Add010 PDF

ADD010 - Mtodos Estatsticos
Joo Luiz Becker jlbecker@ea.ufrgs.br
Introduo
O que vem mente quando se pronuncia a palavra estatstica? Quando surgiram as primeiras manifestaes da estatstica? O que foi inventado primeiro: o nmero ou a escrita? Nmeros representam uma inveno cultural ao invs de algo inato na cognio humana
2
Introduo
Nmeros so produto de elevada abstrao, inventados para resolver problemas de ordem prtica Nmeros no so inatos, no nascem com as pessoas, temos que aprend-los, em um processo, s vezes rduo, de aculturao O salto da contagem qualitativa para a contagem quantitativa
3
Quanto andares tem o prdio abaixo?
Introduo
O processo de registro numrico surge da necessidade bsica de controle, de gerar estatsticas, como diramos hoje, dando ao ser humano informaes relevantes para seu dia a dia Cuidado com os neo-pitagricos!
Quando a estatstica emergiu como disciplina?

Quando a palavra estatstica foi criada? Estatstica como cincia que trata de dados sobre as condies de um estado Gottfried Aschenwall (1719-1772) ou comunidade de 1770 Para Aschenwall, a estatstica representa o conjunto de conhecimentos que um homem de estado deve possuir O significado mais amplo, de ramo da cincia que trata da coleo e classificao de dados numricos, de 1829
8
Introduo
O que estatstica?
Estatstica descritiva conjunto de mtodos e tcnicas utilizveis para avaliar as caractersticas exteriores de um conjunto de dados Estatstica inferencial conjunto de teoremas, modos de raciocnios e mtodos utilizados no tratamento e anlise de dados quantitativos, especialmente na relao entre amostras e populaes
9
Introduo
Papel dos computadores Dados multivariados Matriz de dados
10
Matriz de dados
11
Tarefa extra-classe 1
1. 2. Quais so as principais divises da estatstica? Descreva sucintamente a base de dados de alguma pesquisa em que voc est ou esteve recentemente envolvido.
1. 2. 3. 4. 5. Quais os propsitos da investigao? Quantos indivduos foram pesquisados? Como melhor descrev-los? Quantas variveis foram pesquisadas? Descreva-as brevemente.
3. 4.
Descreva alguma situao vivenciada em que argumentos no to lgicos tenham sido utilizados. Uma quantificao poderia ter ajudado a esclarecer a falta de lgica da argumentao? Descreva alguma situao vivenciada em que argumentos quantitativos tenham sido erroneamente utilizados. Como escapar de exageros na argumentao quantitativa?
12
Variabilidade e informao
13
Variabilidade e sua mensurao

A busca de conhecimento passa necessariamente pelo reconhecimento de variabilidades imperativo represent-las adequadamente, utilizando o que passou a se chamar escalas de mensurao, classificadas em nveis hierrquicos
14
Variabilidade no mtrica
Escala nominal (ou categrica)
Corresponde a classes de equivalncia em uma relao de equivalncia
A equivalente a A; se A equivalente a B e B equivalente a C, ento A equivalente a C; e se A equivalente a B ento B equivalente a A
A distinguir:
dicotmica com mais de duas categorias
15
Variabilidade no mtrica
Escala ordinal
Corresponde a classes de equivalncia em uma relao de equivalncia ordenadas segundo uma relao de ordem completa
A maior ou igual a A; se A maior ou igual a B e B maior ou igual a C, ento A maior ou igual a C; se A maior ou igual a B e B maior ou igual a A, ento A e C so iguais; e ou A maior ou igual a B ou B maior ou igual a A
16
Variabilidade mtrica
Escala intervalar
O zero da escala arbitrrio A intervalos iguais na escala correspondem diferenas iguais no fenmeno mensurado No h sentido para expresses do tipo a medida foi aumentada em 20%
Exemplo notvel
Escalas Likert
17
Rensis Likert (1903-1981)
Variabilidade mtrica
Escala de razo
o zero da escala absoluto (ausncia da caracterstica mensurada) a propores (razes) iguais na escala correspondem propores iguais no fenmeno mensurado
Tipos principais
Originrias de um processo de contagem Originrias de comparaes com uma unidade tomada como padro
Outras escalas
18
Em concluso
A variabilidade pode ser capturada de distintas maneiras H um sentido hierrquico entre as escalas
Uma escala de razo tambm preserva intervalos Uma escala intervalar tambm preserva a ordem Uma escala ordinal tambm distingue categorias A escala mais elementar a nominal dicotmica
Sempre se pode reduzir o nvel de mensurao desprezando-se informaes

19
Processo de mensurao
Variabilidades reais imaginadas existirem nos fenmenos reais
Efeitos percebidos efetivamente
Desenvolvimento de escalas
20
Instrumentos de mensurao
Instrumentos medem efeitos Fidedignidade dos instrumentos
Teoria de erros = +
2 2
Fidedignidade =
Validade dos instrumentos
Estimativas de fidedignidade (coeficiente de Cronbach) 2 =1 = 1 2 1
21 Lee Joseph Cronbach (1916-2001)
Dados e informao
22
Amostras e populaes
Representatividade Consistncia Presuno de representatividade
23
Matriz de dados
11 21 = 1 = 1 12 22 2 2 1 2
1 = 2 , onde = 1
1 2 , onde = 2
24
1. 2. 3. 4. Defina os termos amostra e populao. Quais so as principais razes da amostragem? Para ser til, que caracterstica deve ter uma amostra? Classifique os seguintes conjuntos de dados (quanto ao nvel de mensurao):
1. 2. 3. 4. 5. 6. nmero semanal de acidentes em uma dada empresa; tamanhos de camisa em um mostrurio; tenso de rompimento de fibras de l (em quilos); nmero dirio de empregados ausentes; percentagem de tanques de combustvel com vazamentos atravs de seus pontos de solda; estado civil de funcionrios de uma empresa.
25
Tarefa extra-classe 2 (cont.)

5. Escolha um banco de dados qualquer e classifique os dados nele constantes quanto aos nveis de mensurao.
1. 2. 3. 4. H dados coletados com nvel de mensurao nominal? Quais? Quantas categorias possveis? Quais categorias? H dados coletados com nvel de mensurao ordinal? Quais? Quantas categorias possveis? Quais categorias? H dados coletados com nvel de mensurao intervalar? Quais? So utilizadas escalas discretas ou contnuas? H dados coletados com nvel de mensurao de razo? Quais? So utilizadas escalas discretas ou contnuas?
6. Como o conceito de fidedignidade de um instrumento se distingue do conceito de validade de um instrumento? So conceitos completamente independentes?
26

7. Considere um instrumento de medida com o qual voc esteja familiarizado. Tendo como pano de fundo a representao esboada na Figura 10, analise o correspondente processo de instrumentao. 8. (Adaptado de Mendenhall, 1990) Uma companhia fabricante de fast-food quer saber quanto o pblico (16 anos ou mais) gastar em lanches rpidos na primeira semana de um ms.
1. Descreva a populao de interesse para a companhia. 2. Explique como a empresa poderia obter a informao desejada.
27

9. Em um estudo mercadolgico realizado em Porto Alegre, entrevistaram-se 200 clientes de um supermercado para determinar se eles preferiam escutar msica ambiental enquanto realizavam suas compras.
1. 2. 3. Descreva a populao e a amostra associada a tal pesquisa. Seria possvel entrevistar toda a populao se quisssemos? Explique. A percentagem de clientes da amostra que preferem msica de fundo ao comprar ser igual percentagem de clientes da populao com a mesma preferncia? Explique.
10. O que uma amostra representativa da populao? Como saber se uma amostra representativa da populao?
28

11. Em uma crnica publicada no Caderno Donna ZH, a cronista inicia mencionando:
Passei alguns dias em Curitiba a trabalho e, nas rpidas andanas pelas redondezas do hotel, observei pequenas coisas. Curitiba muito mais limpa que Porto Alegre. Mas muito mais limpa mesmo, at porque cultiva a fama de ser uma cidade ecolgica. Curitiba tambm mais barata que Porto Alegre. A comida, o transporte, o bsico e o nem tanto, existe diferena para menos em quase tudo. (Tajes, 2012, p.26).
1. Comente sobre a representatividade da amostra utilizada para embasar as concluses da cronista. 2. Como voc conduziria um estudo mais rigoroso para sustentar (ou no?) as concluses da cronista?
29
Descrio monovariada de dados categricos

Distribuio de frequncias das categorias
30

Grfico de pizza
Distribuio dos respondentes segundo o local de trabalho ( n=410) 10% 21%
14% 1 direo geral 2 superintend. 3 agncias 4 rgos regionais
55%
31

Grfico de barras
Distribuio dos respondentes segundo o local de trabalho ( n=410) 60,0% 55,1% 50,0%
40,0%
30,0% 21,0% 20,0%
13,9%
10,0% 10,0%
0,0% 1 direo geral 2 superintend. 3 agncias 4 rgos regionais
32
Importante
Em tabelas e grficos de percentuais deve-se sempre mencionar o nmero de elementos na amostra O nmero de categorias no deve ser excessivo
33
Nmero excessivo de categorias
34

