Escolar Documentos
Profissional Documentos
Cultura Documentos
Exemplos:
População carioca
Conjunto dos domicílios cariocas
Conjunto de funcionários da Prefeitura
Conjunto de fornecedores da Prefeitura
Distribuição
populacional
Distribuição populacional
A distribuição populacional pode ser caracterizada minimamente por
meio de uma medida de posição e uma medida de dispersão.
população
desvio padrão
100 1502 200 1502 34,16
6
kWh
1 N
xi
N i 1 Parâmetros populacionais
Parâmetro populacional é uma função dos valores observados em todos os
elementos da população.
1 N N
Média populacional
N i 1
xi Total populacional N x
i 1
i
xi
1 N
2 2
1
ix 2
N i 1 N i 1
Proporção P Total de elementos da população com a característica de interesse, por
exemplo, total de clientes com consumo acima de 150 kWh e, neste caso,
N
P = proporção de clientes com consumo acima de 150 kWh.
Censo
Um censo é a inspeção de todos os elementos da população,
para extrair de cada um deles as informações de interesse.
Problemas:
É a alternativa ao censo.
A partir das respostas dos indivíduos amostrados queremos inferir a partir dos
dados amostrais alguma conclusão sobre a população mais ampla que a
amostra representa.
1 n
Média amostral X xi Estimador do total T NX
n i 1
2 2
1 n 1 n
S
2
xi X
n 1 i 1
S
n 1 i 1
xi X
Uma população
EXEMPLO
Todas as possíveis
amostras de
tamanho 2
extraídas da
população
Distribuição
3
da média
amostral Lembre que a
média populacional
frequência absoluta
2
é =150 kWh
0
110 120 130 140 150 160 170 180 190
Consumo mensal (kWh)
Distribuição amostral
3
frequência absoluta
2
0
110 120 130 140 150 160 170 180 190
Consumo mensal (kWh)
frequência absoluta
2
0
110 120 130 140 150 160 170 180 190
Consumo mensal (kWh)
1 n
X Xi
n i 1
E X
n
1
2 2 2 2
S Xi X ES
n 1 i 1
2
n grande (>30) X ~ N ,
n
2 N n
n grande (>30) X ~ N ,
n N 1
Teorema Central do Limite
O resultado do Teorema do Limite Central pode ser melhor compreendido
pelos gráficos a seguir (Bussab & Morettin, 1987) que mostram como as
distribuições amostrais da média se aproximam da distribuição Normal, à
medida que o aumenta tamanho da amostra, a partir de diferentes
distribuições populacionais da característica X
p1 p
pˆ ~ N p,
n
p1 p N n
pˆ ~ N p,
n N 1
Amostragem aleatória simples
Amostragem aleatória simples (AAS)
Consiste em selecionar aleatoriamente uma amostra de n elementos em
uma população com N elementos (n<N).
N N!
n n! N n !
Como há 6 permutações
P d X d 1
Pelo Teorema Central do Limite
2
Admitindo população infinita X ~ N ,
n
Dividindo a desigualde pelo desvio padrão
d X d
P 1
2
n 2
n 2
n
z~N(0,1)
d d
P z 1
n n
Tamanho da amostra (população infinita)
d d
P z 1
n n d
z
1 n
2
P z z z 1
1 1
2 2
2
z
1
probabilidade n 2
1-0,5 d
z
1 Valor tabelado
2
Tamanho da amostra (população finita)
Pelo Teorema Central do Limite a distribuição 2 N n
X ~ N ,
da média amostral é Normal. n N 1
P X d P d X d 1
P
d
X
d
P z 2 z z 2 1
N n X
2
N n X
2
N n X
2
N 1 n N 1 n N 1 n
N n X
2
Logo z d
1
2
N 1 n X2 N z 2
1
Tamanho da amostra n 2
N 1d 2 X2 z 2
1
2
Tamanho da amostra
N = tamanho da população
z12 / 2 X
2
N d = margem de erro fixada
n 2X = variância da distribuição populacional
N 1d 2 z12 / 2 X2 1- = nível de confiança, usualmente 95% ( = 5%)
z1- /2 = abscissa da distribuição normal que deixa uma
probabilidade 1-/2 a esquerda
1,962 94,04 2 30
10000026 109
n 10
10000027 414
1,962 0,52 30
10000026 109
n 14
10000027 414
2
X ~ N ,
n
DP X
2
n
n
P 1,96 DP X X 1,96 DP X 95%
P 1,96 DP X X 1,96 DP X 95%
Intervalo de confiança para a média
P 1,96 DP X X 1,96 DP X 95%
P X 1,96 DP X X 1,96 DP X 95%
o intervalo X 1,96 DP X , X 1,96 DP X tem uma probabilidade de 95%
de conter a média populacional.
