Inferência Estatística: Problemas e Soluções

Prévia do material em texto

Inferência Estatística
2012
2
Problemas de inferência
Inferir significa fazer afirmações sobre algo 
desconhecido.
A inferência estatística tem como objetivo fazer 
afirmações sobre uma característica de uma 
população a partir do conhecimento de dados de 
uma parte desta população (isto é, uma amostra de 
n observações).
A população é representada por uma distribuição 
de probabilidade com parâmetro(s) cujo(s) valor(es) 
é (são) desconhecido(s).
Fazemos inferências sobre o(s) parâmetro(s).
3
Problemas de inferência
Se θ é o parâmetro da distribuição de uma v. a. X e 
X1,...,Xn é uma amostra desta distribuição, temos três 
problemas típicos:
1. Estimação pontual
Apresentar um valor para θ, que é uma função 
da amostra X1,...,Xn (“cálculo” de θ), chamada de 
estimador de θ.
Espera-se que o estimador tenha boas 
propriedades: (i) em média esteja próximo de θ, (ii) 
o estimador se aproxima de θ quando n aumenta.
4
Propriedades dos estimadores
Não –viciado
Um estimador =H(X1,...,Xn) é um estimador não viciado de θ se:θˆ
( ) Θ∈∀= θθθ ;ˆE
Exemplo 1 : Se X1,..., Xn é uma amostra aleatória de tamanho n de
X~N(µ;4). Mostrar que a média amostral é um estimador não-viciado
de µ.
Consistência
Um estimador =H(X1,...,Xn) é um estimador consistente de θ se,
para todo ε >0.
nθˆ
( ) 0|ˆ|lim =>−
∞→
εθθP
n
5
( )
( ) 0ˆlim)(
ˆlim)(
=
=
∞→
∞→
nn
nn
Varii
Ei
θ
θθ
É equivalente
Exemplo 2: Considere o exemplo 1, mostre que a média amostral é um
estimador consistente de µ.
Eficiência 
Dois estimadores 1ˆθ e 2θˆ , não viciados de θ. Dizemos 
que 1ˆθ é mais eficiente que 2θˆ se: 
 
)ˆ()ˆ( 21 θθ VarVar <
6
Exemplo 3: Considere o exemplo 1. Sejam X=1ˆθ 
12
ˆ X=θ , dois estimadores não viciados 
Demonstrar que 1ˆθ é mais eficiente que 2θˆ . 
 
 
4)ˆ(
4)ˆ(
2
1
=
=
θ
θ
Var
n
Var
1),ˆ()ˆ( 21 >∀< nVarVar θθ
7
Problemas de inferência
2. Estimação intervalar
Apresentar um intervalo de possíveis valores para θ, 
chamado de intervalo de confiança. Os limites do 
intervalo são funções da amostra X1,...,Xn (são 
aleatórios).
A probabilidade de que o intervalo contenha θ deve 
ser alta.
A amplitude do intervalo deve ser tão pequena
quanto possível (intervalo mais preciso).
8
Definição[Intervalo de Confiança] Seja X1,...,Xn uma amostra 
aleatória de uma população com a característica X~f(x,θ). Seja 
T1=L(X1,...,Xn) e T2=U(X1,...,Xn) duas estatísticas tais que T1< T2 e que 
.1)( 21 αθ −=<< TTP 
O intervalo (T1, T2) é chamado de intervalo de 100(1-α)% de 
confiança para θ. 
 
Notação: IC(θ,1-α)= (T1, T2), onde T1 e T2 são os limite inferior 
superior respectivamente e 1-α é o coeficiente (ou nível) de 
confiança 
9
2. Intervalo de confiança para uma média populacional
Suponha que nXX ,1 é uma amostra aleatória de tamanho n, de uma 
população normal com média µ (desconhecida) e variância σ2 
(conhecida). Vimos que a média amostral X , tem distribuição normal 
com média µ e variância σ2/n. Isto é 
 
)1,0(~ N
n
XZ
σ
µ−
=
Logo, fixando um nível de confiança (1-α), pode-se determinar
zα/2 de tal forma:.
ααα −=≤≤− 1)(
22
zZzP
Ou que é equivalente
α
σ
µ
αα −=≤
−
≤− 1)
/
(
22
z
n
XzP
10
 EE
n
zX
n
zXz
n
Xz σµσ
σ
µ
αααα
2222 /
+≤≤−⇔≤
−
≤−
( )EXEX
n
zX
n
zXIC +−=





×+×−=− ;;)1,(
22
σσαµ αα
Logo,O intervalo de 100 (1-α)% de confiança para µ é dado por:.
ασµσ αα −=





×+≤≤×− 1
22 n
zX
n
zXP
11
Exemplo 1: Em uma industria de cerveja, a quantidade de cerveja
inserida em latas tem-se comportado como uma distribuição
normal com média 350 ml e desvio padrão 3 ml. Após alguns
problemas na linha de produção, suspeita-se que houve alteração
na média. Uma amostra de 20 latas acusou uma média 346 ml.
Obtenha um intervalo de 95% para a quantidade média µ de
cerveja inserida em latas, supondo que não tenha ocorrido
alteração na variabilidade.
Seja X: quantidade de cerveja inserida em latas após alguns problemas
)9,(~)9,(~
n
NXNX µµ ⇒
.95,0-1346;,20 === αxn
Do problema temos:
12
Já que 1-α=0,95, temos da tabela normal padrão z0,025.=1,96.






