INE 7002 - Inferência Estatística – Testes de Hipóteses 1

10 – INFERÊNCIA ESTATÍSTICA – Testes de Hipóteses

10.1 - Introdução

Viu-se anteriormente que uma determinada população pode ser descrita através de um
modelo probabilístico, que apresenta características e parâmetros. Muitas vezes estes parâmetros
são desconhecidos e há interesse em estimá-los para obter um melhor conhecimento sobre a
população: retira-se então uma amostra aleatória da população e através das técnicas de Estimação
de Parâmetros1 procura-se obter uma estimativa de algum parâmetro de interesse, e associamos
uma probabilidade de que a estimativa esteja correta. A Estimação de Parâmetros é uma subdivisão
da Inferência Estatística (que consiste em fazer afirmações probabilísticas sobre o modelo
probabilístico da população a partir de uma amostra aleatória desta população), a outra grande
subdivisão constitui os Testes de Hipóteses.

Contrariamente à Estimação de Parâmetros os Testes de Hipóteses permitem fazer

inferências sobre outras características do modelo probabilístico da população além dos parâmetros
(como, por exemplo, a forma do modelo probabilístico da população). Quando os Testes são feitos
sobre os parâmetros da população são chamados de Testes Paramétricos, e quando são feitos sobre
outras características são chamados de Testes Não Paramétricos2. Não obstante vamos nos restringir
aos Testes Paramétricos3.

10.2 - Lógica dos Testes de Hipóteses

Imagine-se que um determinado pesquisador está interessado em alguma característica de

uma população. Devido a estudos prévios, ou simplesmente por bom senso (melhor ponto de partida
para o estudo) ele estabelece que a característica terá um determinado comportamento. Formula
então uma hipótese estatística sobre a característica da população, e esta hipótese é aceita como
válida até prova estatística em contrário.

Para testar a hipótese é coletada uma amostra aleatória representativa da população, sendo
calculadas as estatísticas necessárias para o teste. Naturalmente (devido ao fato de ser utilizada uma
amostra aleatória) haverá diferenças entre o que se esperava (sob a condição da hipótese verdadeira)
e o que realmente foi obtido na amostra. A questão a ser respondida é: as diferenças são
significativas o bastante para que a hipótese estatística estabelecida seja rejeitada? Esta não é uma
pergunta simples de responder: dependerá do que está sob teste (que parâmetro, por exemplo), da
confiabilidade desejada para o resultado, etc. Basicamente, porém, será necessário comparar as
diferenças com uma referência (a distribuição amostral de um parâmetro, por exemplo), que supõe
que a hipótese sob teste é verdadeira: a comparação costuma ser feita através de uma estatística de
teste que envolve os valores da amostra e os valores sob teste.

1
Ver o Capítulo 9.
2
Na realidade a denominação correta deveria ser “Testes dependentes de distribuição de referência” (porque para fazer
inferências sobre os parâmetros devemos supor que o modelo probabilístico populacional é normal, por exemplo, ou
que a distribuição amostral do parâmetro pode ser aproximada por uma normal), e “Testes livres de distribuição”
(porque os Testes Não Paramétricos não exigem que os dados tenham uma aderência a um certo modelo).
3
Ao leitor interessado em Testes Não Paramétricos recomendam-se as referências: SIEGEL, S., CASTELLAN, N. J.
Estatística Não Paramétrica (para as Ciências do Comportamento); 2ª ed. – Porto Alegre: Artmed, 2006, e o Capítulo 10
de BARBETTA, P.A., REIS, M.M., BORNIA, A.C. Estatística para Cursos de Engenharia e Informática, 3ª ed., São
Paulo: Atlas, 2010.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 2

A tomada de decisão é feita da seguinte forma:

- se a diferença entre o que foi observado na amostra e o que era esperado (sob a condição da
hipótese verdadeira) não for SIGNIFICATIVA a hipótese será aceita.
- se a diferença entre o que foi observado na amostra e o que era esperado (sob a condição da
hipótese verdadeira) for SIGNIFICATIVA a hipótese será rejeitada.

O valor a partir do qual a diferença será considerada significativa será determinado pelo
Nível de Significância do teste. O Nível de Significância geralmente é fixado pelo pesquisador,
muitas vezes de forma arbitrária, e também será a probabilidade de erro do Teste de Hipóteses: a
probabilidade de cometer um erro no teste, rejeitando uma hipótese válida. Como a decisão do teste
é tomada a partir dos dados de uma amostra aleatória da população há SEMPRE a probabilidade de
estar cometendo um erro, mas com a utilização de métodos estatísticos é possível calcular o valor
desta probabilidade4. O Nível de Significância é uma probabilidade, portanto é um número real que
varia de 0 a 1 (0 a 100%), e como é a probabilidade de se cometer um erro no teste é interessante
que seja o mais próximo possível de zero: valores típicos são 5%, 10%, 1% e até menores
dependendo do problema sob análise. Contudo, não é possível usar um Nível de Significância igual
a zero porque devido ao uso de uma amostra aleatória sempre haverá chance de erro, a não ser que a
amostra fosse do tamanho da população. O complementar do Nível de Significância é chamado de
Nível de Confiança, pois ele indica a confiabilidade do resultado obtido, a probabilidade de que a
decisão tomada esteja correta5.

10.3 - Tipos de Hipóteses

Para realizar um Teste de Hipóteses é necessário definir (enunciar) duas Hipóteses

Estatísticas complementares (que abrangem todos os resultados possíveis): a chamada Hipótese
Nula (denotada por H0) e a Hipótese Alternativa (denotada por H1 ou Ha). Enunciar as hipóteses é
o primeiro e possivelmente mais importante passo de um Teste de Hipóteses, pois todo o
procedimento dependerá dele.

A Hipótese Nula (H0) é a hipótese estatística aceita como verdadeira até prova estatística em
contrário: pode ser o ponto de partida mais adequado para o estudo, ou exatamente o contrário do
que o pesquisador quer provar (ou o contrário daquilo que o preocupa).

A Hipótese Alternativa (H1), que será uma hipótese complementar de H0, fornecerá uma
alternativa à hipótese nula: muitas vezes é justamente o que o pesquisador quer provar (ou o que o
preocupa).

Quando as hipóteses são formuladas sobre os parâmetros do modelo probabilístico da

população o Teste de Hipóteses é chamado de Paramétrico. Quando as hipóteses são formuladas
sobre outras características do modelo o Teste é chamado de Não Paramétrico.

A decisão do teste consiste em ACEITAR ou REJEITAR a Hipótese Nula (H0): vai-se

aceitar ou não a hipótese até então considerada verdadeira.

4
Usando outros métodos (empíricos) não há como ter ideia da chance de erro (pode ser um erro de 0% ou de 5000%...).
5
O leitor deve estar lembrado destes dois conceitos de Estimação de Parâmetros: Nível de Confiança era a
probabilidade de que o Intervalo de Confiança contivesse o valor real do parâmetro, e Nível de Significância,
complementar daquele, era a probabilidade de que o Intervalo NÃO contivesse o parâmetro, em suma a probabilidade
da Estimação estar correta ou não, respectivamente.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 3

É importante ter a noção exata do que significa ACEITAR ou REJEITAR a Hipótese Nula
(H0). A decisão é tomada sobre esta hipótese e não sobre a Hipótese Alternativa porque é a
Hipótese Nula é que considerada verdadeira (até prova em contrário). Quando se aceita a Hipótese
Nula significa que não há provas suficiente para rejeitá-la. Já quando a decisão é por rejeitar a
Hipótese Nula há evidências suficientes de que as diferenças obtidas (entre o que era esperado e o
que foi observado na amostra) não ocorreram por acaso. Usando uma analogia com o direito dos
EUA, aceitar H0 seria comparável a um veredito de não culpado (“not guilty”), ou seja, não há
provas suficientes para condenar o réu... Por outro lado rejeitar H0 seria comparável a um veredito
de culpado (“guilty”), ou seja, as provas reunidas são suficientes para condenar o réu. O Nível de
Significância será a probabilidade assumida de Rejeitar H0 sendo H0 verdadeira.

10.4 - Tipos de Testes Paramétricos

A formulação das hipóteses é o ponto inicial do problema, e deve depender ÚNICA E

EXCLUSIVAMENTE das conclusões que se pretende obter com o teste. A formulação da hipótese
alternativa determinará o tipo de teste: se Unilateral ou Bilateral.

Se a formulação da hipótese alternativa indicar que o parâmetro é maior ou menor do que o

valor de teste (valor considerado verdadeiro até prova em contrário) o teste será Unilateral:
somente há interesse se as diferenças entre os dados da amostra e o valor de teste forem em uma
determinada direção. Se a formulação da hipótese alternativa indicar que o parâmetro é diferente
do valor de teste o teste será Bilateral: há interesse nas diferenças em qualquer direção. As
hipóteses então seriam:
Testes Unilaterais
H0 : parâmetro = valor de teste
H1 : parâmetro < valor de teste

H0 : parâmetro = valor de teste

H1 : parâmetro > valor de teste

Testes Bilaterais
H0 : parâmetro = valor de teste
H1 : parâmetro  valor de teste
A escolha do tipo de teste dependerá das condições do problema sob estudo, sejam as três
situações abaixo:
a) Um novo protocolo de atendimento foi implementado no Banco RMG, visando reduzir o tempo
que as pessoas passam na fila do caixa. O protocolo será considerado satisfatório se a média do
tempo de fila for menor do que 30 minutos. Um teste Unilateral seria o adequado.
b) Cerca de 2000 formulários de pedidos de compra estão sendo analisados. Os clientes podem ficar
insatisfeitos se houver erros nos formulários. Neste caso admite-se que a proporção máxima de
formulários com erros seja de 5%. Ou seja, um valor maior do que 5% causaria problemas. Um
teste Unilateral seria o adequado.
c) Uma peça automotiva precisa ter 100 mm de diâmetro, exatamente. Neste caso, a dimensão não
pode ser maior ou menor do que 100 mm (em outras palavras não pode ser diferente de 100 mm),
pois isso indicará que a peça não está de acordo com as especificações. Um teste Bilateral seria o
adequado.

Após definir as hipóteses é coletada uma amostra aleatória da população para testá-las. É
importante ressaltar novamente:
 INE 7002 - Inferência Estatística – Testes de Hipóteses 4

“A MONTAGEM DAS HIPÓTESES DEVE DEPENDER APENAS DAS

CONCLUSÕES QUE SE PRETENDE OBTER E JAMAIS DE UMA EVENTUAL
EVIDÊNCIA AMOSTRAL DISPONÍVEL”.
A decisão de aceitar ou rejeitar H0 dependerá das regiões de aceitação e rejeição de H0,
que por sua vez dependem dos seguintes fatores:
- do parâmetro sob teste (e da estatística ou variável de teste usada para testá-lo).
- do tipo de teste, se Unilateral ou Bilateral.
- do valor de teste (valor do parâmetro considerado verdadeiro até prova em contrário).
- do Nível de Significância () ou Nível de Confiança (1 - ) adotado.
- de um valor crítico da estatística ou variável de teste a partir do qual a hipótese será rejeitada, e
este valor dependerá por sua vez do Nível de Significância, do tipo de teste e da Distribuição
Amostral do parâmetro.

A Região de Aceitação de H0 será a faixa de valores da estatística (ou da variável de teste)

associada ao parâmetro em que as diferenças entre o que foi observado na amostra e o que era
esperado não são significativas. A Região de Rejeição de H0 será a faixa de valores da estatística
(ou da variável de teste) associada ao parâmetro em que as diferenças entre o que foi observado na
amostra e o que era esperado são significativas.

Esta abordagem é chamada de abordagem clássica dos testes de hipóteses. Há também a do

valor-p, muito usada por programas computacionais: “a probabilidade de significância, ou valor p,
é definida como a probabilidade da estatística do teste acusar um resultado tão ou mais distante do
esperado como o resultado ocorrido na particular amostra observada, supondo H0 como a hipótese
verdadeira” (BARBETTA, REIS, BORNIA, 2010). O valor-p obtido é comparado com o nível de
significância: se for MENOR do que o nível de significância, rejeita-se H0, se for maior ou igual
aceita-se H0.

Para entender melhor os conceitos acima observe o exemplo a seguir:

Há interesse em realizar um teste de hipóteses sobre o comprimento médio de uma das dimensões
de uma peça mecânica. O valor nominal da média (aceito como verdadeiro até prova em contrário)
é igual a “b” (valor genérico), H0:  = b. Supondo que a distribuição amostral do parâmetro
(distribuição de x ) seja normal6, e será centrada em b: é possível fazer a conversão para a
distribuição normal padrão (média zero e desvio padrão 1, variável Z).

H0 :  = b H0 :  = 0
O valor de b (média da dimensão e média de x ) corresponde a zero, média da variável Z.
Dependendo da formulação da Hipótese Alternativa haveria diferentes Regiões de Rejeição de H0.