X 1,96 DP X X 1,96 DP X
Intervalo de confiança para a média
Na hipótese de serem sorteadas todas as diferentes amostras de
tamanho n de uma população, em cada amostra podemos calcular um
intervalo com 95% de confiança centrado na média amostral, sendo que
somente 95% destes intervalos conterão a média populacional.
Amostra 1 X 1 1,96
n X1
Amostra 2 X 2 1,96 X2
n
População
Média
Variância 2 Amostra 3 X 3 1,96 X3
n
Amostra k X k 1,96 Xk
n
Intervalo de confiança para a média
No caso geral, os limites do intervalo com 1- confiança são determinados pela
seguinte fórmula:
X z X z
onde
2 n 2 n
1- é o nível de confiança especificado, usualmente: 0,9 ; 0,95 e 0,99.
z(/2) são os valores tabelados da normal padronizada N(0,1) que deixam uma
probabilidade igual a /2 nas caudas da distribuição normal.
O termo z é o erro máximo provável.
n
2
N n N n
X z X z
2 n N 1 2 n N 1
20 40 22 22 21 21VAR00001 20 10 20 20
20 13 18 50 20 18 15 8 22 25
Xi (i=1,50) 22 10 20 22 22 21 15 23 30 12
9 20 40 22 29 19 15 20 20 20
20 15 19 21 14 22 21 35 20 22
X z 2.5% X z 2.5%
n n z(/2) = z(2,5%)
500 500
8000 1,96 8000 1,96
15 15
X 43 z(/2) = z(5%)
10%
Dados
2 36
6
n =16 Use o comando Excel INV.NORMP(0,95) para obter
Z(5%) = 1,6449
S S
2 2
X t X t
2 n 2 n
S N n S N n
2 2
X t X t
2 n N 1 2 n N 1
Intervalo de confiança para a média
Quando utilizar t ou Z ou nenhum dos dois ?
Distribuição
Tamanho da amostra Estatística de teste
populacional
Normal Grande (n30) Conhecido Z
Normal Pequeno (n<30) Conhecido Z
t ou Z
Normal Grande (n30) Desconhecido Z é usado como uma
aproximação de t
Normal Pequeno (n<30) Desconhecido t
Z
Desconhecida Grande (n30) Conhecido Teorema do Limite
Central é invocado
t ou Z
Teorema do Limite
Desconhecida Grande (n30) Desconhecido Central é invocado e Z é
usado como uma
aproximação de t
Desconhecida Pequeno (n<30) Conhecido Nenhum
Desconhecida Pequeno (n<30) Desconhecido Nenhum
4,78 4,42 3,94 4,15 4,90 3,92 3,94 4,68 4,32 4,23
S S
2 2
Intervalo de confiança: X t X t
2 n 2 n
Exemplo 4
Amostra Xi (i=1,10): 4,78 4,42 3,94 4,15 4,90 3,92 3,94 4,68 4,32 4,23
n=10 1 10
X X i 4,328 S
2 1 10
10 1 i 1
Xi X
2
0,1303 t 5% 1,8331
10 i 1
S
2
S
2 Use o comando
X t X t Excel =INVT(0,1;9)
2 n 2 n
0,1303 0,1303
4,328 1,8331 4,328 1,8331
10 10
A partir deste resultado também podemos construir o Intervalo com 90% de confiança a
médio de milhas percorridas por galão de combustível
100/4,537 100/4,119
22,04 24,28
Exemplo 5
A vida útil média de uma amostra de 10 lâmpadas é 4000 horas, com
desvio padrão da amostra de 200 horas. Sabendo que a vida útil de uma
lâmpada é assumida como sendo aproximadamente normal, construa o
intervalo de confiança de 95% para a média da vida útil.
1) A vida útil da lâmpada é uma variável aleatória com distribuição normal
2) Amostra é pequena n = 10
3) Desvio padrão estimado a partir da amostra (s = 200)
X t9 2.5% X t9 2.5%
s s
n n
200 200
4000 2,2622 4000 2,2622
10 10
3856,8 4143,2 =INVT(0.05,9)=2,2622
Intervalo de confiança para a proporção
pˆ 1 pˆ pˆ 1 pˆ
pˆ z p pˆ z
2 n 2 n
Exemplo 6
Uma empresa de pesquisa eleitoral entrevistou por telefone 400 eleitores
registrados, perguntando-lhes se votariam no candidato A ou no candidato B.
