Estim Interval Ar

M etodos Estatsticos
Estimac ao Pontual e Intervalar

Raquel Menezes / Susana Faria
10 de Abril de 2006
1 Raquel Menezes / Susana Faria M etodos Estatsticos
Introduc ao Aviso
AVISO
O uso destas notas como unico material de estudo e
fortemente desaconselhado.
No ambito da Infer encia Estatstica, que agora se inicia, ao
calcular estatsticas amostrais (ex. m edia amostral) existe o
objectivo adicional de caracterizar a populac ao a partir da
qual a amostra foi retirada, procurando designadamente
estimar par ametros desta populac ao.
Introduc ao Infer encia Estatstica
Infer encia Estatstica
1
As distribuic oes anteriores (Normal, Binomial,...) podem
ser utilizadas para caracterizar as populac oes de onde s ao
retirados os dados.
2
O processo pelo qual se extraem dados de uma populac ao
denomina-se amostragem. A amostra deve ser
representativa da populac ao pelo que h a que ter muito
cuidado com o processo de amostragem.
3
A partir da informac ao contida numa amostra procura-se
inferir resultados que sejam v alidos para toda a populac ao,
independentemente da amostra considerada.
Amostra Aleat oria Simples
Denic ao
Num processo de amostragem aleat oria simples os dados s ao
recolhidos aleatoria e independentemente uns dos outros.
A amostra aleat oria (X
1
, ..., X
n
) deve ser i.i.d (componentes
independentes e identicamente distribudas).
Exemplo 1:
Considere um estudo das alturas dos alunos da UM. Para tal,
optou-se por medir 10 alunos ao acaso, obtendo-se (em metros)
(1.64, 1.86, 1.65, 1.60, 1.68, 1.70, 1.78, 1.64, 1.58, 1.75). Estes
valores constituem uma amostra concreta, representada por
(x
1
, ..., x
10
).
Esta amostra pode ser interpretada como uma realizac ao da amostra
te orica (X
1
, ..., X
10
), onde X
i
=v.a. para a altura do i- esimo aluno.
Por ex., o 1
o
valor observado foi x
1
= 1.64, mas podia ter sido
qualquer outro valor; ent ao pode ser interpretado como um valor
assumido pela v.a. X
1
.
Amostra Aleat oria Simples
Denic ao
Num processo de amostragem aleat oria simples os dados s ao
recolhidos aleatoria e independentemente uns dos outros.
A amostra aleat oria (X
1
, ..., X
n
) deve ser i.i.d (componentes
independentes e identicamente distribudas).
Exemplo 1:
Considere um estudo das alturas dos alunos da UM. Para tal,
optou-se por medir 10 alunos ao acaso, obtendo-se (em metros)
(1.64, 1.86, 1.65, 1.60, 1.68, 1.70, 1.78, 1.64, 1.58, 1.75). Estes
valores constituem uma amostra concreta, representada por
(x
1
, ..., x
10
).
Esta amostra pode ser interpretada como uma realizac ao da amostra
te orica (X
1
, ..., X
10
), onde X
i
=v.a. para a altura do i- esimo aluno.
Por ex., o 1
o
valor observado foi x
1
= 1.64, mas podia ter sido
qualquer outro valor; ent ao pode ser interpretado como um valor
assumido pela v.a. X
1
.
Estatsticas
Denic ao
Estatstica e toda a func ao de dados da amostra que n ao
depende de quantidades deconhecidas (par ametros).
Dada uma amostra (X
1
, ..., X
n
) s ao exemplos de estatsticas:
1
2
3
No entanto, a vari avel
V
2
=
1
n1
n
i =1
(X
i
)
2
onde representa um par ametro desconhecido, j a n ao e uma
estatstica.
Estimac ao Pontual
Estimac ao Pontual
Denic ao
Uma estimativa pontual de um par ametro desconhecido e
um valor obtido a partir da amostra (atrav es de uma estatstica)
que se destina a fornecer valores aproximados do par ametro.
Denic ao
Um estimador
e a estatstica (i.e. func ao da amostra) que

fornece estimativas pontuais.
Estimac ao Pontual
Exemplo 1 (continuac ao):
Seja X a altura dos alunos da UM. Admita-se que
X N(,
2
),
onde e desconhecido (i.e. desconhece-se a altura m edia de
todos os alunos). O par ametro a estimar e ent ao .
O estimador e dado pela func ao
Uma estimativa pontual para pode ser
Estimac ao Pontual
Propriedades dos Estimadores
Denic ao - Enviesamento
Um estimador
, do par ametro , e centrado ou n ao