Medidas descritivas: limitadas a percentuais em cada categoria Moda categoria mais frequente
35
Descrio monovariada de dados mtricos

Distribuio de frequncias
Algumas arbitrariedades
Categorizao da escala Quantos intervalos? Onde iniciar?
36

Histograma
37

Moda intervalo mais frequente
dependente da classificao realizada
Notao
1 2 = =
=1
Mdia
38

Varincia
2 =
Desvio-padro =
=1

=1
2 =
39

Coeficiente de variao (para 0) = Padronizao de dados
Momento central de ordem k =1 =
para = 1, ,
40
Propriedades
+ = + 2 = 2 2 + 2 = 2 = =
+
+ = = 0 2 = 1
41

Coeficiente de assimetria
3 = 3 =
=1
42
Descrio monovariada de dados ordinais

Distribuio de frequncias Histograma e grfico de barras Medidas descritivas:
Mnimo Mximo Amplitude (para dados mtricos) Mediana Quartis, percentis Amplitude interquartlica (para dados mtricos)
43

Grfico-caixa
John Wilder Tukey (1915-2000)
Identificao de outliers Winsorizao

44
1. Construa a distribuio de frequncia e o histograma do seguinte conjunto de dados (tenso de rompimento de fibra de l, medido em quilos). 66 92 99 94 117 137 85 105 132 91 95 103 111 84 89 96 107 96 102 100 85 97 100 101 89 100 98 98 79 105 97 97 91 104 104 97 97 137 114 101 138 80 111 102 103 104 98 98 111 104 99 94 86 106 102 100 78 84 91 98 96 92 95 99 93 86 111 92 101 104 104 102 102 132 97 87 110 94 98 99 95 99 102 62 96 102 109 92 88 101 88 100 122 104 91 96 115 107 103 98
1. 2. 3. 4. 5. 6. 7. 8. Calcule a mdia. Determine a mediana. Calcule o desvio-padro. Qual o intervalo modal? Calcule a amplitude. Calcule o desvio absoluto mdio. Calcule a amplitude inter-quartlica. A distribuio simtrica?
45

2. Se uma distribuio tem dois picos, o maior deles a moda? O que voc faria se encontrasse uma distribuio com dois picos? 3. Seguem-se quatro conjuntos de mensuraes (em mm): 106,2 105,9 105,8 106,1 105,9 107,1 106,4 105,9 106,5 106,2 106,5 106,4 106,5 106,3 105,8 106,6 106,7 106,3 106,9 106,4
1. 2. 3. Calcule a mdia de cada conjunto. Calcule a mdia de todas as 20 observaes. Calcule a mdia das quatro mdias grupais. Como esta se compara com a mdia j calculada anteriormente?
46

4. 5. 6. 7. A mdia (em geral) pode ser zero? Pode ser negativa? Explique. A mediana (em geral) pode ser zero? Pode ser negativa? Explique. Quando a mediana melhor do que a mdia para caracterizar um determinado grupo de medidas? Calcule o desvio-padro de:
1. 2. 3. 4. 5. 5 6 4 2 7 105 106 104 102 107 1050 1060 1040 1020 1070 0,05 0,06 0,04 0,02 0,07 Compare os resultados. Se o desvio-padro de , qual o desvio-padro de + , onde uma constante? Qual o desviopadro de ?
8.
O desvio-padro (em geral) pode ser zero? Pode ser negativo? Explique.
47

9. Porque um gerente necessitaria (gostaria de) conhecer a variabilidade das vendas dirias dos produtos sob sua responsabilidade gerencial? 10. Para uma faco interessada no grosso do mercado de roupas masculinas, no interessada no mercado dos muito pequenos nem dos muito grandes (em altura), que medidas descritivas de alturas da populao ela mais precisaria conhecer?
48

11.Escolha um banco de dados qualquer em que voc esteja interessado.
1. Escolha duas variveis categricas e faa um resumo estatstico de cada uma delas. 2. Escolha duas variveis ordinais e faa um resumo estatstico de cada uma delas. 3. Escolha duas variveis intervalares e faa um resumo estatstico de cada uma delas. 4. H algum outlier entre os dados analisados? Em caso afirmativo, corrija a situao e refaa os resumos estatsticos. Qual a correo proposta?
49
Descrio bivariada de dados categricos

Tabela de contingncia
50

Matriz de correspondncia
Perfis de linhas Perfis de colunas

51

0,317 0,421 Perfis de linhas: 0,396 0,398 0,683 0,579 0,604 0,602
0,082 0,151 Perfis de colunas: 0,560 0,208
0,113 0,134 0,551 0,202

52
Descrio da relao entre uma varivel categrica e uma mtrica

As categorias da varivel categrica segmentam a amostra, definindo consequentemente tantas sub-amostras quantas categorias existirem Os dados so analisados utilizando-se os procedimentos descritivos monovariados em cada sub-amostra, tomados conjuntamente
53

Distribuies de frequncias
54

Histogramas
55

Medidas descritivas
56

Grficos-caixa
57
Descrio bivariada de dados mtricos

Diagrama de disperso
58

Covarincia
=1
=
Propriedades

= 2 + 2 = 2 + 2 + 2 = , onde =
59

Coeficiente de correlao linear de Pearson
desde que 0 e 0
Propriedades
1 +1
Karl Pearson (1857-1936)
60
Descrio bivariada de dados mtricos: anlise de regresso

Trata-se de uma tcnica fundamental em anlise de dados, servindo como referncia para outras tcnicas Tem origem nos trabalhos de Galton em 1886 Busca explicar a variabilidade de uma varivel (chamada dependente) pelas variabilidades de outras variveis (chamadas independentes) Deve ser observado que o conceito de explicao ou de dependncia meramente informacional, no constituindo prova irrefutvel de relao de causa e efeito
61 Francis Galton (1822-1911)
Anlise de regresso: objetivos

Determinar a forma da relao entre as variveis (uma equao matemtica) Verificar hipteses deduzidas de alguma teoria analisada Prever valores para a varivel dependente a partir das variveis independentes, realizando simulaes
62
Equao de regresso
Genericamente, a relao matemtica entre as variveis expressa por = (), onde representa a varivel dependente e = 1 2 um vetor de variveis independentes Se = 1, o modelo dito modelo de regresso simples, se > 1, dito modelo de regresso mltiplo Se uma funo linear, o modelo dito modelo de regresso linear (simples ou mltiplo)
63
64
65
66
67
Regresso linear simples

A equao de regresso linear simples toma a forma = + Ou alternativamente, considerando cada observao individualmente = + , para = 1, , . A constante chamada de coeficiente linear, ou termo independente, e a constante chamada de coeficiente angular
68

Em um sentido emprico, a relao raramente exata, tratando-se em geral de uma aproximao da realidade (uma modelagem), em que outras variveis de importncia menor talvez tenham sido omitidas
69

A equao, portanto, merece ser escrita como = + + , para = 1, , , Ou, em termos matriciais = + +
( representa um vetor de erros) ( representa um termo de erro associado -sima observao)
O problema fundamental da anlise de regresso simples consiste em estimar, a partir de observaes empricas, os valores dos coeficientes e
70

Se a relao de dependncia entre as variveis fosse exata, todas as observaes se alinhariam perfeitamente Neste caso = 0 para = 1, , (ou seja, = ), e as estimativas mais adequadas (e bvias) para e seriam, respectivamente, a ordenada na origem da reta e a tangente trigonomtrica do ngulo da reta com o eixo horizontal
71

Na prtica emprica, entretanto, raramente observa-se uma relao to perfeita, de modo que em geral as observaes no estaro perfeitamente alinhadas, mas formaro uma nuvem de pontos conveniente, pois separarmos os valores das observaes do vetor em duas componentes, uma, exata, dada pela equao, e outra, varivel, dada pelo vetor no nulo de erros
72

A parte exata receber o nome de estimativa de a partir da equao, sendo simbolizada por , e a equao pode ser reescrita como = + Em termos das observaes individuais, teramos ento = + + = + , para = 1, , Ou ainda, enfatizando os termos de erros individuais = = + =
73
Estimao dos coeficientes

Nosso problema atribuir valores para e de modo que a reta terica se ajuste aos pontos , da melhor forma possvel O critrio de escolha dos coeficientes mais utilizado o critrio dos mnimos quadrados, atribudo a Gauss, que o teria desenvolvido no contexto de avaliao de erros de mensuraes astronmicas
Johann Carl Friedrich Gauss (1777-1855)
74

O problema pode ser matematicamente estruturado da seguinte forma genrica
fixados valores de e dos pares ordenados , , para = 1, , , quais so os valores de e que minimizam a expresso

, =
=1
=
=1
Trata-se, portanto, de um problema de minimizao de uma funo real (quadrtica) de duas variveis reais
75

Como a funo quadrtica diferencivel em seu domnio, a soluo para o problema envolve as derivadas parciais da funo (, ) em relao a cada uma de suas variveis, e , buscando-se valores que anulem tais derivadas
76