Como resultado foi observado que 60% dos entrevistados responderam que
votariam no candidato A.
pˆ 1 pˆ 0,6 0,4
Erro padrão = sp 0,0245
n 400
Margem de erro = z 2 s p z2,5% s p 1,96 0,0245 0,048
Intervalo de confiança pˆ z 2 s p p pˆ z 2 s p 0,552 p 0,648
A vista do intervalo de confiança resultante (55% , 65%) o candidato A pode sentir-se
razoavelmente seguro quanto a suas perspectivas em relação a eleição
Exemplo 7
Uma amostra aleatória de 625 donas-de-casa revela que 70% delas preferem
a marca X de detergente. Construa um intervalo com 90% de confiança para a
proporção de donas-de-casa que preferem X.
Dados: pˆ 0,7
n 625
Use o comando INV.NORMP(0,95) do Excel para obter
10% Z(5%) = 1,6449
Intervalo de confiança para a proporção p
pˆ 1 pˆ pˆ 1 pˆ
pˆ z p pˆ z
2 n 2 n
0,67 p 0,73
Intervalos de confiança para a
diferença nas médias de duas
populações
Amostras independentes x Amostras emparelhadas
Considere a tarefa de formular um experimento com a finalidade de avaliar dois tipos de
tênis em relação ao desgaste da sola: tênis Rosa (R) e tênis Verde (V).
http://www.midomenech.com.br/admin/arquivos/Emparelhados.pdf
Intervalo de confiança para a diferença nas médias de duas populações
X ~ N(1,2)
Y ~ N(2,2)
(x1,...,xm) e (y1,...,yn)
2 2
X ~ N 1 , Y ~ N 2 ,
m n
X Y 1 2
Z ~ N 0,1
1 1
2
m n
Intervalo de confiança para a diferença nas médias de duas populações
1 - Caso de duas populações com variâncias iguais
(Amostras independentes)
A variância 2 não é conhecida e pode ser estimada como
2
S pooled
m 1S12 n 1S 22
mn2
onde
1 m 2 2
S
1
2
m 1 i 1
xi m X
Variância amostral da amostra da população X
1 n 2 2
S
2
2
n 1 i 1
yi nY
Variância amostral da amostra da população Y
2
Substituindo 2 por seu estimador S pooled tem-se que
X Y 1 2
~ tm n2 Distribuição t com m+n-2 graus de liberdade
1 1
2
S pooled
m n
Intervalo de confiança para a diferença nas médias de duas populações
2 1 1 2 1 1
P X Y tm n 2 S pooled 1 2 X Y t m n 2 S pooled 1
2 m n 2 m n
Substituindo as estatísticas amostrais por seus valores numéricos, a expressão
acima deixa de ser uma probabilidade legítima e transforma-se no intervalo com
100(1-)% de confiança de conter a diferença entre as médias populacionais:
2 1 1 2 1 1
X Y tm n2 S pooled 1 2 X Y tm n2 S pooled
2 m n 2 m n
Para grandes amostras m+n >= 30 pode-se aproximar a distribuição t pela normal
padrão z. (t é aproximado por z)
Intervalo de confiança para a diferença nas médias de duas populações
2
S pooled
m 1S12 n 1S 22 68 10,63932 33 10,48112
0,3514
mn2 68 33 2
O grau de liberdade da estatística t é m+n-2 = 68 + 33 – 2 = 99
2 1 1 1 1
t
A margem de erro é 99 S pooled 1,9842 0,3514 0,2495
2 m n 68 33
X ~ N(1,12)
Y ~ N(2,22)
(x1,...,xm) e (y1,...,yn)
12 22
X ~ N 1 , Y ~ N 2 ,
m n
12 22
X Y ~ N 1 2 ,
m n
X Y 1 2
Z ~ N 0,1
2
2
1
2
m n
Intervalo de confiança para a diferença nas médias de duas populações
2 - Caso de duas populações com variâncias diferentes
(Amostras independentes)
A variância de cada população não é conhecida.
