You are on page 1of 135

Inferncia estatstica

Conceitos fundamentais
Distribuies amostrais e Teorema
central do limite
Estimao de parmetros
Testes de hipteses
Noes Breves de Estimao
Pontual

Distino entre parmetros populacionais
e variveis amostrais.
Conceitos de estimador e estimativa.
Estimao pontual e melhores estimadores.

Estimao Intervalar
Intervalos de confiana.
Nvel de confiana e seu
significado.
Testes de hipteses
Teoria da estimao de
parmetros
Estimao de parmetros

CONCEITOS BSICOS
Amostra
o conjunto de informaes obtido numa
pesquisa pelo qual, devido impossibilidade de
fazer o censo, utilizado para tirar concluses
sobre parmetros e/ou caractersticas de uma
populao.

Estimativa Amostral
a avaliao de um parmetro da populao usando
dos dados de uma amostra
CONCEITOS BSICOS
Estimador
o modelo matemtico utilizado para se
fazer uma estimativa.
Inferncia
Metodologia pelo qual permite avaliar
caracterstica de uma populao baseado em
dados de uma amostra
Estimador No-Tendencioso
todo estimador em que o modelo
matemtico pelo qual o valor esperado na amostra
igual ao valor real de uma populao.
A figura ilustra o processo emprico de
construo de um estimador u .

Inferncia Estatstica
Estimadores Pontuais
A Inferncia Estatstica objetiva estudar a populao atravs de
evidncias fornecidas pela amostra.
Trata-se do processo de obter informaes sobre uma populao
com base em resultados observados em amostras aleatrias.
Inferncia Estatstica
Numa imagem, um pixel selecionado ao acaso. Define-se
uma v.a. X cujo valor representa seu valor digital. Qual a
probabilidade deste pixel possuir valor entre 100 e 150?

Quais os valores possveis de X?
X: {0, 1, ..., 255} (considerando uma imagem 8 bits)

Qual a distribuio de probabilidade de X?
Desconhecida (discreta)

Que parmetros so necessrios para definir esta
distribuio?
???????
DISTRIBUIO DESCONHECIDA
Inferncia Estatstica
S
amostra
inferir certas caractersticas
da populao
distribuio desconhecida
e/ou
parmetros desconhecidos
n indivduos (ou objetos) da
populao
ex: sortear n pixels de uma imagem
(com ou sem reposio)

n realizaes da v.a.
ex: medir a reflectncia de um
objeto n vezes

a amostra constitui um conjunto de n v.a.
X
1
, X
2
, ..., X
n
com mesma distribuio
(desconhecida)

Amostra Aleatria
Estimao de Parmetros
Populao Amostra
Distribuio de Probabilidade (ou FDP)

Parmetros
Distribuio Amostral (Frequncias)

Estatsticas
(valor fixo)
estimar
(varivel aleatria)
pontual (estatsticas)

por intervalo (intervalos de confiana)
Estimao
OBS: estatstica: a v.a. que estima (pontualmente) um parmetro (populacional)
as vezes chamada simplesmente de estimador
estimativa: o valor do estimador obtido para uma amostra especfica







Amostra aleatria
Seja X uma varivel populacional que se deseja estudar.

Uma amostra aleatria de X um conjunto de n
variveis aleatrias independentes (X1, X2,..., Xn), tal
que cada Xi (i =1, 2, ..., n) tem a mesma distribuio de
probabilidade da varivel X. Assim, se X ~ N(;o
2
), cada
Xi ter distribuio Xi ~ N(; o
2
).
Estimador ou Estatstica
Dada uma amostra aleatria (X1, X2, ..., Xn),
estimador ou estatstica qualquer varivel
aleatria funo dos elementos amostrais. Esta
definio permite que qualquer combinao da
amostra aleatria (X1, X2, ..., Xn) seja um
estimador.
Em particular, as medidas de posio e disperso
estudadas anteriormente so exemplos de
estimadores.
Porm, h os melhores estimadores, que
satisfazem algumas condies estatsticas
especficas: o melhor estimador aquele que
no viciado (ou no viesado) e consistente.

