Você está na página 1de 70

Inferência Estatística

Profa Alcione Miranda dos Santos


Departamento de Saúde Pública – UFMA
Núcleo de Estatística e Informática – HUUFMA
email: alcione.miranda@terra.com.br
Inferência Estatística

… Inferências
a respeito de uma população são feitas,
baseadas em uma amostra.

… Inferências a respeito de uma parâmetro (por ex. a


média populacional) são feitas, examinando
estatísticas amostrais (por ex. , a média amostral) .
Inferência Estatística

„ Dois princípios Básicos:


ƒ Testes de Hipóteses

ƒ Estimação
… Estimação Pontual
ƒ A média amostral é uma estimativa pontual da média
populacional
… Estimação por Intervalos

ƒ Intervalos de Confiança
Teoria da Estimação
„ Em estatística, muitas vezes desejamos estimar
a proporção com que determinado evento
ocorre. Por exemplo:
… Prevalência de diabéticos no munícipio de São Luís-
MA
… Prevalência de fumo entre os estudantes de Medicina
da UFMA.
„ Se desejarmos saber tais prevalências, sem
erro aleatório, teremos que estudar toda a
população dos estudantes.
Teoria da Estimação

„ Através da teoria de estimação podemos tomar


uma amostra aleatória da população de
interesse e estimarmos, com uma probabilidade
de erro conhecida, a verdadeira prevalência
nesta população.
„ Estimação é o processo pelo qual, usando-se
um valor amostral (estatística) inferimos o valor
populacional (parâmetro).
Teoria da Estimação

„ Estimador- é uma estatística destinada a


estimar um parâmetro.

„ Existem dois tipos de estimação:


… Estimação Pontual
… Estimação por Intervalo
Estimativa Pontual

„ Quando a partir de uma amostra representativa da


população, o pesquisador procura obter um único valor
para o parâmetro.
Exemplo: Prevalência de fumo entre os estudantes de
Medicina da UFMA.

f
pˆ =
n
onde f é a freqüência do evento na amostra e n é o
tamanho da amostra
Estimativa por Intervalo
„ Neste caso, calculamos a margem de erro aleatório de
uma estimativa e construímos um intervalo.

„ O intervalo contém o parâmetro com uma probabilidade


pré
- definida.

„ Um intervalo de confiança está associado a um grau de


confiança que é a uma medida da nossa certeza que o
intervalo contém o parâmetro.

„ Esta maneira de estimar o parâmetro é mais


interessante, pois fornece elementos para se discutir a
precisão da estimativa.
Estimativa por Intervalo
„ O grau de confiança é a probabilidade (1-α)
do intervalo de confiança conter o verdadeiro
valor do parâmetro.

„ Geralmente, adota-se α = 1%, 5% ou 10%.

„ α é chamado de nível de significância.

„ A escolha do nível de confiança depende da


precisão que desejamos estimar o parâmetro.
Intervalo de Confiança para a
Proporção Populacional
O IC para a proporção populacional é dado por

pˆ .(1 − pˆ )
IC[π ; (1 − α )%] = pˆ ± zα / 2
n

Nota: O intervalo só poderá ser construído quando f ≥ 5


en ≥f+5
EXEMPLO: Uma droga foi testada em 25 pacientes e apresentou
efeitos colaterais em 8 casos. Qual a proporção de ocorrência de
efeitos colaterais?

„ Estimativa pontual: 8/25 = 0,32 ou 32%.

„ Estimativa por intervalo: Adotando-se um nível


de significância de 5%, tem-se:

(0,32)(0,68)
IC[π ;95%] = 0,32 ± 1,96 = [0,15;0,53]
25
COMANDO STATA
O comando usado para construir IC para proporção é

cii n f
com
n = tamanho da amostra
f = freqüência do evento na amostra
Para o exemplo anterior, temos:

cii 25 8

-- Binomial Exact --
Variable | Obs Mean Std. Err. [95% Conf. Interval]
-------------+---------------------------------------------------------------
| 25 .32 .0932952 .1494954 .5350007


IC
Intervalo de Confiança para a Média
Populacional
„ Caso 1: Grandes Amostras (n ≥ 30)
s
IC[ µ ; (1 − α )%] = x ± zα / 2
n
„ Caso 2: Pequenas Amostras (n < 30)
s
IC[ µ ; (1 − α )%] = x ± t( n −1;α / 2 )
n
Distribuição t Student

„ A distribuição de t student tem um tem um


formato semelhante ao da distribuição normal,
mas a curva é mais larga.

