1

Planejamento Experimental e
Otimizao de Processos
Uma Ferramenta Indispensvel no
Desenvolvimento de Produtos e Processos"
Prof. Dr. Divair Christ
http://sites.google.com/site/divairchrist2/sistemas
Atividade (U/mL)
pH
Temperatura ( oC)
Ementa
Importncia. Conceitos bsicos de estatstica. Vantagens dos
experimentos fatoriais em relao aos experimentos do tipo um
fator por vez. Estratgia de definio do planejamento mais
adequado segundo o processo e o nmero de variveis envolvidas.
Delineamentos composto central rotacional (DCCR) e elaborao do
Planejamento Fatorial Completo. Clculo dos efeitos. Ajuste e
verificao da validade dos modelos (ANOVA). Estratgias
seqenciais de planejamentos. Determinao do ponto timo de
operao. Estratgia seqencial de planejamentos para um nmero
grande de variveis: Planejamento Fatorial Fracional e Screening
Design (Plackett-Burman). Otimizao de processos: Funo
Desirability.. Misturas. Treinamento em aplicativos computacionais.
Estudo de casos.
Objetivos
Conferir ao estudante capacidade de
estabelecer o melhor processo para obteno,
organizao e anlise de dados de forma a
proporcionar uma visualizao grfica ou
analtica das tendncias e caractersticas
limites dos fenmenos pr-determinados.
Contedo Programtico
1. Introduo.
1.1. Importncia do uso da metodologia em processos
multivariveis.
1.2. Vantagens dos experimentos fatoriais em relao aos
experimentos do tipo univarivel.
1.3. Potencial de aplicao na Engenharia e Processos.
2. Tpicos de estatstica elementar.
3. Estratgias de definio do planejamento mais adequado
segundo o processo em estudo.
4. Planejamento Fatorial Completo.
4.1. Definio da funo objetivo.
4.2. Definio das variveis do processo em estudo e suas
restries.
4.3. Elaborao do Planejamento Fatorial Completo.
4.4. Anlise dos efeitos dos fatores nas respostas desejadas.
4.5. Anlise estatstica e interpretao dos resultados.
5. Planejamento Fatorial Fracional.
5.1. Definio das variveis do processo em estudo e suas
restries.
5.2. Definio da resoluo mais adequada.
5.3. Elaborao do Planejamento Fatorial Fracional.
5.4. Anlise dos efeitos dos fatores nas respostas
desejadas.
6. Ajuste de modelos.
6.1. Modelo de Primeira ordem.
6.2. Modelo de segunda ordem.
2
7. Verificao da validade dos modelos: ANOVA.
8. Anlise de Superfcie de Resposta: definio das faixas timas
de operao.
9. Otimizao de processos. Desejabilidade.
10. "Screening Design": planejamentos fatoriais onde um grande
nmero de variveis estejam envolvidas Plakett-Burman.
11. Exemplos de Aplicao.
12. Misturas.
13. Treinamento em aplicativos computacionais.
14. Estudo de casos.
Bibliografia bsica
1.BARROS NETO, B. de; SCARMINIO, I. S.; BRUNS, R. E. Como
fazer experimentos: Pesquisa e desenvolvimento na cincia
e na indstria. Campinas SP, Editora da Unicamp, 2001.
2.CALADO, V. e MONTGOMERY, D. C. Planejamento de
experimentos usando o Statistica. E-Papers Servios
Editoriais. Rio de Janeiro, 2003, 260p.
3.RODRIGUES, M. I; e IEMM, A. F. Planejamento de
experimentos e otimizao de processos. Casa do Po
Editora. Campinas, 2005. 326p.
4.STATSOFT, INC. STATISTICA for Windows [Computer
program]. Tulsa, OK: StatSoft, Inc., 2006.
http://sites.google.com/site/divairchrist2/sistemas
CONSIDERAES
INICIAIS
1
A competitividade e o alto custo tornam,
a cada momento, mais difcil pensar em
desenvolvimento de produtos e processos sem
agregar uma metodologia cientfica de trabalho.
APLICAES
ALIMENTOS
PETROQUMICA
FARMACUTICA
BIOTECNOLOGIA
AUTOMOTIVA
QUMICA
......
ENGENHARIA
0
100
200
300
400
500
600
70-75 76-80 81-85 86-90 91-95 96-00 01-05
Perodo (1970 a Agosto de 2005)
N

