Escolar Documentos
Profissional Documentos
Cultura Documentos
1 2
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
(a.a.)
H1: µ ≠ 8 hipótese alternativa bilateral
Faz sentido decidir com base em X , aceitando H0
H1: µ > 8 hipótese alternativa unilateral (superior)
se X estiver próxima de 8 e rejeitando H0 se X
H1: µ < 8 hipótese alternativa unilateral (inferior) estiver longe de 8.
α = P(erro do tipo I) =
região de
região crítica
aceitação
região crítica = P( Rejeitar H0 H0 é verdadeira )
8−c 8 8+c X
Voltando ao exemplo, vamos admitir que fazíamos
Região crítica: X < 8 − c ou X > 8 + c c = 0.5 e que σ = 1 e n = 10 .
Aos pontos de fronteira chamam-se valores críticos. A região crítica é: X < 7.5 ou X > 8.5.
5 6
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
7 8
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
9 10
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
Procedimento Geral dos Testes de hipóteses 8.2 Testes de hipóteses para a média, variância
conhecida
1. Pelo contexto do problema identificar o
parâmetro de interesse X população tal que:
11 12
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
σ σ
rejeita-se H0 se x < µ 0 − a ou x > µ 0 + a
Z0|H0 n n
1−α
σ σ
α/2 α/2 e não se rejeita H0 se µ 0 − a ≤ x ≤ µ0 + a
-a a
n n
0
13 14
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
X −8
Estatística de teste: Z0 = (5.) Z0 |H0
1 25
1−α
α
α = 0.05 ⇒ a = 1.96 donde 0 a'
R.C.: Z0 < −1.96 ou Z0 > 1.96 (6.) 2) Se fosse H0 : µ = µ 0 versus H1: µ < µ 0
15 16
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
17 18
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
Vamos ver que isto é verdade para o teste que Nota: o teste que acabámos de estudar é aplicável
estamos a estudar (teste para a média com variância com σ 2 desconhecida (substituída por S 2 ) desde
conhecida): que a dimensão da amostra seja grande ( n > 30).
H0 : µ = µ 0 versus H1: µ ≠ µ 0
8.3 Testes de hipóteses sobre a igualdade de
Não se rejeita H0 , ao nível de significância α , se e duas médias, variâncias conhecidas
só se
σ σ X1 , população 1, com E( X1 ) = µ1 e V ( X1 ) = σ12
µ0 − a ≤ x ≤ µ0 + a ⇔ (conhecida)
n n
σ σ X2 , população 2, com E( X2 ) = µ 2 e V ( X2 ) = σ 22
⇔ x−a ≤ µ0 ≤ x + a ⇔
n n (conhecida)
⇔ µ 0 ∈ I.C.100 × (1− α )% (µ )
( X1 e X2 independentes)
No exemplo, n = 25 , x = 8.5 , σ = 1 , I.C. a 95%
( α = 0.05) ⇒ a = 1.96
(
a. a. da população 1 X11 , , X1n1 com média X1
)
I.C.95% (µ ) = [8.108;8.892] , como µ 0 = 8 não (
a. a. da população 2 X21 , , X2n2 com média X2
)
pertence ao I.C., rejeita-se H0 : µ = 8 (contra
H1: µ ≠ 8) ao nível α = 5%.
(e a a.a. (X , 11 , X1n1 ) é independente da a.a.
(X 21 , ,X ) )
2n 2
19 20
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
α
σ12 σ 22 z0 < −a ou z0 > a com a: P( Z > a) =
X1 − X2 ~ N µ1 − µ 2 , + 2
n1 n2
etc.
Então, quando H0 é verdadeira ( µ1 − µ 2 = 0 )
N o t a : este teste é válido para variâncias
X1 − X2
Z0 = ~ N (0,1) desconhecidas (substituídas por S12 e S22 ) desde
σ12 σ 22
+ que n1 > 30 e n2 > 30.
n1 n2
21 22
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
8.4 Testes de hipóteses para a média de uma Então para H1: µ ≠ µ 0 , rejeita-se H0 ao nível de
população normal, variância desconhecida significância α se
α
Nesse caso para testar com a:P(Tn −1 > a) =
2
H0 : µ = µ 0 contra uma das alternativas
etc.
H1: µ ≠ µ 0 (bilateral) ou
Nota: Para os testes em que a estatística de teste
H1: µ > µ 0 (unilateral superior) ou tem distribuição normal o valor-p é fácil de
determinar. Para outras distribuições (t e chi-
H1: µ < µ 0 (unilateral inferior) quadrado) esse valor só pode ser obtido usando um
programa de computador ou em certas
X − µ0
usa-se a estatística de teste T0 = calculadoras. Recorrendo às tabelas o melhor que
S n
se consegue é obter um intervalo que contém (de
Quando H0 é verdadeira T0 ~ tn −1 certeza) o valor-p.
