1

MATERIAL DE AULA

Teste de hipóteses
- Média, Proporção e Variância -

Profª Drª Cristiane Albuquerque

UFRPE/ DEINFO
 2

TESTE DE HIPÓTESES

Em Estimação o objetivo é “estimar” o valor desconhecido de uma determinada

característica em uma população.
Por exemplo, para estimar a média μ da população, a estimativa é baseada na média de
elementos com a característica, calculada a partir de uma amostra casual simples de
tamanho n (estimativa pontual).
Entretanto, se o objetivo for saber se o valor observado nessa amostra, dá ou não suporte a
uma suposição sobre o valor de μ, estamos falando sobre testar hipóteses.
Nos dois casos, faremos uso da Inferência Estatística1..

1.
Inferência Estatística é o conjunto de métodos de análise estatística que permitem tirar
conclusões sobre uma característica da população com base em somente uma parte dela
(uma amostra). Podemos dizer que a inferência estatística trata de métodos que permitem a
obtenção de conclusões sobre um ou mais parâmetros de uma ou mais populações através
de quantidades (estimadores) calculadas a partir da(s) amostra(s). Os métodos de inferência
são agrupados da seguinte forma: a. Estimação: pontual ou intervalar; b. Testes de
Hipóteses.

Como exemplo, vamos supor que o ganho de peso médio em frangos de corte seja de 500
g/semana. Vamos admitir que se pretende testar um tipo de confinamento alternativo cujo
ganho de peso esperado seja maior que 500 g/semana.
Podemos observar que o objetivo será o de testar se o ganho de peso do método tradicional
é igual ao ganho de peso do método alternativo.

Outros exemplos:

 O tratamento A apresenta melhores resultados do que o tratamento B.

 A proporção de caras em lançamentos de moedas é de 0,50.

Mas, o que vem a ser um Teste de Hipóteses?

Definição: É uma regra de decisão utilizada que nos possibilita decidir por H0 ou H1,
com base a informação contida na amostra, rejeitar ou não uma hipótese estatística com
base em elementos amostrais.
Hipóteses: Uma hipótese estatística é uma afirmação ou conjetura sobre o
parâmetro, ou parâmetros, da distribuição de probabilidades de uma característica, X, da
população ou de uma v.a.
Teremos sempre duas hipóteses, H0 (Agá-zero), que é a hipótese nula e H1 (hipótese
alternativa). Geralmente a hipótese alternativa (H1) representa a suposição que o
 3

pesquisador quer provar, sendo a hipótese nula (H0) formulada com o expresso propósito de
ser rejeitada.

Tipos de erro: Dois tipos de erro podem ser cometidos num Teste de Hipóteses:

Erro Tipo I (α) → A hipótese nula é verdadeira e o pesquisador a rejeita.

Erro Tipo II (β) → A hipótese nula é falsa e o pesquisador não a rejeita.

Qual dos dois tipos de erro é o mais grave e que deve ser evitado?

Façamos uma analogia com a decisão de um Juiz de Direito: o que será mais grave?
Condenar um inocente ou absolver um culpado? É claro que será mais grave a condenação
de um inocente. Rejeitar a hipótese nula sendo ela verdadeira equivale a condenar um
inocente, logo o Erro Tipo I é o mais grave e deverá ser minimizada a probabilidade deste
tipo de erro ser cometido. Essa probabilidade chama-se Nível de Significância do Teste,
dado por α. Já a probabilidade de β do Erro Tipo II não pode ser calculada, a menos que se
especifique um valor alternativo para μ. O poder ou potência do teste é dado por (1 − β).

Podemos resumir as possibilidades do Teste num quadro:

 4

TESTE DE HIPÓTESES para MÉDIA POPULACIONAL

Tipos de Teste de Hipóteses para a Média:

1) Bicaudal ou Bilateral

H0: μ = μ0
H1: μ ≠ μ0
Onde: μ é a média populacional e μ0 é o valor suposto para a média populacional.

Gráfico do teste bilateral:

Onde:
R.N.R. é a região de não rejeição (da hipótese nula) e
R.C. é a região crítica ou região de rejeição.

