Universidade Federal de Mato Grosso

Probabilidade e Estatstica - Curso: Engenharia Civil

Introduo Inferncia Estatstica - Prof
a
Eveliny
1 Introduo
Vimos no incio do curso como resumir descritivamente variveis associadas a um ou mais conjunto de dados. Em
seguida, construmos modelos tericos (probabilsticos), identicados por parmetros (por exemplo, X Bin(n; p)),
capazes de representar adequadamente o comportamento de algumas variveis. Agora veremos argumentos estatsticos
para fazer armaes sobre as caractersticas de uma populao, com base em informaes dadas por amostras.
O uso de informaes de uma amostra para concluir sobre o todo faz parte da atividade diria da maioria das
pessoas. Basta observar como uma cozinheira verica se o prato que ela est preparando tem ou no a quantidade
adequada de sal.
Conceitos Importantes:
1. Populao: Conjunto de elementos que possuem pelo menos uma caracterstica em comum.
2. Amostra: um subconjunto da populao.
3. Amostragem: o processo de seleo de uma amostra.
4. Parmetro: Alguma medida descritiva (mdia, varincia, proporo etc) dos valores x
1
, x
2
, , associados pop-
ulao.
5. Estatstica: Alguma medida descritiva (mdia, varincia, proporo etc) das variveis aleatrias X
1
, X
2
, , asso-
ciados amostra.
As Estatsticas mais comuns so:

X =

n
i=1
x
i
n
Mdia Amostral
S
2
=
1
n1

n
i=1
(x
i
x)
2
Varincia Amostral
X
(1)
= min(X
1
, X
2
, , X
n
) o menor valor da amostra
X
(n)
= max(X
1
, X
2
, , X
n
) o maior valor da amostra
W = X
(n)
X
(1)
Amplitude Total
p =
N
o
de elementos com a caracterstica de interesse
n
Proporo Amostral
Os Parmetros mais comuns so:
=

N
i=1
x
i
N
Mdia Populacional

2
=

N
i=1
(x
i
)
2
N
Varincia Populacional
p =
N
o
de elementos com a caracterstica de interesse
N
Proporo Populacional
2 Distribuio Amostral da Mdia
Considere uma populao identicada pela varivel X, cujos parmetros mdia populacional = IE(X) e va-
rincia populacional
2
= V ar(X) so supostamente conhecidos. Vamos retirar todas as possveis amostras aleatrias
simples de tamanho n dessa populao, e para cada uma calcular a mdia

X. Em seguida, consideremos a distribuio
amostral e estudemos suas propriedades.
Exemplo: Considere uma populao de 4 nibus de uma pequena companhia de transporte urbano. Seja X = N
o
de vezes que o nibus teve um defeito grave. Valores observados para X : 2, 3, 4, 5.
=
2 + 3 + 4 + 5
4
=
N

i=1
x
i
N
1
Universidade Federal de Mato Grosso
Probabilidade e Estatstica - Curso: Engenharia Civil
Introduo Inferncia Estatstica - Prof
a
Eveliny

2
=
N

i=1
(x
i
)
2
N
=
1
4
{(2 3, 5)
2
+ (3 3, 5)
2
+ (4 3, 5)
2
+ (5 3, 5)
2
} = 1, 25
Retirando-se uma a.a. simples de n = 2 dessa populao, com reposio, temos:
Amostras possveis Valor de x Probabilidade
(2,2) 2,0 1/16
(2,3); (3,2) 2,5 2/16
(2,4); (3,3); (4,2) 3,0 3/16
(2,5); (3,4); (4,3); (5,2) 3,5 4/16
(3,5); (4,4); (5,3) 4,0 3/16
(4,5); (5,4) 4,5 2/16
(5,5) 5,0 1/16
Vamos calcular a mdia e a varincia das mdias:
IE(

X) = 2, 0 1/16 + 2, 5 2/16 + + 5, 0 1/16 = 3, 5 =
V ar(

X) = 0, 625 =
2
/n
Se a amostragem for sem reposio e N no muito grande, N < 20n:
V ar(

X) =

2
n

N n
N 1
2.1 Teorema do Limite Central
Para uma a.a simples (X
1
, , X
n
), retiradas de uma populao com mdia e varincia
2
nita, a distribuio
amostral da mdia