×+×−=
n
X
n
XIC σσµ 96,1;96,1)95,0,(
( )
( )31,347;69,344
31,1346;31,1346
20
396,1346;
20
396,1346)95,0,(
=
+−=





×+×−=µIC
13
3. Intervalo de confiança para uma média populacional
para amostras grandes
Suponha que nXX ,1 é uma amostra aleatória de tamanho n, de uma 
população com média µ (desconhecida) e variância σ2 (conhecida). 
Vimos que a média amostral X , tem distribuição aproximadamente 
normal com média µ e variância σ2/n, quando n é suficientemente 
grande. Isto é 
 
.),1,0(~
/ .
∞→
−
= nN
n
XZ
aproxσ
µ
Um intervalo de 100 (1-α)% de confiança para µ é dado por:.






×+×−=−
n
zX
n
zXIC σσαµ αα
22
;)1,(
14
Exemplo 3: A associação dos proprietários de indústrias
metalúrgicas está muito preocupado com o tempo perdido com
acidentes de trabalho, cuja média, nos últimos tempos, tem
sido de ordem de 60 horas/homem por ano e desvio padrão de
10 horas/homem. Testou-se um programa de prevenção de
acidentes, após o qual foi tomada uma amostra de 36
industrias e medido o número de horas/homem perdidas por
acidente, que foi de 50 horas em média. Obtenha um intervalo
de 95% de confiança para o tempo médio perdido em acidentes
de trabalho após o novo programa de prevenção, supondo que
não houve mudança na variabilidade.
Do problema temos:
.95,0-1;20;05;36 ==== ασxn
Seja X: tempo perdido em acidentes de trabalho após o novo programa
de prevenção
15
Um intervalo de 95% de confiança para µ é dado por:.






×+×−=
n
zX
n
zXIC σσµ αα
22
;)95,0,(
Já que 1-α=0,95, temos da tabela normal padrão z0,025.=1,96.






×+×−=
n
X
n
XIC σσµ 96,1;96,1)95,0,(
( )
( )27,53;46,73
27,350;3,2750
36
1096,150;
36
1096,150)95,0,(
=
+−=





×+×−=µIC
16
4. Intervalo de confiança para uma média populacional quando σ é 
desconhecido
A distribuição t-Student
Supondo que a característica de interesse da população é
normal, a variável aleatória
)1(
n
S
XT µ−=
tem distribuição de probabilidade conhecida com distribuição t
de Student com n-1 graus de liberdade.
( )
1
;1
2
1
1 −
−
==
∑
∑ =
= n
XX
SX
n
XOnde
n
i
in
i
i
17
Notação; T~t(k), indica que v.a tem distribuição t-Student com k
graus de liberdade.
Propriedades: se T~t(k)
)1,0(~)(
2,
2
)(;0)()(
NTkii
k
k
kTVarTEi
⇒∞→
>
−
==
Uso Da Tabela Distribuição t-Student
αα =≥ )( , ktTP
18
Considerando a variável dada em (1), pode-se mostrar que um
intervalo de 100(1-α)% de confiança para µ é dado por:
( )EXEX
n
StX
n
StXIC
E
n
E
n +−=










×+×−=− −− ;;)1,( 1,2/1,2/

αααµ
Exemplo 4: Um administrador de uma cadeia de supermercados
deseja estimar as vendas médias semanais (µ) da cadeia de
supermercado, para isto selecionou uma amostra aleatória de 10
supermercados entre todos que formam a cadeia, que produziu
os seguintes resultados, em milhares de dólares:
36,4 35,7 37,2 36,5 34,9 35,2 36,3 35,8 36,6 36,9 
Construir um intervalo de confiança para µ, com nível de confiança
de 95%, assumindo que as vendas tem distribuição normal
19
( )
2325,0;7352,0
1
;5,36
10
1
210
1
10
1
==
−
∑ −
==∑= =
= n
S
n
XX
SXX i
i
i
i
Já que, n=10 (1-α)=0,95,→ α=0,05, temos: t0,025, 9=2,262
53,0)2325,0)(262,2( ==E
( ) ( )03,37;97,3553,05,36;53,05,36)95,0,( =+−==µIC
( )EXEXIC +−== ;)95,0,(µ
( )EXEX
n
StX
n
StXIC
E
n
E
n +−=










