Teste de Hipotese - INF

13/11/2024, 13:59 Teste de Hipóteses
Teste de Hipóteses
Introdução
É uma metodologia estatística que nos auxilia a tomar decisões sobre uma ou mais populações baseado na informação obtida da
amostra.
Nos permite verificar se os dados amostrais trazem evidência que apoiem ou não uma hipótese estatística formulada.
Ao tentarmos tomar decisões, é conveniente a formulação de suposições ou de conjeturas sobre as populações de interesse, que, em
geral, consistem em considerações sobre parâmetros (μ, σ 2 , p 𝜇, 𝜎2 , 𝑝) das mesmas.
Essas suposições, que podem ser ou não verdadeiras, são denominadas de Hipóteses Estatísticas.
Em muitas situações práticas o interesse do pesquisador é verificar a veracidade sobre um ou mais parâmetros populacionais (
μ, σ 2 , p 𝜇, 𝜎2 , 𝑝) ou sobre a distribuição de uma variável aleatória.
Exemplos:
A produtividade média milho no estado (SC) é de 2500 kg/ha;
A proporção de peças defeituosas no unidade de fabricação é de 0,10;
A propaganda produz efeito positivo nas vendas;
Os métodos de ensino produzem resultados diferentes de aprendizagem
Um dos primeiros trabalhos sobre testes foi publicado em 1710 (John Arbuthnot);
Um dos primeiros procedimentos estatísticos que chega perto de um teste, no sentido moderno foi proposto por Karl Pearson em 1900.
Esse foi o famoso teste do Qui-quadrado, utilizado para comparar uma distribuição de frequência observada com uma distribuição
teoricamente assumida.
A ideia de testar hipóteses foi posteriormente codificada e elaborada por R. A Fischer (1925), que considerou os dados como um vetor
de variáveis aleatórias que pertenciam a uma distribuição de probabilidade…
Uma outra abordagem (competitiva a de Fischer) foi estabelecida por J. Neyman e Egon Pearson (1928)…
Mais tarde, Lehmann (1993) argumentou que de fato era possível unificar as formulação, combinando as melhores características das
duas abordagens…
Hipóteses Estatísticas
Teste de hipótese
O teste de hipóteses fornecem ferramentas que nos permitem rejeitar ou não rejeitar uma hipótese estatística através da evidencia
fornecida pela amostra.
Vamos abordar o tópico com os seguintes exemplos:
Exemplo 1
Um engenheiro postula a hipótese que a fração de itens defeituosos em um certo processo é de p = 0.10 𝑝 = 0.10.
O experimento é observar uma amostra aleatória do produto em questão, e suponha que n = 100 𝑛 = 100 itens foram testados e
1212 deles eram defeituosos, dessa forma foi estimada uma proporção de p^ = 0.12 𝑝^ = 0.12 a partir da amostra.
É razoável que esta evidência não refuta a condição de que a proporção populacional é p = 0.10 𝑝 = 0.10 ou seja não rejeitamos a
hipótese postulada anteriormente.
No entanto, não rejeitaríamos também se fosse p = 0.12 𝑝 = 0.12 ou talvez p = 0.15 𝑝 = 0.15…
Podemos expressar isso formalmente em termos de um teste de hipótese estatístico como:
H 0 : p = 10
H 1 : p ≠ 10
𝐻0 : 𝑝 = 10 𝐻1 : 𝑝 ≠ 10
A afirmação de que H 0 : p = 10 𝐻0 : 𝑝 = 10 é chamanda de hipótese nula, e a afirmação H 1 : p ≠ 10 𝐻1 : 𝑝 ≠ 10 é chamada

de hipótese alternativa.
A hipótese alternativa H 1 𝐻1 ainda pode especificar, < < ou > > além da diferença ≠ ≠ .
Sempre estabeleceremos a hipótese nula H 0 𝐻0 como uma afirmação de igualdade.
https://www.inf.ufsc.br/~andre.zibetti/probabilidade/teste-de-hipoteses.html 1/17
Exemplo 2
Poderiamos estar interessados em verificar se a taxa média de queima de um propelente é ou não μ = 60 𝜇 = 60 cm/s.
Podemos expressar isso formalmente em termos de um teste de hipótese estatístico como:
H 0 : μ = 60
H 1 : μ ≠ 60
𝐻0 : 𝜇 = 60 𝐻1 : 𝜇 ≠ 60
Mais uma vez a hipótese alternativa H 1 𝐻1 ainda pode especificar, < < ou > > além da diferença ≠ ≠ .
Testes de hipóteses estatísticas

Uma vez formuladas as hipóteses gostaríamos de testa-las para que uma decisão seja tomada, seja em favor da hipótese nula ou
da hipótese alternativa. Para tanto precisamos de algumas evidências, ou seja de informação.
Dessa forma a obtenção das evidências ou informação será a partir de uma amostra, e quanto maiores as evidências (entende-se por
amostra) mais fácil será a tomadad de decisão.
Dado o exemplo anterior vamos construir o teste de hipótese.
Vamos verificar se a taxa média de queima de um propelente é ou não μ = 60 𝜇 = 60 cm/s.
H 0 : μ = 60
H 1 : μ ≠ 60
𝐻0 : 𝜇 = 60 𝐻1 : 𝜇 ≠ 60
Para isso tomaremos uma amostra (tamanho n 𝑛) onde será avaliada a taxa média de queima dessa amostra (x̄¯¯𝑥¯ ). Lembre-se que a
média amostral é uma estimativa da média populacional.
Caso a média amostral x̄¯¯𝑥¯ seja próxima da média populacional μ = 60 𝜇 = 60 podemos supor que μ = 60 𝜇 = 60 é a verdadeira média
populacional (H 0 𝐻0 ), e caso seja um valor muito diferente desse, poderíamos supor que μ ≠ 60 𝜇 ≠ 60 é válida, H 1 𝐻1 . Assim neste
caso a média amostral é a estatística do teste.
Sabemos que a média amostral pode assumir muitos valores distintos, sendo assim podemos supor critérios para se rejeitar ou não
rejeitar a hipótese nula, do tipo, se a média estiver entre 58.5 ≤ x̄¯¯ ≤ 61.5 58.5 ≤ 𝑥¯ ≤ 61.5 não rejeitamos a H 0 𝐻0 , porém se a média
for mais extrema que isso rejeitaremos. Chamaremos o região dos valores extremos de região crítica ou região de rejeição.
Tipos de Erros
Na tomada de decisão conforme estabelcido acima, dado algum critério, podemos obviamente estar comentendo algum erro.
Chamaremos esses erros de erro do tipo I e II.
Erros do tipo I
Erro do Tipo I: Rejeitar a hipótese nula H 0 𝐻0 quando ela é verdadeira
Erros do tipo II
Erro do Tipo II: Não Rejeitar a hipótese nula H 0 𝐻0 quando ela é falsa
Decisão Se H 0 𝐻0 é verdadeira Se H 0 𝐻0 é falsa
Rejeitar H 0 𝐻0 Erro do Tipo I Nenhum erro
Não Rejeitar H 0 𝐻0 Nenhum erro Erro do Tipo II
Probabiliadde de cometer um erro na tomada de decisão

