Baixe o app para aproveitar ainda mais
Prévia do material em texto
05/12/12 1 1 TQC – UFF Eng. de Produção Revisão de Estatística – Parte 3 Intervalo de Confiança e Teste de Hipóteses 05/12/12 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca ERRO DA AMOSTRA || amostragem de erro µε ε −= = x O quanto a média amostral se afasta da média da população. Ao se es<mar a média populacional por uma média amostral pode-‐se perguntar: Qual o erro associado a esta es<ma<va? 8.1 ESTIMATIVA POR INTERVALO PARA MÉDIA (σ conhecido) 05/12/12 2 ε = Erro da amostra x 1x 3x 2x µ ε1 = x1-‐µ ε2 = x2-‐µ ε3 = x3-‐µ α/2 α/2 Se n≥30 =>X(x) ~ N(µ, σx) se n/N ≤ 0,05 ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = nx σ σ Zα/2.σx x – µ = 1-α • Declaração de Precisão Há uma probabilidade 1 -‐ α que o valor da média da amostra apresente um erro de zα/2.σx ou menos µ α/2 α/2 1 - α de todos os valores Distribuição das médias amostrais x x [----------------- -----------------] 1x 2x[----------------- -----------------] 3x[----------------- -----------------] 05/12/12 3 EsNmaNva por intervalo com σ conhecido Para n ≥ 30 a distribuição da média amostral independe da distribuição da variável e pode ser considerada normal. Assim: x ± zα 2 σ n é o intervalo de confiança onde: • 1-α é o coeficiente de confiança (= 0,95), • zα/2 é o valor de z que fornece a área α/2. lembrem − se σ x = σ n p/ n/N ≤ 0,05 Seja uma variável “sa<sfação do cliente” e uma amostra de 100 indivíduos. Vamos assumir que o σ da população seja 20 e encontramos uma média de 83 para os 100 indivíduos. 100 83x 20 dodesconheci é = = = n σ µ Há uma probabilidade de 95% de que a amostra apresente um erro de 3,92 ou menos. Como n>30 => Distribuição normal Com média µ e Desvio-‐padrão σ/√n = 20/√100 = 2 Teorema do Limite Central xσ Logo: 95% de todos os x devem estar entre x ± 1,96.2 ou x ± 3,92 83-‐3,92 83+3,92 83 05/12/12 4 Um intervalo de confiança exige: a) Uma estimativa pontual e, b) Um valor ± que é chamado de margem de erro. No intervalo de x ± 3,92 temos a confiança de que teremos 95% das médias. Em esta;s<ca dizemos que o intervalo de confiança está estabelecido a um nível de confiança de 95%. O valor 0,95 é chamado coeficiente de confiança. EXEMPLO • Uma rede de lojas decide por novas unidades em parte pela renda média anual dos indivíduos da região. • Pesquisas similares de renda anual média mostram um σ = R$ 5.000,00. • A rede realizou uma pesquisa com uma amostra aleatória simples de 64 indivíduos. • Qual o erro máximo esperado para esta média em relação à média do universo? 05/12/12 5 DECLARAÇÃO DE PRECISÃO σ x 95% das médias amostrais que podem ser observadas estão contidas em + 1.96 da média populacional µ. σ σx n= = = 5 000 64 625 , σ xSe , então 1.96. = 1.225,00. xσ Há uma probabilidade de 95% que o valor da média amostral terá um erro de z2,5%. ou menos, conforme podemos ver abaixo: NO NOSSO EXEMPLO Vimos que há uma probabilidade de 95% que o valor da média amostral terá um erro máximo de R$1.225,00. σ xIsto é, 95% das médias amostrais estarão dentro de + 1.96 da média populacional µ. Se a média da amostra encontrada for de R$ 21.100,00 podemos afirmar que o nosso intervalo es<mado para µ é R$ 21.100,00 + R$1.225,00 