A fronteira entre essas regiões será dada por um valor tabelado (Tabela da Distribuição
Normal ou da Tabela da Distribuição t-Student), como veremos mais adiante.
 5

2) Teste Unicaudal ou Unilateral à direita

H0: μ = μ0
H1: μ > μ0
Gráfico do teste:

3) Teste Unicaudal ou Unilateral à esquerda

H0: μ = μ0
H1: μ < μ0
Gráfico do teste:

OBSERVAÇÃO

Repare que na hipótese nula sempre temos uma igualdade (=) e na hipótese alternativa uma
desigualdade (<, > ou ≠).
 6

Tipo de Distribuição: Normal ou t-Student?

Qual a distribuição que deveremos usar para determinar o valor tabelado que será a
fronteira entre as regiões de não rejeição e rejeição? Para esclarecer melhor, vamos fazer o
seguinte quadro:

Vemos então, que só iremos utilizar a Distribuição t-Student (chamada de distribuição das

pequenas amostras) quando a amostra for pequena (o número de elementos é inferior a 30)

e a variância populacional for desconhecida. Se a amostra for grande (a partir de 30

elementos), pouco importará ser conhecida a variância populacional e usaremos a Tabela

da Distribuição Normal para arbitrar o valor ZTAB (Z tabelado).

Reforçando:

 Na maior parte dos casos usaremos a Distribuição Normal, pois basta que uma das

condições seja atendida: amostra grande (n ≥ 30) ou variância populacional

conhecida.

 Para usar a Distribuição t-Student, duas condições terão de acontecer

simultaneamente: amostra pequena (n < 30) e variância populacional desconhecida.

 7

Para procedermos ao teste, além de conhecer o valor tabelado (ZTAB, se usarmos a

Distribuição Normal ou tTAB se usarmos Distribuição t-Student), temos que encontrar o

valor calculado (ZCALC ou tCALC), dado por:

Gráfico da distribuição adequada

Supondo que usaremos a Distribuição Normal Padrão (Z):

1) Para o teste bilateral:

 8

2) Para o teste unilateral à direita:

3) Para o teste unilateral à esquerda:

OBSERVAÇÃO

O mesmo raciocínio vale para os casos em que usarmos a Distribuição t-Student, com a
diferença que compararemos tCALC com tTAB.
 9

Roteiro

Para facilitar, vamos fazer o seguinte passo a passo:

1º Passo: Pelo enunciado do problema, estabelecer a Hipótese Nula (H0) e a

Hipótese Alternativa (H1);

2º Passo: Também pelos dados do enunciado, definir a distribuição a ser utilizada

(Normal ou t-Student);

3º Passo: Utilizando a Tabela Normal Padrão ou a Tabela t-Student, encontrar o

valor de ZTAB ou tTAB;

4º Passo: Fazer o desenho da curva, plotando no eixo das abscissas o valor

tabelado, que será a fronteira entre a área de não rejeição (RNR) e a(s) área(s) de rejeição

(RC-Região Crítica);

5º Passo: Calcular a estatística teste (ZCALC ou tCALC) utilizando uma das fórmulas

dadas anteriormente.

6º Passo: Comparar o valor calculado com o valor tabelado e concluir pela não

rejeição ou rejeição da Hipótese Nula.

 10

Usando as tabelas

Antes de partimos para os exemplos, vamos praticar um pouco o uso das tabelas
com os principais níveis de significância (α) geralmente adotados:

I) Na Tabela da Distribuição Normal Padrão:

I.1) Para o Teste Bilateral:

I.1.a) Se α = 1%, teremos α/2 = 0,5% = 0,005 (para cada lado) e a área de não rejeição
será de 99% (0,99).
Para localizar a probabilidade de 0,9950 na Tabela Normal, temos 0,9949 para uma
abscissa de 2,57 e 0,9951 para uma abscissa de 2,58.
Logo, por interpolação (Interpolar significa determinar os números reais existentes entre os
valores dos extremos de uma sequência numérica ), a abscissa correspondente à área de
0,995 será a média das duas abscissas, ou seja, 2,575. Mas para facilitar, vamos adotar
no teste bilateral, quando α = 1%, ZTAB = 2,58.

