Escolar Documentos
Profissional Documentos
Cultura Documentos
Inferencia Estatistica PDF
Inferencia Estatistica PDF
DEPARTAMENTO DE ESTATSTICA
INFERNCIA ESTATSTICA
Outubro 2008
Contedo
ii
CONTEDO iii
4 Intervalos de Confiana 56
4.1 Idias bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2 Intervalo de confiana: mdia da N(; 2 ), 2 conhecida . . . . . . . . . 59
4.2.1 Notao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.2 Interpretao do intervalo de confiana para . . . . . . . . . . . 61
4.2.3 Lista de Exerccios 1 . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3 Margem de erro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3.1 Lista de Exerccios 2 . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4 Resumo do Captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.6 Soluo das Listas de Exerccios . . . . . . . . . . . . . . . . . . . . . . . 68
4.7 Soluo dos Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
populao e amostra
estatsticas e parmetros
estimador
1.1 Introduo
No estudo da estatstica descritiva, vimos que populao o conjunto de elementos para
os quais se deseja estudar determinada(s) caracterstica(s). Vimos tambm que uma
amostra um subconjunto da populao. No estudo da inferncia estatstica, o objetivo
principal obter informaes sobre uma populao a partir das informaes de uma
amostra e aqui vamos precisar de definies mais formais de populao e amostra. Para
facilitar a compreenso destes conceitos, iremos apresentar alguns exemplos a ttulo de
ilustrao.
1
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 2
1.1.1 Exemplo 1
Em um estudo antropomtrico em nvel nacional, uma amostra de 5000 adultos sele-
cionada dentre os adultos brasileiros e uma das variveis de estudo a altura.
Neste exemplo, a populao o conjunto de todos os brasileiros adultos. No en-
tanto, o interesse (um deles, pelo menos) est na altura dos brasileiros. Assim, nesse
estudo, a cada sujeito da populao associamos um nmero correspondente sua altura.
Se determinado sujeito sorteado para entrar na amostra, o que nos interessa esse
nmero, ou seja, sua altura. Como vimos, essa a definio de varivel aleatria: uma
funo que associa a cada ponto do espao amostral um nmero real. Dessa forma, a
nossa populao pode ser representada pela varivel aleatria X = altura do adulto
brasileiro. Como essa uma v.a. contnua, a ela est associada uma funo de densi-
dade de probabilidade f e da literatura, sabemos que razovel supor que essa densidade
seja a densidade normal. Assim, nossa populao, nesse caso, representada por uma
v.a. X N (; 2 ). Conhecendo os valores de e teremos informaes completas
sobre a nossa populao.
Uma forma de obtermos os valores de e medindo as alturas de todos os
brasileiros adultos. Mas esse seria um procedimento caro e demorado. Uma soluo,
ento, retirar uma amostra (subonjunto) da populao e estudar essa amostra. Supon-
hamos que essa amostra seja retirada com reposio e que os sorteios sejam feitos de
forma independente, isto , o resultado de cada extrao no altera o resultado das de-
mais extraes. Ao sortearmos o primeiro elemento, estamos realizando um experimento
que d origem v.a. X1 =altura do primeiro elemento; o segundo elemento d origem
v.a. X2 =altura do segundo elemento e assim por diante. Como as extraes so
feitas com reposio, todas as v.a. X1 , X2 , . . . tm a mesma distribuio, que reflete
a distribuio da altura de todos os brasileiros adultos. Para uma amostra especfica,
temos os valores observados x1 , x2 , . . . dessas variveis aleatrias.
1.1.2 Exemplo 2
Consideremos, agora, um exemplo baseado em pesquisas eleitorais, em que estamos in-
teressados no resultado do segundo turno de uma eleio presidencial brasileira. Mais
uma vez, nossos sujeitos de pesquisa so pessoas com 16 anos ou mais, aptas a votar. O
interesse final saber a proporo de votos de um e outro candidato. Vamos considerar
uma situao simplificada em que no estamos considerando votos nulos, indecisos, etc.
Ento, cada sujeito de pesquisa d origem a uma varivel aleatria binria, isto , uma
v.a. que assume apenas dois valores. Como visto, podemos representar esses valores por
1 (candidato A) e 0 (candidato B), o que define uma varivel aleatria de Bernoulli, ou
seja, essa populao pode ser representada pela v.a. X Bern(p). O parmetro p rep-
resenta a probabilidade de um sujeito dessa populao votar no candidato A. Uma outra
interpretao que p representa a proporo populacional de votantes no candidato A.
Para obtermos informao sobre p, retira-se uma amostra da populao e, como
antes, vamos supor que essa amostra seja retirada com reposio. Ao sortearmos o
primeiro elemento, estamos realizando um experimento que d origem v.a. X1 =voto
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 3
1.2 Populao
A inferncia estatstica trata do problema de se obter informao sobre uma populao
a partir de uma amostra. Embora a populao real possa ser constituda de pessoas,
empresas, animais, etc., as pesquisas estatsticas buscam informaes sobre determi-
nadas caractersticas dos sujeitos, caractersticas essas que podem ser representadas por
nmeros. Sendo assim, a cada sujeito da populao est associado um nmero, o que
nos permite apresentar a seguinte definio.
Definio 1.1 A populao de uma pesquisa estatstica pode ser representada por uma
varivel aleatria X que descreve a caracterstica de interesse.
Definio 1.2 Uma amostra aleatria simples (aas) de tamanho n de uma v.a.
X (populao) um conjunto de n v.a. X1 , X2 , ..., Xn independentes e identicamente
distribudas (i.i.d.).
T = g(X1 , X2 , ..., Xn )
mdia amostral
X1 + X2 + + Xn
X= (1.1)
n
varincia amostral n
1 P 2
S2 = Xi X (1.2)
n 1 i=1
Para uma amostra especfica, o valor obido para o estimador ser denominado esti-
mativa e, em geral, sero representadas por letras minsculas. Por exemplo, temos as
seguintes notaes correspondentes mdia amostral e varincia: x e s2 .
Outras estatsticas possveis so o mnimo amostral, o mximo amostral, a amplitude
amostral, etc.
De forma anloga, temos as caractersticas de interesse da populao. No entanto,
para diferenciar entre as duas situaes (populao e amostra), atribuimos nomes difer-
entes.
1 PN
= E(X) = Xi
N i=1
1 PN 1 PN 1 PN
V ar(X) = [Xi E(X)]2 = [Xi ]2 = Xi2 2
N i=1 N i=1 N i=1
Consideremos o seguinte exemplo, onde nossa populao o conjunto {1, 3, 6, 8}, isto
, este o conjunto dos valores da caracterstica de interesse da populao em estudo.
Assim, para esta populao, ou seja, para essa v.a. X temos
1
E(X) = = (1 + 3 + 6 + 8) = 4, 5
4
1
V ar(X) = 2 = (1 4, 5)2 + (3 4, 5)2 + (6 4, 5)2 + (8 4, 5)2
4
= 7, 25
Suponha que dessa populao iremos extrair uma aas de tamanho 2 e a estatstica
que iremos calcular a mdia amostral. Algumas possibilidades de amostra so {1,1},
{1,3}, {6,8}, para as quais os valores da mdia amostral so 1, 2 e 7, respectivamente.
Podemos ver, ento, que h uma variabilidade nos valores da estatstica e, assim, seria
interessante que conhecssemos tal variabilidade. Conhecendo tal variabilidade, temos
condies de saber quo infelizes podemos ser no sorteio da amostra. No exemplo
acima, as amostras {1,1} e {8,8} so as que tm mdia amostral mais afastada da
verdadeira mdia populacional. Se esses valores tiverem chance muito mais alta do que
os valores mais prximos de E(X), podemos ter srios problemas.
Para conhecer o comportamento da mdia amostral, teramos que conhecer todos
os possveis valores de X, o que equivaleria a conhecer todas as possveis amostras de
tamanho 2 de tal populao. Nesse exemplo, como s temos 4 elementos na populao,
a obteno de todas as aas de tamanho 2 no difcil.
Lembre-se do nosso estudo de anlise combinatria: como o sorteio feito com
reposio, em cada um dos sorteios temos 4 possibilidades. Logo, o nmero total de
amostras aleatrias simples 4 4 = 16. Por outro lado, em cada sorteio, cada ele-
mento da populao tem a mesma chance de ser sorteado; como so 4 elementos, cada
elemento tem probabilidade 1/4 de ser sorteado. Finalmente, como os sorteios so in-
dependentes, para obter a probabilidade de um par de elementos pertencer amostra
basta multiplicar as probabilidades (lembre-se que Pr(A B) = Pr(A) Pr(B) quando
A e B so independentes). A independncia dos sorteios garantida pela reposio de
cada elemento sorteado. Na Tabela 1.1 a seguir listamos todas as possveis amostras,
com suas respectivas probabilidades e para cada uma delas, apresentamos o valor da
mdia amostral.
Analisando esta tabela, podemos ver que os possveis valores X so 1; 2; 3; 3,5; 4,5;
5,5; 6; 7; 8 e podemos construir a sua funo de distribuio de probabilidade, notando,
por exemplo, que o valor 2 pode ser obtido atravs de duas amostras: (1,3) ou (3,1).
Como essas amostras correspondem a eventos mutuamente exclusivos, a probabilidade
de se obter uma mdia amostral igual a 2
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9
(a)
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9
(b)
Da mesma forma que fizemos para a mdia amostral, vamos calcular o valor
dessas estatsticas para cada uma das amostras. Na Tabela 1.2 temos os resultados
parciais e globais de interesse.
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 9
P
2
Amostra x (x1 x)2 (x2 x)2 (xi x)2 S2 b2
i=1
(1, 1) 1 (1 1)2 (1 1)2 0 0 0
(1, 3) 2 (1 2)2 (3 2)2 2 2 1
(1, 6) 3, 5 (1 3, 5)2 (6 3, 5)2 12, 5 12, 5 6, 25
(1, 8) 4, 5 (1 4, 5)2 (8 4, 5)2 24, 5 24, 5 12, 25
(3, 1) 2 (3 2)2 (1 2)2 2 2 1
(3, 3) 3 (3 3)2 (3 3)2 0 0 0
(3, 6) 4, 5 (3 4, 5)2 (6 4, 5)2 4, 5 4, 5 2, 25
(3, 8) 5, 5 (3 5, 5)2 (8 5, 5)2 12, 5 12, 5 6, 25
(6, 1) 3, 5 (6 3, 5)2 (1 3, 5)2 12, 5 12, 5 6, 25
(6, 3) 4, 5 (6 4, 5)2 (3 4, 5)2 4, 5 4, 5 2, 25
(6, 6) 6 (6 6)2 (6 6)2 0 0 0
(6, 8) 7 (6 7)2 (8 7)2 2 2 1
(8, 1) 4, 5 (8 4, 5)2 (1 4, 5)2 24, 5 24, 5 12, 25
(8, 3) 5, 5 (8 5, 5)2 (3 5, 5)2 12, 5 12, 5 6, 25
(8, 6) 7 (8 7)2 (6 7)2 2 2 1
(8, 8) 8 (8 8)2 (8 8)2 0 0 0
s2 0 2 4, 5 12, 5 24, 5
2 2
Pr(S = s ) 4/16 4/16 2/16 4/16 2/16
b2
e a funo de distribuio de probabilidade de
k 0 1 2, 25 6, 25 12, 25
2
Pr(b
= k) 4/16 4/16 2/16 4/16 2/16
Na Figura 1.2, o estimador da parte (a) mais eficiente que o estimador da parte
(b).
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 12
Uma outra propriedade dos estimadores est relacionada idia bastante intuitiva
de que medida que se aumenta o tamanho da amostra, mais perto devemos ficar do
verdadeiro valor do parmetro.
lim E(Tn ) =
n
lim V ar(Tn ) = 0
n
Como cada estimador uma varivel aleatria, ele pode ser descrito pela sua funo
de distribuio, que chamada distribuio amostral do estimador. A distribuio
amostral de um estimador a distribuio ao longo de todas as possveis amostras
de mesmo tamanho n.
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 13
1.8 Exerccios
Para fixar as idias sobre os conceitos apresentados nesta aula, voc ir trabalhar com
amostras aleatrias simples de tamanho 3 retiradas da populao {1, 2, 4, 6, 8}. Pelo
princpio da multiplicao, o nmero total de amostras 5 5 5 = 125 e cada uma
dessas amostras tem probabilidade 15 15 15 = 125 1
. Iremos considerar os seguintes
estimadores para a mdia da populao:
mdia amostral:
X1 + X2 + X3
X=
3
mdia amostral ponderada:
X1 + 2X2 + X3
Xp =
4
ponto mdio
min(X1 , X2 , X3 ) + max(X1 , X2 , X3 )
=
2
2. Nas cinco tabelas a seguir, voc tem listadas as 125 amostras. Para cada uma
das amostras, calcule os valores dos estimadores. Para as 6 primeiras amostras os
clculos j esto feitos, a ttulo de ilustrao. Voc no precisa indicar todas as
contas; apenas use a mquina de calcular e anote o resultado obtido.
Amostra Estimador
X1 X2 X3 X Xp
1+1+1 1+21+1 1+1
1 1 1 3
=1 4
=1 2
=1
1+1+2
1 1 2 3
= 43 1+21+2
4
= 54 1+2
2
= 32
1+1+4 1+21+4
1 1 4 3
=2 4
= 74 1+4
2
= 52
1+1+6
1 1 6 3
= 83 1+21+6
4
= 94 1+6
2
= 72
1+1+8
1 1 8 3
= 10
3
1+21+8
4
= 11
4
1+8
2
= 92
1+2+1 4 1+22+1 6 1+2
1 2 1 3
= 3 4
= 4 2
= 32
1 2 2
1 2 4
1 2 6
1 2 8
1 4 1
1 4 2
1 4 4
1 4 6
1 4 8
1 6 1
1 6 2
1 6 4
1 6 6
1 6 8
1 8 1
1 8 2
1 8 4
1 8 6
1 8 8
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 15
Amostra Estimador
X1 X2 X3 X Xp
2 1 1
2 1 2
2 1 4
2 1 6
2 1 8
2 2 1
2 2 2
2 2 4
2 2 6
2 2 8
2 4 1
2 4 2
2 4 4
2 4 6
2 4 8
2 6 1
2 6 2
2 6 4
2 6 6
2 6 8
2 8 1
2 8 2
2 8 4
2 8 6
2 8 8
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 16
Amostra Estimador
X1 X2 X3 X Xp
4 1 1
4 1 2
4 1 4
4 1 6
4 1 8
4 2 1
4 2 2
4 2 4
4 2 6
4 2 8
4 4 1
4 4 2
4 4 4
4 4 6
4 4 8
4 6 1
4 6 2
4 6 4
4 6 6
4 6 8
4 8 1
4 8 2
4 8 4
4 8 6
4 8 8
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 17
Amostra Estimador
X1 X2 X3 X Xp
6 1 1
6 1 2
6 1 4
6 1 6
6 1 8
6 2 1
6 2 2
6 2 4
6 2 6
6 2 8
6 4 1
6 4 2
6 4 4
6 4 6
6 4 8
6 6 1
6 6 2
6 6 4
6 6 6
6 6 8
6 8 1
6 8 2
6 8 4
6 8 6
6 8 8
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 18
Amostra Estimador
X1 X2 X3 X Xp
8 1 1
8 1 2
8 1 4
8 1 6
8 1 8
8 2 1
8 2 2
8 2 4
8 2 6
8 2 8
8 4 1
8 4 2
8 4 4
8 4 6
8 4 8
8 6 1
8 6 2
8 6 4
8 6 6
8 6 8
8 8 1
8 8 2
8 8 4
8 8 6
8 8 8
CAPTULO 1. INFERNCIA ESTATSTICA - CONCEITOS BSICOS 19
Parmetro Estimador
populacional X Xp
Mdia = 4, 2 4, 2000 4, 2000 4, 2480
2
Varincia = 6, 56 2, 1867 2, 4600 1, 8585
E(X) = (2.1)
2
V ar(X) = (2.2)
n
Demonstrao:
22
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 23
X1 + X2 + + Xn 1
V ar(X) = V ar = 2 V ar(X1 + X2 + + Xn )
n n
" #
1 P
= 2 V ar(X1 ) + V ar(X2 ) + + V ar(Xn ) + Cov(Xi , Xj )
n i6=j
1 2 2 2
1 2 2
= 2 + + + + 0 = 2 n =
n n n
0,3
X ~ N (2 ; 9 4 )
0,2
X ~ N ( 2;9 )
0,1
0,0
-8 -6 -4 -2 0 2 4 6 8 10 12
2.3 Exemplos
Exemplo 2.1 A capacidade mxima de um elevador de 500 kg. Se a distribuio dos
pesos dos usurios N(70; 100), qual a probabilidade de que 7 pessoas ultrapassem este
limite? E de 6 pessoas?
