Perguntas de prática, questionário e aula passo a passo sobre Intervalos de Confiança e Teste de Hipóteses - melhore suas habilidades em matemática com perguntas focadas e explicações claras.
Questionário prático de Intervalos de Confiança e Testes de Hipótese com aula interativa passo a passo
Use o questionário no topo da página para praticar intervalos de confiança e testes de hipótese com as ferramentas estatísticas mais importantes: nível de confiança \((1-\alpha)\), valores críticos (\(z^\*\), \(t^\*\) e quantis \(\chi^2\)) e margem de erro \(\text{ME}=z^\*\mathrm{SE}\); erro padrão e como o tamanho da amostra altera a largura do intervalo; intervalos de confiança z e intervalos de confiança t para uma média \(\mu\) (incluindo métodos de t pareado); intervalos de confiança para uma proporção \(\hat p\) e para uma variância \(\sigma^2\) usando a distribuição qui-quadrado; e o fluxo completo de testes de hipótese: hipóteses nula e alternativa, estatísticas de teste (z, t e \(\chi^2\)), valores-p, nível de significância \(\alpha\) e tomada de decisão que conecta testes a intervalos de confiança. Você também vai fortalecer ideias centrais como erro Tipo I vs. Tipo II, poder estatístico e quando usar testes qui-quadrado de aderência e testes qui-quadrado de independência. Se quiser revisar, clique em Iniciar aula para abrir um guia passo a passo com exemplos resolvidos e verificações rápidas.
Como esta prática de intervalos de confiança e testes de hipótese funciona
1. Faça o questionário: responda às perguntas de intervalos de confiança e testes de hipótese no topo da página.
2. Abra a aula (opcional): revise fórmulas de intervalos de confiança, valores críticos, margem de erro e passos de testes de hipótese com exemplos claros.
3. Tente novamente: volte ao questionário e aplique imediatamente as regras de IC e testes de hipótese.
O que você vai aprender na aula de intervalos de confiança e testes de hipótese
Fundamentos de intervalos de confiança
Estrutura geral do IC: estimativa \(\pm\) (valor crítico)\(\times\)(erro padrão)
Margem de erro e erro padrão: como variabilidade e \(n\) controlam a precisão
Largura do IC: como nível de confiança e tamanho da amostra afetam a largura do intervalo
Intervalos de confiança para médias
Intervalo z para uma média (\(\sigma\) conhecido): \(\bar x \pm z_{1-\alpha/2}\dfrac{\sigma}{\sqrt{n}}\)
Intervalo t para uma média (\(\sigma\) desconhecido): \(\bar x \pm t_{1-\alpha/2,\;n-1}\dfrac{s}{\sqrt{n}}\)
t pareado intervalos de confiança usando diferenças \(d_i\) e \(df=n-1\)
Proporções e intervalos para variância
IC para proporção: \(\hat p \pm z_{1-\alpha/2}\sqrt{\hat p(1-\hat p)/n}\) (condições de amostra grande)
IC para variância via qui-quadrado: usa quantis de \(\chi^2_{n-1}\) (suposição de população normal)
Ler saídas de IC e interpretar corretamente os parâmetros \(\mu\), \(p\) e \(\sigma^2\)
Testes de hipótese: z, t e qui-quadrado
Passos de teste de hipótese: \(H_0\), \(H_1\), \(\alpha\), estatística de teste, valor-p, conclusão
Testes comuns: teste z de uma amostra, teste t de uma amostra/pareado, testes qui-quadrado de aderência e independência
Erros e poder: erro Tipo I, erro Tipo II e como aumentar \(n\) aumenta o poder
Voltar ao questionário
Quando estiver pronto, volte ao questionário no topo da página e continue praticando intervalos de confiança e testes de hipótese.
⭐⭐⭐⭐⭐
🎯
Intervalos de Confiança
Guia de testes de hipótese
Toque para abrir ->
Carregando...
Aula de Intervalos de Confiança e Testes de Hipótese
1 / 8
Resumo da aula
Intervalos de Confiança e Testes de Hipótese
Objetivo: Construir uma compreensão clara de intervalos de confiança e testes de hipótese para escolher o método certo, calcular resultados corretamente e interpretar conclusões com responsabilidade. Você vai praticar o "ciclo central" da inferência: escolher um parâmetro (como \(\mu\), \(p\) ou \(\sigma^2\)), calcular uma estimativa e um erro padrão, usar um valor crítico para construir um intervalo de confiança e usar uma estatística de teste e um valor-p para executar um teste de hipótese no nível de significância \(\alpha\).