Vejamos o gráfico da curva normal:

Não rejeitaremos H0 se: -2,58 < ZCALC < 2,58

 11

I.1.b) Se α = 5%, teremos α/2 = 2,5% = 0,025 (para cada lado) e a área de não rejeição
será de 95% (0,95). Verificamos, na Tabela Normal, que uma área de 0,975 corresponde
à abscissa 1,96. Logo, no teste bilateral, quando α = 5% então Z TAB=1,96.

Vejamos o gráfico da curva normal:

Não rejeitaremos H0 se: -1,96 < ZCALC < 1,96

 12

I.1.c) Mesmo raciocínio para α = 10%, α/2 = 5% = 0,05 (para cada lado). Área de não
rejeição igual a 0,90. Na Tabela Normal uma área de 0,9495 corresponde à abscissa
1,64 e uma área de 0,9505 corresponde à abscissa de 1,65. Logo, usando interpolação,
a abscissa seria 1,645. Mas, para facilitar vamos adotar no teste bilateral, quando α =
10%, ZTAB = 1,64. Vejamos o gráfico da curva normal:

Não rejeitaremos H0 se: -1,64 < ZCALC < 1,64

I.2) Para o teste unilateral (vamos considerar apenas o teste à direita, sabendo que vale o
raciocínio para o teste à esquerda, bastando inverter os lados).

I.2.a) Se α = 1% (0,01), a área de não rejeição será de 99% (0,99) à esquerda. Logo,
queremos a abscissa correspondente a uma área de 0,99. Verificando, na Tabela
Normal, o valor mais próximo é de 0,9901, correspondente à uma abscissa de 2,33.
Assim, no teste unilateral à direita, quando α = 1%, teremos Z TAB = 2,33. E no teste
unilateral à esquerda para o mesmo α, -ZTAB = -2,33. Vejamos o gráfico da curva normal:
 13

I.2.b) Se α = 5% (0,05), teremos área de não rejeição = 0,95 à esquerda. Procuraremos,

na tabela normal a área de 0,95, que corresponde à abscissa de 1,64. Portanto, no teste
unilateral à direita, quando α = 5%, então Z TAB = 1,64 e no teste unilateral à esquerda
para o mesmo α, -ZTAB = -1,64. Vejamos o gráfico da curva normal:

I.2.c) Se α = 10% (0,10), área de não rejeição = 0,90 à esquerda. Na Tabela Normal o
valor mais próximo de 0,90 é de 0,8997, que corresponde à abscissa de 1,28. Portanto,
no teste unilateral à direita, para α = 10%, Z TAB = 1,28 e no teste unilateral à esquerda, -
ZTAB = -1,28. Vendo o gráfico da curva normal:
 14

II) Na Tabela da Distribuição t-Student:

Nesta tabela, temos que levar em consideração dois parâmetros: α (alfa), que é o
nível de significância e ϕ (fi) que é o número de “graus de liberdade” (g.l.), dado por: n
(número de elementos da amostra) menos 1 unidade ou seja: ϕ = n – 1.
Temos que ter atenção também para o tipo de tabela, que pode ser: bilateral ou
unilateral. Aqui, a tabela que usaremos é bilateral, como pode ser notado no desenho da
curva na própria tabela (no final deste resumo). Assim, no teste bilateral o α da tabela será o
próprio α utilizado no teste. Mas para o teste unilateral teremos que procurar, nesta tabela, o
dobro do α.
II.1) Teste bilateral, supondo uma amostra de 25 elementos (n = 25).
Então, ϕ = 25 – 1  ϕ = 24.
Como é um teste bilateral, para um α = 5%, vemos na tabela que a célula interseção de α =
0,025 e ϕ = 24 nos fornece 2,064. Portanto: tTAB = 2,064 para α = 5% e n = 25. Vejamos o

gráfico:
 15

II.2) Agora, se o teste for unilateral, com o mesmo tamanho de amostra, e o mesmo α,
poderemos pegar diretamente a interseção de α=0,05 com ϕ = 24, que fornecerá tTAB =

1,711. Vejamos o gráfico:

Aqui, neste resumo foi mostrado apenas os princípios básicos do que seja um Teste de
Hipóteses e o Teste de Hipóteses para a Média, Mas há outros tipos de Testes de
Hipóteses, como: Teste de Hipóteses para a Proporção, Teste de Hipóteses para a
Variância, Teste de Hipóteses para a Diferença entre Médias e outros tipos. Os mesmos
princípios descritos no início deste resumo aplicam-se aos demais testes. O que muda é a
forma de cálculo da estatística teste e as tabelas a serem utilizadas. Por exemplo, no Teste
de Hipóteses para a Variância, a Tabela a ser utilizada é a da Distribuição de Qui-Quadrado;
já no Teste de Hipóteses para a Proporção utilizamos apenas a Tabela da Distribuição
Normal, já vista aqui.
Vamos aos exemplos:
 16

EXEMPLO 1: Uma amostra de 36 elementos de uma variável X normalmente distribuída

forneceu: média amostral de 42,3 e desvio padrão amostral de 5,2. Testar, no nível de
significância 0,05, a hipótese de que μ > 40.
Resolução: Seguindo o roteiro, temos:
1º passo: H0: μ = 40;
H1: μ > 40 (teste unilateral à direita);
2º passo: a amostra é grande (n ≥ 30). Logo, usaremos a Tabela Normal;
3º passo: o teste é unilateral, com α = 0,05. Logo, para uma área de 0,95  ZTAB=1,64.
4º passo: desenhar a curva, plotando ZTAB;

EXEMPLO 2: Uma amostra de 20 elementos de uma variável X normalmente distribuída

forneceu: média de 53,4 e S = 7,5. Testar, no nível de significância 0,05, a hipótese de que μ
= 50.

Resolução:
Hipóteses:
H0: μ = 50;

H1: μ ≠ 50 (teste bilateral);

A amostra é pequena (n < 30) e σ (desvio padrão populacional) é desconhecido. Logo, a

distribuição a ser utilizada é a t-Student, com n = 20 ⇒ ϕ = 19 e α = 0,05. Consultando a
tabela, encontraremos tTAB = 2,093. Desenhando a curva, temos:
 17

EXEMPLO 3: Uma indústria produz lâmpadas cuja duração segue uma distribuição
NORMAL onde N ~ (800;1.600). Testar a hipótese de que μ = 800 contra a alternativa de μ ≠
800 se uma amostra aleatória de 30 lâmpadas tem um tempo médio de vida de 788 horas.
Adotar α = 0,05.

Resolução: As hipóteses já estão no enunciado:

H0: μ = 800;

H1: μ ≠ 800 (teste bilateral);

Além da amostra ter 30 elementos, a variância populacional é conhecida,

2
σ = 1.600  σ = 40.
α = 0,05  0,025 de cada lado, pois o teste é bilateral. Para uma área de 0,95, ZTAB= 1,96.
Desenhando a curva, temos:
 18

EXEMPLO 4: Uma amostra de tamanho n = 18 de população normal tem média 31,5 e

desvio padrão S = 4,2. Ao nível de significância de 5%, estes dados sugerem que a média
populacional seja superior a 30?
Resolução:
Hipóteses:
H0: μ = 30;
H1: μ > 30 (teste unilateral à direita);
Amostra pequena (n = 18) e σ desconhecido. Logo, t-Student, com ϕ = 17 e α = 0,05. Para
este α e ϕ = 17 a tabela fornece: tTAB=1,740.
Desenhando a curva, temos:
 19

EXEMPLO 5: Em uma amostra de 10 elementos a média da amostra observada foi de 230.

Sabe-se que a variância da população é igual a 160. Testar a hipótese de μ = 218 contra a
alternativa μ > 218 ao nível de significância de 10%.

Resolução: As hipóteses já estão no enunciado:

H0: μ = 218;

H1: μ > 218 (teste unilateral à direita);

A amostra é pequena, mas a variância populacional é conhecida. Por isso, usaremos a

Distribuição Normal. O teste é unilateral, com α = 0,10. Logo, para uma área de 0,90
encontraremos, na Tabela Normal ZTAB= 1,28.
Desenhando a curva, temos:

EXEMPLO 6: O diâmetro médio de parafusos em uma amostra de 400 parafusos forneceu o

valor de 25mm. Sendo 4mm o desvio padrão do processo de fabricação, pode-se afirmar, ao
nível de significância de 5%, que o diâmetro médio de todos os parafusos seja inferior a
25,4mm?
Resolução: Temos n = 400; X = 25; σ = 4; α = 5%.
Hipóteses:
 20

H0: μ = 25,4;
H1: μ < 25,4 (teste unilateral à esquerda);
Distribuição: Normal, pois n = 400 (amostra grande). Teste unilateral à esquerda, com α =
0,05. Então, para uma área de 0,95 encontraremos, na Tabela Normal -ZTAB= -1,64.

