BREVE REVIS

AO DE CONCEITOS FUNDAMENTAIS EM
ESTAT

ISTICA
1. Os conceitos de Populacao e Amostra aleatoria.
Como veremos a breve trecho, ha outros conceitos basicos e denicoes que talvez
devessem ser introduzidos antes dos conceitos e denic oes de populacao e amostra aleatoria,
mas numa abordagem mais sucinta e menos formal optamos pela presente sequencia.
Def. 1: Populac ao (Popula cao real)
O universo de todas (passe o pleonasmo) as possveis unidades de observacao.
Def. 2: Populac ao de interesse (Target population)
(Subconjunto da populac ao real)
Subconjunto da populacao real ao qual os objectivos da nossa investiga cao cientca
se dirigem.
(A totalidade dos elementos que estao sob discussao e acerca dos quais se deseja
informac ao relevante.)

E para esta populac ao de interesse que serao, ou que se pretende que sejam, rele-
vantes as conclusoes inferidas do nosso estudo, i.e. sera aos elementos desta populac ao de
interesse que dirao respeito as conclusoes tiradas do nosso estudo.
Def. 3: Amostra aleatoria
(Um conjunto de elementos seleccionados aleatoriamente da populacao e por
conseguinte distribuidos independentemente.)
(Onde seleccionados aleatoriamente signica que o facto de um determinado
elemento da populacao ter sido seleccionado para fazer parte da amostra aleatoria
nao vai alterar ou nao podera alterar aumentando ou diminuindo a probabi-
1
lidade de qualquer outro elemento dessa populac ao ser seleccionado para fazer parte
dessa amostra aleatoria.)
Uma denicao mais formal e a seguinte:
Tenham as vari aveis aleatorias X
1
, X
2
, ..., X
n
uma distribuicao conjunta
f
X
1
,X
2
,...,X
n
(x
1
, x
2
, ..., x
n
) = f
X
1
(x
1
)f
X
2
(x
2
)...f
X
n
(x
n
)
onde f() e a distribuic ao (comum) de cada x
i
(i = 1, ..., n). Ent ao X
1
, X
2
, ..., X
n
e uma amostra aleatoria (a.a.) de dimensao n de uma populac ao com densidade
(distribuic ao) f().
(X
1
, X
2
, ..., X
n
sao i.i.d.)
Frequentemente nao e possvel seleccionar uma a.a. da Populac ao de interesse, mas
uma a.a. pode ser seleccionada de uma populac ao relacionada (subpopulacao) a que
chamaremos populac ao amostrada.
Def. 4: Populac ao amostrada
Seja X
1
, X
2
, ..., X
n
uma a.a. de uma populac ao com densidade f(); ent ao esta
populacao e chamada populacao amostrada.
2. Variaveis aleatorias e Func oes de distribuicao.
Sejam
o espaco de amostragem
(Def: a totalidade de possveis resultados da experiencia aleatoria);
A colecc ao de subconjuntos de , chamados eventos,
2
P[] func ao de probabilidade: domnio: A
contradomnio: [0, 1].
Def. 5: Vari avel aleatoria (v.a.)
Para um dado espaco de Probabilidade (, A, P[]), uma vari avel aleatoria, X ou
X(), e uma func ao com domnio e contadomnio a recta real (ou um seu
subconjunto) [se o contradomnio for IR ou um intervalo pertencente a IR a v.a.
diz-se contnua; e se o contradomnio for um subconjunto enumer avel de IR, como
por exemplo o conjunto dos n umeros inteiros ou um seu subconjunto, a v.a. diz-se
discreta].
A funcao X() tem de ser tal que o conjunto A
r
= { : X() r} pertenca a
A para qualquer real r.
Exemplo: Var. aleat. discreta
Experiencia aleatoria: deitar 2 tetraedros com as faces numeradas de 1 a 4;
= { = (i, j) : i {1, ..., 4}; j {1, ..., 4}} com # = 16 .
Varias vari aveis aleatorias podem ser denidas, por exemplo:
X a soma das faces voltadas para cima;
teremos ent ao = (i, j) e X() = i +j.
Def. 6: Fun cao de distribuicao cumulativa (f.d.c.)
A f.d.c. de uma v.a. X, denotada F
X
() e denida como a funcao de domnio a
recta real e contradomnio [0, 1] que satisfaz
F
X
(x) = P[X x] = P [{ : X() x}]
para todo o valor real x.
3
Propriedades:
F
X
() lim
x
F
X
(x) = 0
F
X
(+) lim
x+
F
X
(x) = 1
F
X
() e monotonica, nao decrescente, i.e.
F
X
(a) F
X
(b) se a < b
F
X
() e contnua `a direita, i.e.
lim
h0
+
F
X
(x +h) = F
X
(x)
(se tivessemos denido F
X
(x) como P[X < x] ent ao F
X
() seria contnua `a esquerda).
Def. 7: (Fun cao de distribuicao cumulativa) (def. alternativa)
Qualquer func ao F() com domnio a recta real e contradomnio [0, 1] e satisfazendo
as 3 propriedades acima e uma f.d.c..
Uma f.d.c e tambem por vezes designada por funcao cumulativa de probabilidade
(f.c.p.)
Def. 8: Fun cao densidade de probabilidade (f.d.p.)
(Func ao de distribuic ao de probabilidade)
(v.a.
s
contnuas)
Se X for uma v.a. contnua chama-se f.d.p. `a funcao f
X
() tal que
F
X
(x) = P[X x] =

