Probabilidade e Estat´ıstica

Aula21-Teste de Hip´otese para M´edias com Variˆancia Desconhecida

Edson Martins Gagliardi

Universidade Federal dos Vales do Jequitinhonha e Mucuri

Campus Jana´uba

11 de junho de 2025
 1 / 21

Distribui¸c˜ao t de Student

Uma vari´avel aleat´oria X tem distribui¸c˜ao t de Student com ϕ graus de

liberdade, denotada por t(ϕ) ou tϕ, se sua fun¸c˜ao densidade de probabilidade for
dada por:
2
Γ 1+x ϕ
, x ∈ R,
2

ϕ+1 2 −ϕ+1
 ϕ>0
f (x; ϕ) =
√ ϕ
ϕπ · Γ 2
Onde Γ(z) ´e a fun¸c˜ao gama, definida por:
Z ∞0
xz−1e−xdx, para z > Se X : t(ϕ), ent˜ao:
0.
Γ(z) =

E(X) = 0 e Var(X) = ϕ
 ϕ − 2, para ϕ > 2.

2 / 21

Distribuic˜ao t de Student
Uma VA X ter´a distribui¸c˜ao t de Student com ϕ graus de liberdade, denotada
por t(ϕ) ou tϕ, se a sua fun¸c˜ao de densidade de probabilidade for
ϕ+1 2 −ϕ+1 2
Γ 2
1+x ϕ

f (x; ϕ) = √ ϕ
ϕπ · Γ 2
Onde Γ(z), ´e uma fun¸c˜ao conhecida como fun¸c˜ao gama definida por
Z ∞0 para z > 0.
Γ(z) =

xz−1e−xdx,

Se X for uma vari´avel aleat´oria com distribui¸c˜ao t de Student com ϕ graus de

liberdade, ent˜ao:

E(X) = 0 e Var(X) = ϕ
ϕ − 2, para ϕ > 2.
 3 / 21
Em termos de forma, as distribui¸c˜oes normal padr˜ao e t de Student s˜ao
semelhantes: ambas s˜ao sim´etricas em torno da m´edia µ = 0, mas a curva t
tem caudas mais espessas (maior dispers˜ao), especialmente para pequenos
valores de ϕ.
`
A medida que ϕ aumenta, a distribui¸c˜ao t se aproxima da normal padr˜ao
 N(0, 1).
Graus de liberdade:
O n´umero de graus de liberdade ϕ corresponde, em geral, ao n´umero de
observa¸c˜oes independentes menos o n´umero de parˆametros populacionais
estimados:
ϕ=n−K
Onde:
n ´e o tamanho da amostra; K ´e o n´umero de parˆametros populacionais estimados,
al´em do parˆametro de interesse. 4 / 21
Quando queremos estimar a m´edia de uma popula¸c˜ao normal com variˆancia
σ2 desco nhecida, al´em de calcular ¯x, tamb´em precisamos estimar σ2,
introduzindo um parˆametro adicional na an´alise.
Por isso, a estat´ıstica utilizada segue uma distribui¸c˜ao t com ϕ = n−1 graus de
liberdade. Para cada valor de n, h´a uma curva diferente da distribui¸c˜ao tϕ. A
` temos:
medida que n → ∞, tϕ → N(0, 1)
Na pr´atica, para n > 30 as diferen¸cas s˜ao m´ınimas
Uso da tabela:
A distribui¸c˜ao t ´e amplamente utilizada na pr´atica, e existem tabelas que
fornecem os quantis tα de interesse, definidos por:
P(t > tα) = α, com t : tϕ

5 / 21
 6 / 21

Exemplo 1: ϕ = 5
P(t > 2) = 0, 05
P(t < −2) = P(t > 2) = 0, 05
P(−2 < t < 2) = 1 − [P(t < −2) + P(t > 2)] = 1 − 2P(t > 2) = 1 − 0, 1 = 0.9 P(t <
2) = 1 − P(t > 2) = 1 − 0, 05 = 0, 95
Exemplo 2: ϕ = 15, α = 5% ⇒ P(t > tα) = 0.05 logo tα = 1, 7531
 7 / 21

