Inferencia - Estatistica - UNID1 (Modo de Compatibilidade) PDF

Universidade Federal da Bahia
Instituto de Matemática
Departamento de Estatística
Inferência Estatística (IE)
MAT 023 (2018.1) Profª Renata Esquivel 1

Divisões da Estatística
• Estatística Descritiva – Conjunto de métodos que tem por

finalidade substituir a grande quantidade de dados por uma
quantidade pequena de medidas que representam a massa de
dados.
Principais etapas:
Coleta de dados;
Organização e classificação dos dados;
Apresentação dos dados (Gráficos e tabelas);
Cálculo de medidas estatísticas.
2 2
Profª Renata Esquivel
Divisões da Estatística
• Estatística Indutiva – Inferência Estatística (IE)
- Obtenção e generalização de conclusões.
-Conclusões sobre um universo (população) a partir do conhecimento de uma parte (amostra).
-Inferir propriedades para o todo com base em uma parte do todo.
3 3
Introdução
- O que é IE ?

4
Introdução
- Por que estudar IE ?
Geralmente, é impraticável investigar toda a
população (alto custo, demanda de tempo,...).
Amostra
Representatividade da amostra-
Generalização para a população
População Profª Renata Esquivel

5
Introdução
- O estudo da Inferência Estatística possibilita:
Produzir afirmações sobre características de uma

população através de informações de uma amostra.
Produzir um grau de confiabilidade aos tomadores de

decisão.

6
Introdução
-A IE é baseada em Amostragem Probabilística

Amostras coletadas de outra forma não têm
tratamento estatístico adequado desenvolvido para elas.

7
Introdução
Dois problemas básicos na IE:
- Estimação
Identificar quais “medidas numericas” são indicadas
para obter estimativas.
-Teste de hipótese
Testar ou decidir se uma afirmação pode ser apoida
por evidências da amostra.
8
Introdução
Aplicações
- Estimar o faturamento médio anual das empresas
brasileiras.
-Estimar a proporção de empresas que sonegaram
ICMS na Bahia no ano passado.
-Testar se o faturamento de uma empresa aumentou
no último ano.
-Verificar se a proporção de empresas que sonegam
ICMS é superior a 0,2.
9
Conceitos básicos
• População
Conjunto de indivíduos, objetos ou informações que apresentam pelo

menos uma característica comum, cujo comportamento interessa-nos
analisar.
• Amostra
Qualquer subconjunto finito de elementos extraídos da população.
Exemplo:
i) Deseja-se saber se nas empresas situadas no Estado da Bahia, em
2017, existia um setor financeiro ativo.
População ou universo: empresas situadas no Estado da Bahia em
2017.
Característica: X = existência ou não de um setor financeiro ativo.
10
Conceitos básicos
• Parâmetro ( θ )
Medida numérica usada para descrever uma característica da
população de interesse;
Usualmente são desconhecidos e precisam ser estimados
( por meio de uma amostra)
Exemplos:
Média populacional (µ) ;
Parâmetros da Dist. Normal
Variância populacional(σ2);
Proporção populacional (p) Parâmetro da Distribuição Binomial
11
Conceitos básicos
• Estatística:
Medida numérica que caracteriza uma amostra;
Função dos dados amostrais e que não depende de parâmetros.
Exemplos:
Média Amostral ( x ) ; Variância Amostral (S2);
Proporção Amostral ( p̂ ).
• Estimador ( θˆ ):
Qualquer estatística utilizada para estimar um parâmetro.
θˆ = p̂ ; θˆ = µˆ
• Estimativa:
Particular valor assumido pelo estimador após a observação de uma
amostra. Profª Renata Esquivel
12
Conceitos básicos
Deseja-se estudar a altura média dos acadêmicos da UFBA ingressos
no semestre 2017.1.
População: Todos os acadêmicos da UFBA ingressos no semestre

2017.1.
Amostra: Seleciona-se uma amostra aleatória de estudantes (n= 100)

(X1,..., X100) (1,55 , ... , 1,70) metros.
Parâmetro: A altura média dos estudantes da UFBA (média

populacional µ).
1 n
Estimador: Média amostral ( θˆ = µˆ = x = n ∑ x i )
i =1
Estimativa: 1,68 m.
Profª Renata Esquivel 1313
Exemplo
População; Amostra; Parâmetro; Estimador; Estimativa
Deseja-se avaliar a satisfação da população de

eleitores de um município brasileiro com relação ao seu
prefeito atual.
Após a investigação da opinião de 1500 eleitores do

município verificou-se que 300 se declararam satisfeito
com a administração municipal.

