Síntese de Matéria: Intervalos de

Confiança e Testes de Hipóteses

A estatística inferencial tem dois grandes objetivos: estimar parâmetros de uma
população (como a média ou a proporção) e testar hipóteses sobre esses parâmetros.

Parte 1: Estimação por Intervalos de Confiança (IC)

Uma estimativa pontual (como a média da amostra) é o nosso melhor "chute" para o
valor da população, mas é quase certo que não seja exatamente o valor real. Um
intervalo de confiança nos dá uma faixa de valores plausíveis para o parâmetro da
população, com um certo nível de confiança.

A fórmula geral de um Intervalo de Confiança é:

IC=Estimativa Pontual±Margem de Erro

Onde a Margem de Erro é calculada como:

Margem de Erro=(Valor Crıˊtico)×(Erro Padra˜o da Estimativa)

Vamos detalhar os casos mais comuns que aparecem nos seus exercícios.

1.1. Intervalo de Confiança para a Média Populacional (μ)

Situação: Queremos estimar a média de uma variável quantitativa (ex: tempo, peso,
QI).

 Estimativa Pontual: A média da amostra (xˉ).

 Erro Padrão da Média (EPM): Mede a variabilidade da média da amostra. É calculado como n

σ (se o desvio padrão da população, σ, for conhecido) ou n s (se σ for

desconhecido e usarmos o desvio padrão da amostra, s).

A decisão mais importante: Conhecemos o desvio padrão da população (σ)?

Caso A: σ conhecido (ou amostra grande, n > 30)

o Usamos a distribuição Normal (valor crítico z).

o Fórmula: IC(μ)=xˉ±zα/2⋅n σ
o Valores Críticos (z) comuns:
 Confiança de 90% ⟹zα/2=1.645
 Confiança de 95% ⟹zα/2=1.96
 Confiança de 99% ⟹zα/2=2.576
 

Caso B: σ desconhecido (e amostra pequena, n ≤ 30)


o Este é o caso mais comum na prática.
o Usamos a distribuição t de Student (valor crítico t).
o Graus de Liberdade (gl): gl=n−1

o Fórmula: IC(μ)=xˉ±t(gl,α/2)⋅n s
o O valor de t é procurado numa tabela t de Student, usando os graus de liberdade e o
nível de confiança.

Exemplo Prático: Exercício 14

Dados: n = 12. Tempos: 29, 33, 36, 35, 36, 40, 32, 37, 31, 35, 30, 36. A população é
Normal, mas σ é desconhecido e n < 30. Usaremos a distribuição t de Student.

Passo 1: Calcular a média (xˉ) e o desvio padrão (s) da amostra.

 Soma dos valores = 410

 Média (xˉ) = 410 / 12 = 34.167 segundos
 Calculando o desvio padrão (s):
o $s = \sqrt{\frac{\sum(x_i - \bar{x})^2}{n-1}} = \sqrt{\frac{(29-34.167)^2 + ... + (36-
34.167)^2}{11}} = \sqrt{\frac{108.917}{11}} \approx \sqrt{9.9015} \approx 3.147
segundos

14.1. Estimativa pontual para o tempo médio e o erro cometido.

 Estimativa pontual: É a média da amostra, xˉ=34.167 segundos.

 Erro cometido (Erro Padrão da Média): EPM=n s=12 3.147

≈∗∗0.908segundos∗∗.

14.2. Construir um IC de 90% para o tempo médio.

 Nível de Confiança = 90% ⟹α=0.10⟹α/2=0.05.

 Graus de Liberdade (gl) = n - 1 = 12 - 1 = 11.
 Procurar na tabela t: t(11,0.05)=∗∗1.796∗∗.
 Cálculo do IC:

o Margem de Erro = t⋅n s=1.796⋅0.908=1.631

o IC90%(μ)=34.167±1.631=[32.536,35.798]

 Conclusão: Com 90% de confiança, estimamos que o verdadeiro tempo médio de

permanência da fonte radioativa esteja entre 32.54 e 35.80 segundos.

14.3. Construir um IC de 95% e comparar.

 Nível de Confiança = 95% ⟹α=0.05⟹α/2=0.025.

  Graus de Liberdade (gl) = 11.
 Procurar na tabela t: t(11,0.025)=∗∗2.201∗∗.
 Cálculo do IC:

o Margem de Erro = 2.201⋅0.908=1.998

o IC95%(μ)=34.167±1.998=[32.169,36.165]

 Comparação e Justificação: O intervalo de 95% é mais largo que o de 90%. Isto acontece
porque, para termos uma confiança maior (95% vs 90%) de que o nosso intervalo contém o
verdadeiro valor da média, precisamos de uma margem de segurança maior. O valor crítico
(t) é maior, o que aumenta a margem de erro e alarga o intervalo.