1 n 2 2
S
2
2
n 1 i 1
yi nY Variância amostral da amostra da população Y
Porém pode ser aproximada por uma distribuição t com v graus de
liberdade determinado por: S 2 S 2 2
1 2
v m n
2 Arredonde o resultado para cima
2
S1 m
2
S n
2
2 2
m 1 n 1
Intervalo de confiança para a diferença nas médias de duas populações
2 - Caso de duas populações com variâncias diferentes
(Amostras independentes)
Intervalo de confiança
S1 S 2 S1 S 2
2 2 2 2
X Y tv 1 2 X Y tv
2 m n 2 m n
Valores tabelados
m 1 n 1
Intervalo de confiança para a diferença nas médias de duas populações
X1 ~ N(1,12) e X2 ~ N(2,22)
Sd Sd 1 n 2 2
2 2
1 n
d tn1 D d tn 1 onde d d i e S d
2
di nd
2 n 2 n n i 1 n 1 i 1
Valores tabelados são estatísticas amostrais
Intervalo de confiança para a diferença nas médias de duas populações
10 10
d
i 1
i 1,7 d
i 1
i
2
1,31
1 10 1,7
d di 0,17
10 i 1 10
10
d
2
i
2
10d
S d2 i 1
0,1134
9
0,1134 0,1134
0,17 2,2622 D 0,17 2,2622
10 10
0,5919 D 0,9319
Como o intervalo contém o zero não podemos afirmar que as médias dos
consumos com e sem aditivo na gasolina são diferentes.
Outros intervalos de confiança
Intervalo de confiança para a variância da Normal
Considere uma população Normal com média e variância 2
desconhecidas da qual foi extraída uma amostra de tamanho n.
2
1 m
S
2
m 1 i 1
xi X
n21 n21 1
2 2
Intervalo de confiança para a razão de variâncias
X ~ N(1,12)
Y ~ N(1,22)
(x1,...,xm) e (y1,...,yn)
(m 1) S12 (n 1) S 22
~ m2 1 ~ n21
12 22
S12
m2 1 (m 1) 12 22 S12 Distribuição F com m-1 graus de
2 2 2 ~ F( m 1;n 1) liberdade no numerador e n-1 graus
n 1 (n 1) S 2 1 S 2
2
de liberdade no denominador
22
Intervalo de confiança para a razão de variâncias
2 S1
2 2
P Fm1,n1 1 2 2 Fm1,n 1 1
2 1 S2 2
S2 2
2 2
S2
2
P Fm1,n1 1 2 2 Fm1,n1 2 1
2 S1 1 2 S1
S2 2 S2
2 2 2
Fm1,n1 1 2 2 Fm1,n 1 2
2 S1 1 2 S1
Exercício 1
(n 1) S 2 (n 1) S 2 (8 1)0,8197 (8 1)0,8197
2
2 0,3538 2 3,3953
16,01 1,69
n21 n21 1
2 2
como o intervalo de confiança contém o valor 0,42 não temos razão para
afirmar, com 95% de confiança, que os dados
Exercício 1
(a resolução também pode ser encontrada na planilha exercícios.xlsx)
b) Admite-se a hipótese de normalidade.
S A2 0,8197 S B2 0,9346
SA A SA 0,8197 A2 A2
2 2 2
0,8197
Fm1,n1 1 2 2 Fm1,n1 2 0,2 2 4,99 0,1756 2 4,3804
2 B
S B B
2 S 0,9346 B 0,9346 B
Como o intervalo contém o 1 não temos razão para afirmar que as variâncias são
diferentes. Portando, o pressuposto de variâncias iguais é plausível,
Exercício 1
(a resolução também pode ser encontrada na planilha exercícios.xlsx)
b) As médias amostrais são X A 5,8033 X B 5,1178
2 1 1 2 1 1
X A X B tm n2 S pooled 1 2 X A X B tm n2 S pooled
2 m n 2 m n
onde S 2
8 10,8197 8 10,9346
0,8772
882
pooled
Como o intervalo contém o zero não podemos afirmar que as médias são
diferentes.
Exercício 2
Por sua vez, discrepâncias grandes sugerem que a variabilidade não se deve
apenas ao erro amostral, mas a inadequação da hipótese acerca do valor do
parâmetro, ou seja, a hipótese é falsa.
Valores de z como
este são bastante
Teorema do limite central improváveis se H0 é
verdadeira
2
X ~ N 0 ,
n
probabilidade
-z(/2) e z(/2) são valores
tabelados em função do
nível de significância
(valores críticos)
probabilidade
1-
Exemplo:
A redução da probabilidade do erro tipo I aumenta o valor crítico z(/2), o que reduz a região de rejeição
da hipótese nula nas caudas da distribuição amostral e, portanto, aumenta a probabilidade do erro tipo II.
