UNIVERSIDADE FEDERAL DE ALAGOAS

CAMPUS DE ENGENHARIAS E CIÊNCIAS AGRÁRIAS

UFAL DISCIPLINAS: EXPERIMENTAÇÃO AGROPECUÁRIA
CECA

Testes de hipóteses
Professor Dr. Geraldo Veríssimo de Souza Barbosa
TESTES DE HIPÓTESES
✓ Ao fazermos inferências sobre um parâmetro da população,
temos as hipóteses:

H0: hipótese nula (igualdade do parâmetro).

H1: hipótese alternativa (não H0).

✓ Estimamos o parâmetro e aplicamos um teste de hipóteses,

que se baseia na distribuição estatística teórica da amostra.

✓ Com isso, verificamos se a diferença é real (significativa) ou

devida à flutuação aleatória (acaso), inerente a amostragem.
Teste t - comparação de uma média
✓ Passo 1: Estabelecimento de Hipóteses.
H0: µ = Ө vs H1: µ ≠ Ө
✓ Passo 2: Estimamos m e s(m) e obtemos a estatística:
𝒎 −Ө
tcal =
𝒔(𝒎)

✓ Passo 3: Adotamos a Regra de decisão:

Rejeitamos H0, se |tcal| ≥ ttab ao nível α de probabilidade

de erro, para (n-1) graus de liberdade.

Obs: Geralmente fixamos erro de 1% ou 5%.

✓ Exemplo 1: Um produtor afirma que uma vaca produz em
média 15 kg de leite por dia. Fez-se uma pesquisa, e em 12
dias de lactação a vaca produziu média diária de 14,3 kg e
desvio padrão de 1,4 kg. Podemos aceitar a afirmação do
produtor?

✓ Estabelecemos as hipóteses: H0: µ=15 versus H1 µ ≠ 15.

✓ Obtemos a estatística do teste t de student:

𝒎 −µ 𝟏𝟒,𝟑 −𝟏𝟓
tcal = = 𝟏,𝟒 = -1,73
𝒔(𝒎) ( )
𝟏𝟐
 Regra de decisão:

✓ Fixando 5% de probabilidade de erro, a tabela

de t para 11 GL nos dá o valor teórico de 2,2.

✓ Como o valor de t calculado (em valor

absoluto) foi inferior ao de t tabelado a 5% (1,73 <
2,2) não rejeitamos H0. Isto quer dizer que
aceitamos a afirmação do produtor.
RA: região de aceitação de H0 RR: região de rejeição de H0
✓ Exemplo 2: Um produtor afirma que uma vaca produz em
média 15 kg de leite por dia. Fez-se uma pesquisa, e em
12 dias de lactação a vaca produziu média diária de 14,1
kg e desvio padrão de 1,3 kg. Podemos aceitar a
afirmação do produtor?

✓ Estabelecemos as hipóteses: H0: µ=15 versus H1 µ ≠ 15.

✓ Obtemos a estatística do teste t de student:

𝒎 −µ 𝟏𝟒,𝟏 −𝟏𝟓
tcal = = 𝟏,𝟑 = -2,4
𝒔(𝒎) ( )
𝟏𝟐
Regra de decisão:

✓ Como o valor do t calculado (em valor absoluto) foi

superior ao do t tabelado a 5% (2,4 > 2,2), rejeitamos H0 a
5% de probabilidade de erro. Isto quer dizer que não
aceitamos a afirmação do produtor.

✓ Observação: se fixarmos um erro de 1%, aceitaríamos a

afirmação do produtor.
RA: região de aceitação de H0 RR: região de rejeição de H0
Tipos de erros nos testes de hipóteses

✓ H0 pode ser falsa ou verdadeira.

✓ Com o teste estatístico, ou rejeitamos H0 ou não

rejeitamos H0.

✓ É necessário conhecermos dois tipos de erros:

✓ Erro Tipo I e Erro Tipo II.
 Situação específica na população
Conclusão do teste H0 verdadeira H0 falsa
Não-rejeitar H0 Decisão correta Erro Tipo II

Rejeitar H0 Erro Tipo I Decisão correta

✓ A probabilidade de se cometer um Erro Tipo I depende
dos parâmetros da população e é designado por:

✓ α = nível de significância do teste.

✓ Isto quer dizer que o nível de significância de um teste

é a probabilidade máxima com que desejamos correr
um risco de um Erro Tipo I.

