Академический Документы
Профессиональный Документы
Культура Документы
DE QUALIDADE
Testes de hipteses
e ANOVA
SUMRIO
CONCEITOS BSICOS;
TESTES DE HIPTESES PARA MDIA;
1-sample z;
1-sample t;
2-sample z;
2-sample t;
t pareado;
ANOVA one way;
Rudo
Robson Bruno Dutra Pereira
CONCEITOS BSICOS
Inferncia estatstica (MONTGOMERY, 2004): ramo da estatstica que
visa a obteno de resultados ou tomada de deciso com base em uma
amostra selecionada desta populao.
Amostra aleatria: x1, x2, ..., xn na amostra aleatria de tamanho n
cada observao xi independente e identicamente distribuda.
POPULAO
AMOSTRA
CONCEITOS BSICOS
Distribution Plot
Histogram of C1
350
0,09
300
0,08
0,07
250
Frequency
Density
0,06
0,05
0,04
0,03
200
150
100
0,02
50
0,01
0,00
85
90
95
100
105
110
115
80
88
104
96
112
C1
POPULAO
, mdia populacional
, desvio-padro populacional
AMOSTRA
x, mdia populacional
s, desvio-padro populacional
CONCEITOS BSICOS
A rugosidade superficial uma caracterstica de qualidade importante de um
produto metlico. Em furos usinados importante saber se a rugosidade difere no
incio e fim do furo. Foram realizados 28 ensaios e a rugosidade foi medida no
incio e no fim do furo de cada corpo de prova.
Corpo de prova
Rugosidade
Experimento
CONCEITOS BSICOS
Resultados das medies de rugosidade mdia Rz em
(m).
Boxplot of Rz_I; Rz_F
7
Data
2
Rz_I
Rz_F
Ensaio
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
Rz_I (m)
2,743
3,010
2,216
2,531
2,757
2,752
2,136
2,557
3,085
3,068
2,546
3,202
5,109
4,830
3,225
5,849
2,682
2,572
3,203
3,092
2,207
3,357
4,353
3,862
3,547
3,760
3,685
3,465
Rz_F (m)
2,825
3,008
2,910
3,825
2,671
3,036
2,516
3,492
2,850
2,930
3,003
3,847
5,515
4,699
5,309
6,503
3,325
3,354
3,867
4,055
2,298
3,290
4,876
2,824
3,297
3,844
3,347
3,449
CONCEITOS BSICOS
Avaliando apenas a mdia das rugosidades no incio e fim do
furo seria possvel afirmar categoricamente se h diferena
na qualidade superficial no incio e fim do furo?
NO
Uma tcnica estatstica de inferncia chamada de teste de
hipteses pode ser usada para comparar a rugosidade no
incio e fim do furo.
Como neste exemplo para cada corrida mediu-se a rugosidade
no incio e fim de cada corpo de prova, o teste t
emparelhado o mais adequado (chegaremos l)!
