significância de 10%, de onde conclui-se que µ X µ Y 0, ou seja, as resistências das vigas diferem em média. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

90 Teste por Região de Rejeição - teste unilateral (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y > 0 (ou H 1 : µ X µ Y < 0) (2) Nível de significância do teste: α (3) Estatística do teste (sob H 0, ou seja, µ X µ Y = 0): T = X Y S 2 X n 1 + S2 Y n2 t ν Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

91 Teste por Região de Rejeição - teste unilateral (cont.) (4) Região de rejeição do teste: Caso H 1 : µ X µ Y > 0 Valor crítico: t c, onde t c é o valor tal que P(T > t c ) = α Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

92 Teste por Região de Rejeição - teste unilateral (cont.) (4) Região de rejeição do teste: Caso H 1 : µ X µ Y < 0 Valor crítico: t c, onde t c é o valor tal que P(T > t c ) = α Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

93 Teste por Região de Rejeição - teste unilateral (cont.) (5) Conclusão do teste: t obs = x obs y obs s 2 X obs n 1 + s2 Y obs n 2 Caso H 1 : µ X µ Y > 0 Se t obs > t c, rejeitamos H 0 ao nível de significância α. Se t obs < t c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Caso H 1 : µ X µ Y < 0 Se t obs < t c, rejeitamos H 0 ao nível de significância α. Se t obs > t c, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

94 Exemplo de teste unilateral Para comparar as médias de duas populações Normais, amostras aleatórias foram obtidas. Sabe-se que as variâncias populacionais são diferentes, sendo seus valores desconhecidos. Amostra I Amostra II Pode-se dizer que a média da primeira população é menor que a da segunda, com α = 5%? Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

95 Exemplo de teste unilateral (continuação) X = um valor da população I, tem distribuição Normal Y = um valor da população II, tem distribuição Normal Da tabela, obtém-se: x obs = 7, 43, sxobs = 2, 7, y obs = 7 e s Yobs = 5, 08 (1) Hipóteses do teste: H 0 : µ X µ Y = 0 versus H 1 : µ X µ Y < 0 (2) Nível de significância do teste: α = 5% = 0, 05 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

96 Exemplo de teste unilateral (continuação) (3) Estatística do teste: onde T = X Y S 2 X n 1 + S2 Y n2 t ν com ν = (A + B)2 A 2 n B2 n 2 1, A = s2 X obs n 1 = (2,7)2 7 = 1, 04 e B = s2 Y obs n 2 = (5,08)2 7 = 3, 69 ou seja Tomamos ν = 9. (1, , 69)2 ν = = (1,04) (3,69)2 6 22, 37 0, , 27 = 9, 13, Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

97 Exemplo de teste unilateral (continuação) (4) Região de rejeição do teste: t c é o valor tal que P(T > t c ) = 0, 05, com 9 graus de liberdade, de onde t c = 1, 833. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

98 Exemplo de teste unilateral (continuação) (5) Conclusão do teste: t obs = x obs y obs = + s2 Y obs n 2 s 2 X obs n 1 Ou seja, t obs > t c. 7, 43 7 (2,7) (5,08)2 7 = 0, 43 1, , 69 = 0, 09 Portanto, não rejeitamos H 0 ao nível de significância de 5% (não há evidências estatísticas suficientes, ao nível de significância de 5%, de que as médias das duas populações sejam diferentes. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

99 Exercícios Exercício 7 dos Exercícios de Aula - Seção 04. P2-2012/1 - Exercício 20 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

100 Comparação de médias de duas populações com amostras independentes - Teorema Central do Limite Em se tratando de comparação de duas médias com amostras independentes e variâncias desconhecidas, se os tamanhos das amostras são grandes, isto é, n 1 > 30 e n 2 > 30, podemos usar aproximação pela distribuição Normal, com SX 2 e S Y 2 (variâncias amostrais) no lugar das variâncias populacionais. Nesse caso, a estatística de teste será (assumindo H 0 verdadeira, ou seja, que µ X µ Y = 0): S 2 X n 1 Z = X Y (µ X µ Y ) + S2 Y n2 = X Y S 2 X n 1 + S2 Y n2 N(0, 1) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

101 Exercícios P2-2012/1 - Exercício 17 PS /1 - Exercício 6 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

102 Comparação de variâncias de duas populações Normais Quando temos amostras independentes e não conhecemos as variâncias populacionais (σx 2 e σ2 Y ), podemos testar a igualdade das mesmas, com base nas variâncias amostrais (SX 2 e S Y 2 ), para decidir então qual teste usar na comparação das médias. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

103 Comparação de variâncias (continuação) Sejam X e Y duas variáveis com distribuição Normal X N(µ X, σ 2 X ) e Y N(µ Y, σ 2 Y ), cujas variâncias σ 2 X e σ2 Y não conhecemos. Queremos testar H 0 : σ 2 X = σ2 Y versus H 1 : σ 2 X σ2 Y para saber qual teste de comparação de médias usar. Observação Eventualmente, pode haver o interesse em testar H 0 : σ 2 X = σ2 Y versus H 1 : σ 2 X < σ2 Y (ou H 1 : σ 2 X > σ2 Y ) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

104 Comparação de variâncias (continuação) Para isso, utilizaremos o estimador F = S 2 X S 2 Y do quociente σ2 X σy 2, e, assim, as hipóteses anteriores transformam-se em H 0 : σ2 X σ 2 Y = 1 versus H 1 : σ2 X σ 2 Y 1 (ou σx 2 σy 2 < 1 ou σx 2 σy 2 > 1) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