6
Ver o Capítulo 9 para maiores detalhes.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 5

Se a Hipótese Alternativa fosse H1:  < b (H1:  < 0), ou seja, se o teste fosse Unilateral à esquerda
a Região de Rejeição de H0 seria:

valor-p

Zcrítico 0 Z
Figura 1 - H1: µ < b µ <0

Observe que há um valor crítico de 𝑥̅ : se a média amostral estiver abaixo dele a Hipótese Nula será
rejeitada, acima dele será aceita. A determinação do valor é feita com base no Nível de
Significância, a área abaixo da curva normal até o valor crítico de 𝑥̅ . Geralmente, obtém-se o valor
crítico da variável de teste (Z neste caso) através de uma tabela ou pacote computacional, que
corresponde ao valor crítico de 𝑥̅ , faz-se a transformação de variáveis 𝑍 = (𝑥̅ − 𝜇0 )/𝜎′ e obtém-se
o valor crítico de 𝑥̅ . 0 é o valor sob teste (b no exemplo) e ’ é um desvio padrão (cujo valor será
explicitado posteriormente.

Pela abordagem clássica a decisão será tomada comparando o valor da média amostral 𝑥̄
com o seu valor crítico: se for menor do que 𝑥̄ 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 , (ou seja, está na região de Rejeição de H0),
então se rejeita a Hipótese Nula. É possível tomar a decisão comparando o valor da variável de teste
(Z neste caso), obtido com base nos dados da amostra, com o 𝑍𝑐𝑟𝑖𝑡𝑖𝑐𝑜 desta mesma variável (obtido
de uma tabela ou programa computacional): se for menor do que o valor crítico rejeita-se a Hipótese
Nula. Observe que o valor do Nível de Significância α é colocado na curva referente à Hipótese
Nula, porque é esta que é aceita como válida até prova em contrário. Observe também que a faixa
de valores da região de Rejeição pertence à curva da Hipótese Nula, assim o valor α é a
probabilidade de Rejeitar H0 sendo H0 verdadeira.7

Se a decisão for tomada com base na variável de teste (Z, por exemplo), como o teste é
Unilateral à esquerda o valor 𝑍𝑐𝑟𝑖𝑡𝑖𝑐𝑜 será NEGATIVO, uma vez que a região de Rejeição de H0
está à ESQUERDA de 0 (menor do que zero). No teste Unilateral à direita, que veremos a seguir, o
valor de 𝑍𝑐𝑟𝑖𝑡𝑖𝑐𝑜 será positivo, pois a região de Rejeição de H0 estará à DIREITA de 0 (maior do
que zero). Se, por exemplo, o Nível de Significância fosse de 5% (0,05) o valor de 𝑍𝑐𝑟𝑖𝑡𝑖𝑐𝑜 para o
teste Unilateral à esquerda seria -1,645. Se houvesse interesse em obter o valor de 𝑥̄ 𝑐𝑟𝑖𝑡𝑖𝑐𝑜
correspondente bastaria usar a expressão 𝑍 = (𝑥̄ − 𝜇0 )/𝜎′ substituindo Z por -1,645. O sinal
correto é importante para que o valor de 𝑥̅𝑐𝑟í𝑡𝑖𝑐𝑜 seja coerente com a posição da região de Rejeição
de H0.

Pela abordagem do valor-p calcula-se a probabilidade de que 𝑥̅ assuma valores menores que
aquele obtido na amostra. Veja na Figura 1 uma posição hipotética de 𝑥̅ : o valor-p é a probabilidade
de que ela seja menor (porque o teste é unilateral à esquerda) do que aquele valor. Se o valor-p for
MENOR do que 0,05 (nível de significância α) rejeita-se H0.
7
Probabilidade de tomar uma decisão errada FIXADA pelo pesquisador.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 6

Se a Hipótese Alternativa fosse H1: µ > b (H1: µ > 0), ou seja, se o teste fosse Unilateral à
direita a Região de Rejeição de H0 seria (Figura 2)

valor-p

0 Zcrítico Z
Figura 2 - H1: µ> b µ>0
Neste caso o valor crítico está à direita: se a média amostral 𝑥̅ ou a variável de teste Z
tiverem valores superiores aos respectivos valores críticos a Hipótese Nula será rejeitada, pois os
valores “caíram” na região de Rejeição de H0. O valor de 𝑍𝑐𝑟𝑖𝑡𝑖𝑐𝑜 será positivo, pois é maior do que
zero: usando o mesmo Nível de Significância de 5%, 𝑍𝑐𝑟𝑖𝑡𝑖𝑐𝑜 seria 1,645, igual em módulo ao
anterior, porque a distribuição normal padrão é simétrica em relação à sua média, que é igual a zero.

Pela abordagem do valor-p é preciso calcular a probabilidade de que 𝑥̅ assuma valores

maiores que aquele obtido na amostra. Veja na Figura 2 uma posição hipotética de 𝑥̅ : o valor-p é a
probabilidade de que ela seja maior (porque o teste é unilateral à direita) do que aquele valor. Se o
valor-p for MENOR do que 0,05 (nível de significância α) rejeita-se H0.

Se a Hipótese Alternativa fosse H1: µ  b (H1: µ  0), ou seja, o teste fosse Bilateral a
Região de Rejeição de H0 seria (Figura 3)

valor-p/2

-Zcrítico 0 Zcrítico Z
Figura 3 - H1: µ≠ b µ≠0

Neste caso a região de Rejeição se divide em duas iguais (probabilidades iguais à metade do
Nível de Significância α), semelhante ao que acontece na Estimação por Intervalo. Existirão dois
valores críticos, um abaixo do valor de teste e outro acima: se a média amostral 𝑥̄ ou a variável de
teste Z tiverem valores acima do valor crítico “superior” ou abaixo do valor crítico “inferior” a
Hipótese Nula será rejeitada, pois os valores “caíram” em uma das 2 regiões de Rejeição. Se for
usada a variável de teste Z os valores críticos serão iguais em módulo, pois estão à mesma distância
do valor sob teste (zero).
 INE 7002 - Inferência Estatística – Testes de Hipóteses 7

Pela abordagem do valor-p é preciso calcular a probabilidade de que 𝑥̅ assuma valores

maiores que aquele obtido na amostra e depois multiplicar esta probabilidade por 2, se 𝑥̅ for maior
do que o valor testado 0, Se 𝑥̅ for menor do que o valor testado 0, o procedimento exigiria
calcular a probabilidade de que 𝑥̅ assuma valores menores do que aquele obtido na amostra, e
também multiplicar esta probabilidade por 2. Veja na Figura 3 uma posição hipotética de 𝑥̅ : 𝑥̅ é
maior do que b, portanto o valor-p é a probabilidade de que 𝑥̅ seja maior do que aquele valor
multiplicada por 2 (porque o teste é bilateral). Se o valor-p for MENOR do que 0,05 (nível de
significância α), rejeita-se H0.

Recordando as três situações que foram abordadas anteriormente, seria interessante definir
completamente as Hipóteses Estatísticas. Nos dois primeiros casos optou-se por um Teste Unilateral
e no terceiro por um Teste Bilateral.

a) Um novo protocolo de atendimento foi implementado no Banco RMG, visando reduzir o tempo
que as pessoas passam na fila do caixa. O protocolo será considerado satisfatório se a média do
tempo de fila for menor do que 30 minutos. Um teste Unilateral seria o adequado. Mas Unilateral
à Esquerda ou à Direita? Como está grifado na frase anterior haverá problema se a média do tempo
fosse menor do que 30, resultando:
Teste UNILATERAL À ESQUERDA
H0 :  = 30 onde 0 = 30 (valor de teste)
H1 :  < 30 Teste Unilateral à Esquerda.

b) Cerca de 2000 formulários de pedidos de compra estão sendo analisados. Os clientes podem ficar
insatisfeitos se houver erros nos formulários. Neste caso admite-se que a proporção máxima de
formulários com erros seja de 5%. Ou seja, um valor maior do que 5% causaria problemas. Um
teste Unilateral seria o adequado. Neste caso, um teste de proporção, o problema será um valor
maior do que 5%, resultando:
Teste UNILATERAL À DIREITA
H0 :  = 5% onde 0 = 5% (valor de teste)
H1 :  > 5%

c) Uma peça automotiva precisa ter 100 mm de diâmetro, exatamente. Neste caso, a dimensão não
pode ser maior ou menor do que 100 mm (em outras palavras não pode ser diferente de 100 mm)
pois isso indicará que a peça não está de acordo com as especificações. Um teste Bilateral seria o
adequado, resultando:
Teste BILATERAL
H0 :  = 100 mm onde 0 = 100 mm (valor de teste)
H1 :   100 mm

Para a definição correta das hipóteses é imprescindível a correta identificação do valor de

teste, pois se trata de um dos aspectos mais importantes do teste: o resultado da amostra será
comparado ao valor de teste.

Lembrando novamente que a tomada de decisão depende da correta determinação da região

de Rejeição (e, por conseguinte, de Aceitação) da Hipótese Nula, e isso, por sua vez, depende
diretamente da formulação das Hipóteses Estatísticas.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 8

10.4.1 - Testes de Hipóteses sobre a Média de uma Variável em uma População

Neste caso há interesse em testar a hipótese de que o parâmetro média populacional () de
uma certa variável QUANTITATIVA seja maior, menor ou diferente de um certo valor. Para a
realização deste teste é necessário que uma das duas condições seja satisfeita:
- sabe-se, ou é razoável supor, que a variável de interesse segue uma distribuição normal na
população: isso significa que a distribuição amostral da média também será normal, permitindo
realizar a inferência estatística paramétrica.
- a distribuição da variável na população é desconhecida, mas a amostra retirada desta população é
considerada “suficientemente grande”8 o que, de acordo com o Teorema Central do Limite, permite
concluir que a distribuição amostral da média é normal.
Supõe-se também que a amostra é representativa da população e foi retirada de forma aleatória.

Tal como na Estimação de Parâmetros por Intervalo existirão diferenças nos testes
dependendo do conhecimento ou não da variância populacional da variável.
2
a) Se a variância populacional ( ) da variável (cuja média populacional queremos testar)for
conhecida.
Neste caso a variância amostral da média poderá ser calculada através da expressão:
𝑉(𝑥̅ ) = 𝜎 2 /√𝑛, e, por conseguinte, o “desvio padrão”9 será 𝜎′ = 𝜎/√𝑛
A variável de teste será a variável Z da distribuição normal padrão, lembrando que:
𝑣𝑎𝑙𝑜𝑟 − "𝑚é𝑑𝑖𝑎"
𝑍=
"𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜"
A "média" será o valor de teste (suposto verdadeiro até prova em contrário), denotado por 0. O
valor (obtido pela amostra) será a média amostral (que é o melhor estimador da média
populacional10) denotada por 𝑥̅ , e o "desvio padrão" será o valor obtido anteriormente. Sendo assim
a expressão do valor calculado da variável de teste Z:
𝑥̅ − 𝜇0
𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
𝜎/√𝑛

Pela abordagem clássica compara-se o valor da variável de teste com o valor crítico (Zcrítico
que depende do Nível de Significância adotado) de acordo com o tipo de teste:
Se H1 µ: > µ0 Rejeitar H0 se Zcalculado > Zcrítico (𝒙̄ > 𝒙̄ crítico)
Se H1 µ: < µ0 Rejeitar H0 se Zcalculado < Zcrítico 11 (𝒙̄ < 𝒙̄ crítico)
Se H1 µ:  µ0 Rejeitar H0 se |Zcalculado|> |Zcrítico|
Pela abordagem do valor-p obtém-se a probabilidade associada ao valor da variável de teste:
Se H1 µ: > µ0 Rejeitar H0 se P(Z > Zcalculado) < α
Se H1 µ: < µ0 Rejeitar H0 se P(Z < Zcalculado)12 < α
Se H1 µ:  µ0 Rejeitar H0 se 2× P(Z > |Zcalculado|)13 < α

8
Há muita controvérsia a respeito do que seria uma amostra “suficientemente grande”, vejam a discussão a respeito no
Capítulo 9, na seção sobre distribuição amostral.
9
O desvio padrão é a raiz quadrada positiva da variância.
10
Ver o Capítulo 9 – Estimação de Parâmetros.
11
Neste caso Zcrítico será NEGATIVO, já que a região de Rejeição de H0 está à esquerda de zero.
12
Neste caso calcula-se a probabilidade de Z ser MENOR do que o Zcalculado, pois o teste é unilateral à esquerda.
13
Neste caso multiplica-se por 2 a probabilidade de Z ser MAIOR do que o valor em módulo de Z calculado pois o teste é
bilateral.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 9
2
b) Se a variância populacional  da variável for desconhecida.
Naturalmente este é o caso mais encontrado na prática. Procede-se como no item anterior, apenas
fazendo com que  = s, ou seja, considerando que o desvio padrão da variável na população é uma
boa estimativa do desvio padrão da variável na amostra (suposição razoável para grandes amostras).
Contudo, não será possível usar a distribuição normal padrão (Z), mas a distribuição t de Student.
Esta distribuição já é conhecida (ver Capítulo 9). Trata-se de uma distribuição de probabilidades
que possui média zero (como a distribuição normal padrão, variável Z), mas sua variância é igual a
n/(n-2), ou seja, a variância depende do tamanho da amostra. Quanto maior for o tamanho da
amostra mais o quociente acima se aproxima de 1 (a variância da distribuição normal padrão), e
mais a distribuição t de Student aproxima-se da distribuição normal padrão. A partir de n = 50, já é
possível considerar a variância da distribuição t de Student aproximadamente igual a 1.
A variável de teste será então tn-1 (t com n - 1 graus de liberdade), e o seu valor calculado:
𝑥̄ − 𝜇0
𝑡𝑛−1,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
𝑠/√𝑛
onde s é o desvio padrão amostral e os outros valores têm o mesmo significado anterior.

