Índice

Conteúdo Pág:
Introdução ..................................................................................................................... 1

1. Teste de Hipotese para variância ........................................................................... 2

1.1. Conceitos ........................................................................................................... 2

1.2. A Idéia Básica .................................................................................................... 2

1.3. Tipos de Teste .................................................................................................... 3

1.3.1. A Distribuição das Diferenças........................................................................ 3

1.3.2. Componentes de um Teste de Hipótese ......................................................... 3

1.3.2.1. Hipoteses .................................................................................................... 4

1.3.3. Erros do tipo I e II .......................................................................................... 4

1.3.4. O teste de Hipótese para variância ................................................................. 5

1.3.5. Teste de Hipoteses para duas variâncias ....... Error! Bookmark not defined.

2. Conclusão ............................................................................................................ 11

3. Bibliografia .......................................................................................................... 12
Introdução
O presente trabalho da cadeira de Estatística visa falar dos testes de hipótese para uma
Média, entretanto, sabe – se que uma hipóteses estatística é uma afirmação ou conjetura
sobre o parâmetro, ou parâmetros, da distribuição de probabilidades de uma característica,
X, da população ou de uma variável aleatória.

Todavia um teste de uma hipóteses estatística é o procedimento ou regra de decisão que

nos possibilita decidir por H0 ou Ha, com base a informação contida na amostra.

A análise de variância é uma metodologia estatística cujo objetivo é decidir se existem

ou não diferenças significativas entre as médias de várias amostras de uma variável
numérica, definidas por exemplo por diferentes tratamentos ou níveis de influência de um
fator. Esta metodologia é uma extensão do teste t‐Student para duas amostras
independentes.

Frequentemente precisamos tomar decisões sobre populações, com base em informações

sobre amostras das mesmas. Tais decisões chamam-se decisões estatísticas. Por exemplo,
com base em resultados amostrais, podemos querer decidir se determinada vacina é
eficiente na cura de determinada doença, se um processo educacional é melhor do que
outro, se uma moeda é viciada ou não, etc.

1
 1. Teste de Hipótese para uma Média
1.1.Conceitos

Segundo ANDERSON (2002:14), Teste de hipótese é um conjunto de procedimentos para

se calcular a probabilidade da diferença entre duas médias (ou dois percentuais) ser devida
ao acaso. Isso é equivalente a se testar duas hipóteses: a nula (não há diferença entre as
médias) e a alternativa (há diferença entre as médias). O resultado do teste é um número
real entre zero e um que mede a probabilidade da hipótese nula ocorrer.

Um teste de hipótese (ou teste estatístico) é um procedimento para se determinar se a

evidência que uma amostra fornece é suficiente para concluirmos se o parâmetro
populacional está num intervalo específico (GRAYBILL, IVER & BURDICK, 1998)1
(determinado pelo pesquisador).

De acordo com PERREIRA (1992:45), Estatística Teste: é a estatística amostral, cujo valor
baseado nos dados será utilizado para a tomada de decisão a respeito da hipótese nula.
Está associada à distribuição de probabilidade do estimador do parâmetro que se deseja
testar.

Uma diferença estatisticamente significativa é aquela onde a probabilidade dela ter

ocorrido ao acaso é considerada baixa o suficiente (geralmente 5% ou menos). Nesse
caso, diz-se que é rejeitada a hipótese nula.

1.2.A Idéia Básica

Segundo TOLEDO (1983:44), a diferença entre as médias (ou percentuais) de uma dada
variável em duas amostras aleatórias equivale a uma única variável aleatória com média
zero. Em outras palavras, a partir da distribuição de probabilidade da variável na amostra
1 e da distribuição de probabilidade correspondente na amostra 2 é possível se calcular a
distribuição de probabilidade da diferença entre as duas amostras.

Com o teste de hipótese, a distribuição das diferenças é usada para se calcular a

probabilidade de uma dada diferença observada ocorrer ao acaso.