f
X
(u) du .
Def. 9: Fun cao de massa de probabilidade (f.m.p.)
(v.a.
s
discretas)
Se X for uma v.a. discreta chama-se f.m.p. `a funcao f
X
() tal que
P[X = x] = f
X
(x)
4
e
F
X
(x) = P[X x] =

todo uD(X):ux
f
X
(u) .
Propriedades de f
X
()
V.a. discreta (domnio A)
f
X
(x) > 0 x A

todo axb,xA
f
X
(x) = P[a X b] (> 0)

todo xA
f
X
(x) = 1

P[X = x] = f
X
(x)

V.a. contnua (domnio A)

f
X
(x) > 0 x A

b
a
f
X
(x) dx = P[a X b] (> 0) para [a, b] A

A
f
X
(x) dx = 1

P[X = x] = 0

2.1 Momentos. Valor esperado e variancia.

r-esimo momento (nao centrado)
E (X
r
) =

A
x
r
f
X
(x) dx ( =

r
)
Media ou valor esperado
= E(X) =

A
xf
X
(x) dx ( =

1
)
r-esimo momento centrado
E [(X )
r
] =

A
(x )
r
f
X
(x) dx (=
r
)
5
Vari ancia

2
= E [(X )
2
] =

A
(x )
2
f
X
(x) dx
= E (X
2
) [E(X)]
2
= E (X
2
)
2
(=
2
)
2.2 Funcao geradora de momentos.
A func ao geradora de momentos da v.a. X e a func ao
M
X
(t) = E

e
tX

h < t < h (h > 0) ,

v.a. contnua M
X
(t) =

e
tx
f
X
(x) dx
v.a. discreta M
X
(t) =

x
e
tx
f
X
(x)

[para uma v.a. contnua]

d
r
dt
r
M
X
(t) =

x
r
e
tx
f
X
(x) dx ,
entao
lim
t0
d
r
dt
r
M
X
(t) =
d
r
dt
r
M
X
(t)

t=0
=

r
= E (X
r
) .
Dadas duas v.a.
s
X e Y a func ao geradora de momentos conjunta e
M
X,Y
(t
1
, t
2
) = E

e
t
1
X+t
2
Y

.
As v.a.
s
X e Y serao independentes se (e so se)
M
X,Y
(t
1
, t
2
) = M
X
(t
1
) M
Y
(t
2
) ;
e tambem se X e Y forem independentes
M
X+Y
(t) = E

e
t(X+Y )

= E

e
tX+tY

= E

e
tX
e
tY

= E

e
tX

e
tY

= M
X
(t) M
Y
(t)
e
M
XY
(t) = M
X
(t) M
Y
(t) .
6
Dene-se Covariancia de duas vari aveis aleatorias X e Y como o primeiro momento
conjunto centrado, i.e.
Cov(X, Y ) = E ((X E(X))(Y E(Y ))) = E(XY ) E(X) E(Y ) ,
e correlac ao como
Corr(X, Y ) =
Cov(X, Y )

V ar(X)

V ar(Y )
.
Se X e Y forem duas variaveis aleatorias independentes teremos
E(XY ) = E(X) E(Y ) ,
de modo que neste caso teremos ent ao tambem
Cov(X, Y ) = 0 e Corr(X, Y ) = 0
(sendo que o recproco nao e de uma forma geral verdadeiro; para que Cov(X, Y ) = 0
implique a independencia de X e Y temos de assumir outras condic oes como por exemplo
a normalidade).
Utilizando tecnicas que cam fora do ambito destas breves notas podem-se deduzir os
resultados genericos
E(XY ) = E(X) E(Y ) + Cov(X, Y )
e
E

X
Y

E(X)
E(Y )

1
[E(Y )]
2
Cov(X, Y ) +
E(X)
[E(Y )]
3
V ar(Y )
que mostram que fora da hipotese de independencia entre X e Y teremos
E(XY ) = E(X) E(Y )
e que de uma forma geral teremos sempre
E

X
Y

=
E(X)
E(Y )
.
7
3. Estimacao da media e da variancia.
Estimador da media
= X (estimador centrado
E(X) = .
Estimador da variancia

2
= S
2
=
1
n 1
n

i=1
(X
i
X)
2
(estimador centrado)
E

S
2

=
2

V ar

S
2

=
1
n

n 3
n 1

(n > 1)

( onde
r
= E(X )
r
. )
Demonstrac ao: (E (S
2
) =
2
)
Note-se que
n

i=1
(X
i
)
2
=
n

i=1
(X
i
X)
2
+n(X )
2
uma vez que
n

i=1
(X
i
)
2
=
n

i=1
(X
i
X +X )
2
=
n

i=1
(X
i
X)
2
+
n

i=1
(X )
2
+ 2

n
i=1
(X
i
X)(X )
=
n

i=1
(X
i
X)
2
+n(X )
2
+ 2(X )
n

i=1
(X
i
X)
. .. .
=0
entao
E (S
2
) = E

1
n1

n
i=1
(X
i
X)
2

=
1
n1
E

n
i=1
(X
i
)
2
n(X )
2

=
1
n1

n
2
nV ar(X)