Pela abordagem clássica compara-se o valor da variável de teste com o valor crítico
(tn-1,crítico que depende do Nível de Significância adotado) de acordo com o tipo de teste:
Se H1 µ: > µ0 Rejeitar H0 se tn-1,calculado > tn-1,crítico (𝒙̄ > 𝒙̄ crítico)
Se H1 µ: < µ0 Rejeitar H0 se tn-1,calculado < tn-1,crítico 14 (𝒙̄ < 𝒙̄ crítico)
Se H1 µ:  µ0 Rejeitar H0 se |tn-1,calculado|> |tn-1,crítico|
Pela abordagem do valor-p obtém-se a probabilidade associada ao valor da variável de teste:
Se H1 µ: > µ0 Rejeitar H0 se P(tn-1 > tn-1,calculado) < α
Se H1 µ: < µ0 Rejeitar H0 se P(tn-1 < tn-1,calculado)15 < α
Se H1 µ:  µ0 Rejeitar H0 se 2× P(|tn-1| > |tn-1,calculado|)16 < α

10.4.2 - Testes de Hipóteses sobre a Proporção de um dos Valores de uma Variável

em uma População

Neste caso há interesse em testar a hipótese de que o parâmetro proporção populacional ()
de um dos valores de uma certa variável seja maior, menor ou diferente de um certo valor. Para a
realização deste teste, tal como será descrito é necessário que DUAS condições sejam satisfeitas:
- que o produto n x 0 seja maior ou igual a 5;
- que o produto n x (1 - 0) seja maior ou igual a 5.
Onde n é o tamanho da amostra e 0 é a proporção sob teste (de um dos valores da variável). Se
AMBAS as condições forem satisfeitas a distribuição amostral da proporção que é binomial (uma
Bernoulli repetida n vezes) pode ser aproximada por uma normal. Obviamente supõe-se que a
amostra é representativa da população e foi retirada de forma aleatória, e que a variável pode
assumir apenas dois valores, aquele no qual há interesse e o seu complementar17.

Se as condições acima forem satisfeitas a distribuição amostral da proporção poderá ser

aproximada por uma normal com:

14
Neste caso tn-1,crítico será negativo, já que a região de Rejeição de H0 está à esquerda de zero.
15
Neste caso calcula-se a probabilidade de tn-1 ser MENOR do que o tn-1,calculado pois o teste é unilateral à esquerda.
16
Neste caso multiplica-se por 2 a probabilidade de tn-1 ser MAIOR do que o valor em módulo de tn-1,calculado pois o teste
é bilateral.
17
Ou seja, que se trata de um “experimento de Bernoulli”. Praticamente qualquer experimento pode ser reduzido a um
experimento de Bernoulli, simplesmente isolando o valor da variável no qual há interesse e agrupando todos os outros
como seu valor complementar.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 10

𝜋0 ×(1−𝜋0 )
Média = 0 Desvio Padrão = √ 𝑛
Lembrando-se da expressão da variável Z:
𝑣𝑎𝑙𝑜𝑟 − "𝑚é𝑑𝑖𝑎"
𝑍=
"𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜"
O valor será a proporção amostral (melhor estimador da proporção populacional) do valor
da variável denotada por p. A "média" e o "desvio padrão" são os valores definidos acima, então
a expressão do valor calculado de Z será:
𝑝 − 𝜋0
𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜋0 × (1 − 𝜋0 )
𝑛
Pela abordagem clássica compara-se o valor da variável de teste com o valor crítico (Zcrítico
que depende do Nível de Significância adotado) de acordo com o tipo de teste:
Se H1 : > 0 Rejeitar H0 se Zcalculado > Zcrítico (p > 𝒑𝒄𝒓í𝒕𝒊𝒄𝒐 )
Se H1 : < 0 Rejeitar H0 se Zcalculado < Zcrítico 18 (𝒑 < 𝒑crítico)
Se H1 :  0 Rejeitar H0 se |Zcalculado|> |Zcrítico|
Pela abordagem do valor-p obtém-se a probabilidade associada ao valor da variável de teste:
Se H1 : > 0 Rejeitar H0 se P(Z > Zcalculado) < α
Se H1 : < 0 Rejeitar H0 se P(Z < Zcalculado)19 < α
Se H1 :  0 Rejeitar H0 se 2× P(Z > |Zcalculado|)20 < α

Exemplo 10.1- Uma peça automotiva precisa ter 100 mm de diâmetro, exatamente. Foram medidas
15 peças, aleatoriamente escolhidas. Obteve-se média de 100,7 mm e variância de 0,01 mm2.
Supõe-se que a dimensão segue distribuição normal na população. A peça está dentro das
especificações? Usar 1% de significância.
1) Enunciar as hipóteses.
Conforme visto no item 10.4 o teste mais adequado para este caso é um Teste Bilateral:
H0 :  = 100 mm onde 0 = 100 mm (valor de teste)
H1 :   100 mm
2) Nível de significância. O problema declara que é necessário usar 1% de significância.
3) Variável de teste.
Uma vez que a variância populacional da variável é DESCONHECIDA (o valor fornecido é
a variância AMOSTRAL), a variável de teste será tn-1 da distribuição t de Student.
4) Definir a região de aceitação de H0.

Figura 4 - Regiões de aceitação e rejeição - Teste de 1 média - bilateral

18
Neste caso Zcrítico será NEGATIVO, já que a região de Rejeição de H0 está à esquerda de zero.
19
Neste caso calcula-se a probabilidade de Z ser MENOR do que o Zcalculado, pois o teste é unilateral à esquerda.
20
Neste caso multiplica-se por 2 a probabilidade de Z ser MAIOR do que o valor em módulo de Zcalculado pois o teste é
bilateral.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 11

Observe que por ser um teste Bilateral o Nível de Significância α foi dividido em dois,
metade para cada região de rejeição de H0.
Pela abordagem clássica:
Procurando o valor crítico na tabela da distribuição de Student, na linha correspondente a
n-1 graus de liberdade, ou seja, em 15 - 1 = 14 graus de liberdade, para uma área na cauda
superior igual a 0,005 (0,01/2): os valores críticos serão t14;0,005 e t14;0,995 os quais serão
iguais em módulo. E o valor de t14,crítico será igual a 2,977 (em módulo).
Pela abordagem do valor-p: ao calcular a probabilidade de t14 ser maior/menor do que o
valor calculado é preciso multiplicar por 2, porque o teste é bilateral.
5) Através dos valores da amostra avaliar o valor da variável.
Neste ponto é preciso encontrar o valor da variável de teste:
𝑥̄ − 𝜇0
𝑡𝑛−1,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
𝑠/√𝑛
O valor de teste 0 é igual a 100 mm, a média amostral x vale 100,7 mm, o tamanho de
amostra n é igual a 15 e o desvio padrão amostral s é a raiz quadrada de 0,01 mm 2.
Substituindo na equação acima:
𝑥̄ −𝜇 100,7−100
𝑡𝑛−1,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑠/ 𝑛0 = 𝑡15−1,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑡14,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 0,01/√15 = 27,11
√ √
então |t14, calculado| = 27,11
6) Decidir pela aceitação ou rejeição de H0.
Como se trata de um teste bilateral:
- Pela abordagem clássica
Rejeitar H0 se |tn-1, calculado|> |tn-1,crítico|
Como |t14, calculado| = 27,11 > |tn-1,crítico| = |t14,0,995|= 2,977
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)
- Pela abordagem do valor-p
Rejeitar H0 se 2× P(|tn-1| > |tn-1,calculado|) < α
Como 27,11 é maior do que zero, calcula-se a probabilidade de que
t14 seja maior do que 27,11, que é praticamente igual a zero21. Mesmo
multiplicando-a por 2, valor-p  0 <<  = 0,01
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)
7) Interpretar a decisão no contexto do problema.
Há provas estatísticas suficientes de que a dimensão da peça não está dentro das
especificações22.

Exemplo 10.2 - Um novo protocolo de atendimento foi implementado no Banco RMG, visando
reduzir o tempo que as pessoas passam na fila do caixa. O protocolo será considerado satisfatório se
a média do tempo de fila for menor do que 30 minutos. Suponha que o tempo que 35 clientes
(selecionados aleatoriamente) passaram na fila foi monitorado, resultando em uma média de 29
minutos e desvio padrão de 5 minutos. O protocolo pode ser considerado satisfatório a 5% de
significância?
1) Enunciar as hipóteses.
Conforme o item 10.4 o teste para este caso é um Teste Unilateral à Esquerda:
H0 :  = 30 onde 0 = 30 (valor de teste)
H1 :  < 30

21
Usando a função [Link](27,11;14) do Microsoft Excel ®, valor-p = 0,0000000000000842165.
22
Cuidado com os casos de FRONTEIRA, em que o valor da variável de teste é muito próximo do valor crítico, ou o
valor-p muito próximo do nível de significância . Nesses casos a rejeição ou aceitação de H0 pode ocorrer por acaso.
Sempre que apresentar o resultado de fronteira recomende que uma nova amostra seja retirada para avaliar novamente o
problema. Mas neste caso rejeita-se H0 com folga.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 12

2) Nível de significância. O problema declara que é necessário usar 5% (α = 0,05).

3) Variável de teste.
Uma vez que a variância populacional da variável é DESCONHECIDA (o valor fornecido é
o desvio padrão AMOSTRAL), a variável de teste será tn-1 da distribuição t de Student.
4) Definir a região de aceitação de H0.

Figura 5 - Regiões de aceitação e rejeição - Teste de 1 média – unilateral à esquerda

Observe que por ser um teste Unilateral à Esquerda o Nível de Significância  está todo
concentrado em um dos lados da distribuição, definindo a região de rejeição de H0.
Pela abordagem clássica:
Para encontrar o valor crítico devemos procurar na tabela da distribuição de Student, na
linha correspondente a n-1 graus de liberdade, ou seja, em 35 - 1 = 34 graus de liberdade.
P(t > tn-1,crítico) = 0,95. Deve-se procurar a probabilidade complementar 0,05 e mudar o
sinal do valor encontrado, pois o tn-1crítico aqui é menor do que zero: o valor crítico será
t34;0,05. E o valor de t 34,crítico será igual a -1,69123.
Pela abordagem do valor-p: calcular a probabilidade de tn-1 ser menor do que o valor
calculado, porque o teste é unilateral à esquerda.
5) Através dos valores da amostra avaliar o valor da variável.
𝑥̄ − 𝜇0
𝑡𝑛−1,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
𝑠/√𝑛
O valor de teste 0 é igual a 30, a média amostral x vale 29, o tamanho de amostra n é
igual a 35 e o desvio padrão amostral s é 5. Substituindo na equação acima:
𝑥̄ −𝜇 29−30
𝑡34,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑠/ 𝑛0 = 5/√35 = −1,183
√
6) Decidir pela aceitação ou rejeição de H0.
- Pela abordagem clássica
Rejeitar H0 se tn-1, calculado < tn-1,crítico
Como t34, calculado = -1,183 > tn-1,crítico = t34,0,05= -1,691
ACEITAR H0 a 5% de Significância (há 5% de chance de erro)
- Pela abordagem do valor-p
Rejeitar H0 se P(tn-1 < tn-1,calculado) < α
Calcula-se a probabilidade de que t34 seja menor do que -1,183 (porque o teste é
unilateral à esquerda): usando uma função do Microsoft Excel ®24 obtém-se 0,123.
Valor-p = 0,123 > α = 0,05
ACEITAR H0 a 5% de Significância (há 5% de chance de erro)

23
Obtido através do Microsoft Excel ® pela função INV.T(0,05;34).
24
[Link](-1,183;34), é preciso usar o complementar da função, porque a função [Link] calcula valores
acumulados ACIMA do t34,calculado (-1,183) no caso, e como o teste é unilateral à esquerda busca-se obter a probabilidade
ABAIXO de t34,calculado.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 13

7) Interpretar a decisão no contexto do problema.

Não há provas estatísticas suficientes para concluir que o protocolo tem um desempenho
satisfatório.

