TESTE DE HIPOTESE

Arturo Nunez Mendoza

Docente
Email: arturonunezmendoza2018@gmail.com
Virgínia António Saldanha1
Mestranda em saúde pública
Email: 709200452@ucm.ac.mz

Resumo

O presente artigo trata dos conceitos que envolvem os Testes de Hipótese e suas aplicações, erros
mais frequentes, tipos de teste de hipóteses, nível de significância e roteiro para testar uma hipótese.
Baseia-se em pesquisas bibliográficas e estudos de caso que ajudam a entender como essas ferramentas da
estatística ajudam a compreender determinado estudo e na posterior tomada de decisão.
Palavras-chave: Testes de Hipótese; aplicações; erros; significância .

Abstract
This article deals with the concepts that involve Hypothesis Tests and their applications, the most
frequent errors, types of hypothesis tests, level of significance and a roadmap for testing a hypothesis. It is
based on bibliographic research and case studies that help to understand how these tools of statistics help
to understand a given study and the subsequent decision making.
Keywords: Hypothesis Tests; applications; errors; significance.

1. Introdução
A inferência estatística ´e um conjunto de métodos e técnicas que permitem
induzir, a partir de uma informação empírica proporcionada por uma amostra, qual
´e o comportamento de uma determinada população com um risco de erro medido
em termos de probabilidade. O propósito da inferência estatística ´e tirar
conclusões sobre uma população com base nos dados amostrais de uma população.
Os m é t o d o s paramétricos da inferência estatística podem se dividir
basicamente em dois: métodos de estimação de parâmetros e testes de hipóteses. Os
testes de hipóteses tem como objetivo comparar se determinado aspetos atribuídos
a um parâmetro populacional ´e compatível com a ev id ên ci a em pí ri c a contida
na amostra. Desta forma, teste de hipótese ´e um processo usado para avaliar a
força da evidencia de uma amostra em fornecer estrutura para fazer determinações

1
Licenciada em medicina na Ucrânia na universidade de Lugansk em 1996 e especializada em ginecologia
e obstetrícia no HCM em 2010. Contacto 865735347, email: virginiaasaldanha@gmail.com, código de estudante:
709200452. Prestando serviços no HCQ como Diretora da Ginecologia.

Página 1 de 13
 relacionadas a população, em outras palavras, o teste de hip´oteses proporciona um m
´etodo fi´avel para a compreens˜ao de como se pode extrapolar os resultados
observados em uma amostra em estudo para uma popula¸c˜ao a partir do qual a
amostra foi tirada. Cabe ao investigador formular uma hip´otese espec´ıfica, coletar
dados com uma amostra, e usar estes dados para decidir se suportam a hip´otese
especifica do pesquisador (Davis et al, 2006).

No presente artigo, será apresentado a teoria dos testes de hip´oteses ressaltando

os conceitos fundamentais sob a visão de diversos autores. Inicialmente será
apresentado os conceitos de hip´otese estatística e suas aplicações, tipos erros, tipos de
teste de hipóteses, nível de significância e roteiro para testar uma hipótese. O teste de hip
´otese ´e um caso especial do procedimento que usa a estatística amostral a cerca de um
parˆametro referente a m´edia, propor¸c˜ao, variˆancia e o desvio padr˜ao, incluindo os
testes param´etricos e n˜ao param´etricos.

2. FUNDAMENTAÇÃO TEÓRICA
2.1. Teste de Hipóteses

Quando investigamos uma população por intermédio de uma amostra, o principal

objetivo é tirar conclusões sobre os principais parâmetros desta população, com uma
probabilidade bastante significativa de acerto. Um procedimento valioso de avaliação deste tipo
de estudo, é o teste de hipótese, que procura investigar se os dados da amostra estão coerentes
com os da população, ou se duas ou mais amostras possuem parâmetros equivalentes, levando
em conta para ambas as situações o nível de significância(Samuel, 2009).

Uma hipóteses estatística é uma ferramenta estatística baseada na utilização de uma

amostra aleatória extraída de uma população de interesse, com o objetivo de testar uma
afirmação sobre um parâmetro ou característica desta população.

Não se trata de uma simples comparação matemática entre dois ou mais valores, mas da
necessidade de compreender se o valor obtido a partir de uma determinada amostra representa
uma simples variação amostral da situação atual ou não.