Critérios de sucesso
Interpretar um intervalo de confiança \(100(1-\alpha)\%\) como uma taxa de captura no longo prazo (não como uma probabilidade sobre \(\mu\) depois de observar os dados).
Usar a forma geral de IC: estimativa \(\pm\) valor crítico \(\times\) erro padrão.
Calcular margem de erro: \(\text{ME}=(\text{critical value})\times \mathrm{SE}\).
Escolher z vs. t para uma média e identificar graus de liberdade para intervalos/testes t.
Construir um intervalo de confiança para uma proporção usando \(\hat p\) e \(\sqrt{\hat p(1-\hat p)/n}\).
Construir um intervalo de confiança para uma variância \(\sigma^2\) usando a distribuição qui-quadrado (suposição de população normal).
Executar um teste de hipótese: escrever \(H_0\) e \(H_1\), calcular uma estatística de teste (z, t ou \(\chi^2\)), encontrar um valor-p e decidir no nível \(\alpha\).
Usar a conexão essencial: para um teste bilateral no nível \(\alpha\), rejeite \(H_0\!:\theta=\theta_0\) se \(\theta_0\) estiver fora do IC \(100(1-\alpha)\%\).
Explicar erro Tipo I, erro Tipo II e como aumentar o tamanho da amostra afeta o poder.
Vocabulário essencial
Parâmetro: um valor populacional desconhecido (como \(\mu\), \(p\) ou \(\sigma^2\)).
Estatística / estimativa: um número calculado a partir dos dados (como \(\bar x\), \(\hat p\), \(s^2\)).
Erro padrão (SE): o desvio padrão de um estimador (frequentemente estimado a partir dos dados).
Valor crítico: um quantil como \(z_{1-\alpha/2}\) ou \(t_{1-\alpha/2,\;df}\).
Margem de erro: \(\text{ME}=(\text{critical value})\times \mathrm{SE}\).
Hipóteses nula / alternativa: afirmações \(H_0\) vs. \(H_1\) sobre um parâmetro.
Valor-p: probabilidade (sob \(H_0\)) de um resultado pelo menos tão extremo quanto o observado.
Erro Tipo I: rejeitar um \(H_0\) verdadeiro (probabilidade \(\alpha\)).
Erro Tipo II: deixar de rejeitar um \(H_0\) falso (probabilidade \(\beta\)); poder é \(1-\beta\).
Verificação rápida
Pré-verificação 1: Qual afirmação descreve melhor o significado de um intervalo de confiança de 95% para uma média populacional \(\mu\)?
Dica: A aleatoriedade está no intervalo (porque ele vem de amostras aleatórias), não em \(\mu\).
Pré-verificação 2: Qual descreve um erro Tipo I?
Dica: Erro Tipo I é um "falso positivo": você rejeita uma hipótese nula verdadeira.
Fundamentos de intervalo de confiança
Intervalos de confiança, valores críticos, erro padrão e margem de erro
Objetivo de aprendizagem: Construir qualquer intervalo de confiança comum usando a mesma estrutura e interpretá-lo corretamente.
Ideia principal
A maioria dos intervalos de confiança segue o mesmo modelo: \[\text{CI} = \text{estimate} \pm (\text{critical value})\times(\text{standard error}).\] A margem de erro é: \[\text{ME}=(\text{critical value})\times \mathrm{SE}.\] Um nível de confiança maior (como 99% vs. 95%) usa um valor crítico maior, o que torna o intervalo mais largo. Um tamanho de amostra maior geralmente torna \(\mathrm{SE}\) menor (muitas vezes proporcional a \(1/\sqrt{n}\)), o que torna o intervalo mais estreito.
Valores críticos que você verá com frequência
Valor crítico z: \(z_{1-\alpha/2}\) para intervalos de confiança bilaterais quando a distribuição amostral é (aproximadamente) normal.
Valor crítico t: \(t_{1-\alpha/2,\;df}\) para médias quando \(\sigma\) é desconhecido (comum na prática).
limites unilaterais: para um limite inferior com confiança \(1-\alpha\), o valor crítico é \(z_{1-\alpha}\) (ou \(t_{1-\alpha,\;df}\)).