105 Comparação de variâncias (continuação) Lembrando que temos duas amostras independentes X 1, X 2,..., X n1 e Y 1, Y 2,..., Y n2 de X e Y, respectivamente, e que S 2 X = 1 n 1 1 n 1 i=1 ( Xi X ) [( n1 2 1 = n 1 1 i=1 X 2 i ) n 1 X 2 ] e S 2 Y = 1 n 2 1 n 2 j=1 ( Yj Y ) 2 1 = n 2 1 n 2 Yj 2 j=1 n 2 Y 2 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

106 Comparação de variâncias (continuação) Então pode ser mostrado que F = S 2 X S 2 Y F (n 1 1, n 2 1) ou seja, a variável aleatória F tem distribuição de Fisher-Snedecor (ou distribuição F) com n 1 1 graus de liberdade do numerador e n 2 1 graus de liberdade do denominador. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

107 Distribuição de Fisher - Snedecor Gráfico da função densidade de probabilidades da distribuição F : Observe que uma variável com distribuição F não assume valores negativos, ao contrário do que acontece com as distribuições t-student e Normal. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

108 Tabelas da distribuição F Se F F (a, b) então o corpo da tabela da distribuição F, de cauda de 5%, apresenta o valor f c tal que P(F > f c ) = 0, 05, sendo a a coluna e b a linha da tabela onde se localiza o valor f c. graus 1 de. liberdade b f c do denominador. graus de liberdade do numerador 1 2 a 120 Para cada valor de P(F > f c ) (por exemplo, 1%, 2,5%, 10% etc.), há uma tabela diferente. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

109 Se F F (15, 10) e P(F > f c ) = 5%, então f c = 2, 85. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

110 Procedimento para comparação de variâncias Temos que se F = S X 2 SY 2 F (n 1 1, n 2 1) então 1 F = S Y 2 SX 2 F (n 2 1, n 1 1) Isso significa que, se desejarmos descobrir o valor de f c tal que P(F < f c ) = 5%, podemos levar em consideração que F < f c 1 F > 1 ( 1, logo P(F < f c ) = P f c F > 1 ) f c Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

111 Por exemplo, se F = S X 2 SY 2 F (15, 10) então 1 F (10, 15), e F ( 1 P(F < f c ) = 5% P F > 1 ) = 5% f c de onde 1 f c = 2, 54, o que significa que f c = 1 2, 54 = 0, 39. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

112 Por questões práticas, para fazermos o teste bilateral de comparação das variâncias, procuraremos sempre colocar no numerador da estatística F, a maior variância, isto é: se S 2 X > S 2 Y então adotamos F = S 2 X S 2 Y se S 2 Y > S 2 X então adotamos F = S 2 Y S 2 X Então f obs será sempre maior ou igual a 1. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

113 Fazendo isso, no teste bilateral só será necessário encontrar o valor crítico da direita, pois o valor crítico da esquerda será sempre menor que 1 (o valor crítico da esquerda será sempre o inverso de um valor da tabela F e todos os valores da tabela F são maiores que 1). f obs não pertencerá ao lado esquerdo da região de rejeição, pois f obs > 1 e f 1 < 1, logo sempre f obs > f 1. Bastará, então, verificar se f obs é maior ou menor que f 2. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

114 Teste bilateral (1) Hipóteses do teste: ou seja H 0 : σ 2 X = σ2 Y versus H 1 : σ 2 X σ2 Y H 0 : σ2 X σ 2 Y = 1 versus H 1 : σ2 X σ 2 Y 1 Tome o cuidado de que sempre σx 2 (ou seja, a variância do numerador) seja a variância da variável com maior variância amostral (ou seja, SX 2 > S Y 2 ). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

115 Teste bilateral (continuação) (2) Nível de significância do teste: (3) Estatística do teste: α F = S 2 X S 2 Y F (n 1 1, n 2 1) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

116 Teste bilateral (continuação) (4) Região de rejeição do teste: Valores críticos: f 1 e f 2, onde f 1 é o valor tal que P(0 < F < f 1 ) = α 2 e f 2 é o valor tal que P(F > f 2 ) = α 2 Observação importante Na prática, procuraremos apenas o valor de f 2 na tabela. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

117 Teste bilateral (continuação) (5) Conclusão do teste: f obs = s2 X obs s 2 Y obs Se f obs > f 2 ou f obs < f 1, rejeitamos H 0 ao nível de significância α. Se f 1 < f obs < f 2, não rejeitamos H 0 (não há evidências estatísticas suficientes, ao nível de significância α, para rejeitar H 0 ). Observação importante Na prática, apenas observaremos se f obs > f 2 (e rejeitaremos H 0 nesse caso) ou se f obs < f 2 (e não rejeitaremos H 0 nesse caso). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

118 Observações Observação 1 No caso de teste bilateral, em função de restrições de tabelas, usaremos sempre α = 10%. Observação 2 No caso em que estamos comparando as médias de duas populações com variâncias desconhecidas, devemos inicialmente testar a igualdade das variâncias para decidir qual teste de comparação de médias devemos usar. Então, nessa comparação prévia de variâncias, estaremos sempre interessados em realizar um teste bilateral. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