ou R$19.875,00 até R$ 22.325,00 Estamos 95% confiantes que este intervalo contém a média populacional verdadeira 05/12/12 6 Es<ma<va de Intervalo para a Média Populacional: σ conhecido • Com σ Conhecido onde: 1 -‐α é o coeficiente de confiança zα/2 é o valor de z que define uma área de α/2 na cauda superior da Curva Normal Reduzida n é o tamanho da amostra x z n ± α σ /2 EXERCÍCIO 5 p.277 05/12/12 7 EXERCÍCIOS p. 277 2 P.277 6 7 8.2 EsNmaNva por intervalo da Média Populacional: σ desconhecido 05/12/12 8 8.2 Es<ma<va por intervalo da Média Populacional: σ desconhecido População tem Distribuição Normal e σ é desconhecido. A es<ma<va de intervalo adequada é baseada na distribuição de probabilidade chamada t de student. DISTRIBUIÇÃO t • A distribuição t é uma família de distribuição de probabilidades • A distribuição t depende de um parâmetro conhecido como graus de liberdade. • Quando o número de graus de liberdade aumenta, diminui a diferença entre a distribuição t e a distribuição normal padrão. • A distribuição t com mais graus de liberdade tem uma dispersão menor. • A média da distribuição t é zero. 05/12/12 9 t Student e graus de liberdade EsNmaNva por intervalo para a Média da População: σ desconhecido • EsNmaNva do intervalo onde 1 -‐α = é o coeficientede confiança tα/2 = o valor t denota a área de α/2 na cauda superior da distribuição t com n -‐ 1 graus de liberdade s = é o desvio-‐padrão da amostra x t s n ± α/2 05/12/12 10 EsNmaNva por intervalo para a Média da População: σ desconhecido • EsNmaNva do intervalo • Se a Distribuição de “x” não é normal o intervalo é aproximado e a qualidade da aproximação depende tanto da distribuição quanto do tamanho da amostra “n”. • Geralmente se n ≥ 30 a aproximação é boa, mas se a assimetria é muito grande sugere-‐se n ≥ 50 x t s n ± α/2 Exemplo: Aluguel de Apartamento • Es<ma<va por intervalo da média da população: Caso com σ desconhecido. Um estudante fez uma pesquisa sobre moradia. Uma amostra de 10 aptos de 1 quarto em até 1 km do Campus apresentou uma média de R$ 350,00/mês e um desvio-‐padrão da amostra de R$ 30,00. Assumindo que a distribuição é normalmente distribuída, qual o intervalo de confiança de 95% para a média da população de aluguéis de aptos de 1 quarto a até 1km do Campus? 05/12/12 11 • Valor de t A 95% de confiança, 1 -‐ α = 0,95 ⇒ α = 0,05 e α/2 = 0,025. t.025 é baseado em n -‐ 1 = 10 -‐ 1 = 9 graus de liberdade. Na tabela da distribuição t podemos ver que t.025 = 2,262. Graus de Área na cauda superior (α/2) Liberdade 0,1 0,05 0,025 0,01 0,005 . . . . . . 7 1,415 1,895 2,365 2,998 3,499 8 1,397 1,860 2,306 2,896 3,355 9 1,383 1,833 2,262 2,821 3,250 10 1,372 1,812 2,228 2,764 3,169 . . . . . . • Es<ma<va por intervalo da média da população: Caso com σ desconhecido. n stx 025.± 10 30262.2350±= 350 + 21,46 ou R$ 328,54 a R$ 371,46 Estamos 95% confiantes que a média de aluguéis mensais para a população de aptos de 1 quarto distantes até 1 km do Campus está entre R$ 328,54 e R$ 371,46. 