=
1
n1

n
2
n

2
n

=

2
n1
(n 1) =
2
.
8
4. Variaveis aleatorias contnuas. Algumas das principais distribuicoes.
4.1 A distribuicao Normal.
A v.a. X (contnua) diz-se ter uma distribuic ao Normal se
f
X
(x) =
1

2
2
e

1
2
(x)
2

2
, (x IR)
o que denotaremos
X N(,
2
) .
Entao
E(X) =
V ar(X) =
2
,
e
M
X
(t) = e
t+
1
2
t
2

2
.
Seja
Z =
X

2
entao
Z N(0, 1) .
Seja Y uma combinacao linear de v.a.
s
normais e independentes, i.e., seja
Y = a
1
X
1
+...+a
n
X
n
, onde a
i
IR e X
i
N(
i
,
2
i
) (i = 1, ..., n), sao v.a.
s
independentes,
entao
Y N

i=1

i
,
n

i=1

2
i

.
4.2 A distribuicao do
2
.
A v.a. C
p
diz-se ter uma distribuic ao de
2
com p graus de liberdade (g.l.) se
f
Cp
(c) =
1
(p/2)

1
2

p/2
c
p/21
e

1
2
c
, c ]0, +[ (p = 1, 2, ...)
9
o que denotaremos
C
p

2
p
.
Entao
E(C
p
) = p
V ar(C
p
) = 2p ,
e
M
Cp
(t) =

1
1 2t

p/2

t <
1
2

Func ao Gama
(k) =

0
x
k1
e
x
dx (k > 0)
(k + 1) = k (k)

1
2

= 2

3
2

se k inteiro
(k + 1) = k!

n +
1
2

=
135(2n1)
2
n

Seja
C
1
= Z
2
entao
C
1

2
1
.
Sejam Z
1
, Z
2
, ..., Z
p
, i.i.d. com
Z
i
N(0, 1)
entao
C
p
=
n

i=1
Z
2
i

2
p
.
Sejam
C
n

2
n
e
C
m

2
m
10
duas v.a.
s
independentes. Entao
C
n
+C
m

2
n+m
.
De uma forma mais geral, sejam
C
k
i

2
k
i
i = 1, ..., n
n v.a.
s
independentes. Ent ao
C =
n

i=1
C
k
i

2
r
,
onde
r =
n

i=1
k
i
.
4.3 A distribuicao do T de Student.
A v.a. T diz-se ter uma distribuic ao T de Student com p graus de liberdade (g.l.) se
f
T
(t) =

p+1
2

p
2

p
1
(1 +t
2
/p)
(p+1)/2
, (t IR) (p = 1, 2, ...)
o que denotaremos
T T
p
.
Entao
E(T) = 0
V ar(T) =
p
p2
,
e a funcao geradora de momentos nao existe.
Seja
Z N(0, 1)
independente de
C
p

2
p
entao
T =
Z

Cp
p
T
p
.
11
Temos ainda que
T
p
D

p
N(0, 1)
4.4 A distribuicao do F (de Fisher).
A v.a. F diz-se ter uma distribuic ao F com m e n graus de liberdade (g.l.) se
f
F
(f) =

m+n
2

m
2

n
2

m
n

m/2
f
(m2)/2

1 + f
m
n

(m+n)/2
, (f ]0, )) (m, n = 1, 2, ...)
o que denotaremos
F F
m,n
.
Entao
E(F) =
n
n2
(n > 2)
V ar(F) =
2n
2
(m+n2)
m(n2)
2
(n4)
(n > 4) ,
e a funcao geradora de momentos nao existe.
Seja
C
m

2
m
independente de
C
n

2
n
,
entao
F =
C
m
/m
C
n
/n
F
m,n
.
12
5. A distribuicao de T =
X

S
2
/n
para variaveis aleatorias normais.
Resultado 1: Sejam X
1
, X
2
, ..., X
n
n variaveis aleatorias independentes tais que
X
i
N(,
2
) (i = 1, ..., n) .
Entao
i) X =
1
n
n

i=1
X
i
e S
2
=
1
n 1
n

i=1
(X
i
X)
2
sao independentes,
ii) X N

,
2
/n

,
iii)
(n 1)S
2

2

2
n1
.
Demonstrac ao:
i) A independencia de X e S
2
sera apenas demonstrada para n = 2 (i.e. a
demonstrac ao sera apenas parcial, podendo-se depois atraves de um processo
indutivo obter a demonstrac ao para qualquer n).
Para n = 2
X =
1
2
(X
1
+X
2
) e S
2
= (X
1
X)
2
+ (X
2
X)
2
=

X
1

1
2
(X
1
+X
2
)

2
+

X
2

1
2
(X
1
+X
2
)

2
=

1
2
(X
1
X
2
)

2
+

1
2
(X
2
X
1
)

