Teste de Hipóteses

Objetivo da Aula:
• Fixar os conceitos de Teste de Hipóteses;

• Apresentar exemplos de exercício resolvido com a aplicação dos conceitos.

Introdução
Para um determinado aspecto da população e, inversamente aos problemas de estimação,
vamos considerar que existe uma hipótese que será válida até que se prove o contrário.
Logo, esta hipótese será testada com base nos resultados amostrais, sendo aceita ou
rejeitada

DECISÕES ESTATÍSTICAS

Na prática, somos chamados com muita freqüência a tomar decisões acerca de

populações, com base em informações de amostras, o que denominamos de Decisões
Estatísticas.

HIPÓTESES ESTATÍSTICAS

Ao tentarmos a fixação de decisões, é conveniente a formulação de suposições ou de

conjeturas acerca das populações de interesse, que, em geral, consistem em considerações
sobre parâmetros das mesmas. Essas suposições, que podem ser ou não verdadeiras, são
denominadas de Hipóteses Estatísticas.

HIPÓTESE NULA

É aquela Hipótese Estatística, prefixada, formulada sobre o parâmetro populacional

estudado, com o único propósito de ser rejeitada ou invalidada. É representada por Ho.

HIPÓTESE ALTERNATIVA

São quaisquer hipóteses que difiram da Hipótese Nula. Utilizaremos uma hipótese
alternativa, representada por H1.
 TESTE DE HIPÓTESES

Os processos que habilitam a decidir se aceitam ou rejeitam as hipóteses formuladas,

ou determinar se a amostra observada difere, de modo significativo, dos resultados esperados,
são denominados de Testes de Hipóteses ou Testes de Significância.

Devemos ter claramente dois aspectos em mente:

• Hipótese existente, ou hipótese a ser testada – H0
• Hipótese alternativa – H1
Ao efetuarmos o teste das hipóteses, podemos tomar decisões certas ou erradas ao aceitar ou
rejeitar a hipótese testada. Se representarmos isso numa tabela, temos:

Realidade
H0 verdadeira H0 falsa
Decisão Aceitar H0 Decisão correta Erro do tipo II
(1 - α) (β)
Rejeitar H0 Erro do tipo I Decisão correta
(α) (1 - β)

O temos que perceber acima é:

Quando a decisão é aceitar H 0 e na realidade H0 é verdadeira, então nossa decisão foi
correta.
Quando a decisão é rejeitar H0 e na realidade H0 é falsa, então nossa decisão foi correta.
Mas,
Quando a decisão é aceitar H0 e na realidade H0 é falsa, então nossa decisão foi um erro,
convencionalmente chamado erro do tipo II.
Quando a decisão é rejeitar H0 e na realidade H0 é verdadeira, então nossa decisão um foi
um erro, convencionalmente chamado erro do tipo I.
Note que só podemos cometer o erro do tipo I se H 0 for verdadeira e o erro do tipo II se H 0
for falsa.
Graficamente, podemos representar as regiões de aceitação em rejeição da seguinte forma:

Acima, temos o que é chamado de teste monocaudal ou unilateral, pois a hipótese H1

admitia um único sentido para as possibilidades do parâmetro testado com alternativa a
H0.
As alternativas para H1 podem ser:
• Bilateral

• Unilateral direito

Uma importante observação faz-se quanto a aceitação ou rejeição de lotes, quando tratamos
da aplicação prática deste conceito, o risco do produtor e o risco do consumidor.
O risco do produtor é aquele devido à possibilidade de erro do tipo I, ou seja, quando um
lote bom é rejeitado.
O risco do consumidor é aquele devido à possibilidade de erro do tipo II, ou seja, quando
um lote ruim é aceito.

Estrutura do Teste de Hipóteses

Para executarmos o teste de hipóteses, podemos estabelecer alguns passos, sendo:
1. Formulação de H0 e H1;
2. Escolha de uma distribuição amostral adequada;
3. Escolha de um nível de significância e definição da região crítica;
4. Cálculo de uma estatística de teste;
5. Comparação do valor teste com a região crítica;
6. Rejeitar H0 se o valor teste excede a região crítica ou aceitar em caso contrário.
Até aqui, vimos como identificar H0 e H1 e já estudamos e sabemos quando usar a
distribuição normal ou a t de Student.
Então, vamos ver os passos seguintes.

Nível de Significância e Região Crítica

A probabilidade α do erro tipo I é denominada nível de significância do teste. O nível de
significância indica qual a probabilidade de erro do tipo I estamos dispostos a aceitar; na
prática, observa-se que usa-se α é igual a 1% ou 5%, ou seja, a disposição de aceitar uma
probabilidade de erro tipo I de 1% ou 5%.
Dessa forma pela distribuição normal, quando α = 1%, temos z=2,58 e quando = 5%,
temos z=1,64. Dessa maneira para 1% de nível de significância e considerando a
distribuição normal, temos a região crítica igual a 2,58 e, de forma semelhante, para 5%
temos 1,64.

Estatística de Teste
A Estatística de Teste é o cálculo do coeficiente “z” que, então no passo 5 será comparado
com a região crítica.
Existem duas situações para o cálculo da estatística de teste:
1. Quando o desvio padrão da população é conhecido;

onde:
Ζ = estatística de teste
х- = média obtida na amostra
μ = média da população
s= desvio padrão da população
n = número de elementos na amostra
2. Quando o desvio padrão da população não é conhecido;
Neste caso, como desconhecemos s ,iremos trabalhar com s, que é o desvio padrão da
amostra; e também com t quando a amostra for menor igual a 30, pois, usaremos a
distribuição t de Student.
onde:
Ζ = estatística de teste
х- = média obtida na amostra
μ0 = média esperada da população
S = desvio padrão da população
n = número de elementos na amostra
A comparação entre o valor teste e a região crítica é direta e a veremos em exemplo na aula
digital.
Os passos 5 e 6 serão demonstrados diretamente em exercícios resolvidos na aula digital.

Referências Bibliográficas
Costa Neto, Pedro Luiz de Oliveira. Estatística. 12. ed. São Paulo: Editora Edgard Blücher
Ltda., 1992.
Mandim, Daniel. Estatística Descomplicada. 10. ed. Brasília: Vestcon Editora Ltda., 2003.