Página 2 de 13
 Um teste de uma hipóteses estatística é o procedimento ou regra de decisão que nos
possibilita decidir por H0 ou H1, com base a informação contida na amostra. Região crítica (Rc) é
o conjunto de valores assumidos pela variável aleatória ou estatística de teste para os quais a
hipótese nula é rejeitada.

Normalmente existe uma hipótese que é mais importante para o pesquisador que será
denotada por H0 e chamada hipótese nula. Qualquer outra hipótese diferente de H0 será chamada
de hipótese alternativa e denotada por H1.

A hipótese nula é a hipótese de igualdade. Esta hipótese é denominada de hipótese de

nulidade e é representada por H0 (lê-se H zero). A hipótese nula é normalmente formulada com o
objetivo de ser rejeitada. A rejeição da hipótese nula envolve a aceitação de outra hipótese
denominada de alternativa (H1 ). Esta hipótese é a definição operacional da hipótese de pesquisa
que se deseja comprovar. A natureza do estudo vai definir como deve ser formulada a hipótese
alternativa. Por exemplo, se o teste é do tipo paramétrico, onde o parâmetro a ser testado é
representado por 0, então a hipótese nula seria: H0 : 0 = 00 e as hipóteses alternativas seriam:
H1 : 0 = 01 (Hipótese alternativa simples) ou
H0: 0 ≠ 00 ; 0 > 00 ou 0 < 00. (Hipóteses alternativas compostas)
No primeiro caso, H1: 0 ≠ 00, diz-se que o teste é bilateral (ou bicaudal), se H1: 0 > 00,
diz-se que o teste é unilateral (ou unicaudal) à direita e se H 1: 0 < 00, então, diz-se que o teste é
unilateral (ou unicaudal) à esquerda.
2.2. Aplicação de teste de hipótese

Os testes de hipóteses desempenham um papel importante em inferência estatística e em

estatística como um todo. Em uma análise do artigo de Neyman e Pearson, o professor do
Departamento de Estatística da Universidade da Califórnia chamado E. L. Lehmann afirma que o
novo paradigma formulado no artigo de 1933 e os seus desenvolvimentos continuam a
desempenhar um papel central tanto na teoria quanto na prática em estatística.

As aplicações práticas do teste de hipóteses incluem:

 Usado na tomada de decisão;
 Permitem realizar afirmativas em relação a uma população e atribuir um grau de
incerteza a essas afirmativas;

Página 3 de 13
  Medir a discrepância entre os valores amostrais observados e os esperados caso
H0 fosse verdadeira.
 Testar se mais homens que mulheres sofrem com pesadelos.
 Estabelecer autoria de documentos.
 Avaliar o efeito da lua cheia no comportamento.
 Determinar o intervalo no qual um morcego pode detectar um inseto pelo eco.
 Decidir se o carpete de hospital resulta em mais infecções.
 Selecionar os melhores meios para parar de fumar.
 Checar se adesivos refletem no comportamento de proprietários de carros.
 Testar as reivindicações de analistas de manuscritos.

2.3. Erros Tipo I e II (nível de significância e poder do teste)

Se uma hip´otese for rejeitada quando deveria ser aceita, diz-se que foi cometido o
erro do tipo I. Se, por outro lado, for aceita uma hip´otese que deveria ser rejeitada, diz-se
que foi cometido um erro do tipo II. Em ambos os casos ocorreu uma decis˜ao errada ou
um erro de julgamento (Scudino, 2008). Sendo assim, h´a dois poss´ıveis tipos de erros
mais comuns quando realizamos um teste estatísticos:
 Erro do tipo I : ´e o erro ao rejeitar H0 quando, na realidade, H0 ´e verdadeira. A
probabilidade de cometer este erro do tipo I ´e designada por α (nível de
significância). O erro do tipo I equivale a concluir que o tratamento ´e eficaz
quando na verdade ele n˜ao ´e.
 Erro do tipo II : ´e o erro ao aceitar H0 quando, na realidade, H0 ´e falsa. A
probabilidade de cometer este erro do tipo II ´e designada por β.
Para um teste de hip´oteses, fixa-se a probabilidade m´axima de cometer o erro
tipo I. Essa probabilidade m´axima ´e chamada de n´ıvel de significˆancia, e pode ser
elaborada de acordo com o estudo em quest˜ao. O valor da probabilidade de se obter o
efeito observado, dado que a hip´otese nula ´e verdadeira, ´e chamado de p-valor.
O p-valor ´e a probabilidade de que a estat´ıstica do teste (como vari´avel
aleat´oria) tenha valor extremo em rela¸c˜ao ao valor observado (estat´ıstica) quando
a hip´otese H0 ´e verdadeira. Onde tamb´em ´e conhecido como o menor valor do n