119 Exemplo Um fabricante de esferas para rolamentos desenvolveu um novo método de produção, mais barato. Entretanto, ele desconfia que os novos lotes apresentam variabilidade diferente daqueles produzidos pelo método antigo (com relação ao diâmetro das esferas). Para cada método, ele selecionou 15 esferas, que forneceram variâncias amostrais de 0,03 e 0,19 para os métodos antigo e novo, respectivamente. Teste se há diferença entre as variâncias populacionais, com α = 10% e supondo normalidade dos diâmetros em ambos os métodos. X = diâmetro de uma esfera de rolamento fabricada pelo método novo N(µ X, σ 2 X ) Y = diâmetro de uma esfera de rolamento fabricada pelo método antigo N(µ Y, σ 2 Y ) Observe que a variância amostral do método novo (0,19) é maior que a do método antigo, por isso colocamos a do método novo no numerador. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

120 Exemplo (continuação) (1) Hipóteses do teste: H 0 : σx 2 = σ2 Y versus H 1 : σx 2 σ2 Y (2) Nível de significância do teste: α = 10% = 0, 1 (3) Estatística do teste: F = S 2 X S 2 Y F (14, 14) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

121 Exemplo (continuação) (4) Região de rejeição do teste: Valores críticos: f 1 e f 2, onde f 2 é o valor tal que P(F > f 2 ) = 0, 05, com 14 gl no numerador e 14 gl no denominador, de onde f 2 = 2, 48. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

122 Exemplo (continuação) (5) Conclusão do teste: Ou seja, f obs > f 2. f obs = 0, 19 0, 03 = 6, 33 Portanto, rejeitamos H 0 ao nível de significância de 10%, de onde conclui-se que existem diferenças em relação à variabilidade dos diâmetros das esferas de rolamento, dependendo do método de fabricação. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

123 Exercícios Exercícios 8 e 9 dos Exercícios de Aula - Seção 04. P2-2012/1 - Exercício 14 P2-2013/1 - Exercícios 3 e 4 P2-2013/2 - Exercício 10 PS /2 - Exercício 11 PS /2 - Exercício 14 Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

124 Comparações de médias no Excel Vamos ver dois exemplos de realização de testes de comparação de médias de duas populações no Excel: um de amostras emparelhadas e um de amostras independentes. É preciso instalar o suplemento de Ferramentas de Análise de dados do Excel. (Ver link no site da disciplina.) Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

125 Exemplo 1 - Amostras Emparelhadas Feldspato é gerente de RH de uma empresa. Aplicou um programa de treinamento aos seus funcionários e quer saber se a sua produtividade aumentou com este treinamento. Para tanto, coletou a produção de um conjunto de 30 funcionários antes e depois do treinamento (planilha Feldspato - dados emparelhados; disponível no site). Usando a Análise de Dados do Excel, podemos fazer o Teste T: duas amostras em par para médias, usando um nível de significância de 5%, conforme indicado na figura a seguir (Não esqueça de indicar a hipótese da diferença das médias e marcar a caixa Rótulos). Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

126 Exemplo 1 - Amostras Emparelhadas - continuação Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

127 Exemplo 1 - Amostras Emparelhadas - continuação Na figura do slide anterior, foram escolhidas (de acordo com os intervalos de células fornecidos na caixa de diálogo): Variável 1 = Depois Variável 2 = Antes Então está sendo testada a média µ D da variável E, portanto, o teste é: D = Depois Antes H 0 : µ D = 0 versus H 1 : µ D > 0 pois queremos saber se a produtividade aumentou com o treinamento. Carlos Antonio Filho (ESAGS) Estatística II - Seção 04 2 o semestre de / 137

X e Y independentes. n + 1 m

X e Y independentes. n + 1 m DEPARTAMENTO DE ESTATÍSTICA / CCEN / UFPA Disciplina: Inferência I Prof: Regina Tavares 5.0. TESTE DE HIPÓTESES PARA DUAS POPULAÇÕES 5.0.. Duas Populações Normais independentes : X, X 2,, X n uma a.a.

Leia mais

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo

Leia mais

AULA 07 Inferência a Partir de Duas Amostras

AULA 07 Inferência a Partir de Duas Amostras 1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,

Leia mais

DE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)

DE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA) 1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância

Leia mais

Métodos Quantitativos em Medicina

Métodos Quantitativos em Medicina Métodos Quantitativos em Medicina Comparação de Duas Médias Terceira Aula 009 Teste de Hipóteses - Estatística do teste A estatística do teste de hipótese depende da distribuição da variável na população

Leia mais

Distribuições derivadas da distribuição Normal. Distribuição Normal., x real.

Distribuições derivadas da distribuição Normal. Distribuição Normal., x real. Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,

Leia mais

Teste de hipóteses para uma média populacional com variância conhecida e desconhecida

Teste de hipóteses para uma média populacional com variância conhecida e desconhecida Teste de hipóteses para uma média populacional com variância conhecida e desconhecida Teste de hipóteses para uma média populacional com variância conhecida Tomando-se como exemplo os dados de recém-nascidos

Leia mais

Fernando de Pol Mayer

Fernando de Pol Mayer Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative

Leia mais

Intervalos de Confiança

Intervalos de Confiança Intervalos de Confiança INTERVALOS DE CONFIANÇA.1 Conceitos básicos.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição numérica de

Leia mais

Testes de Hipóteses Paramétricos

Testes de Hipóteses Paramétricos Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto

Leia mais

Conceitos Básicos Teste t Teste F. Teste de Hipóteses. Joel M. Corrêa da Rosa

Conceitos Básicos Teste t Teste F. Teste de Hipóteses. Joel M. Corrêa da Rosa 2011 O 1. Formular duas hipóteses sobre um valor que é desconhecido na população. 2. Fixar um nível de significância 3. Escolher a Estatística do Teste 4. Calcular o p-valor 5. Tomar a decisão mediante

