Estima

Inferência
Fábio Azevedo de Souza
Amostragem, Estimação Pontual, Intervalar e Testes de Hipóteses
Material em construção
19 de outubro de 2017
Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 1 / 108

Sumário
1 Amostragem
Distribuição amostral da média
Distribuição Amostral da Proporção
Determinação do tamanho da amostra
2 Estimação
Intervalos de Conança
Testes de Hipóteses

Amostragem
Introdução
Figura: População em estudo

Amostragem
Introdução
Figura: População em estudo
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.
Amostragem
Exemplo
Figura: Amostra da população em estudo

Amostragem
Exemplo
Figura: Amostra da população em estudo
Denição
É qualquer subconjunto da população. Será denotado por n.

Amostragem
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

Amostragem
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.

Amostragem
Distribuição dos salários
Fábio Azevedo (UFPB-DE) Figura: Histograma da variável salário

Inferência 19 de outubro de 2017 6 / 108
Amostragem
Conceitos
Os procedimentos utilizados para se fazer uma amostragem é tão importante, que constituem
especialidades dentro da estatística.

Amostragem
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

Amostragem
Amostragem Aleatória Simples
Figura: Amostra Aleatória Simples

Amostragem
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
Tabela: Distribuição da v.a. X para o exemplo acima
X 1 3 5 7
P (X = x) 1/5 1/5 2/5 1/5

Amostragem
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.

Amostragem
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.
Ou seja, será a n-upla ordenada.
(X1 , X2 , . . . , Xn )
em X − i indica cada observação do i-ésimo elemento sorteado.

Amostragem
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

Amostragem
Denições
Denição
Um parâmetro é uma medida usada para descrever uma característica da população.
Exemplo
µ = E[X] : média populacional

Amostragem
Resumo
Tabela: Tabela com Parâmetros e Estimadores
Denominação População Amostra

Média
P
µ = E[X] x̄ = Xi /n
mediana Md md
Variância σ 2 = var(X) S2 = (Xi − X̄ 2 /(n − 1))
P
Número de elementos N n
Proporção P p̂
Quantil Q(p) q(p)
Quartis Q1 , Q2 , Q3 q1 , q2 , q3
Intervalo inter-quartil dq = Q3 − Q1 dq = q3 − q1
Função de densidade f (x) histograma
Função de distribuição F (x) Fe (x)

Amostragem Distribuição amostral da média
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:

Deveremos:
1 Retirar todas as possíveis amostras de tamanho n dessa população;

2 Calcular a média amostral X̄ ;
3 Considerar a distribuição amostral e estudar suas propriedades.

Deveremos:
1 Retirar todas as possíveis amostras de tamanho n dessa população;

2 Calcular a média amostral X̄ ;
3 Considerar a distribuição amostral e estudar suas propriedades.
Exemplo
A população {1, 3, 5, 5, 7} tem média µ = 4, 2 e variância σ 2 = 4, 16.

Tabela: Distribuição das probabilidades das possíveis amostras de tamanho 2 do {1, 3, 5, 5, 7}
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

Tabela: Distribuição das probabilidades das possíveis amostras de tamanho 2 do {1, 3, 5, 5, 7}
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
Tabela: Distribuição amostral da estatística X̄
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
Distribuição Amostral da Média X̄
Estudaremos agora, a distribuição amostral da estatística X̄ , a média amostral. Seja X uma

variável de uma determinada população, cujos parâmetros são: E[X] = µ e V ar(X) = σ 2 .
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
Se (X1 , X2 , . . . , Xn ) for uma amostra aleatória simples da população X, com média µ e

variância σ 2 nita, e X̄ = (X1 + . . . + Xn )/n, então

Corolários

X̄ − µ
Z= √ ∼ N (0, 1). (1)
σ/ n

Corolários

X̄ − µ
Z= √ ∼ N (0, 1). (1)
σ/ n
Reescrevendo (1) temos

Corolários

X̄ − µ
Z= √ ∼ N (0, 1). (1)
σ/ n

√
n(X̄ − µ)
Z= ∼ N (0, 1). (2)
σ

Corolários

X̄ − µ
Z= √ ∼ N (0, 1). (1)
σ/ n

√
n(X̄ − µ)
Z= ∼ N (0, 1). (2)
σ
Seja e = X̄ − µ o erro amostral da média. Então,

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
Figura: Histogramas para diferentes valores de n.