Soluo
Podemos considerar os 7 passageiros como uma amostra aleatria simples da pop-
ulao de todos os usurios, representada pela v.a. X N(70; 100). Seja, ento,
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 25
0,18
0,16
0,14
0,12
N(100,100/16)
0,10
0,08
0,06 N(100,100)
0,04
0,02
0,00
60 70 80 90 100 110 120 130 140
0,18
0,16
0,14 N(100;100/16)
0,12
0,1
0,08
0,06
N(100;100/4)
0,04
0,02
0
60 70 80 90 100 110 120 130 140
1. Em quanto deve ser regulado o peso mdio para que apenas 10% dos pacotes
tenham menos do que 500 g?
Soluo
1. Seja X a varivel aleatria que representa o peso dos pacotes. Sabemos, ento,
que X N(; 100). Queremos que
P
4
2. Sejam X1, X2 , X3 , X4 os pesos dos 4 pacotes da amostra. Queremos que Xi <
i=1
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 29
X
N(0, 1)
n
Exemplo 2.4 Uma moeda lanada 50 vezes, com o objetivo de se verificar sua hon-
estidade. Se ocorrem 36 caras nos 50 lanamentos, o que podemos concluir?
Soluo
Neste caso, a populao pode ser representada por uma varivel de Bernoulli X
com parmetro p, isto , X assume o valor 1 com probabilidade p na ocorrncia de
cara e assume o valor 0 com probabilidade 1 p na ocorrncia de coroa. Para uma
varivel Bernoulli, temos que E(X) = p e V ar(X) = p(1 p). Como so feitos 50
lanamentos, o tamanho da amostra 50 (n grande!) e, pelo teorema limite central, X
aproximadamente normal com mdia E(X) = p e varincia V ar(X) = p(1p)50
.
Suponhamos que a moeda seja honesta, isto , que p = 1/2. Nestas condies,
qual a probabilidade de obtermos 36 caras em 50 lanamentos? Com a hiptese de
honestidade da moeda, o teorema limite central nos diz que
1 1
1 22
XN ;
2 50
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 31
1,2
1,0
0,8
0,6
0,4
0,2
0,0
0 1 2 3 4 5 6 7
n=10 n=50
1800 1600
1600 1400
1400
1200
1200
1000
Frequency
Frequency
1000
800
800
600
600
400
400
200 200
0 0
0,261 0,761 1,261 1,761 2,261 0,604 0,804 1,004 1,204 1,404 1,604
n=100 n=250
1400 1600
1200 1400
1200
1000
Frequency
1000
Frequency
800
800
600
600
400
400
200
200
0 0
0,690 0,790 0,890 0,990 1,090 1,190 1,290 0,804 0,854 0,904 0,954 1,004 1,054 1,104 1,154 1,204
Figura 2.5: Ilustrao do Teorema Limite Central para uma populao X exp(1)
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 32
Note que essa probabilidade bastante pequena, ou seja, h uma pequena probabilidade
de obtermos 36 ou mais caras em um lanamento de uma moeda honesta. Isso pode nos
levar a suspeitar sobre a honestidade da moeda!
Teorema 2.4 Seja X1 , X2 , . . . , Xn uma amostra aleatria simples extrada de uma pop-
ulao com N elementos e varincia populacional
1 PN
2 = (Xi )2
N i=1
1
P
N
1
P
n
onde = N
Xi a mdia (esperana) populacional. Ento S 2 = n1
(Xi X)2
i=1 i=1
um estimador no viesado para estimar 2 .
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 33
Demonstrao
P
n P
n n
P 2
(Xi X)2 = (Xi + X)2 = (Xi ) X
i=1 i=1 i=1
Pn P
n 2 P
n
= (Xi )2 + X 2 (Xi ) X
i=1 i=1 i=1
Pn 2 Pn
= (Xi )2 + n X 2 X (Xi )
i=1 i=1
n
Pn
2 2 P
= (Xi ) + n X 2 X Xi n
i=1 i=1
Pn 2
= (Xi )2 + n X 2 X nX n
i=1
Pn 2
= (Xi )2 n X
i=1
Da segue que
n
2 1 P n
2 1 P 2 2
E(S ) = E (Xi X) = E (Xi ) n X
n 1 i=1 n1 i=1
n
1 P 2 2
= E (Xi ) nE X
n 1 i=1
2
Mas como = E(Xi ) = E(X) e E (Xi )2 = V ar(Xi ) = 2 e E X = V ar(X)
resulta que
n
2 1 P
E(S ) = V ar(Xi ) nV ar(X)
n 1 i=1
n
1 P 2 2
= n
n 1 i=1 n
1 2
= n 2
n1
= 2
E(X) =
2
V ar(X) =
n
e a varincia amostral S 2 um estimador no viesado para estimar 2 , isto
E(S 2 ) = 2
X
N(0, 1)
n
ou
X
n N(0, 1)
2.7 Exerccios
1. Uma amostra de tamanho n = 18 extrada de uma populao normal com mdia
15 e desvio padro 2,5. Calcule a probabilidade de que a mdia amostral
(a) Supondo que a mquina que produz os parafusos o faa de modo que os
comprimentos tenham distribuio normal com mdia e desvio padro de
1,0 cm, em quanto deve ser regulada a mquina para satisfazer as condies
de lucratividade da empresa?
(b) Para manter o processo sob controle, programada uma carta de qualidade.
A cada hora ser sorteada uma amostra de 4 parafusos e, se o comprimento
mdio dessa amostra for menor que 9,0 cm, o processo de produo inter-
rompido para uma nova regulagem da mquina. Qual a probabilidade de
uma parada desnecessria?
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 36
(a)
169 172 X 172 175 172
Pr(169 X 175) = Pr q q q
25 25 25
16 16 16
= Pr(2, 4 Z 2, 4) = 2 Pr(0 Z 2, 4)
= 2 tab(2, 4) = 2 0, 4918 = 0, 9836
(b)
178 172
Pr(X > 178) = Pr Z > q
25
16
= Pr(Z > 4, 8) 0
(c)
165 172
Pr(X < 165) = Pr Z < q
25
16
= Pr(Z < 5, 6) 0
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 37
2. Temos que X N(150; 132 ) e queremos determinar n para que Pr( X <
6, 5) = 0, 95.
Pr( X 150 < 6, 5) = 0, 95
Pr(6, 5 < X 150 < 6, 5) = 0, 95
!
6, 5 X 150 6, 5
Pr 13 < 13 < 13 = 0, 95
n n n
Pr(0, 5 n < Z < 0, 5 n) = 0, 95
2 Pr(0 < Z < 0, 5 n) = 0, 95
Pr(0 < Z < 0, 5 n) = 0, 475
tab(0, 5 n) = 0, 475
0, 5 n = 1, 96
1, 96
n= = 3, 92
0, 5
n = (3, 92)2 16
Lista de Exerccios 2
1. Podemos aceitar que as 200 lmpadas compradas sejam uma amostra aleatria
simples da populao referente s lmpadas produzidas por esse fabricante. Como
n = 100 um tamanho suficientemente grande de amostra,
podemos usar o teo-
2502
rema limite central , que nos diz que X N 1600; 100 . Logo
X 1600 1650 1600
Pr(X > 1650) = Pr q > q
2502 2502
100 100
= Pr(Z > 2, 0)
= 0, 5 Pr(0 Z 2)
= 0, 5 tab(2, 0)
= 0, 5 0, 47725 = 0, 02275
(a)
14, 5 15 16 15
Pr(14, 5 X 16) = Pr q Z q
2,52 2,52
18 18
= Pr(0, 85 Z 1, 70)
= Pr(0, 85 Z 0) + Pr(0 < Z 1, 70)
= Pr(0 Z 0, 85) + Pr(0 Z 1, 70)
= tab(0, 85) + tab(1, 70) = 0, 75777
(b)
16, 1 15
Pr(X > 16, 1) = Pr Z > q
2,52
18
= Pr(Z > 1, 87)
= 0, 5 Pr(0 Z 1, 87)
= 0, 5 tab(1, 87) = 0, 03074
2. X N(512, 8; 100)
(a) Parada desnecessria: amostra indica que o processo est fora de controle
(X < 497 ou X > 520), quando, na verdade, o processo est ajustado ( =
512, 8). Neste caso, podemos usar a notao de probabilidade condicional
para auxiliar na soluo do exerccio. Queremos calcular
Pr X < 497 X > 520 | X N 512, 8; 100 4
=
= Pr X < 497 | X N (512, 8; 25) + Pr X > 520 | X N (512, 8; 25)
497 512, 8 520 512, 8
= Pr Z < + Pr Z >
5 5
= Pr(Z < 3, 16) + Pr(Z > 1, 44)
= Pr(Z > 3, 16) + Pr(Z > 1, 44)
= [0, 5 Pr(0 Z 3, 16)] + [0, 5 Pr(0 Z 1, 44)]
= 0, 5 tab(3, 16) + 0, 5 tab(1, 44)
= 1, 0 0, 49921 0, 42507
= 0, 07572
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 39
X > 23 = mquina 2
X 23 = mquina 1
16
Pr(E1 ) = Pr X 23|X N 25;
16
23 25
= Pr Z
1
= Pr(Z 2)
= Pr(Z 2) =
= 0, 5 tab(2, 0)
= 0, 5 0, 47725
= 0, 02275
16
Pr(E2 ) = Pr X > 23|X N 20;
16
23 20
= Pr Z >
1
= Pr(Z > 3)
= 0, 5 tab(3, 0)
= 0, 5 0, 49865
= 0, 00135
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 40
4. Note que e igual a X menos uma constante e sabemos que E(X) = e V ar(X) =
2
n
.
E(e) = E(X) = = 0
2
V ar(e) = V ar(X) =
n
(b) X N(; 202 ) e n = 100. Queremos
(c)
Pr(|e| > ) = 0, 01
Pr(e < ) + Pr(e > ) = 0, 01
Pr(X < ) + Pr(X > ) = 0, 01
X X
Pr 20 < 20 + Pr 20 > 20 = 0, 01
10 10 10 10
Pr Z < + Pr Z > = 0, 01
2 2
2 Pr Z > = 0, 01
2
Pr Z > = 0, 005
2
0, 5 Pr 0 Z = 0, 005
2
Pr 0 Z = 0, 495
2
tab = 0, 495
2
= 2, 58 = 5, 16
2
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 41
(d)
Pr (|e| < 1) = 0, 95
Pr(1 < X < 1) = 0, 95
!
1 1
Pr 20 < Z < 20 = 0, 95
n n
! !
1 1
Pr 20 <Z<0 + Pr 0 Z < 20 = 0, 95
n n
!
1
2 Pr 0 Z < 20 = 0, 95
n
!
1
Pr 0 Z < 20 = 0, 475
n
n
= 1, 96
20
n = 39, 2 n 1537
(a) X N(; 1). Como Pr(X < 8, 5) = 0, 05, resulta que 8,5 tem que ser menor
que , ou seja, a abscissa 8, 5 tem que estar no lado negativo da escala
da normal padronizada.
Pr(X < 8, 5) = 0, 05
8, 5
Pr Z < = 0, 05
1
8, 5
Pr Z > = 0, 05
1
Pr(0 Z 8, 5) = 0, 45
8, 5 = 1, 64
= 10, 14
(b) Parada desnecessria: amostra indica processo fora de controle (X < 9),
CAPTULO 2. DISTRIBUIO AMOSTRAL DA MDIA 42
A probabilidade de se obter esse valor nas condies dadas pelo gerente muito
pequena, o que pode nos fazer suspeitar da veracidade das afirmativas. provvel
que, ou a mdia no seja 2 (e, sim, menor que 2), ou o desvio padro no seja 0,05
(e, sim, maior que 0,05). Esboce grficos da normal para compreender melhor esse
comentrio!
Captulo 3
Distribuio Amostral da Proporo
Neste captulo voc ver uma importante aplicao do Teorema Limite Central: iremos
estudar a distribuio amostral de propores. Assim, voc ver os resultados referentes
aproximao da distribuio binomial pela distribuio normal, que nos permitir fazer
inferncia sobre propores.
Voc ver os seguintes resultados:
correo de continuidade
43
CAPTULO 3. DISTRIBUIO AMOSTRAL DA PROPORO 44
0,25
0,20
0,15
0,10
0,05
0,00
0 1 2 3 4 5 6 7 8 9 10 11 12
Suponha que queiramos calcular Pr(X 8). Isso equivale a somar as reas dos 4
ltimos retngulos superiores. Pela aproximao normal, no entanto, temos que calcular
a rea (probabilidade) acima do ponto 7,5, de modo a incluir os 4 retngulos. Assim,
Y 6 7, 5 6
Pr(X 8) Pr(Y 7, 5) = Pr
3 3
= Pr(Z 0, 87)
= 0, 5 tab(0, 87)
= 0, 5 0, 30785
= 0, 19215
Vamos, agora, calcular Pr(X > 10). Isso equivale rea dos 2 retngulos superiores,
centrados em 11 e 12 (este ltimo no visvel, pois Pr(X = 12) = 0, 000244); logo,
pela distribuio normal temos que calcular Pr(Y 10, 5) :
Y 6 10 6
Pr(X > 10) Pr(Y 10, 5) = Pr
3 3
= Pr(Z 2, 31)
= 0, 5 tab(2, 31)
= 0, 5 0, 48956
= 0, 01044
Se queremos Pr(X < 5), isso equivale s reas dos 4 retngulos inferiores e, portanto
Y 6 56
Pr(X < 5) Pr(Y 4, 5) = Pr
3 3
= Pr(Z 0, 58)
= Pr(Z 0, 58)
= 0, 5 tab(0, 58)
= 0, 5 0, 21904
= 0, 28096
interessante observar que para uma varivel binomial faz sentido calcular Pr(X =
k); no caso da normal, essa probabilidade nula, qualquer que seja k. Para usar a
aproximao normal para calcular, por exemplo, Pr(X = 5), devemos notar que essa
probabilidade equivale rea do retngulo centrado em 5 e, em termos da curva normal,
CAPTULO 3. DISTRIBUIO AMOSTRAL DA PROPORO 46
Pr(X = 5) Pr(4, 5 Y 5, 5)
4, 5 6 5, 5 6
= Pr Z
3 3
= Pr(0, 87 Z 0, 29)
= Pr(0, 29 Z 0, 87)
= tab(0, 87) tab(0, 29)
= 0, 30785 0, 11409
= 0, 19376
A distribuio binomial com parmetros n e p pode ser aproximada por uma dis-
tribuio normal com mdia = np e varincia 2 = np(1 p) se so satisfeitas as
seguintes condies:
1. np 5
2. n(1 p) 5
e os valores possveis de Pb so 0, n1 , n2 , . . . , n1
n
, 1 com
k
Pr Pb = = Pr(Sn = k) (3.2)
n
Analisando a expresso (3.1), podemos ver que Pb nada mais que a mdia amostral
de Xi Bern(p), i = 1, . . . , n. Logo, o Teorema 2.1 se aplica com E(X) = p e V ar(X) =
p(1 p),ou seja:
E(Pb) = p
p(1 p)
V ar(Pb) =
n
Vemos, ento, que a proporo amostral um estimador no-viesado da proporo
populacional p. A distribuio exata dada pela expresso (3.2).
Como a proporo amostral uma mdia de uma amostra aleatria simples de uma
populao com distribuio de Bernoulli com parmetro p, o Teorema Limite Central
nos diz, ento, que a distribuio da proporo amostral se aproxima de uma nornal
com mdia p e varincia p(1p)
n
. Como essa aproximao uma conseqncia direta da
aproximao normal da binomial, as mesmas regras continuam valendo: a aproximao
deve ser feita se np 5 e n(1 p) 5.
CAPTULO 3. DISTRIBUIO AMOSTRAL DA PROPORO 49
Seja uma populao descrita pela varivel aleatria X Bern(p). Ento, Pr(X =
1) = p, Pr(X = 0) = 1 p, E(X) = p e V ar(X) = p(1 p). Seja X1 , X2 , . . . , Xn
uma aas desta populao. Definindo a proporo amostral
X1 + X2 + . . . + Xn
Pb =
n
resulta que
b p(1 p)
P N p;
n
e essa aproximao pode ser usada se np 5 e n(1 p) 5.
3.4 Exerccios
1. Use a aproximao normal para calcular as probabilidades pedidas, tendo o cuidado
de verificar que as condies para essa aproximao so realmente satisfeitas.
4. Com base em dados histricos, uma companhia area estima em 15% a taxa de
desistncia entre seus clientes, isto , 15% dos passageiros com reserva no apare-
cem na hora do vo. Para otimizar a ocupao de suas aeronaves, essa companhia
decide aceitar 400 reservas para os vos em aeronaves que comportam apenas 350
passageiros. Calcule a probabilidade de que essa companhia no tenha assen-
tos suficientes em um desses vos. Essa probabilidade alta o suficiente para a
companhia rever sua poltica de reserva?