Leia mais

TESTES DE HIPÓTESES. Conceitos, Testes de 1 proporção, Testes de 1 média

TESTES DE HIPÓTESES. Conceitos, Testes de 1 proporção, Testes de 1 média TESTES DE HIPÓTESES Conceitos, Testes de 1 proporção, Testes de 1 média 1 Testes de Hipóteses População Conjectura (hipótese) sobre o comportamento de variáveis Amostra Decisão sobre a admissibilidade

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Dependentes Teste t para amostras emparelhadas Variâncias Teste z Conhecidas Independentes Variâncias Desconhecidas Supostas iguais

Leia mais

Lista Estimação Pontual Estatística Aplicada à Engenharia de Produção Prof. Michel H. Montoril

Lista Estimação Pontual Estatística Aplicada à Engenharia de Produção Prof. Michel H. Montoril Exercício 1. (Kokoska, 2013) Estudos indicam que residências canadenses desperdiçam, aproximadamente, de 389 a 513 quilowatts-hora de eletricidade por ano. Esse desperdício é causado por aparelhos eletrônicos

Leia mais

Teste de hipóteses. Estatística Aplicada Larson Farber

Teste de hipóteses. Estatística Aplicada Larson Farber 7 Teste de hipóteses Estatística Aplicada Larson Farber Seção 7.1 Introdução ao teste de hipóteses Uma hipótese estatística é uma alegação sobre uma população. A hipótese nula H 0 contém uma alternativa

Leia mais

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Capítulo 3 Introdução à Probabilidade e à Inferência Estatística INTERVALOS DE CONFIANÇA: Diferentes pesquisadores, selecionando amostras de uma mesma

Leia mais

Testes de Hipóteses. Professor: Josimar Vasconcelos Contato: ou

Testes de Hipóteses. Professor: Josimar Vasconcelos Contato: ou Testes de Hipóteses Professor: Josimar Vasconcelos Contato: josimar@ufpi.edu.br ou josimar@uag.ufrpe.br http://prof-josimar.blogspot.com.br/ Universidade Federal do Piauí UFPI Campus Senador Helvídio Nunes

Leia mais

7. Testes de Hipóteses

7. Testes de Hipóteses 7. Testes de Hipóteses Suponha que você é o encarregado de regular o engarrafamento automatizado de leite numa determinada agroindústria. Sabe-se que as máquinas foram reguladas para engarrafar em média,

Leia mais

PODER DO TESTE. Poder do Teste e Tamanho de Amostra para Testes de Hipóteses

PODER DO TESTE. Poder do Teste e Tamanho de Amostra para Testes de Hipóteses PODER DO TESTE Poder do Teste e Tamanho de Amostra para Testes de Hipóteses 1 Tipos de erro num teste estatístico Realidade (desconhecida) Decisão do teste aceita H rejeita H H verdadeira decisão correta

Leia mais

TESTES NÃO PARAMÉTRICOS (para mediana/média)

TESTES NÃO PARAMÉTRICOS (para mediana/média) MAE212: Introdução à Probabilidade e à Estatística II - Profas. Beti e Chang (2012) 1 TESTES NÃO PARAMÉTRICOS (para mediana/média) Os métodos de estimação e testes de hipóteses estudados até agora nessa

Leia mais

Estatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc. Estatística II Aula Prof.: Patricia Maria Bortolon, D. Sc. Distribuições Amostrais ... vocês lembram que: Antes de tudo... Estatística Parâmetro Amostra População E usamos estatíticas das amostras para

Leia mais

Nessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:

Nessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja: Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a

Leia mais

Cap. 11 Testes de comparação entre duas amostras

Cap. 11 Testes de comparação entre duas amostras Estatística Aplicada às Ciências Sociais Sexta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 006 Cap. 11 Testes de comparação entre duas amostras Planejamento da pesquisa e análise estatística

Leia mais

Estatística Indutiva

Estatística Indutiva Estatística Indutiva MÓDULO 7: INTERVALOS DE CONFIANÇA 7.1 Conceitos básicos 7.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição

Leia mais

Probabilidade e Estatística, 2010/2

Probabilidade e Estatística, 2010/2 Probabilidade e Estatística, 2010/2 CCT - UDESC Prof. Fernando Deeke Sasse Testes de Hipóteses para médias 1. A temperatura média da água descartada por uma torre de resfriamento não deve ser maior que

Leia mais

Inferência Estatística

Inferência Estatística Metodologia de Diagnóstico e Elaboração de Relatório FASHT Inferência Estatística Profa. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Duas distribuições importantes Normal T- Student Estimação

Leia mais

a) 19% b) 20% c) Aproximadamente 13% d) 14% e) Qualquer número menor que 20%

a) 19% b) 20% c) Aproximadamente 13% d) 14% e) Qualquer número menor que 20% 0. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância

Leia mais

Turma: Engenharia Data: 12/06/2012

Turma: Engenharia Data: 12/06/2012 DME-IM-UFRJ - 2ª Prova de Estatística Unificada Turma: Engenharia Data: 12/06/2012 1 - Admita que a distribuição do peso dos usuários de um elevador seja uma Normal com média 75kg e com desvio padrão 15kg.