×+×−= −− ;;)95,0,( 1,2/1,2/

ααµ
20
Foram coletados dados de viscosidade de um líquido produzido em
batelada. Resultados de 40 amostras encontram-se abaixo.
Apresente um IC de 95% para a viscosidade média.
Exemplo (p. 28 em Montgomery et al., 2004)
Dados: 13,3 14,5 15,3 15,3 14,3 14,8 15,2 14,5 14,6 14,1 
14,3 16,1 13,1 15,5 12,6 14,6 14,3 15,4 15,2 16,8 14,9 13,7 
15,2 14,5 15,3 15,6 15,8 13,3 14,1 15,4 15,2 15,2 15,9 16,5 
14,8 15,1 17,0 14,9 14,8 14,0.
( ) .948,0875,14
140
1 e875,14
40
1 40
1
2
40
1
=−
−
=== ∑∑ =
=
i i
i
i XsXX
Solução. Inicialmente calculamos
Pelo enunciado, n = 40 e 1 - α =
0,95, de modo que α = 0,05. Da
tabela (Tábua III) com 40 g.l.
(39 g.l. não estão na Tábua III)
e p = 5%, obtemos tα/2 = 2,021.
21
Exemplo (p. 28 em Montgomery et al., 2004)
Logo, o erro máximo é igual
303,0
40
948,0021,21,2/ === − n
stE nα
e o IC de 95% para a média da população é dado por
15,18]. ;57,14[]303,0875,14 ;303,0875,14[];[];[ =+−=+−= EXEXUL
22
Exemplo (p. 28 em Montgomery et al., 2004)
Solução em R. 
Leitura dos dados: (visc = scan("Ex02_47.txt"))
Estatística descritiva: summary(visc)
Min. 1st Qu. Median Mean 3rd Qu. Max. 
12.60 14.30 14.90 14.88 15.33 17.00 
Análise exploratória:
par(mfrow = c(2,2))
stripchart(visc, pch = 20, cex = 
1.5, method = "stack", xlab = 
"Viscosidade")
hist(visc, xlab = "Viscosidade", 
ylab = "Densidade", main = "", freq 
= FALSE)
lines(density(visc), col = "blue")
boxplot(visc, xlab = "Viscosidade", 
pch = "*", horizontal = TRUE)
qqnorm(visc, main = "", pch = 20, 
xlab = "Quantis teóricos", ylab = 
"Quantis amostrais")
qqline(visc)
23
Determinação do tamanho da amostra para estimação de µ
Erro máximo na estimação de µ:
.2/ n
zE σα=
.2
2
2/
2
E
zn σα ×=
zα/2 é obtido da tabela normal após a escolha do coeficiente de 
confiança (1 - α).
Se o desvio padrão (σ) for conhecido, podemos especificar o erro 
máximo (E) e em seguida calcular n:
Se o desvio padrão (σ) não for conhecido, podemos utilizar o 
desvio padrão obtido de uma amostra piloto com n0 observações:
,2
2
02/
2
E
szn ×≅ α sendo que s02 é a variância amostral da amostra piloto.
24
Em uma siderúrgica estuda-se a resistência média das barras de aço
utilizadas na construção civil. Qual o tamanho amostral necessário para
garantir que um erro máximo de 8 kg seja superado com probabilidade
igual a 0,01? O desvio padrão da resistência para este tipo de barra é
de 25 kg.
Solução.Do enunciado tem-se σ = 25 kg, E = 8 kg e
Exemplo
,01,01)(P01,0)(P1 −=+≤≤−⇒=+≤≤−− EXEXEXEX µµ
ou seja, α = 0,01 (o coeficiente de confiança do IC é 1 - α = 99%).
Consultando a tabela
normal encontramos
zα/2 = 2,575.
.65
8
25575,2 
 Portanto,
2
22
2
2
2/
2
=
×
=
×
=
E
zn σα
25
5. Intervalo de confiança para uma proporção populacional
Suponha que tem-se uma população dicotômica, constituída 
apenas por elementos de dois tipos , isto é, cada elemento pode 
ser classificado com sucesso ou fracasso, suponha que 
probabilidade de sucesso é p e de fracasso é q=1-p, e desta 
população se retira uma amostra aleatória, X1…, Xn de n 
observações. Vimos 
 
)1,0(~
)1(
ˆ
N
n
pp
ppZ
−
−
=
Para um nível de confiança fixado em 100(1-α)%,um intervalo para p,
para uma amostra suficientemente grande.