1. 18 0, 4 = 7, 2 > 5
18 0, 6 = 10, 8 > 5
X N (7, 2; 4, 32)
14, 5 7, 2
Pr(X 15) Pr Z
4, 32
= Pr(Z 3, 51) = 0, 5 0, 49978 = 0, 00022
1, 5 7, 2
Pr(X < 2) Pr Z
4, 32
= Pr(Z 2, 74) = Pr(Z 2, 74)
= 0, 5 0, 49693 = 0, 00307
CAPTULO 3. DISTRIBUIO AMOSTRAL DA PROPORO 52
2. 40 0, 3 = 12 > 5
40 0, 7 = 28 > 5
X N(12; 8. 4)
9, 5 12
Pr(X < 10) = Pr Z
8, 4
= Pr(Z 0, 86) = Pr(Z 0, 86)
= 0, 5 0, 30511 = 0, 19489
25, 5 12 27, 5 12
Pr(25 < X < 28) = Pr Z
8, 4 8, 4
= Pr(4, 66 Z 5, 35) 0
3. 65 0, 9 = 58, 5 > 5
65 0, 1 = 6, 5 > 5
X N(58, 5; 5, 85)
57, 5 58, 5 58, 5 58, 5
Pr(X = 58) = Pr Z
5, 85 5, 85
= Pr(0, 41 Z 0) = Pr(0 Z 0, 41) = 0, 15910
60, 5 58, 5 63, 5 58, 5
Pr(60 < X 63) = Pr Z
5, 85 5, 85
= Pr(0, 83 Z 2, 07) = 0, 48077 0, 29673 = 0, 18404
5. 50 0, 2 = 10, 0 > 5
50 0, 8 = 40, 0 > 5
X N(10; 8)
26, 5 10
Pr(X > 26) = Pr Z = Pr(Z 5, 83) 0
8
4, 5 10 9, 5 10
Pr(5 X < 10) = Pr Z
8 8
= Pr(1, 94 Z 0, 18) = Pr(0, 18 Z 1, 94)
= 0, 47381 0, 07142 = 0, 40239
CAPTULO 3. DISTRIBUIO AMOSTRAL DA PROPORO 53
Lista de Exerccios 2
(b) np = 50 n(1 p) = 50
X N(50; 25)
42, 5 50 56, 5 50
Pr(42 < X 56) = Pr Z
5 5
= Pr(1, 5 Z 1, 3) = 0, 43319 + 0, 40320 = 0, 83639
(j) np = 38 n(1 p) = 57
X N(38; 22, 8)
29, 5 38 47, 5 38
Pr(30 X < 48) = Pr Z
22, 8 22, 8
= Pr(1, 78 Z 1, 99) = 0, 47670 + 0, 46246 = 0, 93916
Esse um resultado que pode ocorrer por mero acaso, ou seja, no um resultado
no-usual.
Essa uma probabilidade um pouco alta; talvez valha a pena a companhia rever
a poltica de reservas e aceitar menos que 400 reservas.
intervalo de confiana
margem de erro
nvel de confiana
nvel de seignificncia
56
CAPTULO 4. INTERVALOS DE CONFIANA 57
diferente do estimador. Para algumas amostras, X ser maior que , para outras ser
menor e para outras ser igual.
Na prtica, temos apenas uma amostra e, assim, importante que se d alguma in-
formao sobre essa possvel variabilidade do estimador. Ou seja, importante informar
o valor do estimador b obtido com uma amostra especfica, mas importante informar
tambm que o verdadeiro valor do parmetro poderia estar num determinado intervalo,
digamos, no intervalo [b ,b + ]. Dessa forma, estamos informando a nossa margem
de erro no processo de estimao; essa margem de erro conseqncia do processo de
seleo aleatria da amostra.
O que vamos estudar agora como obter esse intervalo, de modo a acertar na
maioria das vezes, isto , queremos um procedimento que garanta que, na maioria
das vezes (ou das amostras possveis), o intervalo obtido conter o verdadeiro valor do
parmetro. A expresso na maioria das vezes ser traduzida como probabilidade
alta. Dessa forma, estaremos lidando com afirmativas do seguinte tipo:
h i
Pr b
;b
+ =1 (4.1)
X
Z= q N(0; 1)
2
n
ou equivalentemente,
X
Z= n N(0; 1) (4.2)
4.2.1 Notao
Vamos estabelecer a seguinte notao: vamos indicar por z a abscissa da curva normal
padro que deixa probabilidade (rea) igual a acima dela. Veja a Figura 4.2. Temos,
ento, que Pr(Z > z ) = . Essa abscissa z normalmente chamada de valor crtico.
Consideremos, agora, o valor crtico z/2 ;veja a Figura 4.3. Da podemos ver que,
se Z N(0; 1), ento
Pr z/2 Z z/2 = 1 (4.3)
Note que isso vale para a distribuio normal padro, em geral. Ento, usando os
resultados (4.2) e (4.3), obtemos que
X
Pr z/2 n z/2 = 1
CAPTULO 4. INTERVALOS DE CONFIANA 60
vlida porque ela envolve a varivel aleatria X, que tem diferentes valores para as
diferentes amostras. Quando substitumos o estimador X por uma estimativa especfica
CAPTULO 4. INTERVALOS DE CONFIANA 62
x obtida a partir de uma amostra particular, temos apenas um intervalo e no faz mais
sentido falar em probabilidade.
Para ajudar na interpretao do intervalo de confiana, suponha que, com uma
amostra de tamanho 25, tenha sido obtido o seguinte intervalo de confiana com nvel
de confiana de 0,95:
2 2
5 1, 96 ; 5 + 1, 96 = [4, 216; 5, 784]
25 25
Esse intervalo especfico contm ou no contm o verdadeiro valor de . O que esta-
mos dizendo que, se repetssemos o mesmo procedimento de sorteio de uma amostra
aleatria simples da populao e conseqente construo do intervalo de confiana, 95%
dos intervalos construdos conteriam o verdadeiro valor de .
Sendo assim, errado dizer que h uma probabilidade de 0,95 de o intervalo especfico
[4, 216; 5, 784] conter o verdadeiro valor de . Mas certo dizer que com probabilidade
0,95 o intervalo
2 2
X 1, 96 ; X + 1, 96
25 25
contm . Note a varivel aleatria X no limite do intervalo.
Exemplo 4.1 Em determinada populao, o peso dos homens adultos distribudo nor-
malmente com um desvio padro de 16 kg. Uma amostra aleatria simples de 36 homens
adultos sorteada desta populao, obtendo-se um peso mdio de 78,2 kg. Construa um
intervalo de confiana de nvel de confiana 0,95 para o peso mdio de todos os homens
adultos dessa populao.
Soluo
Vamos incialmente determinar o valor crtico associado ao nvel de confiana de 0,95.
Como 1 = 0, 95, resulta que = 0, 05 e /2 = 0, 025.
Analisando a Figura 4.3, vemos que nas duas caudas da distribuio normal padro
temos que ter 5% da rea ( = 0, 05); logo, em cada cauda temos que ter 2,5%
(/2 = 0, 025) da rea total. Em termos da nossa tabela da distribuio normal padro
(apresentada novamente ao final da apostila como Tabela 1), isso significa que entre 0
e z0,025 temos que ter (50 2, 5)% = 47, 5% e, assim, temos que procurar no corpo da
tabela o valor de 0,475 para determinar a abscissa z0,025 . Veja a Figura 4.4.
Procurando no corpo da tabela da distribuio normal padro, vemos que o valor
0,475 corresponde abscissa z0,025 = 1, 96. Logo, nosso intervalo de confiana
16 16
78, 2 1, 96 ; 78, 2 + 1, 96 = [72, 9733 ; 83, 4267]
36 36
Esse intervalo contm ou no o verdadeiro valor de , mas o procedimento utilizado
para sua obteno nos garante que h 95% de chance de estarmos certos.
CAPTULO 4. INTERVALOS DE CONFIANA 63
3. De uma populao normal com desvio padro 2, extrai-se uma aas de tamanho 36,
P
36
que fornece o seguinte resultado: xi = 1236. Calcule o intervalo de confiana
i=1
para a mdia populacional , utilizando o nvel de significncia = 2%.
Analisando a equao (4.5), podemos ver que ela depende diretamente do valor crtico
e do desvio padro populacional e inversamente proporcional ao tamanho da amostra.
Na Figura 4.5 ilustra-se a relao de dependncia da margem de erro em relao
ao desvio padro populacional . Temos a duas distribuies amostrais centradas na
mesma mdia e baseadas em amostras de mesmo tamanho. Nas duas distribuies a
rea total das caudas sombreadas , de modo que o intervalo limitado pelas linhas
verticais o intervalo de confiana de nvel de confiana 1 . Para a distribuio mais
dispersa, isto , com maior, o comprimento do intervalo maior. Esse resultado deve
CAPTULO 4. INTERVALOS DE CONFIANA 64
ser intuitivo: se h mais variabilidade na populao, a nossa margem de erro tem que ser
maior, mantidas fixas as outras condies (tamanho de amostra e nvel de confiana).
Por outro lado, se mantivermos fixos o tamanho da amostra e o desvio padro popu-
lacional, razovel tambm esperar que a margem de erro seja maior para um nvel de
confiana maior. Ou seja, se queremos aumentar a probabilidade de acerto, razovel
que o intervalo seja maior. Aumentar a probabilidade de acerto significa aumentar
o nvel de confiana, o que acarreta em um valor crtico z/2 maior. Veja a Figura
4.6, onde ilustra-se o intervalo de confiana para dois nveis de confiana diferentes:
1 2 > 1 1 . O primeiro intervalo maior, refletindo o maior grau de confiana.
Exemplo 4.2 De uma populao normal com varincia 25 extrai-se uma amostra aleatria
CAPTULO 4. INTERVALOS DE CONFIANA 65
Soluo
Para um nvel de confiana 0,90, o valor do nvel de significncia = 0, 10. Ento,
na cauda superior da distribuio normal padro temos que ter uma rea (probabilidade)
de 0,05 e, portanto, para encontrarmos o valor de z0,05 temos que procurar no corpo da
tabela o valor 0,45 (se necessrio, consulte a Figura 4.4). Resulta que z0,05 = 1, 64.
Temos, ento, todos os valores necessrios:
5 1, 64 5
2 = 1, 64 n = = 4, 1 n = 16, 71
n 2
Como o valor de n tem que ser um inteiro, uma estimativa apropriada n = 17 (devemos
arredondar para cima para garantir um nvel de confiana no mnimo igual ao desejado).
Soluo
Quando se divulga um intervalo de confiana para um certo parmetro, cos-
tume publicar tambm a estimativa pontual. Nesse caso, temos que informar a mdia
amostral, que pode ser achada observando que o intervalo de confiana simtrico em
torno da mdia. Logo, x o ponto mdio do intervalo:
1, 79 + 3, 01
x= = 2, 4
2
Outra informao importante o nvel de confiana, que encontrado a partir da abscissa
z/2 :
3 0, 61 45
0, 61 = z/2 z/2 = = 1, 36
45 3
Consultando a tabela da distribuio normal, vemos que tab(1, 36) = 0, 41308. Veja a
Figura 4.7: o nvel de confiana 2 0, 41308 = 0, 826 16 0, 83.
2. Obtido um intervalo de confiana para a mdia de uma N (; 25), o que deve ser
feito para se reduzir a margem de erro pela metade se no devemos alterar o nvel
de confiana?
4.5 Exerccios
1. De uma populao N(; 9) extrai-se uma amostra aleatria simples de tamanho
P
25
25, obtendo-se xi = 60. Desenvolva detalhadamente o intervalo de confiana de
i=1
nvel de confiana 99% para a mdia da populao.
(a) Obtenha o intervalo de confiana para a venda mdia mensal com nvel de
significncia de 5%.
(b) Obtenha o intervalo de confiana para a venda mdia mensal com nvel de
significncia de 1%.
CAPTULO 4. INTERVALOS DE CONFIANA 68
(c) Em qual dos dois nveis de significncia podemos afirmar que o gerente se
baseou para fazer a afirmativa?
1. 1 = 0, 90 = z0,05 = 1, 64
1 = 0, 99 = z0,005 = 2, 58
1 = 0, 80 = z0,10 = 1, 28
Lista de Exerccios 2
1. Como a amostra a mesma, isso significa que a populao a mesma, bem como
o tamanho de amostra, ou seja, e n so os mesmos. Vimos que um nvel de
confiana maior resulta em um intervalo de confiana maior; logo, o segundo in-
tervalo foi construdo com base em um nvel de confiana maior do que o utilizado
na construo do primeiro.
Pr(2, 58 Z 2, 58) = 0, 99
X
Pr 2, 58 q 2, 58 = 0, 99
9
25
r r !
9 9
Pr 2, 58 X 2, 58 = 0, 99
25 25
Pr(1, 548 X 1, 548) = 0, 99
Pr(X 1, 548 X + 1, 548) = 0, 99
1 = 0, 95 z/2 = 1, 96
Ento
4, 2
1, 96 0, 05
n
1, 96 4, 2
n = 164, 64
0, 05
n 27106, 3296
Pr(1, 64 Z 1, 64) = 0, 90
X
Pr 1, 64 q 1, 64 = 0, 90
0,582
25
0, 58 0, 58
Pr 1, 64 X 1, 64 = 0, 90
5 5
Pr(0, 19024 X 0, 19024) = 0, 90
Pr(X 0, 19024 X + 0, 19024) = 0, 90
4. = 0, 05 1 = 0, 95 z0,025 = 1, 96
(c) O gerente deve estar usando o nvel de significncia de 1% (ou nvel de con-
fiana de 99%).
Pr(1, 64 Z 1, 28) = 0, 85
X
Pr 1, 64 n 1, 28 = 0, 85
Pr 1, 64 X 1, 28 = 0, 85
n n
Pr X 1, 64 X + 1, 28 = 0, 85
n n
Pr X 1, 28 X + 1, 64 = 0, 85
n n
CAPTULO 4. INTERVALOS DE CONFIANA 72
73
CAPTULO 5. INTERVALOS DE CONFIANA: PROPORES - AMOSTRA GRANDE74
p(1p)
um estimador no-viesado para p com varincia n
. Mais precisamente,
E(Pb) = p
p(1 p)
V ar(Pb) =
n
Como a proporo amostral uma mdia de uma amostra aleatria simples de uma
populao com distribuio de Bernoulli com parmetro p, o Teorema Limite Central
nos diz que a distribuio de Pb se aproxima de uma nornal com mdia p e varincia
p(1p)
n
. Como visto, a aproximao deve ser feita se np 5 e n(1 p) 5 e, em geral,
essas condies so satisfeitas se n 30. Note que, com n = 30, np 5 sempre que
p 0, 1667; logo, essa indicao n 30 em geral funciona, desde que a caracterstica de
interesse no seja extremamente rarefeita na populao (em estatstica, usa-se o termo
populaes raras nos casos em que p muito pequeno). Caso haja suspeitas de que p
seja muito pequeno, deve-se aumentar o tamanho da amostra.
Resumindo, temos o seguinte resultado:
p(1 p)
Pb N p;
n
Pb p
q N(0; 1)
p(1p)
n
ou equivalentemente
Pb p
np N(0; 1) (5.2)
p(1 p)
Vamos ver, agora, como usar esse resultado para obter um intervalo de confiana para
a verdadeira proporo populacional p.
Como o resultado (5.3) vale para qualquer varivel aleatria N(0; 1), podemos usar
(5.2) para obter !
Pb p
Pr z/2 n p z/2 = 1
p(1 p)
e, portanto
r r !
p(1 p) p(1 p)
Pr z/2 Pb p z/2 = 1 =
n n
r r !
p(1 p) p(1 p)
Pr Pb z/2 p Pb + z/2 = 1 =
n n
r r !
p(1 p) p(1 p)
Pr Pb z/2 p Pb + z/2 = 1
n n
Tanto no caso da mdia de uma populao normal com varincia conhecida, quanto
no caso da proporo, a margem de erro tem a forma
= z/2 EP (b
)
onde EP (b
) representa o erro padro do estimador em questo. No caso da mdia,
EP (b
) = EP (X) = (5.4)
n
CAPTULO 5. INTERVALOS DE CONFIANA: PROPORES - AMOSTRA GRANDE76
e no caso da proporo,
r
p(1 p)
EP (b
) = EP (Pb) = (5.5)
n
Analisando as expresses (5.4) e (5.5), podemos ver uma diferena fundamental: o
erro padro da proporo amostral depende do parmetro desconhecido p. Na prtica,
para construir o intervalo de confiana, temos que substituir esse valor por alguma
estimativa.
Existem 3 abordagens possveis:
3. Usar algum valor auxiliar pb0 ou estimativa prvia, obtida de outras fontes ou de
uma amostra piloto: r
d e = pb0 (1 pb0 )
EP (5.6)
P
n
CAPTULO 5. INTERVALOS DE CONFIANA: PROPORES - AMOSTRA GRANDE77
Pr(X = 1) = p
Pr(X = 0) = 1 p
onde z/2 abscissa da curva normal padro que deixa rea /2 acima dela e pb0
alguma estimativa para o verdadeiro valor p.