Leia mais

Testes de Hipóteses. Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM

Testes de Hipóteses. Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM Testes de Hipóteses Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM Testes de hipóteses O Teste de Hipótese é uma regra de decisão para aceitar ou rejeitar uma hipótese

Leia mais

Fernando de Pol Mayer

Fernando de Pol Mayer Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative

Leia mais

Aula 6. Testes de Hipóteses Paramétricos (I)

Aula 6. Testes de Hipóteses Paramétricos (I) Aula 6. Testes de Hipóteses Paramétricos (I) Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Teste de Hipóteses Procedimento estatístico que averigua se os dados sustentam

Leia mais

Universidade Federal do Pará Instituto de Tecnologia. Estatística Aplicada I

Universidade Federal do Pará Instituto de Tecnologia. Estatística Aplicada I 8/8/05 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 8/08/05 06:55 ESTATÍSTICA APLICADA

Leia mais

Profa.: Patricia Maria Bortolon, D.Sc. Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 9-1

Profa.: Patricia Maria Bortolon, D.Sc. Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 9-1 MÉTODOS QUANTITATIVOS APLICADOS À CONTABILIDADE Profa.: Patricia Maria Bortolon, D.Sc. Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 9-1 Fundamentos de Testes

Leia mais

Análise da Regressão múltipla: Inferência. Aula 4 6 de maio de 2013

Análise da Regressão múltipla: Inferência. Aula 4 6 de maio de 2013 Análise da Regressão múltipla: Inferência Revisão da graduação Aula 4 6 de maio de 2013 Hipóteses do modelo linear clássico (MLC) Sabemos que, dadas as hipóteses de Gauss- Markov, MQO é BLUE. Para realizarmos

Leia mais

Inferência Estatística

Inferência Estatística Inferência Estatística Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Núcleo de Estatística e Informática HUUFMA email: alcione.miranda@terra.com.br Inferência Estatística Inferências

Leia mais

Intervalos de Confiança

Intervalos de Confiança Intervalos de Confiança Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques e Nuno Bastos (DepMAT) Intervalos de Confiança 2010/2011 1 / 33 Introdução

Leia mais

HEP Bioestatística

HEP Bioestatística HEP 57800 Bioestatística DATA Aula CONTEÚDO PROGRAMÁTICO 05/03 Terça 1 Níveis de mensuração, variáveis, organização de dados, apresentação tabular 07/03 Quinta 2 Apresentação tabular e gráfica 12/03 Terça

Leia mais

Poder do teste e Tamanho de Amostra

Poder do teste e Tamanho de Amostra Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 24 Poder do teste e Tamanho de Amostra APOIO: Fundação de Ciência

Leia mais

Intervalos de conança

Intervalos de conança Intervalos de conança Prof. Hemílio Fernandes Campos Coêlho Departamento de Estatística - Universidade Federal da Paraíba - UFPB Exemplo Suponha que se deseja estimar o diâmetro da pupila de coelhos adultos.

Leia mais

Introdução à Inferência Estatística

Introdução à Inferência Estatística Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) 2a AULA 02/03/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 2a aula (02/03/2015) MAE229 1 / 16

Leia mais

SUMÁRIO 1. INTRODUÇÃO Generalidades Metodologia do teste de hipóteses As hipóteses A escolha do teste estatístico 5

SUMÁRIO 1. INTRODUÇÃO Generalidades Metodologia do teste de hipóteses As hipóteses A escolha do teste estatístico 5 M a t 0 8 - A n á l i s e E s t a t ís t i c a N ã o P a r a m é t r i c a SUMÁRIO 1. INTRODUÇÃO 3 1.1. Generalidades 3 1.. Metodologia do teste de hipóteses 3 1.3. As hipóteses 4 1.4. A escolha do teste

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA

ESCOLA SUPERIOR DE TECNOLOGIA Departamento Matemática Curso Engenharia do Ambiente 2º Semestre 1º Folha Nº 5: Testes Paramétricos Probabilidades e Estatística 1. O director comercial de uma cadeia de lojas pretende comparar duas técnicas

Leia mais

Estatística e Probabilidade. Aula 11 Cap 06

Estatística e Probabilidade. Aula 11 Cap 06 Aula 11 Cap 06 Intervalos de confiança para variância e desvio padrão Confiando no erro... Intervalos de Confiança para variância e desvio padrão Na produção industrial, é necessário controlar o tamanho

Leia mais

Análise da Variância. Prof. Dr. Alberto Franke (48)

Análise da Variância. Prof. Dr. Alberto Franke (48) Análise da Variância Prof. Dr. Alberto Franke (48) 91471041 Análise da variância Até aqui, a metodologia do teste de hipóteses foi utilizada para tirar conclusões sobre possíveis diferenças entre os parâmetros

Leia mais

Inferência Estatística. Teoria da Estimação

Inferência Estatística. Teoria da Estimação Inferência Estatística Teoria da Estimação Os procedimentos básicos de inferência Estimação: usamos o resultado amostral para estimar o valor desconhecido do parâmetro Teste de hipótese: usamos o resultado

Leia mais

TESTES DE HIPÓTESES. HIPÓTESES: São suposições que fazemos para testar a fixação de decisões, que poderão ser verdadeiras ou não.

TESTES DE HIPÓTESES. HIPÓTESES: São suposições que fazemos para testar a fixação de decisões, que poderão ser verdadeiras ou não. TESTES DE HIPÓTESES HIPÓTESES: São suposições que fazemos para testar a fixação de decisões, que poderão ser verdadeiras ou não. HIPÓTESES ESTATÍSTICA: Hipótese Nula (H 0 ): a ser validada pelo teste.