m
e
r
o

d
e

a
r
t
i
g
o
s

p
u
b
l
i
c
a
d
o
s
Evoluo do nmero de artigos publicados que utilizaram planejamento
experimental fatorial e anlise de superfcie de resposta.
Fonte: FSTA
Evoluo do uso da metodologia
0
200
400
600
800
1000
1200
1400
1600
1800
2000
1981-1985 1986-1990 1991-1995 1996-2000 2001-2005
Perodo
N

d
e

T
r
a
b
a
l
h
o
s
Fonte: Biological & Agricultural Index Plus
3
0
200
400
600
800
1000
1200
1400
1600
1800
2000
1
9
5
0
-
1
9
5
5
1
9
5
6
-
1
9
6
0
1
9
6
1
-
1
9
6
5
1
9
6
6
-
1
9
7
0
1
9
7
1
-
1
9
7
5
1
9
7
6
-
1
9
8
0
1
9
8
1
-
1
9
8
5
1
9
8
6
-
1
9
9
0
1
9
9
1
-
1
9
9
5
1
9
9
6
-
2
0
0
0
2
0
0
1
-
2
0
0
6
Perodo
N

m
e
r
o

d
e

a
r
t
i
g
o
s

p
u
b
l
i
c
a
d
o
s
Fonte: Chemical Abstracts
?
Evoluo do uso da metodologia Porque aprender Planejamento de Experimentos?
Desenvolvimento de um novo produto e/ou processo
Melhorar o produto que j est no mercado
Conhecer o efeito das variveis do processo
informao sobre a robustez ou no do processo
Melhorar metodologias analticas
Otimizao do processo
Reduo de custos
Vantagens do Planejamento Experimental
Reduz o nmero de experincias, com melhor
qualidade de informao nos resultados
possvel detectar o erro experimental e avali-lo
A anlise multivarivel permite verificar e quantificar
efeitos sinrgicos e antagnicos entre as variveis
estudadas
possvel otimizar mais de uma resposta ao mesmo
tempo
Perigo do uso desta ferramenta:
Utilizao de softwares amigveis sem
conhecimento dos conceitos tericos
necessrios para a interpretao
correta dos resultados
A atividade estatstica mais importante no a
anlise dos dados , e sim o
planejamento dos experimentos
em que esses dados devem ser obtidos.
Os Planejamentos Experimentais
Fatoriais se baseiam na Estatstica, mas
Chamar o especialista em estatstica depois que o
experimento foi feito pode ser o mesmo que pedir a
ele para fazer um exame post-mortem.
Talvez ele consiga dizer de que foi que o experimento
morreu.
(Fisher)
4
Em diversas situaes, imediato estabelecer
concluses a partir de um experimento bem planejado,
empregando apenas tcnicas de anlise bastante
elementares. Por outro lado, mesmo a anlise
estatstica mais sofisticada no pode salvar um
experimento que tenha sido mal planejado.
(Box, Hunter & Hunter)
Embora estes mtodos de soluo de problemas seja
muito til, a resistncia para mudana universal:
Vamos variar apenas uma coisa por vez para no
ficar confusos.
Incluiremos este fator nos prximos experimentos
No h muita interao.
muito cedo para se usar mtodos estatsticos.
Um experimento estatstico seria muito extenso.
Meus dados so muito variveis para se usar
estatstica.
Contudo, estas razes so
precisamente os motivos pelos quais
os mtodos estatsticos de soluo
de problemas devem ser usados.
Para se atingir os objetivos
desejados utilizando-se esta
ferramenta estatstica e
necessrio uma interao entre
ESTATSTICA
BOM SENSO
PROCESSO TPICOS DE
ESTATSTICA ELEMENTAR
2
Estatstica a cincia que tem por objetivos
planejar e otimizar experimentos; orientar sua
conduo; coletar, descrever e analisar suas
respostas, retirando o maior nmero possvel
das informaes nelas contidas.
5
Relembrando um
pouco a Estatstica !
COLETAR
ORGANIZAR
RESUMIR DADOS
ANALISAR
APRESENTAR