Soluo
O primeiro fato a observar que a amostra grande, o que nos permite usar a
aproximao normal. Com um nvel de significncia de = 0, 05, o nvel de confiana
1 = 0, 95 e da tabela da normal padro, obtemos que z/2 = 1, 96. Como no temos
estimativa prvia da proporo de defeituosas p, temos que usar a proporo amostral
pb = 0, 30. Assim, a margem de erro
r
0, 3 0, 7
= 1, 96 = 0, 0898
100
e o intervalo de confiana
3. 1 = 0, 90 = z0,05 = 1, 64
r
0, 72 0, 28
= 1, 64 = 0, 0135
2989
e o intervalo de confiana
3. Qual dever ser o tamanho da amostra para se ter um erro de no mximo 5%,
com nvel de confiana de 98%?
Soluo
3. Queremos, agora, reduzir a margem de erro para 5%, mantendo o mesmo nvel de
confiana. Certamente teremos que aumentar o tamanho da amostra:
0, 05
r
0, 6 0, 4
2, 33 0, 05
n
2, 33 p
n 0, 6 0, 4
0, 05
2
2.33
n 0.6 0.4
0.05
n 522
Pr(X = 1) = p
Pr(X = 0) = 1 p
E(Pb) = p
p(1 p)
V ar(Pb) =
n
5.5 Exerccios
1. Construa um intervalo de confiana para a proporo populacional para cada um
dos casos listados a seguir:
(a)
n = 600
= 2%.
Nmero de sucessos na amostra = 128
(b)
n = 1200
= 10%.
Nmero de sucessos na amostra = 710
estimativa prvia pb0 = 55%
2. Uma amostra de 300 habitantes de uma grande cidade revelou que 180 desejavam a
fluorao da gua. Encontre o intervalo de confiana para a verdadeira proporo
dos que no desejam a fluorao da gua para
CAPTULO 5. INTERVALOS DE CONFIANA: PROPORES - AMOSTRA GRANDE82
e o intervalo de confiana
[0, 59167 0, 02355; 0, 59167 + 0, 02355] = [0, 56812; 0, 61522]
2. O problema pede a estimativa para a proporo dos que no querem a fluorao;
logo, pb = 120
300
= 0, 4
(c) 1 = 0, 80 z0,1 = 1, 28
[0, 25 1, 28 0, 021651; 0, 25 + 1, 28 0, 021651] = [0, 22229; 0, 27771]
6. pb0 = 0, 35 2
1, 96
n 0, 35 0, 65 = 349, 59
0, 05
Logo, n 350
Captulo 6
Intervalo de Confiana: Mdia da
N(; 2), 2 Desconhecida
Neste captulo voc completar seu estudo bsico sobre intervalos de confiana para a
mdia de uma populao, analisando o problema de estimao da mdia de uma popu-
lao normal quando no se conhece a varincia desta populao. Voc ver que, neste
caso, necessrio estimar essa varincia e isso introduz mais uma fonte de variabilidade
nas nossas estimativas: com uma nica amostra, temos que estimar a mdia e a var-
incia da populao. O procedimento simples e anlogo aos casos anteriores vistos
nos captulos amteriores; o que muda a distribuio amostral do estimador X. Em
vez de usarmos a distribuio normal para determinar os valores crticos, usaremos a
distribuio t de Student.
Voc ver os seguintes conceitos:
intervalo de confiana para a mdia de uma populao normal com varincia de-
sconhecida
84
CAPTULO 6. INTERVALO DE CONFIANA: MDIA DA N(; 2 ), 2 DESCONHECIDA85
X
Z= n N(0; 1) (6.1)
e esse resultado foi utilizado na construo do intervalo de confiana para a mdia de
uma populao normal com varincia conhecida, fornecendo o seguinte intervalo:
X z/2 ; X + z/2
n n
Suponhamos, agora, que a varincia 2 no seja conhecida. Neste caso, temos que
estim-la com os dados amostrais. Foi demonstrado que
n
2 1 P n
2 1 P 2 2
S = (Xi X) = X nX
n 1 i=1 n 1 i=1 i
Como o resultado (6.3) vale para qualquer distribuio t, usando o resultado (6.2)
obtemos:
X
Pr tn1; /2 n tn1; /2 = 1 =
S
S S
Pr tn1; /2 X tn1; /2 = 1 =
n n
S S
Pr X tn1; /2 X + tn1; /2 =1
n n
Exemplo 6.1 De uma populao normal com mdia e varincia desconhecidas, extrai-
se uma amostra de tamanho 15 obtendo-se x = 12 e s2 = 49. Obtenha um intervalo de
confiana para a verdadeira mdia populacional, utilizando o nvel de confiana de 95%.
Soluo
Os seguintes requisitos para o IC para so satisfeitos: a populao normal e
a amostra pequena. Dessa forma, temos que usar a distribuio t com n 1 = 14
graus de liberdade. Como o nvel de confiana de 95%, em cada cauda da distribuio
temos que ter 2,5%. Assim, devemos procurar a abscissa t14;0,025 procurando na linha
correspondente a 14 graus de liberdade e na coluna correspondente rea de 0,025.
Encontramos
t14;0,025 = 2, 145
A margem de erro
7
= 2, 145 = 3, 8769
15
e o intervalo de confiana
Exemplo 6.2 A seguinte amostra foi extrada de uma populao normal: 6, 6, 7, 8, 9, 9, 10, 11, 12.
Construa o intervalo de confiana para a mdia populacional, com nvel de significncia
de 10%.
Soluo
Como antes, temos uma amostra pequena de uma populao normal; logo, temos
que usar a distribuio t-Student. Como n = 9, gl = n 1 = 8.
A mdia amostral
P
xi
x =
n
6 + 6 + 7 + 8 + 9 + 9 + 10 + 11 + 12 78
= = = 8, 6667
9 9
CAPTULO 6. INTERVALO DE CONFIANA: MDIA DA N(; 2 ), 2 DESCONHECIDA89
e a varincia amostral
" P 2#
1 P 1 P ( xi )
S2 = (xi x)2 = x2i =
n1 n1 n
1 2 2 2 2 2 2 2 2 2 782
= 6 + 6 + 7 + 8 + 9 + 9 + 10 + 11 + 12
8 9
1 6084 36
= 712 = = 4, 5
8 9 8
Como o nvel de significncia = 10%, o nvel de confiana 1 = 90%. Em
cauda da distribuio t(8) temos que ter rea igual a 5%. Assim, temos que procurar na
linha correspondente a 8 graus de liberdade a abscissa relativa rea superior de 0,05.
Obtemos t8;0,05 = 1, 860. A margem de erro
r
4, 5
= 1, 860 = 1, 395
8
e o intervalo de confiana
Soluo
Como o tamanho amostral grande, podemos usar a aproximao normal. Como
1 = 0, 90, em cada cauda temos que ter 5% e,assim, devemos procurar no corpo da
tabela da distribuio normal o valor mais prximo de 0,45. Resulta que z0,05 = 1, 64, o
que nos d a seguinte margem de erro:
r
132.56
= 1.64 = 1, 8882
100
O intervalo de confiana de 90% de confiana
2 conhecida
/2 = z/2 N(0; 1)
EP (X) =
n
2 desconhecida
/2 = tn1; /2 t(n 1)
S
EP (X) =
n
Quando n > 31, pode-se usar z/2 no lugar de tn1; /2 .
X
Mdia da 2 conhecida n N (0; 1) = z/2 n
populao X
N(; 2 )
X
2 desconhecida n t(n 1) = tn1; /2 Sn
S
Proporo
q
Pb p
[mdia Bern(p)] np N(0; 1) = z/2 pe0 (1e
n
p0 )
Pb
p(1 p)
X
Mdia de uma (amostra grande) n N(0; 1) = z/2 Sn X
S
populao X
6.6 Exerccios
1. Para uma distribuio t de Student com 12 graus de liberdade, encontre a proba-
bilidade (rea) de cada uma das seguintes regies (esboce um grfico para auxiliar
na soluo do exerccio):
SIM populao NO
normal?
X X
n ~ N (0;1) n ~ t (n 1)
S
S
= z / 2 = t n 1; / 2
n n
X Consulte um estatstico!
n N (0;1) No foram estudados
S mtodos apropriados
s para esta situao!
= z / 2
n
X = P
X ~ Bern ( p )
S = P(1 P)
p 0 (1 p 0 )
n
(a) t15;0,05
(b) t18;0,90
(c) t25;0,975
52 44 55 44 45 59 50 54
62 46 54 58 60 62 63
6. Repita o exerccio anterior com os seguintes dados de uma amostra de 100 para-
fusos:
x = 13, 78 s2 = 2, 865
CAPTULO 6. INTERVALO DE CONFIANA: MDIA DA N(; 2 ), 2 DESCONHECIDA94
(a) direita de 1, 782 temos uma rea de 0, 05; logo, esquerda de 1, 782 a rea
de 0, 95.
(b) A rea abaixo de 1, 356 igual rea acima de 1, 356, que de 0, 10. Logo,
esquerda de 1, 356 temos uma rea de 0, 10 e direita de 1, 356 temos
uma rea de 0, 90.
(c) direita de 2, 681 a rea 0, 01.
(d) direita de 1, 083 a rea 0, 15; direita de 3, 055 a rea de 0, 005. Logo,
a rea entre 1, 083 e 3, 055 0, 15 0, 005 = 0, 145 .
(e) Como visto no item (b), a rea direita de 1, 356 0, 90. A rea direita
de 2, 179 0, 025. Logo, a rea entre 1, 356 e 2, 179 0, 90 0, 025 = 0, 875
2. .
[53, 8667 3, 7788; 53, 8667 + 3, 7788] = [50, 088; 57, 6455]
O intervalo de confiana
" r r #
2, 861 2, 861
13, 367 2, 462 ; 13, 367 + 2, 462 = [12, 607; 14, 127]
30 30
Neste captulo voc completar seu estudo bsico sobre intervalos de confiana, anal-
isando o problema de estimao da varincia de uma populao normal. Como antes,
este intervalo se basear na distribuio amostral de um estimador no-viesado para
2 , a saber, S 2 . Como a varincia um nmero no negativo, essa distribuio no
simtrica e est definida apenas para valores no-negativos.
Voc ver os seguintes conceitos:
(n 1)S 2
2 (n 1) (7.1)
2
96
CAPTULO 7. INTERVALO DE CONFIANA: VARINCIA DA N(; 2 ) 97
Com essa definio, podemos ver que a abscissa 2n;/2 deixa probabilidade /2 acima
dela [veja Figura 7.2-(a)] e a abscissa 2n;1/2 deixa probabilidade /2 abaixo dela
[veja Figura 7.2-(b)]. Logo,
Pr 2n;1/2 2 (n) 2n;/2 = 1 (7.2)
Como o resultado (7.2) vale para qualquer distribuio qui-quadrado, podemos usar
o resultado (7.1) para escrever
2 (n 1)S 2 2
Pr n1;1/2 n1;/2 = 1
2
Da resulta que
!
2n1;1/21 2n1;/2
Pr 2 = 1 =
(n 1)S 2 (n 1)S 2
!
(n 1)S 2 (n 1)S 2
Pr 2 2 = 1
2n1;/2 n1;1/2
onde 2n; representa o valor crtico da distribuio qui-quadrado com n graus de liberdade
que deixa probabilidade acima dele.
CAPTULO 7. INTERVALO DE CONFIANA: VARINCIA DA N(; 2 ) 98
Exemplo 7.1 De uma populao normal com mdia e varincia desconhecidas, extrai-
se uma amostra de tamanho 15 obtendo-se x = 12 e s2 = 49. Obtenha um intervalo de
confiana para a varincia populacional, utilizando o nvel de confiana de 95%.
Soluo
O requisito para o IC para 2 satisfeito, uma vez que a populao normal. Temos
que usar a distribuio 2 com n1 = 14 graus de liberdade. Como o nvel de confiana
de 95%, em cada cauda da distribuio temos que ter 2,5%. Assim, para a cauda
superior, devemos procurar a abscissa 214;0,025 procurando na linha correspondente a 14
graus de liberdade e na coluna correspondente rea de 0,025. Encontramos
214;0,025 = 26, 119
Para a cauda inferior, devemos procurar a abscissa 214;0,975 procurando na linha corre-
spondente a 14 graus de liberdade e na coluna correspondente rea de 0,975. Encon-
tramos
214;0,975 = 5, 629
O intervalo de confiana
14 49 14 49
; = [26, 26; 121, 87]
26, 119 5, 629
Exemplo 7.2 A seguinte amostra foi extrada de uma populao normal: 6, 6, 7, 8, 9, 9, 10, 11, 12.
Construa o intervalo de confiana para a mdia populacional, com nvel de significncia
de 10%.
Soluo
Temos uma amostra pequena de uma populao normal; logo, podemos usar a dis-
tribuio 2 . Como n = 9, gl = n 1 = 8.
A mdia amostral
P
xi
x =
n
6 + 6 + 7 + 8 + 9 + 9 + 10 + 11 + 12 78
= = = 8, 6667
9 9
e a varincia amostral
" P 2#
1 P 1 P ( xi )
S2 = (xi x)2 = x2i =
n1 n1 n
1 2 2 2 2 2 2 2 2 2 782
= 6 + 6 + 7 + 8 + 9 + 9 + 10 + 11 + 12
8 9
1 6084 36
= 712 = = 4, 5
8 9 8
CAPTULO 7. INTERVALO DE CONFIANA: VARINCIA DA N(; 2 ) 100
7.3 Exerccios
1. Seja X uma varivel aleatria com distribuio qui-quadrado com 17 graus de
liberdade. Encontre o valor da abscissa k tal que:
808
x = = 53, 8667
15
1 8082
s2 = 44176 = 46, 5524
14 15
Intervalo de confiana:
14 46, 5524 14 46, 5524
; = [24, 95; 1157, 78]
26, 119 5, 629
401
x = = 13, 367
30
1 4012
s2 = 5443 = 2, 861
29 30
Intervalo de confiana:
29 2, 861 29 2, 861
; = [1, 67; 5, 82]
49, 588 14, 258
Captulo 8
Testes de Hipteses
8.1.1 Exemplo 1
Um detetive de polcia encarregado da investigao de um crime. Baseado nas evidn-
cias encontradas, o detetive suspeita inicialmente do mordomo e precisa decidir, ento,
se prende ou libera o mordomo. Por outro lado, o mordomo pode ser culpado ou in-
ocente. Assim, h 4 possibilidades, resumidas no Quadro 1, que podem ocorrer quando
o detetive tomar sua deciso:
102
CAPTULO 8. TESTES DE HIPTESES 103
Quadro 1
Possibilidades sobre a deciso do detetive
Detetive
Prende Libera
Mordomo Inocente Errado OK
Culpado OK Errado
H0 : mordomo inocente
H1 : mordomo culpado
Observe que o mtodo aplicado para se testar a hiptese nula. A hiptese alter-
nativa ser aceita se e somente se a hiptese nula for rejeitada, ou seja, a estratgia
tomar uma deciso com relao hiptese nula.
Depois de examinar todas as evidncias, o detetive deve rejeitar H0 (e concluir que
o mordomo culpado) ou no rejeitar H0 (e concluir que o mordomo inocente). Note
que as concluses so sempre estabelecidas em termos da hiptese nula. Como j visto,
o detetive pode cometer dois tipos de erro:
Quadro 2
Possibilidades para a deciso
Deciso
Rejeitar H0 No rejeitar H0
Possibi- H0 verdadeira Erro I OK
lidades H0 falsa OK Erro II
Evidentemente, o erro tipo I pode ser evitado se nunca rejeitarmos a hiptese nula.
No exemplo, isso significa que o detetive nunca cometeria o erro de condenar um homem
inocente. De forma anloga, o erro tipo II pode ser evitado se sempre rejeitarmos a
hiptese nula e, no exemplo, o detetive nunca liberaria um assassino.
A teoria estatstica de testes de hipteses trata de regras de deciso, baseadas em
probabilidades, que tentam balancear esses dois tipos de erro.
8.1.2 Exemplo 2
Uma empresa compra anis de vedao de dois fabricantes. Segundo informaes dos
fabricantes, os anis do fabricante 1 tm dimetro mdio de 14 cm com desvio padro
de 1,2 cm e os anis do fabricante 2 tm dimetro mdio de 15 cm com desvio padro de
2,0 cm. Ambos os processos de produo geram anis com dimetros cuja distribuio
aproximadamente normal.
Uma caixa com 16 anis sem identificao encontrada pelo gerente do almoxarifado.
Embora ele suspeite que a caixa seja oriunda do fabricante 1, ele decide fazer uma
medio dos anis e basear sua deciso no dimetro mdio da amostra: se o dimetro
mdio for maior que 14,5 cm, ele identificar a caixa como oriunda do fabricante 2; caso
contrrio, ele identificar a caixa como oriunda do fabricante 1.