„ Uma característica importante da distribuição t


student é o número de graus de liberdade.
Tabela t Student

Se uma distribuição t student


tem 11 graus de liberdade,
encontre o valor de t que faz
o a área sombreada ser de
0,025
EXEMPLO: Com o intuito de estudar o conteúdo de ácido láctico no
sangue de indivíduos com demência precoce, uma amostra de 16
pacientes foi tomada e os resultados foram os seguintes: média = 13
mg/100 ml e desvio padrão = 4,6 mg/100 ml. Estime através de
intervalo de confiança a média do teor de ácido láctico no sangue de
indivíduos com demência precoce.
4,6
IC[ µ ;95%] = 13 ± t(15;0,025)
16
IC[ µ ;95%] = 13 ± 2,1315.1,15 = [10,55;15,45]
COMANDO STATA
O comando usado para construir IC para média populacional é

cii n me sd
com
n = tamanho da amostra
me = média amostral
sd = desvio padrão
Para o exemplo anterior temos:

. cii 16 13 4.6

Variable | Obs Mean Std. Err. [95% Conf. Interval]


-------------+---------------------------------------------------------------
| 16 13 1.15 10.54883 15.45117

S
x n IC
Testes de Hipóteses

Profa Alcione Miranda dos Santos


Departamento de Saúde Pública – UFMA
Núcleo de Estatística e Informática – HUUFMA
email: alcione.miranda@terra.com.br
Testes de Hipóteses
„ Algumas vezes existe um particular interesse
em decidir sobre a verdade ou não de uma
hipótese específica.
Por exemplo: Se dois grupos têm a mesma média ou
se o parâmetro populacional tem um valor em
particular.

„ Teste de hipóteses fornece-nos a estrutura para


que façamos isto.
„ Quando falamos em hipóteses estamos nos referindo à
perguntas sobre a relação entre variáveis, por exemplo:
A variável "doença" está associada à variável "fator de risco"?

„ Repare que as hipóteses são apenas fundamentais em


estudos analíticos ou experimentais.

„ Estudos descritivos não necessitam de hipóteses, basta


descrever as características da amostra em estudo.
Testes de Hipóteses
„ Hipótese científica: existe um efeito E.
„ Hipóteses estatísticas: diferenças, associação,
estimação pontual
„ Hipótese nula (H0): ausência de diferença
„ Hipótese alternativa (HA): contrária à H0

„ Testes de hipóteses: fornecem subsídios para


se rejeitar ou não uma hipótese estatística.
Tipos de Erros
„ Ao tomar uma decisão a favor ou contra uma
hipótese, existem dois tipos de erros que
podemos cometer: Erro Tipo I e Erro Tipo II

„ Erro Tipo I: Rejeitar a hipótese nula quando de


fato ela é verdadeira.
„ Erro Tipo II: Aceitar a hipótese nula quando de
fato ela é falsa.
Tipos de Erros

Decisão Hoverdadeira Ho falsa

Aceitar a Decisão correta Erro de tipo II


hipótese (1- α) β

Rejeitar a Erro de tipo I Decisão correta


hipótese α (1-β)
nível de significância Poder do teste
Testes Bilaterais e Unilaterais
„ Teste bilateral: há interesse em identificar diferença
para qualquer direção.

Exemplo: droga altera a PAS

„ Teste unilateral: apenas tem sentido diferença em


uma direção.

Exemplo: dieta para redução do nível sérico de


colesterol.
Testes de Hipóteses
„ Todos os testes de hipóteses têm
suposições;

„ As suposições devem ser verificadas;

„ Se alguma suposição é violada, então os


testes estatísticos podem ser inválidos.
Testes de Hipóteses

„ Paramétricos: são baseados nas


características das distribuições teóricas que a
distribuição dos dados segue.

„ Não-paramétricos: não fazem suposições


sobre a distribuição dos dados. Têm menos
poder.
Passos para realizar um Teste de Hipóteses

„ Passo 1 : Definição da Hipótese

„ O primeiro passo é o estabelecimento das hipóteses:

„ Hipótese Nula (H0): É um valor suposto para um


parâmetro.Se os resultados da amostra não forem muito
diferentes de H0, ela não poderá ser rejeitada.