Robson Bruno Dutra Pereira
CONCEITOS BSICOS
Cada observao nos experimentos de medio de rugosidade na
parede dos furos chamada de corrida, ensaio ou experimento;
H uma flutuao ou rudo nos resultados. Este rudo comumente
chamado de erro experimental;
A presena do erro experimental implica que a rugosidade uma
varivel aleatria;
Uma varivel aleatria pode ser discreta (assume valores finitos ou
infinitos contveis, ou seja, valores pertencentes ao conjunto dos
nmeros inteiros positivos) ou contnua (assume valores dentro de um
intervalo, ou seja no conjunto dos nmeros reais);
CONCEITOS BSICOS
Distribuio de probabilidade: A estrutura de probabilidade de uma
varivel aleatria descrita por sua distribuio de probabilidade;
Distribuio contnua
Distribution Plot
Distribution Plot
0,4
0,4
0,3
0,3
Density
Probability
Distribuio discreta
0,2
0,1
0,0
P(a y b)
0,2
0,1
10
12
0,0
-3
-2
-1
CONCEITOS BSICOS
Propriedades das distribuies:
DISTRIBUIES DISCRETAS
0 p y j 1,
p y y j p y j ,
py 1
j
y j
y j
DISTRIBUIES CONTNUAS
0 f y
b
p a y b f y dy
a
f y dy 1
CONCEITOS BSICOS
Mdia, esperana e varincia;
yf y dy,
E y
y j p y j ,
distribuio contnua
distribuio discreta
f y dy,
distribuio contnua
2
2
y p y , distribuio discreta
Var y 2 E y
Robson Bruno Dutra Pereira
CONCEITOS BSICOS
Propriedades dos operadores de mdia e varincia. Seja y uma va com
mdia e varincia 2,
E c c
E y
E cy cE y c
Var c 0
Var y
Var cy c 2Var y c 2 2
Robson Bruno Dutra Pereira
CONCEITOS BSICOS
Se h duas vas com E(y1) = 1 e Var(y1) = 12 e E(y2) = 2 e Var(y2) = 22,
E y1 y2 E y1 E y2 1 2
possvel mostrar que:
Cov y1 , y2 E y1 1 y2 2
Robson Bruno Dutra Pereira
CONCEITOS BSICOS
Analogamente:
CONCEITOS BSICOS
Por fim, se y1 e y2 so independentes,
y1 E y1
E
y2 E y2
Robson Bruno Dutra Pereira
CONCEITOS BSICOS
Distribuio normal
Funo densidade de probabilidade:
f ( x)
1
e
2
x 2
2 2
, x
Parmetros: N(,2)
varincia
mdia
CONCEITOS BSICOS
Normal padro: va com = 0 e 2 = 1, ou seja Z~N(,2).
Procedimento para padronizar a normal: Z
Supondo X~N(,2),
X x
P ( X x ) P
P Z z
CONCEITOS BSICOS
Exemplo: A resistncia compresso de amostras de cimento pode ser
modelada por uma distribuio normal, com uma mdia de 6000 Kg/cm2
e um desvio-padro de 100 Kg/cm2.
a) Qual a probabilidade da resistncia da amostra ser menor do que
6250 Kg/cm2?
b) Qual a probabilidade da resistncia da amostra estar entre 5800 e
5900 Kg/cm2?
c) Que resistncia excedida por 95% das amostras?
CONCEITOS BSICOS
a) P (X < 6250) = 0 ,9938;
Distribution Plot
Normal; Mean=6000; StDev=100
0,004
0,9938
Density
0,003
0,002
0,001
0,000
6000
6250
CONCEITOS BSICOS
Distribution Plot
Distribution Plot
0,004
0,004
0,003
0,003
Density
Density
b) P (5800 < X < 5900) = P (X < 5900) P (X < 5800) = 0,158655 0,0227501 = 0,1359049
0,002
0,002
0,001
0,001
0,1587
0,02275
0,000
5900
6000
0,000
5800
6000
CONCEITOS BSICOS
c) P (X > x) = 0,95 -> P[Z> (x- 6000)/100] = 0,95 -> (x 6000)/100 = -1,65
->x = 5835
Distribution Plot
Distribution Plot
0,004
0,95
0,002
0,001
0,000
0,95
0,3
Density
Density
0,003
0,2
0,1
5836
6000
0,0
-1,645
CONCEITOS BSICOS
Estatstica: funo dos dados amostrais.
1
x xi
n i 1
Mdia amostral
S
2
xi x
i 1
n 1
Varincia amostral
x x
i 1
n 1
Desvio-padro amostral
CONCEITOS BSICOS
Distribuio amostral: a distribuio de probabilidade de uma
estatstica.
Seja x ~ N ( , 2 ) (x uma varivel aleatria com mdia e varincia 2);
Amostra (x1, x2, ..., xn )
Pelo teorema central
do limite a distribuio
da mdia amostral
normal com mdia e
varincia 2/n.
2
x ~ N ,
n
CONCEITOS BSICOS
Se a distribuio da populao de origem no for normal, pelo TCL, a
distribuio da mdia amostral ser normal (n > 30)!