Exemplo resolvido
Exemplo: Uma amostra tem \(\bar x=72\), \(\sigma=12\) conhecido e \(n=36\). Encontre o intervalo de confiança de 95% para \(\mu\).
Para 95%, use \(z_{0.975}\approx 1.96\). O erro padrão é \(\sigma/\sqrt{n}=12/\sqrt{36}=12/6=2\). Então a margem de erro é: \[\text{ME}=1.96(2)=3.92.\] O IC é: \[72\pm 3.92 \Rightarrow (68.08,\;75.92).\]
Pratique
Pratique 1: Aproxime a margem de erro se \(z^\*=1.96\) e \(\mathrm{SE}=0.5\).
Dica: Margem de erro \(=\) \(z^\*\times \mathrm{SE}\).
Pratique 2: Qual é o valor crítico \(z\) para um intervalo de confiança de 80%?
Dica: 80% significa \(\alpha=0.20\), então cada cauda tem \(\alpha/2=0.10\). Use \(z_{1-\alpha/2}=z_{0.90}\).
Resumo
IC geral: estimativa \(\pm\) (valor crítico)\(\times\)(SE).
Margem de erro: \(\text{ME}=(\text{critical value})\times \mathrm{SE}\).
Largura do IC e planejamento
O que altera a largura do intervalo de confiança? (e como planejar \(n\))
Objetivo de aprendizagem: Prever como nível de confiança e tamanho da amostra afetam a largura do IC e resolver para um tamanho de amostra necessário.
Ideia principal
A largura do intervalo de confiança é controlada por duas partes:
Valor crítico: nível de confiança maior \(\Rightarrow\) valor crítico maior \(\Rightarrow\) intervalo mais largo.
Erro padrão: \(n\) maior \(\Rightarrow\) \(\mathrm{SE}\) menor \(\Rightarrow\) intervalo mais estreito. Para muitos estimadores, \(\mathrm{SE}\propto 1/\sqrt{n}\).
Uma fórmula comum de planejamento vem de \(\text{ME}=z^\*\sigma/\sqrt{n}\) (média com \(\sigma\) conhecido): \[n=\left(\frac{z^\*\sigma}{\text{ME}}\right)^2.\] Esta "regra do quadrado" explica por que reduzir a margem de erro pode exigir amostras muito maiores.
Exemplo resolvido: tamanho da amostra para uma margem de erro alvo
Exemplo: Você quer um IC de 95% para \(\mu\) com \(\sigma=10\) conhecido e margem de erro no máximo \(2\). Qual tamanho de amostra \(n\) é necessário?
Use \(z^\*\approx 1.96\): \[n=\left(\frac{1.96(10)}{2}\right)^2=\left(9.8\right)^2=96.04.\] Arredonde para cima: \(n=97\).
Pratique
Pratique 1: Aumentar o nível de confiança de 95% para 99% tem que efeito sobre a largura do intervalo de confiança (todo o resto igual)?
Dica: Maior confiança usa um valor crítico maior (como 2.576 em vez de 1.96 para z).
Pratique 2: Para dobrar a largura de um intervalo de confiança (mantendo nível de confiança e \(\sigma\) fixos), por qual fator \(n\) deve mudar?
Dica: A largura é proporcional a \(1/\sqrt{n}\). Para dobrar a largura, \(\sqrt{n}\) deve ser cortado pela metade.
Resumo
Maior confiança \(\Rightarrow\) IC mais largo (valor crítico maior).
Tamanho de amostra maior \(\Rightarrow\) IC mais estreito (SE menor, muitas vezes \(1/\sqrt{n}\)).
Em muitos problemas, planejar \(n\) vem de \(n=\left(\frac{\text{critical}\times \sigma}{\text{ME}}\right)^2\).
ICs para média e t pareado
Intervalos de confiança para uma média: z vs. t e ideias de t pareado
Objetivo de aprendizagem: Escolher a distribuição correta e calcular intervalos de confiança para \(\mu\), incluindo delineamentos pareados.