enviesado se E[
] = .
Chama-se vi es ou enviesamento de um estimador a E[
] .
Denic ao - Eci encia
Entre os estimadores centrados, um estimador
1
e mais
eciente que outro
2
se Var[
1
] < Var[
2
].
Denic ao
Erro Quadr atico M edio de um estimador
e dado por
EQM(
) = E[(
)
2
] = Var[
] + (vi es
b
)
2
= Var[
] + (E[
] )
2
.
Estimac ao Pontual
Exemplo 1 (continuac ao):
Seja X a altura dos alunos da UM. Suponha que X N(,
2
)
e que, agora, se pretende estimar o par ametro
2
.
Dois estimadores candidatos para
2
s ao
S
2
=
1
n
n
i=1
(X
i
X)
2
e S
2
=
1
n 1
n
i=1
(X
i
X)
2
Qual dos dois devemos escolher ?
A resposta e dada pelas suas propriedades, j a que o primeiro
n ao e centrado enquanto o segundo j a o e. Sen ao vejamos:
Estimac ao Intervalar
Estimac ao de Intervalos de Conanca
A estimac ao pontual n ao fornece meios directos para aferir
a qualidade da estimativa.
Alternativamente, pode-se determinar intervalos que
contenham com uma conanca elevada. Estes s ao
chamados Intervalos de Conanca.
Denic ao
Um Intervalo de Conanc a (IC) de probabilidade p = 1
para o par ametro e um intervalo aleat orio (
1
,
2
) que satisfaz
P(
1

2
) = 1 , 0 < < 1
`
A probabilidade 1 chama-se grau de conanc a.
Nota: Normalmente e um valor muito reduzido por forma a termos
conancas elevadas.
IC para a M edia de uma populac ao Normal com Vari ancia
Conhecida
Para uma a.a. com dimens ao n e de distribuic ao N(,
2
),
sabe-se que
X N(,
2
/n) Z =
X
/
n
N(0, 1)
Suponha que z
/2
e tal que P(Z > z
/2
) = /2 e tenha em
conta a simetria da distribuic ao Normal standard
x
N(0,1)
1
/2
/2
z
2
z
2
0
Podemos, ent ao, desenvolver a seguinte probabilidade
P
_
z
/2
< Z < z
/2
_
= 1
P(z
/2
<
X
/
n
< z
/2
) = 1
P
_
X z
/2
n
< < X +z
/2
n
_
= 1
Denic ao
Um IC para a m edia de uma populac ao Normal com
vari ancia conhecida,
2
, a um grau de conanca 1 , e dado
por
_
X z
/2
n
, X +z
/2
n
_
Nota: Quanto maior a amostra, menor a amplitude do intervalo
Exemplo 2:
Uma tens ao e dada por X = V +N em que V e desconhecido
e constante, e N e um rudo gausseano de valor m edio nulo e
vari ancia igual a 10(microV)
2
. Logo
X N(V, 10).
Determine um intervalo de conanca a 95% de V, se X e
medida 160 vezes com uma m edia de 15.25(microV).
Estatsticas de Teste
Propriedades gen ericas:
1
X N(0, 1) X
2

2
1
2
X
1
, ..., X
n
N(0, 1) independentes
n
i =1
X
2
i

2
n
3
V
1
, V
2
, ..., V
n
v.a.s
2
g
i
independentes
n
i =1
V
i

2
g
i
4
Z N(0, 1) e V
2
n
independentes X =
Z
V/n
t
n
Vari aveis Aleat orias Importantes
Considerando X
1
, ..., X
n
uma a.a. iid com distribuic ao N(,
2
),
e considerando as propriedades anteriores, obtem-se
(n 1)S
2
2