1.2. Dimensionamento da Amostra (n)

Situação: Qual o tamanho da amostra (n) que preciso para estimar um parâmetro com
uma certa confiança e uma margem de erro máxima (E)?

Para a Média (μ):

o Fórmula: n=(Ezα/2⋅σ)2
o Nota: Usa-se sempre o valor z, não o t. Se σ for desconhecido, usamos uma
estimativa (o s de um estudo piloto, como no exercício 14.4). O resultado de n é
sempre arredondado para o inteiro seguinte.

Para a Proporção (p): (Veremos a seguir)


o Fórmula: n=E2zα/22⋅p(1−p)
o Se não houver uma estimativa para p, usa-se p=0.5 (o pior caso, que maximiza o
tamanho da amostra).

Exemplo Prático: Exercício 14.4

 Confiança = 95% ⟹zα/2=1.96.

 Erro máximo (E) = 1 segundo.
 Estimativa de σ: usamos o s da amostra anterior, s≈3.147.
 Cálculo:
o n=(11.96⋅3.147)2=(6.168)2≈38.04
o Arredondando para cima, n=39.
 Conclusão: Seria necessária uma amostra de, no mínimo, 39 registos.

1.3. Intervalo de Confiança para a Proporção Populacional

(p)
Situação: Queremos estimar a proporção ou percentagem de uma característica numa
população (ex: proporção de machos, percentagem de cura).

 Estimativa Pontual: A proporção na amostra, p^=nx (número de sucessos / tamanho da

amostra).
 Valor Crítico: Usa-se sempre a distribuição Normal (valor z).

 Erro Padrão da Proporção: np^(1−p^)

 Fórmula: IC(p)=p^±zα/2⋅np^(1−p^)
 Condição de aplicabilidade: A amostra deve ser grande o suficiente. Verifica-se com np^≥5 e
n(1−p^)≥5.

Exemplo Prático: Exercício 16

 n = 4250.
 x = 2180 machos.
 Confiança = 95% ⟹zα/2=1.96.
 Cálculos:

o p^=42502180≈0.5129

o Margem de Erro = 1.96⋅42500.5129(1−0.5129) =1.96⋅42500.2498

≈1.96⋅0.00767≈0.015
o IC95%(p)=0.5129±0.015=[0.4979,0.5279]

 Conclusão: Com 95% de confiança, a proporção de machos à nascença na população de

animais de laboratório está entre 49.79% e 52.79%.

Parte 2: Testes de Hipóteses

Um teste de hipóteses é um procedimento formal para decidir, com base em dados de

uma amostra, se uma afirmação sobre a população é plausível ou não.

A Receita para um Teste de Hipóteses (5 Passos):

1.

Formular as Hipóteses:

2.

o Hipótese Nula (H0): A afirmação do "status quo", da igualdade, da não-diferença.

Contém sempre o sinal de =, ≤ ou ≥. Ex: H0:μ=5.
o Hipótese Alternativa (H1 ou Ha): A afirmação que o investigador quer provar.
Contém sempre o sinal de = (teste bilateral), < (unilateral à esquerda) ou >
(unilateral à direita). Ex: H1:μ=5.

3.
Definir o Nível de Significância (α):

4.

o É a probabilidade de cometer um Erro Tipo I (rejeitar H0 quando ela é verdadeira).

o Valores comuns: α=0.05 (5%), α=0.01 (1%), α=0.10 (10%).

5.

Calcular a Estatística de Teste:

6.

o É um valor calculado a partir da amostra que mede quão longe a nossa estimativa
pontual está do valor postulado em H0, em unidades de erro padrão.

o Para a média (σ desconhecido): tcalc=s/n xˉ−μ0 (onde μ0 é o valor de H0)

o Para a proporção: zcalc=np0(1−p0) p^−p0 (onde p0 é o valor de H0)

7.

Tomar a Decisão Estatística (Duas Abordagens):

8.

Abordagem do Valor Crítico: a. Encontrar o valor crítico na tabela (t

ou z) que corresponde a α. Este valor define a "região de rejeição". b.
Regra: Se ∣tcalc∣>∣tcritico∣ (ou tcalc cai na região de rejeição), rejeita-
se H0. Caso contrário, não se rejeita H0.

o
o

Abordagem do p-valor (usada em outputs de software como

SPSS): a. O p-valor é a probabilidade de obter um resultado de
amostra tão ou mais extremo do que o observado, assumindo que H0 é
verdadeira. b. Regra: Se p-valor < α, rejeita-se H0. Se p-valor ≥α,
não se rejeita H0.

9.

Concluir no Contexto do Problema:

10.
 o Traduzir a decisão estatística ("rejeitar H0") para uma conclusão prática sobre o
problema (ex: "Ao nível de significância de 5%, há evidência estatística para afirmar
que a perda média de peso é inferior a 5 kg.").

