Tema 2. Metodos estatisticos inferenciais

Prévia do material em texto

Métodos estatísticos inferenciais
Prof. Gabriel Burlandy
Descrição
O estudo simultâneo do comportamento de duas ou mais variáveis.
Propósito
Ao lidar com as situações do mundo real, diversos fatores estão envoltos em uma única situação problema.
Diante disso, é imprescindível que um profissional de saúde saiba reconhecer e tratar dessas variáveis de
forma adequada para que erros não sejam cometidos.
Preparação
Antes de iniciar a leitura deste conteúdo, tenha em mãos papel, caneta e uma calculadora científica ou use a
calculadora de seu smartphone/computador. Além disso, para acompanhar o módulo 2, você vai precisar
das tabelas 1 e 2. Já no módulo 3, a tabela 3 será necessária.
1
Clique aqui para ver a tabela!
16/08/2022 8:03 PM
Página 1 de 79
2
Clique aqui para ver a tabela!
3
Clique aqui para ver a tabela!
Objetivos
Módulo 1
Correlação e regressão linear
Reconhecer correlação e regressão linear.
Módulo 2
Testes paramétricos
Aplicar os testes paramétricos.
Módulo 3
Testes não paramétricos
Aplicar os testes não paramétricos.
16/08/2022 8:03 PM
Página 2 de 79
Introdução
1 - Correlação e regressão linear
Ao final deste módulo, você será capaz de reconhecer correlação e regressão linear.
Correlação
!
16/08/2022 8:03 PM
Página 3 de 79
Correlação: Pearson e Spearman e métodos dos
mínimos quadrados
Confira agora os conteúdos que serão abordados neste módulo.
Associação entre variáveis
A correlação é um estudo que apresenta o grau de associação entre as variáveis. Graças a ela, portanto,
conseguimos observar se duas ou mais variáveis são independentes ou se variam juntas.
O objetivo geral da análise de correlação é realizar a medição da intensidade da relação existente entre as
variáveis. Por conta disso, devemos observar os princípios dessa relação.
Exemplo
Em determinada espécie de insetos, foi registrada uma variação significativa da altura deles ao longo do
tempo. Um grupo científico acredita que a variação de sua altura está atrelada à distância que determinada
erva, que serve de alimento para essa espécie, se encontra do chão. Outra linha de raciocínio científico,
apresentada por mais um grupo de pesquisa, acredita que a mudança na altura ocorreu natural e
gradualmente ao longo do tempo.
Você agora consegue entender a complexibilidade? Os dois grupos de cientistas, afinal, possuem dados
para acreditar em suas afirmações.
Só que agora vem a pergunta de ouro: será que somente esses fatores contribuem para a alteração do
"
16/08/2022 8:03 PM
Página 4 de 79
Só que agora vem a pergunta de ouro: será que somente esses fatores contribuem para a alteração do
tamanho dos insetos? A resposta só pode ser dada com um profundo estudo e a correta correlação entre as
variáveis. Com isso, você já compreende a importância do tratamento dos dados?
As correlações entre as variáveis podem ter um caráter lógico (óbvio) ou não. Naquelas supostamente
lógicas, é possível compreender as relações causais claramente. Já nas ditas ilusórias, não se consegue
estabelecer nenhuma conexão razoável entre as variáveis analisadas.
Tipos de correlação
Existem basicamente três tipos de correlação:
Correlação simples
É o caso em que existe uma relação entre duas variáveis, sendo uma dependente (yi) e a outra,
independente (xi).
Exemplo
Uma função afim simples do tipo: , em que o é o nosso yi, ou seja, a variável
dependente, e x é o nosso xi, isto é, a variável independente.
Como a notação já demonstra, a nossa variável dependente depende de xx.
Considere agora o seguinte exemplo:
Uma espécie fictícia de fungos se prolifera de forma linear, ou seja, de acordo com uma função afim. Em um
laboratório, há inicialmente 5.000 indivíduos dessa espécie, mas, a cada hora que passa, mais 1.500 novos
( ) = + ( )
( )
16/08/2022 8:03 PM
Página 5 de 79
laboratório, há inicialmente 5.000 indivíduos dessa espécie, mas, a cada hora que passa, mais 1.500 novos
aparecem devido à sua reprodução.
Como podemos entender seu comportamento com o passar do tempo? A resposta é: montando sua
função.
Veja que existe somente uma variável independente: o tempo. Afinal, sabe-se que a população aumenta em
1.500 indivíduos a cara hora.
Nesse caso, chamaremos essa variável de t e montaremos a função, que apresenta a correlação da variável
independente t, com a dependente f(t). Lembre-se de que, no início, havia 5.000 indivíduos, os quais, na
fórmula, serão o nosso “a”.
A fórmula fica da seguinte maneira:
(1)
Rotacione a tela. #
Observe que a variável dependente dá o valor total da espécie de fungos com o passar do tempo, tendo
como referência a variável independente . Note ainda o seguinte: para horas, ou seja, no início de
tudo, temos: indivíduos.
Por outro lado, se quisermos saber a quantidade dessa população 24 horas após o início da observação,
veremos que: indivíduos.
Atenção!
Apesar de o exemplo ter sido dado com uma função afim, qualquer tipo de função matemática pode estar
atrelada a essa correlação, como, por exemplo, uma função afim, uma quadrática, uma exponencial ou uma
logarítmica. Diante disso, é importante estar com esses conceitos em dia.
Correlação múltipla
É o caso em que existe uma variável dependente, que depende de duas ou mais variáveis independentes.
Isso ocorre em funções de mais de uma variável do tipo: ou .
Exemplo
Em uma função do tipo , veja que a variável dependente é e que as variáveis
independentes são e . Apesar de haver um ali sozinho, ele é uma constante, ou seja, um valor fixo,
( ) = 5.000 + 1.500 !
( )
= 0
(0) = 5.000 + 1.500 ! 0 (0) = 5.000
(24) = 5.000+ 1.500 ! 24 = 41.000
( , ), ( , , ) ( , , , …)
( , ) = + + ( , )
16/08/2022 8:03 PM
Página 6 de 79
sendo, portanto, um número que não muda.
Vamos compreender melhor esse conceito com o auxílio de mais um exemplo:
Considere agora que a população inicial de 5.000 fungos não se prolifere somente em relação ao tempo,
mas também que a temperatura do ambiente seja um fator relevante. Nesse exemplo, um grupo científico,
fazendo testes de crescimento populacional dos fungos, constata que, entre 25ºC e 38ºC, eles se
proliferam de acordo com a seguinte equação:
(2)
Rotacione a tela. #
Em que:
- t é o tempo em horas;
- T é a temperatura em Celsius;
- é a quantidade de fungos em determinado instante de tempo t a certa temperatura T entre 25ºC
e 38ºC ).
Observe agora que a função apresentada em (2) possui duas variáveis independentes t e T e que somente
uma variável é dependente das duas simultaneamente: f(t, T). Note ainda que, em qualquer temperatura
no instante t=0 hor , a população possui o número de individuos igual a 5000, porém, para , em
qualquer temperatura contida no intervalo [25ºC, 38ºC], existe uma maior que 5000.
Correlação parcial
No caso da existência de uma correlação múltipla, algumas variáveis podem ser eliminadas
( , ) = 5.000 + 1.500 ! ! 25
1/2
( , )
(25" # # 38"
$ 0
16/08/2022 8:03 PM
Página 7 de 79
No caso da existência de uma correlação múltipla, algumas variáveis podem ser eliminadas
estatisticamente devido à sua existência não influenciar significativamente a variável dependente. Nesse
caso, considera-se somente a relação pura das variáveis independentes que influenciam estatisticamente a
dependente.
Para compreendermos esse conceito da forma devida, vamos continuar com o nosso exemplo e o
desenvolvimento da equação da proliferação de fungos:
Considere que os cientistas tenham conseguido dados relevantes da influência da umidade atmosférica (ou
umidade relativa do ar) na proliferação dos fungos, obtendo a seguinte função:
(3)
Rotacione a tela. #
A função apresentada em (3) agora acrescenta uma terceira variável: umidade relativa do ar . Por se
chamar umidade relativa, ela é apresentada em medidas de porcentagem.
Note que a umidade está elevada ao valor de , ou seja, .
Mas o que isso significa?
Em um dia cuja temperatura seja de 25ºC e a umidade relativa, de 50% a terceira parcela será calculada da
seguinte maneira:Rotacione a tela. #
Veja que a contribuição é tão pequena, mas tão pequena, que pode ser considerada nula. Por isso, ela é
descartada: somente as contribuições de tempo e temperatura são consideradas. Como, das três variáveis,
são consideradas somente duas, trata-se de uma correlação parcial.
Comentário
Para a análise de correlação, diversos coeficientes a serem calculados mostram o tipo de correlação
existente entre os dados e quão forte ou quão fraca é a dependência entre as variáveis. Todavia,
( , , ) = 5.000 + 1.500 ! ! 25
1/2 + %10
( )
%10 %10 = 110
1
10 =
1
5010
=
1
97 ! 656.250.000.000.000
= 0, 00000000000000001024
16/08/2022 8:03 PM
Página 8 de 79
abordaremos neste conteúdo somente os coeficientes de Pearson e Spearman, já que, ao se entender o
princípio de ambos, os demais se tornam de fácil compreensão.
Coeficiente de correlação
Coeficiente de Pearson
A correlação linear investiga a associação entre duas variáveis, ou seja, o grau de inter-relacionamento
existente entre a variável dependente e a independente. No entanto, é importante compreender que a
correlação linear apenas comprova a existência de uma correlação entre as duas variáveis – e não que uma
é a causa direta da outra.
Esse tipo de correlação pode ser:
Direta ou positiva
É um tipo de correlação em que a variável dependente se correlaciona de maneira direta com a
independente.
Indireta ou negativa
É uma correlação na qual a variável dependente tem relação inversamente proporcional com a
independente.
Nula
Tipo de correlação em que não há inter-relação entre as variáveis.
Para conseguirmos discernir os tipos de correlação descritos acima, teremos de determinar o coeficiente de
correlação de Pearson (r). Coeficiente de correlação linear, ele é calculado considerando a covariância e a
variância dos dados, como é mostrado a seguir:
Covariância
Medida do grau de interdependência entre duas variáveis aleatórias. É importante ressaltar que variáveis
16/08/2022 8:03 PM
Página 9 de 79
independentes possuem medida de covariância nula.
Variância
Medida de dispersão que mostra a distância que cada valor do conjunto amostral está do valor central
(média).
(4)
Rotacione a tela. #
Dica
Lembre-se de que, até aqui, definimos x como variável independente e y como variável dependente.