0,20
x~ N ,
n
Density
0,15
0,10
0,05
0,00
10
12
14
16
x SE ( x )
Desvio-padro
da mdia
CONCEITOS BSICOS
Distribuio qui-quadrado (2): Se x1, x2, ..., xn so vas independentes e
N(0,1), ento a va
y z12 z 22 ... z n2
CONCEITOS BSICOS
Distribuio t: Seja x uma va N(0,1) e y uma va 2 com k graus de
liberdade e x e y so independentes,
x
y
k
t ~ N(0,1)
Robson Bruno Dutra Pereira
CONCEITOS BSICOS
Distribuio F: Seja w e y duas vas independentes com distribuio quiquadrado com u e v graus de liberdade, logo
w/u
distribuda como F com u graus de
F
liberdade no numerador e v no denominador.
y/v
H 0 : 0
H 0 : 1,500
Hiptese nula
H1 : 0
H1 : 1,500
Hiptese alternativa
Como determinar 0:
Evidncia/conhecimento do processo;
Teoria/modelo do processo;
Especificaes de contratos/projetos.
0,4
H 0 : 0
H1 : 0
x 0
t0
s/ n
Density
0,3
t0 tc ?
0,2
0,1
0,025
0,0
0,025
-2,093
2,093
Density
0,3
0,2
0,1
Nvel de confiana: =1 .
Regio de
rejeio de H0
=1 -
Regio de
aceitao
0,0
tc
=1 -
1-
Poder = 1 =
= P {rejeitar H0| H0 falsa}
z +
0
H1 : 0
Supondo que H0 seja falsa, e que
0 ,
x 0 x 0
Z0
/ n
/ n
/ n
x 0 n
Z0
/ n
0
P z 2 z0 z 2
n
P z 2
z 2
P z 2
0 z 2
Sabe-se que:
-z/2
P Z z
n
z 2
z 2
z/2
n
z 2
z 2
z 2
0,
n
z z 2
z
n
-z/2 z/2
z z 2
z
n
z
2
2
51 50
0,05
0,10
z
n
1,96 1,28 2 2
n
2
12
poder 1 0,90
n 43
Robson Bruno Dutra Pereira
REALIDADE
H0 verdadeira
DECISO
Erro tipo I
H0 falsa
Erro tipo II
Deciso correta
1-
Teste 1-sample z
Teste para mdia de uma amostra, varincia conhecida;
Hipteses:
H 0 : 0
H1 : 0
Estatstica do teste:
x 0
Z0
/ n
Teste 1-sample z
Bilateral
Unilateral esquerda
H 0 : 0
H 0 : 0
H 0 : 0
H1 : 0
H1 : 0
0,4
0,4
0,3
0,3
0,3
0,2
0,1
/2
/2
0,0
- z/2
0,2
Density
0,4
Density
Density
H1 : 0
Unilateral direita
0,1
0,1
0,0
z/2
0,2
- z
Z0 < - Z
Robson Bruno Dutra Pereira
0,0
Teste 1-sample z
Exemplo: Um produtor fabrica eixos para um motor de automvel. O
desgaste (0,0001 polegada) dos eixos depois de 100000 milhas de
interesse, visto que provvel ter um impacto nas reivindicaes de
garantia. Uma amostra aleatria de n = 15 eixos testada e x = 2,78.
Sabe-se que = 0,9 e que o desgaste normalmente distribudo.
a) Teste H0: = 3 versus H1: 3 usando = 0,05;
b) Qual a potncia deste teste se = 3,25?
c) Que tamanho da amostra seria requerido para detectar uma mdia
verdadeira de 3,75, se quisssemos que a potncia fosse no mnimo
0,9?
Exerccio 9.37 Montgomery EPE
Teste 1-sample z
a) Z/2 = 1,96
x 0
2,78 3
Z0
0,95
/ n 0,9 / 15
Distribution Plot
Normal; Mean=0; StDev=1
0,4
0,3
Density
0,2
0,1
0,1711
Analisando o p-value:
Como p-value = 2 x 0,1711 = 0,34 > 0,05, no
rejeita-se H0.