 −
×+
−
×−=−
n
ppzp
n
ppzppIC )1(ˆ;)1(ˆ)1,( 2/2/ ααα
26
Abordagem otimista
)porsubstituir p-(p-p)p( ˆ1ˆ1
Abordagem conservativa
1/4 porsubstituir -p)p(1
)1()
ˆ1(ˆˆ;)
ˆ1(ˆˆ)1,( 2/2/ an
ppzp
n
ppzppIC 




 −
×+
−
×−=− ααα
)1(
4
1ˆ;
4
1ˆ)1,( 2/2/2/ bn
zzp
n
zppIC 





××+×−=− αααα
27
Um estudo foi realizado para determinar a proporção de componentes de um
certo tipo que resistem durante um certo período a condições de uso mais
rigorosas do que as especificadas. Em uma amostra de 200 componentes
selecionados ao acaso, 160 resistiram. Apresente um intervalo de 95% de
confiança para a proporção de componentes que resistem.
Como 1-α = 0,95, obtemos da
tabela normal padrão z0,025 =
1,96.
[ ].855,0;745,0 
200
)8,01(8,096,18,0;
200
)8,01(8,096,18,0IC
=





 −
×+
−
×−≅
[ ].869,0;731,0
2004
196,18,0 ;
2004
196,18,0IC =





×
×+
×
×−≅
Abordagem conservativa:
Exemplo
Solução. Estimativa pontual de p: %).80(8,0
200
160
==p
Abordagem otimista:
28
Determinação do tamanho da amostra para estimação de p
Erro máximo de estimação de p é dado por :
n
ppzE )1(
2
−
×= α ( )
2
2/
2 )1(
E
ppzn −=⇒ α
Quando não se tem informação de p: ( )
2
2/
2 25,0
E
zn α=⇒
29
Exemplo 6: Suponha que a fábrica de papel no Brasil, deseja estimar a
proporção de funcionários com uma renda inferior a R$ 200,00.
Estudos anteriores indicam que esta proporção é de 20%.
(a) Que tamanho de amostra se requer para assegurar uma confiança
de 95% e o erro máximo de estimação desta proporção seja de
5%?
(b) Em quanto variara o tamanho da amostra se o erro máximo
permissível é reduzido a 1%.?
Dos dados temos p=0,20 e 1-α=0,95. Da tabela normal padrão
z0,025.=1,96.
( ) 24686,245
05,0
8,02,0)96,1(
2
2
≈=
×
=⇒ n
(a) O erro máximo de estimação E=0,05.
30
Uma equipe pretende estimar a proporção de avarias ocorridas no transporte
de um produto. Estudos anteriores indicam que esta proporção não ultrapassa
20%. Que tamanho de amostra é necessário para assegurar com uma confiança
de 99% que o erro de estimação desta proporção seja no máximo igual a 0,05?
Solução. Do enunciado obtemos p ≤ 0,20, 1 – α = 0,99 e E = 0,05. Da
tabela normal padrão, z0,005 = 2,575.
Exemplo
Proteção em relação à situação
mais desfavorável: p* = 0,20.
Finalmente,
.4254,424 
05,0
)2,01(2,0575,2 
)1(
2
2
2
**2
2/
=⇒=
−××
=
−×
=
n
E
ppzn α
31
Problemas de inferência
3. Teste de hipóteses
Uma hipótese estatística (H) é uma afirmação sobre 
o valor de θ. Pode ser verdadeira ou falsa.
Se θ é a probabilidade de sucesso no modelo 
binomial, H: θ = ½, H: θ ≠ ½ e H: θ > ¾ são 
exemplos de hipóteses. 
Com base na amostra X1,...,Xn, formulamos uma 
regra de decisão que permita concluir pela rejeição
ou não rejeição (aceitação) de H. A decisão pode 
ser correta ou errada.
32
H0: µ = 60
e H1: µ ≠ 60
Exemplo. Uma indústria adquire de um certo fabricante pinos cuja
resistência média à ruptura é especificada em 60 unid. (valor nominal da
especificação). Em um determinado dia a indústria recebeu um grande
lote de pinos e a equipe técnica da indústria deseja verificar se o lote
atende às especificações.
Teste de hipóteses
H0: O lote atende às especificações
H1: O lote não atende às especificações
A v. a. X (resistência à ruptura) é tal que X ~ N (µ, 25). O problema
pode ser resolvido testando as hipóteses
(hipótese simples: um único valor)
(hipótese composta: mais de um valor)
(Hipótese nula)
(Hipótese alternativa)
33
Definição. Uma hipótese estatística é uma afirmação sobre o(s)
parâmetro(s) da distribuição de probabilidade de uma característica (v.
a. X) da população.
Definição. Um teste de uma hipótese estatística é um procedimento ou
regra de decisão que nos possibilita decidir por H0 ou H1 com base na
amostra X1,...,Xn.
Exemplo. A equipe técnica da indústria decidiu retirar uma amostra aleatória de 
tamanho n = 16 do lote recebido. A resistência de cada pino foi medida e foi 
calculada a a resistência média X (estimador de µ), que será utilizada para 
realizar o teste (estatística de teste). Podemos afirmar que 
 
.
16
25,~ 




 µNX
Para quais valores de X a equipe técnica deve rejeitar H0 e portanto 
rejeitar o lote? 
 