A covariância e a variância podem ser calculadas da seguinte forma:
Populacional Amostral
=
cov( , )
var( ) ! var( )
16/08/2022 8:03 PM
Página 10 de 79
(5) (8)
(6) (9)
(7) (10)
Tabela 1 : Covariância e variância de população de dados e amostra de dados. 
Gabriel Burlandy
O interessante é que esse coeficiente exprime o grau de correlação entre as variáveis em um intervalo [-1,1]
no qual:
- Se , há uma correlação direta ou positiva.
- Se , existe uma correlação indireta ou negativa.
- Se , há uma correlação nula.
É importante ressaltar também que existe um grau para a correlação. A imagem adiante ilustra isso:
( , ) =
=1
( % ¯) ! ( % )̄
( , ) =
=1
( % ¯) ! ( % )̄
% 1
( ) =
=1
( % ¯)2
( ) =
=1
( % ¯)2
% 1
( ) =
=1
( % )̄2
( ) =
=1
( % )̄2
% 1
> 0
< 0
= 0
16/08/2022 8:03 PM
Página 11 de 79
Grau de correlação entre variáveis.
Gabriel Burlandy.
Apliquemos essa concepção em um exemplo. Para isso, considere os seguintes dados:
Estado Indivíduos diagnosticados com dengue Área de mata atlântica (km²)
Rio de Janeiro 1.972 13.000
São Paulo 132.665 23.349
Espírito Santo 3.781 46.000
Minas Gerais 19.240 32.055
Paraná 38.376 25.269
Santa Catarina 16.693 28.313
Rio Grande do Sul 7.618 18.838
Tabela 2: Dados de área de Mata Atlântica e de indivíduos que contraíram dengue entre 2020 e 2021.
Adaptado de Ministério da Saúde, 2021.
Vamos verificar agora o tipo de correlação existente entre os dados e o seu grau a partir do coeficiente de
correlação de Pearson. Para isso, usaremos inicialmente as equações (5), (6) e (7) com o objetivo de
determinar a covariância. No entanto, antes disso, precisamos definir a variável dependente e a
16/08/2022 8:03 PM
Página 12 de 79
independente.
Podemos usar o seguinte raciocínio: a proliferação dos mosquitos Aedes aegypti (agente transmissor da
doença) pode estar atrelada à quantidade de Mata Atlântica existente no estado.
Desse modo, a área de Mata Atlântica se torna a variável independente, enquanto os indivíduos picados pelo
mosquito são a dependente. Isso se dá porque a quantidade de casos depende do montante de agentes
transmissores, ou seja, do número de mosquitos.
Resolvido isso, precisamos definir agora o valor médio de cada variável, como faremos a seguir. Porém, em
primeiro lugar, calcularemos a média aritmética:
Estado
Indivíduos diagnosticados com dengue
(variável ))
Área de mata atlântica (km²)
(variável )
Rio de Janeiro 1.972 13.000
São Paulo 132.665 23.349
Espírito Santo 3.781 46.000
Minas Gerais 19.240 32.055
Paraná 38.376 25.269
Santa Catarina 16.693 28.313
Rio Grande do Sul 7.618 18.838
Média ȳ = 31.478 x ̄ = 26.689
Tabela 3: Determinação das variáveis e cálculo dos valores médios.
Gabriel Burlandy.
Após o cálculo dos valores médios, utilizaremos as equações (5), (6) e (7):
Utilização da equação (5):
16/08/2022 8:03 PM
Página 13 de 79
Rotacione a tela. #
Utilização da equação (6):
Rotacione a tela. #
Utilização da equação (7):
Rotacione a tela. #
Agora, utilizando a equação (4), temos isto:
Rotacione a tela. #
Veja que o resultado do coeficiente é negativo e relativamente próximo de zero. Isso significa que a
correlação entre esses dados é indireta e fraca, como mostra a imagem do grau de correlação entre
cov( , ) =(13.000 % 26.689) ! (1.972 % 31.478)
+ (23.349 % 26.689) ! (132.665 % 31.478)
+ (46.000 % 26.689) ! (3.781 % 31.478)
+ (32.055 % 26.689) ! (19.240 % 31.478)
+ (25.269 % 26.689) ! (38.376 % 31.478)
+ (28.313 % 26.689) ! (16.693 % 31.478)
+ (18.838 % 26.689) ! (7.618 % 31.478)/7
cov( , ) = %54.437.708, 7
var( ) = (13.000 % 26.689)2 + (23.349 % 26.689)2+
(46.000 % 26.689)2 + (32.055 % 26.689)2 + (25.269%
26.689)2 + (28.313 % 26.689)2 + (18.838 % 26.689)2/7
var( ) = 111.090.829, 1
var( ) = (1.972 % 31.478) + (132.665 % 31.478)
+(3.781 % 31.478) + (19.240 % 31.478)
+(38.376 % 31.478) + (16.693 % 31.478)
+(7.618 % 31.478)/7
var( ) = 2.143.630.614
= %54.437.708,7111.090.829,1!2.143.630.614 = %0, 11155416
16/08/2022 8:03 PM
Página 14 de 79
variáveis. Além disso, demonstra que há outras variáveis relevantes para a compreensão do processo de
infecção dos indivíduos pelo mosquito Aedes aegypti.
Atenção!
Outra dúvida suscitada nesse exemplo é: por que utilizamos as equações (5), (6) e (7), e não as equações
(8), (9) e (10)? Essa escolha se dá porque trabalhamos com toda a população de dados fornecida na tabela
2, e não com alguns dos dados existentes nessa tabela. Por conta disso, utilizamos as equações referentes
à população de dados, e não à amostragem de dados.
Coeficiente de Spearman
Agora que sabemos como se calcula a correlação e de que maneira ela é avaliada, verifiquemos como as
correlações se comportam graficamente:
Gráfico com o comportamento dos dados e a correlação entre as variáveis dependente e independente.
Gabriel Burlandy
Correlação monótona
O coeficiente de correlação de postos de Spearman (p) é uma medida não paramétrica de correlação de
postos (correlação existente entre a classificação de duas variáveis). Esse coeficiente avalia com que
intensidade uma função monótona consegue descrever a relação entre duas variáveis.
Matematicamente, o intervalo da correlação de Spearman entre duas variáveis se assemelha ao da
correlação de Pearson, pois ele varia entre [-1, 1]. Todavia, enquanto a correlação de Pearson avalia
correlações lineares, a de Spearman avalia correlações monótonas – mesmo que elas não sejam lineares.
Medida não paramétrica
Medida estatística que não possui dados ou populações como base de análise.
16/08/2022 8:03 PM
Página 15 de 79
Função monótona
Função matemática estabelecida entre dois conjuntos ordenados que preserva ou invertetotalmente a
relação de ordem.
Atenção!
O coeficiente de Spearman pode ser utilizado tanto para a análise de variáveis contínuas quanto para as
discretas, incluindo as variáveis ordinais.
Para utilizar o coeficiente de Spearman, é preciso saber separar os dados em postos (do inglês range).
Por conta disso, aprenderemos a calcular esse coeficiente em um exemplo adiante.
Considere esta tabela:
Função do jogador de futebol no
campo
Quantidade de suor em uma
partida (mL)
Distância em uma
partida (km)
16/08/2022 8:03 PM
Página 16 de 79
Zagueiro 3,00 1,0
Meia direita 12,00 7,0
Meia esquerda 13,00 6,5
Cabeça de área 20,02 9,5
Ponta direita 11,00 10,0
Centroavante 15,00 9,0
Ponta esquerda 7,43 12,0
Goleiro 1,28 0,5
Zagueiro 2,22 3,5
Lateral direito 29,8 11
Lateral esquerdo 32,0 16
Tabela 4: Funções dos jogadores de futebol no campo, quantidade de suor e distância percorrida.
Gabriel Burlandy.
Na tabela 4, além da descrição dos 11 jogadores de um time de futebol, estão estimados os dados da
quantidade de suor expelido (mL) por cada jogador e a distância (km) que cada um percorreu durante o
jogo.
16/08/2022 8:03 PM
Página 17 de 79
Utilizaremos o coeficiente de Spearman para entender a relação entre esses dados. Porém, antes disso,
precisamos estabelecer qual é a variável dependente e a independente.
Para suar, o jogador precisa correr. Diante dessa obviedade, a variável independente é a distância, que
chamaremos de Xi. Já a dependente é a quantidade de suor, que chamaremos de Yi.
Após termos definido isso, precisamos determinar agora os postos de cada dado. Para isso, comecemos a
numerar de 1 até 11, indo do menor para o maior. Chamaremos de rg(Yi) o posto da variável dependente e
de rg(Xi) o posto da variável independente.
Vamos conferir a tabela!
Função do jogador
de futebol no
Quantidade de suor
em uma partida
(mL) ( )
Distância em uma
partida (km) ( )
Posto da variável
dependente 
( ))
Posto da variável
independente 
(
16/08/2022 8:03 PM
Página 18 de 79
Tabela 5: Determinação dos postos de cada par de dados.
Gabriel Burlandy
Note que o posto foi montado numerando os dados da coluna em ordem crescente e que o posto 
foi criado mediante a numeração dos dados da coluna na mesma ordem.
Atenção!
Nesse ponto, não reorganizaremos os números. Vamos apenas numerá-los de acordo com a ordem
crescente dos valores (do primeiro até o último valor).
Agora precisamos inserir mais duas colunas: e . A coluna é a coluna de diferença de postos. Desse
modo, apresentaremos nela: . E, na última coluna, há o valor obtido de elevado ao
quadrado (ver tabela adiante).
campo (mL) ( )
partida (km) ( )
( )) (
Zagueiro 3,00 1,0 3 2
Meia direita 12,00 7,0 6 5
Meia esquerda 13,00 6,5 7 4
Cabeça de área 20,02 9,5 9 7
Ponta direita 11,00 10,0 5 8
Centroavante 15,00 9,0 8 6
Ponta esquerda 7,43 12,0 4 10
Goleiro 1,28 0,5 1 1
Zagueiro 2,22 3,5 2 3
Lateral direito 29,8 11 10 9
Lateral esquerdo 32,0 16 11 11
(
2
= ( ) % ( )
16/08/2022 8:03 PM
Página 19 de 79
Você deve estar se perguntando: mas para que isso serve? A resposta virá logo após a tabela 6. Até agora
estamos apenas levantando todos os dados necessários para podermos obter o coeficiente de Spearman.
Tabela 6: Cálculo da diferença entre postos di, e de di
2.
Gabriel Burlandy.