A probabilidade de cometer um erro (na tomada de decisão) pode ser explicitado da seguinte forma
Probabilidade do Erro do Tipo I
α = P(erro do tipo I) = P(rejeitar H 0 |H 0 verdadeira)

𝛼 = 𝑃(𝑒𝑟𝑟𝑜 𝑑𝑜 𝑡𝑖𝑝𝑜 𝐼) = 𝑃(𝑟𝑒𝑗𝑒𝑖𝑡𝑎𝑟 𝐻0 | 𝐻0 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑖𝑟𝑎)
A probabilidade do erro do tipo I, α 𝛼 é chamado de nível de significância, ou erro α 𝛼, ou ainda tamanho do teste.
Probabilidade do Erro do Tipo II
β = P(erro do tipo II) = P(não rejeitar H 0 |H 0 falsa)

𝛽 = 𝑃(𝑒𝑟𝑟𝑜 𝑑𝑜 𝑡𝑖𝑝𝑜 𝐼𝐼) = 𝑃(𝑛 ã 𝑜 𝑟𝑒𝑗𝑒𝑖𝑡𝑎𝑟 𝐻0 | 𝐻0 𝑓𝑎𝑙𝑠𝑎)
Potência ou Poder do Teste
1 − β = P(rejeitar H 0 |H 1 verdadeira)
1 − 𝛽 = 𝑃(𝑟𝑒𝑗𝑒𝑖𝑡𝑎𝑟 𝐻0 | 𝐻1 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑖𝑟𝑎)
O poder do teste ou potência é a probabilidade de rejeitar a hipótese nula H 0 𝐻0 , quando a hipótese alternativa H 1 𝐻1 é verdadeira
Pacote em R para auxiliar na visualização do teste de hipóteses

Um pacote em R (Plothtests) está sendo desenvolvido com o intuito de fornecer insights a respeito do teste de hipóteses, de a forma a
facilitar o entendimento do significado das quantidades calculadas no teste, bem como a distribuição da estatística amostral, valores
críticos para tomada de decisão e valor de probabilidade (Valor-P).
O procedimento para instalação do pacote se encontra abaixo:
install.packages("devtools")
library(devtools)
install_github("Zibetti/Plothtests")
library(Plothtests)
O teste de hipóteses e a construção da estatística de teste
Exemplo - Teste de hipóteses - 1 - diferença de médias, variâncias desconhecidas e