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?

Amostragem Distribuição Amostral da Proporção
Consideremos uma população em que a proporção de indivíduos com determinada característica

é p. Logo, podemos denir uma v.a. X, da seguinte maneira:



1,
 se o indivíduo é portador da característica;
X= (4)
se o indivíduo não é portador de característica.

0,



1,
 se o indivíduo é portador da característica;
X= (4)
se o indivíduo não é portador de característica.

0,
Assim, X é uma variável discreta, com distribuição de Bernoulli, tal que
µ = E(X) = p, σ 2 = Var(X) = p(1 − p).

Figura: Retiradas de amostras aleatórias simples
Retirada uma AAS X1 , X2 , . . . , Xn sem reposição de tamanho n dessa população, e indicando

por Yn o total de indivíduos portadores da característica na amostra, teremos que
Yn ∼ Binomial(n, p)
ou seja,

n
P(Yn = k) = pk (1 − p)n−k .
k
Exemplo
Vamos denir por p̂ a proporção de indivíduos portadores da característica na amostra, isto é,

Yn
p̂ = .
n
Então,
P(Yn = k) = P(Yn /n = k/n) = P(p̂ = k/n),

ou seja, a distribuição amostral de p̂ é obtida da distribuição de Yn .
Notemos que
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
Logo, a transformação Yn = nX terá a distribuição
Yn ∼ N (np, np(1 − p)).

Perceba que X , na expressão acima, é a própria variável p̂ e, desse modo, para n grande podemos
considerar a distribuição amostral de p como aproximadamente normal

p(1 − p)
p̂ ∼ N p,
n
e

p(1 − p)
p̂ − p ∼ N 0, .
n

Exemplos
1 Suponha que queremos saber a porcentagem de casamentos que terminam em divórcio

entre casais que vivem em São Paulo. Como não temos recursos sucientes para checar
todos os arquivos, vamos estimar esta porcentagem baseados em alguns dados disponíveis.
Suponha que temos dados sobre 10 casais:
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
1 então a probabilidade estimada de um divórcio é

3
p̂ = = 0, 3.
10
Como estamos tratando de distribuição binomial e, supondo conhecer a real probabilidade
de divórcio, p, podemos encontrar P (p̂ = 0, 3)

Solução
1 então a probabilidade estimada de um divórcio é

3
p̂ = = 0, 3.
10
Como estamos tratando de distribuição binomial e, supondo conhecer a real probabilidade
de divórcio, p, podemos encontrar P (p̂ = 0, 3)

10
P (X = 3) = p3 (1 − p)7 .
3

Amostragem Determinação do tamanho da amostra
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
zγ2 p(1 − p) zγ2

n= . Para p desconhecido, temos n ≈ (7)
2 42

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
1, se a i-ésima pessoa na amostra possui artrite

Xi =
0, caso contrário

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
1, se a i-ésima pessoa na amostra possui artrite

Xi =
0, caso contrário
n
X
Yn = Xi
i=1

Exemplo
Desta forma, um possível estimador para a proporção é dado por

200
Yn X Xi pessoas com artrite na amostra
p̂ = = = .
n 200
i=1
tamanho amostral
Assim, se Yn = k, temos que p̂ = nk é uma estimativa para a proporção p. Se considerarmos a

amostra extraída acima, temos que a estimativa é dada por
12
p̂ = = 0, 06
200
.

Estimação
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.

Estimação
Qualidades de um estimador
Figura: Resultados de 15 disparos por 4 ries.

Estimação
Propriedades dos estimadores
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 .