Como já temos todos esses dados na tabela 6, faremos o cálculo do coeficiente de Spearman considerando
a seguinte formulação:
(11)
Função do jogador
de futebol no
campo
Quantidade de suor
em uma partida
(mL) ( )
Distância em uma
partida (km) ( )
Posto da variável
dependente 
( ))
Posto da variável
independente 
(
Zagueiro 3,00 1,0 3 2
Meia direita 12,00 7,0 6 5
Meia esquerda 13,00 6,5 7 4
Cabeça de área 20,02 9,5 9 7
Ponta direita 11,00 10,0 5 8
Centroavante 15,00 9,0 8 6
Ponta esquerda 7,43 12,0 4 10
Goleiro 1,28 0,5 1 1
Zagueiro 2,22 3,5 2 3
Lateral direito 29,8 11 10 9
Lateral esquerdo 32,0 16 11 11
(
16/08/2022 8:03 PM
Página 20 de 79
(11)
Rotacione a tela. #
Em que:
- é a covariância dos postos;
- é o desvio-padrão de ;
- é o desvio-padrão de .
Todavia, se todos os postos são números inteiros distintos (que é nosso caso no exemplo: basta observar,
na tabela 6 , a e a coluna), podemos utilizar a equação (12):
(12)
Rotacione a tela. #
Usando a equação (12), obtemos:
Rotacione a tela. #
Veja que o valor obtido pelo coeficiente de Spearman foi de . Isso significa que a variável
dependente tem uma forte dependência com a independente. Entretanto, o fato de ainda faltar 0,3 para se
chegar a 1 indica que outros fatores contribuíram para a quantidade de suor expelida por cada jogador.
=
cov ,
!
cov ,
( )
( )
3 4
= 1 %
6 =1
2
( 2 % 1)
= 1 %
6 ! [1 + 1 + 9 + 4 + 9 + 4 + 36 + 0 + 1 + 1 + 0]
11 112 % 1
= 1 % 6 !
66
1320
& 1 % 0, 3 = 0, 7
= '0, 7
16/08/2022 8:03 PM
Página 21 de 79
Atenção!
O coeficiente de Spearman só é válido para o caso de haver postos distintos e contínuos. Se houver postos
com números iguais , não podemos utilizar este tipo de correlação. Outra limitação para o uso deste tipo de
correlação, é se os dados estiverem truncados (os valores dos dados estão limitados entre intervalos
matemáticos específicos). Nesse caso, devemos utilizar o coeficiente de correlação de Pearson.
Regressão linear
O método dos mínimos quadrados
Até o presente momento observamos a relação dos dados, correlacionando a variável dependente e a
independente. Agora conheceremos uma técnica matemática que permite explicar o comportamento de
uma série de dados, seja essa série um dado populacional ou um amostral.
É importante ressaltar que essa técnica funciona para casos em que a correspondência entre a variável
dependente e a independente é linear. Essa informação é relevante, pois a técnica do método dos mínimos
quadrados revela uma função afim do tipo: y = a + bx. Além disso, o gráfico dessa função afim é uma reta,
que é a melhor reta que se ajusta aos pontos cartesianos formados pelos dados de variáveis dependente 
independente.
Para entendermos isso melhor, vamos voltar aos dados da tabela 4 e plotar um gráfico de quantidade de
suor x distância percorrida, como mostra o gráfico abaixo:
Gráfico: Quantidade de suor x distância percorrida. 
Gabriel Burlandy
Os dados apresentados no gráfico anterior, à primeira vista, parecem aleatórios, mas perceba que eles têm
uma tendência. Com o aumento da distância percorrida, há o aumento da quantidade de suor. Note também
que é possível traçar uma semirreta do primeiro ao último ponto, ficando com boa parcela dos outros
16/08/2022 8:03 PM
Página 22 de 79
pontos perto dessa semirreta.
Veja agora o gráfico abaixo:
Gráfico: Quantidade de suor x distância percorrida com semirreta traçada do primeiro ao último ponto.
Gabriel Burlandy
Mas por que não são todos os dados que ficam próximos dessa reta?
Você se lembra de que, na seção anterior, ao calcularmos o coeficiente de correlação de Spearman, tivemos
um ? Você reparou que há aproximadamente três pontos mais distantes da reta (pontos marcados
pelos círculos verdes)?
Por fim, você percebe que ? E que 0,3 é o que faltava no para que ele seja
igual a 1?
O que o coeficiente de correlação nos mostrou é que os dados possuem 70% de adesão ao comportamento
direto ou positivo e que os 30% restantes dependem de outros fatores que não foram abordados.
Exemplo
Podemos considerar o metabolismo de cada jogador, intensidade de raios solares nas diferentes regiões do
campo de futebol e quantidade de líquido ingerido antes da partida começar.
Mas o método dos mínimos quadrados se limita a isso? Traçar uma reta do primeiro ao último ponto e
verificar se ela está de acordo com o coeficiente de correlação?
A resposta é simplesmente não. O método dos mínimos quadrados consiste em traçar a melhor reta que se
= '0, 7
3'dados'
11'dados' = 0, 2727272 … (0, 3
16/08/2022 8:03 PM
Página 23 de 79
A resposta é simplesmente não. O método dos mínimos quadradosconsiste em traçar a melhor reta que se
ajusta aos pontos. Essa reta descreverá o comportamento dos pontos.
Veremos também que a dispersão desses pontos em torno da reta está dentro do intervalo previsto pelo
desvio-padrão. Para tal, primeiramente teremos de nos perguntar: como vamos traçar essa reta?
De início, precisamos calcular o coeficiente angular dessa reta (b) e, em seguida, o coeficiente linear (a).
Faremos isso da seguinte maneira:
(14)
E:
Rotacione a tela. #
Em que:
- é a quantidade de dados da amostra (pontos do gráfico);
- é a representação da variável independente;
- é a representação da variável dependente;
- é a representação do valor médio da variável independente;
- é a representação do valor médio da variável dependente.
Voltemos ao exemplo da tabela 4 e do Gráfico com o comportamento dos dados e a correlação entre as
variáveis dependente e independente, a fim de podermos calcular os coeficientes para a montagem da reta
que melhor se ajusta aos gráficos. Para isso, precisamos montar a tabela 7 e calcular e :
Função do jogador
de futebol no
Quantidade de suor
em uma partida
(mL) 
Distância em uma
partida (km) 
= =0
! % =0 ! =0
=0
2 % =0
2
= ¯ % ¯
¯
¯
! 2
.
16/08/2022 8:03 PM
Página 24 de 79
Tabela 7: Preparo dos dados para determinação do coeficiente angular b.
Gabriel Burlandy.
Veja que, com os dados da tabela 7, conseguimos preencher toda a equação (13) e calcular o coeficiente
angular b:
(15)
campo (mL) 
partida (km) 
Zagueiro 3,00 1,0 3,0 1,0
Meia direita 12,00 7,0 84,0 49,0
Meia esquerda 13,00 6,5 84,5 42,3
Cabeça de área 20,02 9,5 190,2 90,3
Ponta direita 11,00 10,0 110,0 100,0
Centroavante 15,00 9,0 135,0 81,0
Ponta esquerda 7,43 12,0 89,2 144,0
Goleiro 1,28 0,5 0,6 0,3
Zagueiro 2,22 3,5 7,8 12,3
Lateral direito 29,8 11 327,8 121,0
Lateral esquerdo 32,0 16 512,0 256,0
∑ 146,8 86 1544,0 897,0
( )
( )
11 ! 1544, 0 % 86 ! 146, 8
16/08/2022 8:03 PM
Página 25 de 79
Rotacione a tela. #
Agora que temos o resultado de b, vamos calcular o resultado de a partir da equação (14). Porém, para
isso, precisamos do valor médio de y e x. Calculando suas médias, temos o seguinte:
(16)
Rotacione a tela. #
(17)
Rotacione a tela. #
Aplicando (15), (16) e (17) em (14), verificamos que:
Rotacione a tela. #
Veja que agora podemos escrever a equação da reta que melhor se ajusta aos pontos do gráfico:
(18)
Rotacione a tela. #
=
11 ! 897, 0 % (86)2
(1, 8
¯ = =1 =
86
11
= 7, 8
¯ = =1 =
146, 8
11
13, 3
= 13, 3 % 1, 8 ! 7, 8 = %0, 74
= %0, 74 + 1, 8
16/08/2022 8:03 PM
Página 26 de 79
Gráfico: Reta que melhor se ajusta aos pontos.
Gabriel Burlandy
Margem de erro dos pontos
O erro quadrado (R²)
A reta plotada no gráfico da imagem acima é a reta que melhor se ajusta aos pontos é a reta que se ajusta
melhor aos pontos. Teoricamente, ela representa valores ideais. Todavia, no mundo real, o que há são
valores dispersos em torno de um valor ideal médio. Ainda assim, não podemos ignorar a presença de uma
reta ascendente no gráfico dessa imagem.
O que faremos agora é estimar a precisão da nossa reta calculada pelo método dos mínimos quadrados.
Para isso, precisamos extrair da nossa reta o y esperado. Mas o que é isso?
Trata-se do valor de y obtido na reta para x medido.
Exemplo
No caso da quantidade de suor x distância percorrida, considerando o goleiro que percorreu uma distância
de 0,5km (nosso X), qual é o Y esperado? Para isso, basta substituir na equação da reta que definimos
anteriormente:
Rotacione a tela. #
(quando aproximado para uma casa decimal).
Fazendo um ponto, agora você consegue calcular os outros. Na tabela a seguir, veremos esses pontos:
Função do jogador
de futebol no
Quantidade de suor
em uma partida
(mL) 
Distância em uma
partida (km) 
esperado' = %0, 74 + 1, 8 ! 0, 5 = 0, 16 & 0, 2
esperado
16/08/2022 8:03 PM
Página 27 de 79
Tabela 8: Valor de y esperado, erro quadrado de linha e erro quadrado referente ao valor médio. 
Gabriel Burlandy.
Veja que, na tabela 8, também aparecem mais duas colunas:
- Erro quadrado ;
- Erro quadrado do valor médio .
O é calculado da seguinte maneira:
(19)
campo (mL) 
partida (km) 
Zagueiro 3,00 1,0 1,1 3,6
Meia direita 12,00 7,0 11,9 0,0
Meia esquerda 13,00 6,5 11,0 4,0
Cabeça de área 20,02 9,5 16,4 13,1
Ponta direita 11,00 10,0 17,3 39,7
Centroavante 15,00 9,0 15,5 0,2
Ponta esquerda 7,43 12,0 20,9 181,4
Goleiro 1,28 0,5 0,2 1,2
Zagueiro 2,22 3,5 5,6 11,4
Lateral direito 29,8 11 19,1 115,3
Lateral esquerdo 32,0 16 28,1 15,2
∑ 385,1
( )
( )
2
linha'
2
valor médio'
2
linha'
2 2
16/08/2022 8:03 PM
Página 28 de 79
Rotacione a tela. #
Vamos pegar novamente o exemplo do goleiro:
Rotacione a tela. #
Arredondando para uma casa decimal, temos isto: (como podemos ver na tabela 8).