2
=
1
2
(X
1
X
2
)
2
.
Ent ao, uma vez que X e func ao de X
1
+X
2
e S
2
e funcao de X
1
X
2
, para demonstrar
a independencia de X e S
2
basta demonstrar a independencia de X
1
+X
2
e X
1
X
2
.
Ora, se
X
1
N(,
2
) e X
2
N(,
2
) (e sao independentes),
ent ao
(X
1
+X
2
) N(2, 2
2
) e (X
1
X
2
) N(0, 2
2
) .
13
Mas entao as func oes geradoras de momentos de X
1
+ X
2
e X
1
X
2
serao
respectivamente
M
X
1
+X
2
(t
1
) = e
2t
1
+t
2
1

2
e M
X
1
X
2
(t
2
) = e
t
2
2

2
.
Por outro lado, a funcao geradora de momentos conjunta, de X
1
+X
2
e X
1
X
2
e
M
X
1
+X
2
,X
1
X
2
(t
1
, t
2
) = E

e
t
1
(X
1
+X
2
)+t
2
(X
1
X
2
)

= E

e
(t
1
+t
2
)X
1
+(t
1
t
2
)X
2

= E

e
(t
1
+t
2
)X
1
e
(t
1
t
2
)X
2

= E

e
(t
1
+t
2
)X
1

e
(t
1
t
2
)X
2

(dada a indep. de X
1
e X
2
)
= M
X
1
(t
1
+t
2
) M
X
2
(t
1
t
2
)
= e
(t
1
+t
2
)+
1
2
(t
1
+t
2
)
2

2
e
(t
1
t
2
)+
1
2
(t
1
t
2
)
2

2
= e
2t
1
+t
2
1

2
+t
2
2

2
= e
2t
1
+t
2
1

2
e
t
2
2

2
= M
X
1
+X
2
(t
1
) M
X
1
X
2
(t
2
) .
Mas se
M
X
1
+X
2
,X
1
X
2
(t
1
, t
2
) = M
X
1
+X
2
(t
1
) M
X
1
X
2
(t
2
)
ent ao X
1
+X
2
e X
1
X
2
sao independentes e portanto tambem X e S
2
o sao.
ii) Se X
1
, X
2
, ..., X
n
sao independentes, com
X
i
N(,
2
) (i = 1, ..., n)
ent ao
n

i=1
X
i
N(n, n
2
)
uma vez que uma combina cao linear (e portanto tambem uma soma) de vari aveis
aleatorias normais e independentes e uma v. a. normal, e uma vez que
E

i=1
X
i

=
n

i=1
[E(X
i
)]
=
n

i=1
= n
14
e
V ar

i=1
X
i

=
n

i=1
V ar(X
i
) (devido `a indep. dos X
i
s)
=
n

i=1

2
= n
2
.
Mas entao, uma vez que
X =
1
n
n

i=1
X
i
,
X N

,

2
n

pois
E

= E

1
n
n

i=1
X
i

=
1
n
E

i=1
X
i

=
1
n
n =
e
V ar

= V ar

1
n
n

i=1
X
i

=
1
n
2
V ar

i=1
X
i

=
1
n
2
n
2
=
1
n

2
.
iii) Note-se que se pode escrever

n
i=1
(X
i
X)
2
=

n
i=1

X
i
+ X

2
=

n
i=1

(X
i
)
2
+ ( X)
2
+ 2(X
i
)( X)

=

n
i=1
(X
i
)
2
+

n
i=1
( X)
2
+ 2

n
i=1
(X
i
)( X)
=

n
i=1
(X
i
)
2
+ n( X)
2
+ 2( X)

n
i=1
(X
i
)
=

n
i=1
(X
i
)
2
+n(X )
2
2(X ) [

n
i=1
X
i

n
i=1
]
=

n
i=1
(X
i
)
2
+ n(X )
2
2(X )

nX n

=

n
i=1
(X
i
)
2
+ n(X )
2
2n(X )
2
=

n
i=1
(X
i
)
2
n(X )
2
.
Mas, sabendo nos que
X
i
N(,
2
) (i = 1, ..., n) (independentes),
15
ent ao
X
i

2
N(0, 1) (i = 1, ..., n) (independentes) .
E como tambem sabemos, de ii), que
X N

,

2
n

e entao

2
n

2
=
n(X )
2

2

2
1
.
Como
S
2
=
1
n 1
n

i=1
(X
i
X)
2
ent ao
(n 1)S
2

2
=

n
i=1
(X
i
X)
2

2
=

n
i=1
(X
i
)
2

2

n(X )
2

2
.
Chamemos
X a

n
i=1
(X
i
)
2

2
e Y a
n(X )
2

2
.
Ent ao
(n 1)S
2

2
= X Y onde X
2
n
e Y
2
1
,
sabendo nos que, uma vez que X e S
2
sao independentes, e uma vez que e
2
sao
constantes reais embora desconhecidas,
(n 1)S
2

2
e Y sao independentes.
Ent ao, se
(n 1)S
2

2
+Y = X
temos que
M
(n1)S
2

2
+Y
(t) = M
X
(t)
16
onde M
X
(t) e a func ao geradora de momentos de um
2
n
. Mas ent ao utilizando
uma propriedade da funcao geradora de momentos, uma vez que
(n1)S
2

