Índice

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

 Compreender a aplicação dos testes de hipóteses

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

3.1. Conceitos básicos

Um dos objetivos principais da análise estatística é derivar (ou inferir) conclusões válidas acerca de uma
população ou populações através do exame de amostra(s) dessa população ou populações.

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.

Quando a forma da distribuição ou a forma da função densidade de probabilidade é conhecida e as

afirmações dizem respeito a um determinado parâmetro, fala-se em testes paramétricos. Caso contrário,
dizem-se testes não-paramétricos. O uso tanto dos testes paramétricos como dos não-paramétricos está
condicionado à dimensão da amostra e à respectiva distribuição da variável em estudo.

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.

3.2. Teste de hipótese

Teste de hipótese – é uma regra de decisão para aceitar, ou rejeitar, uma hipótese estatística com base nos
elementos amostrais. São dois os tipos de hipóteses:

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

II → H0: μ = k; H1: μ > k

III → H0: μ = k; H1: μ < k

IV → H0: μ ≤ k; H1: μ > k

V → H0: μ ≥ k; H1: μ < k

 A situação I corresponde a um teste bilateral ou bicaudal.

 As situações II, III, IV e V correspondem a testes unilaterais ou unicaudal.
 Em algumas situações, podemos formular as hipóteses da forma: I ou II, ambas corretas, ou,
ainda, I ou III, também corretas
 Em situações críticas podemos obter conclusões diferentes.

3.3. Tipos de testes de hipóteses

 Quanto a natureza:
a) Testes Paramétricos: São aqueles que formulamos Hipóteses com respeito ao(s) valor(res) de
um(uns) parâmetro(s) populacional(is).

Exemplo: teste referente a média populacional “μ”.

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.

 Quanto a formulação de hipóteses a serem testadas

a) Teste unilateral ou unicaudal à direita: E aquele teste cuja hipótese alternativa (H1) contem a
desigualdade maior que (>); 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 apenas em valores extremos de um

ou de outro lado da media, por exemplo, ou de outro parâmetro de interesse, isto e, em apenas uma cauda
da distribuição amostral do estimador, como por exemplo, quando estamos testando a hipótese de um
processo (produto, maquina, ração, vacina, sistema, raça, enfim, um tratamento), e melhor do que ou
superior a outro processo (o que e diferente de testar se um processo e melhor ou pior do que outro). Em
tais casos, a região critica ou de rejeicao da hipótese H0 situa-se apenas em um lado da cauda da
distribuição amostral do estimador envolvido no experimento ou curva do teste (nesse caso, no lado
direito do extremo da cauda da curva), com área igual ao nível de significância do teste ou erro do tipo I
(alfa, α).

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

Ou seja, frequentemente, em algumas situações, estamos interessados apenas em valores extremos de um

ou de outro lado da media, por exemplo, ou de outro parâmetro de interesse, isto e, em apenas no extremo
superior direito ou esquerdo de uma cauda da distribuição amostral do estimador, como, por exemplo,
quando estamos testando a hipótese de um processo (produto, maquina, ração, enfim, um tratamento), e
pior ou inferior a outro processo (o que e diferente de testar se um processo e melhor ou pior do que
outro). Em tais casos, a região critica ou de rejeição da hipótese H0 situa-se apenas em um lado da cauda
da distribuição amostral do estimador envolvido no experimento ou curva do teste (nesse caso, no lado
esquerdo do extremo da cauda da curva), com área igual ao nível de significância do teste ou erro do tipo
I (alfa, α).

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.

3.4. Hipóteses estatísticas

Hipótese estatística: é uma suposição quanto ao valor de um parâmetro populacional, ou quanto à
natureza da distribuição de probabilidade de uma variável populacional.

São exemplos de hipóteses estatísticas:

a) A altura média da população moçambicana é de 1,65 m, isto é: H: μ= 1,65 m.

b) A variância populacional dos salários vale $5002, isto é: H: σ2 = 5002.
c) A proporção de moçambicanos com a doença X é de 40%, ou seja: H: p =0,40
d) A distribuição de probabilidades dos pesos dos alunos de uma faculdade A é normal.

As hipóteses estatísticas são formuladas pelo pesquisador com base em suas conjecturas sobre o
fenômeno, ou em função de informações teóricas.

3.5. Tipos de erros e suas relações

Há dois possíveis tipos de erros, quando realizamos um teste estatístico para aceitar ou rejeitar H0.

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%.