Esse um problema tpico de deciso empresarial. Vamos analisar esse processo de-
cisrio sob o ponto de vista estatstico, estudando os possveis erros e suas probabilidades
de ocorrncia.
Uma primeira observao que existem apenas duas possibilidades para a origem
dos anis de vedao. Como ele suspeita que a caixa venha do fabricante 1, vamos
estabelecer a hiptese nula de forma que o resultado desejado seja rejeit-la. Definimos,
ento, a hiptese nula como sendo
H0 : anis vm do fabricante 2
e, obviamente, a hiptese alternativa ser
H1 : anis vm do fabricante 1
Se denotamos por X a varivel aleatria que representa o dimetro dos anis, essas
hipteses se traduzem como
H0 : X N(15; 2, 02 )
H1 : X N(14; 1, 22 )
CAPTULO 8. TESTES DE HIPTESES 105
x 14, 5 = rejeito H0
x > 14, 5 = no rejeito H0
16
.
Ento, as probabilidades associadas aos erros podem ser expressas em termos de
probabilidade condicional:
2, 02
Pr(Erro I) = Pr X 14, 5|X N 15;
16
1, 22
Pr(Erro II) = Pr X > 14, 5|X N 14;
16
= Pr(Erro I) =
2, 02
= Pr X 14, 5|X N 15;
16
14, 5 15
= Pr Z 2
4
= Pr(Z 1, 00)
= Pr(Z 1, 00)
= 0, 5 tab(1, 00) = 0, 5 0, 34134
= 0, 15866
CAPTULO 8. TESTES DE HIPTESES 106
= Pr(Erro II) =
1, 22
= Pr X > 14, 5|X N 14;
16
14, 5 14
= Pr Z > 1.2
4
= Pr(Z > 1, 67)
= 0, 5 tab(1, 67) = 0, 04746
8.1.3 Exemplo 3
Para resumir os resultados do exemplo anterior, podemos construir o seguinte quadro:
CAPTULO 8. TESTES DE HIPTESES 107
= 0, 05
2
2, 0
Pr X k | X N 15; = 0, 05
16
k 15
Pr Z 2 = 0, 05
4
k 15
Pr Z = 0, 05
0, 5
k 15
0, 5 tab = 0, 05
0, 5
k 15
tab = 0, 45
0, 5
k 15
= 1, 64
0, 5
k = 14, 18
Com essa nova regra de deciso, o erro tipo II passa a ter probabilidade
= Pr(Erro II) =
1, 22
= Pr X > 14, 18|X N 14;
16
!
14, 18 14
= Pr Z > 1,2
4
= Pr(Z > 0, 6)
= 0, 5 tab(0, 6) = 0, 27425
8.1.4 Exemplo 4
Suponha, agora, que o gerente queira igualar as probabilidades de erro. Qual a regra
de deciso?
CAPTULO 8. TESTES DE HIPTESES 108
=
2, 02 1, 22
Pr X k | X N 15; = Pr X > k | X N 14;
16 16
k 15 k 14
Pr Z 2.0 = Pr Z > 1.2
4 4
k 15 k 14
=
0, 5 0, 3
0, 3k 4, 5 0, 5k + 7
0, 8k = 11, 5
k = 14, 375
8.1.5 Exemplo 5
O procedimento de se fixar a probabilidade do erro tipo I o mais utilizado pois,
em geral, na prtica a situao no to simples como a escolha entre duas decises.
Suponha, nos dois exemplos acima, que a empresa compre anis de diversos fabricantes
mas, pelas caractersticas de produo do fabricante 2, os anis produzidos por ele sejam
especiais para a empresa. Assim, importante identificar corretamente a origem, caso
eles sejam oriundos do fabricante 2. Nesta situao, nossas hipteses passariam a ser:
Queremos que a probabilidade seja pequena; assim, podemos fixar como 0,05 ou
mesmo 0,01. De posse do valor dessa probabilidade, poderamos estabelecer a regio
crtica ou regio de rejeio. A diferena fundamental aqui est no clculo da proba-
bilidade do erro tipo II: no existe um nico valor de , j que, sob H1 , a distribuio
pode ter qualquer mdia.
CAPTULO 8. TESTES DE HIPTESES 109
8.1.6 Exemplo 6
Considere a seguinte regra de deciso sobre a honestidade de uma moeda. Se em trs
lanamentos aparecerem 3 coroas, decidimos rejeitar a hiptese de que a moeda hon-
esta. Como devemos estabelecer as hipteses nula e alternativa? Como devemos pro-
ceder para calcular e ?
Em termos gerais, a questo que se coloca se a moeda honesta ou no. Como
regra geral, neste curso deveremos sempre definir a hiptese nula de modo que ela
represente um nico valor do parmetro de interesse. Ou seja, a hiptese nula deve
ser uma hiptese simples. Neste exemplo, a distribuio em questo uma binomial
com parmetros n = 3 e p desconhecido. Moeda honesta significa p = 12 . Logo, nossas
hipteses devem ser:
1
H0 : p =
2
1
H1 : p 6=
2
Seja X = nmero de coroas nos trs lanamentos. Ento, X bin(3; p). Nossa regra
de deciso rejeitar H0 se X = 3. A probabilidade do erro tipo I
1
= Pr X = 3|X bin 3;
2
1 1 1 1
= =
2 2 2 8
No possvel calcular = Pr(no rejeitar H0 |H0 falsa), pois a hiptese alternativa
(aquela que devemos considerar quando H0 no aceita) no estipula um valor nico
para p. Mas neste exemplo simples, podemos obter uma expresso para em funo de
p. Note que
(b) O dono de uma mdia empresa decide investigar a alegao de seus empre-
gados de que o salrio mdio na sua empresa menor que o salrio mdio
nacional, que de 900 reais.
(c) Uma empresa fabricante de balas afirma que o peso mdio de suas balas de
pelo menos 2 gramas.
2. Considere uma populao normal com varincia 225, da qual se extrai uma amostra
aleatria simples de tamanho 25. Deseja-se testar as seguintes hipteses:
H0 : = 40
H1 : = 45
H0 : = 0
H0 : = 6 H0 : p = 0, 5 H0 : 2 = 25
O procedimento de teste de hiptese resultar em uma regra de deciso que nos permitir
rejeitar ou no rejeitar H0 .
CAPTULO 8. TESTES DE HIPTESES 111
H1 : 6= 0
Em algumas situaes, podemos ter informao que nos permita restringir o domnio
da hitese alternativa. Por exemplo, se uma empresa farmacutica est testando um
novo medicamento para enxaqueca no intuito de reduzir o tempo entre a ingesto do
medicamento e o alvio dos sintomas, uma possvel hiptese alternativa
H1 : < 10
H1 : < 0
A deciso sobre a hiptese nula tomada com base em uma regra que estabelece
um conjunto de valores, chamado regio crtica ou regio de rejeio, de modo que se, o
valor observado da estatstica amostral cair nesse regio, rejeitaremos H0 ; caso contrrio,
no rejeitaremos H0 . Vamos denotar por RC a regio crtica.
Vamos considerar o seguinte exemplo: se, ao lanarmos uma moeda 30 vezes, ob-
tivermos 28 caras, iremos desconfiar da hiptese de honestidade da moeda, porque a
probabilidade de obtermos 28 caras ou mais em 30 lanamentos de uma moeda honesta
0,000000433996, uma probabilidade bastante pequena. claro que o evento 28 caras
ou mais em 30 lanamentos um evento possvel (acertar a sena no jogo da mega-sena
tambm ...) mas, sob o ponto de vista do teste de hiptese, a obteno de tal evento
ser uma evidncia de que a nossa hiptese nula de honestidade da moeda no muito
plausvel. Nesse caso, no diremos que a moeda no honesta (no podemos dizer que
impossvel acertar a sena!); nossa concluso que no h evidncia suficiente para
apoiar a hiptese nula. (Situao anloga ocorre quando um jri diz que o ru no
culpado.)
A definio de probabilidade pequena se faz atravs da escolha do nvel de sig-
nificncia do teste, que a probabilidade do erro tipo I, isto :
() = Pr(no rejeitar H0 | )
Q() = 1 () = Pr(rejeitar H0 | )
Q(0 ) = 1 (0 )
= 1 Pr(no rejeitar H0 | 0 )
= 1 Pr(no rejeitar H0 | H0 verdadeira)
= Pr(rejeitar H0 | H0 verdadeira)
=
CAPTULO 8. TESTES DE HIPTESES 113
8.3 Exemplo 7
Consideremos uma populao representada por uma varivel aleatria normal com mdia
e varincia 400. Deseja-se testar
H0 : = 100
H1 : 6= 100
com base em uma amostra aleatria simples de tamanho n = 16. Para tal, define-se a
seguinte regio crtica:
RC : X < 85 ou X > 115
1. Calcule a probabilidade do erro tipo I.
2. Calcule a funo poder do teste para os seguintes valores de : 75, 80, 85, 90, 95,
100, 105, 110, 115, 120, 125. Quanto vale a funo poder do teste quando = 100?
Soluo
Como queremos fazer um teste sobre a mdia da populao, natural usarmos X
como estatstica de teste. Como a populao normal com mdia e varincia 400,
sabemos que X tambm normal com mdia e varincia 400
16
= 25.
1. Sob a hiptese nula, = 100. Ento,
= Pr(rejeitar H0 | H0 verdadeira)
= Pr X < 85 X > 115 | X N(100; 25)
= Pr X < 85 | X N(100; 25) + Pr X > 115 | X N(100; 25)
85 100 115 100
= Pr Z < + Pr Z >
5 5
= Pr(Z < 3) + Pr(Z > 3)
= 2 Pr(Z > 3)
= 2 [0, 5 tab(3)]
= 0, 0027
1 ()
75 0,97725
80 0,84134
85 0,50000
90 0,15866
95 0,02278
100 0,00270
105 0,02278
110 0,15866
115 0,50000
120 0,84134
125 0,97725
Observe que, para = 100, valor da hiptese nula, a funo poder igual
probabilidade do erro tipo I (nvel de significncia).
interessante notar tambm que quanto mais distante do valor 0 = 100, maior o
poder do teste, ou seja, h uma probabilidade mais alta de se rejeitar H0 quando
o valor alternativo est bem distante de 0 .
8.4 Exemplo 8
Considere a situao do exemplo anterior, com as seguintes diferenas: o tamanho da
amostra n = 100 e a regio crtica passa a ser
Note que razovel estreitar a regio crtica, j que a amostra maior. Vamos calcular
e a funo poder do teste para os mesmos valores.
Soluo
Como antes, a funo poder dada por
1,2
1,0
n=100
0,8
0,6
n=16
0,4
0,2
0,0
50 60 70 80 90 100 110 120 130
H0 : = 40
H1 : 6= 40
CAPTULO 8. TESTES DE HIPTESES 116
RC : X > 46 ou X < 34
H0 : = 0
() = Pr(no rejeitar H0 | )
Q() = 1 () = Pr(rejeitar H0 | )
8.6 Exerccios
1. Considere uma populao normal com varincia 64, da qual se extrai uma amostra
aleatria simples de tamanho 16. Deseja-se testar as seguintes hipteses:
H0 : = 23
H1 : = 28
(a) Se a regio crtica RC : X > 25, 5 calcule as probabilidades dos erros tipo
I e II.
(b) Determine a regio crtica da forma X > k tal que a probabilidade do erro
tipo I seja 0,05. Nesse caso, qual a probabilidade do erro tipo II?
H0 : = 45
H1 : < 45
RC : X < 41, 25
3. Para uma populao representada por uma varivel de Bernoulli com parmetro
p, deseja-se testar a hiptese
H0 : p = 0, 5
H1 : p 6= 0, 5
Com base em uma amostra de tamanho 10, estabelecida a seguinte regio crtica:
RC : X = 0, 1, 2, 8, 9, 10
1. .
H0 : = 100
H1 : 6= 100
(b) razovel supor que o gerente queira negar a afirmao dos empregados.
Assim, podemos estabelecer:
H0 : 900
H1 : < 900
(c) .
H0 : 2
H1 : < 2
X N(; 225)
2. X N ; 225
25
ou X N (; 9)
n = 25
CAPTULO 8. TESTES DE HIPTESES 119
(a)
= Pr(X 43 | X N(45; 9)
43 45
= Pr Z
3
= Pr(Z 0, 67)
= Pr(Z 0, 67)
= 0, 5 tab(0, 67)
= 0, 25143
(b) .
= 0, 10
Pr X > k | X N(40; 9) = 0, 10
k 40
Pr Z > = 0, 10
3
k 40
tab = 0, 40
3
k 40
= 1, 28
3
k = 43, 84
Lista de Exerccios 2
X N(; 225)
1. X N ; 225
25
ou X N (; 9)
n = 25
CAPTULO 8. TESTES DE HIPTESES 120
(a) .
= Pr X < 34 | X N(40; 9) + Pr X > 46 | X N(40; 9)
34 40 46 40
= Pr Z < + Pr Z >
3 3
= Pr(Z < 2) + Pr(Z > 2)
= 2 Pr(Z > 2)
= 2 [0, 5 tab(2, )]
= 0, 0455
(b) .
Q() = Pr(rejeitar H0 | )
= Pr X < 34 | X N(; 9) + Pr X > 46 | X N(; 9)
34 46
= Pr Z < + Pr Z >
3 3
34 22 46 22
Q(22) = Pr Z < + Pr Z >
3 3
= Pr(Z < 4, 00) + Pr(Z > 8, 00)
1+0=1
34 58 46 58
Q(58) = Pr Z < + Pr Z >
3 3
= Pr(Z < 8, 00) + Pr(Z > 4, 00)
= Pr(Z > 8, 00) + Pr(Z < 4, 00) = Q(22)
Q() Q()
20 0,99999847 60 0,99999847
22 0,99996833 58 0,99996833
24 0,99957094 56 0,99957094
26 0,99616962 54 0,99616962
28 0,97724987 52 0,97724987
30 0,90878883 50 0,90878883
32 0,74750899 48 0,74750899
34 0,50003167 46 0,50003167
36 0,25292160 44 0,25292160
38 0,09504160 42 0,09504160
40 0,04550026
1,2
1,0
0,8
0,6
0,4
0,2
0,0
0 10 20 30 40 50 60 70
(a)
= Pr X > 25, 5 | X N(23; 4)
25, 5 23
= Pr Z >
2
= Pr(Z > 1, 25)
= 0, 5 tab(1, 25)
= 0, 10565
CAPTULO 8. TESTES DE HIPTESES 122
(b)
= 0, 05
Pr X > k | X N(23; 4) = 0, 05
k 23
Pr Z > = 0, 05
2
k 23
tab = 0, 45
2
k 23
= 1, 64
2
k = 26, 28
2. X N(; 36) n = 16
36
X N ; 16 ou X N (; 2, 25)
A funo poder do teste
Q() = Pr(rejeitar H0 |)
= Pr(X < 41, 25|X N(; 1, 52 )
41, 25
= Pr Z <
1, 5
CAPTULO 8. TESTES DE HIPTESES 123
Q() Q()
30 1,0000000 46 0,0007711
31 1,0000000 47 0,0000632
32 1,0000000 48 0,0000034
33 1,0000000 49 0,0000001
34 0,9999993 50 0,0000000
35 0,9999845 51 0,0000000
36 0,9997673 52 0,0000000
37 0,9976967 53 0,0000000
38 0,9848699 54 0,0000000
39 0,9331928 55 0,0000000
40 0,7976717 56 0,0000000
41 0,5661838 57 0,0000000
42 0,3085375 58 0,0000000
43 0,1216726 59 0,0000000
44 0,0333764 60 0,0000000
45 0,0062097
1,2
1,0
0,8
0,6
0,4
0,2
0,0
20 25 30 35 40 45 50 55 60 65
(a)
= Pr(X = 0 | p = 0, 5) + Pr(X = 1 | p = 0, 5) +
Pr(X = 2 | p = 0, 5) + Pr(X = 8 | p = 0, 5) +
Pr(X = 9 | p = 0, 5) + Pr(X = 10 | p = 0, 5)
= 0, 510 + 10 1
(0, 5) (0, 5)9 + 10 2
(0, 5)2 (0, 5)8 +
10 8 2 9 10
8
(0, 5) (0, 5) + 10
9
(0, 5) (0, 5) + 10
(0, 5)10
= 0, 000976563 + 0, 009765625 + 0, 043945313 +
0, 043945313 + 0, 009765625 + 0, 000976563
= 0, 109375
(b)
p Q(p)
0, 1 0,9298095
0, 2 0,6778775
0, 3 0,3843732
0, 4 0,1795843
0, 5 0,1093750
0, 6 0,1795843
0, 7 0,3843732
0, 8 0,6778775
0, 9 0,9298095
1,0
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0,0 0,2 0,4 0,6 0,8 1,0
Neste captulo iremos aplicar os conceitos bsicos sobre a teoria de teste de hiptese a
uma situao especfica. Nosso interesse estar concentrado na mdia de uma populao
normal. Assim como no caso dos intervalos de confiana, iremos iniciar nossos estudos
supondo que a varincia dessa populao seja conhecida. Como j dito, essa situao
no muito comum na prtica, mas, em termos didticos, a apresentao dos conceitos
fica simplificada. Entendendo bem a construo de um teste de hiptese para esse caso
particular, a apresentao para as outras situaes bastante semelhante, mudando
apenas a distribuio amostral.