05/12/12 12 EXERCÍCIOS P.286 • 21 Média = 108 Desvio padrão = 9,67 8.3 Determinando o Tamanho da Amostra • Seja E = o erro amostral máximo definido na declaração de precisão. • E é a quan<dade a ser adicionada ou subtraída da es<ma<va por ponto para definir o intervalo de confiança • E é também conhecido como a margem de erro. • Então: • Resolvendo para n: E z n = α σ /2 n z E = ( )/α σ2 2 2 2 05/12/12 13 EXEMPLO Uma população tem estatura média de 1,72m e desvio-‐padrão de 0,10m, qual o número de indivíduos em uma amostra aleatória simples para prover um intervalo de confiança com um nível de confiança de 95% e um erro máximo de 0,05m? 2 22 2/ )( E zn σα= == 2 22 )05,0( )10,0.()96,1( 15,37 =16 indivíduos E se a margem de erro fosse definida em 0,5cm (0,005m)? n = 1.537 indivíduos EXERCÍCIOS P.289 26 • 30 (considerar “geralmente , em 95% dos casos”) 05/12/12 14 8.4 Es<ma<va por Intervalo de uma Proporção da População • Estimativa do intervalo onde: 1 -α é o coeficiente de confiança zα/2 é o valor de z que define uma área de α/2 na cauda superior da curva normal padrão é a proporção da amostra n é o tamanho da amostra p z p p n ± - α / ( ) 2 1 p Aproximação Normal da Distribuição Amostral de quando np ≥ 5 e n(1-‐p) ≥ 5 Distribuição Amostral de p n p p p ) 1 .( - = σ p pz σα 2/ p α/2 α/2 1 - α pz σα 2/ p 05/12/12 15 Uma empresa de pesquisa eleitoral quer uma confiança de 99% de que a proporção amostral esteja em um intervalo de no máximo ± 0,03 da proporção populacional real. Em um estudo piloto foi es<mada uma proporção de 0,44. Qual o tamanho da amostra necessário para atender à precisão desejada? Exemplo: Pesquisa pré-‐eleitoral A 99% de confiança, z.005 = 2.576. Note: usamos 0,44 como a melhor es<ma<va de p no cálculo. Se nenhuma informação sobre p é disponível usamos 0,5 pois esta es<ma<va implica no maior tamanho da amostra. Se <véssemos usado 0,5 teríamos encontrado n = 1843. n z p p E = − = ≅ ( ) ( ) ( . ) (. )(. ) (. ) /α 2 2 2 2 2 1 2 576 44 56 03 1817 05/12/12 16 Gráfico de p.(1-p) 0 0,05 0,1 0,15 0,2 0,25 0,3 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 p p. (1 -p ) EXERCÍCIO Uma amostra de 532 assinantes da revista Business Week revelou que o tempo médio que o assinante gasta usando a internet é de 6,7 horas semanais. Se o desvio-‐padrão da amostra é de 5,8h, qual o intervalo de confiança para a verdadeira média de tempo gasto na internetpelos assinantes, para: a) 90%; b) 95%; c) 99% d) Considerando uma confiança de 95% e um erro máximo para a média verdadeira de 0,5h qual deveria ser o tamanho da minha amostra? 517 05/12/12 17 EXERCÍCIO Uma amostra de 100 equipes terceirizadas revelou que 80 delas haviam recebido o treinamento adequado em Segurança, Meio Ambiente e Saúde. Qual o intervalo que deverá conter a proporção verdadeira com 95% de confiança? Se usarmos 80% como uma es<ma<va razoável para a proporção, qual o tamanho da amostra para conseguirmos 99% de confiança de que cometeremos um erro de no máximo 1% em relação à proporção verdadeira? 