Tais propriedades no sero estudadas neste
momento, e assumiremos que os estimadores
apresentados as satisfazem.

Estimativa
O valor numrico de um estimador chamado estimativa
de seu respetivo parmetro.
Distribuio Amostral
O parmetro populacional (por exemplo, a mdia ) constante
(embora normalmente seja desconhecido), seu valor no se altera
de amostra para amostra.
Contudo, o valor de uma amostra (por exemplo, a mdia x )
dependente da amostra selecionada; cada amostra revelar um
diferente valor de x .
Estimador da mdia populacional

A mdia aritmtica ou mdia amostral:
um estimador da mdia populacional .
Estimador da varincia populacional
A varincia amostral:
um estimador da varincia populacional o
2

Estimador do desvio padro
populacional
O desvio padro amostral, que a raiz quadrada
da varincia amostral:
um estimador do desvio padro populacional o
Estimador da proporo populacional
A frequncia relativa fri, que passaremos a chamar
de p (lse: p chapu)
um estimador da proporo, ou probabilidade p
do evento na populao.
Estimadores Importantes de uma
pesquisa.
Considere em uma pesquisa uma varivel aleatria X,
associada populao alvo cuja mdia e varincia seja ,
e que dela seja extrada uma amostra;
Considere agora que esta amostra seja

n o tamanho da amostra.



n 3 2 1
x . . . x x x
Estimadores Importantes de uma pesquisa.
Mdia Amostral:


Em que E denota o valor esperado que seja a mdia.


( )
n
X
X X E
i

= =
Da mdia



Esta propriedade afirma-nos que a mdia amostral
um estimador no-tendencioso da mdia da
populao.




) X ( E
Estimadores Importantes de uma pesquisa.
Varincia Amostral:



Onde V designa a varincia de cada componente.



.
|


\
|
= = o

n
X
V ) X ( V
i
2
X
Estimadores Importantes de uma pesquisa.
Proporo Amostral:



Em que os valores possveis de X
i
so:

n
X
p
i
A

=




=
A evento o satisfaz se 1
A evento o satisfaz no se 0
X
i
Da Varincia
Se a amostra for independente, ento:


A Esta propriedade afirma-nos que a varincia da
mdia amostral um estimador no-tendencioso da
varincia da populao bastando para isto multiplicar
pelo tamanho da amostra, desde que esta amostra seja
coletada de forma INDEPENDENTE.



n
X V
2
X
o
=
mtodo dos momentos
mtodo da mxima verossimilhana
Estimao Pontual
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de ?
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
Estimao Pontual
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de ?

o k-simo estimador de
Mas qual o melhor estimador pontual?
no tendencioso
( )
k
E =
varincia mnima
( ) ( )
k j
Var Var k j < =
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
Exato
Imprecis
o
Inexato
Preciso
Tiro ao alvo
Estimao Pontual
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de ?
1
n
i
i
x
n
=
=

X =
1
( )
N
j j
j
x FR X x
=
= =

dados agrupados
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
mdia amostral
Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de ?
( ) ( ) E E X =
verificando a tendenciosidade de
1 2 n
X X X
E
n
+ + +
| |
=
|
\ .
( )
1 2
1
n
E X X X
n
= + + +
n
n

= =
estimador
no tendencioso
X
Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de ?
( ) ( ) Var Var X =
1 2 n
X X X
Var
n
+ + +
| |
=
|
\ .
( )
1 2
2
1
n
Var X X X
n
= + + +
2
2
n
n
o
=
2
n
o
=
calculando a varincia de X
Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de ?
( ) E =
2
( ) Var
n
o
=
1
n
i
i
x
n
=
=

X =
Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
varincia populacional o
2
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de o
2
?
( )
2
2
1

n
i
i
x X
n
o
=

=

Mas ser um estimador tendencioso?
( ) ( )
2
2 2
1 1
2
n n
i i i
i i
X X X XX X
= =
= +