Ideia principal
Para uma média populacional \(\mu\), o intervalo de confiança depende de \(\sigma\) ser conhecido:
\(\sigma\) conhecido (intervalo z): \[\bar x \pm z_{1-\alpha/2}\frac{\sigma}{\sqrt{n}}.\]
\(\sigma\) desconhecido (intervalo t): \[\bar x \pm t_{1-\alpha/2,\;n-1}\frac{s}{\sqrt{n}}.\] Aqui \(df=n-1\). À medida que \(df\) aumenta, a distribuição t se aproxima da normal padrão.
Intervalos t pareados tratam cada par como uma observação usando diferenças \(d_i\) (por exemplo, "depois − antes"). Calcule \(\bar d\) e \(s_d\), depois use: \[\bar d \pm t_{1-\alpha/2,\;n-1}\frac{s_d}{\sqrt{n}},\] onde \(n\) é o número de pares.
Exemplo resolvido (intervalo t)
Exemplo: Uma amostra tem \(\bar x=15\), \(s=4\) e \(n=16\). Escreva o intervalo t de 95% para \(\mu\).
Graus de liberdade: \(df=16-1=15\). O intervalo é: \[15 \pm t_{0.975,\;15}\frac{4}{\sqrt{16}} = 15 \pm t_{0.975,\;15}(1).\] Numericamente, \(t_{0.975,\;15}\approx 2.13\), então o IC é aproximadamente \(15\pm 2.13\).
Pratique
Pratique 1: Qual fórmula dá a estatística de teste \(z\) para testar uma média quando \(\sigma\) é conhecido?
Dica: \(\sigma\) conhecido usa \(\sigma/\sqrt{n}\) no denominador.
Pratique 2: Para um teste t pareado com \(n\) pares, os graus de liberdade são:
Dica: t pareado usa as diferenças \(d_i\) como uma amostra de tamanho \(n\).
Resumo
\(\sigma\) conhecido: intervalo z e teste z usam \(\sigma/\sqrt{n}\).
\(\sigma\) desconhecido: intervalo t e teste t usam \(s/\sqrt{n}\) com \(df=n-1\).
t pareado foca nas diferenças \(d_i\) e usa \(df=n-1\).
ICs de proporção e variância
Intervalos de confiança para uma proporção \(\,p\) e uma variância \(\,\sigma^2\)
Objetivo de aprendizagem: Construir intervalos de confiança para proporções e variâncias e saber qual distribuição fornece os valores críticos.
Intervalo de confiança para proporção (amostra grande)
Para uma proporção de uma amostra, seja \(\hat p=\dfrac{x}{n}\), onde \(x\) é o número de sucessos. Quando as condições para uma aproximação normal são satisfeitas (uma regra prática comum é \(n\hat p\ge 10\) e \(n(1-\hat p)\ge 10\)), um IC aproximado de \(100(1-\alpha)\%\) é: \[\hat p \pm z_{1-\alpha/2}\sqrt{\frac{\hat p(1-\hat p)}{n}}.\]
Intervalo de confiança para variância (qui-quadrado)
Se a população é normalmente distribuída, então \[\frac{(n-1)s^2}{\sigma^2}\sim \chi^2_{n-1}.\] Um IC de \(100(1-\alpha)\%\) para \(\sigma^2\) é: \[\left(\frac{(n-1)s^2}{\chi^2_{1-\alpha/2,\;n-1}},\;\frac{(n-1)s^2}{\chi^2_{\alpha/2,\;n-1}}\right).\]
Exemplo resolvido (montagem de IC para proporção)
Exemplo: Em uma amostra de \(n=120\) pessoas, \(x=84\) preferem a marca A. Encontre \(\hat p\) e escreva a montagem do IC de 95% para \(p\).
\[\hat p=\frac{84}{120}=0.70.\] A montagem do IC de 95% é: \[0.70 \pm 1.96\sqrt{\frac{0.70(0.30)}{120}}.\]
Pratique
Pratique 1: Para um IC de proporção de uma amostra com \(n\) grande, o IC aproximado é \(\hat p \pm z_{1-\alpha/2}\sqrt{\hat p(1-\hat p)/n}\). O que \(\hat p\) representa?
Dica: \(\hat p\) é calculado diretamente da sua amostra como estimativa pontual de \(p\).
Pratique 2: Um intervalo de confiança de 95% para uma variância \(\sigma^2\) usa quantis de qual distribuição?
Dica: \(\frac{(n-1)s^2}{\sigma^2}\) segue uma distribuição \(\chi^2\) quando a população é normal.
