Escolar Documentos
Profissional Documentos
Cultura Documentos
Inferencia
Inferencia
Inferncia Estatstica
Inferncia Estatstica
Inferncia Estatstica um conjunto de tcnicas
que objetiva estudar uma populao atravs de
evidncias fornecidas por uma amostra.
Populao o conjunto de todos os elementos ou
resultados sob investigao. Amostra qualquer
subconjunto da populao.
Problemas da Inferncia
Exemplo: Qual a distribuio da altura dos brasileiros
adultos?. Parece razovel pensar num modelo Normal, a
questo agora identificar os parmetros ( e 2) para que
ela fique completamente especificada. Como fazer isso?
Medindo a altura de todos os Brasileiros adultos. Neste caso no
necessrio usar Inferncia Estatstica!
Problemas da Inferncia
Exemplo: suponha agora que desejamos saber se a mdia
da altura dos brasileiros maior que a dos argentinos
(1,65m)?
Para tomarmos uma deciso, escolhemos estrategicamente uma amostra
Estimao
Teste de Hipteses
Qual
a probabilidade de
"cara"no lanamento de
uma moeda?
moeda honesta ou
desequilibrada?
Qual
a proporo de
votos que o candidato A tem
nas eleies?
candidato A vencer as
eleies ?
Qual
Pelo
a proporo de
motoristas
que tiveram
sua
carteira
apreendida
aps a vigncia da nova lei
de trnsito?
menos 2% dos
motoristas habilitados de
SP tiveram suas carteiras
apreendidas
aps
a
entrada da nova lei do
trnsito ou no?
5
AAS
Supomos que podemos listar todos os N elementos da populao
(populao finita).
Algumas Definies
Definio: Uma amostra aleatria simples (a.a) de tamanho n de uma
v.a. X, o conjunto de n v.as independentes (X1,X2,...,Xn), cada uma
com a mesma distribuio de X.
Definio: As quantidades da populao, em geral desconhecidas,
sobre as quais temos interesse, so denominadas parmetros. , , 2
X + ... + X 10
( Min + Max)
; 2 = t 2 ( X 1 ,..., X 10 ) = X 1 ; 3 = t3 ( X 1 ,..., X 10 ) = 1
= X;
2
10
2
1
1 n
1 n
Max Min 2
2
2
2
2
2
= t 4 ( X 1 ,..., X 10 ) = ( X i X ) ; 2 = S =
=
(
X
X
)
;
(
)
3
i
n i =1
n 1 i =1
2
(1,57 + 1,81)
1,65 + ... + 1,77
= 1,69; 2 = 1,651 ; 3 =
= 1,69;
2
10
21 = 0,005; 2 2 = s 2 = 0,006; 2 3 = 0,014
1 =
i ) lim E () =
n
ii ) lim Var () = 0
n
10
X 1 + ... + X n
n
)=
=
n
n
X 1 + ... + X n
2
1 n
Var() = Var(X) = Var(
) = 2 Var ( X i ) =
n
n i =1
n
E() = E(X) = E(
21 e 2 2 = S 2
11
Parmetro
Esimador
p
2
2
Propriedades
No viciado e consistente
X
No de casos favoraveis carateristica
p =
n
S2 =
1
( X 2 i nX 2 )
n 1
1
n
2 = ( X 2 i nX 2 )
No viciado e consistente
No viciado e consistente
Viciado e consistente
13
X
N (0, 1),
/ n
quando n
14
15
P ( X 4) = P (
X 3
43
) P ( Z 2,36) = 0,9909
9 / 50
9 / 50
16
X + X 2 + ... X n
P = 1
= X,
n
Assim, temos que
E ( X 1 ) + E ( X 2 ) + ... + E ( X n ) np
E ( P ) =
=
=p
n
n
Xi =
1, sucesso
0, fracaso
X + X 2 + ... + X n
np (1 p) p (1 p )
