Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Material em construção
19 de outubro de 2017
1 Amostragem
Distribuição amostral da média
Distribuição Amostral da Proporção
Determinação do tamanho da amostra
2 Estimação
Intervalos de Conança
Testes de Hipóteses
Introdução
Introdução
Denição
É o conjunto de todos os elementos ou resultados sob investigação que apresenta pelo menos
uma variável em comum e observável. Será denotada por N.
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 3 / 108
Amostragem
Exemplo
Exemplo
Denição
É qualquer subconjunto da população. Será denotado por n.
Exemplo
Consideremos uma pesquisa para estudar os salários dos 500 funcionários da Companhia MB.
Seleciona-se uma amostra de 30 indivíduos, e anotam-se os seus salários.
1 População
2 Amostra
Exemplo
Consideremos uma pesquisa para estudar os salários dos 500 funcionários da Companhia MB.
Seleciona-se uma amostra de 30 indivíduos, e anotam-se os seus salários.
1 População
2 Amostra
Podemos está interessado em estudar a distribuição dos salários na amostra, e esperamos que
esta reita a distribuição de todos os salários.
Conceitos
Os procedimentos utilizados para se fazer uma amostragem é tão importante, que constituem
especialidades dentro da estatística.
Conceitos
Os procedimentos utilizados para se fazer uma amostragem é tão importante, que constituem
especialidades dentro da estatística.
1 Levantamento Amostrais
2 Planejamento de Experimentos
3 Levantamentos Observacionais
Exemplo
Numa urna tem tem 5 tiras de papel numeradas 1, 3, 5, 5, 7. Uma tira é sorteada e recolocada
na urna; então, uma segunda tira é sorteada.Sejam x1 e x2 o primeiro e o segundo número
sorteado. Considere todas as amostras possíveis de tamanho 2, com reposição,dessa população.
Seja X: valor assumido pelo elemento na população.
Função de Distribuição
X 1 3 5 7
P (X = x) 1/5 1/5 2/5 1/5
Denição
Uma amostra aleatória simples de tamanho n de uma variável aleatória X, com dada
distribuição, é conjunto de n variáveis aleatórias independentes X1 , X2 , . . . , Xn , cada uma com
a mesma distribuição.
Denição
Uma amostra aleatória simples de tamanho n de uma variável aleatória X, com dada
distribuição, é conjunto de n variáveis aleatórias independentes X1 , X2 , . . . , Xn , cada uma com
a mesma distribuição.
(X1 , X2 , . . . , Xn )
Denições
Denição
Um Estimador (estatística) é uma característica da amostra, ou seja, um estimador T é uma
função de X1 , X2 , . . . , Xn ,.
Denição
Uma Estimativa é o valor assumido pelo estimador T .
Exemplo
n
Xi : média amostral
X
X̄ = 1/n
i=1
Denições
Denição
Um parâmetro é uma medida usada para descrever uma característica da população.
Exemplo
µ = E[X] : média populacional
Resumo
Consideremos uma população em que o nosso interesse é estudar uma variável X, cujos parâmetros
média populacional µ = E[X] e variância populacional σ 2 = V ar(X) são supostos conhecidos.
Deveremos:
Consideremos uma população em que o nosso interesse é estudar uma variável X, cujos parâmetros
média populacional µ = E[X] e variância populacional σ 2 = V ar(X) são supostos conhecidos.
Deveremos:
Consideremos uma população em que o nosso interesse é estudar uma variável X, cujos parâmetros
média populacional µ = E[X] e variância populacional σ 2 = V ar(X) são supostos conhecidos.
Deveremos:
Exemplo
A população {1, 3, 5, 5, 7} tem média µ = 4, 2 e variância σ 2 = 4, 16.
X2
1 3 5 7 Total
X1
1 1/25 1/25 2/25 1/25 1/5
3 1/25 1/25 2/25 1/25 1/5
5 2/25 2/25 4/25 2/25 2/5
7 1/25 1/25 2/25 1/25 1/5
Total 1/5 1/5 2/5 1/5 1
X2
1 3 5 7 Total
X1
1 1/25 1/25 2/25 1/25 1/5
3 1/25 1/25 2/25 1/25 1/5
5 2/25 2/25 4/25 2/25 2/5
7 1/25 1/25 2/25 1/25 1/5
Total 1/5 1/5 2/5 1/5 1
X̄ 1 2 3 4 5 6 7 Total
P (X̄ = x̄) 1/25 2/25 5/25 6/25 6/25 4/25 1/25 1,00
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 15 / 108
Amostragem Distribuição amostral da média
E[X̄] = E[X] = µ
e
σ2
V ar[X̄] =
n
.