„ Hipótese Alternativa (HA): É uma hipótese que contraria


a hipótese nula, complementar de Ho, Essa hipótese
somente será aceita se os resultados forem muito
diferentes de Ho.
Passos para realizar um Teste de Hipóteses
„Passo 2: Calcular a estatística do Teste

„ É o valor calculado a partir da amostra, que será usado na tomada


de decisão. Uma maneira de tomar-se uma decisão é comparar o
valor tabelado com a estatística do teste.

„ Para o caso de testes de médias, a estatística do teste é a variável


padronizada Z:

(X −µ) Variabilidade
Zcal = das médias
(σ n)
Estatística
do teste
Passos para realizar um Teste de Hipóteses
„ Passo 3: Região Crítica

„ A região crítica é a região onde Ho é rejeitada. A área


da região crítica é igual ao nível de significância (α), que
estabelece a probabilidade de rejeitar Ho quando ela é
verdadeira.

„ Por exemplo, se utilizarmos o nível de significância de


5%, a probabilidade de rejeitar Ho quando ela é
verdadeira é igual a 5%. Na prática, os valores usuais
são: α = 0,01 ou 0,05 ou 0,10.
Passos para realizar um Teste de Hipóteses

„ Unilateral à esquerda:
Ho: µ = 50
HA: µ > 50

„ Unilateral à direita:
Ho: µ = 50
HA: µ <50

„ Bilateral:
Ho: µ = 50
HA: µ ≠ 50
Passos para realizar um Teste de Hipóteses

„ Passo 4. Regra de Decisão:


‰ Se o valor da estatística do teste cair na região crítica, rejeita-se Ho.
Ao rejeitar a hipótese nula existe uma forte evidência de sua falsidade.

‰ Ao contrário, quando aceitamos, dizemos que não houve evidência


amostral significativa no sentido de permitir a rejeição de Ho.
p-valor
„ Definição: probabilidade de obter o resultado que
obtivemos ou mais estremo, sendo a hipótese nula é
verdadeira.

„ O p
- valor é comparado ao nível de significância α pré-
determinado.

„ Se o p - valor for menor ou igual ao nível de significância,


rejeitamos H0.

„ Note as seguintes interpretações de p-valores:


‰ p > 0,10 Não existe evidência contra H0
‰ p < 0,10 Fraca evidência contra H0
‰ p < 0,05 Evidência significativa contra H0
‰ p < 0,01 Evidência altamente significativa contra H0
Testes de Hipóteses

„ Estudaremos testes de hipóteses


considerando:
(a) Uma única amostra
(b) Comparação de duas ou mais amostras

„ Primeiramente, vamos estudar teste de


hipótese para uma amostra.
Uma amostra - Variável quantitativa

Com uma amostra de indivíduos


queremos saber se a média da
respectiva população é um
determinado valor.
Teste de Hipótese para Média Populacional
„ PASSO 1: H0: µM=128 versus HA: µM≠128

„ PASSO 2: Nível de significância: 5%

„ PASSO 3: Estatística do teste:

x − µ0 135 − 128 7
Z cal = = = = 2 ,28 .
σ 24 3,1
n 60
„PASSO 4: Construir a Região de Rejeição (RR)
TESTE BILATERAL

RA
RR RR
„ Portanto, a amostra aleatória sugere que
medicamento M aumenta a PAS.

„ Agora, vamos calcular o p


- valor para o teste de
hipótese em questão:

„ Temos que calcular a probabilidade de observarmos


um valor igual ou superior a 2,28, isto é,

p-valor: P(Z>2,28) =0,013 (distribuição normal)

Como o teste é bilateral, temos que multiplicar por dois


esta probabilidade. Assim, 0,013 x 2 = 0,026

„ Desde que o p - valor é menor que o nível de


significância do teste (α = 5%), rejeita
- se a hipótese
nula.
„ Quando o desvio padrão populacional é
desconhecido, porém n≥30, podemos usar a
distribuição Normal, mas você deve substituir o desvio
padrão populacional pelo desvio padrão amostral.