Exemplo 3: ϕ = 20, α = 2, 5% ⇒ P(t < −tα) = 0.025 logo P(tα < t) = 0.025 e temos
tα = 2, 0860
Exemplo 4: ϕ = 25, P(t > −tα) = 0.99. Temos que P(t > −tα) = 1−P(t < −tα) = 0, 99
logo P(t < −tα) = P(t > tα) = 0.01 e temos tα = 2, 4851.
 8 / 21

TH para a M´edia µ de Popula¸c˜oes Normais

com σ2 Desconhecida
 A vari´avel Z =x−µ
tem distribui¸c˜ao normal. No entanto, quando a variˆancia
σx
populaci
onal σ2 ´e desconhecida, utilizamos o estimador
amostral s2como substituto:

2 A vari´avel Xn i=1
s =1 definida como (xi − x)2e sx =
n−1
 sx s√
r 2 n= n
s
t =x − µ

segue uma distribui¸c˜ao t de Student com ϕ = n − 1 graus de

 liberdade. 9 / 21

TH para M´edia µ de Popula¸c˜oes Normais com σ2 Desconhecida e Grandes Amostras

Quando temos uma grande amostra (n > 30): O estimador s2aproxima-se bem de
σ2, o que torna a vari´avel tϕ pr´oxima da normal Z. Assim, podemos usar a
√s
distribui¸c˜ao normal, considerando s2 ≈ σ2e sx ≈ n.

Exemplo 5: A vida ´util m´edia de uma amostra de 100 lˆampadas foi de 1.570
horas, com desvio padr˜ao de 120 horas. Sabe-se que a vida ´util segue uma
distribui¸c˜ao normal com m´edia hist´orica de 1.600 horas. Ao n´ıvel de 1%,
testar se houve altera¸c˜ao na m´edia.
Resolu¸c˜ao:
H0 : µ = 1.600
H1 : µ ̸= 1.600

n = 100 x = 1.570 s = 120

Teste bilateral com α = 1%
Regi˜ao de N˜ao Rejei¸c˜ao (RNR):
 P(−Zα < Z < Zα) = 1 − α = 0,99 ⇒ Zα = 2,5810 / 21
Regi˜ao Cr´ıtica (RC):
P (|Z| > Zα) = α ⇒ P (|Z| > 2,58) = 0,01
C´alculo de Zcalc:
s√
sx = n=120
√
100=120
10= 12 ⇒ Zcalc =x − µH0
sx=1.570 − 1.600

12= −2,50
Como Zcalc est´a dentro da Regi˜ao de N˜ao Rejei¸c˜ao (RNR), n˜ao rejeitamos
H0. Portanto, ao n´ıvel de 1%, n˜ao h´a evidˆencia significativa de altera¸c˜ao na
vida ´util das lˆampadas.
Intervalo de Confian¸ca de 99%:
IC(µ; 99%) = (x − zα · sx , x + zα · sx )
 IC = (1.570 − 2,58 · 12; 1.570 + 2,58 · 12) = (1.539,04; 1.600,96)
11 / 21

An´alise do Erro e Implica¸c˜oes

Apesar de Zcalc ∈ RNR, observe que Zcalc ≈ Zα, o que representa uma chance
consi der´avel de cometermos um Erro do Tipo II (aceitar uma H0 falsa). Neste
cen´ario, o ideal seria aumentar o tamanho da amostra.
Caso n˜ao seja poss´ıvel, a decis˜ao deve considerar o custo dos dois
tipos de erro: Erro Tipo I: Rejeitar uma H0 verdadeira.
Erro Tipo II: Aceitar uma H0 falsa.
 Cen´ario pr´atico: Rejeitar H0 implica investigar o processo produtivo. Se isso for
cus toso, talvez seja melhor aceitar H0, especialmente se a redu¸c˜ao na
durabilidade n˜ao for t˜ao significativa.
Essa ´e uma simplifica¸c˜ao: decis˜oes reais devem considerar fatores como
inspe¸c˜oes, re puta¸c˜ao da marca, impacto comercial e exigˆencias legais.