1
Cfr. GRAYBILL, F.; IVER, H.K. & BURDICK, R.K. - Applied Statistics, a first course in Inference,
Prentice Hall, 1998. P.80

2
 1.3.Tipos de Teste
1.3.1. A Distribuição das Diferenças

De acordo com PERREIRA (1992:77), a distribuição de probabilidade da "diferença-entre-

duas-médias" é determinada pela distribuição de probabilidade de cada uma das variáveis
cujas médias se quer comparar, pela escala numérica na qual tais variáveis estão expressas
e pelo tipo de comparação que se quer realizar. Assim sendo, existem diferentes tipos de
testes para atenderem aos diferentes tipos de variáveis, distribuições e comparações com
os quais se esteja trabalhando.

No que concerne à distribuição e natureza das variáveis a serem comparadas, existem

basicamente dois grandes tipos de teste:

 Testes Paramétricos: São aqueles em que se pressupõe que as variáveis sendo

comparadas estão ambas numa escala intervalar ou de razão, e que podem ser
consideradas como apresentando um determinado tipo de distribuição de probabilidade
(geralmente, a distribuição normal).
 Testes Não-Paramétricos: São aqueles em que se pressupõe relativamente pouca coisa
acerca das variáveis envolvidas, baseando as comparações no ranking dos casos
individuais.

Os testes paramétricos apresentam a vantagem de poder detectar diferenças muito sutís

entre as variáveis estudadas, porém, a sua aplicabilidade é limitada devido à necessidade
de se comprovar que todos os pressupostos estão de fato satisfeitos. Já os não-
paramétricos são comparativamente menos sensíveis, mas podem ser aplicados a um
conjunto muito mais amplo de casos.

1.3.2. Componentes de um Teste de Hipótese

Segundo TOLEDO (1983:49), as hipóteses nula e alternativa são duas declarações

mutuamente exclusivas sobre uma população. Um teste de hipótese usa dados amostrais
para determinar se deve rejeitar a hipótese nula.

3
 1.3.2.1.Hipoteses

a) Hipótese nula (H0)

A hipótese nula afirma que um parâmetro da população (como a média, o desvio
padrão, e assim por diante) é igual a um valor hipotético. A hipótese nula é, muitas
vezes, uma alegação inicial baseado em análises anteriores ou conhecimentos
especializados.

b) Hipótese Alternativa (H1)

A hipótese alternativa afirma que um parâmetro da população é menor, maior ou
diferente do valor hipotético na hipótese nula. A hipótese alternativa é aquela que
você acredita que pode ser verdadeira ou espera provar ser verdadeira.

1.3.3. Erros do tipo I e II

1.3.3.1.Erro tipo I

De acordo com TOLEDO (1983:56), Quando a hipótese nula é verdadeira e você a rejeita,
comete um erro do tipo I. A probabilidade de cometer um erro do tipo I é α, que é o nível
de significância que você definiu para seu teste de hipóteses. Um α de 0,05 indica que
você quer aceitar uma chance de 5% de que está errado ao rejeitar a hipótese nula. Para
reduzir este risco, você deve usar um valor inferior para α. Entretanto, usar um valor
inferior para alfa significa que você terá menos probabilidade de detectar uma diferença
verdadeira, se existir uma realmente.

1.3.3.2.Erro tipo II
De acordo com LAPPONI (2000:68), Quando a hipótese nula é falsa e você não a rejeita,
comete um erro de tipo II. A probabilidade de cometer um erro de tipo II é β, que depende
do poder do teste. Você pode diminuir o risco de cometer um erro do tipo II, assegurando
que o seu teste tenha potência suficiente. Você pode fazer isso garantindo que o tamanho
amostral seja grande o suficiente para detectar uma diferença prática, quando realmente
existir uma.

A probabilidade de rejeitar a hipótese nula quando ela é falsa é igual a 1–β. Esse valor é
a potência do teste.