2
e Y sao
independentes, temos
M
(n1)S
2

2
+Y
(t) = M
(n1)S
2

2
(t) M
Y
(t) ,
onde M
Y
(t) e a funcao geradora de momentos de um
2
1
. Ent ao temos nalmente
que
M
(n1)S
2

2
(t) = M
X
(t)/M
Y
(t)
onde
M
X
(t) =

1
1 2t

n/2
e M
Y
(t) =

1
1 2t

1/2
sendo entao que nalmente
M
(n1)S
2

2
(t) =

1
1 2t

n/2

1
1 2t

1/2
=

1
1 2t

(n1)/2
que e a func ao geradora de momentos de um
2
n1
. De modo que podemos armar
que
(n 1)S
2

2

2
n1
.
Resultado 2:
X

S
2
/n
T
n1
.
Demonstracao:
Sabendo nos, do resultado 1, que
X N

,

2
n

e que portanto
X

2
/n
N(0, 1) ,
17
e que
(n 1)S
2

2

2
n1
e que
X

2
/n
e
(n 1)S
2

2
sao independentes, dada a independencia entre X e S
2
, entao
X

2
/n

(n1)S
2

(n 1)
=
X

2
/n

S
2

2
=
X

S
2
/n
T
n1
.
6. Intervalos de conanca e testes para parametros de variaveis aleatorias
com distribuicao Normal
Na sequencia admitiremos que X representa uma v.a. com distribuic ao Normal de
media e variancia
2
desconhecidas, e denotaremos este facto na forma
X N(,
2
) .
6.1. Intervalos de conanca e testes para a media de uma v.a. Normal.
Seja
t
n1
(1 /2)
o quantil 1 /2 de uma distribuic ao T de student com n 1 graus de liberdade, i.e.,
seja t
n1
(1 /2) a abcissa para a qual a f.d.p. de uma v.a. T
n1
deixa `a sua esquerda
uma area igual a 1 /2 entre esta func ao e o eixo das abcissas. Seguindo esta notac ao,
t
n1
(/2) sera a abcissa que deixa `a sua esquerda uma area de /2. Isto e,

t
n1
(1/2)

f
T
(t) dt = 1 /2 ,
18
e

t
n1
(/2)

f
T
(t) dt = /2 .
Identica notac ao sera utilizada para outras estatsticas com a distribuic ao
2
ou F,
adiante utilizadas.
Dado que a f.d.p. de uma v.a. T e centrada no ponto 0 (zero) e e simetrica em relacao
a esse ponto, temos
t
n1
(/2) = t
n1
(1 /2) .
Mas ent ao teremos que, para uma qualquer v.a. T
n1
,
P [t
n1
(/2) T
n1
t
n1
(1 /2)] = 1 ,
e como
X

S
2
/n
T
n1
,
entao
1 = P [t
n1
(/2) T
n1
t
n1
(1 /2)]
= P

t
n1
(1 /2)
X

S
2
/n
t
n1
(1 /2)

= P

t
n1
(1 /2)

S
2
/n X t
n1
(1 /2)

S
2
/n

= P

X t
n1
(1 /2)

S
2
/n X +t
n1
(1 /2)

S
2
/n

= P

X t
n1
(1 /2)

S
2
/n X +t
n1
(1 /2)

S
2
/n

,
de forma que se toma

X t
n1
(1 /2)

S
2
/n , X +t
n1
(1 /2)

S
2
/n

como o estimador de um intervalo de conanca (IC) para , correspondente a uma

probabilidade (interna) de 1 , baseado numa amostra aleatoria de dimensao n.
Ent ao um teste de nvel para as hipoteses
H
0
: = a
vs. (a IR)
H
1
: = a
19
pode ser obtido atraves de dois procedimentos equivalentes, ambos baseados numa amostra
aleatoria de dimensao n:
I) uma vez obtida a estimativa do IC bilateral para , correspondente a uma
probabilidade 1 , rejeitaremos a hipotese nula H
0
se a / IC, ou
II) uma vez calculada a estimativa da estatstica
T =
X
|H
0

S
2
/n
T
n1
, (1)
que designaremos por t
calc
; se |t
calc
| > t
n1
(1 /2) rejeitamos a hipotese nula H
0
.
O teste assim realizado e o IC utilizado chamam-se bilaterais, uma vez que o teste e
o IC apresentam uma zona de rejeic ao, de H
0
, bilateral, i.e., que se situa em ambos os
extremos dos valores do suporte da v.a. T. Tambem se chama por vezes a uma hipotese
alternativa (H
1
) conducente a um teste bilateral uma hipotese alternativa bilateral.
Note-se que a estatstica T utilizada para o teste e uma estatstica cuja distribuicao
e conhecida e que apenas envolve um unico parametro desconhecido, , sendo por tais
razoes uma estatstica adequada `a execuc ao de testes e calculo de Intervalos de Conanca
para o referido parametro .
Tambem se podem determinar ICs unilaterais para , correspondentes a uma
probabilidade 1. Assim como tambem se podem fazer testes onde a hipotese alternativa
(H
1
) conduz a um teste unilateral.
20
Por exemplo, tambem temos que
1 = P [T
n1
t
n1
(1 )]
= P