0,0
-0,95
0,95
Distribution Plot
Normal; Mean=0; StDev=1
0,4
Density
0,3
Z0 est na
0,2
regio de
aceitao!
0,1
0,025
0,0
0,1711
-1,960
0,025
1,960
Teste 1-sample z
= 3,25 3 = 0,25
1 = 0,19
Teste 1-sample z
= 3,75 3 = 0,75; Poder = 0,9;
n = 16!!
Teste 1-sample t
Teste para mdia de uma amostra, varincia desconhecida;
Hipteses:
H 0 : 0
H1 : 0
Estatstica do teste:
x 0
t0
s/ n
Teste 1-sample t
Exemplo: A precipitao pluviomtrica, em acre-p (unidade de volume),
proveniente de 20 nuvens que foram selecionadas aleatoriamente e
semeadas com nitrato de prata, segue: 18,0; 30,7; 19,8; 27,1; 22,3; 18,8;
31,8; 23,4; 21,2; 27,9; 31,9; 27,1; 25,0; 24,7; 26,9; 21,8; 29,2; 34,8; 26,7 e
31,6.
a) Voc pode sustentar a afirmao de que a precipitao mdia das nuvens
semeadas excede 25 acres-p? Use = 0,01. Encontre o p-valor;
b) Verifique se a precipitao normalmente distribuda;
c) Calcule o poder do teste se a precipitao mdia verdadeira for 27 acresps;
d) Que tamanho de amostra seria necessrio para detectar uma precipitao
mdia verdadeira de 27,5 acres-ps, se quisssemos que o poder do teste
fosse no mnimo de 0,9?
Exerccio 9. 52 Montgomery EPE
Teste 1-sample t
T; df=19
0,4
0,3
Density
Distribution Plot
x 0 26,035 25
t0
0,97
s / n 4,785 20
0,2
0,1
0,1721
0,0
0,97
Distribution Plot
T; df=19
0,4
t0,01;19 = 2,539
Density
0,3
0,2
0,1
0,0
0,01
0
2,539
Teste 1-sample t
b) Normalidade
0,21
0,827
Mean
StDev
Variance
Skewness
Kurtosis
N
26,035
4,785
22,894
-0,010994
-0,882869
20
Minimum
1st Quartile
Median
3rd Quartile
Maximum
18,000
21,925
26,800
30,325
34,800
24
28
23,796
32
28,274
28,894
6,988
Median
23
24
25
26
27
28
29
Teste 1-sample t
c)
27 25 20
n
0,66977 0,7485
2,539
t n 1;
s
4
,
785
1 0,2515
Teste 1-sample t
d)
t
n
t n 1; s 2
2
n 1;
2,52
n 54,78
Distribution Plot
T; df=19
0,4
Density
0,3
0,2
0,1
0,1
0,0
t =
1,328
Teste 2-sample z
Teste para mdia de duas amostras, varincias conhecidas;
Bilateral
H 0 : 1 2
Unilateral esquerda
H 0 : 1 2
H1 : 1 2
Estatstica do teste:
H1 : 1 2
Z0
X 1 X 2 1 2
2
1
n1
2
2
n2
Unilateral direita
H 0 : 1 2
H1 : 1 2
Teste 2-sample z
Exemplo: Duas mquinas so usadas para encher garrafas de plstico
que tm um volume lquido de 16 onas. O volume de enchimento pode
ser suposto normal, com desvio-padro 1 = 0,020 e 2 = 0,025 ona.
Um membro do grupo de engenheiros da qualidade suspeita que ambas
as mquinas encham at o mesmo volume lquido mdio,
independentemente desse volume ser ou no 16 onas. Uma amostra
aleatria de 10 garrafas retirada na sada de cada mquina.