Teste de hipóteses
34
Definição. Região crítica (Rc) ou região de rejeição é o conjunto de
valores assumidos pela estatística de teste para os quais a hipótese
nula é rejeitada. Seu complementar é a região de aceitação (Ra).
Exemplo. Se o lote está fora de especificação , isto é, se H1: µ ≠ 60
for verdadeira, espera-se que a média amostral seja inferior ou
superior a 60 unid.
A equipe técnica decidiu adotar a seguinte regra: 
 rejeitar Ho se X for maior do que 62,5 unid. ou menor do que 57,5 unid. 
As duas regiões são 
{ }5,57ou5,62 <>= XXRc
{ }5,625,57 ≤≤= XRa : região de aceitação de H0.
: região de rejeição de H0 e
35
Procedimento (teste):
.H se)-(aceita rejeita se não,Se
;H se-ejeita,Se
0
0
c
c
Rx
rRx
∉
∈
36
Tipos de erros
Erro tipo I: rejeitar H0 quando H0 é verdadeira.
Erro tipo II: não rejeitar H0 quando H0 é falsa.
Exemplo. As hipóteses são
H0: O lote atende às especificações;
H1: O lote nãoatende às especificações.
Erro tipo I: rejeitar o lote sendo que ele está de acordo com as
especificações.
Erro tipo II: não rejeitar o lote sendo que ele não está de acordo com as
especificações.
 
Situação real e desconhecida 
Decisão Ho verdadeira Ho falsa 
Não rejeitar Ho Decisão correta Erro tipo II 
Rejeitar Ho Erro tipo I Decisão correta 
 
Quadro resumo:
37
P(Erro tipo I) = α (nível de significância).
).verdadeiraH ;HRejeitar (P 00=α
).a verdadeirH ;Hrejeitar Não(P
)falsa H ;Hrejeitar Não(P)IItipoErro(P
10
00
=
== β
)falsa é H ;HRejeitar (P1 00=− β : poder do teste.
Nível de significância e poder
38
Exemplo. As hipóteses são H0: µ = 60 e H1: µ ≠ 60. Logo,
).60:H ;5,57ou5,62( 0 =<>= µα XXP
).16/25 ,60(~então,eirafor verdad HSe 0 NX
.0455,002275,002275,0)00,2P()00,2P(
16/25
605,57
16/25
60P
16/25
605,62
16/25
60P
)60:H ;5,57P()60:H ;5,62P( 00
=+=−<+>=





 −
<
−
+




 −
>
−
=
=<+=>=
ZZ
XX
XX µµα
Obs. Se X1, X2, ..., Xn é uma amostra de uma distribuição N(µ, σ2), 
então a média amostral tem distribuição N(µ, σ2/n).
Calculamos o nível de significância:
39
Cálculo de α:
40
).60:H ;5,625,57P()a verdadeirH ;H rejeitar Não(P 110 ≠≤≤== µβ X
).5,63:H;5,625,57P( 1 =≤≤= µβ X
Como exemplo de cálculo de β, selecionamos H1: µ = 63,5. Logo, 






16
25;5,63~ NX e 
 
Cálculo de β:
41
.2119,0
0000,02119,0
 )80,4P()80,0P(
)5,63;5,57P()5,63;5,62P(
)5,63:H;5,625,57P( 1
=
−=
−≤−−≤=
=≤−=≤=
=≤≤=
ZZ
XX
X
µµ
µβ
Efetuando o cálculo obtemos 
 
Cálculo de β:
Logo, se µ = 63,5, o poder do teste é igual a 1 – 0,2119 = 0,7881.
42
Função poder
43
Testes bilaterais e unilaterais
Se as hipóteses nula e alternativa são
,:H
;:H
01
00
µµ
µµ
≠
=
em que µo é uma constante conhecida (valor de teste), o teste é
chamado de bilateral.
Podemos ter também as hipóteses
.:H
;:H
01
00
µµ
µµ
<
=
teste unilateral à esquerda.
.:H
;:H
01
00
µµ
µµ
>
=
teste unilateral à direita.
Sugestão. Expressar H0 em forma de igualdade.
44
Um fabricante de um certo componente afirma que o tempo médio de
vida dos componentes produzidos é de 1000 horas. Engenheiros de
produto têm interesse em verificar se uma modificação do processo de
fabricação aumenta a duração dos componentes.
Hipóteses:
horas, 1000:H
horas; 1000:H
1
0
>
=
µ
µ
sendo µ o tempo médio de duração dos componentes.
Exemplo
45
Procedimento básico de testes de hipóteses
O procedimento de teste de hipóteses relativo ao parâmetro θ de uma
população é decomposto em quatro passos:
(i) Formulação das hipóteses:
.ouou:H
;:H
0001
00
θθθθθθ
θθ
≠><
=
(ii) Identificação da estatística de teste e caracterização da sua
distribuição.
(iii) Escolha do nível de significância do teste (α = 5%, 1% ou 
0,5% são comuns) e obtenção da região crítica.
(iv) Cálculo da estatística de teste e tomada de decisão (H0
deve ser rejeitada ou não?).
46
Considere uma amostra aleatória de tamanho n de uma população 
normal com média µ (desconhecida) e variância σ2 (conhecida). 
Iniciamos pelo teste unilateral à esquerda: 
 