EXEMPLO 7: Um ensaio de tensões de ruptura de 6 cabos produzidos por uma companhia

mostrou a tensão média de ruptura de 7.750kg e o desvio padrão de 145kg, ao passo que o
fabricante declara que aquela tensão média é de 8.000kg. Será verdadeira a declaração do
fabricante, ao nível de significância α = 0,05?

Resolução: Neste problema as hipóteses não estão explícitas no enunciado e aqui

deveremos interpretá-lo. O que o pesquisador irá querer provar? Que o fabricante está
falando a verdade ou que está mentindo? Falamos anteriormente que H1 representa a

suposição que o pesquisador quer provar, sendo H0 formulada com o expresso propósito de

ser rejeitada.
Logo, as hipóteses serão:
H0: μ = 8.000 (afirmação do fabricante);

H1: μ < 8.000 (suposição do pesquisador);

A amostra é pequena (n = 6) e σ desconhecido. Logo, t-Student, com ϕ = 5 g.l. e α = 0,05.

Portanto, o nosso t tabelado (tTAB) será a célula interseção de ϕ = 5 com α = 0,05, ou seja:
- tTAB= - 2,015.
 21

EXEMPLO 8: Suponhamos que em indivíduos normais quanto à visão, a pressão intra-ocular seja
uma variável aleatória normalmente distribuída com média 20 e variância 4 (em unidade de mm de
mercúrio). Um cientista, querendo por à prova a sua hipótese de que o glaucoma causa um aumento
tencional, mediu as pressões de 16 pacientes portadores de glaucoma, obtendo uma média igual a
24. O cientista deve ou não manter sua hipótese, ao nível de significância α = 0,005?
Resolução: Novamente, vamos interpretar o enunciado. O que o cientista quer provar?
Que o glaucoma causa aumento da pressão.
Logo, a hipótese alternativa (que o cientista quer provar) é que a média é superior a 20.
Portanto, as hipóteses são:
H : μ = 20;
0

H : μ > 20 (teste unilateral à direita);

1
2
Temos: n = 16; X = 24; μ = 20; σ = 4; α = 0,005.
2
A amostra é pequena, mas a variância populacional é conhecida (σ = 4) e σ = 2.
Portanto, usaremos a Tabela Normal, onde a área de 0,995 corresponde a uma abscissa de 2,58.
Logo, ZTAB = 2,58.
 22

EXEMPLO 9: Os graus dos alunos de Estatística têm sido baixos, com média de 5,2 e
desvio de 1,2. Com um curso de revisão ministrado pelo professor Joselias, pretende-se
aumentar o rendimento dos alunos. Entre 36 alunos que freqüentaram tal curso, a média foi
de 6,4. Pode-se dizer, ao nível de significância de 8%, que o curso é eficiente?

Resolução: Temos n = 36; X = 6,4; μ = 5,2; σ = 1,2; α = 0,08.

Hipóteses:
H0: μ = 5,2;

H1: μ > 5,2 (teste unilateral à direita);

Tabela: Normal, pois n = 36 (a amostra é grande). Para α = 0,08 teremos Z TAB =1,41,
abscissa correspondente à área de 0,92.
 23

EXEMPLO 10:
Em uma distribuição de sinistro S, formulando-se a hipótese de que não há diferença entre a
freqüência esperada e a observada (hipótese nula: H0). Donde, segundo um determinado

nível de significância, podemos afirmar que ocorreu

(a) um erro do tipo I, se for aceita a hipótese H0.

(b) um erro do tipo II, se for rejeitada a hipótese H0.

(c) um erro do tipo I, se for aceita a hipótese H0, sendo esta correta.

(d) um erro do tipo II, se for rejeitada a hipótese H0, sendo esta correta.

(e) um erro do tipo I, se for rejeitada a hipótese H0, sendo esta correta.

RESPOSTA: GABARITO LETRA E.