OBTENO DE CONCLUSES
VLIDAS

TOMADA DE DECISES
ESTATSTICA
(MTODOS CIENTFICOS)
Limitaes da Estatstica:
1
o
) Toda a informao est contida nos dados. A
concluso, no mximo, ter a qualidade dos dados que
a geraram. Se os dados forem iniciados ou coletados
inadequadamente, qualquer concluso que deles
advenham est comprometida.
A estatstica no serve para corrigir erros grosseiros ou
tcnica defeituosa
2
o
) A Estatstica apenas auxilia o pesquisador, mas no
dispensa o esprito cientfico crtico e ctico, nem o
conhecimento profundo do processo em estudo.
Um homem com a cabea em
uma geladeira e os ps em um
fogo no est vivendo em boa
temperatura mdia!
Estatstica descritiva ou dedutiva:
Procura somente descrever e analisar um certo grupo
de dados, sem tirar concluses ou inferncias sobre um
grupo maior.
Estatstica indutiva ou inferncia estatstica:
Trata das condies sob as quais as inferncias so
vlidas. A partir de sub-conjuntos representativos
(amostras) fazem-se indues sobre o conjunto
estudado (populao ou universo). Como essa inferncia
pode no ser absolutamente certa, a linguagem da
probabilidade sempre usada, no estabelecimento das
concluses.
Variveis Independentes:
Fatores a serem estudados ou avaliados num processo
(que podem ser controladas)
Ex.: Formulao, temperatura, pH, agitao, aerao,
tempo de residncia, vazo...
Variveis Dependentes:
Resposta desejada (determinada experimentalmente)
Ex.: Rendimento, produtividade, ndice de expanso,
atributos sensoriais, fator de pureza, atividade
enzimtica....
6
Variveis Variveis
X=Nmero de parafusos produzidos/dia,
Y= Nmero de colnias bacterianas,
W=Nmero de eletrodomsticos por
famlia, Z=Nmero de unidades ocupadas
em um hotel, e assim por diante.
Variveis
X=rendimento de uma reao (%),
Y= porcentagem de sacarose,
T= Atividade enzimtica, entre outras.
Variveis
X=Nvel de satisfao do consumidor,
Y=Conceitos atribudos a um dado produto;
W=Avaliaes dos funcionrios, e assim
por diante.
Variveis
X=Nomes comerciais de produtos
qumicos; Y=etnias dos pacientes de certo
ambulatrio, W=Nomes dos hotis da rede
Marriott, e assim por diante.
Populao o conjunto de todos os indivduos ou
elementos, que compartilham um grupo de
caractersticas comuns.
Por sua prpria natureza, populao um ente
terico, em geral, inatingvel.
Populaes e Amostras
7
Populao Alvo ou Populao Objeto:
o conjunto de indivduos ou elementos que
possuem a informao desejada pelo
pesquisador.
Amostra
um subconjunto da populao alvo, selecionado sob
certas regras, que se presta para estimar, de modo
confivel, as informaes necessrias ao pesquisador.
Amostra aleatria ou probabilstica:
aquela na qual cada elemento da populao alvo
tem uma probabilidade fixa de ser includo na amostra.
Amostragem determinstica ou no probabilstica:
aquela que no utiliza seleo aleatria, transferindo
o critrio de seleo para o julgamento pessoal do
pesquisador.
Amostras independentes:
so aquelas nas quais cada indivduo avaliado ou
medido apenas uma vez durante o perodo
experimental.
Isto , a cada indivduo est associado a apenas uma
resposta.
Amostras pareadas ou aos pares:
so aquelas em que cada indivduo avaliado duas
vezes, em tempos, locais e/ou condies diferentes.
8
1 b y
1 a y 1 b y
2 a y
2 b y
2 a y
Amostras independentes e amostras pareadas. Alguns conceitos importantes:
MDIA AMOSTRAL
Onde: X
i
= i-sima observao
N = n
o
total de observaes na amostra

