Testes de Hipoteses e Estatistica Inferencial

ESTATÍSTICA
Testes de Hipóteses e Estatística Inferencial
SISTEMA DE ENSINO
Livro Eletrônico
ESTATÍSTICA
Prof. Thiago Cardoso
Lei dos Grandes Números.............................................................................3

1. Lei Fraca dos Grandes Números.................................................................3
2. Lei Forte dos Grandes Números.................................................................5
3. Teoria do Limite Central............................................................................6
3.1. Intervalo de Confiança para a Média........................................................9
3.2. Estatística do Intervalo de Confiança..................................................... 12
4. Estimativa de Máxima Verossimilhança..................................................... 30
5. Distribuição T-Student............................................................................ 34
6. Testes de Hipóteses............................................................................... 41
6.1. Tipos de Testes................................................................................... 42
6.2. Valor -P............................................................................................. 43
6.3. Nível de Significância........................................................................... 44
6.4. Tipos de Erros.................................................................................... 46
7. Testes de Hipóteses Específicos................................................................ 65
7.1. Teste Chi-Quadrado............................................................................. 65
7.2. Distribuição F de Snedecor................................................................... 69
7.3. Teste F.............................................................................................. 70
O conteúdo deste livro eletrônico é licenciado para MARIANA SOARES TEIXEIRA - 04748119136, vedada, por quaisquer meios e a qualquer título,
a sua reprodução, cópia, divulgação ou distribuição, sujeitando-se aos infratores à responsabilização civil e criminal.
www.grancursosonline.com.br 2 de 79
ESTATÍSTICA
LEI DOS GRANDES NÚMEROS

A Lei dos Grandes Números é um conceito central na Teoria das Probabilidades.
Imagine que lancemos um dado, sabemos que a probabilidade de um lançamen-
to qualquer ser igual a 6 é de 1/6. Porém, o cérebro humano terá certa dificuldade
de compreender a incerteza gerada pelo conceito de probabilidade. Ora, lançamos
o dado para o alto, se ele deu 6, então ele deu 6 com certeza. Se ele não deu 6,
ele não deu 6 com certeza.
Acontece que a probabilidade traz uma observação a priori. Antes de ser feito
qualquer lançamento de dado, sabemos que a probabilidade de o resultado ser
igual a 6 é de 1/6.
Porém, como transportar esse conceito probabilístico para o mundo real em que
podemos e precisamos observar fatos? Em outras palavras, como verificar que uma
probabilidade é realmente igual a 1/6?
Desde os tempos antigos, a ideia mais simples para verificar uma probabilidade
consistia em fazer o mesmo experimento repetidas vezes. A intenção dessa repe-
tição é que, à medida que fossem feitos milhares de lançamentos de dados, a pro-
porção de resultados iguais a 6 obtidos fosse realmente se aproximando de 1/6.
É exatamente essa a ideia por trás das Leis dos Grandes Números. E, para isso,
agora devemos entender suas duas variantes.
1. Lei Fraca dos Grandes Números

Também chamada Lei de Khinchin, a versão fraca da LGN (Lei dos Grandes Nú-
meros) determina que a média amostral converge em probabilidade para o
valor esperado.
ESTATÍSTICA
Matematicamente falando, isso significa que, para qualquer que seja a margem
c > 0, com uma amostra suficientemente grande, haverá uma probabilidade muito
alta (próxima de 1) de que a média amostral convirja para o valor real da probabi-
lidade dentro dessa margem especificada.
A palavra-chave para entender essa definição está negrita “uma”. A Lei Fraca
dos Grandes Números estabelece que haverá um tamanho tal de amostra que trará
a média amostral para o valor real da probabilidade.
Vejamos um exemplo de uma série de lançamento de dados em que foi anotada
a frequência real de 6.
Figura 1: Lei Fraca dos Grandes Números
Nessa sequência de lançamentos, tivemos no sexto lançamento que a propor-
ção de 6 efetivamente obtidos foi de 1/6. Isso por si só é suficiente para caracteri-
zar a Lei Fraca dos Grandes Números.
Ainda que, para um número de lançamentos superior, a proporção de 6 obtidos
possa ser significativamente diferente.
ESTATÍSTICA
Tudo o que a Lei Fraca garante é de que haverá um tal de amostra em que a
frequência experimental será igual ao valor numérico da probabilidade.
Mas não há nenhuma garantia do que acontecerá depois com a continuação do
experimento.
2. Lei Forte dos Grandes Números

A lei forte dos grandes números, por sua vez, estabelece que a média amostral
converge absolutamente para o valor real da probabilidade.
Matematicamente, pode-se escrever que:
Entendo que esse enunciado é bastante complicado. Porém, nas próximas li-
nhas, tentaremos explicar as diferenças entre as duas versões da LGN.
Considerando ainda o experimento de lançamentos repetidos de dados, a Lei Forte
estabelece que, para uma certa quantidade de lançamentos, a frequência experimen-
tal de 6 realmente efetiva circulará em torno do valor da probabilidade que é de 1/6.
Figura 2: Lei Forte dos Grandes Números
ESTATÍSTICA
Como visto no gráfico, a lei forte nos garante que, para um número suficien-
temente grande de lançamentos, a frequência experimental realmente ficará em
torno do valor da probabilidade, sem sofrer grandes oscilações.
E mais, à medida que o número de lançamentos aumenta, as oscilações em tor-
no do valor numérico da probabilidade ficarão cada vez mais suaves.
Questão 1 (FGV/TJ-RO/2015/ESTATÍSTICO) A Lei dos Grandes Números existe
em duas versões que tratam de convergências de tipos distintos. A Lei Fraca e a Lei
Forte abordam, respectivamente, convergências:
a) em probabilidade e em distribuição;
b) quase certa e em probabilidade;
c) em distribuição e quase certa;
d) em distribuição e em probabilidade;
e) em probabilidade e quase certa.
Letra e.
A Lei Fraca dos Grandes Números aborda a convergência em probabilidade, en-
quanto que a Lei Forte aborda a convergência absoluta ou, na linguagem da ques-
tão, quase certa.
3. Teoria do Limite Central

O Teorema do Limite Central ou Teorema Central do Limite é um dos teoremas
mais importantes da Estatística.
ESTATÍSTICA
É uma das bases da Estatística Inferencial, sendo muito útil para estimar pa-
râmetros, como a média e o desvio padrão populacional, a partir de uma amostra
aleatória dessa população.
Seja uma amostra aleatória simples (X1, X2, …, Xn) de