Notações

Observação
Uma estatística, como função de variáveis

aleatórias, é também uma variável aleatória.
Desta forma, uma estatística tem um modelo

probabilístico (distribuição de probabilidade) associado.

Distribuição amostral
• Pode-se
extrair várias amostras de mesmo
tamanho de uma mesma população;
•Geração de diferentes estimativas para a
estatística (estimador) considerada;
•Estatística é uma variável aleatória;
• O valor não pode ser predito com total certeza
antes da extração da particular amostra.

•Distribuição de probabilidade de uma
estatística;
•Comportamento da estatística para todas as
possíveis amostras de mesmo tamanho extraídas
da população;
•Fundamental para garantir conclusões
confiáveis sobre as características da população.
Desenho esquemático

Distribuição amostral da média
Suponha uma população identificada pela v.a. X={2,3,4,5} .
θ = µ = 2 +3+ 4 + 5 = 3,5 e σ 2 = 1, 25 Parâmetros
4
Todas as possíveis amostras de tamanho Média para cada amostra:
2 da população:
Média das médias: Variância:
20

Distribuição de X={2,3,4,5} Distribuição da média amostral

X 2 3 4 5 x 2,0 2,5 3,0 3,5 4,0 4,5 5,0
P(X) 1/4 1/4 1/4 1/4 P(X) 1/16 2/16 3/16 4/16 3/16 2/16 1/16
21

A distribuição da média amostral, de uma amostra

aleatória de tamanho n, retiradas de uma população (X) com
média µ [E(Xi) = µ] e variância [Var(Xi) = σ 2 ], possui as
seguintes características:
1 n 
E ( x ) = E ∑ X i  = µ
 n i =1 
1 n  σ2
Var( x ) = Var ∑ X i  =
 n i=1  n
Desvio padrão: Erro padrão 2222

A média das médias amostrais se aproxima da

média populacional…
À medida que aumenta o n (mais informações

utilizadas) .

Se retirar um amostra aleatória de tamanho n …
-Se a amostra for proveniente de uma população N (µ , σ2):

 σ2  Distribuição
x~ N µ ,  amostral de x
 n 
-Caso a amostra não seja extraída de uma população normal:
Para um n suficientemente grande usa-se o Teorema Central do

Limite (TCL);
A  σ2  Distribuição
x~ N µ ,
n 
 amostral de x

2424

Teorema Central do Limite
Supondo uma amostra aleatória simples de tamanho n

retirada de uma população com média µ e variância σ 2
Ao representar tal amostra por n variáveis independentes

(X1, ..., Xn), e a sua média por x , tem-se que
, com
Z ~ N (0, 1) e n suficientemente grande.

25
Exemplos de distribuições amostrais da média amostral

(amostras extraídas de algumas populações).
26
Exemplo:
O número de empregados das empresas de um

grupo multinacional tem distribuição normal com média
100 funcionários e desvio padrão igual a 20.
Sabendo que X é a média de uma amostra de 16

empresas, qual é a probabilidade da média amostral estar
entre 90 e 110 funcionários ?
P(90 < X < 110)=?
27
Distribuição amostral da diferença entre duas
média
Supondo que X1 e X2 são populações com distribuições

normais independentes, então:
X1 ~ N(µ 1 ; σ21) e X2 ~ N(µ 2 ; σ22)
Sabendo que,
Distribuição amostral da diferença entre duas médias:
28
Distribuição amostral da proporção
i
População em que a proporção de elementos que possuem certa
característica é p, podemos então definir uma variável aleatória Xi
como sendo:
Seja uma amostra aleatória simples (X1, X2, ... , Xn) da referida
população e
Yn:total de elementos na amostra com a característica, tem-se:
2929