Já o é calculado da seguinte maneira:
(20)
Rotacione a tela. #
Voltemos ao exemplo do goleiro:
Rotacione a tela. #
Após a obtenção desses dois valores, estabeleceremos o grau de precisão da nossa reta por meio da
seguinte equação:
21
Rotacione a tela. #
Retomemos mais uma vez o caso do goleiro. Voltando ao nosso exemplo, vemos que:
Rotacione a tela. #
linha' = ( % esperado')
2
valor médio' = (1, 28 % 0, 2)
2 = 1, 1664
2
linha' = 1, 2
2
valor médio'
2
valor médio' = ( % )̄
2
2
linha' = (1, 28 % 13, 3)
2 (144, 5
2 = 1 % =1
2
linha'
=1
2
valor médio'
! 100
2 = 1 % 385,11.085,9 ! 100 & 65%
16/08/2022 8:03 PM
Página 29 de 79
Rotacione a tela. #
Em nosso cálculo de precisão no valor de , atrelado ao fato de que a correlação de
Spearman demonstrou 70% de correlação, vemos que o modelo matemático apresentado pelos mínimos
quadrados é aceitável para descrever a quantidade de suor de um jogador em função da distância
percorrida por ele em campo.
O que o representa é a distância vertical do ponto até a reta obtida por mínimos quadrados. Já 
médio representa a distância vertical do ponto até o valor médio de y.
Atenção!
O valor obtido pela equação (21) é uma boa estimativa para verificar a aderência da reta obtida por métodos
dos mínimos quadrados, porém outros métodos estatísticos para estimar erros possuem mais precisão.
Vem que eu te explico!
65% 2 = 65%
2
linha'
2
$
16/08/2022 8:03 PM
Página 30 de 79
Vem que eu te explico!
Os vídeos a seguir abordam os assuntos mais relevantes do conteúdo que você acabou de estudar.
1:56 min
Módulo 1 - Vem que eu te explico!
Correlações de Pearson
1:06 min
Módulo 1 - Vem que eu te explico!
Correlação de Spearman
1:51 min
Módulo 1 - Vem que eu te explico!
Métodos dos mínimos quadrados
16/08/2022 8:03 PM
Página 31 de 79
Todos
Introdução - Video
Introdução
Módulo 1 - Video
Correlação: Pearson e Spearman e métodos dos mínimos quadrados
Módulo 2 - Video
O que são testes paramétricos?
Módulo 3 - Video
Utilização dos testes não paramétricos
Falta pouco para atingir seus objetivos.
Vamos praticar alguns conceitos?
% Todos Introdução Módulo 1 Módulo 2 Módulo 3 &
Questão 1
Considere os seguintes dados abaixo e assinale a opção que apresenta a reta calculada pelo método dos
mínimos quadrados:
Estado Indivíduos diagnosticados com dengue Área de mata atlântica (km²)
16/08/2022 8:03 PM
Página 32 de 79
Rio de Janeiro 1.972 13.000
São Paulo 132.665 23.349
Espírito Santo 3.781 46.000
Minas Gerais 19.240 32.055
Paraná 38.376 25.269
Santa Catarina 16.693 28.313
Rio Grande do Sul 7.618 18.838
Gabriel Burlandy.
A y=46.736,0481-0,5717⋅x
B y=46.736,0481+0,5717⋅x
C y=86.736,0481-0,4717⋅x
D y=-46.736,0481+0,8170⋅x
E y=-46.736,0481-0,5.000⋅x
Parabéns! A alternativa A está correta.
O método dos mínimos quadrados é obtido pelas
equações (13) e (14). Assim:
16/08/2022 8:03 PM
Página 33 de 79
Rotacione a tela. #
Completando a tabela com os dados necessários para
a equação (13), verificamos que:
Indivíduos
diagnosticados
Área de
mata
= =0
% % =0 ! =0
=0
2 % =0
2
= ¯ % ¯(14)
16/08/2022 8:03 PM
Página 34 de 79
Utilizando agora a equação (13),temos o seguinte:
Rotacione a tela. #
Agora, usando a equação (14), vemos que:
Estado
diagnosticados
com dengue (
)
atlântica
(km²) (
)
Rio de
Janeiro
1.972 13.000 25636000
São
Paulo
132.665 23.349 3097595085
Espírito
Santo
3.781 46.000 173926000
Minas
Gerais
19.240 32.055 616738200
Paraná 38.376 25.269 969723144
Santa
Catarina
16.693 28.313 472628909
Rio
Grande
do Sul
7.618 18.838 143507884
Média 31.478 26.689
Não precisa
calcular
∑ 220.345 186.824 5.499.755.222
.
=
7 ! 5.499.755.222 % 186.824 ! 220.345
7 ! 5.652.717.400 % (220.345)2
& %0.
16/08/2022 8:03 PM
Página 35 de 79
Agora, usando a equação (14), vemos que:
Rotacione a tela. #
Desse modo, a reta estimada pelo método dos
mínimos quadrados é:
Rotacione a tela. #
= 31.478 % (%0, 5717 ! 26.689) = 46.736, 0481
= 46.736, 0481 % 0, 5717 !
Questão 2
Em um estudo sobre crianças entre 7 e 9 anos de idade com gripe, foi montado um gráfico do número de
infectados de acordo com a distância de suas casas até o principal rio que corta a cidade. Nesse
levantamento, foram coletados 1.000 dados. Ao traçar a reta que melhor se ajusta aos dados, foi obtida a
equação da reta: y=12+0,24x, com R2=98%.
Isso significa que:
A a variável dependente e a independente possuem uma correlação positiva fraca.
16/08/2022 8:03 PM
Página 36 de 79
B a variável dependente e a independente possuem uma correlação positiva forte.
C a variável dependente e a independente possuem uma correlação negativa forte.
D a variável dependente e a independente possuem uma correlação negativa fraca.
E a variável dependente e a independente possuem uma correlação nula.
Parabéns! A alternativa B está correta.
Veja que a equação da reta apresentada tem
coeficiente angular positivo b=0,24. Isso significa que a
reta é ascendente; logo, a correlação é positiva. Além
disso, como o enunciado afirma que há uma precisão
de 98%, podemos afirmar que a correlação entre as
variáveis é forte.
'''''
16/08/2022 8:03 PM
Página 37 de 79
2 - Testes paramétricos
Ao final deste módulo, você será capaz de aplicar os testes paramétricos.
Teste paramétricos
O que são testes paramétricos?
Análise de fatores populacionais
Testes paramétricos: ferramenta estatística
"
16/08/2022 8:03 PM
Página 38 de 79
O teste paramétrico é uma ferramenta estatística poderosa utilizada em análise de fatores populacionais.
Ele impõe às amostras (dados) uma condição de existência.
Exemplo
Tamanho (quanto maior a quantidade de dados, menor é o erro associado) e intervalo matemático.
Trata-se, portanto, de testes que nos permitem avaliar a significância estatística das amostras e quantificar
a correlação entre uma variável quantitativa e uma categórica (qualitativa). Tais variáveis categóricas
diferenciam os indivíduos em grupos (tamanho, peso, sexo, turno de trabalho, idade etc.).
Testes paramétricos se apoiam na distribuição da variável estudada. De fato, existem diversos tipos de leis
de distribuição; contudo, como se baseiam em distribuições normais de dados, esses testes levam em
consideração dois parâmetros: a média e o desvio-padrão.
Atenção!
Para aplicar os testes paramétricos em um conjunto de dados, é preciso averiguar a homogeneidade das
variâncias na população de dados. Além disso, é recomendado que o número de indivíduos (valor n de
dados) seja maior que 30 por grupo e que esses grupos sejam balanceados. Caso haja uma quantidade
menor de dados, será necessário recorrer a testes não paramétricos.
São os testes paramétricos:
Prova do valor Z da distribuição normal padrão.
Teste t de Student para dados relacionados (amostras dependentes).
t de Student para dados não relacionados (amostras independentes).
Teste t de Student-Welch para duas amostras independentes com variâncias não homogêneas.
Teste de Chi Square de Bartlett para demonstrar a homogeneidade das variações.
F (análise de variância ou ANOVA).
Como podemos observar, são muitos os testes estatísticos paramétricos. Entretanto, daqui em diante,
concentraremos nossa discussão no teste da distribuição normal e nas condições existentes para os
testes unilaterais - e em como aceitar e rejeitar determinadas hipóteses - a partir do valor 
Hipóteses estatísticas
%
16/08/2022 8:03 PM
Página 39 de 79
Distribuição normal padrão Z
Quando trabalhamos com dados discretos ou contínuos, conseguimos, em geral, montar uma curva
simétrica chamada de distribuição normal (ou simplesmente de curva gaussiana), como mostra a imagem
adiante.
Esboço de uma curva gaussiana (distribuição normal).
Na imagem acima, uma coluna preta representa o valor médio da distribuição. Ela é, portanto, simplesmente
a média aritmética calculada com os valores dos dados. Nos dois lados da coluna preta, duas colunas
cinza-escuras representam os valores existentes com mais um e menos um desviopadrão, isto é, e
.
Veja que as colunas possuem tons de cinza variados e que, quanto mais afastado da média (coluna preta),
mais claro fica o tom de cinza. Mas o que esse tom representa?
Resposta
A probabilidade de você encontrar um valor presente em determinada faixa de valores.
Para entender isso melhor, inicialmente observe esta imagem:
¯ +
¯ %
16/08/2022 8:03 PM
Página 40 de 79
Representação de média µ e desvio-padrão no gráfico de distribuição normal.
Na imagem, a média - que estávamos até agora denominando é chamada de µ.
Saiba mais
Tanto quanto µ são formas válidas de se referir à média aritmética. Você pode encontrar as duas formas
de escrita em artigos científicos e livros.
Veja que, na imagem anterior, há o valor central o µ e, ao seu redor, os desvios-padrão. Se compararmos a
representação de média (μ) e desvio-padrão (σ) no gráfico de distribuição normal com a do esboço de uma
curva gaussiana (distribuição normal), veremos que as três barras centrais correspondem ao intervalo de 
 a e que esse intervalo, na imagem da representação de média (μ) e desvio-padrão (σ) no gráfico de
distribuição normal, corresponde a 68,2%. Isso significa que os dados contidos nesse intervalo possuem
62,8% de chance de ocorrência.