Enquanto a hipótese nula estipula um valor 0 para a média populacional, a hipótese alternativa admite
que a média pode ser qualquer valor desde que diferente de 0.
Assim, não há um único valor para a probabilidade , mas um conjunto de valores calculados para cada
um dos possíveis valores para a média populacional. Em função da dificuldade de calcular , o
procedimento usual em testes de hipóteses consiste em especificar uma pequena probabilidade de erro
tipo I (nível de significância) e ignorar o erro tipo II (STEVENSON, 1981).
Note que o erro tipo I só pode ocorrer quando a hipótese H0 é verdadeira e o erro tipo II só pode
acontecer quando a hipótese H0 é falsa.
Assim, quando rejeitamos H0 existe uma pequena probabilidade de estarmos cometendo o erro tipo I.
Porém, quando aceitamos H0 como verdadeira, a probabilidade de estarmos cometendo o erro tipo II
pode ser grande.
Por esta razão, HOFFMANN (1998) recomenda que quando o resultado de um teste de hipótese é
significativo, a conclusão deve ser escrita em termos de “rejeitar H0 ao nível de significância ”, porém
quando o resultado é não significativo, a conclusão deve ser escrita em termos de “não há razão para
rejeitar H0 ao nível de significância ”, mas não em termos de “aceitar H0”.
Teste de hipóteses para a média
H0: μ = 400
Teste bilateral
Ha: μ ≠ 400
Calculando o valor da estatística teste
zc = -1,96 zc = 1,96
= 395 – 400 = -5 = -2,5
20/√100 2
CONCLUSÃO:
Valor da variância é conhecido e a
rejeitamos H0, isto é,
amostra é grande (>30), então podemos aproximar a resistência não é
pela normal. Logo para significância de 5%, zc = 1,96 maior que 400 libras.
p1 p
ˆp ~ N p,
n
Com base na distribuição amostral do estimador pode-se construir um
teste de hipóteses para a proporção populacional semelhante ao teste da
média:
H0: p=p0
H1: pp0
Sob a hipótese nula a estatística teste tem distribuição normal padrão:
pˆ p0
Estatística teste ~ N 0,1
p0 (1 p0 ) n
Para um dado nível de significância a hipótese nula é rejeitada se o
valor absoluto da estatística teste for maior que o valor z(/2)
Teste de hipóteses para a proporção
Exemplo 1: Um certo analgésico adotado em determinado hospital é eficaz em 70% dos
casos.
Na amostra foi observado que em 85% dos casos o método de acupuntura apresenta a
eficiência satisfatória. Que decisão tomar ao nível de 5% de significância?
H0 p=0,7
H1 p>0,7
Teste de hipóteses para a proporção
Proporção amostral pˆ 0,85
p0 1 p0 0,7 0,3
Erro padrão sob a Sp 0,0512
hipótese nula n 80
pˆ p0 0,85 0,7
Estatística teste z 2,94
Sp 0,0512
1,65
Valor crítico para um nível de significância de 5% Zc = INV.NORMP(0,95) = 1,65
Como z > 1,65 concluímos pela rejeição da hipótese nula ao nível de significância de
5%, isto é, o método de acupuntura produz melhores resultados que o método
tradicional.
Teste de hipóteses para a proporção
Exemplo 2: Uma emissora de TV garante que em determinado horário sua audiência é
de 80%. Uma pesquisa realizada em 100 domicílios revela que 62 aparelhos estavam
ligados na emissora no horário indicado. Teste a hipótese da audiência ser a anunciada,
ao nível de significância de 5%.
