Professional Documents
Culture Documents
Hipoteses
Hipoteses
Conteúdo
1. Introdução............................................................................................................................................1
1.1. Objectivos....................................................................................................................................1
2. Metodologia.........................................................................................................................................1
3. Testes de hipóteses..............................................................................................................................2
3.1. Conceitos básicos........................................................................................................................2
3.2. Teste de hipótese.........................................................................................................................2
3.3. Tipos de testes de hipóteses.........................................................................................................3
3.4. Hipóteses estatísticas...................................................................................................................5
3.5. Tipos de erros e suas relações......................................................................................................5
3.6. Determinação da região de rejeição.............................................................................................6
4. Testes de significância.........................................................................................................................7
4.1. Teste de significância para médias populacionais....................................................................7
4.2. Teste para a proporção.................................................................................................................9
4.3. Teste de igualdade de duas variâncias..........................................................................................9
4.4. Testes uni e bilaterais.................................................................................................................10
4.5. Aplicação da tabela de distribuição qui-quadrado......................................................................11
5. Conclusão..........................................................................................................................................12
6. REFERÊNCIAS BIBLIOGRÁFICAS...............................................................................................13
1. Introdução
O presente trabalho aborda sobre as hipóteses. Neste capítulo de inferência estatística, serão apresentados
métodos que possibilitarn validar ou não determinadas afirmações sobre os parâmetros de uma população.
Em vez de calcular uma estimativa do parâmetro pontual ou por intervalo, iremos admitir um valor
hipotético para um parâmetro populacional, e com base nas informações da amostra realizaremos um teste
estatístico, para aceitar ou rejeitar o valor hipotético. Como a decisão para aceitar ou rejeitar a hipótese
será tomada de acordo com elementos de uma amostra, fica evidente que a decisão estará sujeita a erros.
Estaremos tomando decisões em condições de incerteza e, portanto, sujeitas a erro. Com base nos
resultados obtidos em uma amostra, não é possível tomar decisões que sejam definitivamente corretas
Em várias áreas de economia e gestão é necessário, muitas vezes, decidir entre opções alternativas. A
decisão, qualquer que ela seja, comporta um risco, o risco de errar. Mas este pode ser controlado e
minimizado.
O contributo dos métodos estatísticos resta sempre, porém, na área do Auxílio a decisão, isto é, não deve
ser o único elemento para a tomada de decisão. O gestor pode (deve) socorrer-se destes métodos, mas
conhecendo as respectivas potencialidades e limites.
1.1. Objectivos
Objectivo geral
Objetivos Específicos:
Descrever os 5 passos do procedimento de Teste de Hipóteses
Distinguir entre Teste de Hipóteses Unicaudal e Bicaudal
Descrever os erros estatísticos associados aos testes de hipóteses
Definir hipóteses e Testes de Hipóteses
2. Metodologia
Para atingir os objetivos propostos e responder à pergunta de pesquisa, este estudo adotará uma
abordagem metodológica mista, combinando elementos qualitativos e quantitativos. A metodologia será
estruturada da seguinte maneira:
1
Revisão Bibliográfica: Será realizada uma revisão bibliográfica abrangente para fundamentar
teoricamente o estudo, explorando conceitos-chave relacionados às Hipóteses. A literatura acadêmica,
manuais eletrónicos e outras fontes relevantes serão consultados para embasar a análise.
3. Testes de hipóteses
Os testes de hipóteses são um método inferencial, o qual constitui uma outra análise de um problema
inferencial na estimação paramétrica com base na informação contida numa amostra. Todos os dias temos
de tomar decisões respeitantes a determinadas populações, com base em amostras das mesmas (decisões
estatísticas). Nesta tomada de decisões, é útil formular hipóteses sobre as populações, hipóteses essas que
podem ou não ser verdadeiras. A essas hipóteses chamamos hipóteses estatísticas, as quais geralmente se
baseiam em afirmações sobre as distribuições de probabilidade das populações ou sobre alguns dos seus
parâmetros.