Se aumentarmos o intervalo de a , teremos uma chance de ocorrência de 95,4%. Além disso, se esse
intervalo for de a , haverá uma probabilidade de 99,7% (que é aproximadamente 100%).
Mas podemos ter uma probabilidade maior que 100%? A resposta é não. Na verdade, nessa curva, a área
máxima abaixo dela é de 1, ou seja, 100%.
Atenção!
A primeira coisa que temos de saber é que, em uma distribuição normal, há a média moda mediana.
Em segundo lugar, precisamos observar que essa curva é obtida por meio da plotagem de um gráfico dos
dados no modelo histograma.
Ainda resta uma questão: como se determina então a probabilidade de ocorrência olhando o histograma? É
pelo cálculo da gaussiana? Mais uma vez, a resposta é esta: não.
Essa determinação é feita ao se plotar um segundo gráfico, o qual, apesar de também ser de uma
( )
¯%
¯
%1 1
%2 2
%3 3
= =
16/08/2022 8:03 PM
Página 41 de 79
Essa determinação é feita ao se plotar um segundo gráfico, o qual, apesar de também ser de uma
gaussiana, é chamado de distribuição normal. Mas como isso é feito?
Nesse gráfico, o valor médio é considerado zero, ou seja, . Em torno de µ, existem os desvios-padrão 
. Para a direita, o desvio é positivo; para a esquerda, negativo. Veja a imagem abaixo:
Curva gaussiana em uma distribuição normal.
Na imagem acima, o valor central é 0, o que significa a existência de zero desvios-padrão ali. Já o valor 1
implica 1 desvio-padrão para mais; o valor menos 1, 1 desvio-padrão para menos – e assim
sucessivamente.
Mas como é feita a correlação do gráfico apresentado no esboço de uma curva gaussiana (distribuição
normal) com aquele apresentado na curva gaussiana em uma distribuição normal? Resposta: a partir da
fórmula do valor Z.
O valor z mede exatamente a quantidade de desvios-padrão ao qual um dado da amostra está deslocado
em relação ao valor médio. A fórmula Z é a seguinte:
(15)Rotacione a tela. #
Em que:
- x é o valor que queremos analisar;
- µ é o valor da média;
= 0
=
%
16/08/2022 8:03 PM
Página 42 de 79
- µ é o valor da média;
- é o desvio-padrão.
Vamos aprender agora como aplicar a fórmula de Z (equação 15) e correlacionar os gráficos de esboço de
uma curva gaussiana (distribuição normal) e curva gaussiana em uma distribuição normal:
Veja que, no gráfico do esboço de uma curva gaussiana (distribuição normal), as três barras centrais varrem
um intervalo de 140 a 170 (incremento de 10 em 10). Com isso, podemos estimar a média de tais valores,
encontrando o valor do centro desse intervalo de 140 a 170, da seguinte maneira:
(16)
Rotacione a tela. #
O valor encontrado em (16) se trata de uma estimativa: ele não substitui a média aritmética calculada da
forma convencional. Ainda assim, ele é uma boa estimativa, pois, apesar de possuir o gráfico plotado no
gráfico esboço de uma curva gaussiana (distribuição normal), não há a tabela de dados para poder calcular
o valor da média aritmética.
Após termos estimado o valor da média, vamos estimar agora o desvio-padrão usando o código de cores do
gráfico esboço de uma curva gaussiana (distribuição normal). Como as duas barras cinzas mais escuras
aparecem nos intervalos 140 a 150 e, em seguida, entre 160 e 170 , podemos dizer que o desvio-padrão é 15
(veja que usamos a extremidade do valor dos retângulos cinza escuro e o valor médio). Note, afinal, que 155
- 140 = 15 e que 170 - 165 = 15. Dessa forma, σ = 15.
Vamos buscar a probabilidade de se encontrar o valor 170. Para isso, usaremos a equação (15):
Rotacione a tela. #
O valor 170, assim, está a uma distância de 1,0 desvios-padrão à direita do valor médio. Se você olhar
novamente o gráfico curva gaussiana em uma distribuição normal, verá que esse valor se encontra entre 1 e
2, apresentando uma probabilidade 34,13% de ocorrência. Outra interpretação que podemos ter é a de que o
=
140 + 170
2
= 155
=
%
=
170 % 155
15
= 1, 0
16/08/2022 8:03 PM
Página 43 de 79
valor 170 se encontra a 1,0 desvios-padrão acima da média.
Depois de termos visto o valor Z e os gráficos de curva gaussiana (distribuição normal), podemos dizer que,
na área científica, a distribuição normal talvez seja o tipo de distribuição mais importante entre as
distribuições estatísticas. Tendo uma curva simétrica em forma de sino e sendo de fácil interpretação, ela
permite a descrição de diversos fenômenos.
Atenção!
Altura ou peso de uma população, pressão ocular de um grupo de pessoas e quantidade de pessoas
contaminadas com covid-19 em determinado intervalo de tempo.
Hipóteses, testes e tipos de erros
A hipótese estatística é uma suposição feita acerca de um valor, o qual nada mais é do que um parâmetro
populacional. Diante disso, existe a necessidade de se testar a hipótese por meio de uma regra de decisão.
Esse teste nos permitirá aceitar ou rejeitar a hipótese estatística feita.
Dica
Em estatística, é sempre de bom tom se perguntar: qual é a probabilidade de minha hipótese estar errada?
Elenquemos agora duas terminologias relativas às hipóteses:
A lógica por trás de se testar uma hipótese está em formular uma com a pretensão de rejeitá-la. Por
isso, seu nome é hipótese nula.
Se o teste indicar a rejeição de H0, trata-se de um indicador de decisão seguro. Porém, se ele indicar a
 (hipótese nula): Hipótese estatística a ser testada.0
: Hipótese alternativa.1
0
16/08/2022 8:03 PM
Página 44 de 79
Se o teste indicar a rejeição de H0, trata-se de um indicador de decisão seguro. Porém, se ele indicar a
aceitação de H0, deve-se testar o nível de significância α. Se ambos forem satisfatórios, não se poderá
rejeitar H0.
Uma hipótese nula é expressa por uma igualdade; uma alternativa, por uma desigualdade.
Os testes de hipóteses são classificados em dois grupos:
Testes paramétricos
São aplicados em variáveis cuja distribuição de probabilidade teórica é conhecida. Além disso, há a
necessidade de que essas variáveis tenham sido medidas em intervalos conhecidos. No caso das
variáveis aleatórias, é necessário haver uma variância homogênea. Chamamos isso de
homoscedasticidade.
Testes não paramétricos
São aplicados quando não se conhece a distribuição populacional das amostras colhidas. Esses testes
são mais gerais, o que permite sua aplicação em variáveis ordinais. Todavia, não se mostram tão
poderosos quanto os paramétricos devido à falta de informação.
Agora vamos estudar os testes paramétricos:
Quando realizamos uma análise estatística, o que fazemos, na verdade, é tentar inferir, acerca da população
de dados, a existência de um valor médio que represente adequadamente tal população com determinada
(
16/08/2022 8:03 PM
Página 45 de 79
de dados, a existência de um valor médio que represente adequadamente tal população com determinada
dispersão. Essa dispersão, em geral, é representada pelos desvios-padrão como vimos acima nos gráficos
de Esboço de uma curva gaussiana (distribuição normal), representação de média (µ) e desvio-padrão (σ) no
gráfico de distribuição normal e Curva gaussiana em uma distribuição normal.
Entretanto, é preciso sempre assumir a chance, mesmo que pequena, de que uma hipótese esteja errada,
pois é possível estar em uma situação na qual a estatística calculada a partir de uma amostra não seja bem
representativa em relação à população amostral. Isso indica, portanto, o risco de se aceitar uma hipótese
falsa.
Vamos ao exemplo abaixo:
Em um hospital, há 11 alas com os seguintes números de pacientes: 150, 155, 160, 165, 170, 175, 180, 185,
190, 195 e 200. A média populacional de pacientes por ala nesse hospital é de µ0 = 175.
Nesse caso, a nossa hipótese H0 é: µ = 175. Essa hipótese é verdadeira nesse caso (basta calcular a média
aritmética e comparar com a mediana). Todavia, se retirarmos uma amostra dessa população de tamanho
3, como A = {190, 195, 200}, teremos uma média amostral de = 195, que é um valor diferente de µ imposto
por H0.
Perceba que esse valor (195) está bem distante da nossa média (175). Isso nos indica uma probabilidade
baixa de ocorrência (basta lembrar a curva gaussiana) e que possivelmente a análise de causará a
rejeição da hipótese H0.
Nesse caso, dizemos que existe um erro do tipo I. Todavia, se tivéssemos lidando com amostras cujo valor
da média ficasse suficientemente próximo da média (cerca de até um desvio-padrão), teríamos a
aceitação da hipótese H0 devido à falta de evidências para se rejeitar essa hipótese.
Por outro lado, na mesma população de dados, se a hipótese nula tivesse sido H0 : µ = 194 contra uma
hipótese alternativa H1 : µ < 194, a amostra A de média amostral 195 teria feito com que acreditássemos
que H0 deveria ser aceita. Nesse caso, dizemos que se trata de um erro do tipo I I.
Esta tabela resume os tipos de erros apresentados no exemplo acima:
Situações possíveis
A realidade sobre   a população
¯
¯
= 175
16/08/2022 8:03 PM
Página 46 de 79
H0 é   verdadeira H0 é falsa
Resultado   do teste
leva a:
Aceitar H0
O   teste acertou Ocorreu   erro tipo II
Probabilidade   1-α Probabilidade   β
Rejeitar   H0
Ocorreu   erro tipo I O   teste acertou
Probabilidade α Probabilidade   1-β
Tabela 9: Possíveis probabilidades e situações envolvidas.
LOESCH, 2015, p. 124.
Veja que, de acordo com a tabela 9, existem dois níveis de risco:
- Rejeitar é verdadeira Erro tipo .
- Aceitar é falsa Erro tipo .
Chamamos a probabilidade α de significância do teste. Esse valor de α expressa os valores críticos
probabilísticos que separam a região de aceitação da região de rejeição de H0.
Vamos agora falar sobre testes unilaterais e bilaterais para começarmos a compreender α.
Testes estatísticos
Testes unilaterais
Quando, em um teste, a hipótese H0 é uma igualdade de um parâmetro populacional , como a média µ,
por exemplo, o valor testado (um número qualquer) simboliza a hipótese nula da seguinte forma: 
 .