34 9.1 Desenvolvendo as Hipóteses Nula e Alterna<va • Teste de Hipóteses pode ser usado para determinar se uma afirmação sobre um valor de um parâmetro da população deve ou não ser rejeitada. • A Hipótese Nula, denotada por H0 , é uma afirmação sobre um parâmetro da população • A Hipótese Alterna<va, denotada por Ha, é o oposto do que foi definido na Hipótese Nula. • Teste de Hipóteses é semelhante a um processo criminal. As hipóteses são: H0: O réu é inocente Ha: O réu é culpado 05/12/12 18 35 • Testando as Hipóteses da Pesquisa – A hipótese de pesquisa deve ser expressa como hipótese alterna<va. – A conclusão de que a hipótese de pesquisa é verdadeira ocorre caso você possa rejeitar a hipótese nula. • Testando a validade da afirmação – A afirmação do produtor geralmente tem o bene}cio da dúvida e a par<r dela é que se estabelece a hipótese nula. – A conclusão de que a afirmação é falsa é baseada em uma amostra que contradiz a hipótese nula. 9.1 Desenvolvendo as Hipóteses Nula e AlternaNva 36 Ø A tomada de decisão • Um tomador de decisão pode ter que escolher entre dois cursos de ação, um associado à hipótese nula e outro associado à hipótese alternativa Ø Exemplos: • Aceitar ou devolver um carregamento de produtos de um fornecedor. • Realizar ou não um investimento. 9.1 Desenvolvendo as Hipóteses Nula e AlternaNva 05/12/12 19 37 Resumo: desenvolvimento das Hipóteses Nula e AlternaNva H0: µ > µ0 H0: µ < µ0 H0: µ = µ0 Ha: µ < µ0 Ha: µ > µ0 Ha: µ ≠ µ0 • A parte de igualdade aparece sempre na hipótese nula. • Em geral, uma hipótese que faz um teste sobre o valor de uma média populacional µ deve ter uma das três formas a seguir (onde µ0 é o valor da média considerado na hipótese nula). 38 Exemplo de desenvolvimento de Hipóteses Nula e Alterna<va Um gerente quer expedir seus produtos a par<r do recebimento de um pedido em no máximo 36 horas. Ele quer saber se seu processo está atendendo a este requisito ou não, isto é, se ele consegue cumprir seus compromissos com seus clientes. Ele quer realizar uma amostragem para testar se pode confiar que sua média de atendimento é de 36 horas ou menos. Como definir as hipóteses do teste? 05/12/12 20 39 Exemplo de desenvolvimento de Hipóteses Nula e Alterna<va • Hipóteses Nula e Alterna<va Hipóteses Conclusão e Ação H0: µ < 36 Seu processo atende aos requisitos especificados, logo não é necessária nenhuma ação. Ha: µ > 36 Seu processo não atende aos requisitos especificados, logo é necessária uma ação Onde: µ = tempo médio de atendimento para a população de pedidos colocados por clientes. 40 EXERCÍCIO: Um certo resíduo industrial tem um teor médio aceitável de contaminação de 10 ppm de um contaminante. O processo deve respeitar tal determinação para evitar multas do órgão ambiental. Historicamente, as amostras re<radas indicam que o desvio-‐padrão é de 0,5 ppm. Foi encontrada uma amostra com 11,1ppm. Como montar um teste de hipótese para saber se há desvio na média? • Hipóteses H0: µ < 10ppm Ha: µ > 10ppm 05/12/12 21 41 42 EXERCÍCIO • 2, pag. 312 05/12/12 22 43 9.2 ERROS DO TIPO I E TIPO II • O teste é feito sobre dados de uma amostra, logo, existe probabilidade de erro. • Um Erro do <po I é rejeitar H0 quando ela é verdadeira. • Um Erro do <po II é não rejeitar H0 quando ela é falsa. • A pessoa que conduz o teste especifica o máximo de probabilidade que ela quer correr de cometer o erro <po I, denotado por α e chamado nível de significância do teste. • Geralmente não controlamos a probabilidade de ocorrência do erro do <po II, também chamado de β. • Os esta;s<cosevitam o erro β usando a terminologia de “não rejeitar” e não usando o termo “aceitar” H0. 