Uma hipótese pode então ser definida como uma conjetura acerca de uma ou mais populações. Desta
forma, os testes de hipóteses podem considerar-se uma segunda vertente da inferência estatística, tendo
por objectivo verificar, a partir de dados observados numa amostra, a validade de certas hipóteses
relativas à população. O resultado do teste corresponde inevitavelmente a uma das duas respostas
possíveis para cada questão: afirmativa ou negativa. Em ambos os casos corre-se o risco de errar. Uma
das características do teste de hipóteses é, justamente, a de permitir controlar ou minimizar tal risco.
Hipótese: uma sentença sobre o valor de um parâmetro populacional desenvolvida para o propósito de
teste.
2
1) H0, chamada hipótese nula, a hipótese estatística a ser testada, expressa uma igualdade, tal como
≤ = ou ≥.
2) H1, a hipótese alternativa. É geralmente o complemento da hipótese nula. É a afirmação que deve
ser verdadeira se H0 for falsa e contém uma afirmação de desigualdade, tal como <, ≠ ou >.
Por exemplo, se o valor da afirmação for k e o parâmetro populacional for μ, as possíveis hipóteses a
serem formuladas são:
I → H0: μ = k; H1: μ ≠ k
b) Testes Não Paramétricos ou de Distribuição Livre: São aqueles nos quais formulamos Hipóteses
em que não fazemos nenhuma menção a respeito de parâmetros populacionais ou quando
formulamos Hipóteses com respeito a natureza da distribuição de probabilidades da população.
Ou ainda, podemos dizer que e aquele teste cujo modelo não especifica condições sobre os
parâmetros da população da qual a amostra foi obtida. Mesmo quando existem certas
pressuposições, estas são mais brandas do que aquelas associadas aos testes paramétricos. Alem
disso, as provas não paramétricas não exigem mensurações tao fortes quanto as provas
3
paramétricas, pois a maior parte das provas não paramétricas se aplica a dados em escala ordinal,
e alguns mesmos a dados em escala nominal. Exemplo: Teste do qui quadrado ( χ 2) para
ajustamento, Teste do qui-quadrado ( χ 2) para aderência, Teste do qui-quadrado ( χ 2) para
independência, Teste do qui-quadrado ( χ 2) para homogeneidade.
b) Teste unilateral ou unicaudal à esquerda: E aquele teste cuja hipótese alternativa (H1) contem
a desigualdade menor que (<), ou ainda, e aquele cujas Hipóteses a serem testadas são do tipo:
H0: σ2= σ20
H1: σ2< σ20
4
c) Teste bilateral ou bicaudal: e aquele teste cuja hipótese alternativa contem a não igualdade ≠
(diferente de) ou ainda, e aquele cujas Hipóteses a serem testadas são do tipo:
H0: μ= μ0
H1: μ≠μ0
Ou seja, frequentemente, em algumas situações, estamos interessados nos dois valores extremos superior
direito e inferior esquerdo da média, por exemplo, ou de outro parâmetro de interesse, isto e, em duas
regiões da cauda da distribuição amostral do estimador, ou seja, em seus escores Z em ambos os lados da
média, ou de qualquer outro parâmetro, isto e, em ambas as caudas da distribuição, como, por exemplo,
quando estamos testando a hipótese de um processo (produto, maquina, ração, raça, sistema, vacina,
enfim um tratamento), e melhor ou pior do que outro (o que e diferente de testar se um processo e melhor
do que outro ou se um processo e pior do que outro). Em tais casos, a região critica ou de rejeição da
hipótese H0 situa-se nos dois lados da cauda da curva da distribuição amostral do estimador envolvido no
experimento ou curva do teste (nesse caso, no lado esquerdo e no lado direito dos extremos da cauda da
curva), com área igual ao nível de significância do teste ou erro do tipo I, dividido por dois, ou seja, alfa
sobre dois.
