Inferencia

Estimação
Estimação Pontual
A estimação pontual procura encontrar um valor numérico único que
esteja bastante próximo do verdadeiro valor do parâmetro. Porém,
não é possível julgar a magnitude do erro cometido.
Os parâmetros média (µ), variância (σ2 ) e proporção (p ) tem como

estimadores pontuais
n
1X
X = Xi ,
i= n
1
Pn
(Xi − X )
= i=
2
S
2 1
e
−1 n
número de itens com a característica na amostra
^
p = ,
n
respectivamente, todos com boas propriedades.
(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 66 / 137
Estimação
Exemplo
Considere o problema de estimar a proporção p de empresas comer-
ciais que sonegaram o ICMS no último mês. Suponha que tenham
sido scalizadas n = 500 empresas e que 100 empresas sonegaram o
ICMS no último mês.
X = número de empresas que no processo de scalização foi

constatada a sonegação do imposto = 100
Então, a estimativa pontual ca dada por
100 X
b
p = = 0, 2.=
500 n
Ou seja, a estimativa pontual da proporção de empresas comerciais
que sonegaram o ICMS no último mês foi de 20%.
Estimação por Intervalo
Muitas vezes, entretanto, queremos considerar, conjuntamente, o es-

timador e sua variabilidade, ou seja, indicar a precisão dessa estima-
tiva. Sendo assim, surge a ideia de construir um intervalo de con-
ança baseado na distribuição amostral do estimador pontual, isto é,
um intervalo de valores que deve conter o verdadeiro valor do parâ-
metro com uma probabilidade pré-determinada, referida por nível de
conança.
Na estimação por intervalo, acreditamos, com um certo nível de con-

ança, que o intervalo contém o valor do parâmetro. Um exemplo,
seria dizer que a proporção de empresas comerciais que sonegaram
o ICMS no último mês está estimada entre 16, 5% e 23, 5% com um
nível de 95% de conança.


Suponha que selecionássemos de uma população, diferentes amostras
de tamanho n , e construíssemos um intervalo de 100(1 − α)% de con-
ança para cada amostra, iríamos obter diferentes intervalos, porém,
apenas 100(1 − α)% desses intervalos irão conter o verdadeiro valor
do parâmetro populacional.
Para construirmos tais intervalos é preciso encontrar duas funções

dos dados amostrais tais que, antes da extração da amostra a seguinte
probabilidade seja válida:
P (I < θ < S) = 1 − α ,
em que I é o limite inferior, S o limite superior do intervalo de

conança e α é um valor pequeno denominado nível de signicância.
Logo, o valor (1−α) é próximo de 1 e é denominado nível de conança,
representa a probabilidade de que seja obtido um intervalo correto.
Intervalo de Conança para a Média

O intervalo de conança para a média µ é construído com base na
distribuição amostral de X . Para tal, vimos anteriormente que para
2
um n sucientemente grande, X ∼ N(µ, σn ). Dessa forma, teremos
X −µ
então que: Z = √ .
σ/ n
Portanto:
P (−zα/2 ≤ Z ≤ zα/2 ) = 1 − α

σ σ
P (X − z α2 √ ≤ µ ≤ X + z α2 √ ) = 1 − α.
n n
O intervalo de conança 100(1 − α)% para µ é dado por:

σ σ
X −z √ ; X +z √
α α ,
2 2
n n
em que E = z α2 √σn , erro amostral (margem de erro). Logo, temos que

o intervalo de conança é composto pelo estimador pontual e a mar-
gem de erro que é calculada a partir da distribuição de probabilidade
do estimador pontual,
h i
X − E; X + E .

População Normal com variância conhecida
Seja uma população Normal com µ desconhecida e σ2 conhecida.