Teste de hipóteses para uma média populacional
.:H
;:H
(i)
01
00
µµ
µµ
<
=
(ii) A estatística de teste é a média amostral X (estimador pontual de 
µ). Se a distribuição da população é normal ou se amostra é grande (n ≥ 
30, mesmo que a distribuição da população não seja normal) a 
distribuição de X é ( )nN /, 2σµ , aproximadamente. Se H0 for 
verdadeira, então 
).1,0(~)( 0 NXnZ
σ
µ−
=
47
(iii) Rejeitamos H0 em favor de H1 se a média amostral X é 
“pequena” em relação µ0. A região crítica é obtida selecionando um k 
tal que Rc = { X < k }, sendo que ):;( 00 µµ =< HkXP = α. Ou seja, sob H0 
α
σ
µ
σ
µ
σ
µ
=




 −
<=




 −
<
−
n
kZP
n
k
n
XP
///
000
.0
0
0






×+<=⇒
×+=⇒=
−
⇒
n
zXR
n
zkz
n
k
c
σµ
σµ
σ
µ
α
αα
(iv) Conclusão: se 




×+<=∈
n
zXRx c
σµ α0 , rejeita-se H0 ; caso contrário 
não se rejeita H0. 
 
Obs. zα < 0.
Teste de hipóteses para uma média populacional
48
Exemplo
Um comprador de tijolos suspeita de uma diminuição na resistência.
De experiências anteriores, sabe-se que a resistência média ao
desmoronamento de tais tijolos é igual a 200 kg, com um desvio
padrão de 10 kg. Uma amostra de 100 tijolos, escolhidos ao acaso,
forneceu uma média de 195 kg. Ao nível de significância de 5%, pode-
se afirmar que a resistência média ao desmoronamento diminuiu?
.kg200:H
;kg200:H
são interesse de hipóteses As (i)
1
0
<
=
µ
µ
(ii) A estatística de teste é a média amostral X . Já que n = 100 ≥ 30, 
tem-se que sob H0, X ~ 




100
100,200N , aproximadamente. 
(iii) A região crítica pode ser obtida selecionando k de maneira que Rc 
= { X < k }, sendo que ):;( 00 µµ =< HkXP = α = 0,05. Ou seja, sob H0, 
49
36,19864,120005,0
1
200
100/10
200
100/10
200
=⇒−=−⇒==




 −<=




 −
≤
− kkkZPkXP α
{ }.36,198<=⇒ XRc
(iv) Do enunciado a média amostral vale 195. Logo, 
{ }36,198195 <=∈= XRx c . Rejeita-se H0 ao nível de 5% de significância. 
 
Conclusão. De acordo com os dados coletados e adotando um nível 
de significância de 5%, concluímos que resistência média ao 
desmoronamento diminuiu.
Exemplo
50
Método alternativo
Um método alternativo prático: trabalhar diretamente na escala Z.
.:Hcontra :H)( 0100 µµµµ <=i
(ii) Estatística de teste:
).1,0()( ~
0sob
0 NXnZ
Hσ
µ−
=
(iii) Região crítica para um nível de significância α escolhido:
{ }.αzZRc <=
(iv) se { }αzZRz c <=∈ , rejeita-
se H0; caso contrário, não se 
rejeita H0. 
 
51
.200:Hcontra 200:H(i) 10 <= µµ
(ii) Estatística de teste: ).1,0()200( ~
0
NXnZ
Hsobσ
−
=
(iii) Região crítica para um nível de significância α = 0,05:
{ }.64,1−<= zRc
(iv) Calculamos cRz ∈−=−= 510
)200195(100 . Rejeita-se H0 a um nível de 
significância de 5%. 
 