( ) X N X
i
i
N
=
=
1
1
/
ERRO
a) Erro tendencioso ou sistemtico: erro que
tende permanecer constante ou que muda
sistematicamente com o tempo.
b) Erro aleatrio: erro experimental cujo valor
numrico varia aleatoriamente de um ensaio
para outro. Freqentemente segue uma
distribuio normal.
DISPERSO
Mede quo prximos uns dos outros esto os
valores de um grupo
Pequena disperso
Grande disperso
VARINCIA AMOSTRAL:
(Disperso ou variao):
o grau ao qual os dados numricos tendem a
dispersar-se em torno de um valor mdio.
( ) ( ) [ ] V x S N d i
i
N
= =

(
=

2 2
1
1 1 /
( ) [ ] ( ) =

(
=
1 1
2
1
/ N x x
i
i
N

DESVIO PADRO AMOSTRAL:
Utilizado para definir intervalos em torno da mdia
Observaes:
mdia tem a mesma unidade que as observaes
originais
varincia tem o quadrado das unidades de partida
desvio padro a mesma unidade da mdia
mede a disperso em relao mdia.
s s =
2
9
A covarincia uma medida numrica
desta tendncia definida como sendo:
a mdia dos produtos desses desvios
Onde:= observaes individuais
= mdias amostrais
N = nmero de elementos na amostra
( ) ( ) [ ] ( )( ) C o v x y N x x y y
i i
, / = 1 1
( ) x y
i i
,
( ) x y ,
Covarincia = f (escala usada) dificulta a interpretao estatstica
eliminar este problema dividindo-se cada desvio
individual pelo desvio padro da varivel
correspondente
covarincia normalizada ou
coeficiente de correlao
[-1, 1] (escala adimensional)
"mede a associao linear existente entre duas variveis"
Onde: = observaes individuais
= mdias amostrais
= desvios padro amostrais
N = N.
o
de elementos da amostra
( ) ( ) [ ]
( ) ( )
r x y N
x x
s
y y
s
i
x
i
y
, / . =

(
(

(
(
1 1
( ) x y
i i
,
( ) x y ,
( ) s s
x y
,
Modelos
Estatsticos
Distribuio de
Freqncia
Probabilidade de
ocorrncia de erros
(ou desvios) em medies
Produtividade
N
d
e R
esp
o
stas
0
2
4
6
8
10
12
2,75 8,25 13,75 19,25 24,75 30,25
Populao comDistribuio Assimtrica
Amostra
%Glicose
N
de R
espostas
0
1
2
3
4
5
6
7
8
9
10
8 9 10 11 12 13 14 15
Amostra
Populao comDistribuio Normal
Tipos de curvas de freqncia
a) A mais conhecida a distribuio normal (simtrica)
b) Exs. de distribuio assimtrica positiva: teste
2
e teste F
Teoria das pequenas amostras
as distribuies amostrais so aproximadamente
normais, (quanto > N, melhor esta aproximao)
distribuio normal de freqncia
Para N > 30 (grandes amostras):
Para N < 30 (pequenas amostras):
A aproximao de distribuio normal no boa e
torna-se pior com o decrscimo de N
distribuio t (Student)
distribuio F
distribuio X
2
(qui-quadrado)
Estes testes so usados para determinar quo aproximadamente as
distribuies empricas (obtidas dos dados amostrais)
se ajustam s distribuies tericas
1 b y
1 a y 1 b y
2 a y
2 b y
Importncia da forma da populao
A validade dos resultados obtidos atravs
dos mtodos paramtricos fortemente
dependente da normalidade dos dados
analisados.
E se nossa(s) resposta(s) no pertencerem a
esta regra estatstica ?
Como interpretar os resultados ?
Veremos no captulo 7 estudo de caso com esta
situao.
10
PRIMEIRAS IDIAS EM INFERNCIA SOBRE UMA
POPULAO NORMAL
Suponha, apenas como recurso didtico, que voc
conhea completamente uma populao :
Ela tem tamanho N = 5 elementos e est definida
atravs da varivel X :
X = {2, 4, 6, 8, 10}.
=
=
Ento, a mdia populacional :
0 , 6
5
30
5
5
1 1
) (
= = = =