tamanho “n” extraída de uma população qualquer com
média e variância finita. À medida que o tamanho da
amostra “n” cresce, a distribuição da média amostral
se aproxima de uma distribuição normal centrada na
mesma média populacional e variância . Matematica-
mente, pode-se escrever:
Existem vários fatos interessantes sobre o Teorema do Limite Central:
• A distribuição média amostral é centrada na média populacional.
Esse fato é bastante coerente com a Lei dos Grandes Números e, também,
é muito interessante, pois nos permite uma forma fácil de estimar a média popula-
cional a partir de uma amostra.
• A variância da média amostral reduz com o tamanho da amostra.
Mais um fato coerente com a Lei dos Grandes Números. À medida que tomamos
amostras cada vez maiores, é natural que elas se concentrem em torno do valor
exato da média populacional.
É bastante comum chamar o desvio padrão da média amostral de erro padrão:
ESTATÍSTICA
É importante não confundir o erro padrão com o desvio padrão. Enquanto
o desvio padrão diz respeito à população em si, o erro padrão diz respeito à
média amostral.
• Distribuição Normal.
Essa aqui é uma das grandes inovações do Teorema do Limite Central, qualquer
que seja a população considerada, a média amostral se aproximará de uma distri-
buição normal.
Trata-se de um fato bastante interessante, pois nos permite utilizar a mesma
teoria de estimativa de parâmetros, intervalo de confiança para qualquer que seja
a população considerada.
Essa parte do teorema é um dos resultados mais importantes da Estatística In-
ferencial e servirá de base para que consideremos todos os métodos de estimativas
que serão aprendidos mais adiante nesse material.
• Considera uma Amostra Aleatória Simples.
Em Amostragem, dizemos que a amostra aleatória estratificada é mais custosa,
porém, produz resultados melhores que a amostra aleatória simples.
Em termos do Teorema do Limite Central, esses resultados melhores se tradu-
zem em menor erro padrão para a média amostral.
• Os valores que entram na média e erro padrão são da população original.
Esse é um dos pequenos problemas do Teorema do Limite Central. Ele é sem-
pre válido, porém, considera os parâmetros reais da população, como sua média e
desvio padrão.
Na maioria das vezes queremos estimar a média e o desvio padrão populacio-
nal, portanto, desconhecemos a princípio esses valores.
ESTATÍSTICA
Isso trará problemas para a vida real na hora de aplicar esse teorema. Em ques-
tões de prova, veremos como faremos para contornar tal problema.
3.1. Intervalo de Confiança para a Média
Um intervalo de confiança para a média é construído a partir de uma amostra.
É sempre centrado na média obtida experimental, ou seja, na média amostral.
E sua largura depende do grau de confiança desejado, geralmente representado
por 1 – α.
Um grau de confiança de 95% significa que 95% dos intervalos de confiança cons-
truídos por meio de amostras aleatórias simples contêm o valor real do parâmetro.
Muito cuidado com essa definição.
É comum ouvirmos na televisão, por exemplo, em pesquisas eleitorais o seguinte:
“as intenções de voto de tal candidato são de 40% com margem de erro de 3 pontos
percentuais para mais ou para menos. O grau de confiança da pesquisa é de 99%.”
A tal margem de erro diz respeito ao intervalo de confiança que foi construído.
Porém, fazemos a interpretação de que existe uma probabilidade de 99% de o valor
real das intenções de voto do candidato ser de 37% a 43%. Porém, tal interpreta-
ção está errada.
Matematicamente falando, o valor real das intenções de voto de um candidato
possui um valor real exato. Portanto, não há que se falar em probabilidade de ele
estar contido em um intervalo de confiança construído, pois se trata de um evento
determinístico que ou aconteceu ou não aconteceu.
Por exemplo, se esse valor é de 35%, a probabilidade de ele estar no intervalo
de confiança construído é de 0%. Por outro lado, se o valor real é de 42%, a pro-
babilidade de estar no intervalo de confiança construído é de 100%.
ESTATÍSTICA
A interpretação correta a se fazer da margem de erro ou do intervalo de con-
fiança é de que ele é construído a partir de amostras aleatórias. Portanto, o inter-
valo de confiança em si é aleatório.
Dessa maneira, se pudéssemos fazer várias pesquisas eleitorais, em 95% delas,
o valor real do parâmetro apareceria dentro dos intervalos de confiança que seriam
construídos seguindo essa técnica.
Agora, vamos falar sobre como construir o intervalo de confiança para a média
amostral. Primeiramente, devemos considerar a variável normalizada para a média
amostral, que é:
Lembre-se de que a normalização é feita retirando-se a média e dividindo-se
pelo desvio padrão. Por isso, tivemos que tomar a raiz quadrada de .
Essa variável normalizada deve seguir uma distribuição normal padrão. Deve-
mos dividir a curva normal padrão nas seguintes regiões.
Figura 3: Estatística do Intervalo de Confiança
O intervalo de confiança para a normal padrão cobrirá de –zα a + zα. É importan-
te registrar que a estatística zα é tal que:
ESTATÍSTICA
Estatisticamente falando, devemos tomar o intervalo de confiança bilateral,
ou seja, ambos os lados da normal.
Temos que:
Como o intervalo é simétrico, podemos inverter o sinal da desigualdade.
Resumidamente, podemos escrever que o intervalo de confiança será:
Veja, portanto, o que falamos. O intervalo de confiança é construído com base
na média amostral, portanto, é feito um intervalo de confiança para cada amostra.
Como a amostra é aleatória, o intervalo de confiança também será aleatório.
Alguns deles conterão o valor real do parâmetro, outros não. O grau de confian-
ça nos diz qual é o percentual desses intervalos de confiança que conterão o valor
real parâmetro.
ESTATÍSTICA
Outro fato importante a se notar é que, do jeito que demonstramos, precisamos do
valor real do desvio padrão populacional. Na maioria das situações práticas, se deseja-
mos estimar a média populacional, é pouco provável que conheçamos o desvio padrão.
Para lidar com esse problema, existem duas possibilidades:
• Utiliza-se uma versão modificada do Teorema do Limite Central com a distri-
buição T-student.
Essa distribuição nem sempre está prevista em editais, portanto, somente será
estudada se for realmente possível de ser cobrada na sua prova.
• Faz-se a suposição de que a amostra é muito grande.
Nesse caso, pode-se aproximar o desvio padrão populacional pelo desvio padrão
amostral e também aproximar a T-student de uma distribuição normal.
Se a amostra for considerada muito grande podemos utilizar o Intervalo de Con-
fiança que propusemos nessa seção normalmente.
3.2. Estatística do Intervalo de Confiança
Como falado, a estatística do intervalo de confiança (zα) é o valor tal que:
A dica que sempre dou para os meus alunos é de sempre desenhar as probabilida-
des na hora da prova na curva normal padrão. O seu objetivo é encontrar o seguinte.
ESTATÍSTICA
Um examinador mais benevolente fornecerá para você os dados já com os mó-
dulos. Por exemplo, suponha que você deseja construir um intervalo de confiança
de 95% e o examinador lhe forneça que: . Nesse caso, o exami-
nador lhe deu a faca e o queijo na mão. Vejamos no gráfico:
Figura 4: Ilustração Bilateral da Normal Padrão destacando Z = 1,96
De acordo com os dados fornecidos, na região entre -1,96 e +1,96 temos a pro-
babilidade de 95% sobre a curva normal padrão. Sendo assim, é exatamente esse
o valor da estatística do intervalo (zα = 1,96).
Por outro lado, um examinador mais pernicioso tentará lhe confundir a respeito
da estatística de teste. Por exemplo, ele poderá te pedir um intervalo de confiança
de 99% e lhe fornecer os seguintes dados.
Nesse caso, qual dos valores deve ser utilizado para zα?
O modo mais simples de entender a estatística de teste correta a ser utilizada é
desenhando todos os valores fornecidos na normal padrão.
ESTATÍSTICA
Figura 5: Ilustração Unilateral da Normal destacando Z = 2,06; 2,34 e 2,59
Perceba, porém, que os dados fornecidos não condizem com o formato de dese-
nho que precisamos para obter a estatística do intervalo de confiança.
No entanto, podemos converter usando o fato de que a normal padrão é simé-
trica em relação à origem. Dessa forma, temos:
Figura 6: Conversão da Normal Unilateral em Bilateral
Sendo assim, do jeito que precisamos para o intervalo de confiança, devemos
escolher zα = 2,59, pois é exatamente nesse caso que temos que a região entre -zαe
+ zα possui a área de 99% da normal.
Questão 2 (FGV/ISS RECIFE/2014/ANALISTA DE CONTROLE INTERNO) Para es-
timar a proporção populacional p de eleitores favoráveis a certa candidatura, uma
amostra aleatória simples de tamanho 1.600 foi observada e mostrou 800 eleitores
favoráveis à referida candidatura. Um intervalo de 95% de confiança para p é:
ESTATÍSTICA
a) (0,4602; 0,5398)
b) (0,4555; 0,5445)
c) (0,4620; 0,5380)
d) (0,4343; 0,5657)
e) (0,4755; 0,5245)
Letra e.
O primeiro ponto a se considerar é que a questão fala sobre a proporção de eleito-
res que votam em um determinado candidato.
Votar ou não votar é uma escolha binária, portanto, trata-se de uma variável alea-
tória de Bernouilli. A estimativa da proporção de SIM é:
Além disso, o desvio padrão de uma variável de Bernouilli é dado por:
ESTATÍSTICA
Agora, vamos nos atentar à escolha correta da estatística do intervalo de confiança.
Perceba que a questão já nos forneceu |Z|, portanto, os dados fornecidos já são
bilaterais. Podemos desenhar o gráfico.
Sendo assim, a estatística a ser usada é 1,96. Agora, faremos o intervalo de confiança.
Sendo assim, o intervalo de confiança pedido abrange a seguinte faixa.
Questão 3 (FGV/SEFAZ-RJ/2009/FISCAL DE RENDAS) Para examinar a opinião
de uma população sobre uma proposta, foi montada uma pesquisa de opinião em
que foram ouvidas 1680 pessoas, das quais 51,3% se declararam favoráveis à
proposta. Os analistas responsáveis determinaram que a margem de erro desse
ESTATÍSTICA
resultado, em um determinado nível de confiança, era de 2 pontos percentuais,
para mais ou para menos.
Considerando que fosse desejada uma margem de erro de 1 ponto percentual, para
mais ou para menos, no mesmo nível de confiança, assinale a alternativa que indi-
que o número de pessoas que deveriam ser ouvidas.
a) 840
b) 2520
c) 3360
d) 5040
e) 6720
Letra e.
Prestemos atenção à expressão do intervalo de confiança.
A margem do intervalo de confiança é dada por:
Como será mantido o mesmo nível de confiança, o z utilizado será o mesmo para
as duas amostras. Sendo assim, a margem do intervalo de confiança será inversa-
mente proporcional à raiz quadrada do tamanho da amostra. Podemos escrever:
ESTATÍSTICA
Fazendo a divisão:
Questão 4 (CESPE/TCE-PA/2016) Uma amostra aleatória, com n = 16 observa-
ções independentes e identicamente distribuídas (IID), foi obtida a partir de uma
população infinita, com média e desvio padrão desconhecidos e distribuição nor-
mal. Tendo essa informação como referência inicial, julgue os seguintes itens.
Em um intervalo de 95% de confiança para a média populacional em questão, caso
se aumente o tamanho da amostra em 100 vezes (passando a 1.600 observações),
a largura total do intervalo de confiança será reduzida à metade.
Para essa amostra aleatória simples, o valor esperado da média amostral é igual à
média populacional.
Errado, Certo.
Olhando a expressão do intervalo de confiança.
Podemos ver que a largura total é inversamente proporcional à raiz quadrada do
tamanho da amostra.
ESTATÍSTICA
Sendo assim, ao aumentar o tamanho da amostra, podemos ver que:
Portanto, a largura total do intervalo de confiança se reduz a um décimo.
Além disso, o fato de que o valor esperado da média amostral é igual à média po-
pulacional é uma consequência direta do Teorema do Limite Central.
Questão 5 (CESPE/TCE-PR/2016/ANALISTA DE CONTROLE ATUARIAL) A partir
de um levantamento estatístico por amostragem aleatória simples em que se en-
trevistaram 2.400 trabalhadores, uma seguradora constatou que 60% deles acre-
ditam que poderão manter seu atual padrão de vida na aposentadoria.
Considerando que P(|Z| ≤ 3) = 0,99, em que Z representa a distribuição normal
padrão
Assinale a opção correspondente ao intervalo de 99% de confiança para o percen-
tual populacional de trabalhadores que acreditam que poderão manter seu atual
padrão de vida na aposentadoria:
a) 60% + 1,0%
b) 60% + 1,5%
c) 60% + 3,0%
d) 60% + 0,2%
e) 60% + 0,4%
ESTATÍSTICA
Letra c.
Aplicação direta da expressão do Intervalo de Confiança.
A questão fala sobre uma proporção de pessoas. Sempre que temos proporção de-
vemos nos lembrar de uma Variável de Bernouilli, cuja média foi fornecida de 60%
e a variância pode ser calculada pela expressão.
Além disso, a estatística do intervalo de confiança foi fornecida como . Portanto,
podemos escrever:
Questão 6 (FGV/ICMS-SP/2009) Em uma pesquisa de tributos de competência
estadual, em 2008, realizada com 400 recolhimentos escolhidos aleatoriamente de
uma população considerada de tamanho infinito, 80% referiam-se a determinado
imposto. Deseja-se construir um intervalo de confiança de 95,5% para a estima-
tiva dessa proporção. Considerando normal a distribuição amostral da frequência
ESTATÍSTICA
relativa dos recolhimentos desse imposto e que na distribuição normal padrão a
probabilidade P (-2 < Z < 2) = 95,5%, o intervalo é:
a) 80% + 10%
b) 80% + 8%
c) 80% + 6%
d) 80% + 4%
e) 80% + 2%
Letra d.
Mais uma vez, quando temos proporção devemos nos remeter a uma Variável de
Bernouilli, cuja média foi fornecida de 80% e cuja variância pode ser calculada:
Foi fornecido diretamente o valor de = 2. Portanto, o intervalo de confiança pode
ser determinado.
Questão 7 (CESPE/TCE-PA/2016) Se os totais de observações na amostra dos
processos de amostragem aleatória simples e de amostragem aleatória estratifica-
da forem iguais, o desvio padrão do estimador da média por amostragem aleatória
simples será menor que o por amostragem estratificada.
ESTATÍSTICA
Errado.
Os resultados da amostragem aleatória estratificada sempre serão melhores que os
resultados da amostragem aleatória simples. Resultados melhores significam um
erro padrão menor.
Questão 8 (FCC/CNMP/2015/ANALISTA DO CNMP) Uma amostra aleatória de ta-
manho 256 é extraída de uma população normalmente distribuída e considerada
de tamanho infinito. Considerando que o desvio padrão populacional é igual a 100,
determinou-se, com base na amostra, um intervalo de confiança de 86% igual a
[890,75; 909,25]. Posteriormente, uma nova amostra de tamanho 400, indepen-
dente da primeira, é extraída desta população, encontrando-se uma média amos-
tral igual a 905,00. O novo intervalo de confiança de 86% é igual a:
a) [897,60; 912,40].
b) [899,08; 910,92].
c) [901,30; 908,70].
d) [903,15; 906,85].
e) [903,30; 906,70].
Letra a.
O(a) aluno(a) deve ter em mente que o intervalo de confiança é construído a partir
de cada amostra.
Na primeira amostra, podemos escrever:
ESTATÍSTICA
A margem do intervalo de confiança corresponde à metade da largura.
Para a segunda amostra, temos a mesma população, portanto, o mesmo desvio