(10.4 EPE)
Mquina 1
Mquina 2
16,03
16,01
16,02
16,03
16,04
15,96
15,97
16,04
16,05
15,98
15,96
16,02
16,05
16,02
16,01
16,01
16,02
15,99
15,99
16,00
Teste 2-sample z
a) Voc acha que o engenheiro est correto? Use = 0,05. Qual o p-valor
para este teste?
H 0 : 1 2
Distribution Plot
H1 : 1 2
Density
2
2
1 2
0,020 2 0,0252
n1 n2
10
10
0,3
0,2
0,1
Z 0 0,80
0,025
0,0
0,025
-1,960
1,960
Teste 2-sample t
Teste para mdia de duas amostras, varincias desconhecidas;
Bilateral
H 0 : 1 2
H1 : 1 2
Unilateral esquerda
H 0 : 1 2
Unilateral direita
H 0 : 1 2
H1 : 1 2
X 1 X 2 1 2
t0
Estatstica do teste:
1 1
Sp
n1 n2
H1 : 1 2
2
2
1
S
1
S
1
2
2
S2 1
p
n1 n2 2
Teste 2-sample t
Exemplo: Est sendo investigada a temperatura em que ocorre uma deflexo,
devido carga, em dois tipos diferentes de tubo plstico. Duas amostras
aleatrias de 15 tubos so testadas e as temperaturas (em F) observadas em
que ocorre esta deflexo so reportadas a seguir:
Tipo 1: 206, 188, 205, 187, 194, 193, 207, 185, 189, 213, 192, 210, 194, 178, 205;
Tipo 2: 177, 197, 206, 201, 180, 176, 185, 200, 197, 192, 198, 188, 189, 203, 192;
Teste 2-sample t
a)
Data
200
195
190
185
180
175
tipo I
tipo II
Teste 2-sample t
b) H 0 : 1 2
H1 : 1 2
n1 n2 2
192,07
9,44
89,07
-0,402043
-0,902384
15
176,00
185,00
192,00
200,00
206,00
Pooled estimator:
n1 1S12 n2 1S 22
2
S
0,30
0,549
175
180
185
190
195
200
186,84
205
197,29
199,25
14,88
Mean
Mean
StDev
Variance
Skewness
Kurtosis
N
Median
185,0
187,5
190,0
192,5
195,0
197,5
200,0
2
2
15
1
10
,
48
15
1
9
,
44
S2
p
Minimum
1st Quartile
Median
3rd Quartile
Maximum
15 15 2
0,46
0,220
196,40
10,48
109,83
0,05341
-1,12660
15
178,00
188,00
194,00
206,00
213,00
190
200
190,60
210
202,20
S 99,472
2
p
205,63
Median
190
195
200
205
16,53
Teste 2-sample t
Distribution Plot
0,3
Density
X 1 X 2 1 2 196,40 192,07
t0
1,19
1 1
1 1
Sp
9,974
n1 n2
15 15
T; df=28
0,4
0,2
P-value
0,1
0,1220
0,0
Distribution Plot
T; df=28
0,4
0,3
Density
1,19
0,2
0,1
0,05
0,0
1,701
= tc
Teste 2-sample t
c) No, n = 15 no suficiente. Para detectar uma diferena de 5F com
poder (1 - ) igual a 0,9, necessrio n = 69.
Teste t-pareado
No caso de duas amostras, varincias desconhecidas,
e dependncia entre as duas amostras, deve-se usar
o teste t-pareado. No caso onde deseja-se detectar
se h diferena na rugosidade no incio e fim da
superfcie de furos usinados h dependncia entre as
duas amostras.
Ensaio
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
Rz_I (m)
2,743
3,010
2,216
2,531
2,757
2,752
2,136
2,557
3,085
3,068
2,546
3,202
5,109
4,830
3,225
5,849
2,682
2,572
3,203
3,092
2,207
3,357
4,353
3,862
3,547
3,760
3,685
3,465
Rz_F (m)
2,825
3,008
2,910
3,825
2,671
3,036
2,516
3,492
2,850
2,930
3,003
3,847
5,515
4,699
5,309
6,503
3,325
3,354
3,867
4,055
2,298
3,290
4,876
2,824
3,297
3,844
3,347
3,449
Teste t-pareado
Diferena:
d j y1 j y2 j ,
j 1,..., n
H 0 : d 0
H1 : d 0
d
Estatstica do teste: t0
sd / n
Apesar da dependncia entre as amostras, supem-se dj~N(d,d2).