S
2
/n
t
n1
(1 )

= P

X t
n1
(1 )

S
2
/n

= P

X +t
n1
(1 )

S
2
/n

= P

X t
n1
(1 )

S
2
/n

,
de forma que

X t
n1
(1 )

S
2
/n , +

e tambem um estimador de um IC para , correspondente a uma probabilidade (interna)

de 1 . A este IC chamaremos unilateral (`a esquerda).
Assim para testar as hipoteses
H
0
: = a
vs. (a IR)
H
1
: > a
a um nvel , continuamos a dispor de dois procedimentos equivalentes (baseados numa
amostra aleatoria de dimensao n):
I) uma vez obtida a estimativa do IC unilateral (descrito acima) para , correspondente
a uma probabilidade 1 , rejeitaremos a hipotese nula H
0
se a / IC, ou
II) uma vez calculada a estimativa da estatstica em (1), que continuaremos a designar
por t
calc
, e, para determinado nvel , se t
calc
> t
n1
(1 ) entao rejeitamos a
hipotese nula H
0
.
21
Temos tambem ainda que
1 = P [T
n1
t
n1
()]
= P [T
n1
t
n1
(1 )]
= P

S
2
/n
t
n1
(1 )

= P

X t
n1
(1 )

S
2
/n

= P

X t
n1
(1 )

S
2
/n

= P

X +t
n1
(1 )

S
2
/n

,
de forma que

, X +t
n1
(1 )

S
2
/n

e tambem um estimador de um IC para , correspondente a uma probabilidade (interna)

de 1 . A este IC chamaremos unilateral (`a direita).
Assim para testar as hipoteses
H
0
: = a
vs. (a IR)
H
1
: < a
a um nvel , baseados numa amostra de dimensao n, continuamos ainda a dispor de dois
procedimentos equivalentes:
I) uma vez obtida a estimativa do IC unilateral (descrito acima) para , correspondente
a uma probabilidade de 1 , rejeitaremos a hipotese nula H
0
se a / IC, ou
II) uma vez calculada a estimativa da estatstica em (1), que continuaremos a designar
por t
calc
, se t
calc
< t
n1
(1 ) ent ao rejeitamos a hipotese nula H
0
.
Note-se que a construcao dos Intervalos de Conanca se faz sempre sobre a zona de
nao-rejeic ao de H
0
.
22
Note-se ainda que nos dois ultimos casos apresentados as hipoteses se podem escrever
H
0
: a
vs. (a IR)
H
1
: > a
e
H
0
: a
vs. (a IR)
H
1
: < a
respectivamente.
6.2. Intervalos de conanca e testes para a variancia
2
de uma v.a. Normal.
Admitamos que a v.a. X tem uma distribuic ao Normal de media e vari ancia
2
, i.e.
admitamos que
X N(,
2
) .
Entao, como foi visto em 5.,
X
2
=
(n 1)S
2

2

2
n1
.
Deste modo esta sera uma estatstica adequada para testar hipoteses sobre a vari ancia
2
,
uma vez que se conhece a distribuicao da estatstica e na sua constituicao entra um unico
parametro desconhecido,
2
. Por estas mesmas razoes esta sera tambem a estatstica
utilizada para a construcao de ICs para
2
.
Ent ao, se pretendermos testar
H
0
:
2
= a
vs. (a IR)
H
1
:
2
= a ,
baseando-nos numa amostra de dimensao n da v.a. X, determinamos o valor calculado
da estatstica
X
2
=
(n 1)S
2

2
|H
0
23
e rejeitamos H
0
se
X
2
calc
>
2
n1
(1 /2)
ou
X
2
calc
<
2
n1
(/2) .
Corresponde a este teste bilateral um IC bilateral para
2
, correspondente a uma
probabilidade (interna) de 1 . A construcao deste IC sera feita sobre a zona de
nao-rejeic ao de H
0
, e uma vez que
(n1)S
2

2

2
n1
, temos
1 = P

2
n1
(/2)
2
n1

2
n1
(1 /2)

= P

2
n1
(/2)
(n1)S
2

2

2
n1
(1 /2)

= P

2
n1
(/2)
(n1)S
2

1

2


2
n1
(1/2)
(n1)S
2

= P

(n1)S
2

2
n1
(1/2)

2

(n1)S
2

2
n1
(/2)