Estimação
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
lim E (Tn ) = θ e lim Var (Tn ) = 0.

n→∞ n→∞

Estimação
Eciência
Denição:
Suponha que T e T ' sejam dois estimadores não viciados de um mesmo parâmetro θ. Se
Var (T ) < Var T 0

então dizemos que T é um estimador mais eciente do que T '.

Estimação
Erro
Denição:
Denimos o erro quadrático médio (EQM) do estimador T como sendo o valor esperado do
erro amostral ao quadrado, isto é,
EQM(T ; θ) = E(e2 ) = E (T − θ)2 .

De onde segue que
EQM(T, θ) = Var(T ) + V (T, θ)2

onde V (T, θ) é o vício do estimador T .

Estimação

• Estimadores de mínimos quadrados
Tem por objetivo minimizar o quadrado das diferenças entre os valores observados de uma
amostra e seus respectivos valores esperados.
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.
Tabela: Resistências Y medidas de uma cabo de aço em função de seu diâmetro X .
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

Estimação
Tabela: Análise do modelo Ŷ = 4x
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
Estimação

Minimizando a função
10
X
S(θ) = (Yi − θXi )2 .
i=1

Estimação

Minimizando a função
10
X
S(θ) = (Yi − θXi )2 .
i=1
10
dS(θ) X
= (Yi − θ̂Xi )(−2Xi ) = 0.
dθ
i=1
E, resolvendo esta equação, obtemos o estimador

P10
Xi Yi
θ̂M Q = Pi=1
10 2
.
i=1 Xi
θ̂M Q = 4, 011625

Estimação
• Estimadores de máxima verossimilhança

O princípio da verossimilhança arma que devemos escolher aquele parâmetro
desconhecido que maximiza a probabilidade de obter uma particular amostra observada.
Consideremos uma população. f (x, θ), sendo θ o parâmetro desconhecido. Retiremos uma
amostra aleatória simples de X , de tamanho n, X1 , . . . , Xn , e sejam x1 , . . . , xn os valores
efetivamente observados.
A função de verossimilhança L é denida por
n
Y
L(θ; x1 , . . . , xn ) = f (x1 ; θ) × . . . × f (xn ; θ) = f (xi ; θ).
i=1

Estimação

Se X é uma variável aleatória discreta com função de distribuição p(x,?), a função de
verossimilhança é dada por
n
Y
L(θ; x1 , . . . , xn ) = p(x1 ; θ) × . . . × p(xn ; θ) = p(xi ; θ).
i=1
que deve ser interpretada como uma função de θ. O estimador de máxima verossimilhança de θ
é o valor que maximiza L(θ; x1 , . . . , x − n).
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.
Estimação

Exemplo
Seja X uma variável aleatória com distribuição de Poisson e parâmetro λ.
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 !

Estimação
Aplicamos a função logaritmo natural (ln) na função de verossimilhança L(λ; x1 , . . . , xn ).

n
1 X
ln L(λ; x1 , . . . , xn ) = ln Qn + xi ln λ − nλ
i=1 x1 ! i=1
e, derivando em relação a λ, segue que

n
d ln L(λ; x1 , . . . , xn ) 1X
= xi − n.
dλ λ
i=1
Igualando o resultado a zero, segue que

n Pn
1X i=1 xi
xi − n = 0 ⇔ λ̂ = = x.
λ̂ n
i=1

Estimação Intervalos de Conança
Introdução
Uma estimativa do intervalo de conança de um parâmetro desconhecido θ é um intervalo da

forma l ≤ θ ≤ u, em que os limites l e u dependem do valor numérico da estatística Θ da
amostra para uma particular amostra.
Uma vez que diferentes amostras produzirão valores diferentes de θ̂ e, e consequentemente limites
diferentes, esses limites são variáveis aleatórias, L e U respectivamente.
P (L ≤ θ ≤ U ) = 1 − α (8)
IC (θ, 100 (1 − α) %) = (l ≤ θ ≤ u) (9)

Motivação
Figura: Signicado de um intervalo de conança para θ

Média com variância conhecida
σ2

X ∼ N µ, .
n
Logo,
X −µ
Z= ∼ N (0, 1),
√σ
n

Figura: Região crítica

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.