iguais
Nos testes de hipóteses utilizamos os conhecimentos de estimação de parâmetros e probabilidade na tomada de decisão a favor de
uma hipótese com base nas evidências (amostra) que lançamos mão.
Suponha a situação em que desejamos comparar dois treinamentos de atletas, o treinamento A e o treinamento B. Ambos tipos de
treinamentos foram aplicados em atletas da mesma faixa etária e de similar performance, sendo como suposição, que qualquer melhora
ou piora na performance dos atletas pode ser atribuída ao tipo de treinamento aplicado.
Para testar a hipótese de que o treinamento A faz com que a performance dos atletas seja inferior daqueles que realizaram o
treinamento B testaremos as seguintes hipóteses:
H o : 𝐻𝑜 : de que não existe diferença na performance média dos atletas treinados com o A ou B.
H 1 : 𝐻1 : de que a performance média dos atletas treinados com o A é inferior ao de B.
Cabe notar que a hipótese alternativa poderia ser de que a performance média dos atletas treinados com o A é superior ou
ainda diferente…
Traduzindo isso em termos de parâmetros, temos:
H o : μ A = μ B 𝐻𝑜 : 𝜇𝐴 = 𝜇𝐵
H 1 : μ A < μ B 𝐻1 : 𝜇𝐴 < 𝜇𝐵
Ou seja vamos testar a hipótese nula frente a hipótese alternativa. De certa forma verificaremos o quão inferior é o parâmetro do
treinamento de A, e se é possível que essa diferença tenha vindo da hipótese alternativa.
O procedimento para se testar as hipóteses é coletar uma amostra de cada população treinada com cada uma das técnicas e verificar se
as estimativas dos parâmetros são estatisticamente diferentes. Ou melhor, a diferença entre as estimativas é muito grande a ponto de
não ser considerada ter vindo da hipótese nula, aquela que diz que ambos os treinamentos são iguais?
Quando dizemos que faremos o teste a partir de estimativas é por que não temos acesso à população, consequentemente
desconhecemos os parâmetros populacionais. Caso conhecêssemos não precisaríamos realizar o teste, e sim somente verificar os
parâmetros populacionais.
Somente como critério pedagógico vamos apresentar as populações subjacentes (porém assuma que não conhecemos nada a respeito
dela).
Code
Agora tomaremos a nossa amostra de cada uma das populações, treinamento A e B, ambas com parâmetros desconhecidos (μ A 𝜇𝐴 ,
μ B 𝜇𝐵 , σ A2 𝜎2𝐴 e σ B2 𝜎2𝐵 ). Para o presente caso tomaremos uma amostra aleatória de tamanho n = 15 𝑛 = 15 para cada treinamento. Uma
vez com as amostras calcularemos as estatísticas amostrais (estimadores de parâmetros) e testaremos a hipótese nula para a diferença
das médias.
Code
x̄¯¯A = 𝑥¯ 𝐴 = 11.8751483
x̄¯¯B = 𝑥¯ 𝐵 = 13.2034837
S A2 = 𝑆2𝐴 = 7.3349517
S B2 = 𝑆2𝐵 = 8.3419714
S A = 𝑆𝐴 = 2.7083116
S B = 𝑆𝐵 = 2.8882471
Para este caso faremos um Teste-T (t-student), pois não conhecemos as variâncias populacionais (σ A 2 , σ 2 𝜎2 , 𝜎2 ), dessa forma
B 𝐴 𝐵
2 2
calculamos uma estimativa da mesma (S A , S B 𝑆𝐴 , 𝑆𝐵 ), sendo essas variáveis aleatórias com uma distribuição aproximada pela
2 2
χ 2n−1 𝜒2𝑛 − 1 . Considerando que σ A2 = σ B2 = σ 2 𝜎2𝐴 = 𝜎2𝐵 = 𝜎2 , utilizaremos ambas as informações para calcular uma estimativa única de
σ 2 𝜎2 que chamaremos de S p2 𝑆2𝑝 (essa abordagem é explicada nos exemplos que seguem na próxima seção).
(x A − x B ) − (μ A − μ B )
T = −−−−−−−
S p √ n1A + n1A
(𝑥𝐴 − 𝑥𝐵 ) − (𝜇𝐴 − 𝜇𝐵 )
𝑇=
1 1
𝑆𝑝 √ +
𝑛𝐴 𝑛𝐴
Code
[1] -
1.299
341
Code Observe
que a
estatística diferença entre as médias x̄¯¯A − x̄¯¯B = −1.3283 𝑥¯ 𝐴 − 𝑥¯ 𝐵 = − 1.3283 é tranformada na estatística
t = −1.2993 𝑡 = − 1.2993 na distribuição H 0 𝐻0 . Dessa forma podemos calcular a probabilidade de um valor de diferença entre as
médias ser igual a esse valor ou um valor mais extremo que esse (V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃).
Note que o V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 é 0.1022338, o que indica a probabilidade de cometermos o erro do tipo I a partir das evidências, ou
seja a nossa amostra.
Code
$test.statistic
[1] -1.299341
$df
[1] 28
$p.value
[1] 0.1022122
Para testar se de fato as variâncias são iguais ou não recorremos ao teste F, também como conhecido como razão de variâncias (pois
nunca tomamos a diferença dessas quantidades).
Testando a hipótese da igualdade entre as variâncias
Primeiramente precisariamos estimar as variâncias, a partir desse ponto precisamos saber se as variâncias (estimadas) são iguais ou
diferentes. O método para determinar o tamanho da relação de uma variância com a outra é dada pela razão de variâncias.
Dessa forma nosso primeiro passo será determinar se as variâncias são iguais ou não.
Vamos então realizar na verdade um teste de hipóteses para a variância.
A variância amostral (ou seja a variável aleatória variância amostral) possui uma distribuição de densidade de probabilidade, que é
aproximadamente uma qui-quadrado χ 2 𝜒2 , ou seja a variável aleatória variância amostral (S 2 𝑆2 ) possui uma distribuição qui-quadrado.
Na verdade o que podemos provar é que a quantidade ( n−12 )S 2 ∼ χ 2n−1 (

𝑛−1
) 𝑆2 ∼ 𝜒2𝑛 − 1 , e ainda assim desde que a variável
σ 𝜎2
aleatória em questão tenha distribuição normal.
Um vez que pretendemos testar a razão de duas variáveis aleatórias (variâncias amostrais) que se distribuiem dessa forma aproximada
a (χ 2n−1 𝜒2𝑛 − 1 ), qual será a distribuição dessa nova variável aleatória?
Temos que essa razão de variâncias é nada mais é do que uma função de variáveis aleatórias.
Existe uma distribuição, desenvolvida por Ronald A. Fischer, distribuição F, que é uma função de duas variáveis aleatórias, ou seja a
variável aleatória F é dada por:
Q 1 /gl1
F =
Q 2 /gl2
Q 1 ∼ χ 2n 1 −1
Q 2 ∼ χ 2n 2 −1
𝑄1 / 𝑔𝑙1
𝐹= 𝑄 ∼ 𝜒2𝑛 − 1 𝑄2 ∼ 𝜒2𝑛 − 1
𝑄2 / 𝑔𝑙2 1 1 2
Ou seja a distribuição F é a razão de duas variáveis aleatórias independentes com distribuição de qui-quadrado divido pelos seus
resectivos graus de liberdade (gl 𝑔𝑙). A distribuição possui dois parâmetros, que são os graus de liberdade do numerador e
denominador, F gl 1 ,gl 2 𝐹𝑔𝑙1 , 𝑔𝑙2
George W. Snedecor em seu livro Statisical Methods (1937) descreveu o teste de razão de variâncias, chamando de Teste-F em
homenagem a Ronald A. Fischer.
n−1 𝑛−1
Utilando as quantidades amostrais (
σ2
)S 2 ( 𝜎2 ) 𝑆2 que seguem uma distribuição de qui-quadrado com n − 1 𝑛 − 1 graus de
liberdade temos.
n A −1
( )S A2 /n A − 1
σA2
F = n B −1
( )S B2 /n B − 1
σB2
S A2 σ B2
F = ∼ F gl A ,gl B
S B2 σ A2
𝑛𝐴 − 1
( ) 𝑆2𝐴 / 𝑛𝐴 − 1
𝜎2𝐴 𝑆2𝐴 𝜎2𝐵
𝐹= 𝑛𝐵 − 1 𝐹= ∼ 𝐹𝑔𝑙𝐴 , 𝑔𝑙𝐵
( ) 𝑆2𝐵 / 𝑛𝐵 − 1 𝑆2𝐵 𝜎2𝐴
𝜎2𝐵
Sabemos, que F ∼ F (gl A ,gl B ) 𝐹 ∼ 𝐹(𝑔𝑙𝐴 , 𝑔𝑙𝐵 ) é uma distribuição F (Fischer) com graus de liberdade glA 𝑔𝑙𝐴 do numerador e glB 𝑔𝑙𝐵 do
denominador, e essa distribuição é uma razão de duas variáveis aleatórias χ 2n−1 𝜒2𝑛 − 1 .
Abaixo segue uma simulação do resultado da razão de duas distribuições χ 2n−1 𝜒2𝑛 − 1 e uma verificação da distribuição aproximada
dessa variável aleatória, para fins didáticos. Ainda, o teste de Kolmogorov-Smirnov foi aplicado para verificar a adequação desses dados
(F 𝐹) à uma distribuição F. O resultado da estatística do teste foi D = 0.00061 𝐷 = 0.00061, indicando que não pode ser rejeitado que
esses dados vieram de uma distribuição F com os respectivos graus de liberdade.
Code
Note que a simulação não foi apresentada aqui, porém o codigo se encontra abaixo.
Code Para se
verificar
se as variâncias são iguais ou não é necessário recorrer ao teste F (inferência para duas variâncias de populações normais).
H 0 : σ A2 = σ A2
H 1 : σ A2 ≠ σ A2
𝐻0 : 𝜎2𝐴 = 𝜎2𝐴 𝐻1 : 𝜎2𝐴 ≠ 𝜎2𝐴
ou seja, a hipótese nula frente à uma hipótese alternativa, que pode ser, da diferença, ou seja a razão de variâncias ser diferente de 1,
ou superior ou inferior à unidade,
H 0 : σ A2 = σ A2
𝐻0 : 𝜎2𝐴 = 𝜎2𝐴
sendo a hipótese alternativa uma das seguintes opções:
H 1 : σ A2 ≠ σ A2
H 1 : σ A2 > σ A2
H 1 : σ A2 < σ A2
𝐻1 : 𝜎2𝐴 ≠ 𝜎2𝐴 𝐻1 : 𝜎2𝐴 > 𝜎2𝐴 𝐻1 : 𝜎2𝐴 < 𝜎2𝐴
que são equivalentes às hipóteses:
σ A2
H1 : ≠1
σ A2
σ A2
H1 : >1
σ A2
σ A2
H1 : <1
σ A2
𝜎2𝐴 𝜎2𝐴 𝜎2𝐴

