Interpretar os principais resultados para Teste de equivalência de 1 amostra

Conclua as etapas a seguir para interpretar um teste de equivalência de 1 amostra. Saída principal inclui a estimativa da diferença, o intervalo de confiança, o gráfico de equivalência e outros gráficos.

Etapa 1: determinar se a média da população e o alvo são equivalentes

Compare o intervalo de confiança com os limites de equivalência. Se o intervalo de confiança está completamente dentro dos limites de equivalência, você pode afirmar que a média populacional é equivalente ao alvo. Se parte do intervalo de confiança estiver fora dos limites de equivalência, você não poderá afirmar a equivalência.

Diferença: Média(Força) - Alvo IC 95% para Intervalo de Diferença EP equivalência Equivalência 0,28500 0,13831 (0; 0,520586) (-0,42; 0,42) O IC está dentro do intervalo de equivalência. Não é possível afirmar que equivalência.
Principais resultados: 95% do IC, Intervalo de equivalência

Nesses resultados, o intervalo de confiança de 95% excede o limite de equivalência superior. Portanto, você não pode afirmar que a média da população é equivalente ao alvo.

Observação

Se selecionar uma hipótese alternativa para testar uma desigualdade, em vez de uma equivalência, avalie os resultados gerais, comparando a fronteira inferior com o limite inferior ou a fronteira superior com o limite superior. Para obter mais informações, acesse Diferença para Teste de equivalência de 1 amostra e clique em "Fronteira inferior" ou "Fronteira superior".

Etapa 2: verifique se há problemas em seus dados

Problemas com os dados, como assimetrias ou outliers, podem afetar desfavoravelmente seus resultados. Use gráficos para procurar assimetrias (ao examinar a dispersão dos dados) e para identificar os outliers potenciais.

Determine se os dados parecem ser assimétricos

quando os dados estão assimétricos, a maior parte dos dados está voltada para o lado alto ou baixo do gráfico. Com frequência, a assimetria é mais fácil de identificar com um boxplot ou histograma.

Assimétricos à direita
Assimétricos à esquerda

Por exemplo, o histograma assimétrico à direita mostra dados salariais. A muitos funcionários é paga uma quantidade relativamente pequena, enquanto, cada vez mais, a poucos funcionários são pagos grandes salários. O histograma assimétrico à esquerda mostra dados de taxa de falha. Alguns itens falham antes enquanto um número crescente de itens falham mais tarde.

Os dados que são severamente assimétricos podem afetar a validade dos resultados do teste se sua amostra for muito pequena (< 20 valores). Se seus dados forem severamente assimétricos e você tiver uma pequena amostra, considere aumentar o tamanho amostral.

Identificar outliers

Outliers, que são pontos de dados que estão longe da maioria dos outros dados, podem afetar fortemente os resultados. Os outliers são facilmente identificados em um boxplot.

Em um boxplot, os outliers são identificados por asteriscos (*).

Você deve tentar identificar a causa de qualquer outliers. Corrija os erros de entrada de dados ou de medição. Considere remover os dados que estão associados a causas especiais e repetir a análise. Para obter mais informações sobre causas especiais, vá para Usando cartas de controle para detectar variação de causa comum e variação de causa especial.

Nestes gráficos, os dados não parecem estar assimétricos e não são outliers.

Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política