A renda média de famílias com 4 pessoas na região sudeste do Brasil, no ano de 1975, era de 5 U.M. Economistas acreditam que atualmente a renda média é maior. Pede-se,
a) Quais seriam as hipóteses estatísticas ( H_{0} e H_{a} ), para se tentar provar que atualmente a renda média é maior do que em 1975?
b) Quais são as informações necessárias para se realizar um teste Z?
c) Quais são as informações necessárias para se realizar um teste t?
d) Explique os dois possíveis erros (erro tipo I e erro tipo II) de decisão que podem ocorrer neste exemplo?

Passo 1

O enunciado diz que, em 1975, a renda média de famílias com 4 pessoas na região sudeste era de \;5 U.M. Economistas acreditam que atualmente a renda média é maior. O exercício pede quatro coisas (a–d):
a) Escrever as hipóteses estatísticas H_{0} e H_{a} para testar se atualmente a renda média é maior do que em 1975.
b) Listar todas as informações necessárias para realizar um teste Z (teste usando a distribuição normal).
c) Listar todas as informações necessárias para realizar um teste t (teste usando a distribuição t de Student).
d) Explicar, no contexto desse exemplo, o que são os dois possíveis erros de decisão (erro tipo I e erro tipo II) que podem ocorrer.
Informações dadas que vamos usar:
  • Valor histórico (hipotético) da média em 1975: \mu_0 = 5 U.M.
  • A hipótese alternativa é unilateral (direção: “maior”).
  • Não foi dada informação sobre o desvio padrão populacional; teremos que tratar ambos os casos (quando \sigma é conhecido e quando é desconhecido).

Passo 2

(a) Construção das hipóteses: o que significa formular H_0 e H_a aqui?
Explicação didática rápida: numa hipótese sobre média populacional a ideia é comparar a média atual verdadeira, que denoto por \mu, com o valor histórico \mu_0. Como os economistas acreditam que a renda atual é MAIOR, a hipótese alternativa é unilateral à direita. A hipótese nula sempre contém igualdade (para que haja uma definição clara de “não aumento”).
Portanto escrevemos, em TeX:
H_0:\\ \mu = 5
H_a:\\ \mu > 5
Significado das letras:
  • \mu = média verdadeira (desconhecida) da renda atual das famílias com 4 pessoas na região sudeste.
  • \mu_0=5 = média de referência (valor de 1975).

Passo 3

Visão geral do procedimento de teste (esquema passo a passo que você faria na prova):
  1. Fixar um nível de significância \alpha (ex.: \alpha=0{,}05 ou 0{,}01). Esse \alpha é a tolerância para cometer erro tipo I.
  2. Coletar uma amostra aleatória de tamanho n, calcular a média amostral \overline{X} e, se necessário, o desvio padrão amostral s.
  3. Calcular a estatística de teste apropriada:
    • Se a variância populacional \sigma^2 é conhecida: usar estatística Z.
    • Se \sigma^2 é desconhecida: usar estatística t (com n-1 graus de liberdade).
  4. Para teste unilateral à direita, rejeitar H_0 se a estatística exceder o valor crítico (ou se o p-valor for menor que \alpha).
Vou agora detalhar precisamente o que é necessário para o teste Z e para o teste t, incluindo fórmulas e o que cada símbolo significa.