Var ( P ) = Var ( 1
)=
=
n
n2
n
Pelo TLC
X E( X )
=
Var ( X )
Xp
=
p (1 p ) / n
)
p p
N (0,1)
p (1 p ) / n
17
p - p
N ( 0 ,1 ), quando
p(1 - p)/n
0,40(0,6)
), Assim,
30
p 0 , 4
0 ,5 0 , 4
P ( p < 0 , 5 ) = P (
<
0,40(0,6)
0,40(0,6)
30
30
p ~ N(0,40,
) P ( Z 1,12 ) = 0 ,8686
18
19
~ N (0,1)
P( z
Zz
) = 1
Ou que equivalente
X
P( z
z ) = 1
1
/ n 1 2
2
1-
-z1-/2
z1-/2
20
E
6
47
4
8
E
6
47
4
8
z X z
X +z
1
1
1
/ n
n
n
2
2
2
= (X E; X + E )
IC ( ,1 ) = X z
;X +z
1
1
n
n
2
2
0.95
; X + 1,96
IC ( , 0,95) = X 1,96
n
n
3
3
IC ( , 0,95) = 346 1,96
; 346 + 1,96
= (346 1,31;346 + 1,31)
20
20
= (344,69 ; 347,31)
22
E=z
z 21 / 2 2
n=
E2
E=z
N n
N 1
Nz 21 / 2 2
n= 2
E ( N 1) + z 21 / 2 2
23
E=z
=5
(3,29) 2 (25) 2
n=
= 270,6025 271
2
5
24
T=
X
S
n
(1)
25
f (t ) =
k
(k )1 / 2
2
t2
1 +
k
( k +1) / 2
; tR
26
k
(i ) E (T ) = 0; Var (T ) =
,k>2
k 2
(ii )k T ~ N (0,1)
Uso Da Tabela Distribuio t-Student
P(T t1 , k ) = 1
1-
t1-,k
27
S
S
= (X E; X + E )
IC ( ,1 ) = X t1 / 2, n 1
; X + t1 / 2, n 1
n
n
14
4244
3
14
4244
3
E
E
28
(X i X )
10
1 10
X = X i = 36,5; S =
10 i =1
i =1
n 1
= 0,7352;
S
n
= 0,2325
t0,975, 9=2,26
E = (2,26)(0,2325) = 0,53
IC ( , 0,95) == (X E; X + E )
29
W =
(n 1) S 2
( 2)
1
k
w2 e 2 ; w > 0
f ( w) =
k
(2) k / 2
2
Notao : W ~ (2k )
30
2
Se W ~ (k)
P( W 12 , k ) = 1
x21-,k
W=
(n 1) S 2
~ (2n 1)
2
Para uma nvel de confiana 100(1-)% fixado pode-se determinar , n 1 e
2
1 , n 1
2
X2/2,n-1
X21-/2, n-1
33
P / 2, n 1 W
2
2
1 / 2 , n 1
(n 1) S 2
2
= P / 2, n 1
1 / 2, n 1 = 1
2
IC ( ,1 ) = 2
,
1 / 2, n 1 2 / 2, n 1
Para 1-=0,90 =0,10, da distribuio qui-quadrado com n1=24-1=23 graus de liberdade temos:
x20.05,23
x20.95,23
(24 1)(4,58) (24 1)(4,58)
IC ( ,0,9) =
,
= (2,995; 8,047 )
35
,
17
13
,
09
35
Z=
p p
p (1 p )
n
~ N (0,1)
IC ( p,1 ) = p z1 / 2
p (1 p )
; p + z1 / 2
n
p (1 p )
36
Abordagem otimista
IC ( p,1 ) = p z1 / 2
p (1 p )
(1a )
1
1
IC ( p,1 ) = p z1 / 2
; p + z1 / 2
4n
4n
(1b)
p (1 p )
; p + z1 / 2
n
Abordagem conservativa
37
p =
160
= 0,8 (80%)
200
0,8(1 0,8)
0,8(1 0,8)
= (0,745; 0,855)
IC ( p, 0,95) = 0,8 1,96
; 0,8 + 1,96
200
200
Em (1b)
1
1
IC ( p, 0,95) = 0,8 1,96
;0,8 1,96
= (0,731; 0,869)
4 200
4 200
38
E=z
p (1 p)
n
z 21 / 2 ( p (1 p) )
n=
E2
z 21 / 2 (0,25)
n=
E2
E=z
p (1 p) N n
n
N 1
Nz 21 / 2 p (1 p )
n= 2
E ( N 1) + z 21 / 2 p (1 p )
Nz 21 / 2 (0,25)
Quando no se tem informao de p: n = 2
E ( N 1) + z 21 / 2 (0,25)
39
1
n0 = 2
E
A expresso anterior muito usado no planejamento de pesquisa
de levantamento, com o objetivo de estimar vrias propores
como nos exemplos seguintes:
Numa pesquisa eleitoral, em que comum a necessidade de
avaliar a proporo de cada candidato;
Na pesquisa de mercado, em que normalmente desejam-se
avaliar as propores de vrias caractersticas dos consumidores.
41
Nn0
n=
N + n0 1
42