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
varincia populacional o
2
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de o
2
?
( )
2
2
1

n
i
i
x X
n
o
=

=

2 2
1 1
2
n n
i i
i i
X X X nX
= =
= +

1
1
n
i n
i
i
i
X
X X nX
n
=
=
= =

2 2
1
n
i
i
X nX
=
=

2 2 2
1
2
n
i
i
X nX nX
=
= +

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
varincia populacional o
2
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de o
2
?
( )
2
2
1

n
i
i
x X
n
o
=

=

( )
2 2
2
1

n
i
i
X nX
E E
n
o
=
| |

|
| =
|
|
\ .

( )
2 2
1
1
n
i
i
E X E X
n
=
| |
=
|
\ .

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

2
( )
i
Var X o =
( )
( ) ( )
2
2
i i
E X E X =
( )
2 2
i
E X =
( )
2 2 2
i
E X o = +
Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
varincia populacional o
2
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de o
2
?
( )
2
2
1

n
i
i
x X
n
o
=

=

( )
2 2
2
1

n
i
i
X nX
E E
n
o
=
| |

|
| =
|
|
\ .

( )
2 2
1
1
n
i
i
E X E X
n
=
| |
=
|
\ .

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

2
( ) Var X
n
o
=
( ) ( ) ( )
2
2
E X E X =
( )
2 2
E X =
( )
2
2 2
E X
n
o
= +
Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
varincia populacional o
2
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de o
2
?
( )
2
2
1

n
i
i
x X
n
o
=

=

( )
2 2
2
1

n
i
i
X nX
E E
n
o
=
| |

|
| =
|
|
\ .

( )
2 2
1
1
n
i
i
E X E X
n
=
| |
=
|
\ .

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

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

=
estimador
tendencioso!
( )
2
2 1

1
n
i
i
x X
n
n n
o
=

=

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia
(o
2
) desconhecidas. Retira-se uma amostra de tamanho n com a
finalidade de se estimar e o
2
.
varincia populacional o
2
De que maneira os valores da amostra podem ser combinados a fim de
se produzir uma boa estimativa de o
2
?
( )
2
2
1
1
n
i
i
x X
s
n
=

=

( )
2 2
E s o =
estimador
no tendencioso
varincia amostral
1
1
( )
( )
N
j j
N
j
j j
j
x FA X x
X x FR X x
n
=
=
=
= = =

1
n
i
i
x
X
n
=
=

Estimao Pontual de e o
2
X
mdia amostral

Valor
Freq.
Absoluta
Freq.
Relativa
0 1 1/12
1 2 1/6
2 4 1/3
3 3 1/4
4 1 1/12
5 1 1/12
Total 12 1
Exemplo: uma amostra (n = 12) retirada de uma populao e os seguintes
valores so observados: 0, 2, 3, 5, 2, 1, 2, 1, 3, 3, 4, 2. Calcule a mdia e
varincia amostrais.
distribuio amostral
0 2 3 ... 2 7
12 3
X
+ + + +
= =
0*1 1*2 2*4 3*3 4*1 5*1 7
12 3
X
+ + + + +
= =
1 1 1 1 1 1 7
0* 1* 2* 3* 4* 5*
12 6 3 4 12 12 3
X = + + + + + =
(usando FA)
(usando FR)
(dados brutos)
(dados agrupados)
( )
2
2 2
1 1 2
( ) ( )
1 1
N N
j j j j
j j
x X FA X x x FA X x nX
s
n n
= =
= =
= =