Exemplo
52
Procedimento geral
Hipóteses:

Bilateral
01
direita À
01
esquerda À
01
000000
:H:H:H
:H:H:H
(i)
µµµµµµ
µµµµµµ
≠><
===
(ii) Estatística de teste:
(a) Variância da população é conhecida:
).1,0()( ~
0
0 NXnZ
Hsobσ
µ−
=
(b) Variância da população é desconhecida (s é o desvio
padrão amostral):
).1()( ~
0
0 −
−
= nt
s
XnT
Hsob
µ Distribuição t de Student com 
n-1 graus de liberdade (g.l.).
53
Distribuições normal e t de Student
54
(iii) Região crítica para um nível de significância α escolhido:
{ }cZR Zc −<=)(
{ }cTR Tc −<=)(
{ }cZR Zc >=)(
{ }cTR Tc >=)(
{ }cZR Zc >=)(
{ }cTR Tc >=)(
(iv) Se Z ∈ RC ou T ∈ RC , rejeita-se Ho; caso contrário, não se rejeita H0. 
 
H1: µ < µ0 H1: µ > µ0 H1: µ ≠ µ0
Procedimento geral
Obs. Nas regiões críticas com Z e T o valor de c não é o mesmo.
55
Dados históricos coletados em uma linha de produção de um certo item
indicam 115 kg como massa média. A fim de testar a hipótese de que a
média de itens recentemente produzidos se manteve, retirou-se, ao
acaso, uma amostra de 20 itens, obtendo-se média igual a 118 kg e
desvio padrão 20 kg. Utilize α = 0,05.
.kg115:H
;kg115:H
são interesse de hipóteses As (i)
1
0
≠
=
µ
µ
).1()115( ~
0
−
−
= nt
S
XnT
Hsob
(ii) Estatística de teste:
Aproximamos a distribuição da média das 20 notas por uma distribuição
normal com média µ e variância σ2 / n.
Exemplo
56
(iii) Região crítica para um nível de significância α = 0,05 e com n – 1 =
19 g.l.:
{ }.093,2>= TRc
(iv) Calculamos cRT ∉=−= 67,020
)115118(20 . Não se rejeita H0 a um nível de 
de significância de 5%. A diferença não é significativa. 
 
Conclusão. De acordo com os dados coletados, a um nível de 
significância de 5% concluímos que a massa média dos itens 
produzidos se manteve.
Exemplo
57
Teste de hipóteses para uma proporção populacional
O procedimento para testes de hipóteses sobre a proporção
populacional (p) semelhante ao utilizado para testes sobre uma média
populacional.

Bilateral
:H
direita À
:H
esquerda À
:H
:H:H:H
(i)
010101
000000
pppppp
pppppp
≠><
===Problema. Testar a hipótese que a proporção de sucessos de um ensaio
de Bernoulli é igual a um valor especificado p0. Isto é, testar um dos
seguintes pares de hipóteses:
58
(ii) Estatística de teste:
mente,aproximada ),1,0(
)1(
)( ~
000
0 N
pp
ppnZ
Hsob−
−
=
sendo que
n
X
n
p
n
i
i∑
=== 1
sucessos de Número
é a proporção amostral de sucessos e Xi = 1, se o resultado for 
sucesso; Xi = 0, se o resultado for insucesso.
:estimador pontual de p.
Teste de hipóteses para uma proporção populacional
59
Um estudo é realizado para determinar a presença de pequenas
anomalias em chapas metálicas de uma certa dimensão. Segundo o
fabricante, a proporção de chapas com anomalias é inferior a 25%. Foram
inspecionadas 50 chapas escolhidas ao acaso e sete delas apresentaram
algum tipo de anomalia. Estes dados justificam a afirmação do fabricante?
Adote um nível de significância igual a 0,05.
Exemplo
.25,0:H
;25,0:H
:Hipóteses )(
1
0
<
=
p
p
i
(ii) Estatística de teste:
mente.aproximada ),1,0(
)25,01(25,0
)25,0(50 ~
0
NpZ
Hsob−
−
=
60
(iii) Região crítica para um nível de significância α = 0,05:
{ }.64,1−<= zRc
(iv) Temos n = 50. Calculamos 14,050
7
==p e cRz ∈−=−×
−
= 796,1
)25,01(025
)25,014,0(50
. 
Rejeita-se H0 ao nível de 5% de significância. 
 
Exemplo
Conclusão. Adotando um nível de significância de 5% concluímos a 
partir dos dados que a proporção de chapas produzidas com anomalias 
é inferior a 25%.
61
Suponha se tenha uma amostral aleatória de tamanho n de uma 
população normal com média µ e variância σ2 (ambas 
desconhecidas), e tem-se interesse em verificar as seguintes 
hipóteses estatísticas: 
 
Teste de hipóteses para uma variância populacional
      
BilateralDireitoUEsquerdoU
HHH
HouHouH
i
0
22
1
.
0
22
1
.
0
22
1
0
22
00
2
0
22
00
2
0
22
0
:::
:)(:)(:
)(
σσσσσσ
σσσσσσσσ
≠><
=≤=≥=
(ii) A estatística de teste
)1(
2
2
0
2
~
)1(
0
−
−
= n
Hsob
SnW χ
σ
62
(iii) A região crítica para um nível de significância fixado
{ }2 1,12 1 −−− ≤= nnRc αχχ { }2 1,2 1 −− ≥= nnRc αχχ {
}2 1,2/2 1
2
1,2/1
2
1
−−
−−−
≥
≤=
nn
nn ouRc
α
α
χχ
χχ
(iv) Se a ETobs∈ RC., rejeita-se Ho em caso contrário não se rejeita H0. 
 