i
Seja p̂ a proporção de elementos na amostra que possuem a
característica, tem-se:
Yn ∑ X i (X1 + ... + X n )
p̂ = = = =x
n n n
Média e variância da proporção amostral ( p̂ ):
 Y   np   Y   np(1 − p)  p(1 − p) Var( x i )
E(p̂) = E n  =   = p = E(X i ) Var(p̂) = Var n  =  2 = =
 n  n  n   n  n n
Pelo TCL,
A
 p(1 − p)  Distribuição
p̂ ~ N p,  amostral de p̂
 n 
n suficientemente grande [np≥5 e n(1-p)≥5] Profª Renata Esquivel 3030

Exemplo:
O gestor de uma empresa acredita, de acordo com a

sua experiência, que 30% do funcionários nunca faltaram
ao trabalho.’
Selecionou-se uma amostra de 100 funcionários
para estimar a condição dos funcionários com relação à
não existência de falta na empresa.
Qual a distribuição amostral do estimador ,

considerando que o gestor esteja correto?

Distribuição amostral da diferença entre
duas proporções
Duas populações, cuja distribuição é Bernoulli com

parâmetros p1 e p2, respectivamente.
Supondo amostras suficientes grandes e independentes…
Distribuições das proporções amostrais são:
Distribuição da diferença:
3232

Estimação de parâmetros
Estimador: estatística destinada a estimar um
parâmetro…
Consiste em encontrar uma função
T = g(X1,X2, …, Xn) ,
que mais se aproxima do parâmetro, segundo algum

critério.

Exemplo
Adaptação do livro de Bussab e Morettin, 2006.
Suponha que se deseje comprar um rifle entre os

disponíveis (A,B,C e D). Para ajudar na escolha
realizou-se um experimento...
O centro de um alvo é mirado e com cada um

dos quatros rifles disparou-se 15 tiros.

Exemplo
Figura 1: Resultado do experimento. 35

Exemplo
Qual o melhor rifle?
1)Se o critério for: “Acertar em média o alvo”.
As armas A e C (Não viesadas).
2)Se o critério for: “não ser muito disperso”.
As armas C e D. (Variância pequena Precisão boa).
3) Se considerarmos os dois critérios.

A melhor arma é a C.
36
Exemplo
Conceitos
Precisão: Mede a proximidade entre cada tiro e a
média de todos os tiros. | xi - x |
Estimador preciso: Altamente concentrado (pequena variância)
Acurácia: Mede a proximidade entre cada tiro e o alvo.

| xi - θ |
Estimador acurado: Estimador próximo do parâmetro
Viés: Mede a proximidade entre a média de todos os tiros e

o centro do alvo
|x -θ|
Exemplo
Resumo:

Propriedades dos estimadores
Pode-se propor mais de um estimador para um parâmetro
Exemplo 1: Estimar a média populacional.
• Média amostral;
• Mediana amostral;
• X1 (primeira observação da amostra);
• X+1.
Exemplo 2: Estimar a mediana populacional.

• Mediana amostral;
• Média amostral.
•.
I) Não-tendenciosidade (não viesado)
θˆ é não tendencioso para θ se, e somente se, E (θˆ ) = θ

(para todo θ).
Estimador tendencioso:
Assim, teremos um viés dado por:
b( θˆ ) = E( θˆ ) – θ
II) Consistência
- Desempenho depende do tamanho da amostra (n).
- À medida que aumenta o n, um estimador consistente
torna-se mais próximo do parâmetro de interesse.
- Pode ser definida em termos da média quadrática.
θˆ é consistente para θ, se
ou
4141
II) Consistência
EQM: Erro quadrático médio

EQM (θˆ ) = Var ( θˆ ) + [b( θˆ )] 2
Dispersão em torno do verdadeiro valor do parâmetro.
θˆ é consistente em média quadrática para θ, se