EX.10.3 - Cerca de 2000 formulários de pedidos de compra estão sendo analisados. Os clientes
podem ficar insatisfeitos se houver erros nos formulários. Neste caso admite-se que a proporção
máxima de formulários com erros seja de 5%. Suponha que dentre os 2000 formulários 7%
apresentavam erros. A proporção máxima foi ultrapassada a 1% de significância?
1) Enunciar as hipóteses.
Conforme o item 10.4 o teste o para este caso é um Teste Unilateral à Direita:
H0 :  = 5% onde 0 = 5% (valor de teste)
H1 :  > 5%
2) Nível de significância. O problema declara que é necessário usar 1% de significância.
3) Variável de teste.
Como se trata de um teste de proporção é necessário verificar o valor dos produtos:
n x 0 = 2000 x 0,05 = 100 e n x (1 - 0) = 2000 x 0,95 = 1900. Como ambos são maiores
do que 5 é possível fazer uma aproximação pela normal, e a variável de teste será Z.
4) Definir a região de aceitação de H0.

Figura 6 - Regiões de aceitação e rejeição - Teste de 1 proporção – unilateral à direita

Observe que por ser um teste Unilateral à Direita o Nível de Significância  está todo
concentrado em um dos lados da distribuição, definindo a região de rejeição de H0.
Pela abordagem clássica:
Para encontrar o valor crítico devemos procurar na tabela da distribuição normal padrão,
pela probabilidade acumulada 0,01(o Zcrítico aqui é maior do que zero). O valor crítico
será igual a 2,326.
Pela abordagem do valor-p: calcular a probabilidade de Z ser maior do que o valor
calculado, porque o teste é unilateral à direita.
5) Através dos valores da amostra avaliar o valor da variável.
Neste ponto é preciso encontrar o valor da variável de teste:
𝑝 − 𝜋0
𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜋0 × (1 − 𝜋0 )
𝑛
O valor de teste 0 é igual a 0,05 (5%), a proporção amostral p vale 0,07 (7%), e o
tamanho de amostra n é igual a 2000. Substituindo na equação acima:
𝑝−𝜋0 0,07−0,05
𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝜋 ×(1−𝜋 = = 4,104
) 0,05×(0,95)
√ 0 0 √
𝑛 2000
 INE 7002 - Inferência Estatística – Testes de Hipóteses 14

6) Decidir pela aceitação ou rejeição de H0.

- Pela abordagem clássica
Rejeitar H0 se Z, calculado > Z,crítico
Como Z calculado = 4,104 > Zcrítico = 2,326
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)
- Pela abordagem do valor-p
Rejeitar H0 se P(tn-1 > tn-1,calculado) < α
Calcula-se a probabilidade de que Z seja maior do que 4,104 (porque o teste é
unilateral à direita): usando uma função do Microsoft Excel ®25 obtém-se
0,0000203. Valor-p = 0,0000203 < α = 0,01
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)
7) Interpretar a decisão no contexto do problema.
Há provas estatísticas suficientes de que a proporção está acima do máximo admitido26.
Provavelmente os vendedores/compradores precisarão passar por novo treinamento.

10.4.3 - Teste de diferenças entre as Proporções de um dos Valores de uma Variável

em duas Populações independentes

Frequentemente precisamos avaliar se a proporção de um dos valores de certa variável em

uma população apresenta uma diferença significativa da mesma proporção em outra população (ou
seja, comparar duas populações independentes). Por exemplo, se a proporção de eleitores
favoráveis a um candidato em uma região de SC é diferente da proporção em outra região. Temos
uma situação então em que queremos realizar um teste de diferença entre duas proporções
populacionais, que chamaremos 1 e 2.

Neste caso há interesse em testar a hipótese de que a diferença entre o parâmetro proporção
populacional de um dos valores de uma certa variável, em duas populações independentes ()
seja maior, menor ou diferente de um certo valor (que chamaremos 0), a partir dos dados
coletados em duas amostras aleatórias das respectivas populações. Vamos chamar as proporções
amostrais do valor de interesse de p1 e p2, e os respectivos tamanhos de amostra de n1 e n2. Para a
realização deste teste, tal como será descrito é necessário que QUATRO condições sejam
satisfeitas:
- que o produto n1 × p1 seja maior ou igual a 5; que o produto n1 × (1 - p1) seja maior ou igual a 5.
- que o produto n2 × p2 seja maior ou igual a 5; que o produto n2 × (1 - p2) seja maior ou igual a 5.
Se TODAS as condições forem satisfeitas as distribuições amostrais das proporções, que são
binomiais, podem ser aproximadas por uma normal. Obviamente supõe-se que as amostras são
representativas das populações e foram retiradas de forma aleatória, e que a variável pode assumir
apenas dois valores, aquele no qual há interesse e o seu complementar.

Se as condições acima forem satisfeitas a distribuição amostral da diferença entre as

proporções poderá ser aproximada por uma normal com:
𝜋1 ×(1−𝜋1 ) 𝜋2 ×(1−𝜋2 )
Média =  Desvio Padrão = √( )+( )
𝑛1 𝑛2

25
[Link].N(4,104;VERDADEIRO), é preciso usar o complementar da função, porque a função
[Link].N calcula valores acumulados ABAIXO do Z,calculado (4,104) no caso, e como o teste é unilateral à direita
busca-se obter a probabilidade ACIMA de Z,calculado.
26
Este NÃO é um caso de fronteira.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 15

Onde 0 é o valor da diferença entre as proporções populacionais 1 e 2 que queremos testar27.

Como não conhecemos 1 e 2 vamos estimá-las através das proporções amostrais, assim o "desvio
padrão" passa a ser:
𝑝1 ×(1−𝑝1 ) 𝑝2 ×(1−𝑝2 )
Desvio Padrão = √( )+( )
𝑛1 𝑛2
𝑣𝑎𝑙𝑜𝑟−"𝑚é𝑑𝑖𝑎"
Lembrando-se da expressão da variável Z: 𝑍 = "𝑑𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜"
O valor será a diferença entre as proporções amostrais do valor da variável, denotada por p1 - p2. A
"média" e o "desvio padrão" são os valores definidos acima, então a expressão de Zcalculado será:
𝑝1 − 𝑝2 − 𝜋0
𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
𝑝 × (1 − 𝑝1 ) 𝑝 × (1 − 𝑝2 )
√( 1 )+( 2 𝑛 )
𝑛 1 2

Pela abordagem clássica compara-se o valor da variável de teste com o valor crítico (Zcrítico
que depende do Nível de Significância adotado) de acordo com o tipo de teste (as expressões abaixo
também estão no apêndice):
Se H1  > 0 Rejeitar H0 se Zcalculado > Zcrítico
Se H1  < 0 Rejeitar H0 se Zcalculado < Zcrítico 28
Se H1   0 Rejeitar H0 se |Zcalculado|> |Zcrítico|
Pela abordagem do valor-p calcula-se a probabilidade associada ao valor da variável de
teste:
Se H1  > 0 Rejeitar H0 se P(Z > Zcalculado) < α
Se H1  < 0 Rejeitar H0 se P(Z < Zcalculado)29 < α
Se H1   0 Rejeitar H0 se 2× P(Z > |Zcalculado|)30 < α

EX. 10.4 - Uma lei extremamente polêmica está em tramitação na Assembleia Legislativa de Santa
Catarina. Parece que homens e mulheres apresentam opiniões divergentes. Para avaliar se os dois
grupos apresentam proporções de favoráveis diferentes realizou-se uma pesquisa, em que foi
entrevistada uma amostra de 200 homens e uma amostra de 300 mulheres de todo o estado. Na
amostra de homens 50% declaram-se favoráveis à lei, enquanto que na amostra das mulheres houve
47% de favoráveis. Usando 5% de significância, há diferença entre as proporções populacionais de
favoráveis nos dois grupos?
Chamamos a população masculina de grupo 1 e a feminina de 2. Há interesse em verificar
apenas se as proporções populacionais de favoráveis são diferentes, ou seja, se a diferença
entre elas é igual a zero: então 0 = 0. O teste será bilateral, pois não interessa qual das
proporções será maior ou menor. Seguindo o roteiro do Apêndice:
1) Enunciar as hipóteses. Rearranjando as hipóteses:
H0 :  = 0 onde 0 = 0 H0 : 
H1 :   0 H1 : 
2) Nível de significância. O problema declara que é necessário usar 5% de significância.
3) Variável de teste.
Como se trata de um teste de diferença entre proporções é necessário verificar o valor dos
produtos:
n1 × p1 = 200 × 0,5 = 100 n1 × (1 - p1) = 200 × 0,50 = 100.
n2 × p2 = 300 × 0,47 = 147 n2 × (1 - p2) = 300 × 0,53 = 153.

27
Usualmente 0 é igual a zero, queremos saber se há qualquer diferença significativa entre as proporções.
28
Neste caso Zcrítico será NEGATIVO, já que a região de Rejeição de H0 está à esquerda de zero.
29
Neste caso calcula-se a probabilidade de Z ser MENOR do que o Zcalculado, pois o teste é unilateral à esquerda.
30
Neste caso multiplica-se por 2 a probabilidade de Z ser MAIOR do que o valor em módulo de Z calculado pois o teste é
bilateral.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 16

Como todos são maiores do que 5 é possível fazer uma aproximação pela normal, e a
variável de teste será Z.
4) Definir a região de aceitação de H0.

Figura 7 - Regiões de aceitação e rejeição - Teste de diferença entre 2 proporções - bilateral

Observe que por ser um teste Bilateral o Nível de Significância α foi dividido em dois,
metade para cada região de rejeição de H0.
Pela abordagem clássica:
Procurando o valor crítico na tabela da distribuição normal padrão pela probabilidade
0,025 e 0,975 (0,95+ 0,025) para uma área na cauda superior igual a 0,025 (0,05/2): os
valores críticos serão Z0,025 e Z0,975 os quais serão iguais em módulo. E o valor de Zcrítico
será igual a 1,96 (em módulo).
Pela abordagem do valor-p: ao calcular a probabilidade de Z ser maior/menor do que o
valor calculado é preciso multiplicar por 2, porque o teste é bilateral.

5) Através dos valores da amostra avaliar o valor da variável.

Neste ponto é preciso encontrar o valor da variável de teste:
𝑝1 − 𝑝2 − 𝜋0
𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
𝑝 × (1 − 𝑝1 ) 𝑝 × (1 − 𝑝2 )
√( 1 )+( 2 𝑛 )
𝑛 1 2
O valor de teste 0 é igual a 0, a proporção amostral p1 vale 0,5 (50%), a proporção
amostral p2 vale 0,47 (47%), o tamanho de amostra n1 é igual a 200, e o tamanho de
amostra n2 é igual a 300. Substituindo na equação acima:
𝑝1 − 𝑝2 − 𝜋0 0,5 − 0,47 − 0
𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = = 0,658
𝑝 × (1 − 𝑝1 ) 𝑝 × (1 − 𝑝2 ) 0,5 × (0,5) 0,47 × 0,53
√( 1 )+( 2 𝑛 ) √(
𝑛1 2 200 ) + ( 300 )
6) Decidir pela aceitação ou rejeição de H0.
Como se trata de um teste bilateral:
- Pela abordagem clássica
Rejeitar H0 se |Z calculado|> |Zcrítico|
Como |Zcalculado| = 0,658 > |Zcrítico| = 1,96
ACEITAR H0 a 5% de Significância (há 5% de chance de erro)
- Pela abordagem do valor-p
Rejeitar H0 se 2× P(|Z| > |Zcalculado|) < α
Como 0,6577 é maior do que zero, obtém-se a probabilidade de que
Z seja maior do que 0,658, aproximadamente 0,2546 através da
tabela da normal padrão. Multiplicando-a por 2, valor-p  0,5092 >  = 0,05
ACEITAR H0 a 5% de Significância (há 5% de chance de erro)
 INE 7002 - Inferência Estatística – Testes de Hipóteses 17

7) Interpretar a decisão no contexto do problema.

Não há provas estatísticas suficientes que indiquem diferenças nas proporções de
favoráveis nas populações de homens e mulheres.

10.5 - Teste do Quiquadrado de independência

O teste do Quiquadrado de independência está vinculado à análise bidimensional de

variáveis qualitativas. No Capítulo 3 de INE7001 estudamos as tabelas de contingências e o
coeficiente de contingência modificado, que permitia mensurar a força do relacionamento entre
duas variáveis qualitativas. Vamos rever alguns daqueles conceitos antes de apresentar o teste do
Quiquadrado de independência.

10.5.1 - Variáveis qualitativas e tabelas de contingência

É comum haver interesse em saber se duas variáveis quaisquer estão relacionadas, e o

quanto estão relacionadas, seja na vida prática, seja em trabalhos de pesquisa, por exemplo:
- se a satisfação com um produto está relacionada à faixa etária do consumidor;
- o quanto o nível de pluviosidade em uma certa região influencia a produtividade de uma cultura
agrícola;
- se a função exercida por uma pessoa em uma organização está associada a seu sexo.