= = i
i
N
i
i
X
x
N
x

e a varincia populacional :
5
) ( ) (
5
1
2
1
2
) (
2

= =

=
i
i
N
i
i
X
x
N
x

[ ]
2 2 2
) 6 10 ( ... ) 6 4 ( ) 6 2 (
5
1
+ + + 0 , 8
5
40
=
Para tanto, recorta 5 pedaos de papel, anota em
cada um deles os diferentes valores da varivel X
e, aps dobr-los, deposita-os em uma urna.
Retira uma amostra aleatria de tamanho n = 2,
digamos : x
2
= 4 e x
5
= 10 e reponha os papis na
urna.
Desse modo, obtm-se uma estimativa por ponto
para a mdia (x) (que igual a 6,0 e
desconhecida),
x = 14/2 = 7,0.
Seu colega de estudos, na mesa ao lado, tambm
retira dessa urna amostra aleatria de mesmo
tamanho sorteando, digamos: x
1
= 2, x
2
= 4,
obtendo outra estimativa por ponto para a mesma
mdia (x) (que igual a 6,0 e desconhecida),
x = 14/2 = 3,0.
11
Assim, embora a mdia tenha excelentes
propriedades estatsticas, esse exemplo simples
suficiente para mostrar que sua estimativa por
ponto pode deixar a desejar, pois depende da
amostra aleatria sorteada.
nesse contexto que so
definidas as estimativas por
intervalo, tambm conhecidas
como
intervalos de confiana.
Suponha que sejam retiradas da populao em
questo, todas as possveis amostras aleatrias,
com reposio, de tamanho n = 2 elementos.
Construindo o espao amostral, , com as 5
2
=
25 amostras possveis, temos :

=
) 10 ; 10 ( ) 8 ; 10 ( ) 6 ; 10 ( ) 4 ; 10 ( ) 2 ; 10 (
) 10 ; 8 ( ) 8 ; 8 ( ) 6 ; 8 ( ) 4 ; 8 ( ) 2 ; 8 (
) 10 ; 6 ( ) 8 ; 6 ( ) 6 ; 6 ( ) 4 ; 6 ( ) 2 ; 6 (
) 10 ; 4 ( ) 8 ; 4 ( ) 6 ; 4 ( ) 4 ; 4 ( ) 2 ; 4 (
) 10 ; 2 ( ) 8 ; 2 ( ) 6 ; 2 ( ) 4 ; 2 ( ) 2 ; 2 (
Estimativas das Mdias =

0 , 10 0 , 9 0 , 8 0 , 7 0 , 6
0 , 9 0 , 8 0 , 7 0 , 6 0 , 5
0 , 8 0 , 7 0 , 6 0 , 5 0 , 4
0 , 7 0 , 6 0 , 5 0 , 4 0 , 3
0 , 6 0 , 5 0 , 4 0 , 3 0 , 2
j x
j f
f
j
x
j
Mdias Freqncias
2,0 1
3,0 2
4,0 3
5,0 4
6,0 5
7,0 4
8,0 3
9,0 2
10,0 1
Total 25
Mdias
F
r
e
q
u
e
n
c
ia
s
0
1
2
3
4
5
6
1 2 3 4 5 6 7 8 9
2,0 4,0 6,0 8,0 10,0
Distribuio das mdias
Distribuio das mdias
verifica-se numrica e graficamente
um teorema importantssimo
na teoria da inferncia estatstica,
o Teorema do Limite Central.

= = =
= =
0 , 4
2
8
0 , 6
2
) ( 2
) (
) ( ) (
n
X
x
X x

12
Extraindo-se todas as amostras aleatrias simples,
independentes, de tamanho , de uma populao
qualquer de mdia e varincia , decorre que a
distribuio das mdias das amostras, , aproxima-se
de uma distribuio normal de mdia .
e .
Essa aproximao tanto melhor, quanto maior for e
ser perfeita se a distribuio de origem for normal.
n

j
x
=
) ( x
n
n
x

=
2
) (
O desvio padro das mdias amostrais dito Erro
Padro da Mdia: .
De modo geral, se um estimador do parmetro ,
definimos seu erro padro por: .
n
x EP

