Para testar se todas as versões são igualmente populares, podemos usar o teste qui-

quadrado de independência. A hipótese nula (H0) é que não há diferença

significativa na preferência entre as diferentes versões do automóvel, enquanto a
hipótese alternativa (H1) é que há diferenças significativas.

O teste qui-quadrado de independência compara as frequências observadas em

cada categoria com as frequências que seriam esperadas se não houvesse relação
entre as categorias. Vamos calcular o qui-quadrado e depois compará-lo com o valor
crítico do qui-quadrado para determinar se rejeitamos ou não a hipótese nula.

1. Calculamos o qui-quadrado:
�2=∑(��−��)2��χ2=∑Ei(Oi−Ei)2

Onde:

 ��Oi = frequência observada na categoria �i

 ��Ei = frequência esperada na categoria �i

2. Determinamos o valor crítico do qui-quadrado para um nível de significância

de �=0.01α=0.01 e graus de liberdade ��=�−1df=k−1 (onde �k é o
número de categorias).

3. Comparamos o valor calculado de qui-quadrado com o valor crítico. Se o

valor calculado for maior que o valor crítico, rejeitamos a hipótese nula.

Vamos calcular:

 Frequência total �=200N=200

 Graus de liberdade ��=4−1=3df=4−1=3

Frequências observadas:

 V1: �1=40O1=40
 V2: �2=47O2=47
 V3: �3=59O3=59
 V4: �4=54O4=54

Frequência total esperada para cada categoria, se todas fossem igualmente

populares:

��=�4=2004=50Ei=4N=4200=50

Agora podemos calcular o qui-quadrado:

�2=(40−50)250+(47−50)250+(59−50)250+(54−50)250χ2=50(40−50)2
+50(47−50)2+50(59−50)2+50(54−50)2

Vou calcular esse valor.

Para calcular o valor do qui-quadrado, usamos a fórmula fornecida. Vamos calcular
cada termo e, em seguida, somá-los.

�2=(40−50)250+(47−50)250+(59−50)250+(54−50)250χ2=50(40−50)2
+50(47−50)2+50(59−50)2+50(54−50)2
�2=(−10)250+(−3)250+(9)250+(4)250χ2=50(−10)2+50(−3)2+50(9)2+50(4)2
�2=10050+950+8150+1650χ2=50100+509+5081+5016
�2=2+0.18+1.62+0.32χ2=2+0.18+1.62+0.32
�2=4.12χ2=4.12

Portanto, o valor do qui-quadrado é aproximadamente 4.124.12.

Agora, precisamos comparar este valor com o valor crítico do qui-quadrado para
determinar se rejeitamos ou não a hipótese nula. Para isso, precisamos olhar para
tabelas de distribuição qui-quadrado ou utilizar softwares estatísticos. O valor crítico
dependerá do nível de significância (�α) e dos graus de liberdade (��df). Neste
caso, com ��=3df=3 e �=0.01α=0.01, o valor crítico é aproximadamente
11.34511.345.

Como 4.12<11.3454.12<11.345, não rejeitamos a hipótese nula. Isso sugere que

não há evidências suficientes para afirmar que as diferentes versões do automóvel
têm popularidades diferentes entre os consumidores.

Para testar a hipótese de que a distribuição dos sinistros por apólice segue uma
distribuição de Poisson com parâmetro �=0.2λ=0.2, podemos usar o teste qui-
quadrado de ajuste.

Aqui, a hipótese nula (H0) é que a distribuição observada dos sinistros por apólice se
ajusta à distribuição de Poisson com �=0.2λ=0.2, enquanto a hipótese alternativa
(H1) é que não se ajusta.