Retira-se uma amostra de tamanho n , o intervalo de conança
100(1 − α)% para µ será
h σ σ i
X − z α2 √ ; X + z α2 √ .
n n
Por σ conhecido queremos dizer que há dados históricos ou outras

informações disponíveis que nos permitem obter uma boa estimativa
do desvio padrão da população antes de tomarmos a amostra que será
usada para desenvolver uma estimativa da média populacional. Não
necessariamente σ seja, de fato, conhecido com certeza.
Exemplo
O lucro mensal de certa empresa distribui-se de acordo com uma

curva normal sendo o desvio padrão de $200. Uma amostra aleatória
de 36 meses apresentou lucro médio de $2.400. Estime, por intervalo,
o lucro médio mensal da empresa para uma conança de 95%.

População Normal com variância desconhecida
Seja uma população Normal com µ e σ2 desconhecidas. Retira-se

uma amostra de tamanho n , o intervalo de conança 100(1 − α)%
para µ será

s s
X − t(α/2;n −1) √ ; X + t(α/2;n −1) √ ,
n n
pois como o desvio padrão populacional é desconhecido faz-se neces-

sário a utilização do seu estimador s (desvio padrão amostral).
Distribuição t -Student
Para calcular o intervalo de conança é necessário denir uma nova
variável aleatória T dada por
X−µ
√s
T = ,
n
( )
e dizemos que T tem distribuição t de Student com (n − 1) graus de

liberdade (gl ).
Student é o pseudônimo de W. S. Gosset que, em 1908, propôs

a distribuição t .
Sua formulação matemática e sua aparência são parecidas com
a distribuição normal padronizada.
A família de distribuições t é centrada no zero e possui formato

em sino. A curva não é tão alta quanto a curva da distribuição
normal.
O parâmetro que determina a altura e largura da distribuição

t depende do tamanho da amostra n e é denominado graus de
liberdade. Portanto, para cada valor diferente do tamanho da
amostra n existe uma distribuição especíca.

A distribuição t é mais variável do que a Normal Padrão e esta vari-
abilidade adicional é o resultado da substituição do desvio padrão σ
por seu estimador s (o desvio padrão amostral).
A medida que aumenta o tamanho da amostra n , isto é, à medida

que aumenta o número de graus de liberdade (n − 1), a variabilidade
introduzida pela utilização de s diminui e a distribuição t se aproxima
da distribuição normal padronizada.
Exemplo: Se uma variável aleatória T tem distribuição de Student

com 10 graus de liberdade, calcule as abscissas t0 da distribuição
considerando as seguintes probabilidades:
a. P (−t0 < T < t0 ) = 0 , 9
b. P (T > t0 ) = 0, 975
c. P (T < t0 ) = 0, 995
Exemplo
Deseja-se estimar o lucro médio mensal de certa empresa. Observou-

se uma amostra aleatória de 25 meses, cujos resultados foram: lucro
médio de $2.300 e desvio padrão de $220. Sabendo-se que o lucro
mensal comporta-se segundo uma distribuição normal, encontre o
intervalo de conança para o lucro médio com uma conança de 90%.


População não Normal (grandes amostras)
Retira-se uma amostra de tamanho n (n > 30), o intervalo de con-
ança 100(1 − α)% para µ dependerá se a variância populacional é
conhecida ou não.
Variância conhecida

σ σ
X − z α2 √ ; X + z α2 √ ,
n n
Variância desconhecida

s s
X − z α2 √ ; X + z α2 √ .
n n
Exemplo
Uma empresa de pesquisa mercadológica estava procurando estimar o

gasto médio de uma amostra de consumidores de determinada bebida
alcoólica no m de semana. Após analisar uma amostra aleatória de
100 clientes, encontrou uma média de $250, 00 e desvio padrão de
$32, 00. Determine a estimativa pontual da média da população e
construa um intervalo de 86% de conança para a média populacio-
nal.
Intervalo de Conança para a Proporção
A construção de tal intervalo é análoga a do intervalo para média, e

para tal usaremos o estimador pb, que para um tamanho de amostra
sucientemente grande, tem distribuição aproximadamente normal.
Um intervalo de conança 100(1 −α)% para a proporção populacional

pé dado por:
" r r #
b (1 − p
p b) b (1 − p
p b)
b
p − z α2 b + zα
; p .
n 2 n

Intervalo de Conança para a Proporção
Entre 500 pessoas inquiridas a respeito de suas preferências eleitorais,