Teorema: Se X ∼ N µ, σ 2 e se retirarmos dessa população amostras (AAS) de tamanho n ,
teremos que
σ2
X̄ ∼ N µ,
n
Corolários
Corolários
X̄ − µ
Z= √ ∼ N (0, 1). (1)
σ/ n
Corolários
X̄ − µ
Z= √ ∼ N (0, 1). (1)
σ/ n
Corolários
X̄ − µ
Z= √ ∼ N (0, 1). (1)
σ/ n
Corolários
X̄ − µ
Z= √ ∼ N (0, 1). (1)
σ/ n
Corolários
A distribuição de e aproxima-se de uma distribuição normal com média 0 e variância σ 2 /n, isto
é,
√
ne
∼ N (0, 1). (3)
σ
Corolários
A distribuição de e aproxima-se de uma distribuição normal com média 0 e variância σ 2 /n, isto
é,
√
ne
∼ N (0, 1). (3)
σ
O TLC arma que X̄ aproxima-se de uma normal quando n tende para o innito, e a rapidez
dessa convergência depende da distribuição da população da qual a mostra foi retirada.
Corolários
Exemplos
1 Uma v.a. X tem distribuição normal, com média 100 e desvio padrão 10.
(a) Qual a P (90 < X < 110)?
(b)Se X̄ for a média de uma amostra de 16 elementos retirados dessa população, calcule
P (90 < X̄ < 110);
(c) Que tamanho deveria ter a amostra para que P (90 < X̄ < 110) = 0, 95.
2 (Bussab, O. B., 5 ed., 2003)A capacidade máxima de um elevador é de 500Kg. Se a
distribuição X dos pesos dos usuários for suposta N(70, 100):
(a) Qual é a probabilidade de sete passageiros ultrapassarem esse limite?
(b) E seis passageiros?
Yn ∼ Binomial(n, p)
ou seja,
n
P(Yn = k) = pk (1 − p)n−k .
k
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 22 / 108
Amostragem Distribuição Amostral da Proporção
Exemplo
Yn = X1 + X2 + . . . + Xn
Exemplo
onde cada Xi tem distribuição de Bernoulli com média µ = p e variância σ 2 = p(1 − p), e são
duas a duas independentes. Podemos escrever que
n n
X X Xi
Yn = Xi = n = nX
n
i=1 i=1
mas, pelo Teorema Central do Limite, X terá distribuição aproximadamente normal, com média
p e variância p(1 − p)/n, ou seja
p(1 − p)
X∼N p, .
n
Exemplo
Exemplos
X1 = 1, X2 = 0, X3 = 0, X4 = 0, X5 = 1,
X6 = 0, X7 = 0, X8 = 0, X9 = 0, X10 = 1.
2 Suponha que p = 30% dos estudantes de uma escola sejam mulheres. Colhemos uma AAS
de n = 10 estudantes e calculamos p̂ = proporção de mulheres na amostra. Qual a
probabilidade de que p̂ dira de p em menos de 0,01?
Solução
Solução
Denição
Nosso interesse agora é determinar o tamanho da amostra, de modo a obter um erro de estimação
previamente estipulado, com um certo grau de conança.
Por exemplo, suponha que estejamos estimando a média µ populacional e para tanto usaremos a
média amostral, X̄ , baseada numa amostra de tamanho n. Suponha que queiramos determinar
o valor de n de modo que
(5)
P X̄ − µ ≤ ≥ γ,
Sabemos que X̄ ∼ N µ, σ 2 /n , logo X̄ − µ ∼ N 0, σ 2 /n e portanto (4) pode ser escrita
√ √
− n n
P − ≤ X̄ − µ ≤ = P ≤Z≤ ≈γ
σ σ
Com Z = X̄ − µ /σx̄ .