63
Uma amostra aleatória de 25 observações foi sorteada de uma
população normal forneceu variância igual 18,3. Esse resultado é
suficiente para podermos concluir, ao nível de 10% de significância,
que a variância dessa população é inferior a 25..
Exemplo
25:
25:
:são interesse de hipóteses As )(
2
1
2
0
<
=
σ
σ
H
H
i
(ii) A estatística de teste
)1(
2
2
~25
)1(
0
−
−
= n
Hsob
SnW χ
64
(iii) A região crítica para um nível de significância fixado α=0,10,
n=25.
{ }7,15225 ≤= χRc
RcSnWobs ∉=
−
=
−
= 56,17
25
)4,18)(125(
25
)1( 2
Ao nível de 10% de significância, não se pode rejeitar Ho
65
Nível descritivo
De acordo com o procedimento descrito anteriormente para o
teste de hipóteses, no final toma-se uma decisão de rejeição ou de
não-rejeição da hipótese nula. Esta dicotomia é, na realidade,
artificial. De fato
• a fixação de um nível de significância é arbitrária e
• os dados amostrais podem contradizer a hipótese nula em
maior ou menor grau.
O nível descritivo denotado por α*( ou P-value) constitui uma 
medida do grau com que os dados amostrais contradizem a 
hipótese nula. Sua definição é a seguinte: o nível descritivo 
corresponde à probabilidade da estatística de teste tomar um 
valor igual ou mais extremo do que aquela que, de fato, é 
observado. Alternativamente, pode-se definir o nível descritivo 
como o menor nível de significância para o qual a estatística de 
teste determina a rejeição da hipótese nula H0. 
 
66
Exemplo
No exemplo da lámina 34, a estatística de teste observada é,
Zobs= -1,7963 (recorde-se que o nível de significância do teste era
α=0,05 e o correspondente valor crítico z0,05=-1,64).
Da definição do nível descritivo temos:
( ) 0362,0|7963,1 0* =−≤= HZPα
Nesse exemplo, se o nível de significância fosse fixado em
qualquer valor igual ou superior a 3,62%, a conclusão seria pela
rejeição de H0 ao passo que valores inferiores a 3,62% conduziriam
à aceitação da hipótese nula.
0
0
H se-rejeita 
H se-rejeita se Não
⇒<
⇒≥
αα
αα
*
*
Se
Se
67
68
Para os testes de hipóteses na qual a distribuição normal é a
estatística do teste, o nível descritivo nesta caso é dado por:





Φ−
Φ
Φ−
=
direito l UnilateraTeste)(1
esquerdo l UnilateraTeste)(
bilateral teste|))(|1(2
*
obs
obs
obs
z
z
z
α
	Número do slide 1
	Número do slide 2
	Número do slide 3
	Número do slide 4
	Número do slide 5
	Número do slide 6
	Número do slide 7
	Número do slide 8
	Número do slide 9
	Número do slide 10
	Número do slide 11
	Número do slide 12
	Número do slide 13
	Número do slide 14
	Número do slide 15
	Número do slide 16
	Número do slide 17
	Número do slide 18
	Número do slide 19
	Número do slide 20
	Número do slide 21
	Número do slide 22
	Número do slide 23
	Número do slide 24
	Número do slide 25
	Número do slide 26
	Número do slide 27
	Número do slide 28
	Número do slide 29
	Número do slide 30
	Número do slide 31
	Número do slide 32
	Número do slide 33
	Número do slide 34
	Número do slide 35
	Número do slide 36
	Número do slide 37
	Número do slide 38
	Número do slide 39
	Número do slide 40
	Número do slide 41
	Número do slide 42
	Número do slide 43
	Número do slide 44
	Número do slide 45
	Número do slide 46
	Número do slide 47
	Número do slide 48
	Número do slide 49
	Número do slide 50
	Número do slide 51
	Número do slide 52
	Número do slide 53
	Número do slide 54
	Número do slide 55
	Número do slide 56
	Número do slide 57
	Número do slide 58
	Número do slide 59
	Número do slide 60
	Número do slide 61
	Número do slide 62
	Número do slide 63
	Número do slide 64
	Número do slide 65
	Número do slide 66
	Número do slide 67
	Número do slide 68