Questão teórica facílima. Basta ver o quadro à página 1 deste resumo para encontrar a
resposta.
24
25
26
27
28
29
30
31
32
33
 34

TESTE DE HIPÓTESES PARA VARIÂNCIA

Definição: Para aplicar o teste para a variância é necessário supor a normalidade da população de
onde será extraída a amostra.
Este teste apresenta o método para a realização de um teste de hipótese de um problemática sobre
o desvio padrão populacional σ, ou uma variância populacional σ 2 e a distribuição usada será a qui-
quadrado. Nos Testes de hipóteses para a variância populacional, os dados amostrais também se
apresentam em forma de medida, como no Teste de Hipóteses para Média populacional.
Veremos a seguir as hipóteses, a estatística do teste e os valores críticos:

Poderemos ter então, nos Testes de hipóteses para Variância, as seguintes hipóteses:

1) Para o teste Bicaudal ou Bilateral:

Hipótese Nula H0: 2 = 20

Hipótese Alternativa H1:2  20
Onde: 20 é o valor alegado para a variância populacional

2) Para o teste Unilateral à direita:

Hipótese Nula H0: 2 = 20

Hipótese Alternativa H1:2  20

3) Para o teste Unilateral à esquerda:

Hipótese Nula H0: 2 = 20

Hipótese Alternativa H1:2  20

Após determinar qual o teste adequado para a problemática, deve-se


fixar  e calcular a Estatística do teste  com (n-1) graus de liberdade.
 35

Calculando a Estatística do teste ( ):

( )
  ( )


onde: n é o tamanho da amostra;

S2 é a variância amostral;
20 é o valor alegado para a variância populacional;
 ( ) é o qui-quadrado calculado.

Usando a tabela do Qui-quadrado (2):

Para obter o valor crítico 2 na tabela e comparar com a Estatística do teste  ( ), devemos
distinguir os seguintes casos de acordo com as hipóteses vistas na página anterior.

1. Se H1: 2  20
( ( )  )
Teremos dois valores para as regiões críticas (RC)
( ( )  )

2. Se H1: 2  20

A região crítica será dada por: ( ( )  )

3. Se H1: 2  20

A região crítica será dada por: ( ( )  )

Relembrando como usar a tabela Qui-quadrado (2):

Como mencionado anteriormente, usaremos a tabela da distribuição qui-quadrado para encontrar o

valor tabulado a ser comparado com o valor calculado (estatística do teste). Vale lembrar que na
distribuição Qui-quadrado:

1. Todos os valores de 2 são não negativos e a distribuição não é simétrica;

2. Há uma distribuição 2 diferente para cada número de graus de liberdade (g.l. = n-1);

3. A tabela é unicaudal à direita e funciona da seguinte forma (lembra a forma de usar a tabela
t-Student):
 36

- Na primeira linha temos o valor de representado porna tabela), que corresponde à area
sob a curva à direita do valor crítico;

- 2 (gl,): valor crítico da distribuição qui-quadrado com g.l. e  área para a direita;

- De acordo com o grau de liberdade (g.l. = n-1) que é a primeira coluna à esquerda, teremos,
a tabela vai fornecer os valores críticos do Qui-quadrado, conforme as hipóteses que
estiverem sendo testadas.

Regra de decisão:

HIPÓTESE ALTERNATIVA CRITÉRIO DE REJEIÇÃO

Se H1:   
2 2
0   ( ⁄ )
ou   ( ⁄ )

Se H1:   
2 2
0   ( )
Se H1:   
2 2
0   ( )
Lembrando que g.l. = n-1

Exemplo:

Para testar a hipótese de que a variância de uma população é 25, tirou-se uma amostra aleatória de
25 elementos obtendo-se S2 = 18,3. Admitindo-se  = 10%, efetuar o teste de significância unicaudal
à esquerda.
1. Definir as hipóteses:
H0:  = 25
H1: 2 < 25

2. =10%; variável 2 com 25-1= 24 g.l.

3. Estatística do teste:
( )
4.   ( ) 

5. Pela tabela temos que  ( )  ( )

6. Regra de decisão:

Como o critério de rejeição   ( ) não foi verificado, não se pode rejeitar H0,
Ao nível de significância de 10%.