Escolar Documentos
Profissional Documentos
Cultura Documentos
PRINCIPAIS CONCEITOS
TESTE DE HIPÓTESE
É uma regra de decisão para rejeitar ou não uma hipótese estatística com base nos elementos
amostrais. São dois os tipos de hipóteses:
Designa-se H 0 , chamada hipótese nula, a hipótese estatística a ser testada, e H1 , a hipótese
alternativa que afirma algo que contrarie H 0 . A hipótese nula é expressa por uma igualdade,
enquanto a hipótese alternativa é dada por uma desigualdade.
Para entender como um teste de hipótese funciona, suponha que estamos interessados em
verificar se o verdadeiro desempenho dos veículos (km/litro de combustível), de determinada marca,
equipados com motores 1.6 seja de 14km/l, como afirma o fabricante, ou se esta é inferior a 14km/l.
Então deve-se formular as seguintes hipótese estatísticas:
H 0 : µ = 14km / l
H 1 : µ < 14km / l
Para verificar a veracidade de Ho deve-se conduzir um experimento (coletar uma amostra), no
qual será medida o desempenho de vários carros dessa marca com motor 1.6, que fornecerão uma
estimativa do desempenho média, e sua variância, a partir das quais, verifica-se a veracidade da
hipótese Ho. Suponha que a amostra forneceu média de consumo de 13 km/l, com variância
4(Km/l)2. Pelo simples fato desta amostra ter apresentado uma média inferior a informada pelo
fabricante (14 km/l), não se pode concluir que esta afirmativa seja falsa, pois como já é sabido, esta
estimativa está sujeita a uma distribuição amostral. Precisamos saber se a média amostral é
significativamente inferior à média populacional, supondo que Ho seja verdadeira.
Caso a média amostral não seja significativamente inferior à média populacional, supondo
que Ho seja verdadeira, não haverá nenhuma razão para duvidar da veracidade de Ho. Nesta situação
dizemos que a diferença observada entre a média amostral (13 km/l) e a populacional (14 km/l) não
é significativa.
Caso a média amostral seja significativamente inferior à média populacional, supondo que Ho
seja verdadeira, há razões para acreditar que a verdadeira média populacional seja menor do que se
imaginava, ou seja, o verdadeiro desempenho deve ser menor que 14 km/l. Nesta situação, diz-se
que a diferença foi significativa, portanto a hipótese Ho deve ser rejeitada (o teste foi significativo).
Ou seja, a hipótese nula é tida como verdadeira se em sua avaliação não forem
encontrados indícios que a desaprovem, permanecendo assim até que se prove o contrário.
TIPOS DE ERROS
Há dois possíveis tipos de erros, quando realizamos um teste estatístico para rejeitar ou não
Ho: Podemos rejeitar Ho, quando ela é verdadeira, ou podemos não rejeitá-la, quando ela é falsa.
O erro de rejeitar Ho, sendo Ho verdadeira, é denominado Erro tipo I, e a probabilidade de se
cometer o Erro tipo I é designada por α.
Por outro lado, o erro de não rejeitar Ho, sendo Ho falsa, é denominado Erro tipo II, e a
probabilidade de cometer o Erro tipo II é designada por β. Para que um teste de hipótese seja
considerado bom deve-se ter uma pequena probabilidade de rejeitar Ho se esta for verdadeira, mas
também, uma grande probabilidade de rejeitá-la se ela for falsa.
Os possíveis erros e acertos de uma decisão com base em um teste de hipótese estatístico
estão sintetizados no quadro a seguir:
Realidade
Ho é verdadeira Ho é falsa
Rejeitar Ho ERRO TIPO I Decisão Correta
Decisão
Não rejeitar Ho Decisão Correta ERRO TIPO II
Observe: o Erro tipo I só poderá ser cometido quando se rejeitar Ho, enquanto o Erro tipo II
poderá ocorrer quando não se rejeitar Ho.
O tomador de decisão deseja, obviamente, reduzir ao mínimo as probabilidades dos dois tipos
de erros. A redução simultânea, dos erros poderá ser alcançada pelo aumento do tamanho da
amostra, evidentemente, com aumento dos custos e do tempo da pesquisa. Para um mesmo tamanho
de amostra, a probabilidade de incorrer em um Erro tipo II aumenta à medida que diminui a
probabilidade do Erro tipo I, e vice-versa.
Para compreender o relacionamento dos erros e suas dimensões, vamos idealizar uma
configuração a partir de um exemplo:
Desejamos testar Ho: µ = 14km/l contra H1: µ < 14km/l do exemplo anterior. Sabemos que a
população é normalmente distribuída, que a variância da amostra foi de 4(Km/l) 2 e que a amostra é
de tamanho 9. Para valores de X próximos de 14, temos que Ho não será rejeitada. Como H1: µ <
14km/l , então devemos ter um limite crítico à esquerda para valores de X . Dessa forma, usando a
distribuição de X (t-Student com 8 graus de liberdade) e atribuindo valores para α podemos
calcular o valor x tal que P ( X < x ) = α . Fazendo α = 5%, teremos x = 14 − 1,8595 23 ≅ 12,76 .