III) Eficiência
Para dois estimadores quaisquer a eficiência relativa de θˆ1

comparada com θˆ2 pode ser definida como:
EQM (θˆ2 ) Var (θˆ2 ) + [b(θˆ2 )]2 ER > 1 ⇒ θ̂1 é mais eficiente que θ̂ 2
ER[ θˆ1 ;θˆ2 ] = = 
EQM (θ1 ) Var (θˆ1 ) + [b(θˆ1 )]2  ER < 1 ⇒ θˆ2 é mais eficiente que θ̂1
ˆ

Estimação
Pontual
•Encontrar um valor numérico que esteja próximo do valor do

parâmetro;
•Não permite conhecer a magnitude do erro cometido.
Parâmetros Estimadores pontuais
Média (µ)
Variância (σ2)
Yn
proporção (p) p̂ =
n 44
Estimação
Pontual- Exemplo:
-Estimar a proporção de empresas que sonegam ICMS na

Bahia no ano passado.
Fiscalizaram 500 empresas e verificaram que 100 delas tinham

sonegado o ICMS.
-Estimativa pontual:
45
Estimação intervalar
•Considera dois valores limites (LI e LS) baseados na
distribuição amostral do estimador;
•Determina um intervalo que abranja o parâmetro com certa
probabilidade pré-fixada, referida por nível de confiança.
•Considera o estimador e a sua variabilidade .
Ex.: A proporção de empresas que sonegaram o ICMS está

estimada entre 16,5% e 23,5%, ao considerar uma
confiança de 95%.
4646
Ideia teórica
Calcula-se os IC’s para todas as possíveis amostras de mesmo tamanho
de uma população.
Espera-se que (1- α )100% dos intervalos gerados contenham o θ
Por exemplo, (1- α ) =0,9 e k=10 amostras de X. 4747

Procedimento (Formal)
Encontrar duas funções dos dados amostrais, tais que, antes da

extração da amostra a seguinte probabilidade seja válida:
P(LI ≤ θ ≤ LS) = 1-α.
Em que, LI e LS são va’s.Os limites variarão de acordo com a amostra.
•Definições
(1- α ): Nível ou grau de confiança. Desejável que seja alto (próximo de 1).
Probabilidade de que seja obtido um intervalo “correto”.
α : Nível de significância ou grau de incerteza
Amplitude do IC: A=LS – LI

A precisão com que se conhece θ depende da amplitude do IC
(Quanto menor a A Melhor determinado) Profª Renata Esquivel
4848
.Interpretação prática
Amostra
Intervalo de confiança (IC)
Tem-se (1- α )100% de confiança de que o IC calculado

contém o verdadeiro valor do parâmetro.

Estimação Intervalar
•Forma geral do IC
IC (θ , (1 − α )100 % ) = [θˆ − Margem de Erro ; θˆ + Margem de Erro ]
IC (θ , (1 − α )100 % ) = [θˆ − Q . EP ( θˆ ); θˆ + Q . EP ( θˆ ) ] e EP ( θˆ ) = V ( θˆ )
-Margem de Erro ou Erro de estimação (E)
Depende do erro padrão da estimador e do nível de

confiança.
Intervalar
•IC para a média populacional
I) Variância populacional conhecida (σ2 )
-População normal com média desconhecida e
variância conhecida X ~ N(µ ; σ2)
-Seleção de uma amostra aleatória da população X
σ2
EP ( X ) = V (X ) =
 σ 2
σ 2  n
IC (µ , (1 − α )100 % ) =  X − z α ; X + zα 
 2 n 2 n 
51
Intervalar
-Determinação do tamanho amostral
Obtido a partir da expressão da margem de erro

2
 zα σ 
σ 2
σ
E = z = z ⇒ n =  2 
α
n
α
n  E 
2 2
 
Objetivo do estudo: Estimar a média de uma população

com variância conhecida
Conhecimento prévio sobre a margem de erro

52
Exercício
Por analogia a produtos similares, o tempo de reação de um
novo medicamento pode ser considerado como tendo
distribuição Normal com desvio padrão igual a 2 minutos.
Vinte pacientes foram sorteados, receberam o medicamento e
tiveram seu tempo de reação anotado. Os dados foram os
seguintes (em minutos): 5,8 5,5 5,8 7,2 8,5 8,8 8,3 6,5 10,3
9,3 9,0 11,3 11,5 9,5 5,5 11,7 12,7 8,5 10,0 10,7
Obtenha a estimação intervalar para o tempo médio de

reação. Use um grau de confiança de 95%.