Resumo
IC para proporção usa \(\hat p=x/n\) e um valor crítico z (condições de amostra grande).
IC para variância usa quantis qui-quadrado e assume população normal.
Fundamentos de testes de hipótese
Testes de hipótese: \(H_0\), \(H_1\), estatística de teste, valor-p e conexão com IC
Objetivo de aprendizagem: Executar um teste de hipótese correto e conectá-lo a intervalos de confiança.
O fluxo padrão de teste
1. Declare as hipóteses: \(H_0:\theta=\theta_0\) vs H_1:\theta≠\theta_0 (bilateral) ou \(H_1:\theta>\theta_0\), \(H_1:\theta<\theta_0\) (unilateral).
2. Escolha o nível de significância: \(\alpha\) (valores comuns: 0.10, 0.05, 0.01).
3. Calcule uma estatística de teste: z, t ou \(\chi^2\), dependendo do contexto.
4. Calcule um valor-p e decida: rejeite \(H_0\) se valor-p \(\le \alpha\); caso contrário, deixe de rejeitar.
Conexão com intervalos de confiança
Para um teste bilateral no nível \(\alpha\), há uma ligação direta: rejeite \(H_0:\theta=\theta_0\) se, e somente se, \(\theta_0\) estiver fora do intervalo de confiança de \(100(1-\alpha)\%\) para \(\theta\).
Valores críticos unilaterais
Um limite inferior de confiança de 95% corresponde a \(\alpha=0.05\) unilateral e usa o valor crítico \(z_{0.95}\approx 1.645\) (ou \(t_{0.95,df}\)). Uma forma comum de limite inferior para uma média com \(\sigma\) conhecido é: \[L=\bar x - z_{0.95}\frac{\sigma}{\sqrt{n}}.\]
Exemplo resolvido (montagem de teste z)
Exemplo: Teste \(H_0:\mu=50\) vs H_1:\mu≠ 50 com \(\bar x=52\), \(\sigma=10\) conhecido, \(n=25\).
Estatística de teste: \[z=\frac{\bar x-\mu_0}{\sigma/\sqrt{n}}=\frac{52-50}{10/5}=\frac{2}{2}=1.\] Um valor-p bilateral é \(2(1-\Phi(1))\approx 0.317\), então em \(\alpha=0.05\) deixamos de rejeitar \(H_0\).
Pratique
Pratique 1: Se um intervalo de confiança de 95% para \(\mu\) exclui \(\mu_0\), qual é a conclusão do teste de hipótese em \(\alpha=0.05\) (bilateral)?
Dica: Teste bilateral em \(\alpha\) corresponde a um intervalo de confiança \(100(1-\alpha)\%\).
Pratique 2: Qual é o valor crítico \(z\) unilateral para um limite inferior de confiança de 95%?
Dica: Para um limite unilateral de 95%, use \(z_{1-\alpha}=z_{0.95}\).
Resumo
Rejeite \(H_0\) se valor-p \(\le \alpha\); caso contrário, deixe de rejeitar.
Teste bilateral em \(\alpha\) corresponde a um IC \(100(1-\alpha)\%\): \(\theta_0\) fora do IC \(\Rightarrow\) rejeite \(H_0\).
Valor crítico z unilateral de 95% é \(z_{0.95}\approx 1.645\).
Testes comuns
Qual teste você deve usar? (z, t e qui-quadrado)
Objetivo de aprendizagem: Associar um problema real ao teste correto e conhecer as fórmulas centrais das estatísticas de teste.
Guia rápido de "qual teste?"
Média vs. valor conhecido, \(\sigma\) conhecido:teste z de uma amostra.
Média vs. valor conhecido, \(\sigma\) desconhecido:teste t de uma amostra com \(df=n-1\).
Medidas pareadas:teste t pareado nas diferenças \(d_i\).
Proporção vs. valor conhecido:teste z de uma amostra para proporção (condições de amostra grande).
Variância vs. valor conhecido:teste qui-quadrado para uma variância (suposição de população normal).
Contagens categóricas:qui-quadrado de aderência ou teste qui-quadrado de independência.