12 / 21
2
TH para M´edia µ de Popula¸c˜oes Normais com σ Desconhecida e Pequenas Amostras
Quando a amostra ´e pequena (n < 30): n˜ao podemos assumir que s2 ≈ σ2.
 caso, a estat´ıstica
Nesse x−µ
sx
n˜ao segue distribui¸c˜ao normal, pois o denominador cont´em a vari´avel
contr´ario de
aleat´oria s, ao x−µ
σx
em que o denominador ´e uma constante. Assim, utilizamos a distribui¸c˜ao tϕ de
Student com ϕ = n − 1 graus de liberdade.
Intervalo de confian¸ca:
O intervalo de confian¸ca para a m´edia populacional µ, com n´ıvel de confian¸ca
(1−α)%, ´e dado por:
 IC (µ,(1 − α)%) = (x − tα · sx , x + tα · sx )
ou, equivalentemente:
P (x − tα · sx < µ < x + tα · sx ) = 1 − α
13 / 21
Exemplo 6: Um processo deveria produzir bancadas com 0,85 m de altura. O
engenheiro desconfia que as bancadas produzidas est˜ao com altura diferente da
especificada. Uma amostra de 8 bancadas foi coletada, apresentando m´edia x =
0,87 m e desvio padr˜ao s = 0,01 m. Sabendo que os dados seguem uma
distribui¸c˜ao normal, teste a hip´otese do engenheiro ao n´ıvel de significˆancia α
= 0,05.
Resolu¸c˜ao:
H0 : µ = 0,85
 H1 : µ ̸= 0,85

n = 8 ⇒ ϕ = n − 1 = 7; x = 0,87; s = 0,01
Como o teste ´e bilateral e α = 5%, temos:
Regi˜ao de n˜ao Rejei¸c˜ao:
P(−tα < t < tα) = 1 − α = 0,95
Regi˜ao Cr´ıtica:
P(|t| > tα) = 0,05
Logo P(tα < t) = 0, 025 e obtemos tα = 2,3646.
14 / 21
C´alculo da estat´ıstica do teste:
s√
sx = n=0,01
√
8≈ 0,003535 tcalc =x − µH0
sx=0,87 − 0,85
0,003535≈ 5,6577
Como tcalc > tα = 2,3646, rejeitamos H0 ao n´ıvel de 5%.
Conclu´ımos que a altura m´edia das bancadas difere
significativamente da especifica¸c˜ao, al´em disso podemos
afirmar com 95% de confian¸ca que as bancadas est˜ao, em
m´edia, mais altas que o esperado.
Intervalo de confian¸ca a 95%:
IC(µ; 95%) = (x − tα · sx , x + tα · sx )
IC(µ; 95%) = (0,87 − 2,3646 · 0,003535; 0,87 + 2,3646 ·
0,003535) = (0,8616; 0,8783) 15 / 21
Exemplo 7: O tempo m´edio, por oper´ario, para executar uma tarefa tem sido de
100 minutos, assumindo-se distribui¸c˜ao normal. Introduziu-se uma
modifica¸c˜ao no processo com o objetivo de reduzir esse tempo. Ap´os certo
per´ıodo, uma amostra de 16 oper´arios foi selecionada, e o tempo m´edio
observado foi de 91 minutos, com desvio padr˜ao de 12 minutos. Ao n´ıvel de 5%
de significˆancia esse resultado evidencia uma melhora significativa no tempo de
execu¸c˜ao da tarefa?
Resolu¸c˜ao:
H0 : µ = 100
H1 : µ < 100
n = 16 ⇒ ϕ = n − 1 = 15, x = 91, s = 12
Como o teste ´e unilateral `a esquerda e α = 5%:
Regi˜ao de n˜ao Rejei¸c˜ao:
P(−tα < t) = 1 − α = 0.95
Regi˜ao Cr´ıtica:
P (t < −tα) = α = 0, 05
Logo P(tα < t) = 0, 05 e obtemos tα = 1, 7531.
16 / 21
C´alculo da estat´ıstica do teste:
s√
sx = n=12
√
16= 3 ⇒ tcalc =x − µH0
sx=91 − 100
 3= −3

Como tcalc = −3 < −1,7531, est´a na regi˜ao cr´ıtica (RC). Assim, rejeitamos H0 ao
n´ıvel de 5% de significˆancia.
H´a evidˆencias estat´ısticas de que a modifica¸c˜ao reduziu o tempo m´edio de
execu¸c˜ao da tarefa.
 Intervalo de confian¸ca a 95%:

IC(µ; 95%) = (x − tα · sx , x + tα · sx )
IC(µ; 95%) = (91 − 1,7531 · 3; 91 + 1,7531 · 3) = (85,740; 96,259)
17 / 21

Atividade em Sala:

De uma popula¸c˜ao normal, levantaram-se os seguintes dados:

5 |−− 7 13 7 |−− 9 14 9 |−− 11 10
Classe Frequˆencia 1 |−− 3 1 11 |−− 13 5 13 |−−| 15 2
3 |−− 5 5
a) Ao n´ıvel de 5%, determinar um
intervalo de confian¸ca (IC) para a
m´edia da popula¸c˜ao.
b) Testar ao n´ıvel de 5% as hip´oteses:
H0 : µ = 7 e H1 : µ ̸= 7

18 / 21
Exerc´ıcios:

1- De uma popula¸c˜ao normal com parˆametros desconhecidos, retirou-se uma

amostra de 25 elementos para se estimar µ, obtendo-se ¯x = 15 e s2 = 36.
Determinar um intervalo de confian¸ca (IC) para a m´edia ao n´ıvel de 5%. (R.
(12, 523; 17; 477) ) 2- A vida m´edia das lˆampadas el´etricas produzidas por uma
empresa era de 1.120 horas. Uma amostra de 8 lˆampadas extra´ıda
recentemente apresentou a vida m´edia de 1.070 horas, com desvio padr˜ao de
125 horas e distribui¸c˜ao normal para a vida ´util. Testar a hip´otese de que a
vida m´edia das lˆampadas n˜ao se alterou ao n´ıvel de 1%. (R. tα = 3, 4995; tcalc =
−1, 131; n˜ao rejeita a H0)
3- Seja X uma vari´avel aleat´oria normal com parˆametros desconhecidos.
Dessa po pula¸c˜ao foi retirada uma amostra: 10, 12, 14, 15, 9, 12, 16, 11, 8, 13.
Construir um inter valo de confian¸ca (IC) para µ ao n´ıvel de 5%. (R. tα = 2, 2622;
(10, 152; 13, 848))

19 / 21
4- Querendo determinar o peso m´edio de nicotina dos cigarros de sua
produ¸c˜ao, um fabricante recolheu uma amostra de 25 cigarros, obtendo
X i=1 25
25
 xi = 950 mg e
X i=1 mg2.
x2i = 36.106

a) Supondo a distribui¸c˜ao normal para o peso de nicotina, construir um intervalo

de confian¸ca (IC) para µ ao n´ıvel de 5%.
b) Ao mesmo n´ıvel, testar se o peso m´edio de nicotina ´e inferior a 40 mg. (R. a)
tα = 2, 0639; (37, 793; 38, 206); b) tα = 1, 7109; tcalc = −20; rejeita-se H0) 5- Uma
m´aquina ´e projetada para fazer esferas de a¸co de 1 cm de raio. Uma amostra
de 10 esferas ´e produzida e tem o raio m´edio de 1,004 cm, com s = 0, 003. H´a
raz˜oes para suspeitar que a m´aquina esteja produzindo esferas com raio maior
que 1 cm, ao n´ıvel de 10%? (R. tα = 1, 383; tcalc = 4, 44; rejeita-se H0)
 20 / 21
6- De uma popula¸c˜ao normal, retiramos uma amostra de 36 elementos:
40, 45, 39, 43, 45, 44, 37, 44,
1 0 1 9 8 2 4 7

45, 41, 40, 43, 44, 42, 40, 41,

2 2 7 1 1 6 6 8

42, 45, 43, 45, 44, 42, 40, 41,

9 8 4 5 8 3 4 9
 42, 44, 43, 43, 42, 45, 41, 45,
1 4 7 9 6 5 5 2

43, 42, 43, 45,

6 8 3 7

a) Determinar um intervalo de confian¸ca (IC) para a m´edia com 95% de

confiabilidade b) Ao n´ıvel de 5%, testar:

H0 : µ = 42 contra H1 : µ > 42
(R. a) (40, 326; 45, 734); b) n˜ao rejeita-se H0)

21 / 21