54 54
Intervalar
II) Variância populacional desconhecida
-População normal com média e variância

desconhecidas X ~ N(µ ; σ2)
-Precisa-se estimar a variância populacional

- Usa-se a variância amostral (S2)
-Uso de uma nova distribuição de probabilidade

T de Student
55
Intervalar
- Distribuição T de Student
Características similares às da distribuição normal
(Simetria)
Observações:
Se a amostra for pequena (n≤30) usa-se a dristribuição ‘t de Student’ ;
Se a amostra for grande (n>30) a dristribuição ‘t de Student’ se

aproxima da distribuição normal
Intervalar
Distribuição T de Student
•Student: Pseudônimo de William Sealy Gosset que, em 1908,

propôs tal distribuição.
•Formulação e aparência semelhante com a dist. normal

padronizada.
•A família de distribuições t é centrada no zero e possui formato

em sino.
•A curva não é tão alta como a curva da normal.
•Altura e largura da dist.: Determinado pelo grau de liberdade.

57
Intervalar
58
Intervalar
~ ‘t de Student ‘ com n-1 graus de liberdade
 S 2
S  2
IC (µ , (1 − α )100 % ) =  X − t α ;X +t α

 ( n −1; )
2 n ( n −1;
2
) n 

t α
( n−1; )
: Quantil da distribuição ‘t de Student’ com (gl= n-1 ) e α
2
2

Intervalar

2
2  t α S 
S  ( n − 1 ; )

E = t ⇒ n = 2
( n − 1 ;
α
) n  E 
2
 
Objetivo do estudo: Estimar a média de uma população

com variância desconhecida

Exercício
Deseja-se estimar o lucro mensal de certa empresa. Observou-se
uma amostra de 25 meses cujos resultados foram: lucro médio de
R$2300,00 e desvio padrão de R$220,00. Determine o IC para o
lucro médio. Adote uma confiança de 90% .
Parâmetro: µ (Lucro médio mensal) Var. desconhecida: t Student
Estimador de µ: θˆ = µˆ = X t
( 25 −1;
0 ,1
)
= 1,711
2
 S2 S2 
IC (µ , (1 − α )100 % ) =  X − t α ;X + t α

 ( n −1; ) n ( n −1; ) n 
2 2

 220 2
220 2 
IC (µ , 90 % ) =  2300 − 1 , 711 ; 2300 + 1 , 711 
 25 25 
= [2224,72;2375,28]
62
Intervalar
•IC para proporção populacional
Já conhecemos a distribuição amostral do estimador p̂
A
 p(1− p) 
pˆ ~N p; 
 n 
 pˆ (1− pˆ ) pˆ (1− pˆ ) 
IC( p, (1−α )100%) =  pˆ − zα ; pˆ + zα 
 2 n 2 n 

Intervalar
•IC para proporção populacional

2
 z α 
pˆ ( 1 − pˆ )
E = z α ⇒ n = 
 E
2 
 X [ pˆ (1 − pˆ ) ]
2 n
 
Objetivo do estudo: Estimar a proporção de uma

população.