Estatística de teste para variância de uma amostra
Para testar \(H_0:\sigma^2=\sigma_0^2\) usando uma população normalmente distribuída: \[\chi^2=\frac{(n-1)s^2}{\sigma_0^2}\sim \chi^2_{n-1}\quad \text{under } H_0.\]
Exemplo resolvido (somente estatística de teste)
Exemplo: Uma amostra tem \(n=21\) e \(s^2=16\). Sob \(H_0:\sigma^2=9\), qual é a estatística de teste qui-quadrado?
Pratique 1: Qual teste compara a média de um grupo a um valor conhecido quando \(\sigma\) é conhecido?
Dica: \(\sigma\) conhecido \(\Rightarrow\) use métodos z para uma média.
Pratique 2: A estatística de teste para um teste de variância de uma amostra de \(H_0:\sigma^2=\sigma_0^2\) é:
Dica: Inferência de uma variância usa \(\chi^2\) com \(df=n-1\) sob um modelo populacional normal.
Resumo
\(\sigma\) conhecido: teste z de uma amostra para \(\mu\).
\(\sigma\) desconhecido: teste t de uma amostra para \(\mu\) (e t pareado para diferenças).
Testes de variância e ICs de variância usam a distribuição qui-quadrado sob normalidade.
Contagens categóricas costumam usar testes qui-quadrado (aderência ou independência).
Poder e visão geral
Erros Tipo I e Tipo II, poder e por que o tamanho da amostra importa
Objetivo de aprendizagem: Entender trocas entre erros e como o tamanho da amostra afeta intervalos de confiança e testes de hipótese, e terminar com uma verificação final.
Erros e poder em uma só imagem
Erro Tipo I (falso positivo): rejeitar um \(H_0\) verdadeiro. Probabilidade \(=\alpha\).
Erro Tipo II (falso negativo): deixar de rejeitar um \(H_0\) falso. Probabilidade \(=\beta\).
Poder: \(1-\beta\). É a chance de detectar corretamente um efeito real.
Como o tamanho da amostra afeta a inferência
Intervalos de confiança: \(n\) maior \(\Rightarrow\) \(\mathrm{SE}\) menor \(\Rightarrow\) IC mais estreito (mais precisão).
Testes de hipótese: \(n\) maior \(\Rightarrow\) \(\mathrm{SE}\) menor \(\Rightarrow\) maior magnitude da estatística de teste (para um efeito fixo) e, portanto, maior poder.
Observação extra: testes qui-quadrado e curvas de sobrevivência
Em dados categóricos, você verá com frequência testes qui-quadrado de aderência e testes qui-quadrado de independência. Em análise de sobrevivência, um teste comum para comparar curvas de sobrevivência entre dois grupos é o teste log-rank, que normalmente é relatado usando uma distribuição de referência qui-quadrado.
Pratique
Pratique 1: Aumentar o tamanho da amostra em um teste de hipótese aumenta principalmente qual das opções abaixo?
Dica: \(n\) maior reduz o erro padrão, tornando mais fácil detectar diferenças reais.
Pratique 2: Qual teste avalia aderência a uma distribuição categórica?
Dica: Aderência compara contagens observadas com contagens esperadas de uma distribuição categórica especificada.
Recapitulação final
Modelo de IC: estimativa \(\pm\) (valor crítico)\(\times\)(SE), com \(\text{ME}=(\text{critical})\times \mathrm{SE}\).
ICs para média: intervalo z usa \(\sigma\); intervalo t usa \(s\) com \(df=n-1\).
IC para proporção: \(\hat p \pm z_{1-\alpha/2}\sqrt{\hat p(1-\hat p)/n}\) sob condições de amostra grande.
IC para variância: quantis qui-quadrado, \(\left(\frac{(n-1)s^2}{\chi^2_{1-\alpha/2}},\frac{(n-1)s^2}{\chi^2_{\alpha/2}}\right)\) sob normalidade.
Testes: defina \(H_0\) e \(H_1\), escolha \(\alpha\), calcule estatística de teste e valor-p, depois decida.
Poder: aumentar \(n\) tende a aumentar o poder ao reduzir o erro padrão.
Próximo passo: Feche esta aula e tente seu questionário novamente. Se errar uma pergunta, reabra o livro e revise a página que corresponde à habilidade de intervalo de confiança ou teste de hipótese que você precisa.
Sequência 5+
Sequência 10+
Sequência 15+
Sequência 20+
Sequência 25+