Leia mais

Lecture 3a Testes de Hipótese

Lecture 3a Testes de Hipótese Métodos Quantitativos em Contabilidade I Programa de Pós-Graduação em Controladoria e Contabilidade Lucas Barros lucasbarros@usp.br Henrique Castro hcastro@usp.br Universidade de São Paulo 1 of 19 Lecture

Leia mais

PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA

PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor

Leia mais

Estatística para Cursos de Engenharia e Informática

Estatística para Cursos de Engenharia e Informática Estatística para Cursos de Engenharia e Informática BARBETTA, Pedro Alberto REIS, Marcelo Menezes BORNIA, Antonio Cezar MUDANÇAS E CORREÇOES DA ª EDIÇÃO p. 03, após expressão 4.9: P( A B) = P( B A) p.

Leia mais

Resolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.

Resolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016. de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%

Leia mais

9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla

9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual

Leia mais

Distribuição t de Student

Distribuição t de Student Distribuição t de Student Introdução Quando o desvio padrão da população não é conhecido (o que é o caso, geralmente), usase o desvio padrão da amostra como estimativa, substituindo-se σ x por S x nas

Leia mais

UNIVERSIDADE FEDERAL DA PARAÍBA. Cálculo das Probabilidades e Estatística I. Lista de Exercícios Terceira Prova. Parte I: Distribuição Amostral

UNIVERSIDADE FEDERAL DA PARAÍBA. Cálculo das Probabilidades e Estatística I. Lista de Exercícios Terceira Prova. Parte I: Distribuição Amostral UNIVERSIDADE FEDERAL DA PARAÍBA Cálculo das Probabilidades e Estatística I Professora: Juliana Freitas Pires Lista de Exercícios Terceira Prova Parte I: Distribuição Amostral Questão 1. Seja X N(90; 26).

Leia mais

Estatística e Probabilidade

Estatística e Probabilidade Teste de hipóteses Objetivo: Testar uma alegação sobre um parâmetro: Média, proporção, variação e desvio padrão Exemplos: - Um hospital alega que o tempo de resposta de sua ambulância é inferior a dez

Leia mais

16/6/2014. Teste Qui-quadrado de independência

16/6/2014. Teste Qui-quadrado de independência UNIVERSIDADE FEDERAL DA PARAÍBA TESTES NÃO- PARAMÉTRICOS Parte I Prof. Luiz Medeiros Departamento de Estatística Teste Qui-quadrado de independência Um dos principais objetivos de se construir uma tabela

Leia mais

Métodos Não Paramétricos

Métodos Não Paramétricos Métodos Não Paramétricos Para todos os testes estatísticos que estudamos até este ponto, assumimos que as populações tinham distribuição normal ou aproximadamente normal. Essa propriedade era necessária

Leia mais

INTRODUÇÃO. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ... ANÁLISE DE VARIÂNCIA. Departamento de Matemática ESTV.

INTRODUÇÃO. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ... ANÁLISE DE VARIÂNCIA. Departamento de Matemática ESTV. INTRODUÇÃO Exemplos Para curar uma certa doença existem quatro tratamentos possíveis: A, B, C e D. Pretende-se saber se existem diferenças significativas nos tratamentos no que diz respeito ao tempo necessário

Leia mais

HEP-5800 BIOESTATÌSTICA

HEP-5800 BIOESTATÌSTICA HEP-58 BIOESTATÌSTICA UNIDADE IV INFERÊNCIA ESTATÍSTICA: TESTES DE HIPÓTESES Nila Nunes da Silva Regina I. T. Bernal I. QUADRO CONCEITUAL São procedimentos estatísticos que consistem em usar dados de amostras

Leia mais

Planejamento e Pesquisa 1. Dois Grupos

Planejamento e Pesquisa 1. Dois Grupos Planejamento e Pesquisa 1 Dois Grupos Conceitos básicos Comparando dois grupos Testes t para duas amostras independentes Testes t para amostras pareadas Suposições e Diagnóstico Comparação de mais que

Leia mais

i. f Y (y, θ) = 1/θ... 0 y θ 0... y < 0 ou y > θ Se a amostra selecionada foi ( ), qual será a estimativa para θ?

i. f Y (y, θ) = 1/θ... 0 y θ 0... y < 0 ou y > θ Se a amostra selecionada foi ( ), qual será a estimativa para θ? Fundação Getulio Vargas Curso: Graduação Disciplina: Estatística Professor: Moisés Balassiano Lista de Exercícios Inferência. Seja (Y, Y 2,..., Y n ) uma amostra aleatória iid, de tamanho n, extraída de

Leia mais

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,

Leia mais

Estimativas e Tamanhos de Amostras

Estimativas e Tamanhos de Amostras Estimativas e Tamanhos de Amostras 1 Aspectos Gerais 2 Estimativa de uma Média Populacional: Grandes Amostras 3 Estimativa de uma Média Populacional: Pequenas Amostras 4 Tamanho Amostral Necessário para

Leia mais

UFRGS - Graduação em Estatística Disciplina: Mat2282 Análise Estat. Não Paramétrica Lista de exercícios 02: testes paramétricos de hipóteses

UFRGS - Graduação em Estatística Disciplina: Mat2282 Análise Estat. Não Paramétrica Lista de exercícios 02: testes paramétricos de hipóteses 01. Dados os valores: 4, 6, 3, 6 e 6, de uma amostra aleatória de 5 (cinco) observações de uma variável X, estime a média e a variância de X e admitindo que X tenha uma distribuição normal, teste, a 5%,

Leia mais

c) Encontre um intervalo de confiança 95% para a razão das variâncias variâncias das duas amostras podem ser iguais com este grau de confiança?

c) Encontre um intervalo de confiança 95% para a razão das variâncias variâncias das duas amostras podem ser iguais com este grau de confiança? MQI 003 Estatística para Metrologia semestre 008.0 Lista 4 Profa. Mônica Barros PROBLEMA Toma-se duas amostras de engenheiros formados há 5 anos por duas Universidades e faz-se uma pesquisa salarial, cujos