𝐻1 : 2 ≠ 1 𝐻1 : 2 > 1 𝐻1 : 2 < 1
𝜎𝐴 𝜎𝐴 𝜎𝐴
A estatística do teste é dada por:
Teste para diferença de variâncias
O teste de hipóteses para a diferença de variâncias de duas distribuições normais.

Hipótese nula: hipótese de nulidade, onde não há diferença entre as variâncias.
σA2 𝜎2𝐴
H0 : =1 𝐻0 :
𝜎2𝐵
=1
σB2
Estatística do teste: o quão a razão de variâncias se afastam da unidade
S A2
F =
S B2
𝑆2𝐴
𝐹=
𝑆2𝐵
Hipóteses alternativas disponíveis a testar:

σA2 𝜎2𝐴
H1 : ≠1 𝐻1 :
𝜎2𝐵
≠1
σB2
σA2 𝜎2𝐴
H1 : >1 𝐻1 :
𝜎2𝐵
>1
σB2
σA2 𝜎2𝐴
H1 : <1 𝐻1 :
𝜎2𝐵
<1
σB2
Voltando ao caso das amostras recolhidas A e B, testaremos a hipótese que as variâncias são diferentes entre si.
S A2 = 𝑆2𝐴 = 7.3349517
S B2 = 𝑆2𝐵 = 8.3419714
Hipóteses
2 ≠ σ 2 𝜎2 ≠ 𝜎2 , consequentemente σA2 𝜎2𝐴
Parâmetro de interesse a ser testado: Se σ A B 𝐴 𝐵 =1 =1
σB2 𝜎2𝐵
σA2 𝜎2𝐴
Hipótese nula: H 0 : = 1 𝐻0 : =1
σB2 𝜎2𝐵
σA2 𝜎2
Hipótese alternativa: H 1 : ≠ 1 𝐻1 : 𝜎2𝐴 ≠ 1
σB2 𝐵
Estatística do teste:
Note que por simplicidade no uso das probabilidades da F tabelada opta-se por obter o maior valor de F calculado, neste caso utilizando
no numerador a maior variância amostral da comparação.
S A2
F =
S B2
𝑆2𝐴
𝐹=
𝑆2𝐵
Decisão do teste: Rejeita-se H 0 𝐻0 se o V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 (probabilidade de cometer o erro do Tipo I) for menor que α 𝛼.
Erro do Tipo I: é a probabilidade em rejeitar a H 0 𝐻0 sendo ela verdadeira.
Cálculos:
S A2 8.3419
F = = = 1.1372
S B2 7.3349
𝑆2𝐴 8.3419
𝐹= = = 1.1372
𝑆2𝐵 7.3349
Code
$test.statistic
[1] 1.137289
$df.num
[1] 14
$df.den
[1] 14
$p.value
[1] 0.8131681
Interpretação
Note que o V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 obtido foi de aproximadamente 0.8131681 0.8131681 (área hachurada), teste bilateral, devido a
H 1 𝐻1 ser postulada como a diferença. O V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 indica a probabilidade de comentermos o Erro do Tipo I com base na
amostra, ou seja, rejeitarmos a H 0 𝐻0 sendo ela verdadeira. Dessa forma a probabilidade de cometermos tal erro na tomada de decisão
é demasiado elevado, superior ao valor arbitrário α = 0.05 𝛼 = 0.05. Podemos dizer que não temos evidência nos dados que
demonstrem diferença significativa entre as variâncias das amostras de preparações A e B.
Testando a hipótese da diferença de médias (μ A − μ B 𝜇𝐴 − 𝜇𝐵 ) de