(dados
agrupados)
2 2
1
1
n
i
i
x nX
n
=

=

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

=

Estimao Pontual de e o
2
varincia amostral s
2
Exemplo: uma amostra (n = 12) retirada de uma populao e os seguintes
valores so observados: 0, 2, 3, 5, 2, 1, 2, 1, 3, 3, 4, 2. Calcule a mdia e
varincia amostrais.
( )
2
2 2 2
2 2 2 7
7 7 7
3 2 3 3 3
(0 2 ... 2 ) 12*
(0 ) (2 ) ... (2 )
1,88
11 11
s
+ + +
+ + +
= = =
Valor
Freq.
Absoluta
Freq.
Relativa
0 1 1/12
1 2 1/6
2 4 1/3
3 3 1/4
4 1 1/12
5 1 1/12
Total 12 1
( )
2
2 2 2
2 2 2 7
7 7 7
3 2 3 3 3
(0 *1 1 *2 ... 5 *1) 12*
(0 ) *1 (1 ) *2 ... (5 ) *1
1,88
11 11
s
+ + +
+ + +
= = =
distribuio amostral
(dados brutos)
7
3
X =
Caracterstica especial da varivel X
Devido grande abrangncia em variveis de
pesquisa, um caso muito importante quando a
varivel aleatria X possuir distribuio normal,
quando isto ocorrer denota-se:



X ~ N( , o
2
)

Da Normalidade
Com amostra independente,


Esta propriedade nos afirma que se uma varivel
aleatria possui distribuio normal na populao,
quando dela extrai uma amostra independente, a
mdia amostral tambm possui distribuio normal.


( )


.
|


\
|
o
o
n
, N ~ X ento , N ~ X Se
2
2
Como os valores do estimador (as estimativas) variam de
amostra para amostra e a inferncia estatstica baseia-se
no estimador, precisamos conhecer como se d a
distribuio de probabilidade do parmetro.
Conhecida a distribuio de probabilidade do parmetro,
teremos condies de avaliar o grau de incerteza das
inferncias estatsticas realizadas a partir de amostras
aleatrias selecionadas da populao em estudo.
Assim, a distribuio amostral de um parmetro u
obtida, empiricamente, pela distribuio de
frequncia dos valores de u das amostras aleatrias
de tamanho n, selecionadas da populao.
Distribuio Amostral das Mdias
Vimos que um estimador da mdia populacional .
O estimador uma varivel aleatria.
Portanto, buscamos conhecer sua distribuio de
probabilidade.
Teorema 1
A mdia da distribuio amostral das mdias, denotada por igual
mdia populacional .
Logo, a mdia das mdias amostrais igual mdia populacional,
tanto para uma populao finita como infinita.
Teorema 2
Se a populao infinita, ou se a
amostragem com reposio, a varincia da
distribuio amostral das mdias :
Ou seja, a varincia da distribuio das mdias igual
varincia da populao dividida pelo tamanho da amostra
(n).
Logo, o desvio padro das mdias dado por:
O desvio padro das mdias o(x) tambm chamado de
erro padro de
Teorema 3
Se a populao finita, ou se a amostragem
sem reposio, a varincia da distribuio
amostral das mdias :
E o desvio padro :
Onde n o tamanho da amostra e N o tamanho da populao.
Importante: o fator de correo finita
-deve ser utilizado sempre que o tamanho da amostra maior que 5% da populao
finita, ou seja, quando N/n > 0,05.
Teorema do Limite Central
Na prtica, muitas vezes no temos informaes
a respeito da distribuio das variveis
constituintes da amostra, o que nos impede
de utilizar o resultado apresentado.
Felizmente, satisfeitas certas condies, pode ser mostrado
que, para um tamanho de amostra suficientemente grande,
a distribuio de probabilidade da mdia amostral pode ser
aproximada por uma distribuio Normal.
Este fato um dos teoremas mais importantes da rea de
Estatstica e Probabilidade e denominado Teorema Central do
Limite ou Teorema do Limite Central
Suponha uma amostra aleatria simples de
tamanho n retirada de uma populao com
mdia m e varincia o
2
(note que o modelo da
varivel aleatria no especificado).
Representando tal amostra por n variveis
aleatrias independentes (X1,..., Xn) e,
denotando sua mdia por X, temos que
Teorema do Limite Central
com Z ~ N(0,1), que uma varivel
Normal Padro.
O teorema garante que para n grande a
distribuio da mdia amostral, devidamente
padronizada, se comporta segundo um
modelo Normal com mdia 0 e varincia 1.
Na mdia amostral, o teorema permite que
utilizemos a distribuio Normal para estudar
X probabilisticamente. Pelo teorema temos
que quanto maior o tamanho da amostra,
melhor a aproximao.
Estudos, envolvendo simulaes, mostram
que em muitos casos valores de n ao redor de
30 fornecem aproximaes bastante boas
para as aplicaes prticas. Em casos em que
a verdadeira distribuio dos dados
simtrica, excelentes aproximaes so
obtidas, mesmo com valores de n inferiores a
30.
Para verificar o efeito do tamanho da amostra sobre a
distribuio de X, vamos considerar diversos modelos de
variveis aleatrias e vrios tamanhos de amostra.