2
n1
ou
nS
2
2

2
n1
X
S
n
t
n1
IC para a M edia de uma populac ao Normal com Vari ancia
Desconhecida
Anteriormente referiu-se que
X
/
n
N(0, 1)
Mas, agora, o desvio padr ao populacional e desconhecido.
Este pode ser substituido pelo desvio padr ao amostral
corrigido S
T =
X
S
n
t
n1
.
e gracamente
x
t
n1
1
/2
/2
t
2
t
2
0
Podemos, ent ao, desenvolver a seguinte probabilidade
P
_
t
/2
< T < t
/2
_
= 1
P
_
t
/2
<
X
S
n
< t
/2
_
= 1
P
_
X t
/2
S
n
< < X +t
/2
S
n
_
= 1
Denic ao
Um IC para a m edia de uma populac ao Normal com
vari ancia desconhecida, a um grau de conanca 1 , e dado
por
_
X t
/2
S
n
, X +t
/2
S
n
_
Nota: Estes intervalos t em maior amplitude do que os obtidos
quando
2
e conhecido (reectindo a incerteza acrescida).
Exemplo 3:
Num bar, em colaborac ao com a GNR, foi organizada uma
campanha de sensibilizac ao para o dever de n ao beber quando se
vai conduzir. Para tal, foi pedido a alguns clientes para soprarem um
bal ao ` a sada do bar. No nal do m es, tinham sido recolhidas 125
observac oes cuja m edia amostral era 0.6mg/l . De acordo com as
instruc oes da GNR, os valores de alc ool no sangue das pessoas s ao
bem modelados por uma distribuic ao Normal de vari ancia 0.04.
a) Calcule um IC a 95% para a verdadeira taxa de alcoolemia ` a
sada do bar.
b) Suponha, agora, que n ao se assume
2
conhecido e, com base
na amostra, se tem s
2
= 0.041. Calcule o novo IC a 95% para a
verdadeira taxa de alcoolemia.
c) Com base nesta amostra, ser a que a GNR tem raz oes para
acreditar que, em m edia, as pessoas que frequentam bares
conduzem com taxas de alcoolemia superiores ` as permitidas
por lei?
IC para a Vari ancia de uma populac ao Normal
Recordemos que
V =
(n 1)S
2
2

2
n1
Queremos encontrar x
1
e x
2
tais que
P(x
1
< V < x
2
) = 1 .
Estes valores s ao escolhidos de modo a x
1
=
2
1
2
e x
2
=
2
2
,
com a seguinte representac ao gr aca
x
n1
2
1
/2
/2
1 2
2
2
2
0
P (x
1
< V < x
2
) = 1 P
_
2
1
2
< V <
2
2
_
= 1
P
_
2
1
2
<
(n 1)S
2
2
<
2
2
_
= 1
P
_
(n 1)S
2
2
<
2
<
(n 1)S
2
2
1
2
_
= 1
Denic ao
Um IC para a vari ancia
2
de uma populac ao Normal, a um
grau de conanca 1 , e dado por
_
(n 1)S
2
2
,
(n 1)S
2
2
1
2
_
Nota: O IC para o desvio padr ao populacional pode ser facilmente
obtido do intervalo anterior.
Exemplo 4:
Um ensaio feito sobre 10 l ampadas deu o seguinte resultado: o
tempo m edio de vida de 1980h com um desvio padr ao
estimado de 224h. Considere igual a 10%, 5% e 1% e
determine:
a) intervalos de conanca para a m edia populacional;
b) intervalos de conanca para a vari ancia e o desvio padr ao
populacionais.
Nota: Pode-se vericar que para um n umero relativamente pequeno
(n = 10) os intervalos obtidos para
2
s ao bastante largos o que se
signica que as estimativas pontuais obtidas n ao s ao muito aveis.
IC para a Diferenc a de M edias de duas populac oes Normais
com Vari ancias Conhecidas
Exemplo
Suponha que pretende comparar a eci encia de dois
tratamentos diferentes para a mesma doenca. Uma forma de
proceder e escolher aleatoriamente dois conjuntos de doentes
e a cada conjunto administrar um dos tratamentos. Ap os o
tratamento interessa comparar os efeitos de ambos.
Dadas duas a.as independentes X
1
, ..., X
n
e Y
1
, ..., Y
m
tais que
X
i
N(
X
,
2
X
) e Y
i
N(
Y
,
2
Y
), queremos comparar
X
e
Y
atrav es da diferenca de X e Y.
Podemos ent ao considerar a estatstica
X Y N(
X

Y
,

2
X
n
+

2
Y
m
)
Normalizando a v.a. anterior, obtem-se
Z =
X Y (
X

Y
)
_
2
X
n
+

2
Y
m
N(0, 1)
Procedendo como o habitual, pode-se concluir que
Denic ao
Um IC para a diferenc a de m edias
X

Y
de duas
populac oes Normais com vari ancias conhecidas,
2
X
e
2
Y
,
obtido a partir de duas amostras independentes, a um grau de
conanca 1 , e dado por
_
_
X Y z
2
X
n
+

2
Y
m
, X Y +z
2
X
n
+

2
Y
m
_
_
IC para a Diferenc a de M edias de duas populac oes Normais
com Vari ancias Desconhecidas
Admita-se que as duas vari ancias
2
X
e
2
Y
s ao desconhecidas
mas iguais,
2
=
2
X
=
2
Y
, logo
Z =
X Y (
X