X aproxima-se, para n grande, de uma distribuio Normal, com mdia e varincia
2
/n.
Corolrio: Se (X
1
, , X
n
) for uma a.a simples da populao X, com mdia e varincia
2
nita, e

X =
(X
1
+ +X
n
)/n, ento
Z =

X
/

n
N(0, 1) (1)
ou
Z =

n(

X )

N(0, 1) (2)
2.1.1 Estimao Pontual
Mdia: IE(

X) = ; Varincia: V ar(

X) =

2
n
; Desvio - Padro: DP(

X) =

n
Prova:
Mdia:
IE(

X) = IE
_
n

i=1
x
i
n
_
= IE
_
1
n
n

i=1
x
i
_
=
1
n
IE(X
1
+X
2
+ +X
n
) =
1
n
{ + + +} =
n
n
= .
Varincia:
V ar(

X) = V ar
_
n

i=1
x
i
n
_
=
1
n
2
V ar(
n

i=1
x
i
)
=
1
n
2
{V ar(X
1
) +V ar(X
2
) + +V ar(X
n
)}
=
1
n
2

_

2
+
2

2
_
=
n
2
n
2
=

2
n
.
Exerccios:
2
Universidade Federal de Mato Grosso
Probabilidade e Estatstica - Curso: Engenharia Civil
Introduo Inferncia Estatstica - Prof
a
Eveliny
1) Suponha que a aceitao de um lote de 1000 peas ocorra apenas, se o comprimento mdio de 10 peas, retiradas
aleatoriamente do lote, estiver entre 5 e 10 cm. Sabe-se que o comprimento das peas uma varivel aleatria com
distribuio Normal de mdia 7,5 cm e varincia 20cm
2
. O que podemos dizer a respeito da aceitao do lote?
2) Os pesos das peas produzidas por uma mquina (produo de 5.000 peas/dia) seguem distribuio normal com
uma mdia de 22g e desvio padro de 12,5g. Foi coletada 50 amostras, de 16 peas cada uma.
i) Determine a mdia e o desvio padro da distribuio das mdias amostrais;
ii) Em quantas amostras pode-se esperar que a mdia se encontre entre 19,3 e 20,5g? e abaixo de 19g?
iii) Qual a probabilidade de encontrarmos uma pea escolhida dessa produo com dimenso entre 19,3g e 20,5g?
3 Distribuio Amostral de uma Proporo
Vamos considerar uma populao em que a proporo de elementos portadores de certa caracterstica p. Logo,
podemos denir uma v.a. X, da seguinte maneira:
X =
_
1, se o indivduo tiver a caracterstica de interesse
0, se o indivduo no tiver a caracterstica de interesse,
logo,
= IE(X) = p,
2
= V ar(X) = p(1 p).
Se retirarmos uma AAS (amostra aleatria simples) dessa populao, e denirmos Y
n
como sendo o total de indivduos
portadores da caracterstica na amostra, Y
n
=

n
i=1
X
i
, logo,
p =
Y
n
n
Ento,
IP(Y
n
= k) = IP(Y
n
/n = k/n) = IP( p = k/n),
ou seja, a distribuio amostral de p obtida da distribuio de Y
n
e k o nmero de elementos portadores de certa
caracterstica na amostra.
Vamos mostrar que a justicativa desse fato est no TLC. Observe que
Y
n
= X
1
+X
2
+ +X
n
onde cada X
i
tem distribuio de Bernoulli, com mdia = p e varincia
2
= p(1p), e so duas a duas independentes.
Assim,
Mdia:
IE( p) = IE(Y
n
/n) =
1
n
IE(Y
n
)
IE( p) =
1
n
IE(X
1
+X
2
+ +X
n
)
IE( p) =
1
n
{IE(X
1
) +IE(X
2
) + +IE(X
n
)}
como X Bernoulli(p),
IE( p) =
1
n
{p +p + +p} =
n p
n
= p.
Varincia:
V ar( p) = V ar(Y
n
/n) =
1
n
2
V ar(Y
n
)
V ar( p) =
1
n
2
V ar(X
1
+X
2
+ +X
n
)
V ar( p) =
1
n
2
{V ar(X
1
) +V ar(X
2
) + +V ar(X
n
)}
V ar( p) =
1
n
2
_