„ Quando o n<30 e o desvio padrão populacional é


desconhecido, temos que aplicar o teste t de Student
com a fórmula abaixo:

x − µ0
tcal = ~ t( n−1)
s n
Suposição do teste: A variável quantitativa é normalmente distribuída
na população.
Exemplo: Teste t

A altura média dos estudantes da UFMA é de 1,70 m. Em


uma amostra casual de tamanho 25 foi estimada a média
de 1,72 m e desvio padrão da amostra de 0,08 m. Pode-
se considerar que a média amostral não difere da média
da população?
Solução:

a ) H 0 : µ = 1,70m H A : µ ≠ 1,70m

b ) α = 0,05; t crit ; 0 , 025 ; 24 g .l . = 2,064

x − µ 1, 72 − 1, 70
c) t = = = 1, 25
s 0 , 08
n 25
d) Decisão: Não há evidência para rejeitar H0.
Solução no STATA: contém 1,70m

ttesti 25 1.72 0.08 1.70

One-sample t test
------------------------------------------------------------------------------
| Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]
---------+--------------------------------------------------------------------
x | 25 1.72 .016 .08 1.686978 1.753022
------------------------------------------------------------------------------
mean = mean(x) t = 1.2500
Ho: mean = 1.70 degrees of freedom = 24

Ha: mean < 1.70 Ha: mean != 1.70 Ha: mean > 1.70
Pr(T < t) = 0.8883 Pr(|T| > |t|) = 0.2234 Pr(T > t) = 0.1117

tcal = 1,25
H 0 : µ 0 = 1,70m

p valor> 0,05
Teste de Hipótese para Proporção Populacional

„ Vejamos agora teste de hipótese para variáveis


qualitativas.

Por exemplo: prevalência de uma doença.

„ Para construção de um teste de hipóteses, para esta


situação, devemos seguir o mesmo raciocínio
anteriormente aplicado para variáveis quantitativas.
Teste de Hipótese para Proporção Populacional

„ Estabeleça a hipótese nula e a hipótese alternativa


Exemplo: H0: π = π 0 versus HA: π ≠ π 0

„ Calcule a proporção amostral

„ Calcule a estatística do teste


pˆ − π 0
zcal =
π 0 (1 − π 0 )
n
Teste de Hipótese para Proporção Populacional

„ Utilizar a tabela da Distribuição Normal para


determinar o p-valor.

„ Comparar o p-valor do teste com o nível de


significância do teste.

„ Nota: Uma regra geral é que o teste anterior é


válido quando temos ambos npˆ e n(1 − pˆ )
maiores do que 10.
Exemplo: Teste de Hipótese para Proporção
Populacional

Em um região afetada por um surto epidêmico,


observou - se uma amostra de 2500 indivíduos, tendo
-
se encontrado 625 contaminados. Teste, ao nível de
significância 5%, se a proporção de indivíduos
contaminados é significativamente superior a 20%.
Solução:
a) H 0 : π = 0,20 H A :π > 0,20
b ) α = 0,05; z 0 , 05 = 1,65
pˆ − π 0 , 25 − 0 , 2
c ) Z cal = 0
= = 6 , 25
π 0
(1 − π 0 ) 0 , 25 (1 − 0 , 75 )
n 2500
d) Região crítica:

d) Decisão: Há evidência para rejeitar H0.


Solução no STATA:
Não contém 0,2

prtesti 2500 0.25 0.2v

One-sample test of proportion x: Number of obs = 2500


------------------------------------------------------------------------------
Variable | Mean Std. Err. [95% Conf. Interval]
-------------+----------------------------------------------------------------
x | .25 .0086603 .2330262 .2669738
------------------------------------------------------------------------------
p = proportion(x) z = 6.2500
Ho: p = 0.2

Ha: p < 0.2 Ha: p != 0.2 Ha: p > 0.2


Pr(Z < z) = 1.0000 Pr(|Z| > |z|) = 0.0000 Pr(Z > z) = 0.0000

zcal = 6,25

H 0:π = 0 ,2
p-valor <0,05
Comparação de Dois grupos
„ Na pesquisa médica, é muito freqüente
necessitarmos comparar médias ou proporções
de amostras diferentes (por ex. caso x
controle).

„ Se estamos estudando duas amostras, então


amostras pareadas ou independentes?
Amostras Independentes
„ Neste tipo de estudo, temos duas amostras, mas cada
indivíduo participa apenas de uma das amostras.

Amostras Pareadas
„ Num estudo pareado, novamente se tem duas
amostras, mas cada observação da primeira amostra é
pareada com uma observação da segunda amostra.
Dois grupos independentes (uma observação em cada
unidade amostral).