padrão populacional e a mesmo grau de confiança. Sendo assim, escrevemos para
o segundo intervalo de confiança:
Questão 9 (FGV/SEFAZ-RJ/2010/AFRE) Suponha que os salários dos trabalhado-

res numa certa região sejam descritos por uma variável populacional com média
desconhecida e desvio padrão igual a R$200,00. Para se garantir, com 95% de
probabilidade, que o valor da média amostral dos salários não diferirá do valor da
média populacional por mais de R$10,00, a amostra aleatória simples deverá ter
no mínimo, aproximadamente, o seguinte tamanho:
Dado: P(|Z| < 1,96) = 0,95
a) 3.568
b) 3.402
c) 2.489
d) 2.356
e) 1.537
ESTATÍSTICA
Letra e.
Ao dizer “o valor da média amostral dos salários não diferirá por mais de R$10,00”,
a questão nos pede que a margem do intervalo de confiança seja de R$10,00.
O parâmetro já foi fornecido de forma adequada para ser utilizado no intervalo
de confiança. Portanto, temos:
Como não existe uma amostra de 1.536,64 elementos, devemos ter que ela deve
possuir pelo menos 1.537 elementos.
Questão 10 (FCC/CNMP/2015/ANALISTA) Uma pesquisa é realizada em uma
grande cidade com uma amostra aleatória de 300 habitantes em que 75% deles
manifestaram-se favoráveis à implantação de um projeto para melhorar o atendi-
mento ao público de sua cidade. Com base nesta amostra, deseja-se obter um in-
tervalo de confiança de 95% para esta proporção, considerando que a distribuição
amostral da frequência relativa dos habitantes favoráveis ao projeto é normal. Uti-
lizando a informação da distribuição normal padrão (Z) que as probabilidades P(Z >
1,96) =0,025 e P(Z > 1,64) =0,050, este intervalo de confiança é, em %, igual a:
a) [71,68; 78,32]
b) [71,34; 78,66]
ESTATÍSTICA
c) [70,90; 79,10].
d) [70,40; 79,60].
e) [70,10; 79,90].
Letra e.
Como temos uma proporção de habitantes que são favoráveis a determinado proje-
to, estamos claramente falando de uma variável aleatória de Bernouilli, cuja média
foi fornecida de 75% e cuja variância podemos calcular pela expressão.
Agora, podemos calcular a expressão do erro padrão.
Por fim, precisamos da estatística de teste e precisamos pensar muito bem no va-
lor a ser utilizado. Note que foi fornecida a probabilidade unilateral. Graficamente,
podemos representar os dados do enunciado.
Note que esses dados não estão prontos para serem usados na expressão do
intervalo de confiança, pois foram fornecidos os dados unilaterais e nós precisa-
mos dos dados bilaterais. Mas, para isso, podemos fazer a conversão.
ESTATÍSTICA
Dessa maneira, devemos utilizar . Agora, apliquemos na expressão do
intervalo de confiança.
Questão 11 (FCC/TRF2/2012/ANALISTA JUDICIÁRIO) Uma pesquisa realizada
com 8.400 habitantes de uma cidade, escolhidos aleatoriamente, revelou que 70%
deles estavam satisfeitos com o desempenho do prefeito. Considere que é normal
a distribuição amostral da frequência relativa dos habitantes satisfeitos com o de-
sempenho do prefeito e que, na curva normal padrão Z, a probabilidade P(Z>1,96)
= 0,025. Considerando a cidade com uma população de tamanho infinito, o inter-
valo de confiança para esta proporção ao nível de confiança de 95%, com base no
resultado da amostra, é:
a) [65,10%; 74,90%].
b) [66,08%; 73,92%].
c) [67,06%; 72,94%].
ESTATÍSTICA
d) [68,04%; 71,96%].
e) [69,02%; 70,98%].
Letra e.
Aprovar ou não o prefeito é uma variável de Bernouilli com média de 70%. A vari-
ância dessa distribuição é:
Agora, podemos calcular o erro padrão:
A estatística do intervalo de confiança de 95% já foi fornecida de modo adequado,
o que podemos checar fazendo o gráfico.
Dessa forma, podemos calcular o intervalo de confiança pela expressão.
ESTATÍSTICA
Questão 12 (FCC/SEFAZ-PI/2015/ANALISTA DO TESOURO ESTADUAL) Para resol-
ver à questão utilize, dentre as informações dadas a seguir, as que julgar apropriadas.
Se Z tem distribuição normal padrão, então:
P(Z < 0,5) = 0,691; P(Z < 1) = 0,841; P(Z < 1,2) = 0,885; P(Z < 1,28) = 0,90.
Com o objetivo de se estimar a idade média, μ, em anos, de ingresso no primeiro
emprego formal de jovens de determinada comunidade, selecionou-se uma amos-
tra aleatória de 100 jovens da população de jovens que já haviam ingressado no
mercado de trabalho formal. Os resultados obtidos encontram-se na tabela de dis-
tribuição de frequências apresentada a seguir:
Considere:
I – Que a população de onde a amostra foi retirada é infinita e tem distribuição
normal com desvio padrão igual a 1 ano.
II – Para a estimativa pontual de µ a média aritmética das 100 idades apre-
sentadas, calculada considerando que todos os valores incluídos num in-
tervalo de classe são coincidentes com o ponto médio do intervalo.
Nessas condições, o intervalo de confiança para µ, em anos, com coeficiente
de confiança igual a 77%, baseado nessa amostra, é dado por:
ESTATÍSTICA
a) (22,38; 22,62)
b) (20,40; 22,60)
c) (21,95; 22,85)
d) (22,35; 22,65)
e) (20,30; 22,70)
Letra a.
O primeiro passo nesta questão é calcular a média amostral:
Classe Ponto Médio Frequência Relativa

18 a 20 19 0,10
20 a 22 21 0,30
22 a 24 23 0,35
24 a 26 25 0,25
Calculada a média amostral e de posse do desvio padrão populacional, precisamos
apenas da estatística do intervalo de confiança. Para isso, devemos prestar atenção
aos dados fornecidos pelo enunciado.
Após escolhido o valor correto da estatística do intervalo de confiança, basta
fazermos as contas.
ESTATÍSTICA
4. Estimativa de Máxima Verossimilhança