64
Exercício
Suponha que estejamos interessados em estimar a proporção de
consumidores de um determinado antigripal. Determine:
a) O tamanho da amostra necessária para que o erro cometido na

estimação seja no máximo 0,02 com probabilidade 0,95.
b) Como seria possível diminuir o tamanho da amostra utilizando a

informação adicional de que em geral a proporção de consumidores do
antigripal é no máximo10%?
c) Suponha que uma pesquisa de mercado foi realizada com o número

reduzido de consumidores obtido em b) e observou–se que 13% desses
consumidores preferem tal antigripal. Construa um intervalo de
confiança para p com coeficiente de confiança igual a 95%.
65
Intervalar
• Escolha do nível de confiança
Nível de confiança: Probabilidade, antes da extração
da amostra, de obtenção de um intervalo
“correto”.
Após a extração da amostra não temos certeza se o
IC contém o verdadeiro valor do parâmetro.
Se o nível de confiança for suficientemente grande,

considera que o IC está correto, pois o
procedimento produz IC’s corretos em (1-α)%
das vezes.
Intervalar
• Escolha do nível de confiança
Por que não devemos aumentar cada vez mais o

nível de confiança?
Para um “n” fixo o aumento do (1-α) provoca um
aumento da amplitude do IC e consequente perda
de precisão da estimativa.
67
Intervalar
•IC para a diferença entre médias
•Supondo que X1 e X2 são populações com distribuições
normais independentes, então:
X1 ~ N(µ 1 ; σ21) e X2 ~ N(µ 2 ; σ22)
•Pode-se construir IC para a diferença entre duas médias

populacionais.
•Duas amostras extraídas independentemente de cada população
•As possíveis situações na comparação de duas populações

independentes, são:
68
Intervalar

Intervalar

70
Intervalar
Amostras grandes (n1 + n2 > 30)

Exercício
1) Suponha que para uma amostra aleatória de lâmpadas de tamanho
10 a vida média é de 4600 horas, com um desvio-padrão de 200
horas. Para uma outra marca de lâmpada verificou-se uma amostra
de tamanho 8 e para esta amostra verificou-se uma média de 4000
horas e um desvio-padrão de 250 horas.Com base em estudos
anteriores, sabe-se que as variâncias populacionais são próximas.
Supondo que a duração das lâmpadas, para ambas as populações,

tenha uma distribuição normal, obtenha uma estimação com 90% de
confiança para a diferença entre a vida média de operação das duas
marcas de lâmpadas. [415,096;784,904]
Marca X1 Marca X2 Variâncias populacionais

Amostra (n1) = 10 Amostra (n2) = 8 desconhecidas e supostamente
Média : 4600 Média : 4000 iguais.
Desvio padrão (S1) = 200 Desvio padrão (S2) = 250 Amostras pequenas.
72
Exercício
2) Suponha que uma amostra aleatória de 50 famílias de uma
comunidade A apresenta uma renda familiar de R$13800,00, com
desvio-padrão de R$ 2200,00. E em uma outra comunidade B, uma
amostra aleatória também de 50 famílias apresentou uma renda de
R$14800,00, com desvio-padrão de R$ 2300,00. Sabe-se que as
variâncias populacionais são semelhantes.
Estime a diferença na renda familiar das duas comunidades.

Considere uma significância de 5%.
Família X Família Y Variâncias populacionais
Amostra (n1) = 50 Amostra (n2) = 50 desconhecidas e
Média:13800 Média : 14800
supostamente iguais.
Desvio padrão (S1) = 2200 Desvio padrão (S2) = 2300
Amostras grandes.
 S12 S 22 S12 S 22 
IC (µ1 − µ 2 ,95% ) = ( X − Y ) − zα + ; ( X − Y ) + zα + 
 2
n1 n 2 2
n1 n2  73
Intervalar
•IC para a diferença entre proporções
•Consideraremos duas populações, de modo que em cada uma delas
estudaremos certa característica de interesse, cuja distribuição é
Bernoulli com parâmetros p1 e p2.
•Pode-se construir IC para a diferença entre duas médias

populacionais.
•Duas amostras extraídas independentemente de cada população.
 pˆ1(1− pˆ1) pˆ2(1− pˆ2) pˆ1(1− pˆ1) pˆ2 (1− pˆ2 ) 

IC( p1 − p2, (1−α)100%) = ( pˆ1 − pˆ2) − zα + ;( pˆ1 − pˆ2 ) + zα + 
 2
n1 n2 2
n1 n2 