44 No nosso exemplo: • Erros do Kpo I e Kpo II Condições da População H0 Verdadeiro Ho Falso Conclusão (µ <36 ) (µ >36 ) Não Rejeito H0 (Concluo que µ <36) Rejeito H0 (Concluo que µ >36) Conclusão Correta Conclusão Correta Erro do Tipo I (α) Erro do Tipo II (β) NÍVEL DE SIGNIFICÂNCIA 05/12/12 23 45 ≤ 36 > 36 Regra de Rejeição Rejeito Ho Não Rejeito Ho Distância entre µo e Xbarra da Regra de Rejeição: z= x−µ0 σ / n ou x−µ0=z.σ / n x 46 EXERCÍCIO: Um novo método de produção será implantado se um teste evidenciar que haverá redução de custos médios operacionais por hora. • Hipóteses H0: µ > 220,00 Ha: µ < 220,00 a) Estabeleça o TH onde o custo atual é de R$ 220,00/h. b) Qual o Erro do tipo I (alfa) e quais as conseqüências em se cometer tal erro? c) Qual o Erro do Tipo II (beta) e quais as conseqüência em se cometer tal erro? 05/12/12 24 47 EXERCÍCIO: O rótulo em um recipiente de três quartos de litro de suco de laranja indica que o suco de laranja contém uma média de um grama de gordura ou menos. a) Hipóteses H0: µ ≤ 1,00 g Ha: µ > 1,00 g a) Estabeleça o TH com hipóteses nula e alternativa. b) Qual o Erro do tipo I (alfa) e quais as conseqüências em se cometer tal erro? c) Qual o Erro do Tipo II (beta) e quais as conseqüência em se cometer tal erro? b) Assumo que tem mais gordura do que realmente tem. c) Assumo que tem menos gordura quando na realidade tem mais de 1 grama. 48 EXERCÍCIO • 7, pag. 314 05/12/12 25 49 9.3 Testes unicaudais para a média da população: σ Conhecido • Hipóteses H0: µ < µ0 ou H0: µ > µ0 Ha: µ > µ0 Ha: µ < µ0 • EstansNca de teste σ Conhecido • Regra de Rejeição Rejeito H0 se z > zα Rejeito H0 se z < -‐zα z x n= −µ σ 0 / 50 No nosso exemplo: • Teste unicaudal para a média da população Seja α = P (Erro <po I) = 0,05 Rejeito H0 Distribuição amostral de (assumindo H0 verdadeiro e µ = 36) x 36 x 1,645σ x α = 0,05 c (Valor Crítico) Não rejeito H0 05/12/12 26 51 No nosso exemplo: • Teste unicaudal para a média da população (σ Conhecido): Seja n = 40, = 38 horas, σ = 4 horas Como 3,1623 > 1,645, rejeitamos H0. Conclusão: Estamos 95% confiantes que a média não está atendendo à minha expecta<va de 36 horas de resposta aos pedidos, logo devo tomar medidas para solucionar o problema. 3,16 40/4 3638 / = − = − = n xz σ µ x 52 Uso do valor de p • O valor p é a probabilidade de se obter um resultado amostral pelo menos tão improvável quanto o observado (nível de significância observado). • O valor p pode ser usado para tomar decisões no teste de hipóteses da seguinte forma: – Se p é menor que o nível de significância do teste α, então está na região de rejeição. – Se p é maior que o nível de significância do teste α, então não está na região de rejeição. • Rejeito H0 se o valor p < α. 05/12/12 27 p= .0008 0 1.645 Não rejeito H0 Rejeito H0 z 3,16 53 • Usando o valor p para testar a hipótese: Lembre que z = 3,16 para = 38 dias. Então p = 0,0008. Como p < α, (p= 0,0008 < 0,05) rejeitamos H0. No nosso exemplo: x 54 Passos para o Teste de Hipóteses • Determine as hipóteses apropriadas. • Selecione a esta;s<ca de teste para decidir como vai rejeitar ou não a hipótese nula. • Especifique o nível de significância α para o teste. • Use α para desenvolver a regra de rejeição de H0. • Levante os dados da amostra e calcule a esta;s<ca do teste. • (a) Compare a esta;s<ca do teste com o valor crí<co (s) da regra de rejeição, ou (b) Calcule o valor p baseado na esta;s<ca do teste e compare com α para determinar se rejeita ou não H0. 