Média com variância desconhecida

√ √
Quando não conhecemos σ 2 , podemos substituir σ/ n por s/ n, em que S 2 é a variância
amostral. Para n grande, (≥ 100), ainda podemos usar o intervalo dado anteriormente com essa
modicação. Caso contrário, usaremos a estatística T, dada por
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

Figura: Distribuição t-student

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.
17,1 16,893 14,6004 13,0053

29,6269 19,25 17,7504 24,6337
29,3567 25,0798 16,7914 29,4087
23,8807 15,2133 19,1536 30,3199
13,005 24,6795 29,3308 20,7309
16,4541 26,2017 21,7857 19,7393
24,6042 18,6442 21,2594 26,9123
16,9896 32,8977 21,3627 15,4958
18,3113 23,6931 19,5429 16,3855
x̄ = 21, 3 e s = 5, 38
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.
2 Em uma amostra aleatória de 85 mancais de eixos de manivela de motores de automóveis,

10 têm um acabamento de supercial mais rugoso do que as especicações permitidas.
Consequentemente uma estimativa da proporção de mancais na população que excede a
especicação de rugosidade é p̂ = 0, 12. Construir um IC com 5% de signicância para p.

IC para Variância com µ desconhecida

Seja X1 , . . . , Xn com distribuição normal com média µ e variância σ 2 . Assim, sabemos que a
quantidade pivotal
(n − 1)s2
Q= ∼ χ2n−1 .
σ2
Figura: Gráco da distribuição χ


Note que
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
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%.
2 (Morettin, L. G.,2010) Sabe-se que o tempo de vida de certa lâmpada t em distribuição

aproximadamente normal, Pcom média de 500 horas e variância desconhecida. Uma amostra
de 25 lâmpadas forneceu 25 i=1 (xi − µ) = 62.500. Construir um IC para σ ao nível de
2 2
5%.

IC para razão entre duas Variâncias
Sejam X1 , X2 , . . . , Xn1 e Y1 , Y2 , . . . , Yn2 amostras das populações 1 e 2 respectivamente.
(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

Figura: gráco da Distribuição F

Percebam que
Fα/2 < F < F(1−α/2)
s21 σ22
Fα/2 < < F(1−α/2) .
s22 σ12
1 s21 σ12 1 s21

< < .
F(1−α/2) s22 σ22 Fα/2 s22
Assim,
s21 σ12 1 s21

1
P < < = 1 − α.
F(1−α/2) s22 σ22 Fα/2 s22


Observe que F(1−α/2,n1 −1,n2 −1) = 1
F(α/2,n2 −1,n1 −1) e
F(1−α/2,n2 −1,n1 −1) .

1
F(α/2,n1 −1,n2 −1) =
Logo, o IC será dado por
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%.
IC para a diferença de médias com Variâncias conhecidas
Sejam X1 , X2 , . . . , Xn1 e Y1 , Y2 , . . . , Yn2 duas amostras.
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


IC para a diferença de médias com variâncias desconhecidas

• Variâncias desconhecidas - porém iguais
Consideremos duas amostras aleatórias, X1 , X2 , . . . , Xn1 de tamanho n1 e Y1 , Y2 , . . . , Yn2 com
(n1 − 1)s21 (n2 − 1)s22

∼ χ2n1 −1 e ∼ χ2n2 −1
σ2 σ2
.
Então,
(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
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,
IC(µ1 −µ2 ,1−α)=

q q
1
(X−Y )−t(a,α/2) sp n1
+ n1 ;(X−Y )+t(a,α/2) sp 1
n1
+ n1
2 2

• Variâncias desconhecidas e diferentes

Sejam X1 , X2 , . . . , Xn1 de tamanho n1 e Y1 , Y2 , . . . , Yn2 de tamanho n2
(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

Analogamente a construção anterior, obtemos
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

Estimação Testes de Hipóteses
Introdução
Figura: Testando uma armação

Introdução
Denição
1 Uma hipótese estatística é uma armação sobre os parâmetros de uma ou mais populações.
2 Uma hipótese estatística é uma armação ou conjetura sobre o parâmetro, ou parâmetros,

da distribuição de probabilidades de uma característica, X, da população ou de uma variável
aleatória.