3.6. Determinação da região de rejeição

Dada uma amostra aleatória, o que na realidade um teste de hipótese faz é, baseado no valor de uma
estatística T, rejeitar ou não a hipótese nula, sendo esta hipótese rejeitada se o valor de T pertencer a uma
certa região, denominada de região de rejeição, RR. Assim, podemos escrever a probabilidade do erro
tipo I como:
P(T pertence RR/ H0 é verdadeira) = α (9.1)

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:

Primeiro passo: enunciar as hipóteses H0 e H1;

H0 (hipótese nula): utilizar um dos símbolos: ≤, =, ≥

H1 (hipótese alternativa); utilizar um dos símbolos: <, ≠, >

Segundo passo: fixar o limite do erro e identificar a variável do teste;

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.

4.1. Teste de significância para médias populacionais

(a)  Conhecido

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).

a = Nível de significância = P(Erro do Tipo I)

10% 5% 1%
Teste bilateral 1,64 1,96 2,57
Teste unilateral 1,28 1,64 2,33

(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.

4.2. Teste para a proporção

O teste para a proporção populacional é normalmente baseado na seguinte suposição: tem-se uma
população e tem-se uma hipótese sobre a proporção p de elementos da população que possuem uma
determinada característica. Esta proporção é supostamente igual a um determinado valor p0.

Assim a hipótese nula é:

H0 : p = p0
O problema fornece informações sobre a alternativa, que pode ser uma das seguintes:
H1 : p = p0
H1 : p > p0
H1 : p < p0
A estatística teste a ser utilizada é a proporção amostral “P”, que para amostras grandes (n > 50) tem uma
distribuição aproximadamente normal com média:

μP = p, e desvio padrão

4.3. Teste de igualdade de duas variâncias

Para aplicar o teste para a variância é necessário supor a normalidade da população de onde será extraída
a amostra.
As hipóteses são:
H0: s2 = s20 contra
H1: s2 ¹ s 20
s2 > s20
s2 < s20

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:

RC = [0, X21 ] ∪[ X2 2,∞ )

Desta forma, aceita-se a hipótese nula se a estatística teste, acima, pertencer ao intervalo [X 2 1, X2 2].

4.4. Testes uni e bilaterais

Hipótese alternativa para o teste de comparação de médias, por exemplo, é dada porH1: µ1 ≠ µ2,
entretanto pode ser desdobrada como nas seguintes hipóteses H1: µ1> µ2 ou H1: µ1< µ2. Essa hipótese
estabelece que uma média de tratamento pode ser superior ou inferior a outra. Neste caso a hipótese é
denominada bilateral. Por outro lado o valor p bilateral é a probabilidade de se obter, uma diferença igual
ou superiora observada. Nos testes unilaterais as comparações entre tratamentos são estabelecidas em
uma determinado sentido. Por exemplo, ao se comparar uma nova ração com uma ração padrão, a
pesquisa se propõe a avaliar se a nova ração deve ser indicada. Ao se testar hipóteses unilaterais, baseadas
na distribuição teórica de probabilidade t de Student ou normal, utiliza-se apenas uma das extremidades
da distribuição.

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.

4.5. Aplicação da tabela de distribuição qui-quadrado

Qui Quadrado, simbolizado por 𝑋 2 é um teste de hipóteses que se destina a encontrar um valor da
dispersão para duas variáveis nominais, avaliando a associação existente entre variáveis qualitativas. É
um teste não paramétrico, ou seja, não depende dos parâmetros populacionais, como média e variância. O
princípio básico deste método é comparar proporções, isto é, as possíveis divergências entre as
frequências observadas e esperadas para um certo evento. Evidentemente, pode-se dizer que dois grupos
se comportam de forma semelhante se as diferenças entre as frequências observadas e as esperadas em
cada categoria forem muito pequenas, próximas a zero.

Portanto, o teste é utilizado para:

 Verificar se a frequência com que um determinado acontecimento observado em uma amostra se

desvia significativamente ou não da frequência com que ele é esperado.
 Comparar a distribuição de diversos acontecimentos em diferentes amostras, a fim de avaliar se
as proporções observadas destes eventos mostram ou não diferenças significativas ou se as
amostras diferem significativamente quanto às proporções desses acontecimentos.

Condições necessárias para aplicar o teste as seguintes proposições precisam ser satisfeitas:

 Os grupos são independentes,

 Os itens de cada grupo são selecionados aleatoriamente,
 As observações devem ser frequências ou contagens,
 Cada observação pertence a uma e somente uma categoria e
 A amostra deve ser relativamente grande (pelo menos 5 observações em cada célula e, no caso de
poucos grupos - pelo menos 10 - Exemplo: em tabelas 2x 2.

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

o = frequência observada para cada classe,

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