Robson Bruno Dutra Pereira
Teste t-pareado
Ensaio
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
dj
-0,082
0,002
-0,695
-1,293
0,086
-0,284
-0,380
-0,935
0,235
0,138
-0,458
-0,645
-0,406
0,131
-2,084
-0,654
-0,643
-0,782
-0,664
-0,963
-0,091
0,067
-0,523
1,038
0,250
-0,084
0,338
0,016
Teste t-pareado
Rz_I (m) Rz_F (m)
2,743
2,825
3,010
3,008
2,216
2,910
2,531
3,825
2,757
2,671
2,752
3,036
2,136
2,516
2,557
3,492
3,085
2,850
3,068
2,930
2,546
3,003
3,202
3,847
5,109
5,515
4,830
4,699
3,225
5,309
5,849
6,503
2,682
3,325
2,572
3,354
3,203
3,867
3,092
4,055
2,207
2,298
3,357
3,290
4,353
4,876
3,862
2,824
3,547
3,297
3,760
3,844
3,685
3,347
3,465
3,449
dj
-0,082
0,002
-0,695
-1,293
0,086
-0,284
-0,380
-0,935
0,235
0,138
-0,458
-0,645
-0,406
0,131
-2,084
-0,654
-0,643
-0,782
-0,664
-0,963
-0,091
0,067
-0,523
1,038
0,250
-0,084
0,338
0,016
d
0,334
t0
sd / n 0,6 28
1 n
d d j 0,334
n j 1
t0 2,95
2
d j d
j 1
sd
n 1
Distribution Plot
T; df=27
0,4
0,6
0,3
Density
Ensaio
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
0,2
0,1
0,025
0,0
0,025
-2,052
H diferena!!
Robson Bruno Dutra Pereira
2,052
Teste t-pareado
Poder do teste:
Para n = 28, = -0,334, sd =
0,6:
Poder = 1- = 0,8
ANOVA one-way
Sejam a tratamentos ou nveis de um nico fator.
j = 1, 2, ..., n
Tratamentos
i = 1, 2, ..., a
Observaes
Totais
Mdia
y11
y12
y1n
y1.
y1.
y 21
y 22
y2 n
y 2.
y 2.
y a1
ya 2
y an
ya.
ya.
y..
y..
ANOVA one-way
Modelo de mdias:
yij i ij
i 1, 2, ..., a
j 1, 2,..., n
Tratamentos
Observaes
Totais
Mdia
y11
y12
y1n
y1.
y1.
y 21
y 22
y2 n
y 2.
y 2.
y a1
ya 2
y an
ya.
ya.
y..
y..
ANOVA one-way
Modelo de efeitos:
i 1, 2, ..., a
j 1, 2,..., n
yij i ij
yij : ij-sima observao
: mdia geral
Tratamentos
Observaes
Totais
Mdia
y11
y12
y1n
y1.
y1.
y 21
y 22
y2 n
y 2.
y 2.
y a1
ya 2
y an
ya.
ya.
y..
y..
ANOVA one-way
ANOVA one-way: Apenas um fator investigado;
Os experimentos devem ser realizados em ordem aleatria;
Neste sentido, o planejamento experimental chamado de
Planejamento completamente aleatorizado.