Feitas as devidas derivaes, buscam-se valores e que satisfaam equao matricial

=1
2
=1
=1

=1
77
=1

E a soluo
1
=1
=1

=1
=1 =1
78
Forma normal
Formando-se a matriz 1 1 = 1 A equao de soluo equivalente a T = T Cuja soluo 1 T T =
79
Soluo analtica
= 2 = = Para dados padronizados (isto com mdias nulas e desvios-padres iguais unidade), a reta de regresso passa pela origem com inclinao igual ao coeficiente de correlao de Pearson, isto , = 0 e = .
80
Algumas propriedades interessantes

= + Uma parcela da variabilidade de explicada pela variabilidade de uma funo linear de (de acordo com a reta de regresso) e outra parcela, no explicada pela funo linear de , atribuda a erros do modelo Coeficiente de determinao A equao equivalente a 2 2 =1 =1 1 = + 2 2 =1 =1
81
=1
=1
2 =1
Algumas propriedades interessantes

O coeficiente de determinao (geralmente expresso em percentual) representa a parte da variabilidade da varivel dependente () explicada pela varivel independente (), segundo um modelo linear Coeficiente de determinao = 2 A reta de regresso passa no centro geomtrico dos dados, isto , passa no ponto de coordenadas , =1 = 0 = 0
82
Descrio bivariada de dados ordinais

Coeficientes de correlao ordinais
Coeficiente de correlao de Spearman Coeficiente de correlao de Kendall
Utilizam-se tambm as tcnicas para analisar variveis categricas, com tabelas de contingncia, mais populares e de maior apelo informacional, ignorando, de certa forma, a caracterstica ordinal dos dados
83
Coeficiente de correlao por postos de Spearman

O coeficiente de correlao por postos de Spearman entre duas variveis, e , igual ao coeficiente de correlao de Pearson entre os postos relativos dos valores das duas variveis 2 =1 = 1 6 2 1 Ateno para as observaes empatadas!
Charles Edward Spearman (1863-1945)
84
Coeficiente de correlao por postos de Kendall

O coeficiente de correlao ordinal de Kendall entre duas variveis, e , denotado por , determinado contabilizando-se a diferena entre concordncias e discordncias nas ordenaes dos objetos com respeito a cada uma das variveis e , normalizando-se pelo total de comparaes possveis = 1 2
Maurice George Kendall (1907-1983)
85
Descrio da relao entre uma varivel categrica e uma ordinal

A variabilidade conjunta entre uma varivel categrica e uma varivel mensurada em escala ordinal analisada de forma semelhante ao que se faz para analisar a relao entre uma varivel categrica e uma varivel mtrica, isto , comparamse as distribuies da varivel ordinal nas subamostras representadas pelas categorias da varivel categrica Alternativamente, podem-se utilizar as tcnicas sugeridas para analisar duas variveis categricas, tratando a varivel ordinal como se categrica fosse
86
Descrio da relao entre uma varivel ordinal e uma mtrica

A variabilidade conjunta entre uma varivel ordinal e uma varivel mtrica pode ser realizada utilizando-se as mesmas tcnicas descritas para analisar a variabilidade conjunta de duas variveis ordinais Alternativamente, pode-se degradar a informao contida na ordenao da varivel ordinal, tratando-a como se categrica fosse
Neste caso, as tcnicas descritas para analisar a relao entre uma varivel categrica e uma mtrica podem ser todas aplicadas.
87
Escolha um banco de dados qualquer em que voc esteja interessado. Para a realizao dos exerccios propostos a seguir recomendvel a utilizao de alguma planilha de clculo ou algum pacote estatstico. 1. Escolha duas variveis categricas do banco de dados e faa uma anlise relacionando as informaes existentes. H algum outlier entre os dados analisados? Em caso afirmativo, corrija a situao e refaa a anlise. Qual a correo proposta? H necessidade de reagrupar categorias? 2. Repita o exerccio anterior para outro par de variveis categricas.
88

3. Escolha uma varivel categrica e uma varivel mtrica do banco de dados e faa uma anlise relacionando as informaes existentes. H algum outlier entre os dados analisados? Em caso afirmativo, corrija a situao e refaa a anlise. Qual a correo proposta? H necessidade de reagrupar categorias? 4. Repita o exerccio anterior para outro par de variveis (uma categrica e outra mtrica).
89

5. Escolha duas variveis mtricas do banco de dados e faa uma anlise relacionando as informaes existentes. H algum outlier entre os dados analisados? Em caso afirmativo, corrija a situao e refaa a anlise. Qual a correo proposta? 6. Repita o exerccio anterior para outro par de variveis mtricas.
90

7. Escolha duas variveis ordinais do banco de dados e faa uma anlise relacionando as informaes existentes. H algum outlier entre os dados analisados? Em caso afirmativo, corrija a situao e refaa a anlise. Qual a correo proposta? 8. Repita o exerccio anterior para outro par de variveis ordinais.
91

9. Escolha uma varivel categrica e uma varivel ordinal do banco de dados e faa uma anlise relacionando as informaes existentes. H algum outlier entre os dados analisados? Em caso afirmativo, corrija a situao e refaa a anlise. Qual a correo proposta? H necessidade de reagrupar categorias? 10.Repita o exerccio anterior para outro par de variveis (uma categrica e outra ordinal).
92

11.Escolha uma varivel ordinal e uma varivel mtrica do banco de dados e faa uma anlise relacionando as informaes existentes. H algum outlier entre os dados analisados? Em caso afirmativo, corrija a situao e refaa a anlise. Qual a correo proposta? 12.Repita o exerccio anterior para outro par de variveis (uma ordinal e outra mtrica).
93
Incerteza e sua mensurao
94
Incerteza e sua mensurao

A incerteza uma propriedade do nosso conhecimento a respeito dos eventos, e no dos eventos em si Todas as incertezas so intrinsecamente do mesmo tipo. Probabilidades so nmeros que inventamos para nos ajudar a mensurar incertezas Auxiliam a decidir quando nos vemos diante de eventos incertos
95
Bases para estimativa de probabilidades

Pressupostos tericos: a moeda tem duas faces, equilibrada perfeitamente, logo, a chance de cair com a face cara para cima de 50% Frequncia relativa: jogamos vrias vezes um percevejo para cima e observamos como ele cai ao solo, se com a ponta para cima ou no; logo, estima-se que a chance de cair com a ponta para cima de ... Simetria: so dez os dgitos decimais, e o dgito 1 apenas um deles, logo a chance de o 100.000o dgito de ser 1 de 10% Informaes disponveis: a situao scio-econmica de Moambique tal, sua histria qual, uma nica central telefnica contm 10.000 linhas, etc., logo a chance de haver mais de 10.000 telefones residenciais em Maputo de ... 96
Bases para estimativa de probabilidades