As hipóteses estatísticas são formuladas pelo pesquisador com base em suas conjecturas sobre o
fenômeno, ou em função de informações teóricas.
a) Rejeitar H0, quando ela é verdadeira, e comete-se o Erro tipo I, e essa probabilidade de se
cometer o Erro tipo I é designada α.
5
b) Aceitar H0, quando ela é falsa, comete-se o Erro tipo II, e a probabilidade de cometer o Erro tipo
II é designada β.
Possíveis erros e acertos de uma decisão a partir de um teste de hipótese estão sintetizados no quadro a
seguir:
Realidade
H0 verdadeira H0 falsa
Decisão Aceitar H0 Decisão correta (1-α) Erro tipo II β
Decisão Rejeitar H0 Erro tipo I (α) Decisão correta (1-β)
Note-se:
1) O erro tipo I só pode ser cometido quando se rejeitar H0, enquanto o erro tipo II, quando
se aceitar H0.
2) A redução simultânea dos erros poderá ser alcançada pelo aumento do tamanho da
amostra, evidentemente, com aumento dos custos.
3) Para um mesmo tamanho de amostra, a probabilidade de incorrer em um Erro tipo II
aumenta à medida que diminui a probabilidade do Erro tipo I, e vice-versa.
O nível de significância de um teste é definido como sendo a probabilidade máxima permissível para
cometer um Erro Tipo I. Ou seja, o nível de significância é igual ao valor α.
A probabilidade de um Erro tipo II é o valor β. O valor 1–β é chamado de poder do teste. Ele representa a
probabilidade de rejeitar a hipóteses nula quando a hipótese alternativa for verdadeira. O valor do poder é
difícil (e às vezes impossível) de se encontrar na maioria dos casos.
Se o valor (1-β), tiver poder = 90% → (1- β) = 0,9. Assim, β= 0,1 que corresponde a 10%.
6
Consequentemente, para um valor fixo de α obtemos por (9.1) a respectiva região de rejeição, ou seja,
dessa forma conseguimos a região que determina a rejeição de H0.
4. Testes de significância
Os testes de significância consideram apenas o erro α. O procedimento para realização dos testes de
significância pode ser resumido nos seguintes passos:
Terceiro passo: faça um gráfico da distribuição amostral. De acordo com a hipótese alternativa (H1),
marque a região crítica (RC) do teste.
Quarto passo: com o auxílio das Tabelas estatísticas (Normal, t de Student, ...) considerando α (nível de
significância) e a variável do teste, determinar a RC (região crítica) e a RA (região de aceitação) para H0.
Marque esse valor no gráfico.
Quinto passo: com os elementos amostrais, calcular o valor da variável do teste; Sexto passo: concluir
pela aceitação ou rejeição de H0, comparando o valor obtido no passo (5º) com RA e RC.
Se o valor observado pertence a RC, então rejeita H0 e aceita H1;
Se o valor observado não pertence a RC, então aceite H0 e rejeita H1.
O teste para a média de uma população pode ser executado com qualquer tamanho de amostra se
soubermos que a população de onde for extraída a amostra segue uma distribuição normal. Se a
distribuição da população não for conhecida então é necessário trabalhar com amostras grandes (pelo
menos 30 elementos) para poder garantir a normalidade da média da amostra através do teorema central
do limite.
As hipóteses são:
H0: μ = μ0 contra H1: μ = μ1 ou então, o que é mais comum:
7
H1: μ > μ0; μ < μ0; μ μ0
A estatística teste utilizada aqui é a média da amostra: X . Esta média para ser comparada com o valor
tabelado, determinado em função da probabilidade do erro do tipo I, (isto é, o nível de significância do
teste), precisa ser primeiramente padronizada. Isto é feito, baseado no seguinte resultado:
Se X é uma variável aleatória normal com média μ e desvio padrão s, então a variável:
(a) Z = (X - μ) / s
Tem uma distribuição normal com média “0” e desvio padrão “1”. A variável resultante Z se encontra
tabelada. Qualquer livro de Estatística traz esta tabela que fornece os valores desta variável, para z
variando de -3,9 até 3,9 em intervalos de 0,1 (aproximação decimal), entre -3,9 e -3,0 e entre 3,0 e 3,9, e
em intervalos de 0,01 (aproximação centesimal) para os valores entre -3,0 e 3,0.