Página 4 de 13
´ıvel de significˆancia para o qual rejeitamos H0 . Desta forma, se o n´ıvel de
significˆancia (α) sugerido para o teste for menor que o p-valor n˜ao rejeitamos a hip
´otese H0 . De acordo com isto, numa an´alise de resultados do teste de hip´otese o
p-valor nos fornece uma id´eia de quanto os dados contradizem a hip´otese nula.
Al´em disso, ele permite que diferentes experimentadores utilizem seus respectivos n
´ıveis de significˆancia nas avalia¸c˜oes.
O quadro 1 a seguir sintetiza os erros possíveis associados a cada decisão tomada em um teste de
hipóteses.
Quadro1 – Erros Situação Real
possíveis H₀ verdadeira H₀ falsa

associados a teste
de hipótesesX
Decisão
Rejeitar H₀ Erro tipo I - rejeitar H0 quando ele Decisão Correta
é verdadeiro (probabilidade = α) ( probabilidade = 1- β)
Não rejeitar H₀ Decisão Correta Erro tipo II - deixa de rejeitar
(probabilidade = 1- α) H0 quando ela é falsa
(probabilidade = β)

Erro de tipo I: Rejeitar a hipótese nula quando esta é verdadeira

α = α(00) = P(erro tipo I) = P (rejeitar H0 | H0 é verdadeira);
α ≡ nível de significância do teste
Erro de tipo II: Não rejeitar a hipótese nula quando esta é falsa
β = β(01) = P(erro tipo II) = P(não rejeitar H0 | H0 é falsa)
1 - β ≡ poder do teste

2.4. Tipos de teste de hipótese

Antes que possa ser testada, a hipótese inicialmente formulada pelo pesquisador deve ser
transformada em um modelo estatístico que permita a comparação dos parâmetros em estudo.
Isto é, a hipótese original deve ser transformada em uma hipótese estatística. Os tipos de
hipóteses estatísticas são:
2.4.1. Hipótese nula ou de nulidade (H₀)
Página 5 de 13
 É aquela a estabelecer que os valores dos parâmetros que estão sendo comparados são
iguais. Ou seja, não há diferença entre as populações de onde foram retiradas as amostras. Em
outras palavras: pressupõe que as amostras foram extraídas da mesma população. Tomando o
exemplo, temos como hipótese nula a seguinte afirmação: o tempo médio de conservação de
peças anatómicas para o frasco A (tamponado) é igual ao tempo médio de conservação de peças
anatómicas para o frasco B (não tamponado). Isto é, não há diferença entre os tempos de fixação
para os dois frascos. Ou, H₀: µA = µB.

Pelos princípios da metodologia científica, a hipótese nula é sempre a primeira a ser

formulada, o que parece ser uma incoerência, pois parece sem sentido começar um processo de
comparação afirmando que algo não é verdadeiro, que não existe diferença. Porém, é muito mais
fácil rejeitar uma hipótese do que provar que ela é verdadeira, pois, se os dados não são
coerentes com a hipótese, ela deve ser rejeitada. Por outro lado, se os dados são coerentes, isso
não prova que a hipótese formulada seja verdadeira, uma vez que outras hipóteses podem
igualmente ser consideradas.

2.4.2. Hipótese alternativa (HA ou H1)

É a hipótese que contraria a hipótese de nulidade. É aquela que estabelece que os valores
dos parâmetros comparados são diferentes. Isto é, há diferença entre as populações de onde
foram retiradas as amostras. Assim, pelos princípios da metodologia científica, a hipótese
alternativa é aquela a ser tomada como verdadeira caso a hipótese nula seja refutada, sendo,
portanto, aquela que, em geral, o investigador quer ver confirmada em seu experimento.