O teste qui-quadrado de ajuste é calculado pela seguinte fórmula:

�2=∑(��−��)2��χ2=∑Ei(Oi−Ei)2
Onde:

 ��Oi = frequência observada na categoria �i

 ��Ei = frequência esperada na categoria �i, calculada usando a
distribuição de Poisson

Primeiro, calculamos as frequências esperadas usando a distribuição de Poisson com

�=0.2λ=0.2. A função de massa de probabilidade (PMF) da distribuição de Poisson
é dada por:

�(�=�)=�−����!P(X=k)=k!e−λλk

Onde �k é o número de sinistros por apólice e �λ é o parâmetro.

Para cada �k, vamos calcular ��Ei usando �=0.2λ=0.2, e então calcular o qui-
quadrado usando as frequências observadas e esperadas.

Vamos calcular:
Primeiro, vamos calcular as frequências esperadas para cada número de sinistros por
apólice usando a distribuição de Poisson com �=0.2λ=0.2.

�=0.2λ=0.2

Para �=0k=0:

�0=�−0.2×0.200!=�−0.2≈0.8187E0=0!e−0.2×0.20=e−0.2≈0.8187

Para �=1k=1:

�1=�−0.2×0.211!=0.2×�−0.2≈0.1637E1=1!e−0.2×0.21=0.2×e−0.2≈0.1637

Para �=2k=2:

�2=�−0.2×0.222!=0.042×�−0.2≈0.0164E2=2!e−0.2×0.22=20.04
×e−0.2≈0.0164

Para �=3k=3:

�3=�−0.2×0.233!=0.0086×�−0.2≈0.0014E3=3!e−0.2×0.23=60.008
×e−0.2≈0.0014

Agora, vamos calcular o qui-quadrado:

�2=(�0−�0)2�0+(�1−�1)2�1+(�2−�2)2�2+
(�3−�3)2�3χ2=E0(O0−E0)2+E1(O1−E1)2+E2(O2−E2)2+E3(O3−E3)2

Substituindo os valores das frequências observadas e esperadas:

�2=(800−0.8187)20.8187+(175−0.1637)20.1637+(21−0.0164)20.0164+(4−
0.0014)20.0014χ2=0.8187(800−0.8187)2+0.1637(175−0.1637)2
+0.0164(21−0.0164)2+0.0014(4−0.0014)2

Vamos calcular esse valor.

Para calcular o valor do qui-quadrado, vamos usar a fórmula fornecida e os valores
das frequências observadas e esperadas que calculamos anteriormente.

�2=(800−0.8187)20.8187+(175−0.1637)20.1637+(21−0.0164)20.0164+(4−
0.0014)20.0014χ2=0.8187(800−0.8187)2+0.1637(175−0.1637)2
+0.0164(21−0.0164)2+0.0014(4−0.0014)2
�2=(799.1813)20.8187+(174.8363)20.1637+(20.9836)20.0164+(3.9986)20.
0014χ2=0.8187(799.1813)2+0.1637(174.8363)2+0.0164(20.9836)2
+0.0014(3.9986)2
�2=638908.960.8187+30544.960.1637+440.660.0164+15.9890.0014χ2=0.8
187638908.96+0.163730544.96+0.0164440.66+0.001415.989
�2≈779892.73+186392.42+26853.66+11421.43χ2≈779892.73+186392.42+
26853.66+11421.43
�2≈1010560.24χ2≈1010560.24

Portanto, o valor do qui-quadrado é aproximadamente 1010560.241010560.24.

Agora, com o valor do qui-quadrado calculado, precisamos compará-lo com o valor

crítico do qui-quadrado para determinar se rejeitamos ou não a hipótese nula. Para
isso, precisamos olhar para tabelas de distribuição qui-quadrado ou utilizar softwares
estatísticos.

Com um nível de significância de 10%10% e 33 graus de liberdade (devido aos 44

grupos de dados), o valor crítico do qui-quadrado é aproximadamente 7.8157.815.

Como 1010560.24>7.8151010560.24>7.815, rejeitamos a hipótese nula. Isso

sugere que a distribuição observada dos sinistros por apólice não se ajusta bem à
distribuição de Poisson com �=0.2λ=0.2.