Com o auxlio do computador, simulamos a coleta de
amostras de um determinado tamanho do modelo
escolhido. Repetindo essa coleta um nmero grande
de vezes e calculando as correspondentes mdias
amostrais, podemos obter um histograma dessas
realizaes que ficaria muito prximo da funo de
probabilidade de X.
Por exemplo, fixe um tamanho da amostra e
repita a coleta 100 vezes. Como cada amostra
fornece uma mdia amostral, temos 100
mdias amostrais observadas e com elas
construmos um histograma.
Teremos, ento, atravs dessa simulao, uma
ideia de como X se comportaria numa amostra
grande e poderemos perceber sua semelhana
com a distribuio Normal, conforme assegura
o Teorema Central do Limite.
claro que, quanto maior for a coleta e as
repeties, mais aproximado ser o histograma,
da densidade de X.
Pode-se observar que, mesmo partindo de
distribuio assimtricas, discretas ou contnuas,
medida que o tamanho da amostra cresce, a
distribuio de X vai se aproximando para a
forma de um modelo Normal.
A velocidade da convergncia depende da
distribuio inicial, sendo mais rpida nas
distribuies simtricas.
Em resumo:
Independente de a populao ter ou no ter
distribuio normal com mdia e varincia
o
2
, a distribuio das mdias amostrais ser
normalmente distribuda para um valor de n
grande.
Distribuio Amostral das Propores
Seja p um parmetro que expressa a
probabilidade, ou proporo, de determinado
evento da populao.
O estimador de p , como j vimos, p .
Como as variveis possuem uma distribuio de
Bernoulli, conclumos que a mdia e varincia do
estimador :
Para n suficientemente grande (n>30), pelo Teorema
do Limite Central temos que:
A figura seguinte apresenta vrios histogramas obtidos a partir de
uma simulao de uma Binomial com parmetros n e p,
considerando alguns valores para n (um para cada coluna) e para
p (um para cada linha).

Da Normalidade
Com amostra independente,


Esta propriedade nos afirma que se uma varivel
aleatria possui distribuio normal na populao,
quando dela extrai uma amostra independente, a
mdia amostral tambm possui distribuio normal.


( )


.
|


\
|
o
o
n
, N ~ X ento , N ~ X Se
2
2
Da Proporo
Se p a proporo de um evento na
populao, ento:


E Se a amostra for independente, ento:


p ) p ( E
A
=

( )
n
) p 1 ( p
p V
A A
A
) )

=
Graus de Liberdade
Em modelos matemticos de anlise, existem
muitos deles que necessita do valor de um nmero
inteiro para tirar concluses e este numero foi
batizado de Graus de Liberdade, sendo que para
cada tipo de anlise dado de forma no idntica.
Intervalo de Confiana
Quando avalia o valor de um parmetro da populao,
baseado em valores de uma amostra, o que se tem na
realidade uma estimativa e pelo qual se avaliar por um
nico valor (por ponto) no existe modelos matemticos
capazes de medir a preciso desta estimativa.