Passo 4

(b) Informações necessárias para realizar um teste Z — lista completa e explicação.
Requisitos para usar o teste Z:
  1. Hipóteses escritas: H_0:\\ \mu = 5 e H_a:\\ \mu > 5.
  2. Nível de significância escolhido: \alpha (por exemplo \alpha=0{,}05).
  3. Tamanho da amostra: n.
  4. Média amostral: \overline{X} (calculada da amostra).
  5. Desvio-padrão populacional conhecido: \sigma (isso é crucial — o teste Z clássico exige \sigma conhecido).
  6. Pressupostos de aplicação:
    • Observações independentes.
    • A distribuição da renda na população é normal OU n grande (regra prática: n\geq 30) para invocar o Teorema Central do Limite.
  7. Fórmula da estatística de teste (em TeX):
Z \;=\; \frac{\overline{X}-\mu_0}{\sigma/\sqrt{n}}
  • Onde \overline{X} = média amostral.
  • \mu_0=5 = média sob H_0.
  • \sigma = desvio-padrão populacional conhecido.
  • n = tamanho da amostra.
  1. Regra de decisão (teste unilateral à direita):
    • Rejeitar H_0 se Z > z_{1-\alpha}, onde z_{1-\alpha} é o quantil da normal padrão.
    • Alternativamente, calcular p-valor: p = 1-\Phi(Z) e rejeitar se p<\alpha.
Comentário prático: na vida real quase nunca \sigma é conhecido para renda; por isso o Z puro é raro em aplicações de renda. Mas se um estudo histórico fornecer \sigma confiável, aí o Z vale.

Passo 5

(c) Informações necessárias para realizar um teste t — lista completa e explicação.
Requisitos para usar o teste t:
  1. Hipóteses escritas: H_0:\\ \mu = 5 e H_a:\\ \mu > 5.
  2. Nível de significância escolhido: \alpha.
  3. Tamanho da amostra: n.
  4. Média amostral: \overline{X}.
  5. Desvio-padrão amostral: s (estimativa de \sigma calculada da amostra).
  6. Pressupostos de aplicação:
    • Observações independentes.
    • A distribuição da renda na população deve ser aproximadamente normal OU a amostra ser razoavelmente grande (a t é robusta para n moderado).
  7. Fórmula da estatística de teste (em TeX):
t \;=\; \frac{\overline{X}-\mu_0}{s/\sqrt{n}}
  • Onde s = desvio-padrão amostral (raiz quadrada da variância amostral).
  • Graus de liberdade: \nu = n-1.
  1. Regra de decisão (teste unilateral à direita):
    • Rejeitar H_0 se t > t_{\nu,\,1-\alpha}, onde t_{\nu,\,1-\alpha} é o quantil 1-\alpha da distribuição t com \nu graus de liberdade.
    • Ou calcule o p-valor usando a distribuição t e compare com \alpha.
Comentário prático: quando \sigma é desconhecido (caso típico), o teste t é o procedimento correto. Para amostras grandes a t aproxima-se da normal.

Passo 6

Diferenças-chave entre Z e t (explicação simples para decorar e usar na prova):
  • O teste Z assume \sigma conhecido; o teste t usa s (estimador da \sigma) e incorpora incerteza extra via graus de liberdade.
  • Para amostras pequenas e \sigma desconhecida, use t. Para amostras grandes, ambos dão resultados semelhantes (por CLT e porque a t converge para a normal).
  • A estatística t tem caudas mais largas que a normal (isso penaliza um pouco a rejeição quando n é pequeno).

Passo 7

(d) Erros tipo I e tipo II no contexto deste problema — explicação cuidada e exemplos concretos.
O que é erro tipo I?
  • Definição técnica: rejeitar H_0 quando H_0 é verdadeira.
  • No contexto: concluir que a renda média atual \mu é maior do que \;5 U.M. quando, na verdade, \mu = 5.
  • Probabilidade desse erro é exatamente o nível de significância \alpha que você escolheu.
  • Exemplo de interpretação prática: autoridades ou políticas públicas podem ser acionadas com base numa alegação falsa de aumento de renda — possível desperdício de recursos.
O que é erro tipo II?
  • Definição técnica: não rejeitar H_0 quando H_a é verdadeira.
  • No contexto: não detectar que a renda média aumentou (não rejeitar H_0) quando, de fato, \mu > 5.
  • Probabilidade desse erro é \beta. A potência do teste é 1-\beta (probabilidade de detectar o aumento quando ele realmente existe).
  • Exemplo prático: deixar de perceber uma melhora real na renda, o que pode levar à falta de reconhecimento de políticas bem-sucedidas ou subestimação da necessidade de ajustes.
Fatores que influenciam \alpha e \beta:
  • Aumentar \alpha reduz \beta (mais chance de detectar um aumento, mas maior risco de falso positivo).
  • Aumentar n (tamanho da amostra) reduz \beta sem alterar \alpha (aumenta a potência).
  • Quanto maior a diferença real \mu-\mu_0 (efeito), menor \beta (mais fácil detectar).