X ~ N(1,12)
Y ~ N(1,22)
(x1,...,xm) e (y1,...,yn)
1 m 2 2
S
1
2
i
m 1 i 1
x m X
Variância amostral da amostra da população X
1 n 2 2
S
2
2 i
n 1 i 1
y nY
Variância amostral da amostra da população Y
Teste de hipóteses para a diferença nas médias
1.1 – Exemplo amostras independentes de duas populações com variâncias iguais
Deseja-se estimar a diferença no consumo de combustível (km/l) entre as
versões Caminhonete (C) e Sedan (S) de um determinado modelo de
automóvel. Por estudos já realizados anteriormente (e ainda válidos)
sabe-se que os consumos destes automóveis são normalmente
distribuídos e tem variâncias idênticas. Uma amostra de 30 caminhonetes
e 15 sedans foi analisada obtendo-se as seguintes estatísticas amostrais
para o consumo:
onde S1 S 2
2 2
m n
m n
v 2 Arredonde o resultado para cima
2
S1 m 2
S n
2
2 2
m 1 n 1
1 m 2 2
S
1
2
i
m 1 i 1
x m X
Variância amostral da amostra da população X
1 n 2 2
S
2
2 i
n 1 i 1
y nY
Variância amostral da amostra da população Y
Teste de hipóteses para a diferença nas médias
1.2 – Exemplo amostras independentes de duas populações com variâncias diferentes
Deseja-se estimar a diferença no consumo de combustível (km/l) entre as
versões Caminhonete (C) e Sedan (S) de um determinado modelo de
automóvel. Por estudos já realizados anteriormente (e ainda válidos)
sabe-se que os consumos destes automóveis são normalmente
distribuídos. Uma amostra de 30 caminhonetes e 15 sedans foi analisada
obtendo-se as seguintes estatísticas amostrais para o consumo:
C S
30 1 15 1
30 15
Teste de hipóteses para a diferença nas médias
Exemplo para o caso de duas populações com variâncias diferentes
O valor calculado da estatística teste (tcalc) é
8,1748 8,8742
tcalc 0,3823
23,2012 38,6108
30 15 23,2012 38,6108
2
30 15
O nº de graus de liberdade v v 2 23
23,2012 30 38,6108 15
2 2
30 1 15 1
O valor crítico ao nível de 5% (valor tabelado obtido pelo Excel) para uma
distribuição t com v graus de liberdade é:
tcrítico = INVT(0,05,23) = 2,0687
Valor absoluto calculado (0,3823) < Valor crítico ao nível de 5% (2,0687),
logo não rejeitamos a hipótese nula (H0).
pˆ M pˆ H 0
Estatística teste sob H0 z ~ N (0,1)
pˆ M (1 pˆ M ) pˆ H (1 pˆ H )
pˆ M 0,213 nM 296
nM nH
pˆ H 0,108 nH 251
X1 ~ N(1,12) e X2 ~ N(2,22)
d 0 1 n 1 n 2 2
~ t n 1 onde d d i e S d
2
di nd
S d2 n i 1 n 1 i 1
n
10 10
d
i 1
i 1,7 d
i 1
i
2
1,31
1 10 1,7
d di 0,17
10 i 1 10
10
di2 10d
2
S d2 i 1
0,1134
9
d 0
~ t n 1 0,17
1,59
2 t calculado =
S d 0,1134 10
n
Como o valor calculado da estatística teste (1,59) é maior que o valor crítico (2,262),
então podemos concluir pela não rejeição da hipótese nula, ou seja, não há diferenças
entre o consumo obtido com e sem o aditivo.
Teste de igualdade de variâncias
X ~ N(1,12)
Y ~ N(1,22)
(x1,...,xm) e (y1,...,yn)
alternativamente
Teste de igualdade de variâncias
A estatística teste é a razão das variâncias amostrais
2
A maior variância amostral entra no numerador S 1
~ Fm 1;n 1
2
A menor variância amostral entra no denominador S 2
Fm1;n1
Teste de igualdade de variâncias
Exemplo
Deseja-se verificar se há diferenças no consumo de combustível entre as versões
Caminhonete (C) e Sedan (S) de um determinado modelo de automóvel. Por
estudos anteriores sabe-se que os consumos destes são normalmente
distribuidos e, num processo onde foram coletadoas 30 iobservações para a
Caminhonete e 15 observações para o Sedan, obteve-se respectivamente
variâncias de 23,2012 (km/l)2 e 38,6108 (km/l)2. Teste a hipótese de que as
variâncias para os consumos dos dois modelos sejam idênticas, ao nível de
significância de 5%.
Como a amostra do Sedan apresentou a maior variância amostral, a
estatística teste tem distribuição F com 14 graus de liberdade no
numerador e 29 graus de liberdade no denominador:
S S2
2
~ F14, 29
SC
S S2 38,6108
O valor calculado da estatística teste é 2 1,6642
SC 23,2012
Ao nível de significância de 5% o valor crítico (obtido pelo Excel) é:
Fc = INVF(0,05;14;29) = 2,05
Conclusão: Ao nível de 5% de significância não podemos rejeitar a hipótese de
que as variâncias dos consumos dos dois modelos sejam idênticas, sendo as
diferenças encontradas explicadas por variações estatísticas no processo de
amostragem.