O estimador de máxima verossimilhança toma a amostra obtida como sendo
a mais provável de se obter a partir da população original. Em outras palavras,
o estimador toma a amostra obtida como representativa da população.
Se desejamos obter a média e a variância populacional a partir de uma amostra,
o estimador de máxima verossimilhança tomará os valores de e que melhor
expliquem aquela amostra.
Existem várias técnicas para obter tal estimativa, porém, em provas de con-
cursos, o mais comum é simplesmente tomar a média populacional como o valor
calculado para a média amostral.
Caso seja fornecida uma distribuição conhecida – o que é o caso, na maioria
das questões –, você utilizará as expressões daquela distribuição para o cálculo da
variância com base na média.
É importante citar que, como a amostra é considerada como representativa da
população como um todo, não é feito nenhum ajuste para o cálculo da variância
amostral. Sendo assim, não é utilizado aquele famoso N-1 no denominador.
ESTATÍSTICA
Deve-se utilizar as mesmas expressões para o cálculo da variância populacional,
sem fazer nenhum ajuste. Porém, o estimador não viesado para a variância popu-
lacional possui N-1 no denominador, e não N.
Portanto, o estimador de máxima verossimilhança para a variância é vie-
sado. Em outras palavras, ele não tende para o real valor do parâmetro variância,
mas sim para um valor ligeiramente diferente.
Questão 13 (CESPE/TCU/2015/AUDITOR FEDERAL DE CONTROLE EXTERNO)
Considerando que uma amostra aleatória simples X1, X2, X3, X4 tenha sido retirada de
uma distribuição X cuja função de probabilidade é definida como ,
em que 0 ≤ p ≤ 1, k {0, 1, 2,..., 10}, sendo p o parâmetro desconhecido, e que
os valores observados na amostra tenham sido 0, 4, 6 e 2, julgue o item a seguir.
A estimativa de máxima verossimilhança para a variância populacional é igual a 2,1.
Certo.
Primeiramente, faremos a estimativa da média populacional.
Agora, notemos que a distribuição fornecida é a conhecida distribuição binominal.
Sendo assim, podemos calcular a estimativa da variância por.
ESTATÍSTICA
O parâmetro p, por sua vez, pode ser calculado a partir da média estimada.
Agora, basta aplicar na expressão da variância.
Questão 14 (CESPE/TCE-PA/2016/AUDITOR DE CONTROLE EXTERNO) Conside-
re um processo de amostragem de uma população finita cuja variável de interesse
seja binária e assuma valor 0 ou 1, sendo a proporção de indivíduos com valor 1
igual a p = 0,3. Considere, ainda, que a probabilidade de cada indivíduo ser sortea-
do seja a mesma para todos os indivíduos da amostragem e que, após cada sorteio,
haja reposição do indivíduo selecionado na amostragem.
A partir dessas informações, julgue o item subsequente.
Caso, em uma amostra de tamanho n = 10, os valores observados sejam A = {1, 0,
1, 0, 1, 0, 0, 1, 0, 0}, a estimativa via estimador de máxima verossimilhança para
a média populacional será igual a 0,4.
Certo.
A estimativa de máxima verossimilhança toma a amostra obtida como representa-
tiva da população original
ESTATÍSTICA
Questão 15 (CESPE/TCE-PA/2016/AUDITOR DE CONTROLE EXTERNO) Uma
amostra aleatória, com n = 16 observações independentes e identicamente dis-
tribuídas (IID), foi obtida a partir de uma população infinita, com média e desvio
padrão desconhecidos e distribuição normal.
Se a média amostral for igual a 3,2 e a variância amostral, igual a 4,0, o estimador
de máxima verossimilhança para a média populacional será igual a 1,6.
Errado.
Se a média amostral for igual a 3,2, então a estimativa de máxima verossimilhança
para a média populacional também deverá ser igual a 3,2.
Questão 16 (CESPE/TCE-PA/2016/AUDITOR DE CONTROLE EXTERNO) Caso,
em uma amostra aleatória de tamanho n = 4, os valores amostrados sejam A =
{2, 3, 0, 1}, a estimativa de máxima verossimilhança para a variância populacional
será igual a 5/3.
Errado.
Na estimativa de máxima verossimilhança não é feita nenhuma correção de ajuste.
ESTATÍSTICA
Questão 17 (CESPE/EBSERH/2018/ANALISTA ADMINISTRATIVO) X1, X2,..., X10 re-
presenta uma amostra aleatória simples retirada de uma distribuição normal com
média µ e variância σ2 , ambas desconhecidas. Considerando que representam os
respectivos estimadores de máxima verossimilhança desses parâmetros populacio-
nais, julgue os itens subsecutivos.
é um estimador viciado (ou tendencioso) para a variância populacional, pois
O estimador de máxima verossimilhança para a função de densidade da distribui-
ção normal em questão é , para qualquer valor real x.
Certo, Certo.
De fato, o estimador de máxima verossimilhança para a variância é tendencioso
ou viesado.
E, de fato, basta aplicar essa estimativa na expressão da normal para obter uma es-
timativa de máxima verossimilhança para a função de densidade de probabilidade.
5. Distribuição T-Student
O Teorema do Limite Central é um dos pilares centrais da Estatística. Porém, ele
tem o grave problema de requerer o conhecimento do desvio padrão populacional,
o que, em termos práticos, não é viável, pois, se queremos estimar a média popu-
lacional, é bem provável que desconheçamos a variância.
Porém, é possível utilizar uma ligeira adaptação do intervalo de confiança para
utilizá-lo com o desvio padrão amostral.
Utilizaremos a seguinte aproximação.
ESTATÍSTICA
É interessante reparar as diferenças desse teorema em relação ao Teorema do
Limite Central. Em primeiro lugar, estamos utilizando o valor estimado para o des-
vio padrão populacional, que será o próprio desvio padrão amostral. Em segundo
lugar, estamos utilizando a distribuição T-student com n-1 graus de liberdade.
Por ora, você não precisará saber o que são os graus de liberdade da T-student.
Porém, é interessante saber que, quanto maior o número de graus de liberdade,
mais ela se aproximará da curva normal.
Feito isso, faremos o mesmo procedimento que já fazíamos para construir o in-
tervalo de confiança. Apenas trocaremos o zα pelo tα.
ESTATÍSTICA
Figura 7: Comparação entre T-Student de vários graus de liberdade e a Normal
Acima de 30 graus de liberdade, já temos que a T-student é muito próxima da
normal. Como vimos, o número de graus de liberdade a ser utilizado é n-1 em que
n é o tamanho da amostra.
Sendo assim, para amostras superiores a 31 unidades, já poderíamos substituí-
-la pela normal.
Questão 18 (CESGRANRIO/TRANSPETRO/2011/TÉCNICO QUÍMICO) Os resul-
tados de medição de Hg em quatro alíquotas de uma amostra de solo coletada
ESTATÍSTICA
numa região específica de um garimpo foram: 44,0; 54,0; 52,0; 50,0 e 48,0 mg/
kg, com desvio padrão do conjunto igual a 3,8 mg/kg.
Considerando a distribuição t-student (cujo valor de parâmetro t é igual a 2,8 para
graus de liberdade igual a 4 e 95% de limite de confiança) a concentração de Hg,
em mg/kg, está compreendida entre:
a) 44,8 e 54,4
b) 44,3 e 49,6
c) 45,8 e 53,4
d) 46,8 e 52,4
e) 49,6 e 54,9
Letra a.
Como a amostra tem 5 elementos e o desvio padrão populacional é desconhecido,
devemos, de fato, utilizar a T-student com 4 graus de liberdade.
No mais, todos os dados foram fornecidos. Basta construir o intervalo de confiança.
A média amostral pode:
ESTATÍSTICA
Questão 19 (FCC/CNMP/2015/ANALISTA DO CNMP) Um intervalo de confiança
de 95% para a média μ de uma população normal de tamanho infinito e variância
desconhecida foi construído com base em uma amostra aleatória de tamanho 16 e
com a utilização da distribuição t de Student. Considere t0,025 o quantil da distri-
buição t de Student para o teste unicaudal tal que a probabilidade P(t > t0,025 )
=0,025, com n graus de liberdade.
Se a variância amostral foi igual a 4,84, então a amplitude do intervalo é
igual a:
a) 2,332
b) 2,338
c) 2,343
d) 2,340
e) 2,354
Letra c.
A expressão “população de variância desconhecida” é chave para compreender que
precisamos de um teste de t-Student.
ESTATÍSTICA
Como a amostra é de tamanho 16, precisamos escolher a T-Student com 15 graus
de liberdade.
Feito isso, vamos calcular o desvio padrão amostral.
Agora, basta aplicar a expressão da amplitude (ou largura total) do intervalo de
confiança.
Questão 20 (FGV/SEFAZ-RJ/2009/AGENTE FISCAL DE RENDAS) Uma empresa
afirma que os pacotes de bala que ela produz pesam em média 25g. Para testar
essa hipótese, foram selecionados ao acaso 16 pacotes produzidos pela empresa,
registrados seus pesos e calculadas as estatísticas
O valor da estatística t (a ser comparado com o ponto desejado da distribuição t de
Student) para o teste é:
a) -0,8.
b) -1,2.
c) -2,0.
d) -2,5.
e) -3,2.
ESTATÍSTICA
Letra d.
A estatística T-Student é dada por:
A média amostral é dada por:
Por outro lado, a variância populacional associada a essa amostra pode ser calcu-
lada pela expressão:
Como temos uma amostra, a variância amostral deve ser calculada aplicando-se o
fator de correção:
Então, finalmente, podemos obter a estatística T.
ESTATÍSTICA
6. Testes de Hipóteses
O teste de hipóteses, também denominado testes estatístico ou teste de signi-
ficância, é o procedimento estatístico que permite tomar a decisão de rejeitar ou
não uma hipótese inicial, denominada hipótese nula (H0).
Tomemos como exemplo que você seja um auditor-fiscal que está avaliando o
teor de nicotina em um carregamento de cigarros.
A empresa fabricante alega que o teor médio de nicotina de seus cigarros é de
1%, o que a enquadraria em uma certa faixa de tributação. No entanto, você iden-
tificou um carregamento de 100 pacotes de cigarro com um teor médio de 1,10%
de nicotina.
Porém, a empresa alegou que havia, também, um desvio padrão de 0,5% no
teor de nicotina dos cigarros. Sendo assim, haveria uma probabilidade de que
realmente fosse comprado um lote de 100 unidades com uma média de 1,10%
de nicotina.
Diante dessa discussão, o primeiro ponto que é natural questionar é: qual a pro-
babilidade de realmente uma amostra de 100 unidades de cigarros apresentar uma
média igual ou superior a 1,10%, considerando válidas as afirmações do fabricante?
Este questionamento decorre do fato de que, caso essa probabilidade seja real-
mente considerável, o auditor-fiscal poderia pedir um novo exame para confirmar se
realmente foi somente o fator aleatoriedade que influenciou no teor médio medido.
Por outro lado, se essa probabilidade for bastante pequena é possível que tenha
realmente havido fraude em relação ao teor de nicotina na amostra de cigarros.
É exatamente isso que se chama de Valor-P.
Antes de aprendermos a calcular o Valor-P, vamos solidificar dois conceitos im-
portantes sobre o teste de hipótese:
ESTATÍSTICA
• Hipótese Nula: é a hipótese que se deseja testar;
• Hipótese Alternativa: é a hipótese que será adotada, caso a hipótese nula
seja considerada rejeitada pelo teste.
Na situação-problema, tem-se:
(defendida pela fabricante de cigarros).
(tese do fisco que modifica a faixa de tributação).
6.1. Tipos de Testes
O teste é classificado de acordo com a hipótese alternativa em testes bilate-
rais ou unilaterais à esquerda ou à direita.
Vejamos alguns exemplos de hipóteses e a classificação do respectivo teste a
ela associado.
Tabela 1: Classificações dos Testes de Hipóteses
H0 H1 Classificação
Bilateral
Bilateral
Unilateral à esquerda
Unilateral à direita
ESTATÍSTICA
Sendo assim, não se esqueça de que os testes de hipóteses são classificados
segundo a hipótese alternativa, não pela hipótese nula.
6.2. Valor -P
O valor-P corresponde à probabilidade de se obter uma amostra de um determi-
nado patamar ou mais afastado da média, considerando válida a hipótese nula.
Nesse caso, é a probabilidade de produzir uma amostra de 100 unidades com
um teor médio igual ou superior a 1,10%.
Dado: P (Z < 2) = 0,977
Para calcular essa probabilidade, devemos recorrer ao Teorema do Limite Cen-
tral ou, pelo menos, a uma de suas consequências mais importantes: a normaliza-
ção da média amostral.
Aplicando essa transformação, temos:
Dessa maneira, temos que:
Como Z é uma variável normal padrão, essa probabilidade está tabelada e, in-
clusive, costuma ser fornecida em questões de prova. Basta desenharmos a normal.
ESTATÍSTICA
Dessa maneira, temos que:
6.3. Nível de Significância
O nível de significância corresponde à probabilidade de rejeitar a hipótese
nula, sendo ela verdadeira.
Sendo assim, trata-se de uma restrição ao teste. Quanto maior for o nível de
significância, dificilmente a hipótese nula será mantida.
É importante entender que o nível de significância cria uma zona de rejei-
ção na curva normal padrão. Caso o valor-P associado à sua amostra esteja intei-
ramente dentro dessa zona de rejeição, a hipótese nula será rejeitada.
Caso o valor-P não esteja inteiramente dentro da zona de rejeição, a hipótese
nula não será rejeitada. Alguns estatísticos e algumas questões de prova dizem
que a hipótese nula é aceita, porém, em termos científicos, é mais rigoroso di-
zer que ela não foi rejeitada, tendo em vista que ela ainda poderá ser contestada
mais adiante.
ESTATÍSTICA
Por exemplo, vejamos o que acontece para os níveis de significância de 2%
e 5% na situação-problema apresentada que trata um teste unilateral à direita.
Note que o valor-P associado à situação-problema é de 2,3% que está marcado
em P(Z > 2) = 0,023. Na Figura 10 esse valor foi apresentado em verde.
Figura 10: Regiões de Rejeição para a Hipótese Nula a Diferentes Níveis de Significância
Sendo assim, temos a seguinte regra para testes unilaterais:

Tabela 2: Regra de Decisão para Testes Unilaterais
Rejeita a Hipótese Nula
Não rejeita a Hipótese Nula
É raro, porém, em algumas questões, pode ser cobrado o teste de hipóteses
bilateral. Nesse caso, teríamos:
ESTATÍSTICA
Figura 11: Zonas de Rejeição para o Teste de Hipóteses Bilateral
Perceba que, neste caso, a zona de rejeição criada pelo nível de significância
de 5% abrange uma área de 2,5% de cada lado da normal. O valor-P de 2,3%
continua inteiramente contido nessa região, por isso, continuamos rejeitando a
hipótese nula.
Analogamente, a zona de rejeição para o nível de significância de 2% abrange
uma área de 1% de cada lado da normal. Sendo assim, dividimos em duas partes
o nível de significância para o caso de testes bilaterais. Nossa regra de decisão
fica como descrito na Tabela 3.

Tabela 3: Regra de Decisão para Testes Bilaterais
Rejeita a Hipótese Nula
Não rejeita a Hipótese Nula
6.4. Tipos de Erros
Em relação à hipótese nula, tem-se duas possibilidades: ela pode ser falsa ou
verdadeira. Podemos, portanto, cometer dois tipos de erros:
ESTATÍSTICA
Erro do Tipo I : é a possibilidade de rejeitar a hipótese nula, quando ela é
verdadeira. Corresponde ao nível de significância do teste.
Erro do Tipo II : é a possibilidade de não rejeitar (ou aceitar) a hipótese
nula, quando ela é falsa.
De maneira geral, é muito difícil medir exatamente a probabilidade de erro do
tipo II. É pouco provável que tal conta seja cobrada em questões de prova.
Além disso, precisamos entender que, em regra, o erro do tipo I é muito mais
perigoso do que o erro do tipo II.
Vejamos o caso da situação-problema apresentado. Caso a hipótese nula (a
alegação da empresa) seja rejeitada, ela será processada e forçada a pagar uma
multa que provavelmente não será leve.
O transtorno para a empresa será grande e ela poderá ter sérios prejuízos.
Imagina ela passar por esse tipo de situação sendo inocente e todas as consequ-
ências negativas só terem acontecido por uma simples questão de probabilidade
e estatística.
Por outro lado, caso a hipótese nula seja mantida, mesmo com a companhia
realmente mentindo, o auditor-fiscal não conseguirá interceptar a sua primeira
amostra agora. Porém, ele poderá continuar monitorando a empresa e ele ainda
poderá detectar que realmente o nível de nicotina está acima de 1% (hipótese nula
falsa) em outro teste.
Como no Direito, vigora o princípio de que somos inocentes até que se prove
o contrário, a probabilidade de ocorrência de erro do tipo I (nível de significância)
realmente deve ser minimizada.
ESTATÍSTICA
É impossível realmente zerar essa probabilidade, pois, nesse caso, o teste de
hipóteses não seria capaz de detectar nenhum tipo de distorção. Porém, não pode-
mos nos sentir confortáveis trabalhando com níveis de significância muito elevados.
Por fim, temos outro conceito interessante a ser apresentado.
Potência do Teste : é a probabilidade de detectar erros. Ou seja, de rejeitar
a hipótese nula quando ela é falsa.
Uma interessante relação que já podemos extrair envolve a potência do teste e
o erro do tipo II.
Acredito que essa relação é a chave de uma boa decoreba. Infelizmente, é mui-
to comum que as questões de prova brinquem com o(a) aluno(a) perguntando a
diferença entre os erros do tipo I e II.
Isso acontece porque as pessoas realmente esquecem e se confundem a respei-
to desses dois tipos de erros.
O que eu recomendo para que você nunca esqueça a diferença entre os erros do
tipo I e II é memorizar o conceito de potência.
Ora, o que é o poder de um teste? Um teste serve para detectar erros. Portanto,
a potência só pode ser a probabilidade de rejeitar o que é falso. Ou seja, a potência
do teste é a probabilidade de rejeitar a hipótese nula quando ela é falsa.
A seguir, lembre-se da fórmula . Sendo assim, a potência é comple-
mentar ao erro do tipo II . Quando a hipótese nula é falsa, ela pode ser rejeitada
(potência) ou pode ser aceita (erro do tipo II).
Figura 12: Quadro de Possibilidade para a Hipótese Nula Falsa
ESTATÍSTICA
Sendo assim, temos o seguinte quadro de possibilidades para o resultado do
teste. Convém lembrar que não temos nenhum nome específico para a probabilida-
de de aceitar a hipótese nula quando ela é verdadeira.
Questão 21 (FCC/CNMP/2015/ANALISTA DO CNMP) Com relação a testes de hi-
póteses estatísticas e denominando H0 como sendo a hipótese nula e H1 a hipótese
alternativa, a definição de potência de um teste corresponde à probabilidade de:
a) não rejeitar H0, quando H0 é verdadeira.
b) não rejeitar H0, quando H0 é falsa.
c) não rejeitar H0, independentemente de H0 ser falsa ou verdadeira.
d) rejeitar H0, quando H0 é verdadeira.
e) rejeitar H0, quando H0 é falsa.
Letra d.
A potência do teste corresponde à sua capacidade de detectar erros, portanto, é a
probabilidade de rejeitar a hipótese nula quando ela é falsa.
ESTATÍSTICA
Questão 22 (FGV/SUSAM/2017/ECONOMISTA) Suponha que um suspeito esteja
sendo julgado por um crime. O julgamento é feito sempre partindo da hipótese de
que o suspeito é inocente. Um erro do tipo I ocorrerá quando:
a) o suspeito for condenado pelo crime, apesar de ser inocente.
b) o suspeito for absolvido da acusação e, de fato, ser inocente.
c) o suspeito for absolvido da acusação, apesar de ser culpado.
d) o suspeito for condenado pelo crime e, de fato, ser culpado.
e) o suspeito for condenado pelo crime independentemente dele ser ou não culpado.
Letra a.
A meu ver, a forma mais fácil de não se confundir entre o erro do tipo I e o erro do
tipo II é ter em mente o conceito de potência: é a capacidade de detectar erros, ou
seja, de rejeitar a hipótese nula quando ela é falsa.
Então, lembre-se da fórmula:
Sendo assim, o erro do tipo II (beta) é relacionado à potência. Quando a hipótese
nula é falsa, ela pode ser rejeitada (potência) ou aceita (erro do tipo II).
O erro do tipo I só pode ser o contrário: a probabilidade de rejeitar a hipótese nula
(condenar o suspeito) quando ela é verdadeira (ele é inocente).
ESTATÍSTICA
Questão 23 (FGV/DPE-RJ/2014/TÉCNICO SUPERIOR ESPECIALIZADO) Para
testar a renda média dos cidadãos efetivamente atendidos pela Defensoria Pública
do Estado foi realizado um levantamento a partir dos registros já existentes, que
geraram uma amostra aleatória de tamanho n=100, para a qual foi calculada a mé-
dia amostral igual a R$ 920,00 por mês. Deseja-se demonstrar, cabalmente, que,
em média, os beneficiários ganham mais do que R$ 1.000 por mês. Além disso,
o desvio padrão populacional é conhecido, sendo igual a 500. Portanto, se Ø (-2,00)
= 2,28 % e Ø (-1,50) = 6,68 %, onde Ø (, ) é a distribuição acumulada da Normal
Padrão. Então, neste caso, a hipótese nula seria:
a) rejeitada ao nível de 2,28% e não rejeitada com significância de 6,68%.
b) não rejeitada ao nível de 2,28% e rejeitada com significância de 6,68%.
c) rejeitada tanto com 97,72% quanto com 93,32% de grau de confiança.
d) rejeitada ao nível de significância de 1,14% e 3,34%, bilateral.
e) não rejeitada tanto ao nível de significância 2,28% quanto de 6,68%.
Letra b.
Tomemos a variável normalizada.
Podemos colocar essa estatística de teste em comparação aos dois níveis de signi-
ficância fornecidos.
ESTATÍSTICA
Perceba que para a estatística de -1,5, que corresponde ao nível de significân-
cia de 6,68%, o valor-P está inteiramente contido na zona de rejeição, portanto,
a hipótese nula será rejeitada.
Por outro lado, para a estatística de -2, que corresponde ao nível de significância
de 2,28%, o valor-P não está inteiramente contido na zona de rejeição, portanto,
a hipótese nula não será rejeitada.
Questão 24 (FCC/SEFAZ-SP/2009/AGENTE FISCAL DE RENDAS) O gerente de
uma indústria de determinado componente eletrônico garante que a vida média do
produto fabricado é igual a 100 horas. Um comprador desta indústria decide testar
a afirmação do gerente e faz um teste estatístico formulando as hipóteses e
, sendo que H0 é a hipótese nula, H1 é a hipótese alternativa e é a média da
população considerada de tamanho infinito com uma distribuição normal. O desvio
padrão populacional é igual a 10 horas e utilizou-se a informação da distribuição
normal padrão (Z), segundo a qual a probabilidade P(Z > 1,64) = 5%. H0 foi re-
jeitada com base em uma amostra aleatória de 64 componentes em um nível de
significância de 5%. Então, o valor da média amostral foi, em horas, no máximo,
a) 94,75
b) 95,00
c) 96,00
ESTATÍSTICA
d) 96,50
e) 97,95
Letra e.
Como a amostra foi rejeitada, temos que o valor-P está inteiramente dentro do ní-
vel de significância.
Como se trata de um teste unilateral à esquerda, temos que a estatística de
teste está à esquerda da origem (negativa).
Precisamos, portanto, que o valor-P seja inferior a 5% para que ele esteja in-
teiramente contido na região de rejeição desse nível de significância. Sendo as-
sim, o limite acontece exatamente na estatística de teste normalizada Z = -1,64,
pois, nesse caso, teremos P (Z < -1,64) = 0,05.
ESTATÍSTICA
Questão 25 (FEPESE/ISS CRICIÚMA/2017/AFTM) Em duas pesquisas indepen-
dentes sobre educação em um município foram selecionados aleatoriamente alunos
de quinto ano do ensino fundamental de todas escolas do município para realiza-
rem provas de sondagem (as provas são idênticas nas duas pesquisas). A média
aritmética simples das notas obtidas pelos alunos que realizaram a prova de uma
pesquisa foi 6,6, enquanto que a média aritmética simples das notas obtidas pelos
alunos que realizaram a prova da outra pesquisa foi 5,4.
O seguinte teste de hipótese foi desenhado:
Hipótese H0: A média da população é igual a 6,6.
Hipótese H1: A média da população é igual a 5,4.
Serão aleatoriamente selecionadas 10 provas e calculada a média X dessas 10 provas.
Se X > 6 será aceita a hipótese H0, caso contrário, será rejeitada a hipótese H0.
Foi calculado que a probabilidade de se cometer o ERRO DE TIPO I é de 5,3%,