populações com variâncias desconhecidas
Voltando ao teste de médias …
Vamos considerar agora o teste de hipóteses para a diferença de duas médias populacionais, de populações normais com suas
2 , σ 2 𝜎2 , 𝜎2 ) desconhecidas. Para esses casos trocamos as variâncias populacionais por variâncias estimadas a partir das
variâncias (σ A B 𝐴 𝐵
amostras (S A2 , S 2 𝑆2 , 𝑆2 ).
B 𝐴 𝐵
2 = σ 2 𝜎2 = 𝜎2 , e onde são diferentes
Para tal situação poderiamos ter os seguintes casos: onde as variâncias são iguais, σ A B 𝐴 𝐵
σ A2 ≠ σ B2 𝜎2𝐴 ≠ 𝜎2𝐵 .
2
Caso 1: Variâncias iguais σ A = σ B2 𝜎2𝐴 = 𝜎2𝐵
Para se verificar se as variâncias são iguais ou não é necessário recorrer ao teste F (inferência para duas variâncias de populações
normais).
Dessa forma suponha que tenhamos duas populações normais independentes com médias desconhecidas e variâncias desconhecidas
porém iguais, e desejamos testar as seguintes hipóteses:
H 0 : μA − μB = Δ 0
H 1 : μA − μB ≠ Δ 0
𝐻0 : 𝜇𝐴 − 𝜇𝐵 = Δ0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 ≠ Δ0
ou seja, a hipótese nula frente à uma hipótese alteranativa, que pode ser, da diferença entre as médias, ou da superioridade ou
inferioridade de uma das médias,
H 0 : μA − μB = 0
𝐻0 : 𝜇𝐴 − 𝜇𝐵 = 0
sendo a hipótese alternativa uma das seguintes opções:
H 1 : μA − μB ≠ 0
H 1 : μA − μB > 0
H 1 : μA − μB < 0
𝐻1 : 𝜇𝐴 − 𝜇𝐵 ≠ 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 > 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 < 0
¯¯¯¯ ¯¯¯¯
Sabemos que a variância da diferença entre as variáveis aleatórias X A − X B 𝑋¯ 𝐴 − 𝑋¯ 𝐵 é dada por:
¯¯¯¯ ¯¯¯¯ σ2 σ2
V (X A − X B ) = + B
nA nB
𝜎2 𝜎2𝐵
𝑉(𝑋¯ 𝐴 − 𝑋¯ 𝐵 ) = +
𝑛𝐴 𝑛𝐵
2 = σ 2 = σ 2 𝜎2 = 𝜎2 = 𝜎2 , temos que:
Sendo as variâncias iguais σ A B 𝐴 𝐵
¯¯¯¯ ¯¯¯¯ σ2 σ2 1 1
V (X A − X B ) = + B = σ 2( + )
nA nB nA nB
𝜎2 𝜎2𝐵 1 1
𝑉(𝑋¯ 𝐴 − 𝑋¯ 𝐵 ) = + = 𝜎2 ( + )
𝑛𝐴 𝑛𝐵 𝑛𝐴 𝑛𝐵
2 , S 2 𝑆2 , 𝑆2 ) em uma única (S 2 𝑆2 ) parece razoável. O estimador combinado das duas
Dessa forma combinar as duas estimativas (S A B 𝐴 𝐵
variâncias estimadas é também chamado de pooled estimator,S p2 𝑆2𝑝 , e é dado por:
nA − 1 nB − 1
S p2 = ⋅ S A2 + ⋅ S B2
nA + nB − 2 nA + nB − 2
𝑛𝐴 − 1 𝑛𝐵 − 1
𝑆2𝑝 = ⋅ 𝑆2 + ⋅ 𝑆2
𝑛𝐴 + 𝑛𝐵 − 2 𝐴 𝑛𝐴 + 𝑛𝐵 − 2 𝐵
Note que o estimador combinado nada mais é do que uma média das variâncias ponderada pelos tamanhos das amostras.
Assim a grandeza,
¯¯¯¯ ¯¯¯¯
X A − X B − (μ A − μ B )
t= −−−−−−−
S p √ n1 + n1
A B
𝑋¯ 𝐴 − 𝑋¯ 𝐵 − (𝜇𝐴 − 𝜇𝐵 )
𝑡=
1 1
𝑆𝑝 √ 𝑛 + 𝑛
𝐴 𝐵
possui uma distribuição t 𝑡 com n A + n B − 2 𝑛𝐴 + 𝑛𝐵 − 2 graus de liberadade.
Teste para diferença de médias, variâncias desconhecidas e iguais
O teste de hipóteses para a diferença de médias de duas distribuições normais, variâncias desconhecidas e iguais.
Hipótese nula: hipótese de nulidade, onde não há diferença entre as médias, as médias seriam iguais.
H 0 : μA − μB = Δ 0 𝐻0 : 𝜇𝐴 − 𝜇𝐵 = Δ0
Estatística do teste: o quão diferentes são as médias (diferença padronizada)

¯¯¯¯ ¯¯¯¯
XA − XB − Δ 0
t0 = −−−−−−−
S p √ n1A + n1B
𝑋¯ 𝐴 − 𝑋¯ 𝐵 − Δ0
𝑡0 =
1 1
𝑆𝑝 √ +
𝑛𝐴 𝑛𝐵

H 1 : μA − μB ≠ Δ 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 ≠ Δ0
H 1 : μA − μB < Δ 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 < Δ0
H 1 : μA − μB > Δ 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 > Δ0
Exemplo 1 - teste bilateral (≠ ≠ )