Tomando novamente o exemplo anterior, temos como hipótese alternativa a seguinte

afirmação: o tempo médio de conservação de peças anatómicas para o frasco A é diferente do
tempo médio de conservação de peças anatómicas para o frasco B. Isto é, há diferença entre os
tempos de conservação nos dois frascos estudados. Ou, H1: µA ≠ µB. Note que nesta fase inicial
do processo, o pesquisador ainda não pode afirmar se o tempo de conservação do frasco A é
maior ou menor que o tempo do frasco B, uma vez que o experimento ainda não foi realizado,
por isso, na hipótese alternativa, ele apenas afirma que há diferença entre os tempos. Aqui, é
importante frisar que a hipótese que sempre será testada é a hipótese nula, a qual pode ser
rejeitada ou não, com a hipótese alternativa sendo considerada somente nos casos em que a
hipótese nula for rejeitada.

Página 6 de 13
 Em suma, designa-se por H0 , chamada hipótese nula, a hipóteses estatística a ser testada,
e por H1 a hipótese alternativa. A hipótese nula expressa uma igualdade, enquanto que a hipótese
alternativa é dada por uma desigualdade (≠, < , >).
Se H1 : 0 ≠ 00 – teste bilateral → RC é uma reunião de caudas;
Se H1 : 0 < 00 ou H1 : 0 = 01 (01 < 00) – teste unilateral à esquerda→ RC é uma cauda à esquerda;
Se H1 : 0 > 00 ou H1 : 0 = 01 (01 > 00) – teste unilateral à direita→ RC é uma cauda à direita.

2.5. Nível de Significância

De acordo com Scudino (2008), para testar uma hip´otese formulada, a

probabilidade m´axima com o qual se pode ocorrer o Erro do tipo I ´e denominada n
´ıvel de significˆancia do teste. Em geral, o n´ıvel de significˆancia ´e representado
por α e tamb´em ´e especificado antes da obten¸c˜ao das amostras e das hip´oteses,
de modo que os resultados obtidos na amostra n˜ao influenciem a escolha.
Geralmente, em um teste de hip´oteses usa-se α = 0,05 ou α = 0,01, mas nada
justifica formalmente a utiliza¸c˜ao destes valores em particular. Portanto, se
escolhido o ´ındice de 0,01, ent˜ao existe 1 chance em 100, da hip´otese ser
rejeitada quando ela ´e verdadeira. Da mesma maneira pode-se dizer que existe
uma confian¸ca de 99% de que se tome a decis˜ao correta.
Scudino (2008), salienta que na resposta dos testes de hip´oteses, um valor ´e
comparado com o valor do poder do teste, ou seja, p-valor. O p-valor (n´ıvel de
significˆancia observado) ´e o menor n´ıvel de significˆancia em que H0 seria
rejeitada, quando um procedimento de teste espec´ıfico ´e usado em um determinado
conjunto de dados. Assim, quando p-valor ≤ α implica na rejei¸c˜ao de H0 no n´ıvel
α. Ou se p-valor > α implica na n˜ao rejei¸cao de H0 no n´ıvel α. Ent˜ao, em v
´arios estudos as respostas poder˜ao vir referenciando o n´ıvel de significância ou p-
valor.

Podemos ver que, o p-valor ´e a probabilidade de observar resultados t˜ao

extremos quanto aqueles que foram obtidos se a hip´otese nula for verdadeira. A
ideia ´e que se o p-valor for grande ele fornece evidˆencia de que H0 ´e verdadeira,
enquanto que um p-valor pequeno indica que existe evidˆencia nos dados contra H0 .

Página 7 de 13
 Nível de significância: quanto maior o nível de significância, maior o poder do teste.
Dessa forma, ao aumentar o nível de significância, reduz a região de aceitação. Sendo assim,
tem-se maior chance de rejeitar a hipótese nula. Isto significa que e menor a chance de cometer
um erro tipo II. Então, o poder do teste aumenta.

2.6. Roteiro para testar uma hipótese

2.6.1. Roteiro (Teste para proporção):

1. Estabelece-se a hipótese nula. H0 : p = p0

2. Estabelece-se a hipótese alternativa.
2.1) H1: p ≠ p0 bilateral ou
2.2) H1 : p > p0 unilateral à direita ou
2.3) H1 : p< p0 unilateral à esquerda
3. Fixar o nível de significância α .
3. Determinar a região de rejeição.
3. Calcular a estatística Zobs, sendo