260 mostraram-se favoráveis ao candidato W. Calcular um intervalo
de conança ao nível de 90% para a porcentagem dos eleitores favo-
ráveis a W.
Escolha do nível de conança

O nível de conança (1 − α) representa a probabilidade, antes da
extração da amostra, de obtenção de um intervalo correto. Após a
extração da amostra o intervalo de conança poderá conter ou não o
verdadeiro valor do parâmetro e não poderemos ter certeza de qual
destas duas possibilidades é a verdadeira.
Se o nível de conança for sucientemente grande, considera-se que
o intervalo está correto pois o procedimento que utilizamos produz
intervalos corretos em (1 − α)100% das vezes.
Nível de Conança
α zα
(1 − α)100% 2
0, 10 90% 1, 645
0, 05 95% 1, 96
0, 01 99% 2, 575
Então, porque não aumentar cada vez mais o nível de conança???
Para um tamanho xo de amostra, aumentar o nível de conança

acarreta um aumento do comprimento do intervalo, implicando em
perda de precisão da estimativa.

Então, porque não aumentar cada vez mais o nível de conança???
Para um tamanho xo de amostra, aumentar o nível de conança

acarreta um aumento do comprimento do intervalo, implicando em
perda de precisão da estimativa.
Testes de Hipóteses
Inferência Estatística
Objetivo: fazer armações sobre características de uma população, com

base nos dados de uma amostra. Existem dois problemas básicos nesse
processo:
I Estimação;
I Teste de hipóteses.
A teoria da estimação visa identicar quais as estatísticas indicadas

para se fazer estimativas para alguns parâmetros populacionais.
O teste de hipóteses visa decidir se determinada armação sobre um

parâmetro populacional é, ou não, apoiada pela evidência obtida de
dados amostrais.
Introdução - Continuação
Em geral, experimentos são realizados com o objetivo de tomar decisões

sobre uma população ou um processo.
E as decisões serão tomadas com base em dados coletados do experi-

mento (dados amostrais).
Baseados em experiências anteriores, em teoria cientíca ou na própria

intuição estabelece-se uma hipótese, a qual será submetida a um teste.
Observação: Antes de iniciar o experimento deve-se denir, de forma bem

clara, as questões objeto do experimento.

Conceito
A teoria de Inferência Estatística fornece procedimentos sistemáticos

para testar se uma suposição (opinião com fundamento incerto) sobre
determinada característica de uma ou mais populações é apoiada ou não
pela evidência obtida com os dados amostrais.
Suposição ⇒ hipótese estatística
Regra de decisão ⇒ teste de hipóteses
Alguns exemplos
Testar a hipótese da média do crescimento da renda familiar em
uma região ter sido diferente de zero.
Testar a armação de um fabricante de lâmpadas que alega que

seus produtos duram em média 400 horas.
Novo método de fabricação de lâmpadas aumentará o tempo de

vida das lâmpadas.
Testar se o faturamento médio de todas as empresas do setor

metal-mecânico localizadas na Bahia neste ano será superior a
R$200 milhões.
Determinar qual de dois tratamentos é mais eciente (problema

de duas amostras).
Noções de testes de hipóteses

Objetivo:
Testar o novo processo de fabricação.
Informação anterior:
Tempo de vida médio das lâmpadas fabricadas pelo processo padrão é
de 1.400 horas.
Pergunta:
O tempo de vida médio das lâmpadas fabricadas pelo novo processo é
maior que 1.400 horas?
Estabelecer as hipóteses:
- o novo processo não é melhor que o padrão;
- o novo processo é melhor que o padrão.