Y
)
_
1
n
+
1
m
N(0, 1)
A vari ancia do conjunto pode ser estimada sem desvio por
1
S
2
p
=
(n 1)S
2
X
+ (m1)S
2
Y
n +m2
1
De facto esta estimativa e uma m edia pesada por n 1 e m1 das
vari ancias das estimativas para cada s erie.
Substituindo-se desconhecido pelo desvio padr ao amostral
anterior, obtem-se
T =
X Y (
X

Y
)
S
p
_
1
n
+
1
m
t
n+m2
e, consequentemente,
Denic ao
Um IC para a diferenc a de m edias
X

Y
de duas
populac oes Normais com vari ancias desconhecidas e iguais,
obtido a partir de duas amostras independentes, a um grau de
conanca 1 , e dado por
_
X Y t
2
S
p
_
1
n
+
1
m
, X Y +t
2
S
p
_
1
n
+
1
m
_
Exemplo 5:
Foi feito um estudo para comparar o conte udo de nicotina de
duas marcas de cigarros. 10 cigarros da marca A mostraram
ter um conte udo de nicotina de 3.6mg com um desvio padr ao
(corrigido) de 0.5mg; 7 cigarros da marca B mostraram ter um
teor de 3.1mg com um desvio padr ao (corrigido) de 0.6mg.
Determine um IC a 95% para a diferenca entre os teores de
nicotina das duas marcas.
IC para a Raz ao de Vari ancias de duas populac oes Normais
com M edias Desconhecidas
Dadas duas a.as independentes X
1
, ..., X
n
e
Y
1
, ..., Y
m
provenientes de populac oes Normais N(
X
,
2
X
) e
N(
Y
,
2
Y
) respectivamente, pode-se obter um IC para

2
X
2
Y
sabendo que
F =
S
2
Y
/
2
Y
S
2
X
/
2
X
F
m1,n1
Tendo em conta o aspecto gr aco da distribuic ao Fisher
(an alogo a
2
), pretende-se encontrar a e b tais que
P(a < F < b) = 1 .
Estes valores s ao escolhidos de modo a a = f
1
2
e b = f
2
.
Desenvolvendo a probabilidade anterior
P(f
1
2
<
S
2
Y
/
2
Y
S
2
X
/
2
X
< f
2
) = 1
P
_
S
2
X
S
2
Y
f
1
2
<

2
X
2
Y
<
S
2
X
S
2
Y
f
2
_
= 1
Denic ao
Um IC para a raz ao de vari ancias

2
X
2
Y
de duas populac oes
Normais com m edias desconhecidas, a um grau de conanca
1 , e dado por
_
S
2
X
S
2
Y
f
1
2
,
S
2
X
S
2
Y
f
2
_
IC para uma proporc ao p
Exemplos
Em muitos problemas e preciso estimar proporc oes,
probabilidades ou r acios. Por exemplo
a proporc ao de pecas defeituosas num lote de fabrico;
a percentagem de apoiantes num partido num inqu erito de
opini ao;
a taxa de mortalidade de uma dada doenca.
Em qualquer destes casos determina-se uma relac ao k/n, i.e.
a frequ encia relativa (quociente entre o n umero de ocorr encias
k e o total de experi encias n).
Est a-se perante problemas model aveis por vari aveis
binomias com par ametro p.
Podemos utilizar o Teorema do Limite Central para obter ICs
aproximados para uma proporc ao p. Suponha que a v.a.
X Bin(n, p) est a em condic oes de se poder aproximar a uma
N(np, np(1 p)).
Um estimador para p e dado por
p =
X
n
N(p, p(1 p)/n).
Centrando e reduzindo tem-se
Z =
p p
_
p(1 p)/n
=
X
n
p
_
p(1 p)/n
N(0, 1).
Denic ao
Seja
p = X/n a proporc ao de indivduos com uma certa

caracterstica de interesse numa amostra de tamanho n, e p a
proporc ao de indivduos com essa caracterstica na populac ao.
Um IC aproximado para p, a um grau de conanca 1 , e
dado por
_
p z
2
_
p(1
p)
n
,

p +z
2
_
p(1
p)
n
_
Exemplo 6:
Num inqu erito de opini ao entrevistaram-se 980 pessoas das
quais 327 manifestaram intenc ao de votar no partido A.
Determine um IC de 95% para a taxa de votantes nesse
partido.

Estim Interval Ar

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estim Interval Ar

Enviado por

Direitos autorais:

Formatos disponíveis

M etodos Estatsticos

Estimac ao Pontual e Intervalar

e a estatstica (i.e. func ao da amostra) que

, do par ametro , e centrado ou n ao

p = X/n a proporc ao de indivduos com uma certa

Você também pode gostar