Leia mais

NOÇÕES DE TESTE DE HIPÓTESES (II)

NOÇÕES DE TESTE DE HIPÓTESES (II) NOÇÕES DE TESTE DE HIPÓTESES (II) Teste de Hipóteses sobre p Nível Descritivo 1 Resumo X ~ binomial (n; p ) (1) Estabelecer as hipóteses sobre p: H: p = p 0 x A: p p 0 ; (ou A: p p 0, ou A: p p 0 ) (2)

Leia mais

Aula 7 Intervalos de confiança

Aula 7 Intervalos de confiança Aula 7 Intervalos de confiança Nesta aula você aprenderá um método muito importante de estimação de parâmetros. Na aula anterior, você viu que a média amostral X é um bom estimador da média populacional

Leia mais

TÉCNICAS DE AMOSTRAGEM

TÉCNICAS DE AMOSTRAGEM TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Amostragem estratificada Divisão da população em

Leia mais

Estatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc. Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável

Leia mais

NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional

NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional Estimação Teste de Hipóteses Qual é a probabilidade de "cara no lançamento de uma moeda? A moeda é honesta ou desequilibrada?

Leia mais

VERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS

VERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO DE ORGANIZAÇÕES PROCESSO SELETIVO DOUTORADO - TURMA 20 VERSÃO

Leia mais

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem) Amostragem: Em pesquisas científicas, quando se deseja conhecer características de uma população, é comum se observar apenas uma amostra de seus elementos e, a partir dos resultados dessa amostra, obter

Leia mais

Distribuições de Probabilidade

Distribuições de Probabilidade Distribuições de Probabilidade Júlio Osório Distribuições Teóricas de Probabilidades Diz-se que uma variável aleatória contínua X tem uma distribuição normal de parâmetros µ (média) e σ (desviopadrão)

Leia mais

Testes de Significância Estatística para Avaliação de Algoritmos

Testes de Significância Estatística para Avaliação de Algoritmos Testes de Significância Estatística para Avaliação de Algoritmos Prof. Eduardo R. Hruschka Departamento de Ciências de Computação Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de

Leia mais

CE001 - BIOESTATÍSTICA TESTE DO QUI-QUADRADO

CE001 - BIOESTATÍSTICA TESTE DO QUI-QUADRADO CE001 - BIOESTATÍSTICA TESTE DO QUI-QUADRADO Ana Paula Araujo Correa Eder Queiroz Newton Trevisan DEFINIÇÃO É um teste de hipóteses que se destina a encontrar um valor da dispersão para duas variáveis

Leia mais

Métodos Estatísticos Avançados em Epidemiologia

Métodos Estatísticos Avançados em Epidemiologia Métodos Estatísticos Avançados em Epidemiologia Análise de Variância - ANOVA Cap. 12 - Pagano e Gauvreau (2004) - p.254 Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 1 / 39 Introdução Existem

Leia mais

TESTE DE MANN-WHITNEY

TESTE DE MANN-WHITNEY TESTE DE MANN-WHITNEY A importância deste teste é ser a alternativa não paramétrica ao teste t para a diferença de médias. Sejam (X,X,...,X n ) e (Y,Y,...,Y m ) duas amostras independentes, de tamanhos

Leia mais

ICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim. ICMS PE 2014: Resolução da prova de Estatística Prof.

ICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim. ICMS PE 2014: Resolução da prova de Estatística Prof. ICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim 1 de 6 Pessoal, segue a resolução das questões de Estatística da prova realizada pela SEFAZ-PE, para o cargo de Auditor Fiscal do Tesouro

Leia mais

Avaliação de Sistemas de Medição

Avaliação de Sistemas de Medição Monitoramento de um processo: medição de uma característica da qualidade X por meio de um sistema de medição. Sistema de medição ideal: produz somente resultados corretos, ou seja, que coincidem com o

Leia mais

1.1. Definições importantes

1.1. Definições importantes Parte I. Inferência Estatística Trata-se do processo de se obter informações sobre uma população a partir dos resultados observados numa amostra. De um modo geral, tem-se uma população com um grande número

Leia mais

Biometria Teste t para dados emparelhados

Biometria Teste t para dados emparelhados 1 Sumário: Dados emparelhados Biometria Teste t para dados emparelhados (Leitura complementar ao capítulo 5) Duas amostras pertencem à mesma população? Estimação do tamanho amostral Menor diferença detectável

Leia mais

Testes t para médias

Testes t para médias Testes t para médias 1-1 Testes t para médias Os testes t aplicam-se tanto a amostras independentes como a amostras emparelhadas. Servem para testar hipóteses sobre médias de uma variável quantitativa

Leia mais

Módulo IV Medidas de Variabilidade ESTATÍSTICA

Módulo IV Medidas de Variabilidade ESTATÍSTICA Módulo IV Medidas de Variabilidade ESTATÍSTICA Objetivos do Módulo IV Compreender o significado das medidas de variabilidade em um conjunto de dados Encontrar a amplitude total de um conjunto de dados

Leia mais

Inferência Estatística - Teoria da Estimação

Inferência Estatística - Teoria da Estimação Inferência Estatística - Teoria da Estimação Introdução Neste capítulo abordaremos situações em que o interesse está em obter informações da população a partir dos resultados de uma amostra. Como exemplo,

Leia mais

Considerações. Planejamento. Planejamento. 3.3 Análise de Variância ANOVA. 3.3 Análise de Variância ANOVA. Estatística II