Tipos de Hipóteses
Em geral devemos decidir entre duas hipóteses complementares. Deno-
minaremos essas hipóteses de
H0 → Hipótese nula
H1 → Hipótese alternativa
No exemplo das lâmpadas se µ representa a média do tempo de vida das

lâmpadas fabricadas pelo novo processo, então,
H0 : µ = 1.400
H1 : µ > 1.400
A decisão de rejeitar H0 é equivalente à opinião H0 é falsa. A decisão

de aceitar H0 não é equivalente à opinião H0 é verdadeira. Neste
caso a opinião adequada é a de que os dados não contêm evidência
sucientemente forte contra H0 .
Critério de decisão
É preciso estabelecer um critério de decisão para que a hipótese H0

seja julgada.
O critério de decisão, fundamentado pela Teoria Estatística, é baseado

na ESTATÍSTICA DE TESTE.
De forma bem genérica e intuitiva, a estatística do teste mede a

discrepância entre o que foi observado na amostra e o que seria
esperado se a hipótese nula fosse verdadeira.
Uma grande distância ou discrepância medida pela distribuição de

probabilidade é indicação de que H0 não é verdadeira, devendo,
portanto ser rejeitada.
Tipos de Erros
Qualquer que seja a decisão a ser tomada em um teste de hipóteses,
existe a possibilidade de se cometer erros, devido à presença da incerteza.
Conclusão Situação real (na população)

do teste H0 verdadeira H0 falsa
Não rejeitar H0 Correto Erro tipo II
Rejeitar H0 Erro tipo I Correto
As probabilidades dos tipos de erros serão designadas por:
α = P (Erro tipo I)= P (Rejeitar H0 , sendo H0 verdadeira)

= P (Rejeitar H0 |H0 verdadeira)
β = P (Erro tipo II)= P (Não rejeitar H0 , sendo H0 falsa)
= P (Não rejeitar H0 |H0 falsa)

Exemplicando os tipos de erros

No caso das lâmpadas,
Erro tipo I → Aprovar o novo processo de fabricação quando na

realidade ele não é superior;
Erro tipo II → Rejeitar o novo processo de fabricação quando é, de fato,

o melhor.
O erro tipo I é mais grave, pois acarretaria em um Investimento sem

retorno para a indústria.
É fundamental que, em cada caso, se saiba qual são os erros possíveis e

que se decida a priori qual é o mais sério. Não é possível controlar ambos
os erros ao mesmo tempo. Quando diminuímos muito a probabilidade
de erro tipo I, aumentamos a probabilidade do erro tipo II e vice-versa.
Exemplicando os tipos de erros

No caso das lâmpadas,
Erro tipo I → Aprovar o novo processo de fabricação quando na

realidade ele não é superior;
Erro tipo II → Rejeitar o novo processo de fabricação quando é, de fato,

o melhor.
O erro tipo I é mais grave, pois acarretaria em um Investimento sem

retorno para a indústria.
É fundamental que, em cada caso, se saiba qual são os erros possíveis e

que se decida a priori qual é o mais sério. Não é possível controlar ambos
os erros ao mesmo tempo. Quando diminuímos muito a probabilidade
de erro tipo I, aumentamos a probabilidade do erro tipo II e vice-versa.
Nível de signicância e Poder de Teste
α → Nível de signicância do teste

Valores usuais → 10%, 5%, 1%
1 − β → Poder do teste (capacidade de detectar que a hipótese nula é

falsa)
O procedimento geral para testes de hipóteses é especicar o valor da

probabilidade do erro tipo I (α) e, então, planejar um procedimento de
teste de forma a obter uma pequena probabilidade de erro do tipo II (β).
O risco β é geralmente função do tamanho da amostra e é controlado
indiretamente. Quanto maior o tamanho da amostra usada no teste
menor o risco β.