,
de forma que tomaremos

(n 1)S
2

2
n1
(1 /2)
,
(n 1)S
2

2
n1
(/2)

como estimador de um IC bilateral para

2
, correspondente a uma probabilidade (interna)
de 1 . Baseados numa amostra aleatoria de dimensao n rejeitaremos entao a hipotese
nula acima se a IC.
Exerccio : Construa testes (unilaterais) para os seguintes conjuntos de hipoteses:
H
0
:
2
a
vs. (a IR)
H
1
:
2
> a
e
H
0
:
2
a
vs. (a IR)
H
1
:
2
< a ,
e construa os correspondentes ICs unilaterais (sobre as respectivas zonas de
nao-rejei cao de H
0
), de forma a rejeitar cada respectiva hipotese nula se a IC.
24
6.3. O problema de duas amostras emparelhadas. Testes e ICs para a media e
variancia da diferenca de duas variaveis aleatorias.
Suponhamos que temos duas amostras emparelhadas de dimensao n (as amostras
emparelhadas, tem por denicao que ter igual dimensao), uma da v.a. X
1
e outra da
v.a. X
2
. Nada vamos assumir sobre as distribuicoes das v.a.
s
X
1
e X
2
, excepto que sao
contnuas.
Construamos a v.a.
D = X
1
X
2
.
Assumiremos que
D N(
D
,
2
D
)
com
D
e
2
D
desconhecidos.
Se pretendermos testar hipoteses e construir ICs para
D
estaremos na situacao de
6.1., e se pretendermos testar hipoteses e construir ICs para
2
D
estaremos na situac ao
de 6.2.
6.4. O problema de duas amostras independentes.
Suponhamos que temos duas amostras aleatorias independentes, uma de dimensao n
1
da v.a. X
1
e outra de dimensao n
2
da v.a. X
2
. Suponhamos ainda que
X
1
N(
1
,
2
1
)
e
X
2
N(
2
,
2
2
)
com

2
1
=
2
2
.
25
6.4.1. Testes e ICs para a diferenca de duas medias.
Sabemos de 5., que
(n
1
1)S
2
1

2
1

2
n
1
1
e
(n
2
1)S
2
2

2
2

2
n
2
1
,
(2)
onde se assume
2
1
=
2
2
(=
2
). Sabe-se ainda que as duas v.a.
s
em (2) sao independentes,
dada a independencia das duas amostras aleatorias, de forma que
(n
1
1)S
2
1

2
1
+
(n
2
1)S
2
2

2
2
=
(n
1
1)S
2
1
+ (n
2
1)S
2
2

2

2
n
1
+n
2
2
, (3)
de onde alias se tira
E

(n
1
1)S
2
1
+ (n
2
1)S
2
2

= n
1
+n
2
2
ou
E

(n
1
1)S
2
1
+ (n
2
1)S
2
2
n
1
+n
2
2

=
2
o que mostra que

2
= S
2
p
=
(n
1
1)S
2
1
+ (n
2
1)S
2
2
n
1
+n
2
2
e um estimador centrado de
2
.
Por outro lado, tambem de 5., sabemos que
X
1
N

1
,

2
1
n
1

e
X
2
N

2
,

2
2
n
2

(4)
onde, como acima se frisou, se assume
2
1
=
2
2
(=
2
). As duas v.a.
s
em (4) sao tambem
independentes, dada a independencia entre as duas a.a.
s
. Deste modo
(X
1
X
2
) (
1

2
)

1
n
1
+
1
n
2
N(0, 1) . (5)
26
De 5., tambem sabemos que X
1
e S
1
sao independentes e que X
2
e S
2
sao independentes
e dada a independencia das duas amostras temos que tambem X
1
e S
2
sao independentes,
assim como X
2
e S
1
, de modo que as v.a.
s
em (3) e (5) sao independentes. Desta forma,
a estatstica
T =
(X
1
X
2
)(
1

2
)

1
n
1
+
1
n
2

(n
1
1)S
1
+(n
2
1)S
2

(n
1
+n
2
2)
=
X
1
X
2
) (
1

2
)

(n
1
1)S
2
1
+(n
2
1)S
2
2
n
1
+n
2
2

1
n
1
+
1
n
2
=
(X
1
X
2
) (
1

2
)
S
p

1
n
1
+
1
n
2
(6)
tera uma distribuic ao T
n
1
+n
2
2
.
Ent ao
1 = P [t
n
1
+n
2
2
(/2) T
n
1
+n
2
2
t
n
1
+n
2
2
(1 /2)]
= P

t
n
1
+n
2
2
(1 /2)
(X
1
X
2
)(
1

2
)
Sp

1
n
1
+
1
n
2
t
n
1
+n
2
2
(1 /2)

= P

t
n
1
+n
2
2
(1 /2)S
p

1
n
1
+
1
n
2
(X
1
X
2
) (
1

2
)
t
n
1
+n
2
2
(1 /2)S
p

1
n
1
+
1
n
2

= P

(X
1
X
2
) t
n
1
+n
2
2
(1 /2)S
p

1
n
1
+
1
n
2
(
1

2
)
(X
1
X
2
) +t
n
1
+n
2
2
(1 /2)S
p

1
n
1
+
1
n
2

= P

(X
1
X
2
) t
n
1
+n
2
2
(1 /2)S
p

1
n
1
+
1
n
2

1

2

(X
1
X
2
) +t
n
1
+n
2
2
(1 /2)S
p

1
n
1
+
1
n
2

,
de forma que tomaremos para Intervalo de Conanca bilateral para a diferenca das medias
(
1