Exemplo Prático: Exercício 21.1.2

Um colega cético acha que a perda média de peso (μ) é inferior a 5 kg. Dados do
SPSS: n = 48, xˉ = 4.49 kg, s = 1.74 kg. Nível de significância α=0.01.

1.

Hipóteses:

2.

o H0:μ=5 (ou μ≥5, a afirmação do nutricionista)

o H1:μ<5 (a afirmação do cético - este é um teste unilateral à esquerda)

3.

Nível de Significância: α=0.01.

4.
5.

Estatística de Teste:

6.

o Como n > 30, podemos usar a distribuição z, mas o t-test é mais robusto. Vamos
usar o t.

o tcalc=s/n xˉ−μ0=1.74/48 4.49−5=1.74/6.928−0.51=0.251−0.51≈−2.032

7.

Decisão (usando Valor Crítico):

8.

o Teste unilateral à esquerda com α=0.01 e gl = 47.

o Procurando na tabela t (ou usando uma calculadora), o valor crítico é t(47,0.01)
≈−2.408.
o A região de rejeição é para valores de t menores que -2.408.
o Decisão: Como tcalc=−2.032 não é menor que −2.408, o nosso valor não cai na
região de rejeição. Portanto, não se rejeita H0.

9.
 Conclusão: Ao nível de significância de 1%, não há evidência estatística
suficiente para apoiar a afirmação do colega de que a perda média de peso é
inferior a 5 kg. O colega não ficou convencido.

10.

Parte 3: Comparação de Duas Populações

Muitas vezes, queremos comparar dois grupos.

3.1. Diferença entre Médias, Amostras Independentes (μ1

−μ2)

Situação: Comparar as médias de dois grupos distintos (ex: Raparigas vs. Rapazes,
Grupo Droga vs. Grupo Placebo).

 Teste de hipóteses:

o H0:μ1=μ2 (ou μ1−μ2=0)

o H1:μ1=μ2 (ou μ1>μ2, etc.)

 A estatística de teste é um t que compara a diferença das médias das amostras com o erro
padrão da diferença.
 Importante (Levene's Test nos outputs do SPSS): Este teste verifica se as variâncias dos dois
grupos são iguais.

o Se Sig. > 0.05, assume-se variâncias iguais ("Equal variances assumed").

o Se Sig. ≤ 0.05, não se assume variâncias iguais ("Equal variances not assumed").
o Você deve ler a linha correta no output do SPSS com base neste teste.

3.2. Diferença entre Médias, Amostras Emparelhadas (μd)

Situação: Comparar duas medições no mesmo indivíduo ou em pares

correspondentes (ex: Antes vs. Depois de um tratamento, Música Clássica vs. Rap no
mesmo estudante).

 A Chave: Este problema é reduzido a um problema de uma só amostra.

1. Calcula-se a diferença (di) para cada par: di=Antesi−Depoisi.

2. Calcula-se a média das diferenças (dˉ) e o desvio padrão das diferenças (sd).
3. Aplica-se um teste t para uma amostra sobre estas diferenças.

 Hipóteses:

o H0:μd=0 (não há diferença em média)

o H1:μd=0 (há uma diferença)

 Estatística de Teste: tcalc=sd/n dˉ−0

  IC para a diferença média: IC(μd)=dˉ±t(n−1,α/2)⋅n sd

Exemplo Prático: Exercício 30 Queremos saber se a música clássica melhora o

desempenho (ou seja, diminui o tempo). Tempo(Rap) - Tempo(Clássica). Se a
clássica melhora, a diferença deve ser positiva.

1. Hipóteses: Teste unilateral à direita.

o H0:μd=0 (O tipo de música não afeta o tempo)

o H1:μd>0 (O tempo com rap é maior que com clássica, ou seja, a clássica melhora o
desempenho)

2. Output do SPSS:

o Paired Samples Test: t = 0.349, df = 20, Sig. (2-tailed) = 0.730.

3. Decisão:

o O SPSS dá um p-valor para um teste bilateral (Sig. 2-tailed). Para o nosso teste
unilateral, o p-valor é a metade: p=0.730/2=0.365.
o Nível de significância α=0.10.
o Regra: p-valor (0.365) > α (0.10). Não se rejeita H0.

4. Conclusão: Ao nível de significância de 10%, não há evidência estatística para concluir que
ouvir música clássica melhora significativamente o desempenho na tarefa.

Espero que esta síntese detalhada, com a aplicação direta aos seus exercícios, sirva
como um excelente guia. Recomendo que agora tente resolver os restantes exercícios
passo a passo, usando estas "receitas".

Gerar Resumo de áudio