Exercício
Acredita-se que a proporção de pessoas com
osteoporose difere segundo o sexo. Escolhe-se
duas amostras com as seguintes características:
Mulheres Homens
Amostra (n1) = 200 Amostra (n2) = 100
Número de casos de osteoporose =40 Número de casos de osteoporose =10
Pede-se para construir um IC de 95% de confiança para a

verdadeira diferença de proporção. O que podemos
concluir?
 pˆ (1− pˆ1) pˆ2 (1− pˆ2 ) pˆ (1− pˆ1) pˆ2(1− pˆ2) 
IC( p1 − p2,(1−α)100%) = ( pˆ1 − pˆ2 ) − zα 1 + ;( pˆ1 − pˆ2 ) + zα 1 + 
 2
n1 n2 2
n1 n2 
IC(p1 − p 2 ,95%) = [0,019 ; 0,181] 75

76 76
Intervalar
77

Inferencia - Estatistica - UNID1 (Modo de Compatibilidade) PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Inferencia - Estatistica - UNID1 (Modo de Compatibilidade) PDF

Uploaded by

Copyright:

Available Formats

Universidade Federal da Bahia

Inferência Estatística (IE)

MAT 023 (2018.1) Profª Renata Esquivel 1

• Estatística Descritiva – Conjunto de métodos que tem por

• Estatística Indutiva – Inferência Estatística (IE)

- Obtenção e generalização de conclusões.

-Conclusões sobre um universo (população) a partir do conhecimento de uma parte (amostra).

-Inferir propriedades para o todo com base em uma parte do todo.

Profª Renata Esquivel

População Profª Renata Esquivel

- O estudo da Inferência Estatística possibilita:

Produzir afirmações sobre características de uma

Produzir um grau de confiabilidade aos tomadores de

Profª Renata Esquivel

-A IE é baseada em Amostragem Probabilística

Profª Renata Esquivel

Conjunto de indivíduos, objetos ou informações que apresentam pelo

População: Todos os acadêmicos da UFBA ingressos no semestre

Amostra: Seleciona-se uma amostra aleatória de estudantes (n= 100)

Parâmetro: A altura média dos estudantes da UFBA (média

Deseja-se avaliar a satisfação da população de

Após a investigação da opinião de 1500 eleitores do

Profª Renata Esquivel 14

Profª Renata Esquivel 15

Uma estatística, como função de variáveis

Desta forma, uma estatística tem um modelo

Profª Renata Esquivel 16

Profª Renata Esquivel 17

Profª Renata Esquivel 1919

Média das médias: Variância:

Profª Renata Esquivel

Distribuição de X={2,3,4,5} Distribuição da média amostral

Profª Renata Esquivel

A distribuição da média amostral, de uma amostra

Desvio padrão: Erro padrão 2222

A média das médias amostrais se aproxima da

À medida que aumenta o n (mais informações

Profª Renata Esquivel 2323

-Se a amostra for proveniente de uma população N (µ , σ2):

-Caso a amostra não seja extraída de uma população normal:

Para um n suficientemente grande usa-se o Teorema Central do

Profª Renata Esquivel

Supondo uma amostra aleatória simples de tamanho n

Ao representar tal amostra por n variáveis independentes

Z ~ N (0, 1) e n suficientemente grande.

Exemplos de distribuições amostrais da média amostral

O número de empregados das empresas de um

Sabendo que X é a média de uma amostra de 16

P(90 < X < 110)=?

Supondo que X1 e X2 são populações com distribuições

Distribuição amostral da diferença entre duas médias:

Yn:total de elementos na amostra com a característica, tem-se:

Profª Renata Esquivel

n suficientemente grande [np≥5 e n(1-p)≥5] Profª Renata Esquivel 3030

O gestor de uma empresa acredita, de acordo com a

Qual a distribuição amostral do estimador ,

Profª Renata Esquivel 31

Duas populações, cuja distribuição é Bernoulli com

Supondo amostras suficientes grandes e independentes…

Distribuições das proporções amostrais são:

Profª Renata Esquivel

Consiste em encontrar uma função

que mais se aproxima do parâmetro, segundo algum