Já a hipótese pode ser estabelecida de trêsmodos:
(1) Teste bilateral (2) Teste unilateral à direita (3) Teste unilateral à esquerda
= ( 0 ) 0 ) = ( )
= ( 0 ) 0 ) = ( )
( )
0
0 : = 0
1
16/08/2022 8:03 PM
Página 47 de 79
As hipóteses de um teste de comparação de um parâmetro. 
LOESCH, 2015, p. 124.
Observando a tabela acima, podemos afirmar que, em um teste unilateral, à esquerda (3), 
determina que existe somente uma região de rejeição de H0 situada no lado esquerdo da distribuição. Já na
situação (2), do teste unilateral à direita, com , podemos afirmar que há somente uma região de
rejeição de H0 situada no lado direito da distribuição.
Nos dois casos (2) e (3), existe somente um ponto crítico que separa a região de aceitação daquela de
rejeição. Nesse caso, se atribui o risco 
Porém, se estivermos no caso (1), em que estamos realizando um teste bilateral, veremos que, para 
, existem duas regiões de rejeição de H0, as quais correspondem respectivamente aos valores
abaixo e acima do valor de estado. Nesse caso, dois pontos críticos determinam a separação existente
entre a região de aceitação e cada uma das regiões de rejeição. O risco atribuído aqui é o seguinte: .
A imagem abaixo demonstra os casos de faixas de rejeição para um teste unilateral à direita e um teste
bilateral:
Regiões de aceitação e rejeição em teste unilateral e bilateral de média.
Vimos aqui os tipos de testes bilateral e unilateral. Mas qual deles eu devo fazer? A resposta dependerá da
hipótese alternativa, isto é, se ela será aceita ou não.
Analisemos dois exemplos:
Testando a qualidade da água
Para testar a qualidade da água, é necessário fazer medições da quantidade dos poluentes existentes
nela. Sabemos que existe um valor crítico no qual qualquer valor acima desse valor crítico será maléfico
0 : = 0 0 : = 0 0 : = 0
1 : $ 0 1 : > 0 1 : < 0
1 : < 0
1 : > 0
.
1 : $ 0
2
16/08/2022 8:03 PM
Página 48 de 79
nela. Sabemos que existe um valor crítico no qual qualquer valor acima desse valor crítico será maléfico
ao consumo humano. Por isso, fazemos um teste unilateral para rejeitar hipóteses cuja média amostral se
mostre muito elevada, ou seja, um teste unilateral à direita .
Testando a qualidade de diâmetros de parafusos
Sabemos que o diâmetro de um parafuso deve atender a uma faixa de especificação. Ele não pode ser tão
grosso a ponto de não conseguir entrar no buraco com rosca nem fino demais a ponto de passar direto
sem ser possível rosquear. Então, nesse caso, há dois valores críticos: um, abaixo do valor médio; outro,
acima desse valor. Será preciso, portanto, fazer um teste bilateral.
Para podermos estimar parâmetros e testes de hipóteses, teremos de observar que tanto os testes de
confiança quanto os de hipótese têm α como probabilidade, só que com significados distintos.
Intervalos de confiança
α é a probabilidade de o valor do parâmetro estimado não estar situado no intervalo de confiança.
Testes de hipóteses
α corresponde à problabilidade da existência de um erro do tipo I, ou seja, a probabilidade de se rejeitar H0,
mesmo ela sendo verdadeira.
Não se deve fazer um teste de hipótese comparando o valor de um parâmetro com o resultado de uma
estimativa pontual.
Exemplo
Uma vez obtida a média amostral igual a 100 , testa-se, em seguida, se a média populacional possui de fato
esse valor. Como, em todo momento, se terá H0 como verdadeiro, a hipótese será sempre aceita.
Por isso, o valor de teste deve ser preestabelecido. Mas como se efetua um teste de hipótese?
Para se realizar os testes de hipótese, os seguintes passos devem ser seguidos:
1. Enunciar H0 e H1.
2. Fixar o nível de significância α.
16/08/2022 8:03 PM
Página 49 de 79
3. Calcular a estatística do teste pelos elementos amostrais.
4. Comparar o valor do teste (obtido estatisticamente) com o obtido a partir da distribuição teórica
específica e concluir se o valor estatístico se encontra na região de aceitação ou de rejeição de H0.
Atenção!
Existe uma alternativa: o valor (probabilidade de significância). Tal valor é uma técnica estatística
geralmente utilizada para gerar o resultado de um teste de hipótese. A definição formal do valor - é a
seguinte: trata-se da probabilidade de obter uma estatística de teste igual ou mais extrema que a observada
em uma amostra, assumindo como verdadeira a hipótese nula.
Desse modo, de maneira alternativa à do passo 4, podemos descrever assim o passo 5:
Se, durante a análise, concluirmos que o valor é menor que o nível de significância estipulado,
assumiremos então a existência de um erro tipo I e faremos a rejeição da hipótese nula. Porém, se o valor 
 for maior, não assumiremos a existência do erro tipo I e prosseguiremos com a aceitação de H0.
Teste de um parâmetro populacional
Agora vamos compreender melhor o significado do valor , assim como os significados de α e das
estimações de parâmetros, conhecendo a variância populacional e o nível de confiança.
Teste para a média conhecendo a variância
populacional
Após havermos discutido sobre o valor -p, o intervalo de confiança e as hipóteses, vamos aprender a utilizar
o valor -p para aceitar ou rejeitar H0. Mas, em primeiro lugar, precisamos destas informações:
Tabela de intervalo de confiança.
Tabelas de distribuição normal padrão: valores negativos e valores positivos.
Dica
Você pode fazer o download dessas tabelas na área de preparação.
%
%
%
%
16/08/2022 8:03 PM
Página 50 de 79
Outro ponto é que precisamos deixar bem claro que o valor α, que é o nível de significância, é igual a 1
menos o intervalo de confiança. Ou seja:
(17)
Rotacione a tela. #
Se temos um nível de significância de 5% (0,05), nosso intervalo de confiança é:
Rotacione a tela. #
Dito isso, vamos falar agora do teste para a média. Considere um número real e que tal número seja
indicado como a média populacional de um grupo de dados.
Com o teste, seremos capazes de verificar se o valor pode ser aceito ou não como média populacional.
Mas como faremos isso? Resposta: a partir das hipóteses.
Nesse caso, as hipóteses são:
 (bilateral), ou (unilateral), ou (unilateral).
Tudo bem... mas como analisamos isso? Existe uma fórmula de valor Z a ser considerada:
(18)
Rotacione a tela. #
Em que:
- é a média amostral, ou seja, média de dados de uma amostra com retirados de uma população
de dados;
= 1 %
= 1 % 0, 05 = 0, 95'ou'95%
0
0
0 : = 0
1 : $ 0 < 0 > 0
=
¯ % 0
¯
¯ * 30
16/08/2022 8:03 PM
Página 51 de 79
de dados;
- é a nossa proposta de média representativa da população, isto é, a nossa hipótese;
- é o que chamamos de erro da média.
Trata-se de um desvio-padrão associado à média. Esse desvio é calculado da seguinte maneira:
(19)
Rotacione a tela. #
Comentário
Vamos entender melhor a equação (18) um pouco mais à frente.
Teste unilateral à direita 
Como vimos antes, a probabilidade de ocorrência de um erro tipo I é:
 rejeitar é verdadeira 
Sendo assim, H0 será rejeitado se possuirmos uma média amostral acima de determinado valor crítico ,
assim como tal hipótese será aceita se a média for menor ou igual a . Desse modo, podemos estabelecer
o nível de significância α da seguinte maneira:
(20)
Rotacione a tela. #
Comentário
Você pode estar preocupado sobre o significado do traço na figura. Ele é somente uma separação usada
para indicar as duas condições: unilateral à direita com a hipótese de .
A função (20) também pode ser escrita em função de e (Z crítico, que é o Z do nível de significância)
da seguinte forma:
(21)
0
¯
¯ =
+
% 1 : > 0
= ( 0 ) 0 )
¯
¯
= (¯ > ¯ ) = 0)
= 0
16/08/2022 8:03 PM
Página 52 de 79
(21)
Rotacione a tela. #
Sendo:
(22)
Rotacione a tela. #
Podemos encontrar o valor crítico desta maneira:
(23)
Rotacione a tela. #
Com o valor encontrado em (23), conseguimos estabelecer o critério de comparação- da seguinte forma:
Se , rejeita se H0
Outro critério poderá ser estabelecido ao se considerar a mesma linha de raciocínio:
Se , rejeita se H0
A figura adiante indica, na distribuiçãonormal, a região de rejeição da hipótese H0 :
=
¯ % 0
¯
>
¯ % 0
¯
) = 0
=
¯ % 0
¯
¯ = ¯ ! + 0
¯
¯ > ¯ %
> %
16/08/2022 8:03 PM
Página 53 de 79
Os dois critérios de comparação vistos em suas respectivas distribuições normais.
Teste unilateral à esquerda 
Difere-se do teste anterior neste quesito: a região de rejeição agora se localiza do lado esquerdo do valor
médio - e não mais do direito.
Além disso, os critérios da comparação de e passam a possuir condições abaixo.
Critério da comparação de :
(24)
Rotacione a tela. #
Nesse caso, se , rejeita-se H0.
Critério da comparação de Z:
Nesse critério, continua sendo calculado como na equação (18). Porém, se , rejeita-se H0.
Agora veremos como o valor é calculado para esses dois testes unilaterais (à direita e à esquerda).
Para isso, inicialmente iremos supor que a estatística seja calculada mediante a equação (18) e que H0
seja verdadeira. Em seguida, consideraremos:
No caso do teste unilateral à direita 
Calcula-se o valor da seguinte maneira:
Rotacione a tela. #
% 1 : < 0
¯
¯
¯ = 0 % ! ¯
< ¯
< %
%
( 1 : > 0)
%
= ( * )
16/08/2022 8:03 PM
Página 54 de 79
Nesse caso, a rejeição de H0 pelo critério de comparação - z acontece se , o que equivale a ,
pois a função é monotonicamente decrescente em relação a z.
No caso do teste unilateral à esquerda 
Calcula-se o valor desta forma:
Rotacione a tela. #
Nesse caso, a rejeição de H0 pelo critério de comparação - z acontece se , o que equivale a ,
pois a função é monotonicamente decrescente em relação a z.
No caso do teste unilateral à esquerda 
Calcula-se o valor - desta forma:
Rotacione a tela. #
Nesse caso, a rejeição de ocorre quando , o que equivale a .