As observaes so independentes!
yij ~ N i , 2
ANOVA one-way
Hipteses:
H 0 : 1 2 ... a
H1 : i j
Ou:
H 0 : 1 2 ... a
H1 : i j
ANOVA one-way
A ANOVA derivada do particionamento da soma dos quadrados:
2
yi. yij ,
j 1
i 1 j 1
y
a
i 1 j 1
ij
i 1
i 1 j 1
y i . y i . n,
i 1, 2, ..., a
SST
SSTratamentos
SSErro
ANOVA one-way
Examinando a soma dos quadrados dos erros:
2
SS E yij yi.
a
i 1 j 1
2
n
yij yi.
i 1
j 1
a
Dividindo o termo entre colchetes por n -1, tem-se a varincia para o isimo tratamento:
Si2
j 1
ij
yi .
n 1
i 1, 2, ..., a
ANOVA one-way
a varincias amostrais podem ser combinadas para estimar uma nica
varincia da populao 2 comum;
2
n
yij yi.
i 1
SS E
j 1
MS E
an 1
N a
a
ANOVA one-way
Da mesma forma, pode-se usar a variao da mdia dos tratamentos
para estimar 2, caso no haja diferena significativa entre os
tratamentos.
MSTrat
SSTrat
a 1
SS E
MS E
N a
2between
2within
ANOVA one-way
Tabela ANOVA one-way
Fonte de
variao
Entre
(between)
tratamentos
Graus de
liberdade
SSTrat
1 a 2 y..2
yi .
n i 1
N
a-1
Erro (within)
SS E SST SSTrat
N-a
Total
2
y
2
SST yij ..
N
i 1 j 1
N-1
Mdia dos
quadrados
MSTrat
SSTrat
a 1
SS E
MS E
N a
F0
MSTrat
F0
MS E
ANOVA one-way
Rejeita-se H0 se h diferena entre as mdias dos tratamentos, isto :
F0 F ,a 1, N a
Distribution Plot
F; df1=4; df2=10
0,7
0,6
0,5
Density
0,4
0,3
0,2
0,1
0,0
0,05
0
3,478
ANOVA one-way
O tempo de resposta em milissegundos foi determinado para trs tipos
de circuitos que podem ser usados em uma vlvula automtica de um
mecanismo de desligamento.
Tipo de
circuito
1
2
3
ANOVA one-way
SSTrat
2
1 a 2 y..2 1 2
146
yi .
39 812 26 2
413,17
n i 1
N 4
12
2
2
y
146
SST yij2 .. 9 2 12 2 10 2 ... 52 82 7 2
445,67
N
12
i 1 j 1
a
9
20
6
8
17
7
Totais Mdias
39
9,75
81
20,25
26
6,5
146
12,17
ANOVA one-way
MSTrat
SSTrat 413,17
206,583
a 1
2
SS E
32,50
MS E
3,611
N a
9
2between
MSTrat 206,583
F0
57,21
MS E
3,611
2within
FV
Circuito
Erro
Total
DF
2
9
11
SS
MS
F
413,167 206,583 57,21
32,500 3,611
445,667
ANOVA one-way
Distribution Plot
Distribution Plot
F; df1=2; df2=9
F; df1=2; df2=9
1,0
1,0
0,8
0,8
0,6
0,6
Density
Density
MSTrat 206,583
F0
0,4
0,4
0,2
P-value
0,2
0,0
7,6358E-06
57,21
0,0
0,05
0
4,256
ANOVA one-way
Checando a adequao do modelo: examinando os resduos!
^
eij yij y ij
Circuito Tempo
1
9
1
12
1
10
1
8
2
20
2
21
2
23
2
17
3
6
3
5
3
8
3
7
FITS1
9,75
9,75
9,75
9,75
20,25
20,25
20,25
20,25
6,5
6,5
6,5
6,5
RESI1
-0,75
2,25
0,25
-1,75
-0,25
0,75
2,75
-3,25
-0,5
-1,5
1,5
0,5
y ij i
y ij y.. yi. y..
^
y ij yi.
Rudo
Anlise dos resduos
eij ~ N 0, 2
Devem ser:
Normais (0;2)
Constantes
Estveis
Aleatrios
Independentes
NoCorrelacionados
Rudo
Rudo (noise; nuisance factor): varivel desconhecida ou negligenciada
que pode afetar os resultados dos experimentos;
Rudo
conhecido
SIM
NO
Rudo controlvel
SIM
NO
Blocagem
ANCOVA
Aleatorizao
Aleatorizao