Testes t Unilaterais para a Média.

Considerando que, se X∼N ( μ ; σ 2) e X 1, X 2 , . . . , X n é uma a.a. da

variável aletória X, a variável aleatória t= √ n[ X̄− μ ]/ S , sendo X̄ eS a
média e o desvio padrao da amostra, tem “distribuicao t de Student com
(n -1) graus de liberdade”.

(1) Teste de H 0 : μ ⩽μ 0 “contra” H 1 : μ > μ0 , ou H 0 : μ −μ 0⩽0 X H 1 : μ− μ0> 0 .

Se H 1 : μ− μ0 > 0 ( “hipótese alterna va”) for Verdadeira (portanto, Ho for

Falsa), t = √ n[ X̄− μ 0 ]/S tende a ter valores posi vos distantes de zero.
Logo, valores “grandes” posi vos de t são considerados evidências contra
H 0 : μ ⩽μ 0 .

t (n-1; a)

Regra de Decisao: Rejeitar H 0 : μ ⩽μ 0 , ao nível de significância α, se

t > tn-1, α . ( Um Teste t Unilateral ).
Exemplo_1. Se de uma a.a. de n = 16 eixos avaliados, a média e desvio
padrao ob dos foram 30.2 mm e 0.25 mm, ao nível de significância 0.05,
devemos rejeitar Ho: μ ≤ 30.0 mm ??
Como t =|√ n [ X−μ 0 ]/ S| = √16 [30.2−30.0]/0.25 = 3.20 > 1.753 = t15, 0.05 , ao
nível de significância 0.05 devemos rejeitar Ho: μ ≤ 30.0 mm .
Ainda, também, p-valor = P[ t15 > 3.20 ] = 0.003 < < < 0.05 (p-valor bem
pequeno, forte evidência contra Ho).

(2) Teste de H 0 : μ ⩾μ 0 “contra” H 1 : μ < μ0 , ou H 0 : μ −μ 0⩾0 X H 1 : μ− μ0< 0 .

Se H 1 : μ − μ 0 <0 ( “hipótese alterna va”) for Verdadeira (portanto, Ho for

Falsa), t = √ n[ X̄− μ 0 ]/S tende a ter valores nega vos distantes de zero.
Assim, valores “grandes” nega vos de t são considerados evidências
contra H 0 : μ ⩾μ 0 .

t(n-1; a)

Regra de Decisao: Rejeitar , H 0 : μ ⩾μ 0 ao nível de significância α, se

t < - tn-1, α .
Exemplo_2. Se de uma a.a. de n = 12 eixos avaliados, a média e desvio
padrao ob dos foram 29.8 mm e 0.25 mm, ao nível de significância 0.05,
devemos rejeitar Ho: μ > 30.0 mm ??
Como t =|√ n [ X−μ 0 ]/ S| = √12 [29.8−30.0]/ 0.25 = -2.77 < - 1.753 = - t11, 0.05 ,
ao nível de significância 0.05 devemos rejeitar Ho: μ > 30.0 mm .
Ainda, também, p-valor = P[ t11 < -2.77 ] = 0.009 < < < 0.05 (p-valor bem
pequeno, forte evidência contra Ho).
--------------------------------------------------------------------------------------------------
Inferência para uma Proporcao Populacional p.
Para cada indivíduo: 1,2,…,n; de uma amostra aleatória (a.a.) de n
indivíduos, define-se: Xi = 1, se “sucesso”; Xi =0, se “falha”; P(Xi = 1) = p e
P(Xi = 0) = 1 - p .
X 1 +. . .+X n
Da amostra aleatória, ^p= =X : Proporcao Amostral.
n
p(1− p)
Pelo Teorema Central do Limite, ^p≈ N ( p ; ) , se n for grande .
n

Intervalo de confianca para a proporcao p.

p^ − p
Como Z= ≈ N (0 ; 1) , quando n é (razoavelmente) grande ,
^p ( 1− p^ )
√ n

Distribuicao de Probabilidade N(0; 1)

0 .3 0 .4
p (z )

0 .1 0 .2
0 .0

-3 -2 -1 0 1 2 3

Z
 ^p (1− p^ )
então, o Intervalo de 100(1 - α)% de Confianca para p é : ^p± zα /2
√ n
,

sendo zα/2 o quan l α/2 superior da distribuicao N(0; 1).