Considerações. Planejamento. Planejamento. 3.3 Análise de Variância ANOVA. 3.3 Análise de Variância ANOVA. Estatística II UNIVERSIDADE FEDERAL DE RONDÔNIA CAMPUS DE JI-PARAN PARANÁ DEPARTAMENTO DE ENGENHARIA AMBIENTAL Estatística II Aula 8 Profa. Renata G. Aguiar Considerações Coleta de dados no dia 18.05.2010. Aula extra

Leia mais

Modelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira

Modelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira

Leia mais

Testes de Hipóteses: Duas Amostras

Testes de Hipóteses: Duas Amostras Testes de Hipóteses: Duas Amostras Na aula de hoje veremos como comparar duas populações P 1 e P 2, baseados em dados fornecidos por amostras dessas populações. Grande parte das técnicas usadas em Estatística

Leia mais

Medidas de Dispersão 1

Medidas de Dispersão 1 Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Medidas de Dispersão 1 Introdução Uma breve reflexão sobre as medidas de tendência central permite-nos concluir que elas não

Leia mais

Estatística

Estatística Estatística 1 2016.2 Sumário Capítulo 1 Conceitos Básicos... 3 MEDIDAS DE POSIÇÃO... 3 MEDIDAS DE DISPERSÃO... 5 EXERCÍCIOS CAPÍTULO 1... 8 Capítulo 2 Outliers e Padronização... 12 VALOR PADRONIZADO (Z)...

Leia mais

Inferência Estatística para Duas Amostras

Inferência Estatística para Duas Amostras Roteiro Inferência Estatística para Duas Amostras 1. Introdução 2. Inferência para a Diferença de Médias i. População normal com variâncias conhecidas ii. População normal com variâncias desconhecidas

Leia mais

Cálculo das Probabilidades e Estatística I

Cálculo das Probabilidades e Estatística I Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução O curso foi dividido em três etapas:

Leia mais

rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade 1/59

rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade 1/59 ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 06: Intervalo de Confiança e Teste de Hipótese 1/59 população probabilidade (dedução) inferência estatística

Leia mais

Teste de Hipóteses = 0 = 0

Teste de Hipóteses = 0 = 0 Teste de Hipóteses Nos estudos analíticos, além da descrição estatística, às vezes é necessário tomar uma decisão. O teste de hipóteses é um procedimento estatístico que tem por objetivo ajudar o pesquisador,

Leia mais

Teste de hipótese. Tatiene Souza / UFPB May 9, Souza Teste de hipótese May 9, / 37

Teste de hipótese. Tatiene Souza / UFPB May 9, Souza Teste de hipótese May 9, / 37 Teste de hipótese Tatiene Souza / UFPB tatiene@de.ufpb.br May 9, 2016 Souza Teste de hipótese May 9, 2016 1 / 37 O que vamos aprender? Introdução prática aos testes de hipótese; Como estabelecer as hipótese

Leia mais

MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e

Leia mais

)$&8/'$'('((1*(1+$5,$'(5(&856261$785$,6 7$%(/$6(67$7Ì67,&$6. -~OLR$3GD&XQKD2VyULR )$52

)$&8/'$'('((1*(1+$5,$'(5(&856261$785$,6 7$%(/$6(67$7Ì67,&$6. -~OLR$3GD&XQKD2VyULR )$52 )$&8/'$'('((1*(1+$5,$'(5(&856261$785$,6 7$%(/$6(67$7Ì67,&$6 -~OLR$3GD&XQKD2VyULR )$52 1RWDVH[SOLFDWLYDV TABELAS ESTATÍSTICAS Notas explicativas Fontes x As tabelas das distribuições binomiais, de Poisson,

Leia mais

Teste Mann-Whitney. Contrapartida não-paramétrica para. Teste-t para amostras independentes

Teste Mann-Whitney. Contrapartida não-paramétrica para. Teste-t para amostras independentes Teste Mann-Whitney Contrapartida não-paramétrica para Teste-t para amostras independentes Teste Mann-Whitney pequenas amostras independentes 1. Testes para Duas Populações, X e Y, Independentes. Corresponde

Leia mais

Tópicos em Gestão da Informação II

Tópicos em Gestão da Informação II Tópicos em Gestão da Informação II Aula 05 Variabilidade estatística Prof. Dalton Martins dmartins@gmail.com Gestão da Informação Faculdade de Informação e Comunicação Universidade Federal de Goiás Exercício

Leia mais

Bioexperimentação. Prof. Dr. Iron Macêdo Dantas

Bioexperimentação. Prof. Dr. Iron Macêdo Dantas Governo do Estado do Rio Grande do Norte Secretaria de Estado da Educação e da Cultura - SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO

Leia mais

5 Distribuição normal de probabilidade. Estatística Aplicada Larson Farber

5 Distribuição normal de probabilidade. Estatística Aplicada Larson Farber 5 Distribuição normal de probabilidade Estatística Aplicada Larson Farber Seção 5.1 Introdução às distribuições normais Propriedades de uma distribuição normal Suas média, mediana e moda são iguais. Tem

Leia mais

CAP1: Estatística Descritiva para análise da variabilidade uma amostra de dados quantitativos

CAP1: Estatística Descritiva para análise da variabilidade uma amostra de dados quantitativos CAP1: Estatística Descritiva para análise da variabilidade uma amostra de dados quantitativos O aluno deverá utilizar calculadora científica Resumo Numérico dos dados Suponha que os dados sejam representados

Leia mais