Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Calculamos o qui-quadrado:
�2=∑(��−��)2��χ2=∑Ei(Oi−Ei)2
Onde:
Vamos calcular:
Frequências observadas:
V1: �1=40O1=40
V2: �2=47O2=47
V3: �3=59O3=59
V4: �4=54O4=54
��=�4=2004=50Ei=4N=4200=50
�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
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.
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.
�2=∑(��−��)2��χ2=∑Ei(Oi−Ei)2
Onde:
�(�=�)=�−����!P(X=k)=k!e−λλk
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
�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=(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
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:
(a) Para o caso em que a distribuição normal tem média 6565 kg e desvio padrão
1010 kg:
Valor p: �=0.196p=0.196
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:
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.
�=max�{��−�(�(�)),�(�(�))−�−1�} D=maxi{ni−F(X(i)),F(X(i))
−ni−1}
Onde:
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
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).
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:
Valor p: �=0.002p=0.002
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:
Valor p: �=6.162×10−6p=6.162×10−6