4
 Verdade sobre a população

Decisão com H0 é verdadeiro H0 é falso

base em
amostra

Deixa de rejeitar Decisão Correta (probabilidade = 1 Erro tipo II - deixa de rejeitar

H0 - α) H0 quando ela é falsa
(probabilidade = β)

Rejeitar H0 Erro tipo I - rejeitando H0 quando Decisão Correta (probabilidade = 1

ele é verdadeiro (probabilidade = - β)
α)

Nível de significância do teste: a probabilidade de se rejeitar H0, quando H0 é

verdadeira, é chamada de nível de significância do teste .

1.3.4. O teste de Hipótese para uma Média

De acordo com LAPPONI (2000:90), Para aplicar o teste para a variância é necessário
supor a normalidade da população de onde será extraída a amostra.

As hipóteses são:

H0: σ2 = σ20 contra

H ou σ
2
> σ20 ou σ2 < σ20

Quer dizer o quociente acima tem uma distribuição qui-quadrado com “n-1” graus de
liberdade. A qui-quadrado é uma distribuição assimétrica positiva que varia de zero a
mais infinito. Esta distribuição é tabelada também em função dos número de graus de
liberdade, isto é, cada grau de liberdade (n -1) representa uma distribuição diferente.

As colunas das tabelas representam diferentes níveis de significância, isto é, área sob a
curva acima do valor tabelado.

5
Em função do tipo de hipótese alternativa define-se a região de rejeição. No primeiro caso

tem-se uma região de rejeição do tipo bilateral. Logo, fixado um nível de significância
“α“, a região crítica será

RC = [0, ). Desta forma, aceita-se a hipótese nula se a estatística teste,

acima, pertencer ao intervalo [ ].

Exemplo 1

Uma das maneiras de controlar a qualidade de um produto é controlar a sua variabilidade.

Uma máquina de empacotar café está regulada para encher os pacotes com desvio padrão
de 10 g e média de 500g e onde o peso de cada pacote distribuí-se normalmente. Colhida
uma amostra de n = 16, observou-se uma variância de 169 g2. É possível afirmar com este
resultado que a máquina está desregulada quanto a variabilidade, supondo uma
significância de 5%?

Solução
2
H0: σ = 100
contra H1: σ2
≠ 100 χ c 2 =
(15.169)/100
= 25,35.

Como α = 5% a região de aceitação é a região compreendida entre os valores:

[χ972 ,5% , χ22,5%] = [6,26, 27,49]. Como o valor calculado pertence a esta região, aceita-se
H0, isto é, com esta amostra não é possível afirmar que a máquina está desregulada, ao
nível de 5% de significância.

Seja uma amostra aleatória de tamanho retirada de uma população

normal . Suponha que desejamos testar uma hipótese sobre a variância desta
população.

6
 Tem distribuição qui-quadrado com graus de liberdade. Denotamos . Para executar
este tipo de teste, podemos seguir os passos:

1. Estabelecer uma das hipóteses (bilateral, unilateral à direita ou unilateral à esquerda)

OBS: As hipóteses podem ser substituídas por ,

, ou .

2. Fixar o nível de significância .

3. Determinar a região crítica.

 Se o teste é bilateral, devemos determinar os pontos críticos e tais

que e utilizando a tabela da distribuição qui-
quadrado com graus de liberdade.

 Se o teste é unilateral à direita, devemos determinar o ponto crítico tal

que .

7
 Se o teste é unilateral à esquerda, devemos determinar o ponto crítico tal
que .

4. Calcular, sob a hipótese nula, o valor

5. Critério:

 Teste bilateral: Se ou se , rejeitamos . Caso contrário, não

rejeitamos .
 Teste unilateral à direita: se , rejeitamos . Caso contrário, não
rejeitamos .
 Teste unilateral à esquerda: se , rejeitamos . Caso contrário, não
rejeitamos .

6. O p-valor é dado por

no caso bilateral.