Amostras
Dado um γ , podemos obter zγ da N(0,1), tal que P (−zγ < Z < zγ ) = γ , de modo que
√
n
= zγ ,
σ
do que obtemos nalmente
σ 2 zγ2
n= (6)
2
No caso de proporções, podemos obter pela aproximação normal que
Exemplos
1 Suponha que uma va.a X:N(1200, 840). Qual deverá ser o tamanho da amostra, de tal
forma que P (1196 < x̄ < 1204) = 0, 90?
2 Suponha que uma pequena amostra piloto de n=10, extraída de uma população, forneceu
os valores X̄ = 15 e S 2 = 16. Fixando = 0, 5 e γ = 0, 95, encontre n.
3 Suponha que numa pesquisa de mercado estima-se que no mínimo 60% das pessoas
entrevistadas preferirão a marca A de um produto. Essa informação é baseada em
pesquisas anteriores. Se quisermos que o erro amostral de p̂ seja menos do que = 0, 03,
com probabilidade γ = 0, 95, qual deve ser o tamanho de n?
Solução:
Exemplo
Numa população, queremos saber a proporção de pessoas acima de 40 anos que sofre de artrite.
Vamos imaginar que, de uma amostra de 200 pessoas acima de 40 anos, foi vericado que 12
pessoas têm artrite.
Generalizando para o caso geral, em que temos uma amostra de n elementos, teremos
Exemplo
Numa população, queremos saber a proporção de pessoas acima de 40 anos que sofre de artrite.
Vamos imaginar que, de uma amostra de 200 pessoas acima de 40 anos, foi vericado que 12
pessoas têm artrite.
Generalizando para o caso geral, em que temos uma amostra de n elementos, teremos
Exemplo
Tipos de estimação
1 Por ponto
Na estimação por ponto, é possível calcular uma estimativa a partir de um
estimador.Porém não é possível mensurar o erro cometido na estimação.
2 Por intervalo
Na estimação por intervalo, dois limites inferior e superior, tal que (1 − α) seja a
probabilidade de que o intervalo, contenha o verdadeiro valor do parâmetro.
Qualidades de um estimador
Vício
Denição:
Um estimador T = T (X1 , X2 , · · · , Xn ) é dito não viciado (não viesado) para algum parâmetro
populacional θ se
E(T ) = θ,
para todo θ. Se a igualdade acima não ocorre, dizemos que T é um estimador viciado (viesado)
e a diferença V (T, θ) = E(T ) − θ é chamada de vício (viés) de T .
Consistência
Denição:
Seja {Tn } uma sequência de estimadores de um parâmetro de interesse θ. Dizemos que esta
sequência de estimadores é consistente se, dado > 0 arbitrário
P (|Tn − θ| > ) → 0, n → ∞.
Proposição:
A sequência de estimadores {Tn } de um parâmetro θ é consistente se
Eciência
Denição:
Suponha que T e T ' sejam dois estimadores não viciados de um mesmo parâmetro θ. Se
Erro
Denição:
Denimos o erro quadrático médio (EQM) do estimador T como sendo o valor esperado do
erro amostral ao quadrado, isto é,
Exemplo
Suponha que um engenheiro está interessado em estudar a resistência Y de uma cabo de aço
em função de seu diâmetro X e notou que as variáveis são proporcionais, ou seja, obedecem à
relação
Y ≈ θX.
X 0,5 0,6 0,75 0,8 0,9 1,05 1.20 1,3 1,5 1,65
Y 2,07 2,24 2,28 3,35 3,81 4,14 4,64 5,13 6,05 6,57
X Y 4X Y-4X (Y − 4X)2
0,5 2,07 2 0,07 0,0049
0,6 2,24 2,4 −0, 16 0,0256
0,75 3,28 3 0,28 0,0784
0,8 3,35 3,2 0,15 0,0225
0,9 3,81 3,6 0,21 0,0441
1,05 4,14 4,2 −0, 06 0,0036
1,2 4,64 4,8 −0, 16 0,0256
1,3 5,13 5,2 −0, 07 0,0049
1,5 6,05 6 0,05 0,0025
1,65 6,57 6,6 −0, 03 0,0009
Total 0,28 0,213
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 40 / 108
Estimação
θ̂M Q = 4, 011625
Procedimento:
1 Encontrar a função de verossimilhança;
2 Aplicar a função ln;
3 Derivar em relação ao parâmetro θ;
4 Igualar o resultado a zero.
5 Vericar que este estimador é ponto de máximo.
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 43 / 108
Estimação
λx e−λ
fλ (x) = , x ∈ N.
x!