A Análise Bidimensional (vista no Capítulo 3, em INE7001) propõe-se a tentar responder as

perguntas do parágrafo anterior. As duas variáveis abordadas podem ser qualitativas ou
quantitativas, e para cada tipo haverá técnicas apropriadas.

Variáveis Qualitativas são as variáveis cujas realizações são atributos, categorias. Como
exemplo de variáveis qualitativas tem-se: sexo de uma pessoa (duas categorias, masculino e
feminino), grau de instrução (analfabeto, primeiro grau incompleto, etc.), opinião sobre um assunto
(favorável, desfavorável, indiferente).

Em estudos sobre variáveis qualitativas é extremamente comum registrar as frequências de

ocorrência de cada valor que as variáveis podem assumir, e quando há duas variáveis envolvidas é
comum registrar-se a frequência de ocorrência dos cruzamentos entre valores: por exemplo, quantas
pessoas do sexo masculino são favoráveis a uma certa proposta de lei, quantas são desfavoráveis,
quantas pessoas do sexo feminino são favoráveis. E, para facilitar a análise dos resultados estes
resultados costumam ser dispostos em uma Tabela de Contingências. A Tabela de Contingências
relaciona os possíveis valores de uma variável qualitativa com os possíveis valores da outra,
registrando quantas ocorrências foram verificadas de cada cruzamento.

Exemplo 10.5 - Seja a tabela de contingências abaixo, que relaciona as funções exercidas e o sexo
de 474 funcionários de uma organização.
Função
Sexo Escritório Serviços gerais Gerência Total
Masculino 157 27 74 258
Feminino 206 0 10 216
Total 363 27 84 474
Fonte: hipotética

Podemos apresentar os percentuais calculados em relação aos totais das colunas:

 INE 7002 - Inferência Estatística – Testes de Hipóteses 18

Função
Sexo Escritório Serviços gerais Gerência Total
Masculino 43,25% 100% 88,10% 54%
Feminino 56,75% 0% 11,90% 46%
Total 100% 100% 100% 100%
Fonte: hipotética
Seria interessante saber se as duas variáveis são estatisticamente dependentes, e o quão forte é esta
associação. Repare que os percentuais de homens e mulheres em cada função são diferentes dos
percentuais marginais (de homens e mulheres no total de funcionários), sendo que em duas funções
as diferenças são bem grandes.

O Teste do Quiquadrado é uma das ferramentas estatísticas mais utilizadas quando se deseja
estudar o relacionamento entre duas variáveis QUALITATIVAS. Permite verificar se duas variáveis
qualitativas são independentes, se as proporções de ocorrência dos valores das variáveis
observadas estão de acordo com o que era esperado, etc. Neste texto haverá interesse em usar o
teste para avaliar se duas variáveis qualitativas são independentes.

Como todo teste de hipóteses o Teste do Quiquadrado consiste em comparar os valores

observados em uma amostra com os valores de uma referência (referência esta que supõe que a
hipótese nula seja válida).

As frequências observadas da variável são representadas em uma tabela de contingências, e

a Hipótese Nula (H0) do teste será que as duas variáveis não diferem em relação às frequências com
que ocorre uma característica particular, ou seja, as variáveis são independentes, que será testada
contra a Hipótese Alternativa (H1) de que as variáveis NÃO SÃO independentes.

O teste pode ser realizado porque o grau de dependência pode ser quantificado
2
descritivamente através de uma estatística, que se chama justamente Quiquadrado ( ), cuja
expressão é:
𝐿 𝐶 2
2
(𝑂𝑖𝑗 − 𝐸𝑖𝑗 )
𝜒 𝑔𝑙,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜
= ∑∑[ ]
𝐸𝑖𝑗
𝑖=1 𝑗=1

total da linha i × total da coluna j

𝐸𝑖𝑗 =
total geral
Onde
- Eij é a frequência esperada, sob a condição de independência entre as variáveis, em uma célula
qualquer da tabela de contingências. TODAS as frequências esperadas precisam ser MAIORES OU
IGUAIS A 5 para que o resultado do teste seja válido31.
- Oij é a frequência observada em uma célula qualquer da tabela de contingências.
- L é o número total de linhas da tabela de contingências (número de valores que uma das variáveis
pode assumir)
- C é o número total de colunas da tabela (número de valores que a outra variável pode assumir).

Então, para cada célula da tabela de contingências calcula-se a diferença entre a frequência
observada e a esperada. Para evitar que as diferenças positivas anulem as negativas as diferenças
são elevadas ao quadrado. E para evitar que uma diferença grande em termos absolutos, mas
pequena em termos relativos, "inflacione" a estatística, ou que uma diferença pequena em termos
absolutos, mas grande em termos relativos, tenha sua influência reduzida, divide-se o quadrado da
31
Se isso não ocorrer recomenda-se agrupar as categorias (de uma ou outra variável, ou de ambas) até obter todas as
frequências pelo menos iguais a 5.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 19

diferença pela frequência esperada. Somam-se os valores de todas as células e obtêm-se o valor da
2
estatística: quanto maior  , mais o Observado afasta-se do Esperado, portanto maior a
dependência.
2
Sob a hipótese de independência a estatística  terá distribuição Quiquadrado, uma
distribuição assimétrica, cujo comportamento depende do seu número de graus de liberdade.
0,25

0,2

0,15
f(x)

0,1

0,05

0
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 60
2

quiquadrado com gl =3 quiquadrado com gl = 8 quiquadrado com gl = 15 quiquadrado com gl = 30

Figura 8 - Distribuição Quiquadrado com 3, 8, 15 e 30 graus de liberdade

A Figura 8 mostra as curvas da distribuição Quiquadrado para 3, 8, 15 e 30 graus de
liberdade. Observe que as figuras são assimétricas, e variam de forma dependendo do número de
graus de liberdade da estatística, mas que para os maiores valores elas começam a ficar simétricas.

O número de graus de liberdade (gl) da estatística é calculado da seguinte forma:

graus de liberdade = (L - 1)  (C - 1)
Sendo o número de linhas (L) e o número de colunas (C) referentes à tabela de contingências (o
número de valores que cada variável pode assumir). O número de graus de liberdade assume este
valor porque para calcular as frequências esperadas não é necessário calcular os valores de TODAS
as células, as últimas podem ser calculadas por diferença já que os totais são fixos. Por exemplo,
para duas variáveis que somente podem assumir 2 valores cada, o número de graus de liberdade
seria igual a 1 [(2-1)(2-1)]: bastaria calcular a frequência esperada de uma célula e obter as outras
por diferença em relação ao total.

O teste do Quiquadrado para avaliar se duas variáveis são independentes será sempre
UNILATERAL:
Pela abordagem clássica compara-se o valor da variável de teste com o valor crítico (2crítico
que depende do Nível de Significância adotado e do número de graus de liberdade) de
acordo com o tipo de teste (as expressões abaixo também estão no apêndice):
Rejeitar H0 se 2gl,calculado > 2crítico

Pela abordagem do valor-p calcula-se a probabilidade associada ao valor da variável de

teste:
Rejeitar H0 se P(2 > 2gl,calculado) < α
 INE 7002 - Inferência Estatística – Testes de Hipóteses 20

Exemplo 10.6 - Para o conjunto do Exemplo 10.5, supondo que os resultados são uma amostra
aleatória, verificar se as variáveis são independentes a 1% de significância.
1) Enunciar as Hipóteses:
H0: as variáveis sexo e função são independentes
H1: as variáveis sexo e função não são independentes
2) Nível de significância: determinado pelo problema,  = 0,01; 1 -  = 0,99
3) Retirar as amostras aleatórias e montar a tabela de contingências (isso já foi feito):
Função
Sexo Escritório Serviços gerais Gerência Total
Masculino 157 27 74 258
Feminino 206 0 10 216
Total 363 27 84 474
Fonte: hipotética
Na tabela acima encontram-se os totais marginais e o total geral:
L1 = total Masculino = 258 L2 = total Feminino = 216 C1 = total Escritório = 157
C2 = total [Link] = 27 C3 = total gerência = 84 N = total geral =474
Repare que somando os totais das linhas o resultado é o total geral, e que somando os totais das
colunas o resultado é o total geral também.
4) Calcular as frequências esperadas:
Calculando as frequências esperadas de acordo com a fórmula vista anteriormente:
Masculino - Escritório E = (258  363)/ 474 = 197,58
Masculino - Serviços Gerais E = (258  27)/ 474 = 14,70
Masculino - Gerência E = (258  84)/ 474 = 45,72
Feminino - Escritório E = (216  363)/ 474 = 165,42
Feminino - Serviços Gerais E = (216  27)/ 474 = 12,30
Feminino - Gerência E = (216  84)/ 474 = 38,28
Observe que os resultados são os mesmos obtidos no Exemplo 3.2.
2
5) Calculando a estatística  para cada célula:
Agora podemos calcular as diferenças entre as frequências e as demais operações, que
serão mostradas nas tabelas a seguir.
O-E Função
Sexo Escritório Serviços gerais Gerência
Masculino 157 - 197,58 27 - 14,70 74 - 45,72
Feminino 206 - 165,42 0 - 12,30 10 - 38,28

(O-E)2 Função
Sexo Escritório Serviços gerais Gerência
Masculino 1646,921 151,383 799,672
Feminino 1646,921 151,383 799,672
Finalmente:
(O-E)2/E Função
Sexo Escritório Serviços gerais Gerência
Masculino 8,336 10,301 17,490
Feminino 9,956 12,304 20,891
Agora podemos somar os valores:
2 = 8,336 + 10,301 + 17,490 + 9,956 + 12,304 + 20,891 = 79,227
Os graus de liberdade: (número de linhas -1)x(número de colunas - 1) = (2 -1)(3-1)= 2
2
Então  2 = 79,227
6) Pela abordagem clássica:
2
O  crítico será: procurando na tabela do Apêndice, ou em um programa, para 2 graus de
2
liberdade e 99% de confiança (1% de significância):  2,crítico = 9,21
 INE 7002 - Inferência Estatística – Testes de Hipóteses 21

Pela abordagem do valor-p

2
É preciso calcular a probabilidade de  2 ser maior do que 79,227.

7) Pela abordagem clássica:

2 2
 2 = 79,227 >  2, crítico = 9,21
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)
Pela abordagem do valor-p
2
P( 2 > 79,227) < 0,0005 (esta é a menor probabilidade listada na tabela para 2 graus de
2
liberdade, correspondente a  2 = 15,20)32.
Como valor-p <  = 0,01
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)

8) Há evidência estatística de que as variáveis Sexo e Função estão associadas.

É importante ressaltar que ao calcularmos o Coeficiente de Contingência Modificado para os

mesmos dados (Exemplo 3.4, Capítulo 3 de INE7001), obtivemos um valor igual a 0,54 (indicando
uma associação moderada). Ele pode ser usado em conjunto com o teste do Quiquadrado. O teste
do Quiquadrado provou que há associação, e o coeficiente a quantificou.

10.6 - Testes de diferenças entre as médias de uma variável em duas

populações (testes t)

É extremamente comum comparar as médias de uma variável QUANTITATIVA em duas

populações33, através das médias de duas amostras aleatórias de valores da variável retiradas destas
populações, geralmente com um dos dois objetivos abaixo:
- comparar as médias dos valores da variável provenientes de grupos PAREADOS (usualmente o
MESMO grupo), procurando verificar se houve diferença (comumente, estudos do tipo antes-
depois);
- comparar as médias provenientes de grupos DISTINTOS (INDEPENDENTES), para verificar se a
variável possui a mesma média nas duas populações.

Estes testes são TESTES PARAMÉTRICOS. Exigem que uma das duas condições abaixo
seja satisfeita:
- sabe-se, ou é razoável supor, que a variável de interesse segue uma distribuição normal em ambas
as populações: isso significa que a distribuição amostral das médias também será normal,
permitindo realizar a inferência estatística paramétrica.
- as distribuições da variável nas populações são desconhecidas, mas as amostras retiradas destas
populações são consideradas “suficientemente grandes”34 o que, de acordo com o Teorema Central
do Limite, permite concluir que a distribuição amostral das médias é normal.
Supõe-se também que as amostras são representativas das populações e foram retiradas de forma
ALEATÓRIA (sorteio não viciado).