E, em ltima instncia, em julgamentos pessoais a respeito dos eventos e seu entorno
O pressuposto terico adequado ao presente caso, ou no? A frequncia relativa pode ser generalizada, ou no? A simetria pertinente ou no? As informaes so confiveis ou no?
Muitas vezes vrias destas bases so utilizadas simultaneamente, havendo alguma redundncia entre elas.
97
O sbio e o tolo
Sabes qual o grande mal deste mundo?, pergunta o filsofo ao estpido No, qual ?, pergunta o estpido O grande mal que os parvos tm certezas, e os sensatos tm dvidas ... , filosofa o filsofo Mas tens mesmo certeza?, interrompe o estpido Claro que tenho!, responde o filsofo.
98
Modelagem determinista
Com base em observaes e experimentao, a cincia chega a leis que governam o curso dos fenmenos, chamados de modelos causais deterministas So ditos deterministas porque o conhecimento das causas determinam integralmente os efeitos Em tais modelos, um dado de entrada (input) produzir sempre o mesmo resultado (output) Usam-se quantificadores como sempre e nunca, com uma linguagem de certeza absoluta
99
Modelagem determinista
O esquema mais elementar e difundido de expresso de regularidade (leis universais)
Em qualquer realizao de um conjunto (em geral complexo) de condies , o evento ocorre
100
Exemplos
A gua pura, a uma presso atmosfrica (760 mm Hg), aquecida acima de 100C (conjunto de condies ), transforma-se em vapor (evento ) Para qualquer reao qumica sem trocas com o meio externo (conjunto de condies ), a quantidade total de matria permanece constante (evento ) lei de conservao da matria ...
101
Tipologia de eventos
Eventos certos, eventos impossveis e eventos aleatrios As definies subordinam-se a um conjunto de condies rotuladas pelo smbolo Muitas vezes estas condies so tomadas implicitamente em nossas expresses
Perigo de interpretaes dbias
102
Modelagem estocstica
Para vrios fenmenos, entretanto, pode-se no somente estabelecer a aleatoriedade do evento , mas tambm uma estimativa quantitativa da possibilidade de sua ocorrncia. O esquema mais elementar e difundido de regularidade (leis universais) estendido ento para
A probabilidade de que o evento ocorra quando da realizao de um conjunto de condies igual a
103
Exemplo
No h como prever se um determinado tomo de rdio decair em um determinado intervalo de tempo ou no, mas possvel, com base em resultados experimentais, determinar a probabilidade de tal decaimento
Um tomo de rdio decai em um intervalo de tempo de anos com uma probabilidade = 1 0,000433
104
Exemplo
O conjunto de condies estabelece que o tomo de rdio no esteja sujeito a aes externas no usuais, como bombardeamento com partculas em alta velocidade Suas condies de existncia no importam: em que meio ele se encontra, que temperatura ele tem, etc. O evento consiste no fato de que o tomo decair no intervalo de tempo de anos.
105
Outro exemplo
No h como prever se uma particular central telefnica receber uma chamada em um determinado intervalo de tempo ou no, mas possvel, com base em observaes sistemticas, estimar a probabilidade de tal evento
Teoriza-se que uma central telefnica receber uma chamada em um intervalo de tempo de segundos com uma probabilidade = 1 (cada central telefnica possui um valor para o parmetro )
106
Outro exemplo
O conjunto de condies estabelece que a central telefnica esteja sujeita a aes externas usuais, como hbitos e tamanho da populao usuria estveis, canais de acesso em perfeito funcionamento, etc. O evento consiste no fato de que a central telefnica receber uma chamada no intervalo de tempo de segundos.
107
Crditos
A ideia de que a probabilidade de um evento aleatrio , sob condies conhecidas, admite uma avaliao quantitativa = (), que hoje nos parece to natural, foi formalizada no sculo 17, muito embora o interesse pelo assunto por certo se perca no tempo A formalizao terica est documentada em uma troca de correspondncias entre o advogado e matemtico amador francs Pierre de Fermat (1601-1665) e o matemtico francs Blaise Pascal (1623-1662), debruados sobre um problema prtico envolvendo jogos de azar
Pierre de Fermat (1601-1665)
Blaise Pascal(1623-1662)
108
Crditos
Luca Bartolomeo Pacioli (1445-1517) Niccol Fontana Tartaglia (1499-1557) Girolamo Cardano (1501-1576) Giovanni Francesco Peverone (1509-1559) Galileo Galilei (1564-1642) Antoine Gombaud (1607-1684) - Chevalier de Mr John Graunt (1620-1674) Johan de Witt (1625-1672) Christiaan Huygens (1629-1695) Gottfried Leibniz (1646-1716) Jac Bernoulli (1654-1705) Edmond Halley (1656-1742) Abraham de Moivre (1667-1754)
109
Crditos
Pierre Rmond de Montmort (1678-1719) Nicolau Bernoulli (1687-1759) Thomas Bayes (1701-1761) Giuseppe Lodovico (Luigi) Lagrangia (1736-1813) Pierre Simon de Laplace (1749-1827) Carl Friedrich Gauss (1777-1855) Simon-Denis Poisson (1781-1840) Augustus de Morgan (1806-1871) Pafnuty Lvovich Chebyshev (1821-1894) Andrei Andreevich Markov (1856-1922) Alexandr Mikhailovich Lyapunov (1857-1918) Werner Heisenberg (1901-1976) Andrey Nikolaevich Kolmogorov (1903-1987)
110
Modelagem informacional
Pode-se generalizar a interpretao da modelagem no determinista, aplicando-se as mesmas ideias a situaes envolvendo incertezas a respeito da veracidade de afirmaes, estimando-se quantitativamente a possibilidade de sua veracidade com base em informaes disponveis O esquema pode ento ser estendido para
A probabilidade de que a afirmao A seja verdadeira, considerando um conjunto de informaes igual a
111
Passa-se a tratar probabilidade subjetivamente, como um grau de crena, na acepo de Poisson e de de Morgan
Simon Denis Poisson (1781-1840)
Augustus de Morgan (1806-1871)
112
A probabilidade de um evento a razo que temos de crer que ele ocorrer ou que ele ocorreu A probabilidade depende dos conhecimentos que temos sobre um evento; ela pode ser diferente para um mesmo evento e para diversas pessoas. (Poisson, 1837, p. 30)
113
Por grau de probabilidade ns efetivamente queremos dizer, ou deveramos querer dizer, grau de crena Eu considero a palavra (probabilidade) como significando o estado de esprito com respeito a uma assero, um evento futuro, ou qualquer outro assunto sobre o qual o conhecimento absoluto no existe (de Morgan, 1847, p. 172-173)
114
lgebra de eventos
A relao uma relao de ordem parcial no conjunto de eventos, pois a relao
Reflexiva Anti-simtrica Transitiva
A relao = uma relao de equivalncia no conjunto de eventos, pois a relao

Reflexiva Simtrica Transitiva
115
Operaes entre eventos

Produto de eventos Soma de eventos Diferena entre eventos Eventos complementares Excluso mtua Decomposio de eventos Eventos elementares
116
Propriedades
+ = + = + + = + + = + = + + = + + + = =
117
Propriedades
se ento + = e = . + = + = = = + = = + =
118
Formalizao da teoria
Todo problema em teoria da probabilidade envolve um determinado conjunto de condies e uma determinada famlia de eventos que podem ocorrer ou no a cada realizao do conjunto de condies Estaremos particularmente interessados em um conjunto (um espao) de eventos elementares (isto , que no possam ser decompostos) e uma famlia de subconjuntos de que seja fechado s operaes de produto, soma e diferena ser chamado de campo de eventos
119
Campo de eventos
Para quaisquer pares de eventos pertencentes ao campo de eventos , digamos e , temse que os eventos , + e tambm pertencem a Qualquer campo no vazio de eventos, isto com pelos menos um elemento, contm o evento impossvel, pois = para qualquer evento
120
-lgebra de eventos
Chama-se -lgebra de eventos ao campo de eventos que contenha o evento certo e for fechado s operaes de produto e de soma de infinitos eventos Ou seja, exige-se que , assim como e =1 =1 para quaisquer eventos .
121
Axiomas (Gnedenko, 1969)

[A1] existncia
Associado a cada evento na -lgebra de eventos , existe um nmero no negativo ()
[A2] normalizao
() = 1
[A3] -aditividade
Para eventos na -lgebra de eventos , se = =1 e = para , ento = =1
122
Forma equivalente (Kolmogorov, 1933)

[A1] existncia
Associado a cada evento na -lgebra de eventos , existe um nmero no negativo ()
[A2] normalizao
() = 1
[A3B] continuidade
Para uma sequncia decrescente de eventos na lgebra de eventos , isto , com 1 2 , se =1 = ento lim = 0
123
Alguns teoremas
= 1 () = 0 0 1 = + () se ento () () + = + () + + = ()
124
Probabilidade condicional
Em vrias situaes til avaliar a probabilidade de um evento considerada a informao adicional (em relao ao conjunto de condies ) de que outro evento tenha ocorrido Denota-se tal avaliao por Com 0, define-se = Se = 0, indefinido
125
Probabilidade condicional
Fixado um evento , com 0, a avaliao probabilstica dos demais eventos condicionada ocorrncia do evento equivale a redefinir o evento certo na lgebra de eventos, restringindo-o ao evento (pois o evento ocorreu, esta a informao disponvel) fcil ver que a definio de probabilidade condicional satisfaz todos os axiomas da teoria da probabilidade Nestes termos, todos os teoremas e propriedades de probabilidades podem ser estendidos s probabilidades condicionais
126
Mais alguns teoremas

= 1 2 = 1 2 1 3 1 , 2 1 , 2 , , 1
= () = =1
=1
127
Independncia entre eventos

Diz-se que os eventos e so independentes se = () Se () 0, a equao =
reduz a (|) = (), que pode ser interpretada como se ocorrncia do evento (mais genericamente, se a informao acerca de sua ocorrncia) no altera a probabilidade do evento
128
se
Independncia entre eventos

A relao de independncia entre dois eventos estende-se aos seus eventos complementares e so independentes de quaisquer outros eventos um dos problemas mais importantes da filosofia das cincias naturais alm do bem conhecido problema a respeito da essncia do prprio conceito de probabilidade estabelecer com preciso as premissas que torne possvel caracterizar quaisquer eventos reais como independentes (Kolmogorov, 1956, p. 9)
Andrey Nikolaevich Kolmogorov (1903-1987)
129
Independncia ser sempre assumida como premissa

Ao aplicar a teoria da probabilidade, raramente provamos matematicamente que dois eventos so independentes O caminho bem ao inverso, ou seja, assumese que dois eventos so independentes e passa-se a aplicar as equaes correspondentes, que simplificam sobremaneira os clculos probabilsticos
130
Independncia ser sempre assumida como premissa

A teoria em si, com toda a sofisticao da construo matemtica de seus axiomas e teoremas, no tem condies de criticar tal suposio, pois tal suposio no abrangida em sua episteme Esta ser sempre uma avaliao qualitativa, portanto subjetiva, com implicaes quantitativas
131
1. Dada a tabela abaixo, determine:
FABRICANTE
TIPOS DE DEFEITOS
1. 2. 3. 4. 5. 6. 7. 8. 9. 10.
e
DEFEITO GRANDE DEFEITO PEQUENO DEFEITO LEVE SEM DEFEITOS TOTAL
X 250 400 450 3800 4900
Y 150 350 500 2100 3100
Z 100 250 550 1100 2000
TOTAL 500 1000 1500 7000 10000
132