Neste captulo veremos os seguintes conceitos aplicados mdia de uma populao
normal com varincia conhecida:
erros tipo I e II
estatstica de teste
regra de deciso
regio crtica
poder do teste
valor P
126
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA127
9.1 Exemplo 1
Depois de uma pane geral no sistema de informao de uma empresa, o gerente admin-
istrativo deseja saber se houve alterao no tempo de processamento de determinada
atividade. Antes da pane, o tempo de processamento podia ser aproximado por uma
varivel aleatria normal com mdia de 100 minutos e desvio padro de 10 minutos.
O gerente acredita que a pane no tenha alterado a variabilidade do processo. Uma
amostra de 16 tempos de processamento aps a pane revela uma mdia de 105,5 min-
utos. Ao nvel de significncia de 5%, qual a concluso sobre a alterao do tempo
mdio de processamento?
H0 : = 100
H1 : 6= 100
= Pr(rejeitar H0 | H0 verdadeira) = 0, 05
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA128
A nossa regio crtica consiste nos valores de X com probabilidade pequena de ocor-
rerem sob essa hiptese. Ou seja, a regio crtica consiste nos valores de X muito
afastados da mdia suposta de = 100. Como a hiptese alternativa bilateral, muito
afastado significa muito maior ou muito menor do que = 100. Veja a Figura
9.1.
A regio crtica
Como o valor da estatstica de teste para a amostra observada est na regio crtica,
devemos rejeitar a hiptese nula, ou seja, as evidncias amostrais indicam uma alterao
do tempo de processamento da tarefa aps a pane.
9.1.5 Poder
A funo poder do teste definida como
() = Pr(rejeitar H0 |)
1,05
1,00
0,95
0,90
0,85
0,80
0,75
0,70
0,65
0,60
0,55
0,50
0,45
0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
85 90 95 100 105 110 115
9.2 Exemplo 2
Na mesma situao do exemplo anterior, bastante razovel supor que o gerente esteja
interessado apenas no caso de aumento do tempo de processamento. Afinal, se o tempo
diminuir, isso significa que a tarefa vai ser executada mais rapidamente, o que representa
um ganho. Ento, as duas possibilidades so:
100 OK!
> 100 Problema!
Para definir qual a hiptese nula, vamos usar o seguinte procedimento. Como dito
no captulo anterior, neste curso s trabalharemos com hipteses nulas simples, isto ,
hipteses nulas que envolvam igualdade do parmetro a um determinado valor: = 0 .
Assim, em um teste unilateral, a hiptese alternativa deve ser aquela que no envolve o
sinal de igualdade. No nosso exemplo, essa a hiptese > 100. A hiptese nula, tendo
que ser uma hiptese simples, passa a ser = 100, ou seja:
H0 : = 100
H1 : > 100
RC : X > 100 + k
Figura 9.3: Regio crtica para o teste de H0 : = 100 com alternativa unilateral
direita H1 : > 100
RC : X > 104, 1
Como no exemplo anterior, temos que rejeitar a hiptese nula de que o tempo de
processamento no se alterou, j que o valor observado da estatstica amostral est na
regio crtica.
A funo poder do teste
cujo grfico encontra-se na Figura 9.4. Note que para valores de menores do que 100
a probabilidade de rejeitar H0 zero, o que razovel, pois com uma hiptese unilateral
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA132
1,2
1,0
0,8
0,6
0,4
0,2
0,0
80 85 90 95 100 105 110 115
direita, s rejeitamos a hiptese nula para valores muito maiores do que 100. Se o
valor observado da estatstica de teste menor do que 100, claro que no devemos
rejeitar H0 .
9.3 Exemplo 3
O dono de uma mdia empresa decide investigar a alegao de seus empregados de que o
salrio mdio na sua empresa menor que o salrio mdio nacional. Para isso, ele analisa
uma amostra de 25 salrios, obtendo uma mdia de 894,53 reais. De informaes obtidas
junto ao sindicato patronal, ele sabe que, em nvel nacional, o salrio mdio de 900
reais, com desvio padro de 32 reais. Supondo que seja razovel aproximar a distribuio
dos salrios por uma distribuio normal com o mesmo desvio padro nacional, vamos
construir um teste de hiptese apropriado, com um nvel de significncia de 10%.
O problema aqui consiste em decidir se os salrios so menores ou no do que a
mdia nacional de 900 reais, ou seja, as situaes de interesse so
< 900
900
H0 : = 900
H1 : < 900
e a estatstica de teste
322
X N ;
25
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA133
O proprietrio deve rejeitar a hiptese nula se a mdia amostral for muito menor do
que 900, ou seja, a regio crtica
RC : X < 900 k
Figura 9.5: Regio crtica para o teste de H0 : = 900 com alternativa unilateral
esquerda H1 : < 900
1,1
1,0
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
860 870 880 890 900 910 920 930 940
H0 : = 0
a um nvel de significncia .
Dependendo do conhecimento sobre o problema, a hiptese alternativa pode tomar
uma das trs formas:
H1 : 6= 0 H1 : > 0 H1 : < 0
alternativas. Como antes, vamos denotar por z a abscissa da curva normal padro que
deixa rea (probabilidade) acima dela.
H0 : = 0
H1 : 6= 0
RC : X > 0 + k ou X < 0 k
Pr(rejeitar H0 | H0 verdadeira) = =
2 2
Pr X > 0 + k | X N 0 ; + Pr X < 0 k | X N 0 ; = =
n n
! !
0 + k 0 0 k 0
Pr Z > + Pr Z < = =
n n
! !
k k
Pr Z > + Pr Z < = =
n n
! !
k k
Pr Z > + Pr Z > = =
n n
!
k
Pr Z > = =
2
n
k
= z/2 =
n
k = z/2
n
Logo, a regio crtica
X > 0 + z/2 ou X > 0 z/2
n n
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA136
Figura 9.7: Regio crtica para o teste de hiptese sobre a mdia de uma normal com
varincia conhecida (a) teste bilateral (b) teste unilateral direita (c) teste unilateral
esquerda
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA137
Consideremos as hipteses
H0 : = 0
H1 : > 0
RC : X > 0 + k
Pr(rejeitar H0 | H0 verdadeira) = =
2
Pr X > 0 + k | X N 0 ; = =
n
!
0 + k 0
Pr Z > = =
n
!
k
Pr Z > = =
n
k
= z =
n
k = z
n
Logo, a regio crtica
X > 0 + z
n
H0 : = 0
H1 : < 0
RC : X < 0 k
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA138
Pr(rejeitar H0 | H0 verdadeira) = =
2
Pr X < 0 k | X N 0 ; = =
n
!
0 k 0
Pr Z < = =
n
!
k
Pr Z < = =
n
!
k
Pr Z > = =
n
k
= z =
n
k = z
n
Logo, a regio crtica
X < 0 z
n
9.5 Valor P
Nos exemplos acima, a determinao da regio crtica foi feita com base no nvel de
significncia, isto , fixado o nvel de significncia encontramos o valor k que definia
os limites entre valores provveis (aqueles que levam no rejeio de H0 ) e pouco
provveis (aqueles que levam rejeio de H0 ). Um outro procedimento bastante usual,
especialmente quando so utilizados programas computacionais, consiste em calcular a
probabilidade de se obter um valor to ou mais desfavorvel que o valor observado, se
H0 for verdadeira. Essa probabilidade chamada valor P . Vamos ilustrar esse conceito
considerando novamente os trs exemplos anteriores.
Vamos analisar a Figura 9.8, onde est ilustrado esse valor. O valor amostral
observado para X x = 105, 5 = 100 + 5, 5. Como o teste bilateral, se tivssemos
obtido o valor x = 100 5, 5, esse valor tambm seria considerado to afastado de 100
quanto 105,5. Assim, para testes bilaterais, temos que considerar a probabilidade nas
duas caudas da distribuio. O que esse resultado est nos dizendo o seguinte: se H0
for verdadeira, a probabilidade de obtermos um valor distante de 100 por 5,5 unidades
em qualquer direo 2 0, 0139 = 0, 0278. Essa probabilidade chamada valor P.
No exemplo, vemos que o valor P pequeno, o que significa que pouco provvel
obtermos um valor to extremo quando H0 verdadeira. Logo, razovel supormos que
a hiptese nula no seja verdadeira, a mesma concluso obtida ao trabalharmos com o
nvel de significncia de 5%. Na verdade, rejeitaramos a hiptese nula para qualquer
nvel de significncia maior que 0,0278.
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA140
P = Pr X 894, 53 | X N(900; 6, 4)
894.53 900
= Pr Z
6.4
= Pr(Z 0, 85)
= Pr(Z 0, 85)
= 0, 5 tab(0, 85)
= 0, 1977
9.6 Exemplo 4
Uma amostra de tamanho n = 25 extrada de uma populao normal com varincia
256, obtendo-se x = 23. Deseja-se testar a hiptese
H0 : = 18
Determine a regio crtica ao nvel de significncia de 1% e encontre o valor P quando
1. H1 : 6= 18
2. H1 : > 18
Soluo
1. A regio crtica
RC : X > 18 + k ou X < 18 k
Com = 0, 01 temos que ter:
256 256
Pr X > 18 + k | X N 18; + Pr X < 18 k | X N 18; = 0, 01 =
25 25
18 + k + 18 18 k 18
Pr Z > + Pr Z < = 0, 01 =
3, 2 3, 2
k k
Pr Z > + Pr Z < = 0, 01 =
3, 2 3, 2
k k
Pr Z > + Pr Z > = 0, 01 =
3, 2 3, 2
k
Pr Z > = 0, 005 =
3, 2
k
tab = 0, 495 =
3, 2
k
= 2, 58 =
3, 2
k = 8, 256
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA142
O valor P
256
P = 2 Pr X 23 | X N 18;
25
23 18
= 2 Pr Z
3, 2
= 2 Pr(Z 1, 56)
= 2 [0, 5 tab(1, 56)]
= 2 [0, 5 0, 4406]
= 0, 1188
2. A regio crtica
RC : X > 18 + k
Com = 0, 01 temos que ter:
256
Pr X > 18 + k | X N 18; = 0, 01 =
25
18 + k + 18
Pr Z > = 0, 01 =
3, 2
k
Pr Z > = 0, 01 =
3, 2
k
tab = 0, 49 =
3, 2
k
= 2, 33 =
3, 2
k = 7, 456
256
P = Pr X 23 | X N 18;
25
23 18
= Pr Z
3, 2
= Pr(Z 1, 56)
= [0, 5 tab(1, 56)]
= [0, 5 0, 4406]
= 0, 0594
Rejeitamos H0 a qualquer nvel de significncia 0, 0594. Logo, ao nvel de
significncia de 1% no podemos rejeitar H0 . Note que o valor da estatstica de
teste, x = 23, est fora da regio crtica.
9.7 Exerccios
1. Uma amostra aleatria simples de tamanho n = 9 extrada de uma populao
normal com desvio padro 3,1 apresentou mdia igual a x = 13, 35. Deseja-se
testar
H0 : = 12, 8
H1 : 6= 12, 8
2. Uma empresa fabricante de balas afirma que o peso mdio de suas balas de pelo
menos 2 gramas. Pela descrio do processo de produo, sabe-se que o peso das
balas distribui-se normalmente com desvio padro de 0,5 grama. Uma amostra de
25 balas apresenta peso mdio de 1,98 gramas. O que se pode concluir sobre a
afirmao do fabricante? Use um nvel de significncia de 5%.
3. Em uma linha de produo, peas so produzidas de modo que o comprimento
seja normalmente distribudo com desvio padro de 0,5 cm. Ajustes peridicos so
feitos na mquina para garantir que as peas tenham comprimento apropriado de
15 cm, pois as peas muito curtas no podem ser aproveitadas (as peas longas
podem ser cortadas). A cada hora so extradas 9 peas da produo, medindo-se
seu comprimento. Estabelea uma regra de deciso para definir se o processo est
operando adequadamente. Use o nvel de significncia de 0,1%.
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA144
O valor P bastante alto; logo a hiptese nula s seria rejeitada para nveis
de significncia maiores que 0,40. Isso evidncia de que no se pode rejeitar
a hiptese nula em qualquer nvel de significncia razovel.
(d)
() = Pr(rejeitar H0 |)
3, 12 3, 12
= Pr X > 15, 21|X N ; + Pr X < 10, 38|X N ;
9 9
Na tabela abaixo temos o valor de () para diferentes valores de (voc
pode obter valores um pouco diferentes, por causa de arredondamentos!).
Veja tambm a Figura 9.9.
()
8 0,98937
9 0,90914
10 0,64347
11 0,27428
12 0,05942
13 0,02184
14 0,12104
15 0,41948
16 0,77772
17 0,95839
18 0,99653
Por exemplo:
3, 12 3, 12
(8) = Pr X > 15, 21|X N 8; + Pr X < 10, 38|X N 8;
9 9
! !
15, 21 8 10, 38 8
= Pr Z > 3,1 + Pr Z < 3,1
3 3
= Pr(Z > 6, 98) + Pr(Z < 2, 30)
= [0, 5 tab(6, 98)] + [0, 5 + tab(2, 30]
= 0, 5 0, 5 + 0, 5 + 0, 4893 = 0, 9893
2. Seja X a varivel aleatria que representa o peso das balas. Ento X N(; 0, 25).
Como n = 25, resulta que
X N(; 0, 01)
A afirmativa do fabricante 2. Logo, a negao de tal afirmao < 2.
Como essa ltima expresso no contm o sinal de igualdade, ela se torna a hiptese
alternativa. Ento, nossas hipteses so:
H0 : = 2
H1 : < 2
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA146
1,2
1,0
0,8
0,6
0,4
0,2
0,0
0 5 10 15 20
A regio crtica
RC : X < 2 k
A regio crtica
X < 2 0, 164 = 1, 836
Como o valor observado x = 1, 98 no se encontra na regio crtica, no podemos
rejeitar a hiptese nula. Ou seja, os dados no trazem evidncia de que o fabricante
esteja mentindo.
3. O problema na produo surge quando < 15. Logo, nossas hipteses so:
H0 : = 15
H1 : < 15
A regio crtica
RC : X < 15 k
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA147
0, 52
Pr X < 15 k|X N 15; = 0, 001 =
9
!
15 k 15
Pr Z < 0,5 = 0, 001 =
3
Pr(Z > 6k) = 0, 001 =
tab(6k) = 0, 499 =
6k = 3, 09 =
k = 0, 515
Ento se X < 14, 485 o processo deve ser interrompido para um novo ajuste.
4. A inteno do analista reduzir o tempo; logo, o interesse dele que < 48, 5. A
negao dessa afirmativa 48, 5. Logo, nossas hipteses so:
H0 : = 48, 5
H1 : < 48, 5
A estatstica amostral
55
X N ;
25
O valor obtido x = 46, 5, que resulta no seguinte valor P :
55
P = Pr X < 46, 55|X N 48, 5;
25
46, 5 48, 5
= Pr Z <
1
= Pr(Z < 2, 0)
= Pr(Z > 2, 0)
= 0, 5 tab(2, 0)
= 0, 02275
Podemos afirmar que o tempo de execuo reduziu, a qualquer nvel de significncia
inferior 2, 275%. Note que rejeitamos a hiptese nula ao nvel de significncia de
5%, mas no a 1%!
5. Se o consumo for menor ou igual a 12 litros por 100 km, no h problema com a
propaganda. O problema surge se o consumo for superior. Logo, nossas hipteses
so:
H0 : = 12
H1 : > 12
Supondo que o consumo X possa ser aproximado por uma distribuio normal,
temos que
1
X N ;
36
CAPTULO 9. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 CONHECIDA148
estatstica de teste
erros tipo I e II
regra de deciso
regio crtica
valor P
149
CAPTULO 10. TESTE DE HIPTESE: PROPORES - AMOSTRA GRANDE150
E(Pb) = p
p(1 p)
V ar(Pb) =
n
Como a proporo amostral uma mdia de uma amostra aleatria simples de uma
populao com distribuio de Bernoulli com parmetro p, o Teorema Central do Limite
nos diz, ento, que a distribuio de Pb se aproxima de uma nornal com mdia p e
varincia p(1p)
n
. Como visto, a aproximao deve ser feita se np 5 e n(1 p) 5 e,
em geral, essas condies so satisfeitas se n 30.
Resumindo, temos o seguinte resultado:
b p(1 p)
P N p;
n
ou, equivalentemente:
Pb p
q N(0; 1)
p(1p)
n
Vamos ver, agora, como usar esse resultado para construir testes de hipteses sobre a
verdadeira proporo populacional p.