= ) (

) ( ) ( VAR EP =
Em situaes prticas, em geral, as varincias so
desconhecidas e uma estimativa do erro padro
obtida atravs da estimativa da varincia.
Nesses casos:
No caso da mdia amostral, uma estimativa do erro
padro dada por:
) ( var ) ( = ep
n
S
x ep = ) (
No exemplo em questo = 2,0.
n
S
x ep = ) (
Fatos :
1. Observe que o termo desvio padro utilizado quando nos
referimos s populaes e, naturalmente, estimativa do desvio padro
quando nos referimos s amostras. Assim, podemos dizer, por
exemplo, que S = 3,75 o desvio padro amostral ou uma estimativa
do desvio padro , da populao da qual essa amostra foi retirada.
Quando, no entanto, nos reportamos aos estimadores dos
parmetros, usual utilizarmos erro padro do estimador em lugar de
desvio padro. Em outras palavras, dizemos, por exemplo, erro padro
da mdia em lugar de desvio padro da mdia.
prudente que se tenha bem clara tal distino. Geralmente os
softwares estatsticos utilizam o termo standard deviation para
designar o desvio padro das populaes e amostras e, standard error
para designar o erro padro do estimador.

Noes sobre testes de hipteses

a. Hipteses estatsticas
Apenas retirar a amostra e obter algumas estatsticas
descritivas, como tabelas e grficos, ou mesmo obter
algumas estimativas por ponto, em geral, no atende aos
interesses do pesquisador.
necessrio que se realize a volta, isto , necessrio que
sejam obtidas concluses ou inferncias sobre os
parmetros desconhecidos da populao. Em outras
palavras, necessrio inferir, com base nos resultados
amostrais, sobre os parmetros populacionais.
Teste de hipteses:
regra de deciso estatstica que permite, com base em
informaes contidas nos dados amostrais, concluir
sobre parmetros da populao.
13
Hiptese estatstica
uma suposio sobre algum parmetro da
populao, que ser posta prova atravs do teste de
hipteses. Consideram-se, sempre, duas hipteses:
H
0
e H
a
, denominadas, respectivamente, hiptese nula
e hiptese alternativa.
Hiptese Nula:
H
0
a hiptese que est sendo posta prova
(exemplo: o pH mdio da populao alvo
igual a 5,0).
Hiptese Alternativa:
H
a
a hiptese que ser aceita, se for
rejeitada no teste.
Exemplos:
H
a
: O pH mdio da populao alvo diferente de 5,0 Teste bilateral
H
a
: 5,0
H
a
: O pH mdio da populao alvo menor que 5,0 Teste unilateral
esquerda
H
a
: <5,0
H
a
: O pH mdio da populao alvo maior que 5,0 Teste unilateral
direita
H
a
: >5,0
Apenas uma delas, estabelecida a priori, ser utilizada.
Regies crticas
so as regies de no rejeio de H
0
, que
denotaremos RA H
0
, e de rejeio de H
0
, que
denotaremos RR H
0
.
0
0,5
1
1,5
2
2,5
3
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3
R R Ho alfa/2 = 0,025
R R Ho alfa/2 = 0,025
R A Ho 1 - alfa = 0,95
- t Tab t Tab
Esboo de um teste bilateral ou bi caudal, para a mdia de uma populao normal, Ha: 0.
a H

Noes sobre testes de hipteses

b. Mecanismo dos erros
Como o teste de hipteses baseado em amostras
aleatrias, h sempre algum risco de erro.
importante lembrar que uma outra amostra retirada
poderia fornecer valores diferentes daquela
utilizada na realizao do teste.
Exemplos:
Ao observar certas alteraes fsicas, Joo supe estar
com hepatite. Aps rpida reflexo, formula as
hipteses:
H
0
: Joo est com hepatite
H
a
: Joo no est com hepatite
Dirige-se ao laboratrio para a realizao de um teste
clnico. Uma amostra de seu sangue coletada.
14
Realidade
Resultado do Teste Clnico
Positivo Negativo
Joo est com hepatite
Resultado correto:
no h erro
Falso negativo
Joo no est com hepatite Falso positivo
Resultado correto:
no h erro
Resultados possveis do teste clnico.
Mecanismo dos erros num teste estatstico.
Realidade na Populao
Resultado do Teste estatstico
No se rejeita H
0
Rejeita-se H
0
H
0
verdadeira
Resultado correto:
no h erro
Erro do Tipo I
H
a
falsa Erro do Tipo II
Resultado correto:
no h erro
Para reflexo:
Qual, dentre os dois erros possveis, voc considera
que agregar
conseqncias prticas mais graves ?
Erro do tipo I ou de primeira espcie: rejeitar H
0
, quando
H
0
verdadeira.
A probabilidade de cometermos um erro do tipo I,
tambm conhecida como nvel de significncia do teste,
denotada por e escolhida a priori pelo pesquisador.
Em geral, o nvel de significncia = 0,05 (5%) muito
bem aceito pela comunidade cientfica.
= P (erro tipo I) = P (rejeitar H
0
, quando H
0