2. Os seguintes resultados referem-se produo semanal de duas equipes de operrios: EQUIPE N DE DEFEITOS N DE PERFEITOS A 142 564 B 86 306 Voc poderia inferir a partir desses dados que a probabilidade de produo de uma pea defeituosa independente da equipe de produo? Justifique sua resposta. Joo e Jos acham uma moeda na rua. Um rpido exame revela que a moeda sofreu alteraes em sua forma, de modo que uma face parece ser mais provvel de cair para cima do que a outra, se a moeda for jogada para o ar. Joo decide verificar, e lana a moeda 40 vezes para o ar, obtendo cara 23 vezes. Em seguida, Jos a lana 50 vezes para o ar, obtendo cara 26 vezes. Qual das estimativas de probabilidade mais confivel? Por qu? Qual a sua estimativa?
133
3.
Variveis aleatrias
Intuitivamente, pode-se pensar que uma varivel aleatria to somente uma medida numrica associada a eventos aleatrios FDA funo distribuio acumulada
= ()
Exemplo
Distribuio binomial
134
Variveis aleatrias
Propriedades das FDA
1 < 2 = 2 1 A FDA de uma varivel aleatria uma funo no decrescente 0 () 1
Variveis aleatrias podem ser

Discretas Contnuas
135
Variveis aleatrias
Qualquer descrio de uma varivel aleatria da qual se possa obter sua FDA chamada uma lei de distribuio Variveis discretas: = ( = ) Exemplo
Distribuio binomial
136
Variveis aleatrias discretas

Outros exemplos
Distribuio de Poisson
Distribuio uniforme
137
Variveis aleatrias
Variveis contnuas
A funo () chamada de funo densidade de probabilidades (fdp) da varivel aleatria Exemplo

Distribuio Normal padro
138
Variveis aleatrias
Propriedades das fdp
Se a FDA de diferencivel, = () 0, para qualquer valor de
1 < 2 =
2 1
= 1
139
Variveis aleatrias contnuas

Outro exemplo
Distribuio uniforme
Suas FDA so contnuas
140
Variveis aleatrias
Distribuies condicionais Distribuies multidimensionais
FDA e fdp Distribuies marginais Exemplo
Distribuio Normal bivariada
Independncia
141
Variveis aleatrias
Valor esperado
()
Para variveis discretas, a equao se reduz a
=
=1
Para variveis contnuas, a equao se reduz a =
142
Exemplos
Se distribuda Normalmente (distribuio Normal padro), ento = 0 Se distribuda uniformemente no intervalo + , , ento = Se se distribui segundo uma distribuio de Poisson, ento = Se se distribui segundo uma distribuio Binomial, com parmetros e , ento =
143
Propriedades do valor esperado

= (1 + 2 + + ) = (1 ) + (1 ) + + ( ) Se e so independentes, ento () = ()() () = () Se () uma funo real de varivel real contnua, ento = = () () Se 0 , ento 0 () () () 2 2 2
144
Variveis aleatrias
Varincia
()
A frmula equivalente a
145
Exemplos
Se distribuda Normalmente (distribuio Normal padro), ento = 1 Se distribuda uniformemente no intervalo 2 , , ento =
Se se distribui segundo uma distribuio de Poisson, ento = Se se distribui segundo uma distribuio Binomial, com parmetros e , ento = 1
146
12
Propriedades da varincia
() 0 = 0 Se 1 , 2 , , so independentes, ento (1 + 2 + + ) = (1 ) + (1 ) + + ( ) () = 2 ()
147
Padronizao de variveis
=
() ()
= 0 = 1
= +
= = 2
Exemplo
Distribuio Normal
148
Variveis aleatrias
Covarincia
, =
A frmula equivalente a , =
149
Propriedades da covarincia
, = , , = , = 0 , = , , + = , + (, ) Se e so variveis aleatrias independentes, ento , = 0 + = + 2 , + ()
150
Matriz de covarincia
1 , 1 2 , 1 = , 1 1 , 2 2 , 2 , 2 1 , 2 , ,
positiva semidefinida 0
151
Variveis aleatrias
Coeficiente de correlao linear , =
152
Propriedades do coeficiente de correlao linear

= 1 1 Duas variveis esto relacionadas linearmente se e somente se seu coeficiente de correlao igual a 1 O coeficiente de correlao linear entre variveis independentes nulo
O inverso, entretanto, no verdadeiro, isto , = 0 no implica na independncia entre as variveis aleatrias e
O coeficiente de correlao linear entre duas variveis igual covarincia entre suas correspondentes variveis padronizadas
153
Matriz de correlao
1 21 = 1 12 1 2 1 2
1 positiva semidefinida 0
154
Variveis aleatrias
Momentos
Se = 0, o momento chamado de -simo momento em torno da origem = Se = (), o momento chamado de -simo momento central = ()
155
Variveis aleatrias
A mediana de uma varivel aleatria qualquer valor que satisfaz s seguintes desigualdades 1 lim () () 2 Se () contnua, as desigualdades se 1 reduzem a =
2
156
Variveis aleatrias
Para variveis aleatrias contnuas, qualquer raiz da equao () = chamada de quantil de ordem Para variveis aleatrias discretas, o quantil de ordem o valor que satisfaz s seguintes desigualdades lim () ( )
157
Variveis aleatrias
A mediana o quantil de ordem
1 2 , 4 4 3 4 1 2
Os quantis de ordem e so chamados quartis (usualmente denotados por 1 , 2 e 3 ) Os quantis de ordem 0,1; 0,2; ... e 0,9 so chamados decis Os quantis de ordem 0,01; 0,02; ... e 0,99 so chamados percentis
158
Variveis aleatrias
Para uma distribuio contnua, portanto com funo densidade de probabilidades definida, (), seu ponto de mximo chamado de moda da distribuio, isto (moda) = max () Para uma distribuio discreta, com possveis valores 1 , 2 , ... e respectivas probabilidades = ( = ), a definio adaptada, a moda sendo definida como o valor que maximiza a funo = ( = )
159
Variveis aleatrias
Coeficiente de assimetria
() Distribuies perfeitamente simtricas tero coeficiente de assimetria igual a zero Distribuies com coeficiente de assimetria negativo sero mais pesadas direita, com caudas mais longas esquerda Distribuies com coeficiente de assimetria positivo sero mais pesadas esquerda, com caudas mais longas direita.
160
() =
3
3
Exemplos
Se distribuda Normalmente, ento = 0 Se distribuda uniformemente no intervalo , , ento = 0 Se se distribui segundo uma distribuio de 1 Poisson, ento = > 0 Se se distribui segundo uma distribuio Binomial, com parmetros e , ento 12 =
1
A distribuio simtrica se e somente se =
1 2
161
Variveis aleatrias
Curtose
4
4
() A curtose da distribuio Normal igual a 0 Distribuies com curtoses menores do que 0 so chamadas platicrticas (s vezes chamadas subgaussianas)
Apresentam picos mais arredondados do que a distribuio Normal e caudas mais curtas e finas
3=
4
2
Distribuies com curtoses maiores do que 0 so chamadas leptocrticas (s vezes chamadas de supergaussianas)
Apresentam picos mais proeminentes do que a distribuio Normal, com caudas mais longas e espessas
162
Exemplos
A curtose da distribuio uniforme 1,2
A curtose da distribuio de Poisson > 0

A curtose da distribuio Binomial
16+62 1
163
Distribuies notveis (discretas)

Bernoulli Binomial Geomtrica Binomial Negativa Poisson Hipergeomtrica Uniforme
164
Distribuies notveis (contnuas)

Normal Uniforme Triangular Beta Beta Generalizada Exponencial Erlang Weibull Gama Qui-quadrado Qui F
165
Distribuies notveis (contnuas)

Student Lognormal Cauchy Laplace Logstica Loglogstica Logcauchy Loglaplace Rayleigh Maxwell Pareto Gompertz ...
166
Inferncia estatstica
A estatstica inferencial emerge da utilizao da teoria de probabilidades no estudo das relaes existentes entre populaes e amostras delas retiradas Engloba um conjunto de teoremas, modos de raciocnios e mtodos utilizados no tratamento e anlise de dados quantitativos Conceito fundamental: variabilidade das estatsticas amostrais (entre amostras possveis)
167
Representatividade da amostra
Questo mais metodolgica do que estatstica Avaliada qualitativamente, checando (e validando) os procedimentos de amostragem A estatstica inferencial se preocupa com a generalizao em si, possibilitada pelo exame da amostra em lugar da populao A preocupao fundamental validar quantitativamente a generalizao, chegando-se ao mago do problema da estatstica inferencial: medir a qualidade da inferncia
168
Estatsticas amostrais e parmetros populacionais

Como em qualquer processo de mensurao, nos deparamos com o problema de verificar proximidades entre uma medida concreta (a estatstica amostral) com um valor desconhecido (o parmetro populacional) Em processos comuns de mensurao desenvolve-se uma teoria de erros de mensurao Aplicada relao entre amostras e populaes, prefere-se o termo erros de amostragem, isto erros incorridos ao usar estatsticas amostrais como parmetros populacionais
169
Brincando com a informao perfeita

Indivduo Medida
A B C D E F G H I J
1 2 3 4 5 6 7 8 9 10
170
Populao de 10 indivduos = 5,5
Variabilidade das estatsticas amostrais