Estatística de Teste, Região Crítica e Nível Descritivo

(valor de p )
Existem duas opções para expressar a conclusão nal de um teste de

hipótese:
Comparar o valor da estatística de teste com o valor obtido a

partir da distribuição teórica, especíca para o teste e xando um
nível de signicância (Procedimento Clássico);
Quanticar a probabilidade do resultado observado ou resultados

mais extremos, supondo a hipótese nula verdadeira (Valor de p ).
Estatística de Teste
É um valor baseado nos dados amostrais, sendo utilizado para tomar
uma decisão sobre a rejeição da hipótese nula.
No exemplo das lâmpadas suspeita-se que o tempo de vida médio das

lâmpadas fabricadas pelo novo processo seja superior a 1.400 horas.
Ao selecionarmos uma amostra aleatória de 100 lâmpadas, por exemplo,

pode-se utilizar o valor do tempo de vida médio amostral para compro-
var ou refutar a hipótese nula através de uma regra de decisão, por
exemplo:
Rejeita-se H0 se X ≥ 1.800 horas.
Neste caso, estamos utilizando o valor de X como estatística de teste.
Região Crítica e Valor Crítico

Região crítica é o conjunto de todos os valores da estatística de teste
que levam à rejeição da hipótese nula. Enquanto que o valor crítico
ou valores críticos separam a região crítica dos valores que não levam à
rejeição da hipótese nula.
Observação: Os valores críticos dependem da natureza da hipótese nula, da

distribuição amostral principal e do nível de signicância α.
Tipos de Testes
O tipo de teste será determinado pela hipótese alternativa H1 . Como
as caudas em uma distribuição são as regiões extremas delimitadas por
valores críticos, a cauda corresponderá à região crítica.
Teste Bilateral
H0 : θ = θ0 versus H1 : θ 6= θ0
Tipos de Testes
Teste Unilateral Direito
H0 : θ = θ0 (ou θ ≤ θ0 ) versus H1 : θ > θ0
Tipos de Testes
Teste Unilateral Esquerdo
H0 : θ = θ0 (ou θ ≥ θ0 ) versus H1 : θ < θ0

Passos para a construção de um Teste de Hipóteses -

Morettin & Bussab (2002)
1 Fixe qual a hipótese H0 a ser testada e qual a hipótese alter-
nativa H1 ;
2 Use a teoria estatística e as informações disponíveis para decidir
qual estatística (estimador) será usada para testar a hipótese
H0 . Obter as propriedades dessa estatística (distribuição, mé-
dia, desvio padrão);
3 Fixe a probabilidade α de cometer o erro tipo I e use este valor
para construir a região crítica;
4 Use as observações da amostra para calcular o valor da estatís-
tica do teste;
5 Se o valor da estatística calculado com os dados da amostra não
pertencer à região crítica, não rejeite H0 ; caso contrário, rejeite
H0 .
Testes de hipóteses para a média (µ)
A média de uma população é uma de suas características mais impor-

tantes e frequentemente tem-se que tomar decisões a seu respeito.
Suponha que se deseja testar se a média de um processo é igual a um

valor padrão (alvo), digamos µ0 .
Estatística: T =X .
Testes de hipóteses para a µ com população Normal e

desvio padrão conhecido (σ = σ0 )
X
X X
−µ
Teste Z: Z = σ0 /
√
n e Z ∼ N (0, 1)
a. Para o Teste bilateral
H0 : µ = µ0 versus H1 : µ 6= µ0
Rejeita H0 ao nível de signicância α se

x −µ

|z0 | = √ 0 > zα .
σ0 / n 2


b. Para o Teste unilateral à esquerda
H0 : µ = µ0 (ou µ ≥ µ0 ) versus H1 : µ < µ0
x − µ0
z0 = √ < −zα .
σ0 / n