Ensaios aplicados à amostra a duas preparações de concreto tem como objetivo verificar se existe diferença significativa na
resistência entre os dois preparos. Para isso foram obtidas e testadas amostras de ambos os casos.
Tem se interesse em testar a hipótese de que existe diferença entre a resistência mecânica do preparo do A 𝐴 frente ao preparo B 𝐵.
Foram retiradas 15 amostras do preparo A 𝐴 e 10 amostras do preparo B 𝐵. Os resultados obtidos a partir das amostras são
apresentados na tabela abaixo.
Considere as variâncias iguais, e um α = 0.05 𝛼 = 0.05.
Preparo Média (x̄¯¯𝑥¯ ) Desvio Padrão (s 𝑠) Amostra (n 𝑛)
Preparo A 𝐴 28 Mpa 4.1 MPa 15
Preparo B 𝐵 26 Mpa 3.8 MPa 10
Hipóteses
Parâmetro de interesse a ser testado: Se μ A = μ B 𝜇𝐴 = 𝜇𝐵 , consequentemente μ A − μ B = 0 𝜇𝐴 − 𝜇𝐵 = 0
Hipótese nula: H 0 : μ A − μ B = 0 𝐻0 : 𝜇𝐴 − 𝜇𝐵 = 0
Hipótese alternativa: H 1 : μ A − μ B ≠ 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 ≠ 0
¯¯¯¯ ¯¯¯¯
XA − XB − 0
t0 = −−−−−−−
S p √ n1A + n1B
¯¯¯¯ ¯¯¯¯
XA − XB
t0 = −−−−−−−
S p √ n1A + n1B
x̄¯¯A − x̄¯¯B
t0 = −−−−−−−
s p √ n1A + n1B
𝑋¯ 𝐴 − 𝑋¯ 𝐵 − 0 𝑋¯ 𝐴 − 𝑋¯ 𝐵 𝑥¯ 𝐴 − 𝑥¯ 𝐵
𝑡0 = 𝑡0 = 𝑡0 =
1 1 1 1 1 1
𝑆𝑝 √ 𝑛 + 𝑛𝐵
𝑆𝑝 √ 𝑛 + 𝑛𝐵
𝑠𝑝 √ 𝑛 + 𝑛
𝐴 𝐴 𝐴 𝐵
Cálculos:
15 − 1 10 − 1
s 2p = ⋅ 4.12 + ⋅ 3.82
15 + 10 − 2 15 + 10 − 2
s 2p = (0.6087) ⋅ 4.12 + (0.3913) ⋅ 3.82 = 15.8826
s p = 3.9853
15 − 1 10 − 1
𝑠2𝑝 = ⋅ 4.12 + ⋅ 3.82
15 + 10 − 2 15 + 10 − 2
𝑠2𝑝 = (0.6087) ⋅ 4.12 + (0.3913) ⋅ 3.82 = 15.8826
𝑠𝑝 = 3.9853
Code
[1]
3.985
299
−
x̄¯¯A x̄¯¯B
t0 = −−−−−−−
s p √ n + n1
1
A B
28 − 26
t0 = −1−−−−1−
3.9853√ 15 + 10
t 0 = 1.23
𝑥¯ 𝐴 − 𝑥¯ 𝐵 28 − 26
𝑡0 = 𝑡0 = 𝑡0 = 1.23
1 1 1 1
𝑠𝑝 √ 𝑛 + 𝑛𝐵
3.9853√ 15 + 10
𝐴
Code
[1]
1.229
262
Code
$test.statistic
[1] 1.229263
$df
[1] 23
$p.value
[1] 0.2314014
Interpretação
Note que o V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 obtido foi de aproximadamente V alor − P = 2 ∗ 0.116 = 0.231 𝑉𝑎𝑙𝑜𝑟 − 𝑃 = 2 ∗ 0.116 = 0.231 (área
hachurada), onde temos um teste bilateral, devido a H 1 𝐻1 ser postulada como a diferença. O V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 indica a
probabilidade de comentermos o Erro do Tipo I, ou seja, rejeitarmos a H 0 𝐻0 sendo ela verdadeira. Dessa forma a probabilidade de
cometermos tal erro na tomada de decisão é demasiado elevado, V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 = 0.231, superior ao valor de α = 0.05 𝛼 = 0.05.
Podemos dizer que não temos evidência nos dados que demonstrem diferença significativa entre as preparações A e B.
Exemplo 2 - teste unilateral (< < ou > > )

Suponha agora que temos o interesse em verificar a hipótese de que a adição de um determinado aditivo em um dos preparados
implica no aumento da sua resistência mecânica. Sendo assim o tratamento foi adicionar tal aditivio ao preparo A 𝐴 e testar frente ao
preparo B 𝐵, sem aditivo. Para o referido teste foram retiradas 17 amostras do preparo A 𝐴 e 17 amostras do preparo B 𝐵. Os
resultados obtidos a partir das amostras são apresentados na tabela abaixo.
Considere as variâncias iguais, e um α = 0.05 𝛼 = 0.05.
As variâncias podem ser testadas para igualdade utilizando um Teste F (Fischer).
Preparo Média (x̄¯¯𝑥¯ ) Desvio Padrão (s 𝑠) Amostra (n 𝑛)
Preparo com aditivo A 𝐴 29 Mpa 3.7 MPa 17
Preparo sem aditivo B 𝐵 26 Mpa 3.8 MPa 17
Hipóteses
Hipótese alternativa: H 1 : μ A − μ B > 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 > 0
x̄¯¯A − x̄¯¯B
t0 = −−−−−−−
s p √ n1A + n1B
𝑥¯ 𝐴 − 𝑥¯ 𝐵
𝑡0 =
1 1
𝑠𝑝 √ +
𝑛𝐴 𝑛𝐵
- Decisão do teste: Rejeita-se H 0 𝐻0 se o V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 (probabilidade de cometer o erro do Tipo I) for menor que α 𝛼.