Exemplos
1. Dois produtos
2. Duas drogas terapêuticas
3. Duas marcas comerciais
4. Dois procedimentos cirúrgicos
5. Dois gêneros
Dois grupos pareados (duas observações em cada unidade
amostral).

Exemplos
1. Antes e depois de uma intervenção cirúrgica
2. Lados direito e esquerdo
3. Dois períodos diferentes
Teste t para duas amostras independentes
„ A variável de interesse é uma variável
quantitativa e normalmente distribuída.

„ Exemplo: Comparar produtos alimentícios


(um novo, outro tradicional) no ganho de peso
de ratos de laboratório.

„ Você que saber se na população:


¾ As médias são diferentes?
¾ A média do novo produto é maior?
ƒ Você também precisa saber se, na população:

¾ A variabilidade é a mesma nos dois grupos?


¾ A variabilidade é diferente?

ƒ Para verificar se a variabilidade é a mesma


nos dois grupos, utiliza-se o Teste F.

H 0 :σ 1 = σ 2 H A :σ 1 ≠ σ 2
2 2 2 2
versus
„ 1o Caso: Considere a situação em que as duas variâncias
populacionais são desconhecidas, mas é razoável assumir
que elas sejam iguais.

„ Neste caso, utiliza


- se o teste -t S
tudent para amostras
independentes.
x1 − x2
Estatística do teste: tcal = ~ t( n1 + n2 − 2 )
1 1
s +
p
n n
1 2

com ( n − 1) s 2
+ ( n − 1) s 2
s 2p = 1 1 2 2
n1 + n2 − 2
Exemplo: Duas amostras independentes
com variâncias iguais
„ Um pesquisador gostaria de testar a hipótese que os
homens são mais pesados que as mulheres à idade
adulta. Tomou ao acaso uma amostra de 35 alunos,
sendo 17 do sexo feminino e 18 do masculino.

Média n Variância
Masculino 76,8 18 334,18
Feminino 72,9 17 303,11
Solução:
a) H0 : µM = µF
b) H 1 : µ M > µ F

c ) α = 0 , 05 ; t 0 , 05 ; 33 g . l = 1, 69

x1 − x 2 76 ,8 − 72 ,9 3,9 3,9
d ) t cal = = = = = 0,645
1 1 1 1 17 ,86 0,338 6,04
s + 17 ,86 +
p
n1 n 2 18 17

e) Decisão: Não há evidência para rejeitar H0.


Solução no STATA:
Teste F
Comando: stesti n1 . sd1. n2. sd2

Para o exemplo anterior, temos:

sdtesti 18 . 18.28 17 . 17.41

Variance ratio test


------------------------------------------------------------------------------
| Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]
---------+--------------------------------------------------------------------
x | 18 . 4.308637 18.28 . .
y | 17 . 4.222545 17.41 . .
---------+--------------------------------------------------------------------
combined | 35 . . . . .
------------------------------------------------------------------------------
ratio = sd(x) / sd(y) f = 1.1024
Ho: ratio = 1 degrees of freedom = 17, 16

Ha: ratio < 1 Ha: ratio != 1 Ha: ratio > 1


Pr(F < f) = 0.5753 2*Pr(F > f) = 0.8494 Pr(F > f) = 0.4247

Podemos concluir que as variâncias populacionais são iguais (p-valor=0,8494)


Solução no STATA:
Teste t-student para variâncias iguais
Comando: ttesti n1 me1 sd1 n2 me2 sd2

ttesti 18 76.8 18.28 17 72.9 17.41

Two-sample t test with equal variances


------------------------------------------------------------------------------
| Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]
---------+--------------------------------------------------------------------
x | 18 76.8 4.308637 18.28 67.70957 85.89043
y | 17 72.9 4.222545 17.41 63.9486 81.8514
---------+--------------------------------------------------------------------
combined | 35 74.90571 2.993466 17.70959 68.82226 80.98917
---------+--------------------------------------------------------------------
diff | 3.9 6.041423 -8.391367 16.19137
------------------------------------------------------------------------------
diff = mean(x) - mean(y) t = 0.6455
Ho: diff = 0 degrees of freedom = 33

Ha: diff < 0 Ha: diff != 0 Ha: diff > 0


Pr(T < t) = 0.7385 Pr(|T| > |t|) = 0.5230 Pr(T > t) = 0.2615

Podemos concluir que as médias populacionais são iguais (p-valor=0,5230)


„ 2o Caso: Agora, considere a situação em que as duas
variâncias populacionais são desconhecidas e
desiguais.