Teste Z para a proporcao populacional p.

Se n for (razoavelmente) grande:

(i) Para H 0: p= p0 “contra” H 1 : p≠ p0 : Rejeitar H 0 : p=p 0 ao nível de

significância α, se |Z| > zα/2 .

(ii) Para H 0 : p⩽p 0 “contra” H 1 : p> p0 : Rejeitar H 0 : p⩽p 0 ao nível de

significância α, se Z > zα .

(iii) Para H 0 : p⩾ p0 “contra” H 1 : p < p0 : Rejeitar H 0: p⩾ p0 ao nível de

significância α, se Z < - zα .

Exemplo_3. Se de uma a.a. de n = 72 eixos avaliados de uma linha de

producao con nua, 6 não atendem alguma das suas especificacoes. Ao
nível de significância 0.05, devemos rejeitar a hipótese que essa linha de
producao dos eixos tem no máximo 0.04 (4%) de eixos não conformes ??

Para testar H 0 : p⩽0.04 “contra” H 1 : p>0.04 , considerando nível de

[0.833−0.04]
significância 0.05, calculamos Z= =1.33 e z0.05 = 1.645.
√ 0.833(0.167)/ 72
Como z = 1.33 < 1.645 = z0.05 , ao nível de significância 0.05, não podemos
rejeitar Ho: p ≤ 0.04.
Ainda, p_valor = P[ Z > 1.33 ] = P[ Z < -1.33 ] = 0.092, o qual não é
suficientemente pequeno para considerá-lo evidência suficiente contra Ho.
--------------------------------------------------------------------------------------------
Teste t de Student pelo Pacote Esta s co R.
Este teste para uma média é executado através da funcao “t.test” do
pacote “stats”, que já fica disponível na abertuta do pacote R. A funcao
“t.test”requer como argumentos: x: vetor dos dados, valor especificado µo
da média na hipótese nula, nível de significância e forma da hipótese
alterna va, na seguinte estrutura:
t.test(x, y = NULL,
alterna ve = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE,
conf.level = 0.95, …)

Exemplo_1. Para calcular o intervalo de 95% de confianca e, com nível de

significância 0.05 (5%), testar a hipótese que o comprimento médio de um
po de parafuso não ultrapassa 11.0 mm, os valores de comprimento de
16 desses parafusos, que foram escolhidos aleatoriamente e que foram
medidos, são colocados no vetor “x” e o teste executado de maneira bem
simples com os argumentos da funcao “t.test” como a seguir. O
preencimento do conf.level = 0.95 não é ncessário, já que ele é predefinido
como padrao.
x = c(8.5, 9.9, 8.0, 8.7, 12.7, 9.4, 10.5, 9.0, 11.0, 12.1, 9.7, 11.2, 12.9,
13.5, 11.4, 12.2 )
t.test(x, alterna ve = "greater", mu = 11.0 )
## Como “saída” ou resultado da análise/ procedimento temos:

One Sample t-test

data: x
t = -0.7728, df = 15, p-value = 0.7742
alterna ve hypothesis: true mean is greater than 11
95 percent confidence interval:
9.917334 Inf
sample es mates:
mean of x
10.66875

OBS: Note que p-value = P[ t15 > -0.7728 ] = 0.7742 > . . .> 0.05 não é
pequeno (< 0.05), logo não há evidência suficiente nos dados da amostra
para rejeitar Ho : mu = 11.0.