Desta forma, a função de verossimilhança é dada por
n
Y λxi e−λ
L(λ; x1 , . . . , xn ) =
xi !
i=1
Ou seja,
1 Pn
xi −nλ
L(λ; x1 , . . . , xn ) = Qn λ i=1 e .
i=1 xi !
Introdução
P (L ≤ θ ≤ U ) = 1 − α (8)
Motivação
σ2
X ∼ N µ, .
n
Logo,
X −µ
Z= ∼ N (0, 1),
√σ
n
P[−Zα/2 ≤ Z ≤ Zα/2 ] = 1 − α
" #
X −µ
P −Zα/2 ≤ ≤ Zα/2 = (1 − α)
√σ
n
σ σ
P X − Zα/2 √ ≤ µ ≤ X + Zα/2 √ = 1 − α.
n n
σ σ
IC(µ, 1 − α) = X − Zα/2 √ ; X + Zα/2 √ .
n n
Caso os dados não tenham distribuição normal, podemos aplicar o teorema central do limite e
construir um intervalo de conança aproximado.
Exemplo
1 suponha que queiramos estimar a média µ de uma população qualquer,e para tanto usamos
a média X̄ de uma amostra de tamanho n. Considere γ = 1 − α = 0, 95. Do TLC temos
que
e = X̄ − µ ∼ N 0, σx̄2
2 O projetista de uma indústria tomou uma amostra de 36 funcionários para vericar o tempo
médio gasto para montar um determinado brinquedo. Lembrando que foi vericado que
x = 19, 9 e σ = 5, 73, construir um intervalo de conança de nível 95% para µ.
X −µ
T = √ ∼ t(n−1)
s/ n
.
em que T tem distribuição t de Student com n − 1 graus de liberdade.
Fixando um nível de signicância α, obtemos
P −t((n−1),α/2) ≤ T ≤ t((n−1),α/2) = 1 − α
ou gracamente
assim, teremos
X −µ
P −t((n−1),α/2) ≤ √ ≤ t((n−1),α/2) = 1 − α
s/ n
ou seja,
s s
P X − t((n−1),α/2) √ ≤ µ ≤ X + t((n−1),α/2) √ = 1 − α.
n n
logo,
s s
IC(µ, 1 − α) = X − tα/2 √ ; X + tα/2 √ .
n n
Exemplo
1 Consideremos que o projetista de uma indústria tomou uma amostra de 36 funcionários para
vericar o tempo médio gasto para montar um determinado brinquedo. Os tempos estão
colocados na Tabela a seguir. Dado que o projetista não tem conhecimento da variabilidade
da população, construir um intervalo de conança com (1 − α) = 0, 95 para a média µ.
2 Uma máquina enche pacotes de café com uma variância igual a 100 g 2 . Ela estava regulada
para encher os pacotes com 500 g, em média. Agora, ela se desregulou, e queremos saber
qual a nova média µ. Uma amostra de 25 pacotes apresentou uma média igual a 485 g 2 .
Construa o intervalo de conança com 95% para µ.
Tabela: amostra de 36 funcionários para vericar o tempo médio gasto para montar um determinado
brinquedo.
x̄ = 21, 3 e s = 5, 38
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 56 / 108
Estimação Intervalos de Conança
IC para proporção
p(1 − p)
p̂ ∼ N p, .
n
p̂ − p
q ∼ N (0, 1).
p̂(1−p̂)
n
r r !
p̂(1 − p̂) p̂(1 − p̂)
IC(p, 1 − α) = p̂ − Zα/2 , p̂ + Zα/2 .
n n
IC para proporção
Exemplo
1 Numa amostra aleatória de tamanho n = 700 foram encontrados 68 elementos defeituosos.
Achar um intervalo de conança de nível 95% para a proporção p de defeituosos.
(n − 1)s2
Q= ∼ χ2n−1 .
σ2
Qα/2 ≤ Q ≤ Q1−α/2
(n − 1)s2
Qα/2 ≤ ≤ Q1−α/2 .
σ2
(n − 1)s2 (n − 1)s2
< σ2 < .
Q1−α/2 Qα/2
Assim,
(n − 1)s2 (n − 1)s2
2
P < σ < = 1 − α.