32
Usando a função [Link](79,227;2) no Microsoft Excel ® o valor-p é igual a 0,000000000000000006253
33
Aliás, é muito comum comparar as médias de vários grupos, o que consiste um capítulo especial da Estatística a
ANÁLISE DE VARIÂNCIA (ANOVA) que não será vista nesta disciplina.
34
Há muita controvérsia a respeito do que seria uma amostra “suficientemente grande”, mas geralmente uma amostra
com pelo menos 30 elementos costuma ser considerada grande o bastante para que a distribuição amostral da média
possa ser aproximada por uma normal. Mas há autores que mencionam 50 elementos, outros ainda mencionam que
depende do comportamento da variável na população: se a distribuição for unimodal (tiver apenas um pico) 30
elementos é considerada amostra grande, mas se for multimodal seriam necessários mais dados, o problema é que
geralmente não temos este conhecimento sobre a variável na população.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 22

O teste t para 2 amostras pareadas será visto no item 10.6.1. Se os grupos forem
independentes e as variâncias populacionais são conhecidas deve ser utilizado o teste Z para 2
amostras independentes (item 10.6.2). Se não forem conhecidas, através do teste F de diferença
entre 2 variâncias (no item 10.6.3) é possível inferir se são semelhantes ou não. No item 10.6.4 será
apresentado o teste t para 2 amostras independentes: se o teste F (item 10.6.3) indicar que as
variâncias podem ser consideradas iguais a variável de teste t terá n1+n2-2 graus de liberdade (onde
n1 e n2 são os tamanhos das amostras); caso contrário a variável de teste t terá  graus de liberdade
( é calculado através de uma expressão que envolve os valores dos desvios padrões amostrais e os
próprios tamanhos de amostra). A Figura 9 mostra os possíveis cursos de ação.

Variável de
interes se
quantitativa

Duas amostras

SIM
Relacionadas?

NÃ O

Teste t para 2 Av aliar variâncias

amostr as pareadas populac ionais

SIM NÃ O
Conhec idas ?

Teste Z par a 2
amostr as Teste F de
independentes dif erença entre 2
variânc ias

Us ar Z como
variável de teste
SIM Variânc ia NÃ O
semelhantes?

Teste t para 2 Teste t para 2

amostr as amostr as
independentes independentes

Us ar t c om
Us ar t c om n1+n2 -2
graus de liberdade  graus de
liberdade

Figura 9 - Teste de diferença entre 2 médias - resumo

 INE 7002 - Inferência Estatística – Testes de Hipóteses 23

10.6.1 - Teste t para 2 amostras pareadas

Os resultados das 2 amostras são relacionados 2 a 2 segundo algum critério, exigindo que as
amostras precisam ter o mesmo tamanho. Calculam-se as diferenças entre cada par de valores,
obtendo uma única amostra com n diferenças.

EX 10.7 - Dez cobaias foram submetidas ao tratamento de engorda com certa ração. Os pesos em
gramas, antes e após o teste são dados a seguir (supõe-se que provenham de distribuições normais).
A 1% de significância, podemos concluir que o uso da ração contribuiu para o aumento do peso
médio dos animais?
Cobaia 1 2 3 4 5 6 7 8 9 10
Antes 635 704 662 560 603 745 698 575 633 669
Depois 640 712 681 558 610 740 707 585 635 682
Trata-se de uma situação em que queremos comparar as MÉDIAS DE UMA VARIÁVEL EM
DUAS distribuições normais, supondo que se trata da MESMA população, mas em dois momentos
diferentes: antes e após um tratamento de engorda. Há interesse em verificar se a dieta contribuiu
para o aumento do peso médio dos animais: ou seja, queremos verificar se a média de peso antes
do tratamento é MENOR do que a média de peso após o tratamento (se a dieta fez efeito os animais
estarão em média mais pesados ao final do tratamento). Reparem que é exigido que se tome uma
decisão, o que configura um problema de TESTE DE HIPÓTESES.
Iremos então aplicar um TESTE DE DIFERENÇAS ENTRE AS MÉDIAS DE UMA
VARIÁVEL EM 2 POPULAÇÕES. E como as amostras são relacionadas (MESMA POPULAÇÃO:
ANTES E DEPOIS), usaremos o teste t para 2 amostras pareadas.. Supõe-se que se ambas as
distribuições populacionais são normais a distribuição da diferença entre os valores também será.
1) Enunciar as hipóteses
De acordo com o que foi dito acima queremos verificar se a média antes é menor do que a média
depois; o melhor ponto de partida, que servirá para a definição da hipótese H0, é que a dieta NÃO
FAZ EFEITO, ou seja, as médias antes e após o tratamento são iguais (costumamos colocar em H0
o CONTRÁRIO do que queremos provar), ou seja, a DIFERENÇA ENTRE AS MÉDIAS DEVE
SER SUPOSTA IGUAL A ZERO, teremos então:
𝐻0 : 𝜇𝑑 = 0
onde 𝜇𝑑 = 𝜇𝑎𝑛𝑡𝑒𝑠 − 𝜇𝑑𝑒𝑝𝑜𝑖𝑠
𝐻1 : 𝜇𝑑 < 0
2) Estabelecer o nível de significância ou nível de confiança.
Conforme foi estabelecido no enunciado do problema:
𝛼 = 0,01 1 − 𝛼 = 0,99
3) Identificar a variável de teste.
No presente problema temos uma amostra de apenas 10 elementos. Como a variância populacional
das diferenças é desconhecida a variável de teste que será utilizada será a variável tn-1 da
distribuição t de Student.
4) Definir a região de aceitação de H0, de acordo com o tipo de teste e variável.
Trata-se de um teste unilateral à esquerda (com 1% de significância), e a variável de teste é tn-1 (a
amostra tem 10 elementos).
Pela abordagem clássica: então o valor crítico (obtido da tabela da distribuição t de Student do
Apêndice) será: 𝑡𝑛−1,𝑐𝑟𝑖𝑡𝑖𝑐𝑜 = 𝑡10−1;0,01 = 𝑡9;0,99 = −𝑡9;0,01 = −2,821
Rejeita-se H0 se o tn-1,calculado for menor do que -2,821
 INE 7002 - Inferência Estatística – Testes de Hipóteses 24

Figura 10 - Região de rejeição - teste unilateral à esquerda - 1% de significância

Pela abordagem do valor-p calcula-se a probabilidade de que tn-1 seja MENOR do que tn-1,calculado,
porque o teste é unilateral à ESQUERDA. Se o valor-p for menor do que 0,01, rejeita-se H0.

5) Através dos valores das amostras antes e depois, calcular a diferença di entre cada par de
valores, onde di = Xantes - Xdepois.
Para o conjunto sob análise teremos:
Cobaia 1 2 3 4 5 6 7 8 9 10
Antes 635 704 662 560 603 745 698 575 633 669
Depois 640 712 681 558 610 740 707 585 635 682
di -5 -8 -19 2 -7 5 -9 -10 -2 -13
2
di 25 64 361 4 49 25 81 100 4 169
6)e 7) Calcular a diferença média e o desvio padrão da diferença média.
∑𝑑 −66
Para o presente problema: 𝑑̄ = 𝑖 = = −6,6 gramas
𝑛 10

∑ 𝑑𝑖 2 − [(∑ 𝑑𝑖 )2 /𝑛] 882 − [(−66)2 /10]

𝑠𝑑 = √ =√ = 7,04 gramas
𝑛−1 10 − 1
8) Calcular o valor da variável de teste. Neste problema é a variável tn-1:
𝑑̄ −6,6
𝑡𝑛−1,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑡10−1,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑡9,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = −2,96
(𝑠𝑑 /√𝑛) (7,04/√10)
9) Decidir pela aceitação ou rejeição de H0.
- Pela abordagem clássica
Rejeitar H0 se tn-1, calculado < tn-1,crítico
Como t9, calculado = -2,96 < tn-1,crítico = t9,0,01= -2,821
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)
- Pela abordagem do valor-p
Rejeitar H0 se P(tn-1 < tn-1,calculado) < α
Calcula-se a probabilidade de que t9 seja menor do que -2,96 (porque o teste é
unilateral à esquerda): usando uma função do Microsoft Excel ®35 obtém-se
0,0079836.
Valor-p = 0,00798 < α = 0,01
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)

35
[Link](-2,96;9), é preciso usar o complementar da função, porque a função [Link] calcula valores
acumulados ACIMA do t9,calculado (-2,96) no caso, e como o teste é unilateral à esquerda busca-se obter a probabilidade
ABAIXO de t9,calculado.
36
Na tabela da distribuição t, para 9 graus de liberdade, observa-se que quando a área na cauda é igual a 0,005 t vale
3,250, então para t igual a 2,96 o valor-p deve estar entre 0,01 (que corresponde a t igual a 2,821) e 0,005, portanto
MENOR do que 0,01.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 25

10) Interpretar a decisão dentro do contexto do problema.

Assim, concluímos com 99% de confiança (ou uma chance de erro de 1%) que a dieta contribuiu
para o aumento do peso médio dos animais.

10.6.2 – Teste Z para 2 amostras independentes – variâncias populacionais

CONHECIDAS.

Neste caso há interesse em comparar as médias de uma variável quantitativa em dois grupos
(populações) distintas, independentes, através de duas amostras aleatórias retiradas de cada grupo,
respectivamente. Além disso, as variâncias da variável nas duas populações (1 e 2 ) são
2 2

conhecidas37.

EX.10.8 – A Jabyl Circuits está avaliando o tempo de montagem de um novo modelo de circuito em
2 de suas unidades. Suspeita-se que o desempenho da fábrica 1 seja pior do que o da fábrica 2
(aquela seria mais lenta). Sabe-se que a variância populacional do tempo na fábrica 1 é de 1,5
minutos2 e na fábrica 2 de 2,5 minutos2, além disso, supõe-se que as distribuições dos tempos
podem ser consideradas normais. Foram coletadas duas amostras de tempos de montagem: 8 na
fábrica 1, resultando em média de 2,35 minutos, e 10 na fábrica 2, resultando em média de 1,85
minutos. A suspeita é procedente a 1% de significância?
Trata-se de uma situação em que queremos comparar as MÉDIAS DE DUAS distribuições
normais, supondo que se tratam de duas populações distintas, podemos supor que as amostras são
independentes: está sendo avaliado o tempo de montagem dos circuitos em 2 fábricas
DIFERENTES. Há interesse em verificar se a média da população da fábrica 1 é maior do que a de
fábrica 2 (ou seja, que leve mais tempo para montar os circuitos na fábrica 1, significando um
desempenho pior). Reparem que é exigido que se tome uma decisão, o que configura um problema
de TESTE DE HIPÓTESES.
Iremos então aplicar um TESTE DE DIFERENÇA ENTRE AS MÉDIAS DE UMA
VARIÁVEL EM 2 POPULAÇÕES. E como as amostras são independentes, e as variâncias
populacionais são CONHECIDAS, deve-se usar o teste Z para 2 amostras independentes.
1) Enunciar as hipóteses
De acordo com o que foi dito acima queremos verificar se a média da fábrica 1 é maior do que a
da fábrica 2; o melhor ponto de partida, que servirá para a definição da hipótese H0, será
considerar que NÃO HÁ DIFERENÇA entre as médias, ou seja, A MÉDIA DO TEMPO DE
MONTAGEM NA FÁBRICA 1 É IGUAL AO TEMPO DE MONTAGEM NA FÁBRICA 2
(costumamos colocar em H0 o CONTRÁRIO do que queremos provar), teremos então:
𝐻0 : 𝜇1 = 𝜇2
onde 𝜇1 = 𝜇𝐹Á𝐵𝑅𝐼𝐶𝐴1 e 𝜇2 = 𝜇𝐹Á𝐵𝑅𝐼𝐶𝐴2
𝐻1 : 𝜇1 > 𝜇2
2) Estabelecer o nível de significância ou nível de confiança.
Conforme foi estabelecido no enunciado do problema:
𝛼 = 0,01 1 − 𝛼 = 0,99
3) Identificar a variável de teste.
Há 3 variáveis de teste possíveis, dependendo das condições do problema, mais especificamente
das variâncias das duas populações.
Como as variâncias de ambas as populações são conhecidas deverá ser usada a variável Z da
distribuição normal padrão.
4) Definir a região de aceitação de H0, de acordo com o tipo de teste e variável.

37
Este caso é muito raro na prática, mas a compreensão do seu procedimento é útil.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 26

Figura 11 - Regiões de aceitação e rejeição - Teste de diferença entre 2 médias – variâncias populacionais
conhecidas – unilateral à direita

Observe que por ser um teste Unilateral à Direita o Nível de Significância  está todo
concentrado em um dos lados da distribuição, definindo a região de rejeição de H0.
Pela abordagem clássica:
Para encontrar o valor crítico devemos procurar na tabela da distribuição normal padrão,
pela probabilidade acumulada 0,01(o Zcrítico aqui é maior do que zero). O valor crítico será
igual a 2,326.
Pela abordagem do valor-p: calcular a probabilidade de Z ser MAIOR do que o valor
calculado, porque o teste é unilateral à direita.

5) Calcular o desvio padrão das diferenças.