Resumindo:
Se : , calcule 
Se : , calcule 
Se , rejeita se 
Vamos analisar um exemplo para conseguirmos ver a aplicação desses conceitos na prática:
Uma empresa que fabrica tubos de raio X para máquinas de radiografia afirma que o tempo médio de vida
útil de seus tubos tem duração de 1.000 horas. No entanto, em determinada amostra de 100 unidades, foi
> < %
( > )
( 1 : < 0)
%
= ( # )
> < %
( > )
( 1 : < 0)
= ( # )
0 <
1 > 0 = ( > )
1 < 0 = ( < )
< % 0
16/08/2022 8:03 PM
Página 55 de 79
útil de seus tubos tem duração de 1.000 horas. No entanto, em determinada amostra de 100 unidades, foi
verificado que o tempo médio de vida útil deles é de 980 horas.
A empresa também informou que o desvio-padrão populacional é de 95 horas. Todavia, existe uma
preocupação por parte dela de que o tempo médio da duração de seus tubos seja realmente inferior a
1.000 horas.
Vamos testar essa hipótese em um nível de significância de 5%. Para solucionar esse exemplo,
primeiramente separaremos os dados.
A partir do enunciado, vemos que:
Rotacione a tela. #
Tomaremos como hipótese inicial de que o tempo médio dos tubos seja de 1.000 horas. Assim:
Rotacione a tela. #
Como temos um valor médio observado menor do que 1.000, vamos supor também que a hipótese
alternativa seja:
Rotacione a tela. #
Como trabalhamos com a hipótese nula da seguinte maneira:
Rotacione a tela. #
Podemos afirmar que: 
Agora, para , temos um , ou seja, um índice de confiança de 95%. Olhando nossa tabela
de índice de confiança, verificamos que 
Nosso próximo passo é calcular o valor de z a partir da composição entre as equações (18) e (19):
¯ = 980; = 95; = 100
0 : = 1.000
1 : < 1.000
0 : = 0
0 = 1.000
= 0, 05 = 0, 95
= 1, 96
16/08/2022 8:03 PM
Página 56 de 79
Nosso próximo passo é calcular o valor de z a partir da composição entre as equações (18) e (19):
Rotacione a tela. #
Calculado o z, resolveremos o problema utilizando três critérios:
 Comparação
Rotacione a tela. #
 Como , aceita se H0.
 Comparação : como , rejeita-se H0.
Note que, por haver dois critérios distintos, existem dois resultados completamente distintos, ou seja, um
empate.
Faremos agora a análise do valor para podermos tomar uma decisão:
Rotacione a tela. #
Como o valor , rejeita se H0.
De onde saiu o valor 0,0174? Saiu da nossa tabela de distribuição normal padrão de valores negativos. Mas
como chegamos a ele?
Em primeiro lugar, o valor foi arredondado para . Em seguida, ele foi desmembrado da seguinte
= ¯% 0/+ =
980%1.000
95/+100 = %2, 10526
%¯ : ¯ = 0 % ! ¯ ¯ = 1.000 % 1, 96 ! 95+100 = 981, 38
¯ > ¯ %
% < %
%
'valor' % : = ( < %2, 10526) = 0, 0174
< %
16/08/2022 8:03 PM
Página 57 de 79
Em primeiro lugar, o valor foi arredondado para . Em seguida, ele foi desmembrado da seguinte
maneira: .
Procuramos, na coluna da esquerda, a linha que apresenta o valor e, na linha horizontal, a coluna que
apresenta o valor 
Demonstração de como encontrar um valor na tabela z:
Tabela 11: Demonstração de como encontrar um valor na tabela z (parte da tabela 2).
UNICAMP, 2022.
Note que, na interseção, encontramos o valor 0,0174.
Mas qual decisão tem de ser tomada? Como dois dos testes rejeitaram a amostra (e, principalmente, o valor
 rejeitou ), deve-se rejeitar H0.
Saiba mais
Há análises de hipóteses bilaterais (e análises de hipóteses) nas quais os parâmetros populacionais são
desconhecidos. Esses métodos serão indicados na seção de Explore +.
Vem que eu te explico!
Os vídeos a seguir abordam os assuntos mais relevantes do conteúdo que você acabou de estudar.
Módulo 2 - Vem que eu te explico!
Distribuição normal: a curva gaussiana
%2, 11
%2, 1 + 0, 01
%2, 1
0, 01.
% 0
$
16/08/2022 8:03 PM
Página 58 de 79
2:24 min
1:46 min
Módulo 2 - Vem que eu te explico!
O que são hipóteses e como efetuar testes de hipóteses?
Todos
Introdução - Video
Introdução
Módulo 1 - Video
Correlação: Pearson e Spearman e métodos dos mínimos quadrados
Módulo 2 - Video
O que são testes paramétricos?
Módulo 3 - Video
Utilização dos testes não paramétricos
Falta pouco para atingir seus objetivos.
Vamos praticar alguns conceitos?
% Todos Introdução Módulo 1 Módulo 2 Módulo 3 &
Questão 1
Determinada amostra com (n=100) foi retirada de uma população 1 milhão de vezes maior. Estimou-se
então que essa amostra teria um nível de significância de 20%. Sendo assim, o intervalo de confiança é igual
a:
A 10%
16/08/2022 8:03 PM
Página 59 de 79
B 5%
C 80%
D 90%
E 95%
Parabéns! A alternativa C está correta.
Sabemos que o nível de significância e o intervalo de
confiança (IC) se relacionam da seguinte maneira:
Sendo assim:
Logo:
= 1 %
0, 2 = 1 % ' = 1 % 0, 2 = 0, 8
16/08/2022 8:03 PM
Página 60 de 79
= 80%
Questão 2
Determinada fábrica de bisturis fabrica bisturis de aço com espessura média da lâmina de 0,40mm. Após
uma análise em uma amostra de 120 bisturis, foi verificado um valor médio de 0,44mm. O desvio-padrão
populacional é de 0,04mm. Contudo, a fabricante tem uma preocupação com o fato de a média ser maior do
que 0,40mm. Considerando um nível de significância de 1%, analise as afirmativas abaixo.
I. Pelo teste da comparação , deve-se aceitar a hipótese H0.
II. Pelo teste da comparação , deve-se rejeitar a hipótese H0.
III. Pelo teste do valor , deve-se rejeitar a hipótese H0.
¯
%
A Somente a afirmativa I está correta.
B Somente a afirmativa II está correta.
C As afirmativas I e III estão corretas.
D As afirmativas II e III estão corretas.
E As afirmativas I e II estão corretas.
Parabéns! A alternativa D está correta.
Vamos primeiramente separar os dados:
¯ = 0, 44; = 0, 04; = 120
16/08/2022 8:03 PM
Página 61 de 79
As hipóteses são:
Como trabalhamos com a hipótese nula da seguinte
maneira...
Podemos afirmar que: .
Já para =0,01(1%, o que foi dito no enunciado , existe
um IC = 0,99, ou seja, um índice de confiança de 99%.
Olhando nossa tabela de índice de confiança, vemos
que .
Nosso próximo passo é calcular o valor de pela
composição entre as equações (18) e (19):
Calculado o , podemos resolver o problema utilizando
três critérios:
0 : = 0, 40' 1 : > 0, 40
0 : = 0
0 = 0, 40
)
= 2, 58
=
¯ % 0
/+
=
0, 44 % 0, 40
0, 04/+120
= 10, 95
16/08/2022 8:03PM
Página 62 de 79
três critérios:
 Comparação 
 Como , rejeita se .
 Comparação : como , rejeita se .
Por dois critérios distintos, são obtidos dois resultados
que rejeitam completamente . Mesmo assim,
vamos fazer a análise do valor :
 valor 
Como o valor , rejeita se .
A decisão adequada, portanto, é a de rejeitar .
Sendo assim, as afirmativas II e III estão corretas.
¯ : ¯ = 0 % ! ¯ ¯ = 0, 40 + 2, 58 !
0,04
+120 (0, 41
¯ > ¯ % 0
> % 0
0
%
% : = ( > 10, 95) = 0, 9997
< % 0
0
'''''
16/08/2022 8:03 PM
Página 63 de 79
3 - Testes não paramétricos
Ao final deste módulo, você será capaz de aplicar os testes não paramétricos.
Testes não paramétricos
Utilização dos testes não paramétricos
Contexto do teste não paramétrico
Estatística moderna, inferência e não parametrização
"
16/08/2022 8:03 PM
Página 64 de 79
Durante o estudo da estatística, técnicas consideradas recentes começaram a surgir. Algumas delas
buscavam inferir hipóteses sobre a natureza populacional dos dados e estabeleciam uma relação entre as
variáveis; por isso, elas são chamadas de testes paramétricos (assunto que já abordamos).
No entanto, certos testes não especificam as condições sobre os parâmetros da população de dados. Trata-
se dos chamados testes não paramétricos. Nesse modelo de análise, mesmo se houver uma pressuposição
a ser inferida, com certeza ela será muito mais branda que a pressuposição proposta nos testes
paramétricos.
Os tipos de testes não paramétricos existentes estão dispostos na tabela adiante:
Testes estatísticos não paramétricos
16/08/2022 8:03 PM
Página 65 de 79
Tabela 12: Testes não paramétricos e suas condições de aplicação.
Gabriel Burlandy.
Essa tabela conta com diversos testes não paramétricos. Entretanto, abordaremos neste conteúdo apenas o
teste de . A depender do tipo de amostra, esse teste pode ser usado em três diferentes momentos:
)
Existe somente uma amostra
Nível de
mensuração Caso de
uma   amostra
Caso de duas amostras Caso de k amostras
Amostras
relacionadas
Amostras
independentes
Amostras
relacionadas
Nominal Binomial e McNemar Fisher e Q de Cochram
Ordinal
Kolmogorov-
Smirnov
Sinais Mediana
Friedman
Iterações Wilcoxon
U de   Mann-
Withney
Kolmogorov-
Smirnov
Iterações de   Wald-
Wolfowitz
Moses
Intervalar
Walsh
Aleatoriedade
2 2
2
16/08/2022 8:03 PM
Página 66 de 79
Existe somente uma amostra
*
Há duas amostras
+
Existem diversas amostras (k amostras)
Além disso, o teste de é amplamente utilizado desde a análise de estatísticas de jogos de futebol até os
parâmetros estatísticos de uma técnica de difração de raios X. No caso dessa técnica, esse teste determina
a qualidade da análise da técnica de difração. Se tiver um resultado ruim, ele poderá indicar ainda que os
dados foram coletados de forma errônea ou que a análise foi feita de maneira equivocada, por exemplo.
O teste 
A relevância do teste 
Utilizamos o teste (qui-quadrado) quando estamos interessados em conhecer o número de indivíduos e
de objetos ou as respostas que se enquadram em duas ou mais categorias. Essa técnica consiste em
provar a existência de uma significativa diferença entre o número observado de indivíduos (ou de respostas)
em certa categoria e o respectivo número esperado que se baseia na hipótese de nulidade (nula) H0.