✓ A probabilidade máxima de se cometer um Erro Tipo II

é designada por β, depende da hipótese alternativa e
é difícil ser calculada.
 Testes de hipóteses Bilaterais e Unilaterais

a) Se tivermos as hipóteses do tipo:

H0: µ = Ө vs H1: µ ≠ Ө
O teste é do tipo bilateral (teremos as regiões
de rejeição à esquerda e à direita.

b) Se tivermos as hipóteses do tipo:

H0: µ = Ө vs H1: µ < Ө
O teste é do tipo unilateral à esquerda.

c) Se tivermos as hipótese do tipo:

H0: µ = Ө vs H1: µ > Ө
O teste é do tipo unilateral à direita.
Teste t - comparação de duas médias
✓ Passo 1: Estabelecimento de Hipóteses
H0: µ1 = µ2 vs H1: µ1 ≠ µ2

✓ Passo 2: Estimamos m1, m2, s1 e s2 e obtemos as

estatísticas:
(𝒏𝟏 −𝟏)𝒔𝟐𝟏 +(𝒏𝟐 −𝟏)𝒔𝟐𝟐
Variância ponderada: 𝒔𝟐𝒑 =
𝒏𝟏 + 𝒏𝟐 −𝟐
𝒎𝟏 −𝒎𝟐
Teste t de student: tcal =
𝟏 𝟏
(𝒏 +𝒏 )𝒔𝟐𝒑
𝟏 𝟐
 ✓ Passo 3: Adotamos a Regra de decisão:

Rejeitamos H0, se |tcal| ≥ ttab ao nível α de

probabilidade de erro, para (n1+n2-2) graus de
liberdade.

Obs: Geralmente fixamos erro de 1% ou 5%.

✓Exemplo 1: Verificar se há igualdade nas médias de número de
insetos capturados por dois tipos de armadilhas

Temos as estimativas:

m1=12; s12 = 4; n1=10; gl1 = 9 12−15

tcal = = -2,90
1 1
m2=15 ; s2 2=5; n2= 7; gl2 = 6 ( + )(4,4)
10 7

Variância ponderada:
𝟗 𝟒 +(𝟔)(𝟓) Graus de liberdade: GL = 10 + 7 - 2 = 15
𝒔𝟐𝒑 = = 4,4
𝟏𝟓
Regra de decisão:

✓ A tabela de t para 15 GL nos dá o valor teórico de 2,13

para 5% de erro e 2,94 para 1% de erro.

✓ O valor de t calculado (em valor absoluto) foi inferior ao

t tabelado a 1% (2,90 < 2,94), assim não rejeitamos H0 a
1%. Mas foi superior a 5% (2,90>2,13). Então rejeitamos
H0 a 5%. Isto quer dizer que as médias de número de
insetos capturados pelas duas armadilhas são diferentes
a 5% de probabilidade de erro.
 Intervalos com 95% de confiança da média
de número de insetos por armadilhas

18

17

16

15
IC (1 ; 0,95) = {10,6 ; 13,4}
14

13 IC (2 ; 0,95) = {12,9 ; 17,1}

12
Número de insetos

11

10

9
1 2
Armadilha
 Teste F – Análise de variância
(Comparação de duas variâncias)

✓Passo 1: Estabelecimento de Hipóteses

H0: σ𝟐𝟏 = σ𝟐𝟐 vs H1: σ𝟐𝟏 ≠ σ𝟐𝟐 Obs: σ𝟐𝟏 > σ𝟐𝟐

𝒔𝟐𝟏
✓ Passo 2: Obtemos a estatística do teste: Fcal =
𝒔𝟐𝟐

✓ Passo 3: Adotamos a Regra de decisão:

✓Rejeitamos H0, se Fcal ≥ Ftab ao nível α de probabilidade de
erro, para (n1-1) GL do numerador e (n2-1) GL do
denominador. Geralmente fixamos erro de 1% ou 5%.
✓Exemplo 1: Verificar se há igualdade nas variâncias de
número de insetos capturados por dois tipos de
armadilhas do exemplo de Intervalos de Confiança da
Média.
Temos as estimativas:

Armadilha 1: s12 = 4; n1=10; gl1 = 9;

Armadilha 2: s22 = 5; n2= 7; gl2 = 6

✓Passo 1: Hipóteses:
H0: σ𝟐𝟐 = σ𝟐𝟏 vs H1: σ𝟐𝟐 ≠ σ𝟐𝟏
 ✓Passo 2: Estatística do teste F:

𝟓
✓Fcal = = 1,25
𝟒
✓ Passo 3: Regra de decisão:

Para 6 e 9 GL os valores de F são: F5% = 3,37 e

F1% = 5,80

Como Fcal foi inferior ao Ftab a 5%, não rejeitamos

H0. Isto quer dizer que as duas variâncias são
iguais (homogêneas).
 Teste F – Análise de variância
(Experimento no delineamento inteiramente casualizado)

Exemplo 1: Sejam os dados de massa verde total da parte aérea de

três variedades de cana-de-açúcar (kg da parcela) de um ensaio
no delineamento inteiramente casualizado com sete repetições:
Repetição
Variedade
1 2 3 4 5 6 7 Total
1 12,1 12,9 10,8 11,7 12,9 12,5 13,1 86,00
2 12,4 13,9 12,8 13,6 12,7 12,8 12,6 90,80
3 14,2 12,8 14,2 14,7 12,9 13,5 14,4 96,70
Total 273,50
 Primeiro fazemos um quadro com o esquema
da análise de variância (Anova ou Anava)
Causas de Variação GL SQ QM Teste F
Tratamentos (I-1) SQT QMT QMT/QMR
Resíduo I(J-1) SQR QMR
Total IJ-1 SQTotal

I = número de tratamentos J = número de repetições

GL: Graus de liberdade SQ: Soma de quadrados
QM: quadrados médios
Obs.: toda a variação se deve aos tratamentos (fatores controlados) e ao
resíduo (dos fatores não controlados, ou do acaso).
A seguir fazemos os cálculos para preencher a tabela
da análise de variância

Vamos começar identificando cada valor dos dados experimentais:

y11 – é o valor da parcela do tratamento 1 na repetição 1 = 12,1

y12 – é o valor da parcela do tratamento 1 na repetição 2 = 12,9

.......................................................................................................................

y37 – é o valor da parcela do tratamento 3 na repetição 7 = 14,4

Assim, generalizamos

yij - é o valor da parcela do tratamento i na repetição j,

onde i = 1,2,3 e j = 1,2,...,7

Soma simples dos dados (Total geral):

σ𝒊𝒋 𝒚𝒊𝒋 = 𝑮 = 𝒚𝟏𝟏 + 𝒚𝟏𝟐 + ⋯ + 𝒚𝑰𝑱

G = 12,1 + ...+ 14,4 = 273,5

Correção = ₵ = G2/IJ = (273,5)2/21 = 3.562,0119

Soma de quadrados dos dados:

σ𝒊𝒋 𝒚𝟐𝒊𝒋 = 𝒚𝟐𝟏𝟏 + 𝒚𝟐𝟏𝟐 + ⋯ + 𝒚𝟐𝑰𝑱 = (12,1)2 + ...+(14,4)2 = 3.579,51

Soma de Quadrados Totais (SQTotal)

SQTotal = σ𝒊𝒋 𝒚𝟐𝒊𝒋 − ₵ = 3.579,51 – 3.562,0119 = 17,4981

Soma simples dos Tratamentos:

T1 = 86,0 ; T2 = 90,8 ; T3 = 96,7

Soma de Quadrados dos Tratamentos (SQT):

σ𝒊 𝑻𝟐𝒊 𝟖𝟔, 𝟎𝟐 + 𝟗𝟎, 𝟖𝟐 + 𝟗𝟔, 𝟕𝟐

𝐒𝐐𝐓 = −₵ = − 𝟑. 𝟓𝟔𝟐, 𝟎𝟏𝟏𝟗 = 𝟖, 𝟐𝟎𝟔𝟕
𝑱 𝟕
Soma de Quadrados do Resíduo (SQR)

SQR = SQTotal – SQT = 17,4981 - 8,2067 = 9,2914

Quadrados médios = Somas de quadrados / Graus de

Liberdade

QMT = SQT/GLT = 8,2067/2 = 4,1034

QMR = SQR/GLR = 9,2914/18 = 0,5162

Teste F = QMT/QMR = 4,1034/0,5162 = 7,95

 Teste F – Análise de variância

✓ Passo 1: Estabelecimento de Hipóteses

H0: µ1 = µ2 = ... = µI vs H1: Não H0 (Pelo menos duas médias de
tratamentos diferem entre si)
✓ Passo 2: Teste F para Tratamentos: Fcal = 7,95
✓Passo 3: Regra de decisão:

Rejeitamos H0, se Fcal ≥ Ftab ao nível α de probabilidade de erro,

para (n1-1) GL do numerador e (n2-1) GL do denominador

Ftab1% = 6,01 e Ftab5% = 3,55 . Rejeitamos H0 a 1%

Conclusão: Pelo menos duas médias de tratamentos

(variedades) diferem entre si ao nível de 1% de probabilidade de erro
✓Quadro da análise de variância (Anova ou Anava) e
Interpretação dos resultados

Causas de Variação GL SQ QM Teste F

Tratamentos 2 8,2067 4,1033 7,95**
Resíduo 18 9,2914 0,5162
Total 20 17,4981

✓ **: significativo a 1% de probabilidade de erro

✓ Pelo menos duas médias de TCH de Variedades diferem entre

si a 1% de probabilidade de erro
 Teste de Tukey
Comparação de médias de três ou mais tratamentos

✓ Passo 1: Estabelecimento de Hipóteses

H0: µi = µi´ vs H1: µi ≠ µi´

✓ Passo 2: Obtenção da diferença mínima significativa (Δ)

𝑸𝑴𝑹
Δ=q
𝑱

Onde: q é um valor tabelado (amplitude total estudentizada),

para I médias de tratamentos do ensaio e os GL do resíduo, ao
nível α de probabilidade de erro.
✓ Passo 3: estimamos todos os contrastes de médias
dos tratamentos:
Yii’ = mi – mi’
✓Passo 4: Regra de decisão: Rejeitamos H0, se | Yii’ | ≥ Δ
ao nível α de probabilidade de erro.
Exemplo1: Para o experimento com as 3
variedades de cana, vamos aplicar o teste de
Tukey a 1% de probabilidade:

Variedade Total Média I = 3 J = 7 QMR = 0,52 GLR = 18

1 86,0 12,3
2 90,8 13,0 q1%(3;18) = 4,7
3 96,7 13,8
 𝟎,𝟓𝟐
Δ 1% = 4,7 = 𝟏, 𝟑
𝟕

Contraste Estimativa
y12 = m1 -m2 -0,7 ns
y13 = m1 -m3 -1,5 **

y23 = m2 -m3 -0,8 ns

Conclusões:
- A média de V1 não difere da média de V2
- A média de V1 difere da média de V3 a 1% de probabilidade de erro
- A média de V2 não difere da média de V3
Uso de letras para interpretar os resultados

Variedade Média Tukey 1%

1 12,3 a
2 13,0 ab
3 13,8 b
Médias de variedades seguidas da mesma letra não diferem entre si
pelo teste Tukey a 1% de probabilidade de erro

Conclusões:

- A média de V1 não difere da média de V2

- A média de V1 difere da média de V3 a 1% de probabilidade de erro
- A média de V2 não difere da média de V3
 Teste de Dunnett
✓ É usado para comparar a média de cada tratamento com a
média de uma testemunha (controle ou padrão)

✓ Passo 1: Estabelecimento de Hipóteses

H0: µi = µi´ vs H1: µi ≠ µi´
(O tratamento i´ é a testemunha)
✓ Passo 2: Obtenção da diferença mínima significativa (D)
𝟐 𝑸𝑴𝑹
D = td
𝑱

Onde: td é um valor tabelado do teste de Dunnett, para (I-1)

médias de tratamentos do ensaio e os GL do resíduo, ao nível
α de probabilidade de erro.
✓ Passo 3: estimamos todos os contrastes de
médias dos tratamentos i com a média dos
tratamentos i´:
Yii’ = mi – mi’

✓Passo 4: Regra de decisão: Rejeitamos H0, se

| Yii’ | ≥ D ao nível α de probabilidade de erro.

 Exemplo1: Vamos considerar no experimento com
as 3 variedades de cana, que V1 seja a testemunha:

Variedade Total Média I = 3 J = 7 QMR = 0,52 GLR = 18

1 86,0 12,3
td1%(2;18) = 3,17
2 90,8 13,0
3 96,7 13,8 𝟐(𝟎,𝟓𝟐)
Δ 1% = 3,17 = 𝟏, 𝟐
𝟕

Contraste Estimativa Conclusões:

y12 = m1 -m2 -0,7 ns - A média de V2 não difere da
média de V1.
y13 = m1 -m3 -1,5 ** - A média de V3 difere da média de
V1 a 1% de probabilidade de erro.