Para X sabe-se que X μ = μ (média das médias) que sX = s n (erro padrão da média), então o valor
padronizado de X será:
Z = (X - X μ ) / sX = (X - μ) / s n
Supondo-se fixado um nível de significância de a = P(Erro do Tipo I), verifica-se na tabela qual o valor
de za (no teste unilateral) ou za/2 (teste bilateral). Rejeita-se H0 (hipótese nula) se o valor de z calculado
na expressão acima for:
(i) Maior do que za (no teste unilateral à direita);
(ii) Menor do -za (no teste unilateral à esquerda) e
(iii) Maior que za/2 ou menor que -za/2 (no teste bilateral).
(b) Desconhecido
A distribuição t de Student
Quando o desvio padrão populacional (s) é desconhecido é necessário estimá-lo através do desvio padrão
da amostra (s).
A distribuição t de Student encontra-se tabelada em função de n = tamanho da amostra ou então em
função de n - 1 denominado de graus de liberdade da distribuição. Neste caso cada linha de uma tabela se
8
refere a uma distribuição particular e cada coluna da tabela a um determinado nível de significância.
Conforme a tabela o nível de significância poderá ser unilateral ou bilateral. Em todo caso é necessário
sempre ler no cabeçalho ou no rodapé da tabela as explicações sobre como ela está estruturada.
Desta forma a diferença entre o teste para a média de uma população com conhecido e um com
desconhecido é que é necessário trocar a distribuição normal padrão pela distribuição “t “ de Student.
μP = p, e desvio padrão
Quer dizer o quociente acima tem uma distribuição qui-quadrado com “n-1” graus de liberdade. A qui-
quadrado é uma distribuição assimétrica positiva que varia de zero a mais infinito.
9
Esta distribuição é tabelada também em função do número de graus de liberdade, isto é, cada grau de
liberdade (n -1) representa uma distribuição diferente. As colunas das tabelas representam diferentes
níveis de significância, isto é, área sob a curva acima do valor tabelado.
Em função do tipo de hipótese alternativa define-se a região de rejeição. No primeiro caso tem-se uma
região de rejeição do tipo bilateral. Logo, fixado um nível de significância “a“, a região crítica será:
Desta forma, aceita-se a hipótese nula se a estatística teste, acima, pertencer ao intervalo [X 2 1, X2 2].
Existem casos em que hipótese unilateral é a melhor com relação ao objetivo da pesquisa a ser realizada.
O uso de um teste unilateral também pode ter como argumento a afirmação de que um efeito de
tratamento em direção a uma das caudas da curva de probabilidade não tenha sentido.
A oposição de pesquisadores ao uso de hipóteses unilaterais é que, mesmo que se tenha grande
informação de o efeito de um tratamento seja maior que outro fator experimental, jamais o indivíduo terá
absoluta certeza do que realmente pode ocorrer. Por exemplo, mesmo que se tenha grande expectativa de
que um novo tipo de inseticida seja mais eficiente que um produto testemunha, pode existir uma
probabilidade ainda que rara de que os seus efeitos sejam inferiores.
Quando o pesquisador for implementar um teste de hipótese de qualquer tipo, ele deve levar em conta as
seguintes considerações: i) a hipótese a ser testada deve ser escolhida antes ou a priori e não pelos
resultados do experimento; ii) o teste que verifica hipótese bilateral é mais rigoroso do que um teste que
adota hipótese unilateral; iii) na literatura científica argumenta-se que a diferença entre testes unilaterais e
10
bilaterais não é condição única para interpretação dos resultados, pois na metodologia o autor deve citar o
tipo de teste adotado; iv)existem autores que insistem no uso de teste unilateral mas muitas revistas
científicas rejeitam a publicação de tais resultados.