2
+
2
+ +
2
)
_
=
n
2
n
2
3
Universidade Federal de Mato Grosso
Probabilidade e Estatstica - Curso: Engenharia Civil
Introduo Inferncia Estatstica - Prof
a
Eveliny
V ar( p) =

2
n
=
p(1 p)
n
Assim como

X, p ter, para N grande, distribuio aproximadamente Normal:
p N
_
p,
p(1 p)
n
_
. (3)
Z =
p p
_
p(1p)
n
. (4)
Exerccios:
1. Um procedimento de controle de qualidade foi planejado para garantir um mximo de 10% de itens defeituosos na
produo. A cada 6hr sorteia-se uma amostra de 20 peas e, havendo mais que 15% de defeituosas, encerra-se a
produo para vericao do processo. Qual a probabilidade de uma parada desnecessria?
2. Supondo que a produo do exemplo anterior esteja sob controle, isto , p = 10%, e que os itens sejam vendidos
em caixas com 100 unidades, qual a probabilidade de que uma caixa:
(a) tenha mais do que 10% de defeituosos?
(b) no tenha itens defeituosos?
3. Suponha que p = 30% dos estudantes de uma escola sejam mulheres. Colhemos uma AAS de n = 10 estudantes e
calculamos p = proporo de mulheres na amostra. Qual a probabilidade de que p dira de p em menos de 0,01?
4 Determinao do Tamanho de uma Amostra
Nas consideraes feitas anteriormente foi feita a suposio que o tamanho da amostra, n, era conhecido e xo.
Em determinadas situaes, pode ser de interesse determinar o tamanho da amostra a ser escolhida de uma populao, de
modo a obter um erro de estimao previamente estipulado, com determinado grau de conana.
Mdia:
n =

2
z
2
/2

2
. (5)
Note que em (5) conhecemos z
/2
e , mas
2
a varincia desconhecida da populao. Para podermos ter uma idia
sobre n devemos ter alguma informao prvia sobre
2
ou, ento, usar uma pequena amostra piloto para estimar
2
.
Exemplo: Suponha que uma pequena amostra piloto de n = 10, extrada de uma populao, forneceu os valores

X = 15 e S
2
= 16. Fixando-se = 0, 5 e = 0, 95, temos
n =
16 (1, 96)
2
(0, 5)
2
245.
No caso de propores, usando a aproximao normal apresentada na seo anterior para p, fcil ver que (5)
resulta
n =
z
2
/2
p(1 p)

2
. (6)
Geralmente o valor de p, a verdadeira proporo populacional, no conhecida, neste caso podemos usar o fato que
p(1 p) 1/4, para todo p, e (6) ca
n
z
2
/2
4
2
. (7)
Por outro lado, se tivermos alguma informao sobre p ou pudermos estim-lo usando uma amostra piloto, basta substituir
esse valor estimado em (6).
Exemplo: Suponha que numa pesquisa de mercado estima-se que no mnimo 60% das pessoas entrevistadas
preferiro a marca A de um produto. Essa informao baseada em pesquisas anteriores. Se quisermos que o erro
amostral de p seja menor do que = 0, 03, com probabilidade = 0, 95, teremos
n
(1, 96)
2
(0, 6)(0, 4)
(0, 03)
2
1.024,
usa-se o fato de que p 0, 60.
Exerccios:
4
Universidade Federal de Mato Grosso
Probabilidade e Estatstica - Curso: Engenharia Civil
Introduo Inferncia Estatstica - Prof
a
Eveliny
1. Suponha que uma indstria farmacutica deseja saber a quantos voluntrios se deva aplicar uma vacina, de modo
que a proporo de indivduos imunizados na amostra dira de menos de 2%da proporo verdadeira de imunizados
na populao, com probabilidade 90%. Qual o tamanho da amostra escolher?
2. No problema anterior, suponha que a indstria tenha a informao de que a proporo de imunizados pela vacina
seja p 0, 80. Qual o novo tamanho de amostra a escolher? Houve reduo?
5 Propriedades dos estimadores
Denio 1: Parmetro
As quantidades da populao, emgeral desconhecidas, sobre as quais temos interesse, so denominadas parmetros
e, usualmente, representadas por letras gregas tais como , , , entre outras.
Denio 2: Estimador e Estimativa
combinao dos elementos da amostra, construda com a nalidade de representar, ou estimar, um parmetro
de interesse na populao, denominamos estimador. Em geral, denotamos os estimadores por smbolos com o acento
circunexo:

, , , etc. Aos valores numricos assumidos pelos estimadores denominamos estimativas pontuais ou
simplesmente estimativas.
Denio 3: Vcio
Um estimador

no viciado ou no viesado para um parmetro se IE(

) = . Em outras palavras, um estimador

no viciado se o seu valor esperado coincide com o parmetro de interesse.
IE(

) =
Denio 4: Consistncia
Um estimador

consistente, se, medida que o tamanho da amostra aumenta, seu valor esperado converge para
o parmetro de interesse e sua varincia converge para zero. Ou seja,

consistente se as duas propriedades seguintes
so satisfeitas:
i) lim
n
IE(

) = ,
ii) lim
n
V ar(

) = 0.
Note que, na denio de consistncia, usa-se implicitamente o fato que o estimador depende de n, o tamanho da amostra.
Na denio do vcio, o resultado deve valer para qualquer que seja n, isto , IE(

) = , para todo n. Na denio de

consistncia, o estimador necessita ser no viciado apenas para valores grandes de n.
Denio 5: Ecincia
Dados dois estimadores

1
e

2
, no viciados para um parmetro , dizemos que

1
mais eciente do que

2
se
V ar(

1
) < V ar(

2
).
Tabela 1: Estimadores para mdia, proporo e varincia.
Parmetro Estimador Propriedades

2
S
2
=
1
n1

n
i=1
(x
i
x)
2
No viciado e Consistente.

X =

n
i=1
x
i
n
No viciado e Consistente.
p p =
N
o
de elementos com a caracterstica de interesse
n
No viciado e Consistente.
6 Estimao por Intervalo
At agora, todos os estimadores apresentados foram pontuais, isto , especicam um nico valor para o estimador.
Esse procedimento no permite julgar qual a possvel magnitude do erro que estamos cometendo. Da, surge a idia de
construir os intervalos de conana, que so baseados na distribuio amostral do estimador pontual.
5
Universidade Federal de Mato Grosso
Probabilidade e Estatstica - Curso: Engenharia Civil
Introduo Inferncia Estatstica - Prof
a
Eveliny
6.1 Intervalo de conana (IC) para a mdia de uma populao Normal com varincia
2
conhecida
Consideremos, inicialmente, o intervalo de conana para a mdia de uma certa populao Normal, com var-
incia conhecida
2
. Supondo uma amostra de tamanho n dada por (X
1
, , X
n
), vimos que a mdia amostral tem
distribuio Normal com a mesma mdia e varincia
2
/n. Assim,
Z =

X
/

n
N(0, 1).
Assim, o intervalo de conana para , com coeciente de conana 1 , dado por
IP
_

X
z
/2

n
< <

X +
z
/2

n
_
= 1
ou
IC(, 1 ) =
_

X
z
/2

n
;

X +
z
/2

n
_
(8)
Representao Grca: O valor z
/2
pode ser obtido na tabela da Normal padro, localizando o valor de (1 )/2 no
corpo da tabela e obtendo o valor de z
/2
nas margens correspondentes. Feito isso, temos o intervalo
Exerccios:
1. Calcule o intervalo de conana para a mdia de uma N(,
2
) em cada uma dos casos abaixo:
Mdia Amostral Tamanho da Amostra Desvio Padro () Coeciente de Conana
175 cm 100 15 cm 95%
165 cm 184 30 cm 85%
180 cm 225 30 cm 70%
2. De 50.000 vlvulas fabricadas por uma companhia retira-se uma amostra de 400 vlvulas, e obtm-se a vida mdia
de 800 horas e o desvio padro de 100 horas.
a) Qual o intervalo de conana de 99% para a vida mdia da populao?
b) Com que conana dir-se-ia que a vida mdia 800 9,8?
c) Que tamanho deve ter a amostra para que seja de 95% a conana na estimativa 800 7,84?
6.2 Intervalo de conana (IC) para a mdia de uma populao Normal com varincia
2
desconhecida
O intervalo de conana descrito em (8) somente poder ser usado nas situaes em que conhecemos o desvio
padro da populao, o que no comum na prtica. Caso contrrio, o procedimento usual substituir pelo desvio
padro calculado com os dados da amostra:
S =