05/12/12 28 55 RESUMO: USO DE ESTATÍSTICAS PARA O TH 1. Z – Comparo o Z calculado com o Z crí<co de α (nível de significância do teste) que é atribuído a priori. 2. p – Comparo a probabilidade p com o próprio α. 3. Valor Crí<co da Variável – Calculo X crí<co a par<r dos valores da média (H0) do desvio-‐padrão e do Z do nível de significância e comparo com a média encontrada. 56 EXERCÍCIOS • 15, pag. 327 • 19, pag 328 05/12/12 29 57 Exemplo: Pastas de dente Glow Testes Bicaudais para a média da população: σ Conhecido 58 Exemplo: Pastas de dente Glow Testes bicaudais para a média da populaçãoσ Conhecido A linha de produção da Glow é projetada para encher os tubos de pasta com uma média de 170g. Dados históricos mostram que o desvio-‐padrão do peso é de 5,7g. Periodicamente uma amostra de 30 tubos é selecionada para avaliar o processo de enchimento. Os procedimentos de garan<a da qualidade permitem a con<nuidade do processo se houver consistência com a premissa de que o peso médio é de 170g. Caso contrário o processo deve parar para ser ajustado. 05/12/12 30 59 Exemplo: Pastas de dente Glow Testes bicaudais para a média da população Um teste de hipóteses sobre a média da população pode ser usado para ajudar a determinar se o processo de enchimento deve con<nuar ou não. – Hipóteses H0: µ = 170 Ha: µ ≠ 170 – Regra de rejeição Com um nível de significância de 0,05, Rejeito H0 se z < -‐1.96 ou se z > 1.96 Note: Z de α/2 60 Exemplo: Pastas de dente Glow Testes bicaudais para a média da população α /2= 0,025 Distribuição amostral de (assumindo que H0 é verdadeiro e µ = 170) x 0 1,96 Rejeito H0 Não Rejeito H0 z Rejeito H0 -1,96 α /2= 0,025 05/12/12 31 61 Exemplo: Pastas de dente Glow Testes bicaudais para a média da população Seja uma amostra de 30 tubos de pasta de dentes que tenha uma média amostral de 172,9 g. n = 30, = 172,9 g, σ = 5,7 g Como 2.79 > 1.96, rejeito H0. Conclusão: Estamos 95% confiantes que a média de peso de enchimento dos tubos não é de 170 g. Portanto, devo parar o processo para ajustes. 79.2 30/7,5 1709,172 / 0 = − = − = n xz σ µ x 62 Exemplo: Pastas de dente Glow Uso do valor de p para o teste de hipóteses bicaudal No teste bicaudal o p deve ser definido considerando área das duas caudas da curva normal. Com z = 2,79, a tabela da distribuição normal padrão nos apresenta uma probabilidade de 0,5000 – 0,4974 = 0,0026 de probabilidade de encontrar uma diferença maior do que 2,9g (172,9-170) na parte superior da cauda. Considerando a mesma probabilidade na parte inferior da cauda temos um valor de p = 2(0,0026) = 0,0052. O valor de p = 0,0052 é menor que α = 0,05, então H0 é rejeitada. 05/12/12 32 63 Uso do intervalo de confiança para um Teste Bicaudal sobre a Média Populacional • Selecione uma amostra aleatória simples de uma população e use o valor da média amostral para desenvolver o intervalo de confiança para µ. • Se o intervalo de confiança contém a média µ0 da hipótese nula, não se rejeita H0. Caso contrário, rejeita H0. 