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;

H1 : O comprimento médio da barrra é diferente de 70 cm.
Em estatística:

H0 : µ = 70;
H1 : µ 6= 70.

Tipos de hipóteses
Bilateral

H0 : µ = µ0 ;
H1 : µ 6= µ0 .
Figura: Teste de hipótese bilateral

Tipos de hipóteses
Unilateral à direita

H0 : µ = µ0 ;
H1 : µ > µ0 .
Figura: Teste de hipótese unilateral à direita

Tipos de hipóteses
Unilateral à esquerda

H0 : µ = µ0 ;
H1 : µ < µ0 .
Figura: Teste de hipótese unilateral à esquerda

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
Tabela: Tipo de decisão
Aceita H0 Rejeita H0
H0 Verdadeiro Decisão correta erro do tipo I
H0 Falso erro do tipo II Decisão correta
α = P(Erro do tipo I) = P (rejeitar H0 dado que H0 verdadeira);
β = P(Erro do tipo II) = P (aceitar H0 dado que H0 falsa).

Tipos de erro
Considere um teste unilateral dado pelas hipóteses:

H0 : µ = µ0 ;
H1 : µ < µ0 .
{X < XC }
,
α = P(X < XC |µ = µ0 );
β = P(X > XC |µ < µ0 ).

Tipos de erro
Figura: Região de relação entre os erros
X − µ0
Z= ,
σ
√
Fábio Azevedo (UFPB-DE) Inferêncian 19 de outubro de 2017 82 / 108
Procedimento geral para um teste de hipótese
1 Fixar quais as hipótese H0 e H1 .

2 Escolher qual estatística será usada para testar a hipótese H0 .
3 Fixar a probabilidade de cometer o erro tipo I e usar esse valor para construir a região
crítica.
4 Usar as observações para calcular o valor da estatística de teste.
5 Tomar a decisão de rejeitar ou não H0 , com base no valor da estatística calculada, ou seja,
pertence ou não pertence a região crítica.

Estatística de teste
Tabela: Critérios para o teste de hipótese
Hipótese alternativa Rejeita H0 Não rejeita H0

µ < µ0 Z < −Zα Z ≥ −Zα
µ > µ0 Z > Zα Z ≤ Zα
µ 6= µ0 Z < −Zα/2 ou Z > Zα/2 −Zα/2 ≤ Z ≤ Zα/2

P-valor
Figura: Bilateral
P-valor
Figura: Unilateral
Exemplo para o P-valor
Figura: Gráco para interpretação do P-valor

Poder do teste
π(θ)=P[rejeitar H0 |θ]=P[T ∈C|θ],
para todo valor de θ.
Figura: Gráco da função poder

Poder do teste
O poder de um teste de hipóteses é afetado por três fatores:

1 Tamanho da amostra: Mantendo todos os outros parâmetros iguais, quanto maior o
tamanho da amostra, maior o poder do teste.
2 Nível de Signicância: Quanto maior o nível de signicância, maior o poder do teste. Se
você aumenta o nível de signicância, você reduz a região de aceitação. Como resultado,
você tem maior chance de rejeitar a hipótese nula. Isto signica que você tem menos
chance de aceitar a hipótese nula quando ela é falsa, isto é, menor chance de cometer um
erro do tipo II. Então, o poder do teste aumenta.
3 O verdadeiro valor do parâmetro a ser testado: Quanto maior a diferença entre o
"verdadeiro"valor do parâmetro e o valor especicado pela hipótese nula, maior o poder do
teste.