e que a probabilidade de se cometer o ERRO DE TIPO II é de 4,3%.
Ao realizar o teste de hipóteses acima, se encontrou X = 6,2. Analise a frase abaixo
a respeito do experimento e do teste de hipóteses:
Devemos …………………… que a média da população é 6,6, mas temos ……… de pro-
babilidade de estarmos …………………… .
ESTATÍSTICA
Assinale a alternativa que completa corretamente as lacunas do texto.
a) rejeitar • 4,3% • corretos
b) rejeitar • 4,3% • errados
c) aceitar • 4,3% • corretos
d) aceitar • 4,3% • errados
e) aceitar • 5,3% • errados
Letra d.
Como X = 6,2 > 6,0, concluímos que devemos aceitar (ou não rejeitar) a hipóte-
se nula.
A probabilidade de aceitar a hipótese nula estando ela errada corresponde ao erro
do tipo II. Portanto, existe a probabilidade de 4,3% de termos cometido um erro.
Questão 26 (FCC/CNMP/2015/ANALISTA DO CNMP) A probabilidade de sucesso
em um experimento é igual a p. Sejam as hipóteses H0 : p = 2/3 (hipótese nula) e
H1: p = 1/2 (hipótese alternativa). Estabelece-se que H 0 é aceita se e somente se,
pelo menos, 2 sucessos forem obtidos em 3 vezes em que o experimento é execu-
tado. A probabilidade de H0 ser rejeitada, dado que H0 é verdadeira, é
a) 3/8
b) 2/3
c) 20/27
d) 5/9
e) 7/27
ESTATÍSTICA
Letra d.
A questão pediu o cálculo do nível de significância associado ao teste. Para que a
hipótese nula seja rejeitada, é preciso que seja obtido 0 ou 1 sucesso apenas.
Devemos calcular essa probabilidade, partindo do princípio de que H0 : p = 2/3 é
verdadeira.
O número de sucesso de uma variável de Bernouilli é dada por uma Binomial, por-
tanto, podemos escrever.
Questão 27 (FUNRIO/SESAU-RO/2017/ESTATÍSTICO) Para testar a hipótese
nula H0: p ≤ 0,5 contra H1: p > 0,5, em que p representa a porcentagem de pes-
soas favoráveis a certa proposta governamental será ouvida uma amostra aleatória
simples de 100 pessoas e usado o critério de decisão que rejeitará a hipótese nula
se o número de pessoas favoráveis na amostra for maior ou igual a 60. A probabi-
lidade de se cometer erro tipo I com esse critério é aproximadamente igual a:
a) 1,0%
b) 2,3%
c) 5,0%
d) 7,4%
e) 10,0%
Dado: P(Z < 2) = 0,977
ESTATÍSTICA
Letra b.
O erro do tipo I consiste em rejeitar a hipótese nula quando ela é verdadeira. Ou
seja, consiste em obter uma amostra com número maior ou igual a 60 de pessoas
favoráveis na amostra.
Sendo assim, precisamos calcular:
Como X é uma variável binomial, seria muito difícil calcular a probabilidade asso-
ciada a todos os números maiores ou iguais a 60. Teríamos que calcular para 60,
61, 62, 63, …, 100.
O modo mais fácil de calcular uma probabilidade de intervalos na binomial é utilizar
a aproximação pela normal. Para isso, precisamos tomar uma normal que possui a
mesma média e variância da binomial em questão.
Podemos, então, tomar a normalização:
Portanto, a probabilidade pode ser aproximada por uma normal:
ESTATÍSTICA
Como foi fornecido que P(Z < 2) = 0,977, temos que P (Z > 2) = 0,023 = 2,3%.
Questão 28 (INÉDITA/2018) Para entrar numa faixa de tributação menor, um fa-
bricante de cigarros alegou que produzia cigarros com teor de nicotina de média
1% com desvio padrão de 0,2%. Foi encontrado um carregamento de 100 pacotes
com um teor médio de nicotina de 1,05%. Considerando que a hipótese nula do
teste é e a hipótese alternativa é e um nível de significân-
cia para o teste de 1%, é correto afirmar que o valor-P da amostra será:
Dado:
a) Superior a 1%, portanto a hipótese nula deverá ser rejeitada.
b) Superior a 1%, portanto a hipótese nula não poderá ser rejeitada.
c) Inferior a 1%, portanto a hipótese nula deverá ser rejeitada.
d) Inferior a 1%, portanto a hipótese nula não poderá ser rejeitada.
e) Igual a 1%, portanto deverá ser coletada uma nova amostra.
A respeito dessa situação, pode-se afirmar que:
a) O Auditor-Fiscal realizou um teste unilateral à esquerda.
b) O nível de significância corresponde à probabilidade de rejeitar a hipótese nula,
dado que ela é verdadeira.
c) O poder do teste corresponde à probabilidade de aceitar a hipótese nula, dado
que ela é verdadeira.
d) Quanto maior o tamanho da amostra, é mais provável que a sua média seja
distante da média populacional.
e) O Auditor-Fiscal realizou um teste bilateral.
ESTATÍSTICA
Letra c, letra b.
A hipótese alternativa está à direita da hipótese nula, portanto, o teste é unilateral
à direita. Logo, as letras “a” e “e” estão erradas.
O nível de significância, de fato, corresponde à probabilidade de rejeitar a hipótese
nula quando ela é verdadeira. Já temos o gabarito, letra “b”.
A potência ou poder do teste é a sua capacidade de detectar erros. Ou seja, rejeitar
a hipótese nula quando ela é falsa.
Pelas leis dos grandes números, quanto maior o tamanho da amostra, é mais pro-
vável que sua média esteja próxima da média populacional.
Agora, vamos proceder à normalização da variável.
Sendo assim, o valor-P da amostra será:
Como a probabilidade encontrada é inferior a 1%, temos que a hipótese nula deve
ser rejeitada, porque é inferior ao nível de significância.
Questão 29 (CESPE/TCE-PR/2016/ANALISTA DE CONTROLE ATUARIAL) Por
meio de uma pesquisa, estimou-se que, em uma população, o percentual p de
ESTATÍSTICA
famílias endividadas era de 57%. Esse resultado foi observado com base em uma
amostra aleatória simples de 600 famílias.
Nessa situação, considerando a hipótese nula H0 : p ≥ 60%,a hipótese alternati-
va H1 : p < 60% e P(Z ≤ 2) = 0,977, em que Z representa a distribuição normal
padrão, bem como sabendo que o teste se baseia na aproximação normal, assinale
a opção correta a respeito desse teste de hipóteses.
a) O erro do tipo II representa a probabilidade de se rejeitar a hipótese nula, uma
vez que, na realidade, p = 60%.
b) Com nível de significância α = 2,3%, a regra de decisão do teste é rejeitar a hipó-
tese nula caso o percentual de famílias endividadas na amostra seja inferior a 56%.
c) Trata-se de um teste unilateral à direita.
d) A estatística do teste foi igual ou superior a 1.
e) A hipótese nula deve ser rejeitada caso a probabilidade de ocorrência de erro do
tipo I seja igual ou inferior a 0,01.
Letra b.
O erro do tipo II representa a probabilidade de aceitar a hipótese nula quando ela
é falsa. Portanto, a letra “a” está errada.
O teste é unilateral à esquerda, pois a hipótese alternativa está à esquerda da hi-
pótese nula.
No teste em apreço, tivemos a renda média da família de 57%, portanto, podemos
calcular a estatística do teste por:
ESTATÍSTICA
O desvio padrão populacional pode ser calculado lembrando-nos que, como es-
tamos falando de proporção, podemos calcular pela expressão das variáveis de
Bernouilli:
Agora, vamos à estatística de teste. Vamos calcular o denominador antes para
facilitar:
Sendo assim, a estatística de teste foi de -1,5, portanto, foi negativa, logo inferior
a 1. Portanto, a letra “d” está errada.
Por fim, vamos testar a região de rejeição ao nível de significância de 0,023 (2,3%).
Como foi fornecido que P(Z < 2) = 0,977, podemos desenhar as seguintes regiões.
Como o teste é unilateral à esquerda, estamos de olho em Z = -2.
ESTATÍSTICA
Sendo assim, a média amostral de 56% é, de fato, o limite para a rejeição da hi-
pótese nula.
Questão 30 (FGV/TCM-SP/2015/AGENTE DA FISCALIZAÇÃO) Em termos ideais,
a legislação municipal recomenda que os gastos com despesas de merenda escolar,
na rede de ensino fundamental, sejam de, pelo menos, R$80 em média, por aluno,
por mês. Através de uma amostra de dezesseis escolas foi calculada a média de
R$74, sendo a variância populacional conhecida igual a 144. São fornecidos tam-
bém os valores da distribuição normal padrão e suas respectivas probabilidades.
Assim sendo, na tentativa de demonstrar que aquela recomendação não está
sendo respeitada, é proposto, pelo TCM/SP, um teste de hipótese sobre o qual é
correto afirmar que:
ESTATÍSTICA
O conjunto de hipóteses deve ser H_0:μ≤80 contra H_1:μ>80
Ao nível de significância de 5%, a hipótese nula ideal será rejeitada.
O p-valor associado ao conjunto adequado de hipóteses é de 2%
O conjunto de hipóteses deve ser H_0:μ≥74 contra H_1:μ<74
A probabilidade de que o erro do tipo II seja cometido é de 15%.
Letra b.
A hipótese nula registrada no enunciado é de que os gastos fosse igual ou superior
a 80. Portanto, a letra “a” está errada.
Ao nível de significância de 5%, temos que ficar de olho para os dados que foram
fornecidos, que foram em termos de |Z|. É preciso, portanto, tratar os dados que
foram fornecidos.
Como estamos lidando com um teste unilateral à esquerda, podemos calcular a
estatística de teste. Antes disso, obteremos o desvio padrão populacional como a
raiz quadrada da variância.
ESTATÍSTICA
Como a estatística encontrada está mais distante da origem do que o limite de
-1,64, temos que, ao nível de significância de 5%, a hipótese nula será rejeitada.
Questão 31 (CESPE/TCE-PE/2017/ANALISTA DE CONTROLE EXTERNO) Para
avaliar se a proporção p de itens defeituosos enviados por um fornecedor estava
acima do valor pactuado de 0,025, um analista, a partir de uma amostra aleatória
de itens enviada por esse fornecedor, testou a hipótese nula contra a
hipótese , utilizando nível de significância .
A respeito dessa situação hipotética, julgue os seguintes itens.
O nível de significância representa a probabilidade de se aceitar a hipótese
quando, na verdade, a proporção p for superior a 0,025.
Caso o P-valor do teste efetuado pelo analista seja igual a 0,005, é correto concluir
que a afirmação proposta na hipótese nula seja verdadeira.
Errado, Errado.
O nível de significância é a probabilidade de erro do tipo I, ou seja, é a probabilida-
de de rejeitar a hipótese nula quando ela é verdadeira.
Quando o P-valor do teste é inferior ao nível de significância, a hipótese nula deve
ser rejeitada.
ESTATÍSTICA
7. Testes de Hipóteses Específicos

