Professional Documents
Culture Documents
Instituto de Matemática
Departamento de Estatística
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
3 3
Profª Renata Esquivel
Introdução
- O que é IE ?
Amostra
Representatividade da amostra-
Generalização para a população
-Teste de hipótese
Testar ou decidir se uma afirmação pode ser apoida
por evidências da amostra.
Profª Renata Esquivel
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.
Profª Renata Esquivel
9
Conceitos básicos
• 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.
Profª Renata Esquivel
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
Profª Renata Esquivel
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.
Estimativa: 1,68 m.
Profª Renata Esquivel 1313
Exemplo
População; Amostra; Parâmetro; Estimador; Estimativa
20
21
1 n
E ( x ) = E ∑ X i = µ
n i =1
1 n σ2
Var( x ) = Var ∑ X i =
n i=1 n
A σ2 Distribuição
x~ N µ ,
n
amostral de x
2424
, com
26
Profª Renata Esquivel
Distribuição amostral da média
Exemplo:
27
Profª Renata Esquivel
Distribuição amostral da diferença entre duas
média
Sabendo que,
28
Profª Renata Esquivel
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
2929
Pelo TCL,
A
p(1 − p) Distribuição
p̂ ~ N p, amostral de p̂
n
Distribuição da diferença:
3232
T = g(X1,X2, …, Xn) ,
Estimador tendencioso:
b( θˆ ) = E( θˆ ) – θ
Profª Renata Esquivel 4040
Propriedades dos estimadores
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
Profª Renata Esquivel
Propriedades dos estimadores
II) Consistência
III) Eficiência
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
Média (µ)
Variância (σ2)
Yn
proporção (p) p̂ =
n 44
Profª Renata Esquivel
Estimação
Pontual- Exemplo:
-Estimativa pontual:
45
Profª Renata Esquivel
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 .
•Definições
(1- α ): Nível ou grau de confiança. Desejável que seja alto (próximo de 1).
Probabilidade de que seja obtido um intervalo “correto”.
Amostra
Intervalo de confiança (IC)
IC (θ , (1 − α )100 % ) = [θˆ − Q . EP ( θˆ ); θˆ + Q . EP ( θˆ ) ] e EP ( θˆ ) = V ( θˆ )
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
Profª Renata Esquivel
Intervalar
•IC para a média populacional
-Determinação do tamanho amostral
- 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’ ;
58
Profª Renata Esquivel
Intervalar
•IC para a média populacional
II) Variância populacional desconhecida
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
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]
Profª Renata Esquivel 6161
62
Intervalar
•IC para proporção populacional
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
68
Profª Renata Esquivel
Intervalar
•IC para a diferença entre médias
77
Profª Renata Esquivel