Passo 8

(Fórmula prática para entender \beta — útil na prova se pedirem cálculo de poder)
Se você usar o teste Z (supondo \sigma conhecido) e adotar um valor alternativo específico \mu_1> \mu_0, então a probabilidade de erro tipo II ao testar ao nível \alpha é:
\beta(\mu_1) \;=\; \Phi\!\left(z_{1-\alpha} - \frac{\mu_1-\mu_0}{\sigma/\sqrt{n}}\right),
onde \Phi é a função de distribuição da normal padrão. Interpretando:
  • \frac{\mu_1-\mu_0}{\sigma/\sqrt{n}} é o chamado efeito padronizado (quanto maior, mais fácil detectar).
  • Exemplo rápido (didático): suponha \sigma=2, n=25, \alpha=0{,}05 (então z_{1-\alpha}=1{,}645) e a verdadeira média seja \mu_1=5{,}5. Então
\frac{\mu_1-\mu_0}{\sigma/\sqrt{n}}=\frac{0{,}5}{2/\sqrt{25}}=\frac{0{,}5}{0{,}4}=1{,}25.
Logo
\beta \;=\; \Phi(1{,}645-1{,}25)=\Phi(0{,}395)\approx 0{,}65.
Isto significa que, com esses números, a chance de NÃO detectar o aumento de 0{,}5 U.M. é alta (aprox. 65\%): poder baixo. Para reduzir \beta você aumentaria n ou aceitaria um \alpha maior.

Passo 9

Dicas práticas e resumo de como fazer na prova (passo a passo que você pode escrever e executar rápido):
  1. Escreva as hipóteses em TeX como em (a).
  2. Indique qual teste usa ( Z se \sigma conhecido; t se \sigma desconhecido).
  3. Liste \alpha, meça \overline{X}, calcule s se necessário, calcule a estatística Z ou t.
  4. Encontre o valor crítico z_{1-\alpha} ou t_{n-1,1-\alpha} e compare; ou calcule p-valor e compare com \alpha.
  5. Interprete em linguagem do problema: “há/ não há evidências de que a renda média atual é maior que \;5 U.M., ao nível \alpha.”

Resposta

(a) H_0:\\ \mu = 5,\qquad H_a:\\ \mu > 5
(b) Para um teste Z: nível de significância \alpha; tamanho da amostra n; média amostral \overline{X}; desvio-padrão populacional conhecido \sigma; pressupostos de independência e normalidade (ou n grande); estatística \;Z=(\overline{X}-\mu_0)/(\sigma/\sqrt{n})\; e regra de rejeição Z>z_{1-\alpha} (ou p-valor).
(c) Para um teste t: nível de significância \alpha; tamanho da amostra n; média amostral \overline{X}; desvio-padrão amostral s (estimativa de \sigma); pressupostos de independência e normalidade (ou n razoavelmente grande); estatística \;t=(\overline{X}-\mu_0)/(s/\sqrt{n})\; com \nu=n-1 graus de liberdade e regra de rejeição t>t_{\nu,\,1-\alpha} (ou p-valor baseado em t).
(d) Erro tipo I: rejeitar H_0 quando na verdade \mu=5 (falso positivo); probabilidade desse erro = \alpha. Erro tipo II: não rejeitar H_0 quando na verdade \mu>5 (falso negativo); probabilidade = \beta. A potência do teste é 1-\beta.

Exercícios relacionados