_
1
n 1

n

i=1
(x
i
x)
2
(9)
6
Universidade Federal de Mato Grosso
Probabilidade e Estatstica - Curso: Engenharia Civil
Introduo Inferncia Estatstica - Prof
a
Eveliny
Duas situaes a considerar:
1. se n > 30, ento usa-de a distribuio Normal com o estimador S
2
de
2
;
2. se n 30, ento usa-se a distribuio t-de-Student, que veremos adiante;
6.2.1 Distribuio t de Student
Supondo a populao com distribuio Normal, a estatstica
t =

X
S/

n
(10)
tem distribuio de probabilidade conhecida como distribuio t de Student, com gl = n 1 graus de liberdade.
Algumas caractersticas da distribuio t de student:
simtrica em relao a zero;
Todas curvas tem mximo em t = 0;
Existe uma curva para cada tamanho de amostra (n) e o valor gl = n 1 (nmero de graus de liberdade) usado
para obteno de valores na tabela;
A medida que n cresce a distribuio t se aproxima da normal padro z;
Valores de probabilidade de t so obtidos em tabelas. A tabela de t informa o valor acima do qual se encontra a area /2,
onde t
/2
o valor encontrado na tabela da t.
Exerccios:
1. Deseja-se avaliar a dureza esperada do ao produzido sob um novo processo de tmpera. Uma amostra de dez
corpos de prova do ao produziu os seguintes resultados de dureza, em HRc: 36,4; 35,7; 37,2; 36,5; 34,9; 35,2;
36,3; 35,8; 36,6; 36,9. Construir um IC para , com nvel de conana de 95%.
2. Sete medidas de pH de uma soluo reguladora proporcionaram os seguintes resultados: 5,12; 5,15; 5,20; 5,16;
5,19; 5,15. Calcular os limites de conana para o verdadeiro pH mdio ao nvel de conana de : i) 99%; ii)95%.
7
Universidade Federal de Mato Grosso
Probabilidade e Estatstica - Curso: Engenharia Civil
Introduo Inferncia Estatstica - Prof
a
Eveliny
6.3 Intervalo de conana (IC) para proporo populacional p
Em muitas situaes, o principal parmetro de interesse alguma proporo p. Por exemplo:
a proporo de itens defeituosos em uma linha de produo;
a proporo de consumidores que vo comprar certo produto;
a proporo de mensagens que chegam adequadamente a seu destino etc.
Assim como

X, p ter, para N grande, distribuio aproximadamente Normal:
p N
_
p,
p(1 p)
n
_
.
Z =
p p
_
p(1p)
n
.
Assim, o intervalo de conana para p, com coeciente de conana 1 , dado por
IP
_
p z
/2

_
p(1 p)
n
< p < p +z
/2

_
p(1 p)
n
_
= 1
ou
IC(p, 1 ) =
_
p z
/2

_
p(1 p)
n
; p +z
/2

_
p(1 p)
n
_
(11)
Exerccios:
1. Para estimar a porcentagem de alunos de um curso favorveis a modicao do currculo escolar, tomou-se uma
amostra de 100 alunos, dos quais 80 foram favorveis.
a) Fazer um IC para a proporo de todos os alunos do curso favorveis modicao ao nvel de 4%.
b) Qual o valor do erro de estimao cometido em (a)?
2. Pretende-se estimar a proporo p de cura, atravs do uso de um certo medicamento em doentes contaminados com
cercria, que uma das formas do verme da esquitossomose. Um experimento consistiu em aplicar o medicamento
em 200 pacientes, escolhidos ao acaso, e observar que 160 deles foram curados. Que podemos dizer da proporo
p na populao em geral?
8