^p − p
Zobs = pq onde:  ^
P é a proporção amostral; p é a proporção populacional e q = 1-p; n é o tamanho da
√ n
amostra.
3. Conclusões:
1. Se |Zobs| > Zα/2, rejeita H0, onde Zα/2 = Zcrit
2. Se Zobs > Zcrit, rejeita H0
3. Se Zobs < -Zcrit, rejeita H0

2.6.2. Roteiro (Teste para média):

1. Estabelece-se a hipótese nula. μ : μ = μ0
2. Estabelece-se a hipótese alternativa.
2.1) μ1: μ ≠ μ0 bilateral ou
2.2) μ1 : μ > μ0 unilateral à direita ou
2.3) μ1 : μ < μ0 unilateral à esquerda

Página 8 de 13
3. Fixar o nível de significância α .
4. Determinar a região de rejeição.
5. Calcular a estatística Zobs, sendo
X́−μ X́−μ
Zobs = σ ou tobs = s
√n √n
6. Conclusões:
1. Se |zobs| > zα/2, rejeita H0, onde zα/2 = zcrit
2. Se zobs > zcrit, rejeita H0
3. Se zobs < -zcrit, rejeita H0
2.6.3. Roteiro (Teste de para variância)
Para testarmos a hipótese:
H0:σ2 = σ02
com nível de significância α%, devemos:
Estabelece-se a hipótese nula. H0:σ2=σ02
Estabelece-se a hipótese alternativa.
2.1) H1 : σ2 ≠ σ02 bilateral ou
2.2) H1 : σ2 > σ02 unilateral à direita ou
2.3) H1 : σ2 < σ02 unilateral à esquerda
Fixar o nível de significância α .
Determinar a região de rejeição.
S 2(n−1)
Calcular a estatística χ2obs, sendo χ2obs=
σ2
Conclusões:
Se | χ2obs| > χ2crit, rejeita H0, onde
Se χ2obs > χ2crit, rejeita H0
Se χ2obs <-χ2crit, rejeita H0

2.7. Distribuições de variáveis para testar hipótese

A distribuição normal é uma das mais importantes distribuições da estatística, conhecida
também como Distribuição de Gaussiana. Foi desenvolvida pelo matemático francês Abraham de
Moivre. É inteiramente descrita por seus parâmetros de média (µ) e a variância σ 2 com desvio

Página 9 de 13
padrão σ, assim sendo, conhecendo-se estes, consegue-se determinar qualquer probabilidade de
uma Distribuição Normal. Além de descrever uma série de fenômenos, possui uma grande
importância na estatística, por servir de aproximação para o cálculo de outras distribuições
quando o número de observações fica grande. Essa importante propriedade provem do Teorema
Central do Limite que diz que “toda soma de variáveis aleatórias independentes de média finita e
variância limitada é aproximadamente Normal, desde que o número de termo da soma seja
suficientemente grande. Uma variável x tem distribuição normal se sua função densidade de

1 ( x−μ ) ²
probabilidade é dada por: f (x; µ, σ) = exp (- ) (5.50)
σ √2 π 2α ²
Esquematicamente, esta distribuição tem uma curva em forma de sino, simétrica em torno
da média, tendo o eixo das abscissas como assimptota horizontal. Notamos pela Equação 5.50
que sua função de densidade depende de dois parâmetros: média µ, e desvio padrão σ, que
caracterizam a função densidade da Distribuição Normal. A curva da normal formada pela
função densidade é simétrica em torno da média. Além da simetria, uma outra característica
fundamental da distribuição normal é a propriedade de que a probabilidade dos indivíduos
abaixo da média é igual à probabilidade dos indivíduos acima da média que igual a 0, 50, isto é:
P(x ≥ µ) = P(x ≤ µ) = 0, 50. (5.51)
Principais Características da Distribuição Normal:
a) E(x) = µ
b) V (x) = σ
c) f(x) é simétrica em relação x = µ.
d) µ − σ e µ + σ são pontos de inflexão de f(x)
e) A variável aleatória (x) pode assumir qualquer valor real.
Distribuição T.
3. Exemplo de aplicação na área de saúde
Como médica Gineco-Obstetra prestando serviços no HCQ, pretende testar a pressão
sistólica media de mulheres gravidas atendidas na Ginecologia, com base numa amostra aleatória
de tamanho n = 64 e para um nível de significância α = 0.05, se a pressão sistólica media em uma
população de mulheres gravidas (media amostral = 133 mmHg). O que podemos dizer se obteve
𝑋̅ = 130 mmHg e se sabe, que σ = 16mmHg? Ao se desenvolver um teste de hipóteses supõe-se
inicialmente que a hipótese nula seja verdadeira