Como as duas variâncias são conhecidas, iremos utilizar a primeira expressão para calcular o
desvio padrão das diferenças que está no roteiro:
𝜎1 2 𝜎2 2 1,5 2,5
𝜎𝑑 = √ + =√ + = 0,6614𝑚𝑖𝑛
𝑛1 𝑛2 8 10
6) Calcular a variável de teste.
Novamente, como as duas variâncias são conhecidas, iremos utilizar a primeira expressão para
calcular o valor da variável de teste que está no roteiro:
𝑥̄ 1 − 𝑥̄ 2 2,35 − 1,85
𝑍= => 𝑍 = = 0,7559
𝜎𝑑 0,6614
7)Decidir pela aceitação ou rejeição de H0.
- Pela abordagem clássica
Rejeitar H0 se Z, calculado > Zcrítico
Como Z calculado = 0,7559 < Zcrítico = 2,326
ACEITAR H0 a 1% de Significância (há 1% de chance de erro)
- Pela abordagem do valor-p
Rejeitar H0 se P(Z > Zcalculado) < α
Calcula-se a probabilidade de que Z seja maior do que 0,7559 (porque o teste é
unilateral à direita): usando uma função do Microsoft Excel ®38 obtém-se 0,224939.
Valor-p = 0,2249 > α = 0,01
ACEITAR H0 a 1% de Significância (há 1% de chance de erro)

38
[Link].N(0,7559;VERDADEIRO), é preciso usar o complementar da função, porque a função
[Link].N calcula valores acumulados ABAIXO do Zcalculado 0,7559) no caso, e como o teste é unilateral à direita
busca-se obter a probabilidade ACIMA de Zcalculado.
39
Na tabela da distribuição Z, para Z = 0,7559  0,76, a probabilidade de Z > 0,76 vale 0,2236.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 27

8) Interpretar a decisão dentro do contexto do problema.

Assim, concluímos com 99% de confiança (ou uma chance de erro de 1%) que NÃO há evidências
estatísticas suficientes para declarar que a média do tempo de montagem dos circuitos na Fábrica
1 é maior do que a média na Fábrica 2. A suspeita NÃO é procedente.

10.6.3 – Teste F de diferença entre 2 variâncias.

Para realizar um teste de diferença entre as médias de uma variável em 2 populações, sendo
as amostras independentes, se as variâncias populacionais da variável DESCONHECIDAS, é
preciso avaliar se tais variâncias podem ser consideradas iguais ou não. Tal avaliação é necessária,
pois dependendo da sua conclusão a variável de teste t terá diferentes graus de liberdade, o que
implicará em valores críticos (e valores-p) diferentes, o que influenciará diretamente a decisão de
aceitação ou rejeição da hipótese nula. Portanto, é preciso realizar um teste para avaliar se há
diferenças entre as variâncias populacionais, a partir das variâncias amostrais.

As hipóteses do teste são sempre as mesmas: na hipótese nula supõe-se que as duas
variâncias populacionais (estimadas a partir das respectivas variâncias amostrais) são iguais, e na
hipótese alternativa declara-se que elas são diferentes (trata-se então de um teste BILATERAL).
H0: 12 = 22
H1: 12  22
Para realizar o teste é preciso calcular o quociente entre as variâncias amostrais. Então a
variável de teste do teste F (F calculado) será:
𝑠1 2
𝐹𝑛1 −1,𝑛2−1,𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 2
𝑠2

Esta variável segue uma distribuição amostral chamada F de Fisher (ou de Snedecor), trata-
se de uma distribuição assimétrica, que somente pode assumir valores positivos, e que possui graus
de liberdade associados ao numerador e ao denominador de um quociente. Veja a figura abaixo, de
uma distribuição F com 14 graus de liberdade no numerador e 14 graus de liberdade no
denominador, considerando uma confiança de 95% (significância de 5%):

0,9

0,8

0,7

0,6

0,5
f(x)

0,4

0,3

0,2

0,1

0
0,26
0,39
0,52

0,91
1,04
1,17

1,56
1,69
1,82

2,34
2,47

2,99
3,12
3,25

3,64
3,77

4,29
4,42
0,13

0,65
0,78

1,43

1,95
2,08
2,21

2,73
2,86

3,38
3,51

4,03
4,16
0

1,3

2,6

3,9

F com n1, n2 graus de liberdade

Figura 12 - Distribuição F - 14 graus de liberdade no numerador e denominador – 5% de significância

Na Figura 12 é possível perceber duas áreas hachuradas: estas áreas correspondem a 0,05
(valor comum para o nível de significância α de testes de hipóteses) dividido por 2, resultando
0,025: isso foi feito porque o teste F implementado neste capítulo será sempre bilateral.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 28

Para o caso da Figura 12, pela abordagem clássica40 é preciso obter os valores de F
correspondentes a 0,025 e 0,975 (0,025 + 0,95): os F críticos. Isso é possível através da tabela da
distribuição F existente no Apêndice, ou através da função INV.F41 na planilha eletrônica Microsoft
Excel®:
- se o F calculado estiver ENTRE os F críticos, ACEITA-SE H0 para o nível de significância
α;
- se o F calculado estiver ABAIXO do menor F crítico, ou ACIMA do maior F crítico,
REJEITA-SE H0 para o nível de significância α.

Exemplos de aplicação do teste F serão apresentados na próxima seção.

10.6. 4 - Teste t para 2 amostras independentes – variâncias populacionais

DESCONHECIDAS.

Neste caso há interesse em comparar as médias de uma variável quantitativa em dois grupos
(populações) distintas, independentes, através de duas amostras aleatórias retiradas de cada grupo,
respectivamente. Mas, as variâncias da variável nas duas populações (12 e 22) são
DESCONHECIDAS: então é preciso verificar se tais variâncias podem ser consideradas iguais ou
não, para definir quantos graus de liberdade terá a variável de teste t.

Se as variâncias forem supostas iguais, o número de graus de liberdade será n1 + n2 – 2

(onde n1 e n2 são os tamanhos das amostras). Se as variâncias forem supostas diferentes, o número
de graus de liberdade será igual a , cuja expressão é:

(𝜔1 + 𝜔2 )2
𝜈=[ ]
𝜔1 2 𝜔2 2
+
(𝑛1 + 1) (𝑛2 + 1)

𝑠1 2 𝑠2 2
Onde 𝜔1 = e 𝜔2 =
𝑛1 𝑛2
n1 e n2 são os tamanhos das amostras e s12 e s22 são as variâncias AMOSTRAIS.

Exemplo 10.9 - A Jabyl Circuits está avaliando o tempo de montagem de um novo modelo de
circuito em 2 de suas unidades. Suspeita-se que o desempenho da fábrica 1 seja pior do que o da
fábrica 2 (aquela seria mais lenta). Supõe-se que as distribuições dos tempos podem ser
consideradas normais. Foram coletadas duas amostras de tempos de montagem: 8 na fábrica 1,
resultando em média de 3,52 minutos, variância de 1,5 minutos2 e 10 na fábrica 2, resultando em
média de 1,85 minutos e variância de 1,7 minutos2. A suspeita é procedente a 1% de significância?
Trata-se de uma situação em que queremos comparar as MÉDIAS DE DUAS distribuições
normais, supondo que se trata de duas populações distintas, podemos supor que as amostras são
independentes: está sendo avaliado o tempo de montagem dos circuitos em 2 fábricas
DIFERENTES. Há interesse em verificar se a média da população da fábrica 1 é maior do que a de
fábrica 2 (ou seja, que leve mais tempo para montar os circuitos na fábrica 1, significando um
desempenho pior). Reparem que é exigido que se tome uma decisão, o que configura um problema
de TESTE DE HIPÓTESES.

40
Para a resolução manual a abordagem clássica é mais simples, os aplicativos computacionais usam a abordagem do
valor-p, as conclusões têm que ser as mesmas.
41
No presente caso os valores seriam obtidos por INV.F(0,025;14;14), resultando 0,336 e INV.F(0,975;14;14),
resultando 2,979.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 29

Iremos então aplicar um TESTE DE DIFERENÇA ENTRE AS MÉDIAS DE UMA

VARIÁVEL EM 2 POPULAÇÕES. Como as amostras são independentes, e as variâncias
populacionais são DESCONHECIDAS, vamos usar o teste t para 2 amostras independentes. Antes,
porém precisamos saber se as variâncias populacionais podem ser consideradas iguais ou não: é
preciso aplicar o teste F de diferença entre 2 variâncias.
TESTE F
𝐻0 : 𝜎 21 = 𝜎 2 2
𝐻1 : 𝜎 21 ≠ 𝜎 2 2
Queremos apenas verificar se há DIFERENÇA entre as variâncias, por isso o teste será
sempre BILATERAL.
Nível de significância: podemos usar 1% de significância, tal como especificado para o
teste das médias.
Neste problema teremos42:
𝑠1 2 = 1,5 𝑚𝑖𝑛2 e 𝑛1 = 8
𝑠2 2 = 1,7 𝑚𝑖𝑛2 = e 𝑛2 = 10
Então a variável de teste do teste F será:
𝑠1 2 1,5
𝐹𝑛1 −1,𝑛2 −1 = 2 → 𝐹7,9 = = 0,882
𝑠2 1,7
Procurando os valores críticos na tabela da distribuição F43 para 1% de significância
(0,025 e 0,975 de probabilidade acumulada), para 7 graus de liberdade no numerador e 9
no denominador: F7,9;0,005 = 0,117 e F7,9;0,995 = 6,885
Como o valor da variável F7,9 (0,882) está ENTRE os valores críticos podemos ACEITAR a
hipótese de que as variâncias populacionais, desconhecidas, são iguais, com uma chance de
erro de 1%. Sendo assim, a nossa variável t de Student terá n1+n2-2 graus de liberdade.

Agora podemos partir para o teste t propriamente dito.

1) Enunciar as hipóteses
De acordo com o que foi no enunciado do problema queremos verificar se a média da fábrica 1 é
maior do que a da fábrica 2; o melhor ponto de partida, que servirá para a definição da hipótese
H0, será considerar que NÃO HÁ DIFERENÇA entre as médias, ou seja, A MÉDIA DO TEMPO
DE MONTAGEM NA FÁBRICA 1 É IGUAL AO TEMPO DE MONTAGEM NA FÁBRICA 2
(costumamos colocar em H0 o CONTRÁRIO do que queremos provar), teremos então:
𝐻0 : 𝜇1 = 𝜇2
onde 𝜇1 = 𝜇𝐹Á𝐵𝑅𝐼𝐶𝐴1 e 𝜇2 = 𝜇𝐹Á𝐵𝑅𝐼𝐶𝐴2
𝐻1 : 𝜇1 > 𝜇2
2) Estabelecer o nível de significância ou nível de confiança.
Conforme foi estabelecido no enunciado do problema:
𝛼 = 0,01 1 − 𝛼 = 0,99
3) Identificar a variável de teste.
Como as variâncias de ambas as populações são desconhecidas, e o teste F de diferença entre 2
variâncias indicou que podem ser supostas iguais, deverá ser usada a variável t da distribuição t
de Student com n1+n2-2 graus de liberdade.
4) Definir a região de aceitação de H0, de acordo com o tipo de teste e variável.
Pela abordagem clássica: trata-se de um teste Unilateral à Direita (com 1% de significância), e a
variável de teste é t tem n1+n2-2 (8 + 10 – 2 = 16) graus de liberdade. Então o valor crítico (obtido
da tabela da distribuição normal padrão) será:
𝑡𝑐𝑟í𝑡𝑖𝑐𝑜 = 𝑡16;0,01 = 2,583
Rejeita-se H0 se o tn1+n2-2,calculado for maior do que 2,583.

42
A variância é o quadrado do desvio padrão. Se forem dados os desvios padrões amostrais basta elevá-los ao quadrado.
43
Ou a função INV.F no Microsoft Excel ®: = INV.F(0,005;7;9) e =INV.F(0,995;7;9)
 INE 7002 - Inferência Estatística – Testes de Hipóteses 30

Figura 13 - Região de rejeição - teste unilateral à direita - 1% de significância

Pela abordagem do valor-p calcula-se a probabilidade de que tn1+n2-2 seja MAIOR do que
tn1+n2-2,calculado, porque o teste é unilateral à DIREITA. Se o valor-p for menor do que 0,01, rejeita-se
H0.

5) Calcular o desvio padrão das diferenças.