Para realizar o teste , deve-se comparar um grupo de frequência de dados observados com outro de
frequência de dados esperados. Para que isso ocorra de forma correta, utiliza-se a hipótese de nulidade,
pois ela dá a proporção de indivíduos que se enquadram em cada uma das diferentes categorias de
classificação da população de dados.
Matematicamente, testa-se a hipótese de nulidade da seguinte maneira:
(25)
2
2
2
2
2
2
16/08/2022 8:03 PM
Página 67 de 79
Rotacione a tela. #
Em que:
- Oi é o número de casos observados.
- Ei é o número de casos esperados.
Caso haja uma concordância entre Oi e Ei, a diferença Oi - Ei resulta em um valor pequeno. Isso acarreta
diretamente um também pequeno. Porém, se essa diferença for grande, terá um valor elevado.
É muito importante saber que, na equação (25), pode-se observar o grau de liberdade (gl) dos dados. Esse gl
é calculado da seguinte maneira:
(26)
Rotacione a tela. #
Ou seja, o gl é i número de classes k da amostra menos 1.
Exemplo
Você colheu 90 dados de idades de pessoas que trabalham em um escritório: 50 dados se referem àquelas
com idade entre 18 e 42 anos; 40 dados, àquelas entre 43 e 65 anos.
Desse modo, suas duas classes são:
Classe 1: pessoas entre 18 e 42 anos.
Classe 2: pessoas entre 32 e 65 anos.
Se eu tenho duas classes, um dado pertence a uma classe ou a outra, ou seja, não há direito de escolha
entre uma e outra. Por isso, só existe um grau de liberdade (gl = 2 - 1 = 1), já que há apenas uma opção para
os 50 dados colhidos com idade entre 18 e 42 e somente uma para os 40 dados colhidos com pessoas
entre 43 e 65 anos.
Compreender o gl é muito importante para conseguir aplicar o teste de , uma vez que cada dado
observado deve se enquadrar em uma das classes.
Comentário
2 = =1
( % )
2 2
= % 1
2
16/08/2022 8:03 PM
Página 68 de 79
Comentário
Continuamos chamando o número total dos dados observados de .
Durante a coleta de dados, devemos tomar cuidado para que haja uma independência entre as observações,
ou seja, não é possível realizar diversas observações sobre um mesmo indivíduo e considerá-las
independentes. Há também a necessidade de determinar a frequência esperada para cada uma das k
classes.
Se a hipótese nula apontar que a proporção de elementos em cada classe é a mesma, verifica-se que:
(27)
Rotacione a tela. #
Mas... e as condições do teste? Quando devemos aceitar ou rejeitar uma hipótese nula? É o que veremos a
seguir!
Analisando o e H0
Aceitando ou rejeitando H0 no teste não paramétrico
( 0)
=
2
16/08/2022 8:03 PM
Página 69 de 79
Assim como no teste paramétrico, uma tabela (tabela da qui-quadrado) permite a análise da probabilidade
de sucesso ( tabelado, tabela 3 ).
Nesse caso, temos:
- Se: da tabela, rejeita se H0;
- Se: da tabela, aceita se H0.
Vamos a mais um exemplo:
O secretário de saúde de determinado município espera que, no hospital municipal localizado no centro da
cidade, haja uma procura de 100 pessoas por dia para tomar a vacina contra o vírus H1N2. Sendo assim, ele
estabeleceu um nível de significância de 10%.
Dez dias após o início da vacinação, o secretário recebeu os seguintes dados:
Dia
Nº observado de Nº esperado de
2
2 * 2 %
2 < 2 %
( % )2
16/08/2022 8:03 PM
Página 70 de 79
Dia
pessoas pessoas
1 94 100 0,36
2 93 100 0,49
3 112 100 1,44
4 101 100 0,01
5 101 100 0,01
6 104 100 0,16
7 95 100 0,25
8 100 100 0
9 99 100 0,01
10 101 100 0,01
Soma 2,74
Tabela 13: Dados coletados em observação e dados esperados.
Gabriel Burlandy.
Diante disso, vamos utilizar o teste para testarmos se o modelo probabilístico que previu 100 pessoas
por dia está adequado. Para isso, vejamos as seguintes hipóteses:
2
: o número de pessoas que buscaram a vacina é aleatório.0
16/08/2022 8:03 PM
Página 71 de 79
A primeira coisa que faremos é determinar o grau de liberdade:
Rotacione a tela. #
Nosso próximo passo é determinar somando a última coluna da tabela 13:
Rotacione a tela. #
Agora podemos olhar a tabela 3 para averiguar se o nos permite tomar alguma decisão:
Determinação de tabelado (parte da tabela 3).
A partir da imagem, primeiramente, devemos procurar o grau de liberdade na coluna da esquerda (o 9).
Em seguida, procuramos a coluna correspondente ao nível de significância (10% = 0,1).
Nosso próximo passo é ver que o valor de tabelado é 14,684 , maior que o calculado (2,74). Dessa
: o número de pessoas que buscaram a vacina não é aleatório.1
= 10 % 1 = 9
2
2 = =1
( % )2
= 2, 74
2
2
( )
16/08/2022 8:03 PM
Página 72 de 79
Nosso próximo passo é ver que o valor de tabelado é 14,684 , maior que o calculado (2,74). Dessaforma, nós não podemos rejeitar podemos dizer que os dados coletados são aleatórios, considerando
um nível de significância de 10%, isto é, o número de pessoas que frequenta o hospital diariamente para
tomar a vacina do H1N2 é aleatório.
Atenção!
Também podemos chamar o tabelado de valor . Nesse caso, se valor , não se rejeita H0. Porém,
se valor , rejeita-se H0.
Além disso, para aplicar o teste , a amostra precisa ser relativamente grande.
Exemplo
Pelo menos cinco observações em cada célula. No caso de poucas classes, são necessárias, no mínimo, 10
observações.
Como tínhamos valores acima de 90 observações em cada célula da tabela 11, pudemos realizar o teste de 
 sem problemas.
Vem que eu te explico!
Os vídeos a seguir abordam os assuntos mais relevantes do conteúdo que você acabou de estudar.
Módulo 3 - Vem que eu te explico!
Conhecendo testes não paramétricos
2 2
0
2 2 <
2 *
2
2
$
16/08/2022 8:03 PM
Página 73 de 79
Todos
Introdução - Video
Introdução
Módulo 1 - Video
Correlação: Pearson e Spearman e métodos dos mínimos quadrados
Módulo 2 - Video
O que são testes paramétricos?
Módulo 3 - Video
Utilização dos testes não paramétricos
Falta pouco para atingir seus objetivos.
Vamos praticar alguns conceitos?
1:00 min
1:56 min
Módulo 3 - Vem que eu te explico!
O que é o χ2?
1:18 min
Módulo 3 - Vem que eu te explico!
Qual a relação entre χ2 e H0?
% Todos Introdução Módulo 1 Módulo 2 Módulo 3 &
Questão 1
Considere os seguintes dados:
16/08/2022 8:03 PM
Página 74 de 79
Os dados acima representam o número dos pacientes que frequentaram os 8 consultórios de clínicos gerais
de uma clínica médica durante 1 semana. Sabendo que o valor esperado de pacientes por semana é de 30
pacientes por consultório, assinale a opção que corresponde ao valor de .2
A 49,185
B 41,895
C 45,918
D 48,195
E 49,581
Parabéns! A alternativa D está correta.
Para resolver a questão, é preciso completar a tabela
do enunciado, considerando o número esperado 
de 30 pacientes e o número dos que foram atendidos 
 a fim de calcular os valores de :
Consultórios
1 2 3 4
( )
( ) (
% )2
16/08/2022 8:03 PM
Página 75 de 79
Depois de se calcular os valores para cada
consultório, deve-se somá-los. Veja que o valor pintado
de cinza na tabela acima corresponde ao valor
calculado de , pois é a somatória. Sendo assim, 
.
Nº de
pacientes
29 19 18 25
Nº
esperado
30 30 30 30
0,0
33
4,0
33
4,8
00
0,8
33
( % )
( % )2
2
2 = 48, 195
Questão 2
Considere que H0 aponta uma proporção de elementos igual para cada classe de dados. Se foram colhidos
2.000 dados separados em 40 classes, o número esperado será igual a:
A 10
16/08/2022 8:03 PM
Página 76 de 79
Considerações finais
B 20
C 30
D 40
E 50
Parabéns! A alternativa E está correta.
No enunciado, é indicado que existe uma proporção de
elementos com número total e 
(classes) . Desse modo, temos que:
( ) = 2000
= 40
= = 2.00040 = 50
'''''
16/08/2022 8:03 PM
Página 77 de 79
Ao longo deste conteúdo, ressaltamos a importância da estatística para a análise de problemas reais.
Entendemos como é possível estabelecer uma relação entre variáveis e verificar sua dependência, assim
como o grau de correlação.
Em seguida, verificamos o método dos mínimos quadrados e a existência de testes paramétricos e não
paramétricos para podermos estabelecer os critérios de decisão. Ressaltamos que esses testes não são
calculados para testar a possibilidade de uma probabilidade estar certa, e sim a chance de ela estar errada.
Por fim, no teste não paramétrico, vimos o famoso teste X2, que é amplamente utilizado em todos os ramos
das Ciências Humanas e Exatas.
Podcast
Ouça agora um resumo sobre o conteúdo estudado.
,
Referências
LOESCH, C. Probabilidade e estatística. Rio de Janeiro: LTC, 2015.
MORETTIN, L. G. Estatística básica: probabilidade e inferência. São Paulo: Pearson Prentice Hall, 2010.
PINHEIRO, J. I. D. et al. Estatística básica: a arte de trabalhar com dados. Rio de Janeiro: Elsevier, 2009.
16/08/2022 8:03 PM
Página 78 de 79
TRIOLA, M. Introdução à estatística 10. ed. Rio de Janeiro: LTC, 2008.
UNIVERSIDADE ESTADUAL DE CAMPINAS. UNICAMP. Distribuição do qui-quadrado. Consultado na internet
em: 5 abr. 2022.
UNIVERSIDADE ESTADUAL DE CAMPINAS. UNICAMP. Tabela da distribuição normal padrão. Consultado na
internet em: 5 abr. 2022.
Explore +
Explore mais sobre testes paramétricos e não paramétricos na seguinte literatura:
GUPTA, B. C.; GUTTMAN, I. Estatística e probabilidade com aplicações para engenheiros e cientistas. 1 ed.
Rio de Janeiro: LTC, 2017.
- Baixar conteúdo
16/08/2022 8:03 PM
Página 79 de 79