Rejeitar Ho, quando X < 12,76. Não rejeitar Ho, quando X ≥ 12,76.
Teste para a Média Populacional de uma população Normal quando o Desvio Padrão da
População é conhecido.
X −µ
Neste caso a estatística de teste é dada por: Z = ~ N (0,1)
σ n
Exemplo: Um fabricante de fio de arame alega que seu produto tem uma resistência média à
ruptura superior a 10 Kg, com desvio padrão de 0,5 Kg. Um consumidor resolve testar essa
afirmativa. Extrai uma amostra de 50 peças de arame, a qual acusou média de 10,4 Kg. Com α =
0,05 é possível afirmar que é válida a alegação do fabricante?
H 0 : µ ≤ 10 H 0 : µ = 10
Solução: ou (teste unilateral à direita)
H1 : µ > 10 H1 : µ > 10
A região crítica será do tipo: (ztab, +∞), pois o teste é unilateral à direita e a distribuição da
estatística de teste é normal. O valor ztab será tal que P(Z>ztab)=5%. Logo, ztab=1,645 e a RC = (1,645;
+∞). Sob a hipótese nula, o valor da estatística de teste será:
x−µ 10,4 − 10
z= = = 5,66
σ n 0,5 50
Decisão: Como 5,66 é maior que 1,645, ou seja, 5,66 pertence à região crítica, devemos
rejeitar H 0 com risco de 5%, ou seja, há evidência de que a resistência média seja superior a 10 Kg,
como alegado pelo fabricante.
Teste de Hipóteses para a Média Populacional de uma população Normal com desvio padrão
populacional desconhecido
X −µ
Neste caso a estatística de teste é dada por: t = ~ t ( n −1)
s n
Exemplo: Os registros dos últimos anos de um colégio atestam para os calouros admitidos
uma nota média 115 (teste vocacional). Para testar, com nível de significância de 5%, a hipótese de
que a média de uma nova turma é a mesma das turmas anteriores, retirou-se, ao acaso, uma amostra
de 20 notas, obtendo-se média 118 e desvio padrão 20. Podemos considerar que a média mudou?
H 0 : µ = 115
Solução: (teste bilateral)
H 1 : µ ≠ 115
A região crítica será do tipo: (-∞, -ttab)∪(ttab, +∞), pois o teste é bilateral e a distribuição da
estatística de teste é t-Student com 19 graus de liberdade. O valor ttab será tal que P(-ttab<t<ttab)=95%.
Logo, ttab=2,093 e a RC = (-∞, -2,093)∪(2,093, +∞). Sob a hipótese nula, o valor da estatística de
teste será:
x−µ 118 − 115
t= = ≅ 0,67
s n 20 20
Como o valor calculado 0,67 não pertence à RC, então não podemos rejeitar H 0 com nível de
significância de 5%, ou seja, não rejeitamos que a média da nova turma seja igual a 115.
Proporção: Uma fração ou porcentagem que indica uma parte da população ou da amostra que
tem um particular traço de interesse. A proporção amostral é denotada por p onde:
Exemplo: Um jornal alega que 25% dos seus leitores pertencem à classe A. Se em uma amostra de
740 leitores encontramos 156 de classe A, qual a sua decisão a respeito da veracidade da alegação
veiculada pelo jornal com 5% de significância?
H 0 : p = 0, 25 156
p= = 0, 21
H1 : p ≠ 0, 25 740
A região crítica será do tipo: (-∞, -ztab)∪(ztab, +∞), pois o teste é bilateral e a distribuição da
estatística de teste é normal. O valor de ztab será determinado de tal forma que P(-ztab<Z<ztab)=95%.
Logo, ztab=1,96 e a RC = (-∞, -1,96)∪(1,96, +∞). Sob a hipótese nula, o valor da estatística de teste
será:
0, 21 − 0, 25
zc = = −2,52
0, 25.0, 75
740
Como -2,52 < -1,96 (valor limite da região crítica) então rejeitamos H 0 , ou seja, a proporção de
leitores de classe A é diferente de 25%, com α = 0,05.
(n − 1) s 2
A Estatística do teste será: ~ χ (2n −1)
σ 2
Exemplo: Para avaliar certas características de segurança de um carro, um engenheiro precisa saber
se o tempo de reação dos motoristas a uma determinada situação de emergência tem variância de
0,0001 , ou se é superior a 0,0001. Se o engenheiro obtém s = 0,014 para uma amostra de tamanho n
= 15, qual é a sua conclusão ao nível de 0,05 de significância?
H 0 : σ 2 ≤ 0, 010 H 0 : σ 2 = 0, 010
ou
H1 : σ > 0, 010 H1 : σ > 0, 010
2 2
A região crítica será do tipo: ( χ sup , +∞), pois o teste é unilateral à direita e a distribuição da
2
estatística de teste segue a distribuição do qui-quadrado com 14 graus de liberdade. O valor χ sup
2
palavras, o engenheiro pode concluir que a variância dos tempos de reação dos motoristas a
determinada situação de emergência é superior a 0,0001, com significância de 5%.