64 Exemplo: Pastas de dente Glow Intervalo de Confiança para um Teste Bicaudal sobre a Média Populacional O Intervalo de Confiança de 95% para µ é ou 170,86 a 174,94 Como o valor da média populacional, µ0 = 170, não está no intervalo encontrado, a conclusão é que a hipótese nula testada H0: µ = 170 pode ser rejeitada. 04,29,172)307,5(96.19,1722/ ±=±=± n zx σα 05/12/12 33 65 EXERCÍCIOS • 32, pag. 334 66 9.4 Testes sobre a média da população σ Desconhecido • EstansNca do Teste σ Desconhecido Esta esta;s<ca de teste tem a distribuição t com n -‐ 1 graus de liberdade. • Regra de Rejeição Unicaudal Bicaudal H0: µ ≤ µ0 Rejeito H0 se t > tα H0: µ ≥ µ0 Rejeito H0 se t < -‐tα H0: µ = µ0 Rejeito H0 se |t| > tα/2 t x s n = −µ0 / 05/12/12 34 67 Valores de p e a Distribuição t • As tabelas da distribuição t encontradas nos livros geralmente não são detalhadas o suficiente para determinar o exato valor de p para um teste de hipóteses • Entretanto, nos podemos, ainda assim, usar a distribuição t para iden<ficar o intervalo para o valor de p. • Uma vantagem dos pacotes computacionais de esta;s<cas é que calculam o valor de p para a distribuição t. 68 EXERCÍCIO: Em fevereiro de 95, o custo médio para um vôo doméstico, ida e volta, com desconto foi de US$ 258. Uma amostra aleatória dos preços de 15 passagens de ida e volta com desconto durante o mês de março forneceu os seguintes dados: (310, 260, 265, 255, 300, 310, 230, 250, 265, 280, 290, 240, 285, 250 e 260) a) Calcule média para os dados. b) Calcule o DP para os dados. c) Para α=5% veja se o preço aumentou em março. d) Qual é o valor de p? 05/12/12 35 69 33. a. = 270 b. c. H0: µ ≤ 258 Ha: µ > 258 Rejeito H0 se t(14gl,α=0,05) > 1,761 logo, rejeito H0; concluo que a média da tarifaaumentou em março. d. Pela tabela posso ver que p é menor que 0,05, porém maior que 0,025. s x x n i= ∑ − − = ( ) . 2 1 24 78 x x ni= ∑ / t x s n = − = − = µ0 270 258 24 78 15 188 / . / . 70 EXERCÍCIOS • 32 05/12/12 36 71 9.5 TESTE SOBRE A PROPORÇÃO DA POPULAÇÃO • A parte da igualdade sempre aparece na hipótese nula. • Geralmente um teste de hipóteses para a proporção da população toma uma das seguintes formas (p0 é o valor proposto como hipótese para a proporção da população) H0: p > p0 H0: p < p0 H0: p = p0 Ha: p < p0 Ha: p > p0 Ha: p ≠ p0 72 Testes sobre a Proporção da População : Amostra Grande (np > 5 e n(1 -‐ p) > 5) • Esta;s<ca de teste onde: • Regra de Rejeição Unicaudal H0: p ≤ p0 Rejeito H0 se z > zα H0: p ≥ p0 Rejeito H0 se z < -‐zα H0: p = p0 Rejeito H0 se |z| > zα/2 z p p p = − 0 σ σ p p p n = −0 01( ) Bicaudal 05/12/12 37 73 EXERCÍCIO: Em um estudo sobre contaminação de peixes em lagos e rios a Agência de Proteção Ambiental concluiu que 91% dos locais em que se realizaram testes da qualidade da água mostraram a presença de PCB, um agente cancerígeno (América by Numbers, 1993). Suponha que um estudo de acompanhamento de 200 rios e lagos em 1998 mostrou a presença de PCB em 160 casos. Há evidência estatística da diminuição da contaminação a um nível significância de 5%? 74 H0: p ≥ 0,91 Ha: p < 0,91 Rejeito H0 se z < -‐1.645. = 0,80 p z = − = −. . (. )(. ) .80 91 91 09 200 544 05/12/12 38 75 EXERCÍCIOS • 38, pag. 338
Compartilhar