„ Neste caso, deve - se utilizar o teste t student com


variâncias desiguais.

„ A estatística do teste é dada por


2
⎡ S12 S 22 ⎤
x1 − x2 ⎢n + n ⎥
tcal = ~ tv com ν = ⎣ 12 2 ⎦ 2 − 2
s2
s 2
⎛ S12 ⎞ ⎛ S 22 ⎞
1
+ 2
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
n1 n2 ⎝ n1 ⎠ + ⎝ n2 ⎠
n1 + 1 n2 + 1
Comando no STATA: ttesti n1 me1 sd1 n2 me2 sd2, unequal
Teste de Hipóteses para Duas Médias Populacionais

„ Agora, vamos considerar amostras pareadas.

„ A variável de interesse é quantitativa e normalmente


distribuída.

„ Novamente, o interesse é testar a hipótese nula de que


as duas médias das populações são iguais.

„ As hipóteses a serem testadas são


H0: µ1 = µ2 versus HA: µ1 ≠ µ2
„ Em vez de considerarmos os dois conjuntos de
observações como amostras distintas, focalizamos a
diferença de medições dentro de cada par.

Amostra 1 Amostra 2
x11 x12
x21 x22
x31 x32
x41 x42
. .
xn1 xn2
„ Usamos esses dados para criar novo conjunto de
observações que representam as diferenças dentro de
cada par:

d1=x11-x12
d2=x21-x22
d3=x31-x32

dn=xn1-xn2
„ A partir dessas diferenças calculamos a média
n

∑d i
d= i =1
n

n
e o desvio padrão ∑ (d i − d)
sd = i =1
n −1

d
„ Estatística do teste: tcal = ~ t( n −1)
sd
n
Teste de Hipóteses para Duas Proporções
Populacionais
„ Primeiramente, vamos considerar amostras independentes.

„ O interesse é comparar dois grupos através do resultado


observado em uma variável dicotômica.

„ O problema de comparação das proporções populacionais


nos dois grupos é formulado através das hipóteses:

H0: π1 = π 2 versus HA: π1 ≠ π 2


Teste Qui Quadrado

„ É um teste muito usado na área médica que se


destina a comparar proporções.

„ Utiliza-se o teste qui-quadrado quando deseja-se


verificar se a freqüência com que um determinado
acontecimento observado em uma amostra se
desvia significativamente ou não da freqüência
com que ele é esperado.
Teste Qui Quadrado

Grupo Ocorrência do Evento Total


SIM NÃO
I a b a + b = n1

II c d c + d = n2

Total a + c = m1 b + d = m2 n1+ n2 = n
Exemplo
„ Os dados a seguir são referentes ao sexo e condição
de sobrevivência de uma amostra de recém - nascidos
com síndrome de desconforto idiopático grave.

Sexo sobrevivente Não Total


sobrevivente
Feminino 10 7 17
Masculino 17 16 33
Total 27 23 50

Você diria que meninos sobrevivem mais do que meninas?


Exemplo
Cálculos necessários para a construção do teste qui-quadrado:

i Oi Ei Oi- Ei (Oi- Ei)2 (Oi- Ei)2


Ei
1 10 9,18 0,82 0,6724 0,07
2 17 17,82 -0,82 0,6724 0,04
3 7 7,82 -0,82 0,6724 0,08
4 16 15,18 0,82 0,6724 0,04
Total 50 50 0 2,6896 0,23
O valor da estatística do teste é 0,23. Como este valor é maior do que 3,84,
valor obtido da distribuição qui-quadrado, para um nível de de significância
de 5%, não rejeitamos a hipótese nula, ou seja, os meninos não sobrevivem
mais do que as meninas.
Restrições ao Uso do Teste Qui-Quadrado
„ Quando 20 ≤ n ≤ 40, utilizar o teste qui-quadrado se nenhuma
freqüência esperada seja inferior a 5. Em caso contrário, utilizar
o Teste Exato de Fisher.

„ Quando n < 20, utilizar o Teste Exato de Fisher.

„ Quando n > 40, utilizar o teste qui-quadrado.

„ Quando o número de categorias for maior do que 2, não mais


que 20% das categorias devem ter freqüências menores que 5
e nenhuma categoria deve ter freqüência menor que 1.