Tome-se uma amostra de quatro indivduos (amostra de tamanho = 4): A, F, C, e H; sua mdia 4,5 ( = 4,5) Tome-se outra amostra de quatro indivduos: B, A, G e I; agora = 4,75 Qual das duas informaes mais confivel como base inferencial para a mdia populacional?
Lembrete: em situaes prticas factuais semelhantes, o valor da mdia populacional desconhecido!
171
Provocao do exerccio
H vrias escolhas possveis para uma amostra de tamanho = 4 de uma populao de tamanho = 10 Cada uma delas oferece um valor para a estatstica Se as condies de escolha forem idnticas (nossa base qualitativa de avaliao da representatividade da amostra), nenhuma delas ser mais confivel como base de inferncia do que as outras De fato, a estatstica est mais para varivel do que para constante, no? Qualquer estatstica constante dentro da amostra, mas varivel entre amostras
172
Distribuio amostral
2,5 2,75 3 3,25 3,5 3,75 4 4,25 4,5 4,75 5 5,25 5,5 5,75 6 6,25 6,5 6,75 7 7,25 7,5 7,75 8 8,25 8,5 Total Frequncia 1 1 2 3 5 6 9 10 13 14 16 16 18 16 16 14 13 10 9 6 5 3 2 1 1 210 % 0,48 0,48 0,95 1,43 2,38 2,86 4,29 4,76 6,19 6,67 7,62 7,62 8,57 7,62 7,62 6,67 6,19 4,76 4,29 2,86 2,38 1,43 0,95 0,48 0,48 100
Distribuio de frequncias e histograma da varivel amostras de tamanho 4

173
Esquema de relacionamento
174
Impondo uma estrutura probabilista

Pode-se avaliar que a chance de encontrar um valor de distante 3 unidades ou mais da mdia da varivel na populao de apenas 0,96%, ou, mais formalmente, 5,5 3 = 0,0096 Em contraposio, a chance de encontrar um valor de distante 2 unidades ou menos da mdia da varivel na populao de 93,33%, ou, mais formalmente, 5,5 2 = 0,9333
175
Estatstica amostral como varivel aleatria

Passa-se a tratar a varivel de interesse como uma varivel aleatria (no caso particular do exemplo, distribuda Uniformemente, com apenas 10 possveis valores), cujo valor esperado, , corresponde mdia dos indivduos na populao Como consequncia, a varivel deve tambm ser considerada como uma varivel aleatria, cujo valor esperado, , corresponde mdia das mdias amostrais A propriedade fundamental da mdia pode ser ento formalizada: =
176
Efeito do tamanho da amostra
Ogivas dos histogramas da varivel amostras de tamanho 4, 5, e 6

177
Efeito do tamanho da amostra

Na medida em que o tamanho da amostra aumenta, a varivel se agrupa mais em torno do valor de , diminuindo sua varincia Pode-se dizer que a chance de encontrar um valor de distante de diminui com o aumento do tamanho da amostra Em contraposio, a chance de encontrar um valor de prximo de se v aumentada
178
Base terica da estatstica inferencial

O embasamento terico da estatstica inferencial se d ao impor uma estrutura probabilstica ao processo de amostragem Se o processo de amostragem no viciado, isto , se no h favorecimento de qualquer espcie para qualquer indivduo fazer parte da amostra, a suposio bem razovel Afinal, neste caso, qualquer uma das tantas amostras possveis poderia ser escolhida para representar o todo
179
Amostragem aleatria
Em situaes bem particulares, quando se tm em mos informaes precisas a respeito de todos os indivduos da populao de interesse, como uma listagem completa dos indivduos, por exemplo, a ausncia de vis pode ser obtida sorteando aleatoriamente os elementos que faro parte da amostra Ou seja, deixa-se ao acaso a escolha, sem qualquer influncia do pesquisador Diz-se neste caso que o processo de amostragem aleatrio
180
Aleatoriedade presumida
Raramente se tem disposio uma listagem completa dos indivduos na populao de interesse Na maior parte das aplicaes, a representatividade da amostra presumida, estabelecendo-se protocolos de amostragem que parecem, salvo melhor juzo, no viciados A estrutura probabilista julgada adequada, portanto
181
Aleatoriedade sempre presumida

Mesmo nas situaes bem comportadas, em que h uma listagem disposio, h juzos de valor envolvidos, como, por exemplo, a escolha do dispositivo de sorteio Como nenhum dispositivo perfeito, a aleatoriedade no pode ser tomada como garantida, sendo, de fato, presumida So agruras dos pontos de tangncia entre anlise quantitativa e anlise qualitativa...
182
Esquema de relacionamento
Induo de aleatoriedade nas estatsticas amostrais a partir da presuno de ausncia de vis no protocolo de amostragem
183
Base terica
A estatstica inferencial evidenciar, em uma linguagem tcnica e precisa, a relao entre as distribuies A linguagem utilizada a linguagem da matemtica, exata, na forma de teoremas, que nada mais so do que expresses do tipo se ... ento ... Isto , fazem-se suposies sobre a distribuio da varivel (na populao de indivduos) e conclui-se algo a respeito da distribuio amostral
184
Amostra como sequncia de variveis iid

Uma amostragem aleatria de tamanho , por exemplo, pode ser interpretada como uma sequncia de variveis aleatrias, 1 , 2 , , , cada uma delas distribudas segundo a distribuio da varivel , independentes entre si No jargo da estatstica, so variveis iid independentes e identicamente distribudas
185
Amostra como sequncia de variveis iid

Independentes, pois a escolha de um indivduo no afeta a possibilidade de escolha de outro Identicamente distribudas, pois todos os indivduos selecionados fazem parte da mesma populao Mas no se deixe enganar: por detrs de tudo estar sempre a grande suposio de aleatoriedade das variveis, induzida pela ausncia de vis do processo de amostragem
186
Validade do modelo
E se houver vcio no processo de amostragem? No h alternativa seno desconsiderar completamente os resultados O teorema pode ser preciso, mas se suas suposies no so vlidas, suas concluses no tm qualquer significado preciso distinguir a modelagem em si de sua instanciao
187
Exemplo: Amostragem de varivel distribuda Normalmente inferncia sobre

Se a varivel de interesse distribuda Normalmente na populao (mais formalmente, se ~ , ), ento a varivel =
=1
distribui-se Normalmente com

parmetros e
(isto , ~ ,
188
Exemplo: Amostragem de varivel distribuda Normalmente inferncias sobre
Relao entre a distribuio da varivel de interesse na populao de indivduos e as distribuies das mdias amostrais de distintos tamanhos 189
Exemplo aplicado
Suponha-se que nossa varivel de interesse seja Normalmente distribuda, com parmetros e Suponha-se ainda que = 10, e que no se conhea o valor de Retira-se uma amostra no viciada de tamanho = 50, calculando-se a mdia amostral Suponha-se que = 130,5 O que se pode inferir sobre o valor de ?
190
Modelagem
A suposio de Normalidade da varivel de interesse, , combinada com a suposio de ausncia de vcio no procedimento de amostragem induz uma distribuio Normal para a varivel E, embora no se saiba o valor de , sabe-se que = = Ou seja, a varivel distribui-se simetricamente em torno de , qualquer que seja seu valor, com maior probabilidade de estar prximo de seu valor do que distante de seu valor
191
Instanciao
Mais ainda, sabe-se que o desvio-padro da 10 varivel dado por = = = 1,414 A partir destas informaes, pode-se avaliar com preciso as chances relativas (probabilidades) de que a mdia da amostra se situe a uma dada distncia de , qualquer que seja esta distncia
192
50
Respostas
Por exemplo, digamos que se deseje precisar a probabilidade de que a mdia da amostra esteja a uma distncia no maior do que 3 unidades de Mais formalmente, deseja-se determinar 3 A teoria da distribuio Normal nos d 3 = 0,966105
193
Exemplo aplicado
Probabilidade de que a mdia da amostra esteja no intervalo , + para uma amostra de = indivduos, com =
194
Conhecido x desconhecido
Sob uma tica informacional, o valor conhecido na equao 3 = 0,966105 o valor , concretamente calculado com base na amostra colhida, igual a 130,5 em nosso exemplo O valor desconhecido o valor , abstratamente conjecturado como parmetro populacional
195
Expresses equivalentes
A expresso a mdia da amostra est a uma distncia no maior do que 3 unidades de equivalente expresso est a uma distncia no maior do que 3 unidades da mdia da amostra, pois so expresses logicamente simtricas Assim, pode-se interpretar a equao 3 = 0,966105 como uma expresso probabilista a respeito do valor
196
Intervalo de confiana para

Pode-se argumentar, ento, que a probabilidade de que , embora desconhecido, situe-se entre 127,5 e 133,5 (130,5 3) de 96,61% O intervalo (127,5; 133,5) chamado intervalo de confiana para , com 96,61% de confiana (probabilstica)
197
Exemplo aplicado
Probabilidade de que esteja no intervalo , + para uma amostra de = indivduos, com =
198
Infere-se o desconhecido a partir do conhecido

Repare a sutileza da argumentao A varivel aleatria , para a qual a teoria permite o clculo de probabilidades de expresses envolvendo valores correspondentes sua variabilidade O valor uma constante, portanto uma no-varivel Mas, realizada a amostragem no viciada, uma constante conhecida (para aquela particular amostra colhida), e uma constante desconhecida O desconhecimento de gera uma incerteza a seu respeito (lembre-se: a incerteza uma propriedade de nosso conhecimento a respeito dos eventos e no dos eventos em si!), que ser medida probabilisticamente
199
Outro exemplo aplicado