Como as duas variâncias são desconhecidas e supostas iguais, iremos utilizar a segunda expressão
para calcular o desvio padrão das diferenças:
1 1
[(𝑛1 − 1) × 𝑠1 2 + (𝑛2 − 1) × 𝑠2 2 ] × [
√ 𝑛1 + 𝑛2 ]
𝑠𝑑 =
𝑛1 + 𝑛2 − 2
1 1
[(8 − 1) × 1,5 + (10 − 1) × 1,7] × [ + ]
√ 8 10 = 0,6023
=
8 + 10 − 2
6) Calcular a variável de teste.
Novamente, como as duas variâncias são desconhecidas e supostas iguais, iremos utilizar a
segunda expressão para calcular o valor da variável de teste:
𝑥̄ 1 − 𝑥̄ 2 3,52 − 1,85
𝑡16 = => 𝑡16 = = 2,773
𝑠𝑑 0,6023
7)Decidir pela aceitação ou rejeição de H0.
- Pela abordagem clássica
Rejeitar H0 se tn1+n2-2, calculado > tn1+n2-2,crítico
Como t16, calculado = 2,773 > tn1+n2-2,crítico = t16;0,01= 2,583
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)
- Pela abordagem do valor-p
Rejeitar H0 se P(tn1+n2-2 > tn1+n2-2,calculado) < α
Calcula-se a probabilidade de que t16 seja maior do que 2,773 (porque o teste é
unilateral à direita): usando uma função do Microsoft Excel ®44 obtém-se
0,00678845.
Valor-p = 0,006788 < α = 0,01
REJEITAR H0 a 1% de Significância (há 1% de chance de erro)

44
[Link](2,773;16), a função [Link] calcula valores acumulados ACIMA do t 16,calculado (2,773) no caso, e
como o teste é unilateral à direita busca-se exatamente obter a probabilidade ACIMA de t16,calculado.
45
Na tabela da distribuição t, para 16 graus de liberdade, observa-se que quando a área na cauda é igual a 0,005 t vale
2,921, então para t igual a 2,773 o valor-p deve estar entre 0,01 (que corresponde a t igual a 2,583) e 0,005, portanto
MENOR do que 0,01.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 31

8) Interpretar a decisão dentro do contexto do problema.

Assim, concluímos com 99% de confiança (ou uma chance de erro de 1%) que HÁ evidências
estatísticas suficientes para declarar que a média do tempo de montagem dos circuitos na Fábrica
1 é maior do que a média na Fábrica 2. A suspeita é procedente. Observe que é uma conclusão
diferente daquela obtida no Exemplo 10.8.

Exemplo 10.10 - A Jabyl Circuits está avaliando o tempo de montagem de um novo modelo de
circuito em 2 de suas unidades. Suspeita-se que o desempenho da fábrica 1 seja pior do que o da
fábrica 2 (aquela seria mais lenta). Supõe-se que as distribuições dos tempos podem ser
consideradas normais. Foram coletadas duas amostras de tempos de montagem: 8 na fábrica 1,
resultando em média de 3,52 minutos, variância de 4,5 minutos2 e 10 na fábrica 2, resultando em
média de 1,85 minutos e variância de 0,6 minutos2. A suspeita é procedente a 1% de significância?
Situação semelhante a do Exemplo 10.9, apenas os valores das variâncias amostrais
sofreram modificação.

Trata-se de uma situação em que queremos comparar as MÉDIAS DE DUAS distribuições

normais, supondo que se trata de duas populações distintas, podemos supor que as amostras são
independentes: está sendo avaliado o tempo de montagem dos circuitos em 2 fábricas
DIFERENTES. Há interesse em verificar se a média da população da fábrica 1 é maior do que a de
fábrica 2 (ou seja, que leve mais tempo para montar os circuitos na fábrica 1, significando um
desempenho pior). Reparem que é exigido que se tome uma decisão, o que configura um problema
de TESTE DE HIPÓTESES.
Iremos então aplicar um TESTE DE DIFERENÇA ENTRE AS MÉDIAS DE UMA
VARIÁVEL EM 2 POPULAÇÕES. Como as amostras são independentes, e as variâncias
populacionais são DESCONHECIDAS, vamos usar o teste t para 2 amostras independentes. Antes,
porém precisamos saber se as variâncias populacionais podem ser consideradas iguais ou não: é
preciso aplicar o teste F de diferença entre 2 variâncias.

TESTE F
𝐻0 : 𝜎 21 = 𝜎 2 2
𝐻1 : 𝜎 21 ≠ 𝜎 2 2
Queremos apenas verificar se há DIFERENÇA entre as variâncias, por isso o teste será
sempre BILATERAL.
Nível de significância: como a tabela da distribuição F (que está na página 13 do Apêndice)
apresenta valores apenas para 5% de significância (teste bilateral) este será o nível
adotado em todos os testes F.
Encontrar a maior variância amostral, que será chamada de 𝑠𝐴 2 (e, por conseguinte, nA) e
a menor que será chamada 𝑠𝐵 2 (e por conseguinte, nB). Neste problema teremos:
𝑠1 2 = 4,5 𝑚𝑖𝑛2 e 𝑛1 = 8
𝑠2 2 = 0,6 𝑚𝑖𝑛2 = e 𝑛2 = 10
Então a variável de teste do teste F será:
𝑠1 2 4,5
𝐹𝑛1 −1,𝑛2−1 = 2 → 𝐹7,9 = = 7,5
𝑠2 0,6
Procurando os valores críticos na tabela da distribuição F46 para 1% de significância
(0,025 e 0,975 de probabilidade acumulada), para 7 graus de liberdade no numerador e 9
no denominador: F7,9;0,005 = 0,117 e F7,9;0,995 = 6,885
Como o valor da variável F7,9 (7,5) está ACIMA do MAIOR valor crítico (6,885) podemos
REJEITAR a hipótese de que as variâncias populacionais, desconhecidas, são iguais, com
uma chance de erro de 1%. Sendo assim, a nossa variável t de Student terá  graus de
liberdade.
46
Ou a função INV.F no Microsoft Excel ®: = INV.F(0,005;7;9) e =INV.F(0,995;7;9)
 INE 7002 - Inferência Estatística – Testes de Hipóteses 32

Agora podemos partir para o teste t propriamente dito.

1) Enunciar as hipóteses
De acordo com o que foi no enunciado do problema queremos verificar se a média da fábrica 1 é
maior do que a da fábrica 2; o melhor ponto de partida, que servirá para a definição da hipótese
H0, será considerar que NÃO HÁ DIFERENÇA entre as médias, ou seja, A MÉDIA DO TEMPO
DE MONTAGEM NA FÁBRICA 1 É IGUAL AO TEMPO DE MONTAGEM NA FÁBRICA 2
(costumamos colocar em H0 o CONTRÁRIO do que queremos provar), teremos então:
𝐻0 : 𝜇1 = 𝜇2
onde 𝜇1 = 𝜇𝐹Á𝐵𝑅𝐼𝐶𝐴1 e 𝜇2 = 𝜇𝐹Á𝐵𝑅𝐼𝐶𝐴2
𝐻1 : 𝜇1 > 𝜇2
2) Estabelecer o nível de significância ou nível de confiança.
Conforme foi estabelecido no enunciado do problema:
𝛼 = 0,01 1 − 𝛼 = 0,99
3) Identificar a variável de teste.
Como as variâncias populacionais são desconhecidas e supostas diferentes (de acordo com o teste
F) a variável t terá  graus de liberdade, que será calculado a seguir:
(𝜔 +𝜔2 )2 𝑠1 2 4,5 𝑠2 2 0,6
𝜈 = [ 𝜔112 𝜔 2
] − 2 onde 𝜔1 = = = 0,5625 𝜔2 = = = 0,06
+ 2 𝑛1 8 𝑛2 10
𝑛1 +1 𝑛2 +1

(𝟎, 𝟓𝟔𝟐𝟓 + 𝟎, 𝟎𝟔)𝟐

𝝂=[ ] − 𝟐 ≅ 𝟖, 𝟗𝟐 assim, 𝝂 ≅ 𝟗
(𝟎, 𝟓𝟔𝟐𝟓)𝟐 (𝟎, 𝟎𝟔)𝟐
𝟖 + 𝟏 + 𝟏𝟎 + 𝟏
Então a variável de teste t de Student terá 9 graus de liberdade47.
4) Definir a região de aceitação de H0, de acordo com o tipo de teste e variável.
Pela abordagem clássica: trata-se de um teste Unilateral à Direita (com 1% de significância), e a
variável de teste é t tem  (9) graus de liberdade. Então o valor crítico (obtido da tabela da
distribuição normal padrão) será:
𝑡𝑐𝑟í𝑡𝑖𝑐𝑜 = 𝑡9;0,01 = 2,821
Rejeita-se H0 se o t,calculado for maior do que 2,821.

Figura 14 - Região de rejeição - teste unilateral à direita - 1% de significância

Pela abordagem do valor-p calcula-se a probabilidade de que t seja MAIOR do que t,calculado,
porque o teste é unilateral à DIREITA. Se o valor-p for menor do que 0,01, rejeita-se H0.

5) Calcular o desvio padrão das diferenças.

Como as duas variâncias são desconhecidas e supostas diferentes, iremos utilizar a terceira
expressão para calcular o desvio padrão das diferenças que está no roteiro.

47
Observe que é um processo razoavelmente trabalhoso.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 33

𝑠1 2 𝑠2 2 4,5 0,6
𝑠𝑑 = √ + = 𝑠𝑑 = √ + = 0,789
𝑛1 𝑛2 8 10
6) Calcular a variável de teste.
Novamente, como as duas variâncias são desconhecidas e supostas diferentes, iremos utilizar a
terceira expressão para calcular o valor da variável de teste que está no roteiro.

𝑥̄ 1 − 𝑥̄ 2 3,52 − 1,85
𝑡9 = => 𝑡9 = = 2,117
𝑠𝑑 0,789
7)Decidir pela aceitação ou rejeição de H0.
- Pela abordagem clássica
Rejeitar H0 se t, calculado > t,crítico
Como t9, calculado = 2,117 < t,crítico = t9;0,01= 2,821
ACEITAR H0 a 1% de Significância (há 1% de chance de erro)
- Pela abordagem do valor-p
Rejeitar H0 se P(t > t,calculado) < α
Calcula-se a probabilidade de que t9 seja maior do que 2,117 (porque o teste é
unilateral à direita): usando uma função do Microsoft Excel ®48 obtém-se
0,03167349.
Valor-p = 0,031673 > α = 0,01
ACEITAR H0 a 1% de Significância (há 1% de chance de erro)

8) Interpretar a decisão dentro do contexto do problema.

Assim, concluímos com 99% de confiança (ou uma chance de erro de 1%) que NÃO há evidências
estatísticas suficientes para declarar que a média do tempo de montagem dos circuitos na Fábrica
1 é maior do que a média na Fábrica 2. A suspeita NÃO é procedente.

MUITO IMPORTANTE

Testes de hipóteses (todos os vistos aqui e também os não abordados) são ferramentas
estatísticas para “small data”: isso significa que em um cenário em que houver milhares, dezenas de
milhares, ou mesmo milhões de observações, ou seja, “big data”, eles não são as ferramentas
estatísticas mais apropriadas para detectar diferenças entre grupos, por exemplo. Para tais situações
ainda é possível recorrer aos intervalos de confiança, Análise Exploratória de Dados, e Análise
Multivariada.

Hoje está na moda “Data Science”, que na essência é Estatística, mas com um nome
aparentemente mais palatável.

48
[Link](2,117;9), a função [Link] calcula valores acumulados ACIMA do t9,calculado (2,117) no caso, e como
o teste é unilateral à direita busca-se exatamente obter a probabilidade ACIMA de t9,calculado.
49
Na tabela da distribuição t, para 9 graus de liberdade, observa-se que quando a área na cauda é igual a 0,025 t vale
2,262, e que para área na cauda igual a 0,05, t vale 1,833, então para t igual a 2,117 o valor-p deve estar entre 0,025
(que corresponde a t igual a 2,262) e 0,05 (que corresponde a t igual a 1,833, portanto MAIOR do que 0,01.
 INE 7002 - Inferência Estatística – Testes de Hipóteses 34

BIBLIOGRAFIA
1. BARBETTA,P. A. Estatística Aplicada às Ciências Sociais. Ed. da UFSC, 7 ed. Florianópolis,
2007.
2. STEVENSON, Willian J. Estatística Aplicada à Administração. – São Paulo: Harbra, 2001
3. MOORE, D.S., McCABE, G.P., DUCKWORTH, W.M., SCLOVE, S. L., A prática da estatística
empresarial: como usar dados para tomar decisões. Rio de Janeiro: LTC, 2006.
4. TRIOLA, M. F. – Introdução à Estatística, 9ª ed., Rio de Janeiro: LTC, 2005.
5. SOARES, J. F., FARIAS, A. A., CESAR, C. C. – Introdução à Estatística, 2ª ed., Rio de Janeiro:
LTC, 2003.
6. BRAULE, Ricardo. Estatística Aplicada com Excel: para cursos de administração e economia.
Rio de Janeiro: Campus, 2001.
7. LEVINE, D. M., STEPHAN, D., KREHBIEL, T. C., BERENSON, M. L. Estatística: Teoria e
Aplicações - Usando Microsoft Excel em Português. 5ª ed. – Rio de Janeiro: LTC, 2005.
8. DOWNING, D., CLARK, J. Estatística Aplicada. São Paulo: Saraiva, 2000.
9. SILVA, Paulo Afonso Lopes da, Probabilidades & Estatística. Rio de Janeiro: Reichmann &
Affonso Editores, 1999.
10. BARBETTA, P.A., REIS, M.M., BORNIA, A.C. Estatística para Cursos de Engenharia e
Informática, 3ª ed., São Paulo: Atlas, 2010.