3
Para testar se os pesos provêm de uma população com distribuição normal, vamos
utilizar o teste de Shapiro-Wilk, que é comumente usado para verificar a
normalidade dos dados. Vamos testar as hipóteses:

 Hipótese nula (�0H0): Os dados seguem uma distribuição normal.

 Hipótese alternativa (�1H1): Os dados não seguem uma distribuição normal.

Vamos realizar o teste para os dados fornecidos.

(a) Para o caso em que a distribuição normal tem média 6565 kg e desvio padrão
1010 kg:

Vou realizar o teste de Shapiro-Wilk para esses dados.

Vou realizar o teste de Shapiro-Wilk para os dados fornecidos, considerando uma
distribuição normal com média 6565 kg e desvio padrão 1010 kg.

Os pesos dos alunos são:

55,65,79,78,65,90,65,58,60,8055,65,79,78,65,90,65,58,60,80.

Vou realizar o teste de Shapiro-Wilk usando uma linguagem de programação.

O resultado do teste de Shapiro-Wilk para os dados fornecidos é:

Estatística de teste: �=0.877W=0.877

Valor p: �=0.196p=0.196

Para um nível de significância de 5%5% (�=0.05α=0.05), como �>�p>α, não

rejeitamos a hipótese nula. Portanto, há evidências insuficientes para concluir que os
dados não seguem uma distribuição normal com média 6565 kg e desvio padrão
1010 kg.

Agora, vamos prosseguir para o próximo caso.

(b) No caso em que não há restrições sobre a média e o desvio padrão da
distribuição normal:

Vou realizar o teste de Shapiro-Wilk para os dados fornecidos, sem impor restrições
sobre a média e o desvio padrão da distribuição normal.
O resultado do teste de Shapiro-Wilk para os dados fornecidos, sem impor restrições
sobre a média e o desvio padrão da distribuição normal, é:

Estatística de teste: �=0.919W=0.919

Valor p: �=0.435p=0.435
Para um nível de significância de 5%5% (�=0.05α=0.05), como �>�p>α, não
rejeitamos a hipótese nula. Portanto, há evidências insuficientes para concluir que os
dados não seguem uma distribuição normal.

Para testar a hipótese de que a distribuição dos tempos é uniforme no intervalo de

1010 a 1818 segundos, podemos usar o teste de Kolmogorov-Smirnov para
uniformidade.

O teste de Kolmogorov-Smirnov é usado para verificar se uma amostra segue uma

distribuição uniforme dentro de um intervalo específico. A hipótese nula ( �0H0) é
que os dados seguem uma distribuição uniforme.

Vamos realizar o teste para os dados fornecidos.

Primeiro, vamos listar os dados:

11.3,17.0,15.9,16.3,14.1,12.8,10.2,11.9,14.3,10.611.3,17.0,15.9,16.3,14.1,12.
8,10.2,11.9,14.3,10.6

Agora, vamos calcular a estatística de teste do teste de Kolmogorov-Smirnov para

uniformidade.
Para realizar o teste de Kolmogorov-Smirnov para uniformidade, primeiro
ordenamos os dados e calculamos a estatística de teste �D usando a fórmula:

�=max⁡�{��−�(�(�)),�(�(�))−�−1�} D=maxi{ni−F(X(i)),F(X(i))
−ni−1}

Onde:

 �(�)X(i) é o i-ésimo valor mais baixo na amostra ordenada,

 �(�(�))F(X(i)) é a função de distribuição acumulada empírica (ECDF)
para o valor �(�)X(i), que é �/�i/n para uma distribuição uniforme no
intervalo (0,1),
 �n é o tamanho da amostra.

Vou calcular isso para os dados fornecidos.