H0 : p = p0
Bilateral : H1 : p 6= p0
Unilateral direita : H1 : p > p0
Unilateral esquerda : H1 : p < p0
CAPTULO 10. TESTE DE HIPTESE: PROPORES - AMOSTRA GRANDE151
Como no caso da mdia, a escolha das hipteses nula e alternativa deve ser feita
levando-se em conta que a hiptese nula deve ser uma hiptese simples. Assim, voc
deve traduzir a situao de interesse do problema em desigualdades envolvendo a
proporo p. A hiptese alternativa a desigualdade que no inclui o sinal de =.
A estatstica de teste
Pb p
Z=q N(0; 1)
p(1p)
n
Dado um nvel de significncia , a regio crtica definida como o conjunto de
valores da estatsttca de teste que tm probabilidade pequena de ocorrerem sob a ve-
racidade da hiptese nula. Assim, a regio crtica definida como o conjunto de valores
de
Pb p0
Z0 = r N(0; 1)
p0 (1 p0 )
n
com pequena probabilidade de ocorrncia:
Z0 > k ou Z0 < k (teste bilateral)
Z0 > k (teste unilateral direita)
Z0 < k (teste unilateral esquerda)
O valor k encontrado impondo-se a condio de a probabilidade do erro tipo I ser
igual a :
Pr (rejeitar H0 | H0 verdadeira) =
q (10.4)
Teste unilateral esquerda: Z0 < z ou Pb < p0 z p0 (1p0 )
n
10.3 Valor P
Como j visto no captulo anterior, o valor P a probabilidade de se obter um valor to
ou mais extremo (na direo da hiptese alternativa) que o valor observado da estatstica
de teste. Denotando por z0 o valor observado da estatstica de teste, temos as seguintes
possibilidades:
Valores pequenos de P indicam que o valor observado pouco provvel de ocorrer sob a
hiptese nula; logo, valores pequenos de P levam rejeio da hiptese nula. A hiptese
nula rejeitada a qualquer nvel de significncia P.
10.4 Exemplo 1
Uma amostra de 64 elementos usada para testar
H0 : p = 0, 35
H1 : p 6= 0, 35
Pb 0, 35
Z0 = q =
0,350,65
64
e a regio crtica
Z0 > 2, 58 ou Z0 < 2, 58
CAPTULO 10. TESTE DE HIPTESE: PROPORES - AMOSTRA GRANDE153
Pb 0, 35
Z0 > 2, 58 q > 2, 58 Pb > 0, 503 82
0,350,65
64
Pb 0, 35
Z0 < 2, 58 q < 2, 58 Pb < 0, 19618
0,350,65
64
e a regio crtica
Pb > 0, 504 ou Pb < 0, 196
O valor observado da estatstica de teste
0.26 0.35
z0 = q = 1, 5095 1, 51
0.350.65
64
10.5 Exemplo 2
Um fabricante afirma que no mximo 10% dos seus produtos so defeituosos. Um rgo
de defesa do consumidor testa uma amostra de 81 desses itens, detectando 13,8% de
defeituosos.
Soluo
A afirmativa de interesse para o fabricante p 0, 10. A negao de tal afirmativa
(questionamento do rgo de defesa do conumidor) p > 0, 10. Logo, nossas hipteses
so:
H0 : p = 0, 10
H1 : p > 0, 10
Note que todas as propores esto na forma decimal! No trabalhe com percentagens!
CAPTULO 10. TESTE DE HIPTESE: PROPORES - AMOSTRA GRANDE154
A estatstica de teste
Pb 0, 10
Z0 = q =
0,100,90
81
A estatstica de teste
Pb p
Z=r N(0; 1)
p(1 p)
n
A regra de deciso se baseia no valor da estatstica de teste sob a hiptese nula:
Pb p0
Z0 = r N(0; 1)
p0 (1 p0 )
n
Valores pouco provveis desta estatstica levam rejeio da hiptese nula. Assim,
a regra de deciso rejeitar H0 para valores na(s) cauda(s) da distribuio normal
padro. Com nvel de significncia , temos as seguintes possibilidades:
Z0 > z/2 ou Z0 < z/2 (teste bilateral)
Z0 > z (teste unilateral direita)
Z0 < z (teste unilateral esquerda)
10.7 Exerccios
1. Em uma pesquisa com 800 estudantes universitrios, 385 afirmaram possuir com-
putador. Teste a hiptese de que pelo menos 50% dos estudantes universitrios
possuem computador. Use = 0, 10.
2. Uma pesquisa entre 700 trabalhadores revela que 12,3% obtiveram seus empregos
atravs de indicaes de amigos ou parentes. Teste a hiptese de que mais de 10%
dos trabalhadores conseguem seus empregos por indicao de amigos ou parentes,
utilizando 5% como nvel de significncia.
3. O nvel de aprovao da qualidade das refeies servidas em um restaurante uni-
versitrio era de 20%, quando houve uma movimentao geral dos estudantes que
forou a direo do restaurante a fazer mudanas. Feitas as mudanas, sorteia-se
uma amostra de 64 estudantes usurios do restaurante e 25 aprovam a qualidade
da comida. Voc diria, ao nvel de significncia de 5%, que as mudanas surtiram
efeito?
CAPTULO 10. TESTE DE HIPTESE: PROPORES - AMOSTRA GRANDE156
4. Deseja-se testar a honestidade de uma moeda. Para isso, lana-se a moeda 200
vezes, obtendo-se 115 caras. Qual a sua concluso sobre a honestidade da moeda?
Para responder a essa questo, calcule e interprete o valor P.
5. A direo de um grande jornal nacional afirma que 25% dos seus leitores so da
classe A. Se, em uma amostra de 740 leitores, encontramos 156 da classe A, qual
a concluso que tiraramos sobre a afirmativa da direo do jornal?
e a regio crtica
Z0 < 1, 28
Como o valor observado no pertence regio crtica, no podemos rejeitar a
hiptese nula. Ou seja, os dados trazem evidncia de que a proporo de estudantes
que possuem computador de pelo menos 50%.
2. A afirmativa de interesse mais de 10% dos trabalhadores conseguem seus em-
pregos por indicao de amigos ou parentes, ou seja, p > 0, 10, cuja negativa
p 0, 10. Logo, as hipteses so
H0 : p = 0, 10
H1 : p > 0, 10
e a regio crtica
Z0 > 1, 64
Como o valor observado da estatstica de teste pertence regio crtica, rejeita-se
a hiptese nula de que 10% ou menos dos trabalhadores conseguem seus empregos
por indicao de parentes ou amigos.
CAPTULO 10. TESTE DE HIPTESE: PROPORES - AMOSTRA GRANDE157
H0 : p = 0, 20
H1 : p > 0, 20
Como = 5% e o teste unilateral, resulta que z0,05 = 1, 64. Logo, a regio crtica
Z0 > 1, 64
O valor observado da estatstica de teste
25
0.20
z0 = 64
q = 3, 8125
0.20.8
64
que est na regio crtica; logo, rejeita-se a hiptese nula, ou seja, as evidncias
amostrais indicam que houve melhora com as mudanas.
4. As hipteses so
H0 : p = 0, 5
H1 : p 6= 0, 5
e a estatstica de teste
Pb 0, 5
Z0 = q
0,50,5
200
H0 : p = 0, 25
H1 : p 6= 0, 25
CAPTULO 10. TESTE DE HIPTESE: PROPORES - AMOSTRA GRANDE158
e a estatstica de teste
Pb 0, 25
Z0 = q
0,250,75
740
Neste captulo voc completar seu estudo bsico de testes de hipteses sobre a mdia de
uma populao, analisando a situao relativa a uma populao normal quando no se
conhece a varincia desta populao. Assim como no caso do intervalo de confiana, para
testar hipteses relativas mdia de tal populao, necessrio estimar essa varincia e
isso introduz mais uma fonte de variabilidade no procedimento: com uma nica amostra,
queremos testar hipteses sobre a mdia, mas precisamos tambm estimar a varincia
da populao. O procedimento simples e anlogo aos casos estudados nos catulos
anteriores; o que muda a distribuio amostral da estatstica de teste. Em vez de
usarmos a distribuio normal para determinar os valores crticos, usaremos novamente
a distribuio t de Student.
Veremos, ento, os seguintes conceitos aplicados mdia de uma populao normal
com varincia desconhecida:
estatstica de teste
regra de deciso
regio crtica
valor P
159
CAPTULO 11. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 DESCONHECIDA160
X
T = n
S
cuja distribuio t de Student com n 1 graus de liberdade.
De posse desta estatstica de teste, o procedimento de construo do teste idntico
ao visto nos trs ltimos captulos: identificadas a hiptese nula (sempre na forma de
uma hiptese simples = 0 ) e a hiptese alternativa, a regio crtica formada pelos
valores da estatstica de teste pouco provveis sob H0 . O nvel de significncia e o
tipo de hiptese alternativa permitem a identificao precisa do que so valores pouco
provveis: so valores na(s) cauda(s) da distribuio de T quando a hiptese nula
verdadeira.
Vamos formalizar o procedimento geral e em seguida apresentaremos alguns exemplos
de aplicao.
H0 : = 0
Bilateral : H1 : 6= 0
Unilateral direita : H1 : > 0
Unilateral esquerda : H1 : < 0
Como antes, a escolha entre essas trs possibilidades se faz com base no conhecimento
do problema. Se no temos informao alguma sobre a alternativa, temos que usar um
teste bilateral. A escolha entre os dois tipos de hipteses unilaterais feita de modo que,
CAPTULO 11. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 DESCONHECIDA161
0 H0 : = 0
> 0 H1 : > 0
Como a estatstica de teste segue uma distribuio t de Student, valores com pequena
probabilidade de ocorrncia esto nas caudas da distribuio. Isso equivale a valores de
X distandes de 0 . Assim, a regio crtica para cada tipo de hiptese alternativa
definida como segue:
Na Figura 11.1 ilustra-se a regio crtica para cada tipo de hiptese alternativa.
CAPTULO 11. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 DESCONHECIDA162
Figura 11.1: Regio crtica para o teste sobre a mdia de uma normal com varincia
desconhecida
CAPTULO 11. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 DESCONHECIDA163
Hiptese bilateral
A regio crtica calculada como:
X 0 S
T0 < tn1; /2 < tn1; /2 X < 0 tn1; /2
S n
n
11.3 Exemplos
A ttulo de comparao com a situao do penltimo captulo, em que supusemos a var-
incia conhecida, vamos considerar os mesmos exemplos, mas agora tratando a varincia
dada como sendo a varincia amostral S 2 .
11.3.1 Exemplo 1
Depois de uma pane geral no sistema de informao de uma empresa, o gerente admin-
istrativo deseja saber se houve alterao no tempo de processamento de determinada
atividade. Antes da pane, o tempo de processamento podia ser aproximado por uma
varivel aleatria normal com mdia de 100 minutos. Uma amostra de 16 tempos de
processamento aps a pane revela uma mdia x = 105, 5 minutos e um desvio padro
s = 10 minutos. Ao nvel de significncia de 5%, qual a concluso sobre a alterao
do tempo mdio de processamento?
Soluo
Como visto, as hipteses do problema so
= 100
6= 100
H0 : = 100
H1 : 6= 100
A estatstica de teste
X 100
T0 = t(15)
10
16
CAPTULO 11. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 DESCONHECIDA165
e a regio crtica
T0 > 2, 131 ou T0 < 2, 131
O valor observado da estatsitca de teste
105, 5 100
t0 = = 2, 2
10
16
Como esse valor pertence regio crtica, rejeitamos a hiptese nula e conclumos que
houve alterao no tempo de processamento aps a pane.
Em termos da mdia amostral, a regio crtica
10 10
X > 100 + 2, 131 ou X < 100 2, 131
16 16
ou
X > 105, 33 ou X < 94, 673
Compare com a regio crtica obtida no caso da normal (Exemplo 23.1):
11.3.2 Exemplo 2
Na mesma situao do exemplo anterior, vamos considerar o caso em que o gerente esteja
interessado apenas no aumento do tempo de processamento. Neste caso, as hipteses
so:
100 OK!
> 100 Problema!
Para definir qual a hiptese nula, vamos usar o mesmo procedimento. Em um teste
unilateral, a hiptese alternativa deve ser aquela que no envolve o sinal de igualdade.
No nosso exemplo, essa a hiptese > 100. A hiptese nula, tendo que ser uma
hiptese simples, passa a ser = 100, ou seja:
H0 : = 100
H1 : > 100
X 100
T0 = t(15)
10
16
11.3.3 Exemplo 3
O dono de uma mdia empresa decide investigar a alegao de seus empregados de
que o salrio mdio na sua empresa menor que o salrio mdio nacional. Para isso,
ele analisa uma amostra de 25 salrios, obtendo uma mdia de 894,53 reais e desvio
padro de 32 reais. De informaes obtidas junto ao sindicato patronal, ele sabe que,
em nvel nacional, o salrio mdio de 900 reais. Supondo que seja razovel aproximar
a distribuio dos salrios por uma distribuio normal, vamos construir um teste de
hiptese apropriado, com um nvel de significncia de 10%.
Soluo
O problema aqui consiste em decidir se os salrios so menores ou no do que a
mdia nacional de 900 reais, ou seja, as situaes de interesse so
< 900
900
H0 : = 900
H1 : < 900
X 900
T0 = t(24)
32
25
como
T0 < t24; 0,10
Com nvel de significncia de 10%, a abscissa de interesse aquela que deixa rea de
10% acima dela em uma distribuio t com 24 graus de liberdade:
t24;0,10 = 1, 318
CAPTULO 11. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 DESCONHECIDA167
() = Pr(rejeitar H0 |)
X 95
(95) = Pr X > 105, 73 | 16 t(15)
10
X 95
+ Pr X < 94, 673 | 16 t(15)
10
X 95 105, 73 95
= Pr 16 > 16
10 10
X 95 94, 673 95
+ Pr 16 < 16
10 10
= Pr [t(15) > 4, 292] + Pr [t(15) < 0, 1308]
= 0, 00032 + 0, 44884 = 0, 44916
11.5 Valor P
Assim como no caso da funo poder, o clculo do valor P requer programas conm-
putacionais que calculem probabilidades da distribuio t para qualquer abscissa. Mas
a interpretao do valor P continua sendo a mesma: valores pequenos de P indicam
eventos pouco provveis de ocorrerem quando H0 verdadeira. Assim, continua valendo
a seguinte regra de deciso:
CAPTULO 11. TESTE DE HIPTESE: MDIA DA N(; 2 ) - 2 DESCONHECIDA168
Rejeitamos H0 P
No Exemplo 1, o valor P
X 100
P = 2 Pr X > 105, 5 | 16 t(15)
10
105, 5 100
= 2 Pr t(15) > 16
10
= 2 Pr [t(15) > 2, 2]
= 2 0, 02195 = 0, 0439
11.6 Exerccios
1. Uma amostra aleatria simples de tamanho n = 9 extrada de uma populao
normal apresentou mdia igual a x = 13, 35 e desvio padro s = 3, 1. Deseja-se
testar
H0 : = 12, 8
H1 : 6= 12, 8
2. Uma empresa fabricante de balas afirma que o peso mdio de suas balas de pelo
menos 2 gramas. Pela descrio do processo de produo, sabe-se que o peso das
balas distribui-se normalmente. Uma amostra de 25 balas apresenta peso mdio
de 1,98 gramas e um desvio padro de 0,5 grama.. O que se pode concluir sobre
a afirmao do fabricante? Use um nvel de significncia de 5%.
H0 : = 2
H1 : < 2
T0 < 1, 711
3. O problema na produo surge quando < 15. Logo, nossas hipteses so:
H0 : = 15
H1 : < 15
n = 9, = 0, 001 = t8; 0,001 = 4, 501. A regio crtica
T0 < 4, 501
e o valor observado desta estatstica de teste
14.5 15
t0 = 0.5 = 3, 0
3
Como o valor observado t0 = 3, 0 no est na regio crtica, no podemos re-
jeitar H0 , ou seja, as evidncias amostrais indicam que o processo est operando
adequadamente.
4. A inteno do analista reduzir o tempo; logo, o interesse dele que < 48, 5. A
negao dessa afirmativa 48, 5. Logo, nossas hipteses so:
H0 : = 48, 5
H1 : < 48, 5
n = 25, = 0, 05 = t24; 0,05 = 1, 711. Logo, a regio crtica
T0 < 1, 711
e o valor observado desta estatstica
46.5 48.5
t0 = 5 = 2, 0
5
Como o valor observado t0 = 2, 0 pertence regio crtica, devemos rejeitar
H0 , ou seja, as evidncias amostrais indicam que o analista foi bem-sucedido em
reduzir o tempo de execuo.