Cálculos:
17 − 1 17 − 1
s 2p = ⋅ 3.72 + ⋅ 3.82
17 + 17 − 2 17 + 17 − 2
s 2p = (0.5) ⋅ 3.72 + (0.5) ⋅ 3.82 = 14.065
s p = 3.75
17 − 1 17 − 1
𝑠2𝑝 = ⋅ 3.72 + ⋅ 3.82
17 + 17 − 2 17 + 17 − 2
𝑠2𝑝 = (0.5) ⋅ 3.72 + (0.5) ⋅ 3.82 = 14.065
𝑠𝑝 = 3.75
Code
[1]
3.750
333
x̄¯¯A − x̄¯¯B
t0 = −−−−−−−
s p √ n1A + n1B
29 − 26
t0 = −1−−−−1−
3.75√ 17 + 17
t 0 = 2.33
𝑥¯ 𝐴 − 𝑥¯ 𝐵 29 − 26
𝑡0 = 𝑡0 = 𝑡0 = 2.33
1 1 1 1
𝑠𝑝 √ 𝑛 + 𝑛𝐵
3.75√ 17 + 17
𝐴
Code
[1]
2.332
381
Code
$test.statistic
[1] 2.332173
$df
[1] 32
$p.value
[1] 0.01307213
Interpretação
Note que o V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 obtido foi de aproximadamente V alor − P = 0.0131 𝑉𝑎𝑙𝑜𝑟 − 𝑃 = 0.0131, onde temos um teste
unilateral, devido a H 1 𝐻1 ser postulada como a a superioridade de uma das médias. O V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 indica a probabilidade de
comentermos o Erro do Tipo I, ou seja, rejeitarmos a H 0 𝐻0 sendo ela verdadeira. Dessa forma a probabilidade de cometermos tal erro
na tomada de decisão é inferior ao valor de α = 0.05 𝛼 = 0.05, V alor − P = 0.0131 𝑉𝑎𝑙𝑜𝑟 − 𝑃 = 0.0131. Podemos dizer que temos
evidência nos dados que demonstrem um diferença estatísticamente significativa entre as preparações A e B. Em outras palavras o erro
que estaria sendo cometido ao rejeitarmos H 0 𝐻0 é algo em torno de 1.3 %.
2
Caso 2: Variâncias diferentes σ A ≠ σ B2 𝜎2𝐴 ≠ 𝜎2𝐵
Para se verificar se as variâncias são iguais ou não é necessário recorrer ao teste F (inferência para duas variâncias de populações
normais).
Dessa forma suponha que tenhamos duas populações normais independentes com médias desconhecidas e variâncias desconhecidas
porém diferentes, e desejamos testar as hipóteses H 0 𝐻0 versus uma H 1 𝐻1 .
¯¯¯¯ ¯¯¯¯
Sabemos que a variância da diferença entre as variáveis aleatórias X A − X B 𝑋¯ 𝐴 − 𝑋¯ 𝐵 é dada por:
¯¯¯¯ ¯¯¯¯ σ2 σ2
V (X A − XB) = + B
nA nB
𝜎2 𝜎2𝐵
𝑉(𝑋¯ 𝐴 − 𝑋¯ 𝐵 ) = +
𝑛𝐴 𝑛𝐵
Assim a grandeza,
¯¯¯¯ ¯¯¯¯
X A − X B − (μ A − μ B )
t= −−−−−− −
2 2
√ SA + SB
nA nB
𝑋¯ 𝐴 − 𝑋¯ 𝐵 − (𝜇𝐴 − 𝜇𝐵 )
𝑡=
𝑆2𝐴 𝑆2𝐵
+
√ 𝑛𝐴 𝑛𝐵
possui uma distribuição t 𝑡 com v 𝑣 graus de liberadade. Para esse caso os graus de liberdade não serão mais
n A + n B − 2 𝑛𝐴 + 𝑛𝐵 − 2 e sim, calculados pela seguinte expressão:
2
S2 S B2
( nA + nB
)
A
v= 2
S2 S2
2
( nA ) ( nB )
A B
n A −1
+ n B −1
2
𝑆2𝐴 𝑆2𝐵
( + )
𝑛𝐴 𝑛𝐵
𝑣= 2 2
2 2
𝑆𝐴 𝑆𝐵
( ) ( )
𝑛𝐴 𝑛𝐵
𝑛𝐴 − 1
+ 𝑛𝐵 − 1
Teste para diferença de médias, variâncias desconhecidas e diferentes
O teste de hipóteses para a diferença de médias de duas distribuições normais, variâncias desconhecidas e diferentes.
Hipótese nula: hipótese de nulidade, onde não há diferença entre as médias, as médias seriam iguais.
H 0 : μA − μB = Δ 0 𝐻0 : 𝜇𝐴 − 𝜇𝐵 = Δ0
Estatística do teste: o quão diferentes são as médias (diferença padronizada)

¯¯¯¯ ¯¯¯¯
XA − XB − Δ 0
t0 = −−−−−− −
2 2
√ SA + SB
nA nB
𝑋¯ 𝐴 − 𝑋¯ 𝐵 − Δ0
𝑡0 =
𝑆2𝐴 𝑆2
√ 𝑛𝐴 + 𝑛𝐵
𝐵

H 1 : μA − μB ≠ Δ 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 ≠ Δ0
H 1 : μA − μB < Δ 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 < Δ0
H 1 : μA − μB > Δ 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 > Δ0
Exemplo 3 - teste bilateral (≠ ≠ )
Um psicólogo estava interessado em explorar se os estudantes universitários do sexo masculino e feminino têm ou não diferentes
comportamentos de condução. Havia uma série de maneiras que ela poderia quantificar comportamentos de condução. Ela optou por
se concentrar na velocidade mais rápida já dirigida por um indivíduo. Portanto, a questão estatística em particular que ele formulou foi
a seguinte:
Seria a maior velocidade média conduzida por estudantes universitários do sexo masculino diferente da maior velocidade média
conduzida por estudantes universitários do sexo feminino?
Ele realizou um levantamento de uma amostra aleatória n A = 34 𝑛𝐴 = 34 estudantes universitários do sexo masculino e
n B = 29 𝑛𝐵 = 29 estudantes universitários do sexo feminino.
Existe evidência suficiente no nível α = 0.05 𝛼 = 0.05 para concluir que a maior velocidade média conduzida por estudantes
universitários do sexo masculino difere da maior velocidade média de estudantes universitários do sexo feminino?
Considere as variâncias diferentes.
O resumo descritivo dos resultados de sua pesquisa:
Grupo Média (x̄¯¯𝑥¯ ) Desvio Padrão (s 𝑠) Amostra (n 𝑛)
Masculino A 𝐴 105.5 20.1 34
Feminino B 𝐵 90.9 12.2 29
Hipóteses
Hipótese alternativa: H 1 : μ A − μ B ≠ 0 𝐻1 : 𝜇𝐴 − 𝜇𝐵 ≠ 0
−
x̄¯¯A x̄¯¯B
t0 = −−−−−− −
2 2
√ SA + SB
nA nB
𝑥¯ 𝐴 − 𝑥¯ 𝐵
𝑡0 =
𝑆2𝐴 𝑆2𝐵
+
√ 𝑛𝐴 𝑛𝐵
Cálculos:
Suposições: Vamos assumir que as variáveis aleatórias maiores velocidades (masculino e feminino) são normalmente distribuidas
e que cada amostra é independente.
Calculando os graus de liberdade, v 𝑣:
2 2
12.22
( 20.1
34
+ 29
)
v= 2 2
= 55.5 = 55
2
( 20.1
34
) ( 12.2
29
)
34−1
+ 29−1
2
20.12 12.22
( 34
+ 29
)
𝑣= 2
= 55.5 = 55
2 12.2
2
20.1 ( )
( ) 29
34
34 − 1
+ 29 − 1
Calculando a estatística do teste:
105.5 − 90.9
t0 = −−−−−−−−
2 2−
√ 20.1
34
+ 12.2
29
t 0 = 3.54
105.5 − 90.9
𝑡0 = 𝑡0 = 3.54
20.12 12.22
√ +
34 29
Code
[1]
3.539
453
Code
$test.statistic
[1] 3.539453
$df
[1] 55
$p.value
[1] 0.0008242127
Interpretação
O valor crítico para rejeição da hipótese nula H 0 𝐻0 em favor da hipótese alternativa H 1 𝐻1 é:
t 0 > t 0.025,55 = 2.004