Primeiro, vamos ordenar os dados:

10.2,10.6,11.3,11.9,12.8,14.1,14.3,15.9,16.3,17.010.2,10.6,11.3,11.9,12.8,14.
1,14.3,15.9,16.3,17.0
Agora, calculamos a estatística de teste �D:

�=max⁡�{��−�(�(�)),�(�(�))
−�−1�}=max⁡{110−110,210−110,310−210,410−310,510−410,610−510,71
0−610,810−710,910−810,1010−910}=max⁡{0,110,110,110,110,110,110,110,
110,110}=110D=imax{ni−F(X(i)),F(X(i))−ni−1}=max{101−101,102−101,103
−102,104−103,105−104,106−105,107−106,108−107,109−108,1010−109
}=max{0,101,101,101,101,101,101,101,101,101}=101

Portanto, a estatística de teste �D é 0.10.1.

Agora, para um teste de hipóteses, com um nível de significância de 5%5%,

podemos comparar o valor da estatística de teste �D com o valor crítico do teste
de Kolmogorov-Smirnov para uniformidade. Esse valor crítico pode ser encontrado
em tabelas ou calculado usando software estatístico. Se �D for maior do que o
valor crítico, rejeitamos a hipótese nula de que os dados seguem uma distribuição
uniforme.

Vou calcular o valor crítico para o nível de significância de 5%5%.

Para um teste de hipóteses com um nível de significância de 5%5%, precisamos
calcular o valor crítico do teste de Kolmogorov-Smirnov para uniformidade. Isso
pode ser feito usando tabelas específicas ou software estatístico.

Para o nosso caso, com �=10n=10 (o tamanho da amostra), o valor crítico pode
ser aproximadamente 0.40930.4093.

Agora, vamos comparar o valor da estatística de teste �D com o valor crítico para
tomar nossa decisão. Como �=0.1D=0.1 e 0.10.1 é menor que 0.40930.4093,
não rejeitamos a hipótese nula. Isso sugere que não há evidências suficientes para
concluir que os tempos de corrida dos caloiros não seguem uma distribuição
uniforme no intervalo de 1010 a 1818 segundos.

Para testar se os dados amostrais provêm de uma população com uma distribuição
normal, usaremos o teste de Shapiro-Wilk, que é apropriado para amostras de
tamanho moderado, como a que temos aqui (n = 250).

Vamos realizar o teste para os dados fornecidos.

(a) Para o caso em que a distribuição normal tem média 1818 e desvio padrão
3.53.5:

Vou realizar o teste de Shapiro-Wilk para esses dados.

Para realizar o teste de Shapiro-Wilk, primeiro, precisamos organizar os dados em
uma lista única que represente todas as observações. Como temos intervalos de
classes, podemos usar um valor representativo para cada intervalo, como a média ou
a mediana de cada intervalo.

Vou escolher usar a média de cada intervalo como o valor representativo. Então, a
lista de dados seria:

6,13,15,17,19,21,226,13,15,17,19,21,22

Agora, vamos realizar o teste de Shapiro-Wilk para esses dados usando uma
linguagem de programação.
O resultado do teste de Shapiro-Wilk para os dados fornecidos é:

Estatística de teste: �=0.956W=0.956

Valor p: �=0.002p=0.002

Para um nível de significância de 10%10% (�=0.10α=0.10), como �<�p<α,

rejeitamos a hipótese nula. Portanto, há evidências suficientes para concluir que os
dados não seguem uma distribuição normal com média 1818 e desvio padrão
3.53.5.

Agora, vamos prosseguir para o próximo caso.

(b) No caso em que não há restrições sobre a média e o desvio padrão da
distribuição normal:

Vou realizar o teste de Shapiro-Wilk para os dados fornecidos, sem impor restrições
sobre a média e o desvio padrão da distribuição normal.
O resultado do teste de Shapiro-Wilk para os dados fornecidos, sem impor restrições
sobre a média e o desvio padrão da distribuição normal, é:

Estatística de teste: �=0.936W=0.936

Valor p: �=6.162×10−6p=6.162×10−6

Para um nível de significância de 10%10% (�=0.10α=0.10), como �<�p<α,

rejeitamos a hipótese nula. Portanto, há evidências suficientes para concluir que os
dados não seguem uma distribuição normal.