Nessa seção, vamos estudar as distribuições qui-quadrado e a F de Snedecor.
São duas distribuições que são raramente cobradas em provas.
Quando aparecem o enunciado costuma perguntar somente a literalidade das
definições ou um artifício rápido para o cálculo das estatísticas de testes.
Elas são realmente duas distribuições muito complicadas. Porém, você não vai
fazer nenhum curso de Estatística. Então, o que resta para você é uma notícia boa:
as questões de prova de concursos, sobre essas distribuições, são muito simples.
Basta saber alguns artifícios rápidos que você vai saber resolvê-las.
7.1. Teste Chi-Quadrado
Porém, o que é mais comum aparecer em questões de prova são questões a
respeito do Teste Chi-Quadrado.
Esse teste visa medir a aderência de uma amostra a uma distribuição de pro-
babilidade.
Para isso, deve-se em primeiro lugar obter a estatística de teste.
Ej são os valores esperados com base na distribuição de probabilidade fornecida,
enquanto que Oj são os valores efetivamente observados para a variável aleatória
em estudo.
A estatística de teste compara os quadrados dos desvios dos valores realmen-
te observados para os valores que seriam esperados para a variável aleatória com
os valores esperados.
ESTATÍSTICA
Questão 32 (FGV/SENADO FEDERAL/2008/ESTATÍSTICO) A tabela de contin-
gência a seguir foi obtida para se testar homogeneidade entre as proporções de
conceitos obtidos em um exame nacional com dois métodos de ensino:
O valor da estatística qui-quadrado usual para esses dados é:
a) 6
b) 12
c) 18
d) 24
e) 36
Letra e.
Como era esperado que os dois métodos fossem homogêneos, podemos tomar o
valor esperado conjunto.
A B C
Método 1 50 10 40
Método 2 50 40 10
Média 50 25 25
A média seria o valor esperado a se encontrar em cada um dos testes examinados.
ESTATÍSTICA
Questão 33 (CESPE/FUB/2015/ANALISTA JUDICIÁRIO) Cada membro de uma
amostra aleatória de alunos respondeu ou sim ou não a uma das seguintes questões.
Q1: Se algum colega seu estivesse deprimido, você o encaminharia ao serviço de
atendimento psicológico?
Q2: Se você estivesse deprimido, procuraria o serviço de atendimento psicológico?
Um teste qui-quadrado foi executado para analisar os dados com o nível de signifi-
cância de 0,05 e hipótese nula H1: pQ1 = pQ2, em que pQ1 e pQ2 são as proporções
de alunos que responderam sim às questões Q1 e Q2 respectivamente na população.
Com base nessa situação hipotética, julgue o item que se segue.
Se os dados coletados para Q1 forem 14 sim e 6 não, e para Q2 forem 6 sim e 14
não, então o valor da estatística qui-quadrado (sem o uso da correção de continui-
dade) será igual a 6,4.
ESTATÍSTICA
Certo.
Anotaremos na tabela a seguir as respostas às duas perguntas que foram feitas.
Q1 Q2
Sim 14 6
Não 6 14
Média 10 10
Questão 34 (CESPE/EBSERH/2018/ANALISTA ADMINISTRATIVO) Considerando
que X e Y sejam variáveis aleatórios mutuamente independentes que seguem dis-
tribuição normal padrão, julgue o próximo item. A soma dos quadrados Q= X2 +
Y2 segue uma distribuição exponencial com média igual a 2.
Errado.
A soma dos quadrados de normais padrão produz uma distribuição chi-quadrado. Como
são duas normais padrão, teríamos uma chi-quadrado com 2 graus de liberdade.
ESTATÍSTICA
Não consigo entender de onde a banca tirou que é uma exponencial de média igual
a dois. O gabarito oficial é certo, porém, trata-se de um item redondamente errado.
7.2. Distribuição F de Snedecor
A distribuição F de Snedecor, também conhecida como distribuição de Fisher e
Snedecor, é muito usada no teste de análise de variância.
Sua definição é, à primeira vista, um pouco estranha. Sejam X1 e X2 duas vari-
áveis aleatórias independentes que seguem a distribuição chi-quadrado com n1 e
n2 graus de liberdade, respectivamente. Seja a variável aleatória F assim definida:
A variável aleatória F segue uma distribuição F de Snedecor com (n1, n2) graus
de liberdade.
Os valores dessa distribuição são tabelados e devem ser fornecidos a você na
hora da prova, se necessário.
Sendo assim, a distribuição F é a razão entre duas qui-quadrado independentes
ponderadas pelos seus respectivos graus de liberdade.
Porém, por mais estranha que pareça essa definição, você muito provavelmente
não vai precisar dela na hora da prova. Fique tranquilo(a). Basta você pegar o nos-
so bizu para fazer o teste F.
ESTATÍSTICA
7.3. Teste F
Considere que você seja o dono de um laboratório e queira saber se os princí-
pios ativos de três medicamentos diferentes são realmente diferentes.
Para isso, esses medicamentos foram testados em três grupos diferentes de
3 pessoas. O número de dias que cada pessoa levou para apresentar melhora foi
fornecido a seguir.
Tabela 4: Número de Dias que as pessoas demoraram para apresentar melhora após tomar os
medicamentos A, B e C
A B C
1 1 3 5
2 2 4 6
3 3 5 7
Média 2 4 6
Olhando apenas para a média calculada, podemos supor que o medicamento A
é melhor que o medicamento B, que é melhor que o medicamento C. Porém, será
que somente com essa informação podemos realmente chegar à conclusão de que
o medicamento A cura mais rápido que o medicamento B, que cura mais rápido que
o medicamento C.
Para isso, podemos construir um teste de hipóteses com o nível de significância
de 5%.
ESTATÍSTICA
Para isso, precisamos construir uma estatística de teste, chamada estatística F.
Essa estatística é o que, na minha opinião, tem a maior probabilidade de ser cobra-
do em uma prova de concurso sobre essa distribuição.
Primeiramente, note que a nossa hipótese nula, ou seja, a hipótese que quere-
mos testar é de que a média do número de dias para a melhora do paciente seja
igual para os três medicamentos. Portanto, podemos calcular a média global.
Agora, vamos calcular os desvios quadráticos de todos os valores encontrados
em relação à média global.
Sendo assim, o total de desvios das observações em relação à média global é
30. Foi esse valor que chamamos de SQT.
O número de graus de liberdade desse desvio total é igual ao número total de
observações menos 1. Ou seja:
Agora vamos calcular a soma dos desvios quadráticos de todos os valores em
relação à média dentro de cada grupo. Ou seja, pegamos os desvios dos valores
obtidos no grupo A em relação à média do grupo A e, assim, por diante:
ESTATÍSTICA
Organizamos em forma de tabela para facilitar o entendimento. Na primeira co-
luna à esquerda, temos as observações do grupo A (1,2,3) e seus desvios em rela-
ção à média do grupo (que é igual a 2). Na segunda coluna, temos as observações
do grupo B (3, 4 e 5) e os seus desvios em relação à média do grupo. Verifique a
tabela novamente, caso tenha ficado alguma dúvida.
A B C
1 1 3 5
2 2 4 6
3 3 5 7
Média 2 4 6
Cada grupo tem 3 observações. Portanto cada grupo tem 2 graus de liberdade
(devemos sempre subtrair 1). Porém, como somamos 3 grupos diferentes. Chega-
mos a um total de 6 graus de liberdade.
Por fim, vamos pegar a diferença entre o total dos desvios e os desvios que
aconteceram apenas dentro de cada grupo de cada medicamento.
Chamaremos essa diferença de SQE que seria a soma dos quadrados entre os
grupos.
Pronto. Agora, definiremos a famosa estatística F como sendo:
ESTATÍSTICA
Vamos entender qual o sentido da estatística F. Quanto maior for o valor encon-
trado significa que mais significativos são os SQF que dizem respeito às variações
que acontecem fora dos grupos de cada medicamento. Ou seja, isso significa que
as variações fora dos grupos são mais importantes e significativas do que as pró-
prias variações dentro dos grupos de cada medicamento.
Portanto, quanto maior a estatística F, maior será a probabilidade de que as
médias sejam realmente diferentes.
Usando as expressões calculadas, temos que:
Agora, podemos olhar na tabela da distribuição F, que traz os valores críticos.
Tabela 5: Valores Críticos da Distribuição F de Snedecor
1 2 3 4 5 6 7 8 9 10
1 161 199 216 225 230 234 237 239 240 242
2 18,513 19,00 19,16 19,25 19,30 19,33 19,37 19,38 19,39 19,40
3 10,128 9,552 9,277 9,177 9,013 8,941 8,887 8,845 8,812 8,876
4 7,709 6,944 6,591 6,388 6,256 6,163 6,094 6,041 5,999 5,964
5 6,608 5,786 5,409 5,192 5,050 4,950 4,876 4,818 4,772 4,735
6 5,987 5,143 4,757 4,534 4,387 4,284 4,207 4,147 4,099 4,060
7 5,591 4,737 4,347 4,120 3,972 3,866 3,787 3,726 3,677 3,637
8 5,318 4,459 4,066 3,838 3,687 3,581 3,500 3,438 3,388 3,347
9 5,117 4,256 3,863 3,633 3,482 3,374 3,293 3,230 3,179 3,137
10 4,965 4,103 3,708 3,478 3,326 3,217 3,135 3,072 3,020 2,978
Olhando na Tabela, o valor de F (6,2) é 5,143.
ESTATÍSTICA
Portanto, o valor que nós calculamos foi igual a 12 que é superior ao valor crí-
tico. Com isso, podemos rejeitar a hipótese nula com nível de significância de 5%.
Ou seja, com base na estatística F, concluímos que as médias de tempo de efeito
dos três medicamentos são realmente diferentes. E a chance de estarmos errados
é inferior a 5%.
Questão 35 (FCC/TRT5/2013/ANALISTA JUDICIÁRIO) Em 3 empresas (X, Y e Z)
foram escolhidos por sorteio, em cada uma, 12 operários para realização de um
treinamento. Após o treinamento, foi realizado um teste, independentemente, com
todos estes 36 operários e deseja-se saber, ao nível de significância de 5%, se as
médias das respectivas notas dos grupos formados por cada empresa são iguais.
Pelo quadro de análise de variância, verificou-se que a soma de quadrados referen-
te à fonte de variação entre grupos representou 47,2% da fonte de variação total.
O valor da estatística F (F calculado) utilizado para comparar com o F tabelado (dis-
tribuição F de Snedecor), com o objetivo de verificação da igualdade das médias, é
a) 12,50.
b) 12,25.
c) 13,50.
d) 14,75.
e) 15,00.
Letra d.
Vamos à definição da estatística F que aprendemos.
ESTATÍSTICA
O enunciado informou que 47,2% da variação total advém da soma dos quadrados
entre os grupos, ou seja, ao SQE.
Como são 3 empresas (ou seja, 3 grupos de 12 funcionários), o SQE tem um total
de 3 – 1 = 2 graus de liberdade.
Agora, vamos ao SQD. O SQD corresponde a 52,8% da variação (100% – 47,2%)
da variação entre os grupos.
Cada empresa tem 12 funcionários, portanto, cada empresa tem 11 graus de li-
berdade. Como são 3 empresas, devemos multiplicar os graus de liberdade por 3 e
chegamos à 33 graus de liberdade. Portanto, podemos calcular a estatística F.
Questão 36 (CESPE/SEDUC-AM/2011/ESTATÍSTICO) Com relação à análise de
dados discretos, julgue o item.
Considere que os valores na tabela acima correspondam aos valores observados –
O – e aos valores esperados – E – segundo determinada hipótese nula de um teste