𝑡0 > 𝑡0.025, 55 = 2.004
Esse valor crítico pode ser obtido na tabela da distribuição t para α/2 = 0.05/2 = 0.025 𝛼 / 2 = 0.05 / 2 = 0.025 pois é um teste
bilateral, na curva com graus de liberadade igual a 5555.
Note que o V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 obtido foi de aproximadamente p = 2 ∗ 0.000412 = 0.000824 𝑝 = 2 ∗ 0.000412 = 0.000824 (área
hachurada), onde temos um teste bilateral, devido a H 1 𝐻1 ser postulada como a diferença. O V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 indica a
probabilidade de comentermos o Erro do Tipo I, ou seja, rejeitarmos a H 0 𝐻0 sendo ela verdadeira. Dessa forma a probabilidade de
cometermos tal erro na tomada de decisão é bastante pequeno, V alor − P 𝑉𝑎𝑙𝑜𝑟 − 𝑃 = 0.000824, inferior ao valor de
α = 0.05 𝛼 = 0.05. Podemos dizer que temos evidência nos dados que demonstram diferença significativa entre as velocidades médias
do grupo A 𝐴 e B 𝐵.

Teste de Hipotese - INF

Enviado por

Direitos autorais:

Formatos disponíveis

Teste de Hipotese - INF

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Teste de Hipotese - INF

Enviado por

Direitos autorais:

Formatos disponíveis

13/11/2024, 13:59 Teste de Hipóteses

Vamos abordar o tópico com os seguintes exemplos:

A afirmação de que H 0 : p = 10 𝐻0 : 𝑝 = 10 é chamanda de hipótese nula, e a afirmação H 1 : p ≠ 10 𝐻1 : 𝑝 ≠ 10 é chamada

Sempre estabeleceremos a hipótese nula H 0 𝐻0 como uma afirmação de igualdade.

Testes de hipóteses estatísticas

Erro do Tipo I: Rejeitar a hipótese nula H 0 𝐻0 quando ela é verdadeira

Decisão Se H 0 𝐻0 é verdadeira Se H 0 𝐻0 é falsa

Rejeitar H 0 𝐻0 Erro do Tipo I Nenhum erro

Não Rejeitar H 0 𝐻0 Nenhum erro Erro do Tipo II

Probabiliadde de cometer um erro na tomada de decisão

Probabilidade do Erro do Tipo I

α = P(erro do tipo I) = P(rejeitar H 0 |H 0 verdadeira)

Probabilidade do Erro do Tipo II

β = P(erro do tipo II) = P(não rejeitar H 0 |H 0 falsa)

Potência ou Poder do Teste

Pacote em R para auxiliar na visualização do teste de hipóteses

O teste de hipóteses e a construção da estatística de teste

Exemplo - Teste de hipóteses - 1 - diferença de médias, variâncias desconhecidas e

Na verdade o que podemos provar é que a quantidade ( n−12 )S 2 ∼ χ 2n−1 (

sendo a hipótese alternativa uma das seguintes opções:

𝐻1 : 𝜎2𝐴 ≠ 𝜎2𝐴 𝐻1 : 𝜎2𝐴 > 𝜎2𝐴 𝐻1 : 𝜎2𝐴 < 𝜎2𝐴

que são equivalentes às hipóteses:

𝜎2𝐴 𝜎2𝐴 𝜎2𝐴

A estatística do teste é dada por:

Teste para diferença de variâncias

O teste de hipóteses para a diferença de variâncias de duas distribuições normais.

Estatística do teste: o quão a razão de variâncias se afastam da unidade

Hipóteses alternativas disponíveis a testar:

Testando a hipótese da diferença de médias (μ A − μ B 𝜇𝐴 − 𝜇𝐵 ) de

sendo a hipótese alternativa uma das seguintes opções:

possui uma distribuição t 𝑡 com n A + n B − 2 𝑛𝐴 + 𝑛𝐵 − 2 graus de liberadade.

A estatística do teste é dada por:

Teste para diferença de médias, variâncias desconhecidas e iguais

Estatística do teste: o quão diferentes são as médias (diferença padronizada)

Hipóteses alternativas disponíveis a testar:

Exemplo 1 - teste bilateral (≠ ≠ )

Preparo Média (x̄¯¯𝑥¯ ) Desvio Padrão (s 𝑠) Amostra (n 𝑛)

Preparo A 𝐴 28 Mpa 4.1 MPa 15

Preparo B 𝐵 26 Mpa 3.8 MPa 10

s 2p = (0.6087) ⋅ 4.12 + (0.3913) ⋅ 3.82 = 15.8826

Exemplo 2 - teste unilateral (< < ou > > )

Preparo Média (x̄¯¯𝑥¯ ) Desvio Padrão (s 𝑠) Amostra (n 𝑛)

Preparo com aditivo A 𝐴 29 Mpa 3.7 MPa 17

Preparo sem aditivo B 𝐵 26 Mpa 3.8 MPa 17

Erro do Tipo I: é a probabilidade em rejeitar a H 0 𝐻0 sendo ela verdadeira.

s 2p = (0.5) ⋅ 3.72 + (0.5) ⋅ 3.82 = 14.065

A estatística do teste é dada por:

Teste para diferença de médias, variâncias desconhecidas e diferentes

Estatística do teste: o quão diferentes são as médias (diferença padronizada)

Hipóteses alternativas disponíveis a testar:

Exemplo 3 - teste bilateral (≠ ≠ )

Grupo Média (x̄¯¯𝑥¯ ) Desvio Padrão (s 𝑠) Amostra (n 𝑛)

Masculino A 𝐴 105.5 20.1 34

Feminino B 𝐵 90.9 12.2 29

Calculando a estatística do teste:

t 0 > t 0.025,55 = 2.004

Você também pode gostar