Q1−α/2 Qα
(n − 1)s2 (n − 1)s2
2
IC(σ , 1 − α) = , .
Q1−α/2 Qα/2
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 60 / 108
Estimação Intervalos de Conança
Exemplo
1 O peso de componentes mecânicos produzidos por uma determinada empresa é uma variável
aleatória que se supõe ter distribuição normal. Pretende-se estudar a variabilidade do peso
dos referidos componentes. Para isso, uma amostra de tamanho 11 foi obtida,cujos valores
em grama são: 98 97 102 100 98 101 102 105 95 102 100. Construa um intervalo de
conança para a variância do peso, com um grau de conança igual a 95%.
5%.
(n1 − 1) 2
Q1 = s1 ∼ χ2n1 −1 (Qui-quadrado com n1 − 1 graus de liberdade)
σ12
(n2 − 1) 2
Q2 = s2 ∼ χ2n2 −1 (Qui-quadrado com n2 − 1 graus de liberdade)
σ22
Q1 s21
n −1 σ12 s21 σ22
F = 1 = = 2 2
Q2 s22 s 2 σ1
n2 − 1 σ22
Percebam que
s21 σ22
Fα/2 < < F(1−α/2) .
s22 σ12
s21 1 s21
1
IC(σ12 /σ22 , 1 − α) = ; .
F(1−α/2) s22 F(α/2) s22
Exemplo
(Morettin, L. G., 2010, pg. 327) De duas populações normais levantaram-se amostras de
tamanhos 9 e 11, respectivamente, obtendo-se S12 = 7, 114 e S22 = 3, 21. construir um IC para
o quociente das duas populações ao nível de 10%.
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 65 / 108
Estimação Intervalos de Conança
σ12 σ22
X ∼ N µ1 , e Y ∼ N µ2 , .
n1 n2
Segue que
σ2 σ2
X −Y ∼N µ1 − µ2 , 1 + 2
n1 n2
.
Assim,
(X − Y ) − (µ1 − µ2 )
Z= q 2 ∼ N (0, 1).
σ1 σ22
n1 + n2
O IC de conança obtido é
v v
u 2 2 u 2 2
uσ σ uσ σ
t 1 2 t 1 2
IC(µ1 −µ2 ,1−α)=(X̄−Ȳ )−Zα/2 + ;(X̄−Ȳ )+Zα/2 +
n1 n2 n1 n2
(X − Y ) − (µ1 − µ2 )
T = q ∼ tn1 +n2 −2 , em que
sp n11 + n12
s
(n1 − 1)s21 + (n2 − 1)s22
sp = .
n1 + n2 − 2
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 68 / 108
Estimação Intervalos de Conança
Note que
−t(a,α/2) ≤ T ≤ t(a,α/2) .
q q
1
(X−Y )−t(a,α/2) sp n1
+ n1 ≤µ1 −µ2 ≤(X−Y +t(a,α/2) sp 1
n1
+ n1
2 2
ou seja,
(X − Y ) − (µ1 − µ2 )
T = q 2 ∼ tν
s1 s22
n1 + n2
2
s21 s22
n1 + n2
ν= 2 2 2 .
s2
s1 2
n1 n2
n1 −1 + n2 −1
r r !
s2 2 s2 2
IC(µ1 −µ2 ,1−α)= (X−Y )−t(ν,α/2) 1 + s2 ;(X−Y
n1 n2
)+t(ν,α/2) 1 + s2
n1 n2
.
Exemplo
Os dados a seguir correspondem a teores de um elemento indicador da qualidade de um certo
produto. Foram coletadas 2 amostras referente a 2 métodos de produção. Construa um intervalo
de conança para a diferença das médias dos dois métodos.
Método 1 0,9 2,5 9,2 3,2 3,7 1,3 1,2 2,4 3,6 8,3
Método 2 5,3 6,3 5,5 3,6 4,1 2,7 2,0 1,5 5,1 3,5
Introdução
Introdução
Denição
1 Uma hipótese estatística é uma armação sobre os parâmetros de uma ou mais populações.
Introdução
Exemplo
Vamos supor uma situação em que um fabricante quer saber se um determinado tipo de barra
produzido por sua fábrica atende a exigência de ter um comprimento médio de 70 cm.
Em português:
H0 : O comprimento médio da barrra é 70 cm;
Em estatística:
H0 : µ = 70;
H1 : µ 6= 70.