5. Se o consumo for menor ou igual a 12 litros por 100 km, no h problema com a
propaganda. O problema surge se o consumo for superior. Logo, nossas hipteses
so:
H0 : = 12
H1 : > 12
Supondo que o consumo X possa ser aproximado por uma distribuio normal,
podemos usar a distribuio t(35). Com = 10%, t35; 0,10 = 1, 306 e a regio crtica
T0 > 1, 306
O valor observado desta estatstica de teste
12.4 12
t0 = 1 = 2, 4
6
Como o valor observado t0 = 2, 4 est na regio crtica, devemos rejeitar H0 , ou
seja, a propaganda parece ser enganosa.
Captulo 12
Teste de Hiptese: Varincia da
N(; 2)
171
CAPTULO 12. TESTE DE HIPTESE: VARINCIA DA N(; 2 ) 172
H0 : 2 = 20
Bilateral : H1 : 2 6= 20
Unilateral direita : H1 : 2 > 20
Unilateral esquerda : H1 : 2 < 20
Como antes, a escolha entre essas trs possibilidades se faz com base no conhecimento
do problema. Se no temos informao alguma sobre a alternativa, temos que usar um
teste bilateral. A escolha entre os dois tipos de hipteses unilaterais feita de modo que,
ao escrevermos as hipteses do problema em linguagem simblica, a hiptese alternativa
no inclua o sinal de igualdade.
Hipteses do problema Hipteses estatsticas
2 < 20 H0 : 2 = 20
2 20 H1 : 2 < 20
2 > 20 H0 : 2 = 20
2 20 H1 : > 0
Na Figura 12.1 ilustra-se a regio crtica para cada tipo de hiptese alternativa.
Hiptese bilateral
A regio crtica calculada como:
Pr X0 > kS | X0 2 (n 1) + Pr X0 < kI | X0 2 (n 1) =
Mesmo a distribuio qui-quadrado no sendo simtrica, prtica usual dividir a prob-
abilidade de erro em partes iguais, ou seja, os limites da regio crtica so definidos de
modo que
Pr X0 > kS | X0 2 (n 1) =
2
2
Pr X0 < kI | X0 (n 1) =
2
CAPTULO 12. TESTE DE HIPTESE: VARINCIA DA N(; 2 ) 174
Figura 12.1: Regio crtica para testes de hipteses sobre a varincia de uma N(; 2 )
CAPTULO 12. TESTE DE HIPTESE: VARINCIA DA N(; 2 ) 175
12.3 Exemplo 1
Uma amostra aleatria simples de tamanho n = 16 foi retirada de uma populao
normal, obtendo-se s2 = 32, 1. Ao nvel de significncia de 5% pode-se dizer que 2 6= 20?
Soluo
As hipteses so
H0 : 2 = 20
H1 : 2 6= 20
215;0,975 = 6, 262
215;0,025 = 27, 488
e a regio crtica
X02 > 27, 488 ou X02 < 6, 262
O valor observado da estatstica de teste
15 32, 1
x20 = = 24, 075
20
que no pertence regio crtica. Logo, no se rejeita a hiptese nula, ou seja, no
podemos afirmar que 2 6= 20.
CAPTULO 12. TESTE DE HIPTESE: VARINCIA DA N(; 2 ) 176
H0 : = 24 H0 : 2 = 25
H1 : > 24 H1 : 2 < 25
P
8 P
8
Os dados fornecem xi = 196, 5 e x2i = 4835, 99
i=1 i=1
196, 5
x = = 24, 5625
8
1 9, 45875
s2 = [4835, 99 8 24, 5625] = = 1, 35125
7 7
Como o tamanho da amostra pequeno e tanto a mdia como varincia so de-
sconhecidas, as estatsticas de teste so T0 e X02 . Os valores crticos, para um nvel de
significncia de 5%, so
e s regies crticas so
T0 > 1, 895 X02 < 2, 167
Os valores observados das estatsticas de teste so
24, 5625 24
t0 = 8 = 1, 3687 < 1, 895
1, 35125
7 1, 35125
x20 = = 0, 37835 < 2, 167
25
Vemos, ento, que t0 no pertence regio crtica e, portanto, no podemos dizer que o
rendimento mdio aumentou. Por outro lado, x20 pertence regio crtica e, portanto, os
dados indicam que houve reduo na variabilidade dos rendimentos das aes negociadas
pelo escritrio.
CAPTULO 12. TESTE DE HIPTESE: VARINCIA DA N(; 2 ) 177
Tabela 1
Distribuio Normal Padro
Corpo da tabela d a probabilidade p tal que
p = P (0 < Z < Z c )
0 1 2 3 4 5 6 7 8 9
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891
1 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46246 0,46327
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670
2 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361
2,5 0,49379 0,49396 0,49413 0,49430 0,49446 0,49461 0,49477 0,49492 0,49506 0,49520
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807
2,9 0,49813 0,49819 0,49825 0,49831 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861
3 0,49865 0,49869 0,49874 0,49878 0,49882 0,49886 0,49889 0,49893 0,49896 0,49900
3,1 0,49903 0,49906 0,49910 0,49913 0,49916 0,49918 0,49921 0,49924 0,49926 0,49929
3,2 0,49931 0,49934 0,49936 0,49938 0,49940 0,49942 0,49944 0,49946 0,49948 0,49950
3,3 0,49952 0,49953 0,49955 0,49957 0,49958 0,49960 0,49961 0,49962 0,49964 0,49965
3,4 0,49966 0,49968 0,49969 0,49970 0,49971 0,49972 0,49973 0,49974 0,49975 0,49976
3,5 0,49977 0,49978 0,49978 0,49979 0,49980 0,49981 0,49981 0,49982 0,49983 0,49983
3,6 0,49984 0,49985 0,49985 0,49986 0,49986 0,49987 0,49987 0,49988 0,49988 0,49989
3,7 0,49989 0,49990 0,49990 0,49990 0,49991 0,49991 0,49992 0,49992 0,49992 0,49992
3,8 0,49993 0,49993 0,49993 0,49994 0,49994 0,49994 0,49994 0,49995 0,49995 0,49995
3,9 0,49995 0,49995 0,49996 0,49996 0,49996 0,49996 0,49996 0,49996 0,49997 0,49997
4 0,49997 0,49997 0,49997 0,49997 0,49997 0,49997 0,49998 0,49998 0,49998 0,49998
4,1 0,49998 0,49998 0,49998 0,49998 0,49998 0,49998 0,49998 0,49998 0,49999 0,49999
4,2 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999
4,3 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999 0,49999
4,4 0,49999 0,49999 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000
4,5 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000
CAPTULO 12. TESTE DE HIPTESE: VARINCIA DA N(; 2 ) 178
Tabela 2
Valores crticos da distribuio t -Student
T a b e la d a Q u i- Q u a d r a d o
D is t r ib u i o q u i- q u a d r a d o
V a lo r e s c r t ic o s d e c 2 t a is q u e
Pr ( 2
n 2
n ; )= 2
n ;
g .l.
=
n 0 ,9 9 0 0 ,9 8 0 0 ,9 7 5 0 ,9 5 0 0 ,9 0 0 0 ,8 0 0 0 ,2 0 0 0 ,1 0 0 0 ,0 5 0 0 ,0 2 5 0 ,0 2 0 0 ,0 1 0
1 0 ,0 0 0 0 ,0 0 1 0 ,0 0 1 0 ,0 0 4 0 ,0 1 6 0 ,0 6 4 1 ,6 4 2 2 ,7 0 6 3 ,8 4 1 5 ,0 2 4 5 ,4 1 2 6 ,6 3 5
2 0 ,0 2 0 0 ,0 4 0 0 ,0 5 1 0 ,1 0 3 0 ,2 1 1 0 ,4 4 6 3 ,2 1 9 4 ,6 0 5 5 ,9 9 1 7 ,3 7 8 7 ,8 2 4 9 ,2 1 0
3 0 ,1 1 5 0 ,1 8 5 0 ,2 1 6 0 ,3 5 2 0 ,5 8 4 1 ,0 0 5 4 ,6 4 2 6 ,2 5 1 7 ,8 1 5 9 ,3 4 8 9 ,8 3 7 1 1 ,3 4 5
4 0 ,2 9 7 0 ,4 2 9 0 ,4 8 4 0 ,7 1 1 1 ,0 6 4 1 ,6 4 9 5 ,9 8 9 7 ,7 7 9 9 ,4 8 8 1 1 ,1 4 3 1 1 ,6 6 8 1 3 ,2 7 7
5 0 ,5 5 4 0 ,7 5 2 0 ,8 3 1 1 ,1 4 5 1 ,6 1 0 2 ,3 4 3 7 ,2 8 9 9 ,2 3 6 1 1 ,0 7 0 1 2 ,8 3 3 1 3 ,3 8 8 1 5 ,0 8 6
6 0 ,8 7 2 1 ,1 3 4 1 ,2 3 7 1 ,6 3 5 2 ,2 0 4 3 ,0 7 0 8 ,5 5 8 1 0 ,6 4 5 1 2 ,5 9 2 1 4 ,4 4 9 1 5 ,0 3 3 1 6 ,8 1 2
7 1 ,2 3 9 1 ,5 6 4 1 ,6 9 0 2 ,1 6 7 2 ,8 3 3 3 ,8 2 2 9 ,8 0 3 1 2 ,0 1 7 1 4 ,0 6 7 1 6 ,0 1 3 1 6 ,6 2 2 1 8 ,4 7 5
8 1 ,6 4 6 2 ,0 3 2 2 ,1 8 0 2 ,7 3 3 3 ,4 9 0 4 ,5 9 4 1 1 ,0 3 0 1 3 ,3 6 2 1 5 ,5 0 7 1 7 ,5 3 5 1 8 ,1 6 8 2 0 ,0 9 0
9 2 ,0 8 8 2 ,5 3 2 2 ,7 0 0 3 ,3 2 5 4 ,1 6 8 5 ,3 8 0 1 2 ,2 4 2 1 4 ,6 8 4 1 6 ,9 1 9 1 9 ,0 2 3 1 9 ,6 7 9 2 1 ,6 6 6
10 2 ,5 5 8 3 ,0 5 9 3 ,2 4 7 3 ,9 4 0 4 ,8 6 5 6 ,1 7 9 1 3 ,4 4 2 1 5 ,9 8 7 1 8 ,3 0 7 2 0 ,4 8 3 2 1 ,1 6 1 2 3 ,2 0 9
11 3 ,0 5 3 3 ,6 0 9 3 ,8 1 6 4 ,5 7 5 5 ,5 7 8 6 ,9 8 9 1 4 ,6 3 1 1 7 ,2 7 5 1 9 ,6 7 5 2 1 ,9 2 0 2 2 ,6 1 8 2 4 ,7 2 5
12 3 ,5 7 1 4 ,1 7 8 4 ,4 0 4 5 ,2 2 6 6 ,3 0 4 7 ,8 0 7 1 5 ,8 1 2 1 8 ,5 4 9 2 1 ,0 2 6 2 3 ,3 3 7 2 4 ,0 5 4 2 6 ,2 1 7
13 4 ,1 0 7 4 ,7 6 5 5 ,0 0 9 5 ,8 9 2 7 ,0 4 2 8 ,6 3 4 1 6 ,9 8 5 1 9 ,8 1 2 2 2 ,3 6 2 2 4 ,7 3 6 2 5 ,4 7 2 2 7 ,6 8 8
14 4 ,6 6 0 5 ,3 6 8 5 ,6 2 9 6 ,5 7 1 7 ,7 9 0 9 ,4 6 7 1 8 ,1 5 1 2 1 ,0 6 4 2 3 ,6 8 5 2 6 ,1 1 9 2 6 ,8 7 3 2 9 ,1 4 1
15 5 ,2 2 9 5 ,9 8 5 6 ,2 6 2 7 ,2 6 1 8 ,5 4 7 1 0 ,3 0 7 1 9 ,3 1 1 2 2 ,3 0 7 2 4 ,9 9 6 2 7 ,4 8 8 2 8 ,2 5 9 3 0 ,5 7 8
16 5 ,8 1 2 6 ,6 1 4 6 ,9 0 8 7 ,9 6 2 9 ,3 1 2 1 1 ,1 5 2 2 0 ,4 6 5 2 3 ,5 4 2 2 6 ,2 9 6 2 8 ,8 4 5 2 9 ,6 3 3 3 2 ,0 0 0
17 6 ,4 0 8 7 ,2 5 5 7 ,5 6 4 8 ,6 7 2 1 0 ,0 8 5 1 2 ,0 0 2 2 1 ,6 1 5 2 4 ,7 6 9 2 7 ,5 8 7 3 0 ,1 9 1 3 0 ,9 9 5 3 3 ,4 0 9
18 7 ,0 1 5 7 ,9 0 6 8 ,2 3 1 9 ,3 9 0 1 0 ,8 6 5 1 2 ,8 5 7 2 2 ,7 6 0 2 5 ,9 8 9 2 8 ,8 6 9 3 1 ,5 2 6 3 2 ,3 4 6 3 4 ,8 0 5
19 7 ,6 3 3 8 ,5 6 7 8 ,9 0 7 1 0 ,1 1 7 1 1 ,6 5 1 1 3 ,7 1 6 2 3 ,9 0 0 2 7 ,2 0 4 3 0 ,1 4 4 3 2 ,8 5 2 3 3 ,6 8 7 3 6 ,1 9 1
20 8 ,2 6 0 9 ,2 3 7 9 ,5 9 1 1 0 ,8 5 1 1 2 ,4 4 3 1 4 ,5 7 8 2 5 ,0 3 8 2 8 ,4 1 2 3 1 ,4 1 0 3 4 ,1 7 0 3 5 ,0 2 0 3 7 ,5 6 6
21 8 ,8 9 7 9 ,9 1 5 1 0 ,2 8 3 1 1 ,5 9 1 1 3 ,2 4 0 1 5 ,4 4 5 2 6 ,1 7 1 2 9 ,6 1 5 3 2 ,6 7 1 3 5 ,4 7 9 3 6 ,3 4 3 3 8 ,9 3 2
22 9 ,5 4 2 1 0 ,6 0 0 1 0 ,9 8 2 1 2 ,3 3 8 1 4 ,0 4 1 1 6 ,3 1 4 2 7 ,3 0 1 3 0 ,8 1 3 3 3 ,9 2 4 3 6 ,7 8 1 3 7 ,6 5 9 4 0 ,2 8 9
23 1 0 ,1 9 6 1 1 ,2 9 3 1 1 ,6 8 9 1 3 ,0 9 1 1 4 ,8 4 8 1 7 ,1 8 7 2 8 ,4 2 9 3 2 ,0 0 7 3 5 ,1 7 2 3 8 ,0 7 6 3 8 ,9 6 8 4 1 ,6 3 8
24 1 0 ,8 5 6 1 1 ,9 9 2 1 2 ,4 0 1 1 3 ,8 4 8 1 5 ,6 5 9 1 8 ,0 6 2 2 9 ,5 5 3 3 3 ,1 9 6 3 6 ,4 1 5 3 9 ,3 6 4 4 0 ,2 7 0 4 2 ,9 8 0
25 1 1 ,5 2 4 1 2 ,6 9 7 1 3 ,1 2 0 1 4 ,6 1 1 1 6 ,4 7 3 1 8 ,9 4 0 3 0 ,6 7 5 3 4 ,3 8 2 3 7 ,6 5 2 4 0 ,6 4 6 4 1 ,5 6 6 4 4 ,3 1 4
26 1 2 ,1 9 8 1 3 ,4 0 9 1 3 ,8 4 4 1 5 ,3 7 9 1 7 ,2 9 2 1 9 ,8 2 0 3 1 ,7 9 5 3 5 ,5 6 3 3 8 ,8 8 5 4 1 ,9 2 3 4 2 ,8 5 6 4 5 ,6 4 2
27 1 2 ,8 7 9 1 4 ,1 2 5 1 4 ,5 7 3 1 6 ,1 5 1 1 8 ,1 1 4 2 0 ,7 0 3 3 2 ,9 1 2 3 6 ,7 4 1 4 0 ,1 1 3 4 3 ,1 9 5 4 4 ,1 4 0 4 6 ,9 6 3
28 1 3 ,5 6 5 1 4 ,8 4 7 1 5 ,3 0 8 1 6 ,9 2 8 1 8 ,9 3 9 2 1 ,5 8 8 3 4 ,0 2 7 3 7 ,9 1 6 4 1 ,3 3 7 4 4 ,4 6 1 4 5 ,4 1 9 4 8 ,2 7 8
29 1 4 ,2 5 6 1 5 ,5 7 4 1 6 ,0 4 7 1 7 ,7 0 8 1 9 ,7 6 8 2 2 ,4 7 5 3 5 ,1 3 9 3 9 ,0 8 7 4 2 ,5 5 7 4 5 ,7 2 2 4 6 ,6 9 3 4 9 ,5 8 8
30 1 4 ,9 5 3 1 6 ,3 0 6 1 6 ,7 9 1 1 8 ,4 9 3 2 0 ,5 9 9 2 3 ,3 6 4 3 6 ,2 5 0 4 0 ,2 5 6 4 3 ,7 7 3 4 6 ,9 7 9 4 7 ,9 6 2 5 0 ,8 9 2