Intervalo de confiana faz esta mesma estimativa, porm
utilizando um intervalo matemtico sendo que mede a
validade desta extenso de valores de amostra para
populao.
Nvel de Confiana
a probabilidade de que o intervalo
encontrado contm o valor real do parmetro
procurado.

Notao: 1 - .
Nvel de Significncia
a probabilidade de que o intervalo encontrado NO
contm o valor real do parmetro procurado, isto ,
a probabilidade de que o valor do parmetro em
estudo tem na realidade um valor fora do intervalo
construdo.

Notao: .

Observaes:
1. A estatstica prefere citar o nvel de significncia no
relatrio de uma pesquisa.

2. O valor do Nvel de Significncia estipulado pelo
pesquisador, sendo que em sua maioria e de
acordo com padres internacionais usado =
0,05; ou seja, um risco de 5,0%.

Intervalo de Confiana para a Mdia
Condies iniciais:

X seja a varivel em anlise;

X tenha distribuio normal, isto :


Seja uma amostra aleatria
independente de x


) , ( N ~ X
2
o

n 3 2 1
X , . . . , X , X , X
I. C. da a Mdia
Pelas condies iniciais e as propriedades de
estimadores, tem que:



Aplicando propriedades da normal chega a:




.
|


\
|
o

n
, N ~ X
2

) 1 , 0 ( N ~
n
X
Z
o

=
I. C. da a Mdia
Usando os modelos matemticos da Distribuio
Normal chega a:





Ao qual fazendo as devidas simplificaes teremos:



( ) o =




.
|




\
|
<
o

< = < <
1 z
n
X
z P z Z z P
0 0 0 0
I. C. da a Mdia
O intervalo matemtico:




chamado de Intervalo de Confiana da mdia ao
nvel de significncia .


n
z X a
n
z X : De
0 0
o
+
o



I. C. da a Mdia - Limites
01. O primeiro membro, isto :

n
z X
0
o


chamado de limite inferior;


02. O segundo membro, isto :

n
z X
0
o
+

chamado de limite superior;

Erro Padro de Estimativa
01. Somente o nmero:
n
o
chamado de
Erro Padro ou ainda Desvio Padro da Mdia;


02. Enquanto que o nmero:
n
z
0
o


chamado de Er ro Padro de Estimativa, conhecido
como Margem de Erro,

S imbolizado pela letra: e;

Comentrio
Note que pelo modelo matemtico que foi deduzido,
para encontrar o Intervalo de Confiana para a mdia
necessrio que conhea o valor da varincia
populacional, mas se utiliza uma amostra obvio
que esta varincia desconhecida, assim sendo para
encontrar o intervalo de confiana parte do teorema:
IC da Mdia Varincia Desconhecida


ento , do desconheci com , , N ~ X Se
2 2
o o


n
s
X
t

=

P ossu i uma distribuio denominada t - Student
com (n - 1) graus de liberdade.
Propriedades da Distribuio t-Student
P
1
. O teorema acima afirma que se a varincia
populacional for desconhecida, para
construir o intervalo de confiana da mdia
usa a distribuio t e no a normal;

P
2
. A curva do grfico simtrica e semelhant e
da distribuio N(0,1), por m um pouco
mais longa.
Propriedades da Distribuio t-Student

n
s
t X
n
s
t X
0 0
+ < <


Intervalo de Confiana da media com
varincia desconhecida
Pelas caractersticas vistas chega a:





t com distribuio t-Student com (n-1) graus de
liberdade.




n
s
t X
n
s
t X
0 0
+ < <


IC Mdia - Exemplo
Pesquisa: Fazer avaliao de recuperao de
pacientes submetidos a cirurgias cardacas.
Acadmica Roberta Rubiane Vaz Teodoro

Quanto ao tempo de cirurgia, os valores encontrados do
sexo feminino foram (min):
200 265 345 210 240 230 250 270
205 265 210 325 230 220 255 285
295 260 220 250 130 230 240 280
310 225 250 255 260 200 270 235
195 230