O fabricante de um equipamento de envase garante a preciso do processo de envase com uma variao mnima, para os padres atuais do mercado, com desvio-padro igual a 5 ml, independentemente do tamanho da garrafa utilizada Variaes no processo de envase so atribudas a mltiplas causas cujos efeitos se somam, resultando em uma variao distribuda Normalmente
200
Outro exemplo aplicado

Aps regular o maquinrio para descarregar em mdia 610 ml em cada garrafa o gerente de produo de um engarrafador testa o processo de hora em hora, com 10 garrafas retiradas ao acaso da linha de produo, medindo precisamente o volume engarrafado em cada uma delas e determinando a mdia amostral Qual a probabilidade de encontrar uma mdia amostral menor ou igual a 604 ml?
201
Modelagem
Pode-se raciocinar que a regulagem desejada corresponde ao valor esperado ( mdia) do contedo de todas as garrafas que sero envasadas neste particular ciclo de produo (uma populao de garrafas) Chamando de varivel volume de lquido envasado em uma garrafa, o que se deseja ao regular o processo que = 610 Assim, a suposio terica fundamental que se distribui Normalmente com parmetros = 610 e = 5, em se aceitando a argumentao do fabricante do equipamento Isto , ~ 610; 5
202
Respostas
A suposio de Normalidade para induz a suposio de Normalidade para a distribuio de mdias amostrais, , com parmetros e , ou seja, ~ 610, , e a pergunta pode ser respondida Deseja-se 604 , ou seja, 604 , onde a FDA da distribuio Normal com 5 parmetros = 610 e = 10 A funo DIST.NORM.N do Microsoft Excel fornece 604 = 0,0000739
203
5 10
Instanciao
As suposies de nossos clculos so
a varivel se distribui conforme a distribuio Normal, com mdia igual a 610 ml e desviopadro igual a 5 ml a amostra retirada no contm vcios
As suposies so bastante plausveis em situaes como a descrita, desde que o gerente de produo saiba o que est fazendo...
204
Informao factual
Suponha-se agora que o gerente de produo seja informado pelo pessoal de controle que a ltima amostragem realizada produziu a estatstica = 604 E da? A informao til, serve para alguma coisa?
205
Modelagem
H suposies tericas importantes embutidas no clculo da probabilidade 0,0000739
A distribuio Normal A amostragem no contm vcios O desvio-padro da distribuio 5 ml A mdia da distribuio (isto , a regulagem da mquina) 610 ml
E encontrou-se uma amostra com tal resultado...

206
Crtica instanciao
A informao est queimando nossas mos... O que fazer? Em geral, nossa postura a respeito de eventos raros de desconfiana, embora admitamos que eles possam acontecer
207
Crtica instanciao
O que se pode inferir sobre o processo de envase? No contexto apresentado, parece quase imediata a desconfiana em alguma das hipteses embutidas nos clculos
O clculo foi bem feito? A aritmtica est correta? Deu tilt na mquina de calcular? A amostra foi viciada? A distribuio no Normal? O desvio-padro no igual a 5 ml? A regulagem de 610 ml foi pro brejo?
208
Postura acrtica
Qual das hipteses a mais fraca? Alternativamente, podemos nos sentar contemplativamente e imaginar como a vida pode trazer surpresas inesperadas Se tivssemos tal sorte na MEGA-SENA...
209
Crtica instanciao
Usa-se o procedimento de amostragem para controlar o processo, para informar o processo decisrio A emergncia concreta de uma amostra com tal estatstica amostral, com probabilidade de ocorrncia terica to pequena, nos faz rejeitar a teoria, abstratamente concebida, em razo da evidncia concreta da verificao emprica
210
Crtica instanciao
Quando a suposio terica e a evidncia emprica entram em conflito, ficamos com a evidncia emprica, rejeitando a teoria Ou, mais precisamente, buscamos alguma alternativa terica, evoluindo em nosso conhecimento
211
Suposio mais frgil

A suposio terica mais frgil no contexto apresentado a mdia da varivel ser igual a 610 ml
O clculo aritmtico pode ser verificado e checado O vcio no processo de amostragem pode ser evitado com protocolos adequados, cuja efetiva utilizao pode ser checada A Normalidade da distribuio pode ser checada, sendo bem suportada em estudos tcnicos desta natureza O desvio-padro pode ser checado com testes realizados pelo fabricante do equipamento, bem documentados Resta a regulagem da mquina, sendo bastante comum sua degenerao em processos desta natureza
A regulagem depende das condies locais, havendo inmeros fatores concorrendo para sua degenerao, desde limitaes humanas a desgaste nos materiais utilizados
212
Suposio alternativa
Se tivesse havido uma variao da mdia da varivel para menos do que 610 ml, a mdia da varivel acompanharia esta variao, e a probabilidade de haver uma mdia amostral to extrema quanto 604 ml seria certamente maior do que a calculada, o que talvez reconciliasse nosso achado emprico com a teoria A ttulo de ilustrao
Se = 608, 604 = 0,0057060, mantendo-se as demais suposies Se = 606, 604 = 0,1029516, mantendo-se as demais suposies
213
Suposio alternativa
214
Teste de hipteses
Em termos formais, testa-se uma hiptese bsica a respeito do valor do parmetro populacional, = 610, contra uma hiptese alternativa, < 610 A observao emprica = 604 improvvel sob a primeira hiptese A probabilidade de sua ocorrncia estimada em 0,0000739, favorecendo a segunda hiptese
215
Hiptese nula
A hiptese bsica rotulada como hiptese nula, sendo uma hiptese inercial
A regulagem inicial, de 610 ml, no se modificou ( = 610) No h variao da regulagem em relao ao valor inicialmente utilizado, de 610 ml nula a diferena entre a regulagem e o valor de 610 ml ( 610 = 0) Ou seja, o satus quo permanece inalterado
Denota-se tal hiptese como 0

216
Hiptese alternativa
A hiptese alternativa denotada por 1 , acompanhando nossa compulso pela lgica bivariada (h somente dois estados possveis, a veracidade ou a falsidade de 0 ) Tem-se, portanto, no exemplo apresentado:
0 : = 610 1 : < 610
217
Deciso estatstica
O teste resume-se a escolher qual hiptese mais plausvel, dentre 0 e 1 , dadas as evidncias encontradas na amostra Como o valor de encontrado na amostra improvvel sob 0 (se 0 fosse verdadeira), rejeita-se 0 , aceitando-se consequentemente 1
218
Deciso estatstica
Ou seja, julga-se que 0 implausvel (embora no impossvel, tratando-se de uma argumentao probabilstica) e, portanto, que 1 mais plausvel do que 0 Em outras palavras, acredita-se mais na hiptese de degenerao da regulagem do processo do que na hiptese inercial de no degenerao Em funo disso, nosso gerente talvez tome algumas providncias, mas estas j no so objeto da estatstica...
219
Testes unilaterais e bilaterais

Em algumas situaes, mais plausvel apresentar a hiptese alternativa como uma simples negao da hiptese nula, como 610, ao invs de < 610, dando origem ao que vem a ser chamado de teste bilateral A escolha de qual tipo de teste utilizar depende essencialmente de informaes disponveis no contexto de aplicao
220
Justificando um teste unilateral

No contexto apresentado, pode-se argumentar que a variao da regulagem da mquina para cima seria imediatamente verificada visualmente, pois as garrafas comeariam a transbordar na linha de produo, no havendo necessidade de realizao de um teste mais sofisticado Adicionalmente, enchimentos acima de 610 ml seriam, em princpio, benficos ao consumidor, que jamais reclamaria de uma garrafa com volume efetivo maior do que o rotulado Variaes para baixo constituem a preocupao fundamental nestes casos 221
Processos de inferncia estatstica

H duas situaes tpicas do processo de inferncia estatstica, conhecidas por intervalos de confiana e testes de hipteses A lgica embutida em tais esquemas facilmente generalizvel
222

Em princpio estamos sempre interessados em caractersticas populacionais, que, em alguns casos, podem ser descritas por parmetros da distribuio da varivel de interesse, como , , , , , etc. Utilizam-se amostras no viciadas para inferir os valores de tais parmetros, usando correspondentes estatsticas amostrais (como ,, , , etc.)
223
Estimadores
Se estivermos interessados simplesmente em estimar os valores dos parmetros populacionais, as estatsticas amostrais correspondentes so chamadas de estimadores dos parmetros populacionais Trata-se de um processo indutivo, em que a parte generalizada para o todo
224
Estimadores
Digamos que se represente o parmetro de interesse na populao de interesse por (assim, , , , , , etc. so apenas instncias de ), e a correspondente estatstica amostral por (assim, , , , , etc. so instncias de ) Mais formalmente, denota-se (estatstica amostral) um estimador de (parmetro populacional)
225
Estatsticas de teste
Se estivermos interessados em verificar a plausibilidade de hipteses a respeito dos valores dos parmetros populacionais, as estatsticas amostrais so chamadas de estatsticas de teste sobre os parmetros populacionais, denotadas por
226
Estatsticas de teste
Trata-se de um processo dedutivo, em que a suposio feita para o todo induz um comportamento esperado na parte, que, em no sendo verificado empiricamente, pode ser utilizado para contestar a suposio inicialmente feita para o todo Mais formalmente, denota-se (estatstica amostral) uma estatstica de teste sobre (parmetro populacional)
227
Relaes entre um parmetro populacional e uma estatstica amostral