Página 10 de 13
 Resolução:
I. Parametron a ser testado:
µ: Pressão sistólica media em população de mulheres gravidas
a)
II. Hipóteses:
H0: μ = 130
H1: μ >130
III. Erro tipo I: Concluir que a pressão sistólica média em mulheres gravidas é maior
do que 130 mmHg, quando, na verdade, a pressão sistólica média é 130 mmHg.
Erro tipo II: Concluir que a pressão sistólica média em mulheres gravidas é igual
a 130 quando, na verdade, a pressão sistólica média é maior que 130 mmHg.
IV. Estatística de teste:
X́−μ 133−130
Zobs = σ = Zobs = 16 = 1,5
√n √ 64
Região de Rejeição: Rejeita-se H0 se Zobs > Z0.05 = 1.645
Verificação: Como 1.5 está fora da região de rejeição, não rejeitamos H0, ao nível de 5%
de significância.
V. Valor p:
Valor p = P(Z > 1.5) = 0.0668
Conclusão: Ao nível de 5% de significância, não temos evidências suficientes para
rejeitar a hipótese de que a pressão sistólica média é igual a 130 mmHg (Valor p = 0.0668).
b)
II. Hipóteses:
H0: μ = 130
H1: μ ≠ 130
III. Erro tipo I: Concluir que a pressão sistólica média em homens é diferente de 130
quando, na verdade, a pressão sistólica média é 130 mmHg.
Erro tipo II: Concluir que a pressão sistólica média em homens é igual a 130 quando, na
verdade, a pressão sistólica média é diferente de 130 mmHg.
IV. Estatística de teste:

Página 11 de 13
 X́−μ 133−130
Zobs = σ = Zobs = 16 = 1,5
√n √ 64
Região de Rejeição: Rejeita-se H0 se Zobs < -Z0,025 ou Zobs > Z0,025
Zobs < -1.96 ou Zobs > 1.96
Verificação: Como 1.5 está fora da região de rejeição, não rejeitamos H0, ao nível de 5%
de significância.
VI. Valor p:
Valor p = 2×P(Z > 1,5) = 2×0,0668 = 0,1336
Conclusão: Ao nível de 5% de significância, não temos evidencias suficientes para
rejeitar a hipótese de que a pressão sistólica média é igual a 130 mmHg (Valor p = 0.1336).
Como a hipótese alternativa é bilateral, podemos usar o intervalo de confiança para
realizar o teste de hipóteses. O intervalo terá 95% de confiança, já que, o nível de significância é
de 5%.

VII. Intervalo de confiança para µ:

100(1 - α) = 95
1 – α = 0.95
α = 0.05
α/2 = 0.025
Z 0,025 = 1,96
1,96∗16
IC 95
μ
%
= ⌊ 133± ⌋
√ 64
IC 95 %
μ = ⌊ 133± 3,92 ⌋

IC 95 %
μ = ⌊ 129,08; 136,92 ⌋
Interpretação: A pressão sistólica média está entre 129.08 e 136.92, com 95% de confiança.

4. Bibliografia

Anderson, D. R., Sweeney, D. j., Willians, T. A., 2007. Estatística Aplicada à

Administração e Economia.São Paulo. Cengage Learning. 2ª.edição.

Página 12 de 13
 Bussab, W., 2006. Estatística Básica. São Paulo. Saraiva. 5a edição. 540p.
Crespo, A. A., 1999. Estatística Fácil. São Paulo. Saraiva. 17ed.
Larson, R., Farber, B.,2004. Estatística Aplicada. São Paulo. Pearson - Prentice Hall. 2ª
edição.
Da Silva, E.M et al.,1997. Estatística. São Paulo. Atlas.
Fisher R. A., 1925. Statistical Methods for Research Workers. Edinburgh: Oliver and
Boyd, p.43.
Nogueira, M. L. G. et alli (1997), Introdução à Bioestatística, apostila do Instituto de
Ciências Exatas da UFMG.
Soares, J. F. et alli ( ), Introdução à Estatística, Editora Guanabara Dois
Triola, M. F. (1998), Introdução à Estatística, 7 ª Edição, LTC.

Página 13 de 13