23 24
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
8.5 Testes de hipóteses sobre a igualdade das Admitimos que (hipóteses de trabalho):
médias de duas populações normais,
variâncias desconhecidas • A primeira amostra é uma concretização de
uma a.a. da população X1 ~ N (µ1 , σ12 ) ;
Exemplo: Pretende-se saber se o efeito médio de
dois catalizadores em determinado processo • A segunda amostra é uma concretização de
químico pode ser considerado igual ou diferente. uma a.a. da população X2 ~ N (µ 2 , σ 22 ) ;
Catalizador 1: 91.50 94.18 92.18 95.39 91.79 • σ12 = σ 22 = σ 2 (é razoável se s12 e s22 forem da
89.07 94.72 89.21 n1 = 8 mesma ordem de grandeza).
Sabemos que: n1 + n2 − 2 = 14
T=
( X1 − X2 ) − (µ1 − µ 2 ) ~ t
1 1 n1 + n 2 −2 Para α = 5% vem a = t14,0.975 = 2.145.
Sp +
n1 n2
Como -2.145 < -0.35 < 2.145 não se rejeita H0 ao
Então a estatística de teste é: nível de significância de 5%.
X1 − X2
T0 = , sob H0 T0 ~ tn1 + n2 −2 Também se poderia concluir que 0.6< valor-p < 0.8
1 1
Sp + Output do Excel para este teste:
n1 n2
t-Test: Two-Sample Assuming Equal Variances
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
8.6 Testes de hipóteses para a variância de 8.7 Testes de hipóteses para uma proporção
uma população normal
( X1 , , Xn ) amostra aleatória de uma população
X ~ N (µ , σ 2
) e ( X1 ,
, Xn ) a.a. muito grande ou infinita.
33 34
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
Vamos acrescentar essas duas colunas à tabela: A variável que é usada para medir o afastamento é
xi′ oi pi Ei = npi
X =∑
2
k
(Oi − Ei )2 (Estatística de teste)
0
1 174 16 166.67 i =1 Ei
2 174 16 166.67
Pode mostrar-se que, quando H0 é verdadeira,
3 154 16 166.67
4 179 16 166.67 X02 ~ χ k2− β −1
a
5 154 16 166.67
6 165 16 166.67 onde k é o nº. de classes (no exemplo, 6) e β é o
Total 1000 1 1000.02 nº. de parâmetros estimados (no exemplo, 0)
Mesmo quando H0 é verdadeira não estamos à Deve rejeitar-se H0 se o valor observado de X02 for
espera que as colunas oi e Ei coincidam. É então muito elevado, ou seja a região crítica do teste é da
necessário medir o afastamento entre oi e Ei e forma
saber até que ponto esse afastamento é razoável
para H0 verdadeira (se determinarmos que o R.C.: X02 > a
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
Tabela incluindo os cálculos para obter o valor Exemplo: Pensa-se que o número de defeitos por
observado de X02 : circuito, num certo tipo de circuitos, deve seguir
uma distribuição de Poisson. De uma amostra
(oi − Ei )2 (escolhida aleatoriamente) de 60 circuitos
xi′ oi pi Ei = npi
Ei obtiveram-se os resultados seguintes:
1 174 16 166.67 0.322
2 174 16 166.67 0.322 Nº. de def. oi
3 154 16 166.67 0.963 0 32
4 179 16 166.67 0.912 1 15
5 154 16 166.67 0.963 2 9
6 165 16 166.67 0.017 3 4
Total 1000 1 1000.02 3.499 Total 60
O valor observado de X02 é 3.499. Se fixarmos X - v.a. que representa o nº. de defeitos num
α = 0.05 , com k − β − 1 = 5, obtém-se a = 11.07 . circuito
Uma vez que 3.499 < 11.07, não se rejeita H0 ao H0 : X ~ Poisson(λ ) contra H1: X ~ outra dist.
nível de significância de 5%.
39 40
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
32 × 0 + 15 × 1 + 9 × 2 + 4 × 3
λ̂ = x = = 0.75 Nº. de (oi − ei )2
60 oi p̂i ei = np̂i
def. ei
donde 0 32 0.472 28.32 0.478
1 15 0.354 21.24 1.833
e −0.75 0.750
p̂1 = P̂( X = 0) = = 0.472 e1 = 28.32 ≥2 13 0.174 10.44 0.628
0!
Total 60 1.000 60.00 2.939
e −0.75 0.751
p̂2 = P̂( X = 1) = = 0.354 e2 = 21.24 k − β −1 = 3 −1−1 = 1
1! ⇒ a = 3.841
α = 0.05
e −0.75 0.752
p̂3 = P̂( X = 2) = = 0.133 e3 = 7.98
2! Como 2.939 < 3.841, não se rejeita H0 ao nível de
significância de 5%.
p̂4 = P̂( X ≥ 3) = 1 − ( p̂1 + p̂2 + p̂3 ) = 0.041
e4 = 2.46
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
43 44
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística
©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística ©Ana Pires, IST, Outubro de 2000 Probabilidades e Estatística