2
), correspondente a uma probabilidade de 1 , o intervalo

(X
1
X
2
) t
n
1
+n
2
2
(1/2)S
p

1
n
1
+
1
n
2
, (X
1
X
2
) + t
n
1
+n
2
2
(1/2)S
p

1
n
1
+
1
n
2

.
Desta forma, se pretendermos testar as hipoteses
H
0
:
1

2
= a
vs. (a IR)
H
1
:
1

2
= a ,
27
baseados em duas amostras independentes de dimensoes n
1
(a amostra de X
1
) e n
2
(a
amostra de X
2
), temos dois procedimentos equivalentes:
I) rejeitar a hipotese nula H
0
se o modulo do valor calculado da estatstica T em (6),
adaptada ao teste das hipoteses em questao, i.e. onde substituiremos
1

2
por
(
1

2
)
|H
0
, exceder t
n
1
+n
2
2
(1 /2), i.e. se |t
calc
| > t
n
1
+n
2
2
(1 /2), ou
II) rejeitar a hipotese nula H
0
:
1

2
= a se uma vez obtida a estimativa de um IC
bilateral para
1

2
, correspondente a uma probabilidade de 1 , a IC.
Exerccio : Construa testes (unilaterais) para os seguintes conjuntos de hipoteses:
H
0
:
1

2
a
vs. (a IR)
H
1
:
1

2
> a
e
H
0
:
1

2
a
vs. (a IR)
H
1
:
1

2
< a ,
e construa os correspondentes ICs unilaterais (sobre as respectivas zonas de
nao-rejei cao de H
0
), de forma a rejeitar cada respectiva hipotese nula se a IC.
6.4.2. Testes e ICs para a comparacao de variancias.
Do resultado exposto em (2) acima e da independencia das duas v.a.
s
em questao,
sabemos que
F =
(n
2
1)S
2
2

2
2

(n
2
1)
(n
1
1)S
2
1

2
1

(n
1
1)
=
S
2
2
S
2
1

2
1

2
2
F
n
2
1,n
1
1
. (7)
Esta estatstica, de distribuicao conhecida, envolve a func ao de parametros

2
1

2
2
, de modo
que sera uma estatstica adequada para a execucao de testes e o calculo de ICs para a
referida func ao de parametros.
28
Ora, sabemos que
1 = P [f
n
2
1,n
1
1
(/2) F
n
1
1,n
2
1
f
n
2
1,n
1
1
(1 /2)]
= P

f
n
2
1,n
1
1
(/2)
S
2
2
S
2
1

2
1

2
2
f
n
2
1,n
1
1
(1 /2)

= P

f
n
2
1,n
1
1
(/2)
S
2
1
S
2
2

2
1

2
2
f
n
2
1,n
1
1
(1 /2)
S
2
1
S
2
2

onde
f
n
2
,n
1
(/2) =
1
f
n
1
,n
2
(1 /2)
,
de forma que tomaremos para Intervalo de Conanca bilateral para a razao de variancias

2
1
/
2
2
, correspondente a uma probabilidade de 1 , o intervalo

f
n
2
1,n
1
1
(/2)
S
2
1
S
2
2
, f
n
2
1,n
1
1
(1 /2)
S
2
1
S
2
2

=
=

S
2
1
f
n
1
1,n
2
1
(1 /2) S
2
2
, f
n
2
1,n
1
1
(1 /2)
S
2
1
S
2
2

Desta forma, se pretendermos testar as hipoteses

H
0
:

2
1

2
2
= a
vs. (a IR)
H
1
:

2
2

2
1
= a ,
baseados em duas amostras independentes de dimensoes n
1
(a amostra de X
1
) e n
2
(a
amostra de X
2
), temos dois procedimentos equivalentes:
I) determinar o valor calculado da estatstica F em (7), adaptada ao teste das hipoteses
em questao, e portanto onde substituiremos
2
1
/
2
2
por
2
1
/
2
2|H
0
, e rejeitar a hipotese
nula H
0
:
2
1
/
2
2
= a se
f
calc
> f
n
2
1,n
1
1
(1 /2)
ou
f
calc
< f
n
2
1,n
1
1
(/2) =
1
f
n
1
1,n
2
1
(1/2)
ou
29
II) rejeitar a hipotese nula H
0
:
2
1
/
2
2
= a, se uma vez obtida a estimativa de um IC
bilateral para

2
1

2
2
, correspondente a uma probabilidade de 1 , a IC.
Exerccios :
Construa testes (unilaterais) para os seguintes conjuntos de hipoteses:
H
0
:

2
1

2
2
a
vs. (a IR)
H
1
:

2
2

2
1
< a ,
e
H
0
:

2
1

2
2
a
vs. (a IR)
H
1
:

2
2

2
1
> a ,
e construa os correspondentes ICs unilaterais (sobre as respectivas zonas de
nao-rejeic ao de H
0
), de forma a rejeitar cada respectiva hipotese nula se a IC.
Obtenha um IC para a razao de variancias

2
1

2
2
baseado em quantis de uma v.a.
F
n
1
1,n
2
1
, e obtenha um teste para a razao de vari ancias baseado numa
estatstica com a distribuicao F
n
1
1,n
2
1
.
Todos os testes apresentados sao chamados testes de nvel , onde representa a
probabilidade de Erro do Tipo I, i.e.
= P [Erro do Tipo I]
= P [Rejeitar H
0
| H
0
e verdadeira] .
30