i i
de aderência cuja estatística do teste tem a forma
ESTATÍSTICA
Nessa situação, sob a hipótese nula, é correto afirmar que Q segue uma distribui-
ção F de Snedecor.
Errado.
Essa é a clássica definição da estatística chi-quadrado.
Questão 37 (CESPE/SEDUC-AM/2011/ESTATÍSTICO) A distribuição F de Snede-
cor é definida pela razão entre duas qui-quadrado independentes.
Errado.
A afirmação tentou definir a distribuição F da seguinte forma.
Porém, é preciso ainda normalizar as qui-quadrado pelos seus respectivos graus de
liberdade. Portanto, a definição correta seria:
Eu não acho saudável esse tipo de pegadinha em questões de Estatística. Porém,
quem sou eu para achar?

Testes de Hipoteses e Estatistica Inferencial

Enviado por

Direitos autorais:

Formatos disponíveis

Testes de Hipoteses e Estatistica Inferencial

Enviado por

Dados do documento

Descrição original:

Título original

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

Testes de Hipoteses e Estatistica Inferencial

Enviado por

Direitos autorais:

Formatos disponíveis

ESTATÍSTICA

Testes de Hipóteses e Estatística Inferencial

Lei dos Grandes Números.............................................................................3

LEI DOS GRANDES NÚMEROS

Imagine que lancemos um dado, sabemos que a probabilidade de um lançamen-

de compreender a incerteza gerada pelo conceito de probabilidade. Ora, lançamos

ele não deu 6 com certeza.

qualquer lançamento de dado, sabemos que a probabilidade de o resultado ser

probabilidade é realmente igual a 1/6?

consistia em fazer o mesmo experimento repetidas vezes. A intenção dessa repe-

porção de resultados iguais a 6 obtidos fosse realmente se aproximando de 1/6.

agora devemos entender suas duas variantes.

1. Lei Fraca dos Grandes Números

meros) determina que a média amostral converge em probabilidade para o

lidade dentro dessa margem especificada.

a média amostral para o valor real da probabilidade.

Vejamos um exemplo de uma série de lançamento de dados em que foi anotada

Figura 1: Lei Fraca dos Grandes Números

Nessa sequência de lançamentos, tivemos no sexto lançamento que a propor-

zar a Lei Fraca dos Grandes Números.

Ainda que, para um número de lançamentos superior, a proporção de 6 obtidos

possa ser significativamente diferente.

frequência experimental será igual ao valor numérico da probabilidade.

Mas não há nenhuma garantia do que acontecerá depois com a continuação do

2. Lei Forte dos Grandes Números

converge absolutamente para o valor real da probabilidade.

Matematicamente, pode-se escrever que:

nhas, tentaremos explicar as diferenças entre as duas versões da LGN.

Considerando ainda o experimento de lançamentos repetidos de dados, a Lei Forte

estabelece que, para uma certa quantidade de lançamentos, a frequência experimen-

tal de 6 realmente efetiva circulará em torno do valor da probabilidade que é de 1/6.

Figura 2: Lei Forte dos Grandes Números

temente grande de lançamentos, a frequência experimental realmente ficará em

torno do valor da probabilidade, sem sofrer grandes oscilações.

E mais, à medida que o número de lançamentos aumenta, as oscilações em tor-

no do valor numérico da probabilidade ficarão cada vez mais suaves.

Questão 1 (FGV/TJ-RO/2015/ESTATÍSTICO) A Lei dos Grandes Números existe

Forte abordam, respectivamente, convergências:

b) quase certa e em probabilidade;

c) em distribuição e quase certa;

e) em probabilidade e quase certa.

A Lei Fraca dos Grandes Números aborda a convergência em probabilidade, en-

tão, quase certa.

3. Teoria do Limite Central

mais importantes da Estatística.

râmetros, como a média e o desvio padrão populacional, a partir de uma amostra

aleatória dessa população.

Seja uma amostra aleatória simples (X1, X2, …, Xn) de

Existem vários fatos interessantes sobre o Teorema do Limite Central:

• A distribuição média amostral é centrada na média populacional.

cional a partir de uma amostra.

• A variância da média amostral reduz com o tamanho da amostra.

exato da média populacional.

É bastante comum chamar o desvio padrão da média amostral de erro padrão:

É importante não confundir o erro padrão com o desvio padrão. Enquanto

que seja a população considerada, a média amostral se aproximará de uma distri-

Trata-se de um fato bastante interessante, pois nos permite utilizar a mesma

teoria de estimativa de parâmetros, intervalo de confiança para qualquer que seja