No caso unilateral à direita, o p-valor é dado por

e, no caso unilateral à esquerda, o p-valor é dado por

8
7. Como vimos na Seção 4.4, o intervalo de confiança para a variância populacional é
dado por

se o teste é bilateral. Se o teste é unilateral à direita, o intervalo de confiança é dado por

e se o teste é unilateral à esquerda, o intervalo de confiança é dado por

Exemplo 2

Uma máquina de preenchimento automático é utilizada para encher garrafas com

detergente líquido. Uma amostra aleatória de garrafas resulta em uma variância da
amostra do volume de enchimento de . Se a variância do
volume de enchimento exceder , existirá uma proporção inaceitável de
garrafas cujo enchimento não foi completo ou foi em demasia. Há evidência nos dados
da amostra sugerindo que o fabricante tenha um problema com garrafas com falta ou
excesso de detergente? Use e considere que o volume de enchimentos tem
distribuição normal.

O parâmetro de interesse é a variância da população

1. Primeiro vamos estabelecer as hipóteses:

2. Como temos que .

3. Critério: Rejeitar se .

4. Calcular , dado por

9
5. Conclusão: como , a hipótese nula não deve ser rejeitada. Ou
seja, não há evidências de que a variância do volume de enchimento
exceda .

6. Vamos agora calcular o p-valor

7. Como , e , segue que o intervalo de confiança

para com 95% de confiança é dado por

10
 2. Conclusão

Em jeito de conclusão realçamos que para grandes amostras, muitas estatísticas S têm
distribuições quase normais com média  S e desvio-padrão  S . Em tais casos, nós
podemos usar os resultados acima para formular regras de decisão ou testes de hipóteses
e significância. Os seguintes casos especiais são apenas algumas das estatísticas de
interesse prático. Em todos os casos, os resultados são válidos para as populações infinitas
ou para amostras com reposição. Para amostras sem reposição em populações finitas, os
resultados precisam ser modificados. Nós só consideraremos os casos de grandes
amostras ( n  30 ).

Se rejeitarmos uma hipótese, quando deveríamos aceita-lá, dizemos que um erro do tipo
I foi cometido. Se, por outro lado, aceitamos uma hipótese quando ela deveria ser
rejeitada, dizemos que foi cometido um erro do tipo II. Em ambos os casos, ocorre uma
decisão errada ou erro de julgamento.

Para que qualquer teste de hipótese ou regras de decisão seja considerado bom, eles
devem ser concebidos de modo a minimizar os erros de decisão. Esta não é uma questão
simples, já que, para uma determinada dimensão da amostra, uma tentativa de diminuir
um tipo de erro, em geral, é acompanhada por um aumento no outro tipo de erro. Na
prática, um tipo de erro pode ser mais grave do que o outro, e assim um objetivo deverá
ser alcançado em favor de uma limitação do erro mais grave. A única maneira de reduzir
os dois tipos de erros é aumentar o tamanho da amostra, que pode ou não pode ser
possível.

Ao testar uma hipótese dada, a probabilidade máxima com a qual estaríamos dispostos a
arriscar um erro do tipo I é denominada nível de significância do teste. Essa probabilidade
é frequentemente especificada antes de qualquer amostra ser colhida para que os
resultados obtidos não influenciem na decisão.

11
 3. Bibliografia

ANDERSON, David R. e outros. Estatística Aplicada à Administração e Economia. São

Paulo: Pioneira Thomson Learning, 2002.

KIRSTEN, José Tiacci. Custo de Vida - Metodologia de Cálculos, Problemas e

Aplicações. São Paulo: FIPE/Pioneira, 1985.

LAPPONI, Juan Carlos. Estatística usando Excel. São Paulo: Lapponi Treinamento e
Editora, 2000.

LEVINE, David M. e outros. Estatística: Teoria e Aplicações. Rio de Janeiro: LTC

Editora, 2000.

Malhotra, Naresh K. Pesquisa de Marketing – Uma Orientação Aplicada. Porto Alegre:

Bookman, 2001.
PEREIRA, Wilson e Tanaka, Oswaldo K. Estatística: Conceitos Básicos. São Paulo:
Editora McGraw-Hill, 2º edição, 1990.

STEVENSON, William J. Estatística Aplicada à Administração. São Paulo: Editora

Harbra, 1981.

TOLEDO, Geraldo Luciano e Ovalle, Ivo Izidoro. Estatística Básica. São Paulo: Editora
Atlas, 1983.

12