verdadeira).
Erro do tipo II ou de segunda espcie: no rejeitar H
0
,
quando H
0
falsa.
A probabilidade de cometermos um erro do tipo II
denotada por .
= P (erro tipo II) = P (no rejeitar H
0
, quando H
0

falsa).
Testes de hipteses - Regra dos 4 passos:
a. Enunciar claramente as hipteses H
0
: =
0
e H
a
:
0
;
b. Fixar o nvel de significncia e determinar as regies
crticas do teste: de no rejeio (RA) e de rejeio (RR)
de H
0
, definidas pelo valor tabelado de t
(n-1; /2)
. Em geral
= 0,05 (5%) ou 0,1 (10%);
c. Calcular o valor da estatstica do teste
d. Deciso : Se -t
(n-1; /2)
< t
Calc
< t
(n-1; /2)
, no se rejeita H
0
. Ou,
equivalentemente, atravs do p-valor, rejeita-se H
0
se p-
valor .
n
s
x
t
Calc
0

=
Probabilidade de significncia, p-valor ou nvel
descritivo do teste
Quando o teste de hipteses feito em computador, atravs
de algum programa estatstico, recebemos como output o
p-valor (p-value),
nvel descritivo ou probabilidade de significncia do teste.
Assim, a deciso pode ser feita em termos do p-valor:
rejeitamos ou no H
0
, conforme o p-valor seja,
respectivamente, menor ou no que o nvel , de
significncia, estabelecido a priori.
15

















tTab tCalc

0
2
4
-6 -4 -2 0 2 4 6
0
R AHo : 1 - alfa = 0,95
R R Ho : alfa = 0,05
p - valor < 0,05
Esboo de um teste unilateral para a mdia de uma populao normal, Ha : > 0. P-valor<
a H

(a) Rejeita-se H
0
, quando t
Calc
t
Tab
ou, equivalentemente, quando p
valor = 0,05.
0 HCalc tTab t

Esboo de um teste unilateral para a mdia de uma populao normal, Ha : > 0. p-valor > .
a H

(b) No se Rejeita H
0
, quando t
Calc
< t
Tab
ou, equivalentemente, quando
p valor > = 0,05.
0 HCalc tTab t

tCalc tTab




0
2
4
-6 -4 -2 0 2

6
0
R A Ho : 1 - alfa = 0,95
R R Ho : alfa = 0,05
p - valor > 0,05
O nvel de confiana, 1 - , varia de acordo com o
interesse e a exigncia do pesquisador, devendo
ser fixado a priori.
Um valor bem aceito universalmente
1 - = 0,95 ou, em termos de porcentagens,
(1 - )% = 95% e ser aqui adotado.
Uma estimativa por intervalo para a mdia, , de uma
populao normal, obtida atravs de uma amostra aleatria
de tamanho n, ao nvel de confiana 1 - , dada por:
onde: x a estimativa por ponto, da mdia; s a estimativa por
ponto do desvio padro; n o tamanho da amostra; t um
valor tabelado da distribuio t de Student, obtido com n-1
graus de liberdade e bilateral.
[ ]
n
s
t x IC
n ) 2 / ; 1 ( ) 1 (
:

Estimativas por intervalo Intervalo de confiana
Teoricamente, isto significa que se retirarmos todas as amostras
possveis de uma populao e, com cada uma delas construirmos um
intervalo de confiana, ento, 95% dos intervalos construdos devem
conter a mdia populacional. Em outras palavras, 5 em cada 100 ou
1 em cada 20 intervalos no deve conter a mdia populacional.
Amostras
A
m
p
litu
d
e
s
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
1 em 20
Mdia Populacional = 10,0

Estimativas por intervalo para a mdia, = 10,0 de uma populao normal.