c. Para o Teste unilateral à direita
H0 : µ = µ0 (ou µ ≤ µ0 ) versus H1 : µ > µ0
x − µ0
z0 = √ > zα .
σ0 / n
Exemplo
Foi divulgado que a duração média de uma semana de trabalho para

a população de trabalhadores é de 39,2 horas (Investor's Business
Daily, 11 de setembro de 2000). Suponha que quiséssemos extrair uma
amostra atual de trabalhadores para vericar se a duração média de uma
semana de trabalho se modicou das 39,2 horas relatadas anteriormente.
a. Estabeleça as hipóteses que nos ajudem a determinar se ocorreu

uma alteração na duração média da semana de trabalho.
b. Suponha que um tamanho de amostra de 112 trabalhadores
tenha produzido uma média amostral de 38,5 horas. Use um
desvio padrão populacional σ = 4, 8 horas. Com α = 0, 05, a
hipótese nula pode ser rejeitada? Qual a sua conclusão?

Testes de hipóteses para a média com população

Normal e desvio padrão desconhecido
Estatística: X
X −µ ∼ tn −1
Teste T: T X = s / √n e T X
H0 : µ = µ0 versus H1 : µ 6= µ0

x − µ
0
|T | = √ > tα/2;(n −1) .
s/ n

x − µ0
T = √ < −tα;(n −1) .
s/ n

H0 : µ = µ0 (ou µ ≤ µ0 ) versus H1 : µ > µ0
x − µ0
T = √ > tα;(n −1) .
s/ n

Exemplo
Sabe-se que o preço médio dos carros usados nos EUA é 10.192
dólares. O gerente de uma revendedora de carros usados revisou
uma amostra de 25 vendas recentes de carros em sua revendedora,
tentando determinar se o preço médio dos carros vendidos em sua
revendedora difere da média populacional dos EUA.
Usando α = 0, 05, qual a conclusão do teste com base em um

preço médio amostral 9.750 dólares e um desvio padrão amostral
de 1.400 dólares?
Testes de hipóteses para a média com população não

Normal e grandes amostras
Estatística: X
Propriedades da estatística de teste:
X −µ X −µ
Z X =
s/
√
n
ou Z X = √
σ/ n
e X
Z ∼ N (0, 1)
devido ao Teorema Central do Limite que garante que se a amostra for

sucientemente grande (n > 30),
X ∼ N (µ, σ2 /n ).
Testes de hipóteses para a média com população não

Normal e grandes amostras
H0 : µ = µ0 versus H1 : µ 6= µ0
x − µ x − µ
Rejeita H0 : |Z | = √ 0 ≈ √ 0 > z 2
σ/ n s/ n
α .

Rejeita H0 : Z = xσ/−√µn0 ≈ xs /−√µn0 < −zα .
H0 : µ = µ0 (ou µ ≤ µ0 ) versus
H1 : µ > µ0
x x
Rejeita H0 : Z = √ ≈ √ 0 > zα .
− µ0 −µ
σ/ n s/ n
Exemplo
O custo de manutenção de um tear possui média de 200 unidades

monetárias. Para vericar a hipótese de que o custo de manuten-
ção aumentou, analisou-se uma amostra de 35 teares e encontrou-
se um custo médio de 240 unidades monetárias e desvio padrão
de 80 unidades monetárias. Qual a sua decisão, ao nível de signi-
cância de 5%?
Testes de hipóteses para uma proporção
Em muitas situações o objetivo pode ser avaliar a veracidade de

alguma hipótese sobre a proporção de elementos na população que
possuem alguma característica de interesse (p ).
Se o tamanho da amostra (n ) for sucientemente grande e se p

não for muito próximo de zero ou 1 (np ≥ 5 e nq ≥ 5), é possí-
vel realizar um teste de hipóteses para p baseado na distribuição
Normal.
Estatística de teste: p^
Propriedades da estatística de teste: p = qp^−1p
Z^
p( −p )
e p ∼ N (0, 1)
Z^
n
Testes de hipóteses para uma proporção - bilateral
H0 : p = p0 versus H1 : p 6= p0
O teste é dado por:

p^ − p
0
|z0 | = q > z α2 .
p0 ·(1−p0 )
n

Testes de hipóteses para uma proporção - unilateral à

direita
b. Para o Teste unilateral à direita
H0 : p ≤ p0 versus H1 : p > p0

^ − p0
p
z0 =q >z .
p0 ·(1−p0 ) α
n
Testes de hipóteses para uma proporção - unilateral à

esquerda
c. Para o Teste unilateral à esquerda
H0 : p ≥ p0 versus H1 : p < p0

^ − p0
p
z0 =q < −zα .
p0 ·(1−p0 )
n
Exemplo
A fábrica A de automóveis arma que 60% dos consumidores

compram carros produzidos por ela. Uma fábrica concorrente
deseja testar a veracidade desta armação. Para isso decide
realizar uma pesquisa por amostragem com 300 proprietários de
veículos. Suponha que os resultados da pesquisa apontaram 198
proprietários de carros da fábrica A.
Ao nível α = 6%, qual a conclusão?

Nível descritivo ou valor p
Consiste na probabilidade de obter um valor da estatística (T ) maior

ou igual ao encontrado na amostra, supondo H0 verdadeira.
No caso da média, o valor p ou p -valor é calculado da seguinte forma

p -valor =P X ≥T | H0 é verdadeira .
Exemplo
Utilizando o exemplo das lâmpadas, vamos supor que na amostra de

100 lâmpadas, a média amostral foi de 1.550 horas.
Assim a referida probabilidade seria:

p -valor =P X ≥ 1.800 | µ = 1.400 ,
que representa a probabilidade de uma população com média de 1.400

horas gerar uma amostra de tamanho 100 que tenha média igual ou
maior que o resultado observado.
Lembrete: No exemplo das lâmpadas utilizamos as hipóteses
H0 : µ = 1.400 contra H1 : µ > 1.400.
Regra de decisão
Caso o valor de p seja muito pequeno devemos suspeitar da veraci-
dade de H0 . Ou seja, quanto menor o valor de p maior evidência
para se rejeitar H0 .
Procedimento para decisão com base no valor de p
a. Escolhe-se um valor tolerável para a probabilidade de erro tipo

I (α) - xando-o;
b. Se o valor p for menor ou igual a α, temos forte evidência

para rejeitar H0 , indicando que o resultado é estatisticamente
signicante.

Interpretação gráca - valor p
Observação: Em geral a probabilidade representada pelo valor p é

calculada nos softwares estatísticos. Assim a ideia é comparar esse
valor calculado com a probabilidade de erro tipo I, α, xado previa-
mente.
Conclusão
Além da conclusão do tipo rejeita/não rejeita, os p -valores dão o

grau de conança ao rejeitarmos uma hipótese nula.
Por exemplo, para α = 5%,
p-valor Interpretação
Elevada signicância estatística ou
Inferior a 0,01
Evidência muito forte contra a hipótese nula (H0 )
Estatisticamente signicante ou
Entre 0,01 a 0,05
Evidência adequada contra a hipótese nula (H0 )
Superior a 0,05 Evidência insuciente contra a hipótese nula (H0 )

Inferencia

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Inferencia

Caricato da

Copyright:

Formati disponibili

Estimação

Os parâmetros média (µ), variância (σ2 ) e proporção (p ) tem como

X = número de empresas que no processo de scalização foi

Então, a estimativa pontual ca dada por

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 67 / 137

Estimação por Intervalo

Estimação por Intervalo

Muitas vezes, entretanto, queremos considerar, conjuntamente, o es-

Na estimação por intervalo, acreditamos, com um certo nível de con-

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 68 / 137

Estimação por Intervalo

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 69 / 137

Estimação por Intervalo

Estimação por Intervalo

Para construirmos tais intervalos é preciso encontrar duas funções

em que I é o limite inferior, S o limite superior do intervalo de

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 70 / 137

Estimação por Intervalo

Intervalo de Conança para a Média

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 71 / 137

Intervalo de Conança para a Média

O intervalo de conança 100(1 − α)% para µ é dado por:

em que E = z α2 √σn , erro amostral (margem de erro). Logo, temos que

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 72 / 137

Estimação por Intervalo

Intervalo de Conança para a Média

Seja uma população Normal com µ desconhecida e σ2 conhecida.

Por  σ conhecido queremos dizer que há dados históricos ou outras

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 73 / 137

Estimação por Intervalo

O lucro mensal de certa empresa distribui-se de acordo com uma

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 74 / 137

Intervalo de Conança para a Média

População Normal com variância desconhecida

Seja uma população Normal com µ e σ2 desconhecidas. Retira-se

pois como o desvio padrão populacional é desconhecido faz-se neces-

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 75 / 137

Estimação por Intervalo

e dizemos que T tem distribuição t de Student com (n − 1) graus de

Student é o pseudônimo de W. S. Gosset que, em 1908, propôs

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 76 / 137

Estimação por Intervalo

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

O parâmetro que determina a altura e largura da distribuição

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 77 / 137

A medida que aumenta o tamanho da amostra n , isto é, à medida

Exemplo: Se uma variável aleatória T tem distribuição de Student

Estimação por Intervalo

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 79 / 137

Estimação por Intervalo

Deseja-se estimar o lucro médio mensal de certa empresa. Observou-

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 80 / 137

Intervalo de Conança para a Média

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 81 / 137

Estimação por Intervalo

Uma empresa de pesquisa mercadológica estava procurando estimar o

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 82 / 137

Estimação por Intervalo

Intervalo de Conança para a Proporção

A construção de tal intervalo é análoga a do intervalo para média, e

Um intervalo de conança 100(1 −α)% para a proporção populacional

(UFBA - DEST) Inferência Estatística MATF15 - 2017.1 83 / 137

X = número de empresas que no processo de scalização foi

Então, a estimativa pontual ca dada por

Intervalo de Conança para a Média

Intervalo de Conança para a Média

O intervalo de conança 100(1 − α)% para µ é dado por:

Intervalo de Conança para a Média

Por σ conhecido queremos dizer que há dados históricos ou outras

Intervalo de Conança para a Média

Intervalo de Conança para a Média

Intervalo de Conança para a Proporção

Um intervalo de conança 100(1 −α)% para a proporção populacional

Intervalo de Conança para a Proporção

Escolha do nível de conança

Escolha do nível de conança

Então, porque não aumentar cada vez mais o nível de conança???

Para um tamanho xo de amostra, aumentar o nível de conança

Escolha do nível de conança

Então, porque não aumentar cada vez mais o nível de conança???

Para um tamanho xo de amostra, aumentar o nível de conança

Objetivo: fazer armações sobre características de uma população, com

A teoria da estimação visa identicar quais as estatísticas indicadas

O teste de hipóteses visa decidir se determinada armação sobre um

Baseados em experiências anteriores, em teoria cientíca ou na própria

Observação: Antes de iniciar o experimento deve-se denir, de forma bem

Testar a armação de um fabricante de lâmpadas que alega que

Determinar qual de dois tratamentos é mais eciente (problema

A decisão de rejeitar H0 é equivalente à opinião H0 é falsa. A decisão

Exemplicando os tipos de erros

Exemplicando os tipos de erros

Nível de signicância e Poder de Teste

α → Nível de signicância do teste

O procedimento geral para testes de hipóteses é especicar o valor da

Existem duas opções para expressar a conclusão nal de um teste de

Quanticar a probabilidade do resultado observado ou resultados