Condições necessárias para aplicar o teste as seguintes proposições precisam ser satisfeitas:
Como calcular Karl Pearson propôs a seguinte fórmula para medir as possíveis discrepâncias entre
proporções observadas e esperadas:
𝑋 2 = ∑[(𝑜 − 𝑒) 2 2/𝑒]
Em que
11
e = frequência esperada para aquela classe. Note-se que (𝑜 − 𝑒) = desvio (d), portanto a fórmula também
pode ser escrita como
𝑋 2 = 𝑑2/ 𝑒
Percebe-se que as frequências observadas são obtidas diretamente dos dados das amostras, enquanto que
as frequências esperadas são calculadas a partir destas. É importante notar que (𝑜 − 𝑒) é a diferença entre
a frequência observada e a esperada em uma classe. Quando as frequências observadas são muito
próximas às esperadas, o valor de 𝑋 2 é pequeno. Mas, quando as divergências são grandes (𝑜 − 𝑒) passa a
ser também grande e, consequentemente, 𝑋 2 assume valores altos.
Tabela Qui-quadrado
X2C
GL/P 0,99 0,95 0,90 0,80 … 0,05 0,02 0,01 0,001
1 0,0002 0,004 0,016 0,064 … 3,841 5,412 6,635 10,827
2 0,020 0,103 0,211 0,446 … 5,991 7,824 9,210 13,815
3 0,115 0,352 0,584 1,005 … 7,815 9,837 11,345 16,266
4 0,297 0,711 1,064 1,649 … 9,488 11,668 13,277 18,467
5 0,554 1,145 1,610 2,343 … 11,070 13,388 15,080 20,515
…
Aceita-se a hipótese de igualdade estatística entre os números Rejeita-se H0 e aceita-se H1.
de observadores e de esperados (H0), Os números de obs e esp são
Os desvios não são significativos estatisticamente diferentes
Os desvios são significativos
5. Conclusão
Pode-se concluir que teste de hipóteses trata-se de um processo de dedução que tem diversas aplicações
em diferentes áreas. Neste trabalho foi abordado a teoria com exemplos baseados em dois tipos de testes
12
de hipóteses que pode se fazer mediante a inúmeras situações do dia a dia. No entanto, é importante
ressaltar que o termo hipótese estatística é uma afirmação feita em relação a um parâmetro populacional
desconhecido.
Contudo, a ideia básica que se tem é que, a partir de uma amostra da população pode-se estabelecer uma
regra de decisão chamada de teste, segundo a qual rejeita-se ou não a hipótese proposta. Normalmente
existe uma hipótese que é mais importante para o pesquisador denotada por H 0.
6. REFERÊNCIAS BIBLIOGRÁFICAS
ANDRADE, André Marques de. Alguns Fundamentos Acerca dos Testes de Hipóteses. Covilhã, Junho de
2011
ASSIS, Janilson Pinheiro de. Testes de hipoteses estatisticas / Janilson Pinheiro de Assis,Roberto
Pequeno de Sousa, Paulo Cesar Ferreira Linhares–Mossoro: EdUFERSA, 2020.
13
FERREIRA, Paulo Maia. Estatística e Probabilidade / Paulo Maia Ferreira; Coordenação Cassandra
Ribeiro Joye. - Fortaleza: UAB/IFCE, 2012.
REIS, Elizabeth, Paulo Melo; Rosa Andrade; Teresa Capele. Estatistica Aplicada vol 1. Edições Silabo,
Lda. Lisboa /1996
SAMPAIO. Nilo Antônio de Souza; ARAUJO JUNIOR, Antonio Henriques; ALMEIDA, Maria da
Glória Diniz de; BARROS, José Glenio Medeiros – Cálculo de Probabilidades. Belo Horizonte, Editora
Poisson, 2019.
14