Construa o intervalo de confiana para o tempo mdio
de durao deste tipo de cirurgia, para o sexo feminino ao
nvel de 5,0% de significncia.
IC Mdia Exemplo - Soluo
Estimativas pontuais:
Da Mdia:



Da varincia


3 , 245
34
8340
34
230 . . . 210 345 265 200
x
= =
+ + + + +
=

1 34
) 3 , 245 230 ( . . . ) 3 , 245 265 ( ) 3 , 245 200 (
s
2 2 2
2

+ + +
=

92 , 40 15 , 1654 s : Padro Desvio 15 , 1674 s
2
= = =
IC Mdia Exemplo - Soluo
Varincia desconhecida usa a t-Student
Graus de Liberdade: 34 1 = 33;
Na tabela ao Nvel de 5,0% obteve: t = 2,0345
O Intervalo :



Chega a:


34
92 , 40
0345 , 2 3 , 245
34
92 , 40
0345 , 2 3 , 245
+ < <

57 , 259 02 , 231
< <


Intervalo de Confiana para a
proporo p.
Proporo a razo entre o total de resultados pelos
quais est de conformidade com uma condio pr-
estabelecida e o total de resultados existentes, sendo
chamada de freqncia relativa, ao qual pode ser
transformado em porcentagem bastando multiplicar
o seu resultado por 100,0%.
Intervalo de Confiana para a proporo
p.
Uma proporo, para ser avaliada, necessrio que
se tenha uma amostra suficientemente grande, e
assim para criar o intervalo de confiana de p, utiliza
diretamente a Distribuio Normal.
Intervalo de Confiana de p.
Neste caso basta usar o resultado das propriedades P4 e P5 e
substitu-los na frmula do Intervalo da Mdia com varincia
conhecida, assim procedendo fica:


n
) p

1 ( p

z p

p
n
) p

1 ( p
z p

A A
0 A
A A
0 A

+ < <


)



Intervalo de Confiana de p - Componentes
01. O limite inferior :
n
) p

1 ( p
z p

A A
0 A


)


02. O limite superior :
n
) p

1 ( p
z p

A A
0 A

+
)


03. O Erro P adro :
n
) p

1 ( p
A A

)

04. O Erro Padro de Estimativa :
n
) p

1 ( p
z e
A A
0

=
)




Intervalo de Confiana de p - Exemplo
Pesquisa: Avaliar fatores que contribui com o peso
de criana ao nascer.


Nesta pesquisa foram observadas 19189 crianas que
nasceram no ano de 2002 em Goinia, sendo que destas
1124 nasceram com peso abaixo de 2500g, e classificadas
como desnutridas.

Construa, ao nvel de 5,0% de significncia, o intervalo de
confiana da proporo de crianas que nascem
desnutridas.
IC p Soluo do exemplo
Seja p a proporo, na populao de todas as
crianas ao nascer que sejam desnutridas.

Pelos dados do problema tem que:
n = 19 189 e n(A) = 1 124;

Com estes dados vem:


0586 , 0
189 19
124 1
p
= =
IC p Soluo do exemplo
Na tabela da Normal padro, ao nvel de 5,0% tem que o
valor crtico de z :
z
0
= 1,96.
O erro padro de estimativa :




O intervalo de confiana ao nvel de 5,0% :


Resposta


0033 , 0
189 19
) 0586 , 0 1 ( 0586 , 0
96 , 1 e
=

=
0033 , 0 0586 , 0 p 0033 , 0 0586 , 0
+ < <

0619 , 0 p 0553 , 0
< <



Intervalo de Confiana para a Mdia
Condies iniciais:

X seja a varivel em anlise;

X tenha distribuio normal, isto :


Seja uma amostra aleatria
independente de x

I. C. da a Mdia
Pelas condies iniciais e as propriedades de
estimadores, tem que:



Aplicando propriedades da normal chega a:

I. C. da a Mdia
Usando os modelos matemticos da Distribuio
Normal chega a:





Ao qual fazendo as devidas simplificaes teremos:


I. C. da a Mdia
O intervalo matemtico:




chamado de Intervalo de Confiana da mdia ao
nvel de significncia .
I. C. da a Mdia - Limites

Erro Padro de Estimativa
Comentrio
Note que pelo modelo matemtico que foi deduzido,
para encontrar o Intervalo de Confiana para a mdia
necessrio que conhea o valor da varincia
populacional, mas se utiliza uma amostra obvio
que esta varincia desconhecida, assim sendo para
encontrar o intervalo de confiana parte do teorema:
IC da Mdia Varincia Desconhecida
Propriedades da Distribuio t-Student
Propriedades da Distribuio t-Student
Intervalo de Confiana da media com
varincia desconhecida
Pelas caractersticas vistas chega a:





t com distribuio t-Student com (n-1) graus de
liberdade.



IC Mdia - Exemplo
Pesquisa: Fazer avaliao de recuperao de
pacientes submetidos a cirurgias cardacas.
Acadmica Roberta Rubiane Vaz Teodoro

Quanto ao tempo de cirurgia, os valores encontrados do
sexo feminino foram (min):
200 265 345 210 240 230 250 270
205 265 210 325 230 220 255 285
295 260 220 250 130 230 240 280
310 225 250 255 260 200 270 235
195 230

Construa o intervalo de confiana para o tempo mdio
de durao deste tipo de cirurgia, para o sexo feminino ao
nvel de 5,0% de significncia.
IC Mdia Exemplo - Soluo
Estimativas pontuais:
Da Mdia:



Da varincia

IC Mdia Exemplo - Soluo
Varincia desconhecida usa a t-Student
Graus de Liberdade: 34 1 = 33;
Na tabela ao Nvel de 5,0% obteve: t = 2,0345
O Intervalo :



Chega a:

Exemplo 1:
As alturas de rvores de carvalho adultas so normalmente distribudas,
com uma mdia de 90 ps e desvio padro de 3,5 ps. Amostras
aleatrias de tamanho 4 so tiradas de uma populao e a mdia de cada
amostra determinada.
Encontre a mdia e o erro padro da mdia da distribuio amostral.
A mdia da distribuio amostral igual mdia da populao e o erro padro
igual ao desvio padro da populao dividido por n . Ento,
Interpretao: com base no teorema do limite central, como a populao
normalmente distribuda, a distribuio amostral de mdias das amostras
tambm normalmente distribuda.
Exemplo 2:
O grfico a seguir mostra o perodo em que as pessoas passam dirigindo
todos os dias. Voc seleciona aleatoriamente 50 motoristas com idade entre
15 e 19 anos. Qual a probabilidade de que a mdia de tempo que eles
passam dirigindo todos os dias esteja entre 24,7 e 25,5 minutos? Suponha
que o =1,5 minutos.
Escrevendo a probabilidade procurada e fazendo a padronizao da varivel temos:
Como o tamanho da amostra maior que 30, ento podemos usar o
teorema do limite central para concluir que a distribuio de mdias das
amostras aproximadamente normal com uma mdia e um desvio padro
de
Utilizando a tabela da Normal Padro, temos que:
P(1,41<Z<2,36) = 0,4207 + 0,4909 = 0,9116.
Interpretao: na amostra de 50 motoristas de idade entre 15 e 19 anos, 91,16% ter uma
mdia entre 24,7 e 25,5 minutos dirigindo. Isso implica que, supondo que um valor de =25
minutos esteja correto, somente 8,84% da amostra estar fora do intervalo dado.
Intervalos de Confiana
Neste captulo, comearemos a estudar efetivamente a Inferncia Estatstica.
At agora, estudamos alguns estimadores pontuais. O problema de uma
estimativa pontual que ela raramente se iguala ao parmetro exato (mdia,
desvio padro ou proporo) de uma populao. Da surge a necessidade de
fazer estimativas mais significativas, especificando um intervalo de valores em
uma linha de nmero juntamente com a afirmao de quo confiante voc
est
de que seu intervalo contm o parmetro populacional.