Teste de hipótese para a média
Figura: Inferência

• Variância conhecida
X − µ0
Z=
√σ
n
• Variância desconhecida
X − µ0
T =
√s
n

• Passos para construção do teste.
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)


2 2. Fixar o nível de signicância α.

3 3. Determinar a região crítica.
4 4. Calcular, sob a hipótese nula, o valor da estatística de teste.
5 5. Critério:


• Teste bilateral: se Tobs > tα/2 ou se Tobs < −t−α/2 , rejeitamos H0 . Caso contrário,
não rejeitamos H0 .
Figura: Teste bilateral


• Teste unilateral à direita: se Tobs > tα , rejeitamos H0 . Caso contrário, não rejeitamos H0 .
Figura: teste unilateral a direita


• Teste unilateral à esquerda: se Tobs < −tα , rejeitamos H0 . Caso contrário, não
rejeitamos H0 .
Figura: Teste unilateral a 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.

Teste de hipótese para proporção

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.

Teste de hipótese para proporção
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







Estima

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estima

Cargado por

Copyright:

Formatos disponibles

Inferência

Fábio Azevedo de Souza

Amostragem, Estimação Pontual, Intervalar e Testes de Hipóteses

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 1 / 108

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 2 / 108

Figura: População em estudo

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 3 / 108

Figura: População em estudo

Figura: Amostra da população em estudo

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 4 / 108

Figura: Amostra da população em estudo

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 4 / 108

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 5 / 108

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 5 / 108

Distribuição dos salários

Fábio Azevedo (UFPB-DE) Figura: Histograma da variável salário

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 7 / 108

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 7 / 108

Amostragem Aleatória Simples

Figura: Amostra Aleatória Simples

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 8 / 108

Tabela: Distribuição da v.a. X para o exemplo acima

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 9 / 108

Amostragem Aleatória Simples

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 10 / 108

Amostragem Aleatória Simples

Ou seja, será a n-upla ordenada.

em X − i indica cada observação do i-ésimo elemento sorteado.

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 10 / 108

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 11 / 108

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 12 / 108

Tabela: Tabela com Parâmetros e Estimadores

Denominação População Amostra

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 13 / 108

Distribuição amostral da média

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 14 / 108

Distribuição amostral da média

1 Retirar todas as possíveis amostras de tamanho n dessa população;

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 14 / 108

Distribuição amostral da média

1 Retirar todas as possíveis amostras de tamanho n dessa população;

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 14 / 108

Distribuição amostral da média

Tabela: Distribuição das probabilidades das possíveis amostras de tamanho 2 do {1, 3, 5, 5, 7}

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 15 / 108

Distribuição amostral da média

Tabela: Distribuição das probabilidades das possíveis amostras de tamanho 2 do {1, 3, 5, 5, 7}

Tabela: Distribuição amostral da estatística X̄

Distribuição Amostral da Média X̄

Estudaremos agora, a distribuição amostral da estatística X̄ , a média amostral. Seja X uma

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 16 / 108

Se (X1 , X2 , . . . , Xn ) for uma amostra aleatória simples da população X, com média µ e

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 17 / 108

Se (X1 , X2 , . . . , Xn ) for uma amostra aleatória simples da população X, com média µ e

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 17 / 108

Se (X1 , X2 , . . . , Xn ) for uma amostra aleatória simples da população X, com média µ e

Reescrevendo (1) temos

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 17 / 108

Se (X1 , X2 , . . . , Xn ) for uma amostra aleatória simples da população X, com média µ e

Reescrevendo (1) temos

Fábio Azevedo (UFPB-DE) Inferência 19 de outubro de 2017 17 / 108

Se (X1 , X2 , . . . , Xn ) for uma amostra aleatória simples da população X, com média µ e

Vamos denir por p̂ a proporção de indivíduos portadores da característica na amostra, isto é,

Figura: Resultados de 15 disparos por 4 ries.

então dizemos que T é um estimador mais eciente do que T '.