Tipos de hipóteses
Bilateral
H0 : µ = µ0 ;
H1 : µ 6= µ0 .
Tipos de hipóteses
Unilateral à direita
H0 : µ = µ0 ;
H1 : µ > µ0 .
Tipos de hipóteses
Unilateral à esquerda
H0 : µ = µ0 ;
H1 : µ < µ0 .
Tipos de hipóteses
Exemplo
1 Um gerente de produção está estudando a possibilidade de comprar uma nova máquina de
estampar partes metálicas. Seja µ0 o número médio de partes estampadas por hora pela
máquina velha e µ a média da máquina nova. O gerente não quer comprar a máquina nova
a menos que ela seja mais produtiva que a máquina velha. Vamos encontrar as hipóteses.
2 Um operador de uma máquina de empacotar cereais, monitora o peso das caixas pesando
um determinado número de caixas periodicamente. A norma diz que a máquina deve
continuar operando a menos que a amostra indique que a máquina não esteja funcionando
normalmente. Neste caso, a máquina deve ser desligada e ajustada. A condição requerida
para a máquina continuar funcionando é que µ = 453g .
Tipos de erro
Aceita H0 Rejeita H0
H0 Verdadeiro Decisão correta erro do tipo I
H0 Falso erro do tipo II Decisão correta
Tipos de erro
α = P(X < XC |µ = µ0 );
Tipos de erro
X − µ0
Z= ,
σ
√
Fábio Azevedo (UFPB-DE) Inferêncian 19 de outubro de 2017 82 / 108
Estimação Testes de Hipóteses
Estatística de teste
P-valor
Figura: Bilateral
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 85 / 108
Estimação Testes de Hipóteses
P-valor
Figura: Unilateral
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 86 / 108
Estimação Testes de Hipóteses
Poder do teste
Poder do teste
Figura: Inferência
• Variância conhecida
X − µ0
Z=
√σ
n
• Variância desconhecida
X − µ0
T =
√s
n
1 1. Estabelecer as hipóteses:
Fixamos µ = µ0 (H0 : hipótese de nulidade) vs
µ 6= µ0 (teste bilateral)
H1 : (hipótese alternativa) = µ > µ0 (teste unilateral à direita)
µ < µ0 (teste unilateral à esquerda)
Exemplo
Exemplo
Um supervisor da qualidade quer testar, com base numa amostra aleatória de tamanho n = 35 e
para um nível de signicância α = 0, 05, se a profundidade média de um furo numa determinada
peça é 72, 4mm. O que podemos dizer se ele obteve x = 73, 2mm e se sabe, de informações
anteriores, que σ = 2, 1mm?
Exemplo
Um engenheiro de produção quer testar, com base nos dados da tabela a seguir, e para um nível
de signicância α = 0, 05, se a altura média de uma haste está próxima do valor nominal de
1055 mm. Uma amostra de 20 hastes foi analisada as medidas obtidas são dadas a seguir.
903,88; 1036,92; 1098,04; 1011,26; 1020,70; 915,38; 1014,53; 1097,79; 934,52; 1214,08; 993,45;
1120,19; 860,41; 1039,19; 950,38; 941,83; 936,78; 1086,98; 1144,94; 1066,12.
p(1 − p)
X ∼ N p, .
n
p(1 − p)
p̂ ∼ N p, .
n
Daí, temos que
p̂ − p
Z=q ∼ N (0, 1).
p(1−p)
n
De modo análogo aos passos para os testes anteriores, prosseguimos para este.
Exemplo
Um fabricante garante que 90% das peças que fornece à linha de produção de uma determinada
fábrica estão de acordo com as especicações exigidas. A análise de uma amostra de 200 peças
revelou 25 defeituosas. A um nível de 5%, podemos dizer que é verdadeira a armação do
fabricante?
Exemplo
O consumidor de um certo produto acusou o fabricante, dizendo que mais de 20% das unidades
fabricadas apresentam defeito. Para conrmar sua acusação, ele usou uma amostra de tamanho
50, onde 27% das peças eram defeituosas. Mostre como o fabricante poderia refutar a
acusação. Utilize um nível de signicância de 10%. Fonte: Morettin & Bussab, Estatística
Básica 5a edição, pg. 337
IC para proporção
IC para proporção
IC para proporção
IC para proporção