228

Em qualquer situao, a conexo entre e , ou entre e , ser sempre modelada probabilisticamente, o modelo sendo induzido pelo processo de amostragem no viciado Tanto a estimativa como o teste do valor do parmetro so realizados dentro de um contexto de incerteza, de relativo desconhecimento, em que a linguagem da probabilidade assume um papel preponderante
229

No se tem o valor do parmetro, apenas uma estimativa bem calibrada, baseada nas informaes disponveis bem provvel que o valor do parmetro no seja coincidente com o valor da estimativa realizada, mas as chances de proximidade podero ser calculadas com preciso
230

No se constata que uma determinada hiptese a respeito do valor de um parmetro seja verdadeira (ou falsa), apenas a aceitamos como verdadeira (ou a rejeitamos por acreditarmos mais em sua falsidade), dadas as informaes disponveis Pode acontecer que uma hiptese rejeitada seja verdadeira (tanto quanto uma hiptese aceita seja falsa), mas as chances de erro podero ser calculadas com preciso
231
Intervalos de confiana
Genericamente, um intervalo de confiana nada mais do que um intervalo numrico associado a uma avaliao probabilista de que ele contenha o verdadeiro valor do parmetro sendo estimado Definem-se valores e (limites inferior e superior do intervalo) de modo que se possa fazer alguma afirmao a respeito da probabilidade de que o intervalo assim definido contenha o parmetro populacional, pelo menos aproximadamente
232
Mais formalmente = 1 Os valores e so determinados a partir dos dados de uma particular amostra, devendo ser pensados como variveis aleatrias (variando entre as possveis amostras) tanto quanto a estimativa pontual So, portanto, de fato, duas estatsticas amostrais, embora relacionadas entre si Muitas vezes e so definidos a partir da estimativa pontual 233
O valor 1 chamado de nvel de confiana do intervalo, representando a probabilidade de que o intervalo contenha o verdadeiro valor do parmetro sendo estimado Seu complemento, o valor , representa, assim, o risco de erro, a chance de que o parmetro populacional no esteja contido no intervalo
234
Testes de hipteses
Todos os testes de hipteses a respeito de parmetros populacionais seguem a mesma estrutura lgica Deseja-se testar o valor do parmetro populacional, , formulando-se uma hiptese nula 0 : = 0 Formula-se tambm uma hiptese alternativa, em geral a negao da hiptese nula 1 : 0
235
Testes de hipteses
Para testar 0 , toma-se uma amostra no viciada da populao, calculando-se uma estatstica de teste, ser interpretada como uma varivel aleatria (variando entre possveis amostras) Pode-se estudar seu comportamento e verificar algumas de suas caractersticas, especialmente sua relao com o parmetro testado, , assim como com o particular valor de teste, 0
236
valor
Em cada contexto, definida com base em alguma teoria que assegure o conhecimento de sua distribuio de probabilidades, pelo menos aproximadamente, sob 0 (isto , se 0 for verdadeira) Determina-se a probabilidade de a varivel aleatria ser to ou mais extrema quanto o valor encontrado na particular amostra investigada, Denota-se tal probabilidade por valor
237
Deciso estatstica
O valor pode ser utilizado para avaliar a plausibilidade de 0 , versus 1 Valores muito pequenos para o valor evidenciam que o valor da estatstica de teste, , encontrado na amostra improvvel sob 0 (se 0 fosse verdadeira), rejeitando-se, portanto, 0 Por outro lado, valores no to pequenos para o valor evidenciam que o valor de encontrado na amostra no to improvvel sob 0 (se 0 fosse verdadeira), aceitando-se, portanto, 0
238
Nvel de significncia
Nas cincias sociais aplicadas, utiliza-se em geral o valor limite = 0,05 para discernir o que pode ser considerado uma probabilidade pequena do que no uma probabilidade to baixa assim Assim, cria-se a regra emprica se valor , rejeita-se 0 ; se valor > , aceita-se 0 O valor limite, representado por , chamado de nvel de significncia do teste
239
Risco de errar ao rejeitar 0

A deciso se d, portanto, baseada na comparao entre o nvel de significncia e o valor Se valor , o valor considerado pequeno demais para sustentar a hiptese terica, rejeitandose consequentemente 0 Ou seja, julga-se que 0 implausvel, embora no impossvel, tratando-se de uma argumentao eminentemente probabilstica O valor pode ser interpretado como um limite para o risco assumido pelo tomador da deciso, ou seja, a probabilidade de errar ao rejeitar 0 240
Resultado significativo x no significativo

Quando se aceita 0 , diz-se que o teste revelou-se no significativo (ao nvel de significncia ) ou ainda no significante J quando se rejeita , diz-se que o teste revelou-se significativo (ao nvel de significncia ) ou significante
241
Erros de deciso
Ao se reduzir o problema a apenas duas hipteses, 0 x 1 , esta representando a rejeio daquela, potencialmente enfrentamos dois tipos de erro em nossa deciso, que merecem ser distinguidos Tanto se pode rejeitar 0 indevidamente (erro tipo I) como se pode aceit-la incorretamente (erro tipo II) So os dois lados de uma deciso em ambiente de incerteza
242
Erros tipo I e tipo II

Estado da natureza 0 Verdadeira Aceita-se 0 Deciso Rejeita-se 0 Erro tipo I 0 Falsa Erro tipo II
243
Probabilidades de erros
Como se est diante de uma deciso sob incerteza, til associar probabilidades a cada um dos dois tipos de erros representa um limite para a probabilidade de erro do tipo I, isto erro tipo = rejeitar 0 0 Verdadeira Define-se = erro tipo = aceitar 0 0 Falsa
244
Estado da natureza 0 Verdadeira Aceita-se 0 Deciso Rejeita-se 0 0 0 0 Falsa
245
Inexoravelmente os dois erros esto ligados de uma maneira inversa (embora no linear), ou seja, se tentarmos diminuir , o valor se v aumentado, e vice-versa Dada a fora da hiptese inercial, o erro tipo I quase sempre considerado mais importante, de modo que nos preocupamos em avaliar precisamente, tanto quanto possvel, o valor , pois a deciso de aceitao ou no de 0 se dar com base neste valor, em comparao com o nvel de significncia do teste,
246
Falso positivo e falso negativo

Como 0 corresponde a uma hiptese inercial, de nulidade, de ausncia de desvio em relao ao status quo, o erro tipo I tambm rotulado falso positivo, pois corresponde a rejeitar erroneamente a hiptese nula, ou seja, considerar erroneamente que h, positivamente, um desvio em relao ao status quo Da mesma forma, o erro tipo II rotulado falso negativo, pois corresponde a aceitar erroneamente a hiptese nula, ou seja, negar erroneamente que haja algum desvio em relao ao status quo
247
Outros conceitos relevantes

Potncia de um teste de hipteses Valores crticos para a estatstica de teste Regio de aceitao (ou de rejeio) de um teste de hipteses Relao entre intervalos de confiana e testes de hipteses
248
Amostragem de varivel distribuda Normalmente resumo
249
Amostragem de varivel distribuda Normalmente resumo
250
Amostragem de varivel no Normal inferncias sobre ()

O processo de inferncia a respeito do parmetro da distribuio Normal bem-comportado e exato, dada a estrutura formal da distribuio Normal Entretanto, a suposio de que a varivel de interesse seja Normalmente distribuda um tanto quanto restritiva, pois muitos fenmenos no seguem tal distribuio O que fazer nestes casos? H vrios caminhos a seguir, sendo o mais relevante o determinado pelo teorema do limite central, que pe em evidncia toda a fora da distribuio Normal
251
Teorema do limite central

Se 1 , 2 , , so variveis aleatrias iid, com 0 finita, ento

lim
=1
1 2
2 2
Ou seja, a distribuio da varivel aleatria =
Normal padro na medida em que o nmero de parcelas da soma, , aumenta indefinidamente

252
=1
converge para a distribuio

O teorema vlido para quaisquer distribuies, sejam elas discretas ou contnuas, sejam elas simtricas ou no No importa a forma da distribuio, a convergncia da FDA da varivel = Normal padro inescapvel, desde que as variveis sejam independentes e identicamente distribudas, com 0 finita
253
=1
para a FDA da varivel

Embora o nmero de parcelas da varivel aumente, h uma espcie de compensao, pois as parcelas somadas so desvios das variveis em torno de seu valor esperado, divididas por , algumas parcelas sendo, portanto, positivas, enquanto outras sero negativas Por outro lado, a variabilidade de permanece travada pela presena do fator em seu denominador
254

Tem-se que = 0 e = 1 O que no nada bvio a emergncia da FDA da distribuio Normal no processo de convergncia da FDA da varivel , o que, de certa forma, explica a reverncia universal distribuio Normal, que tanto fascina a humanidade O teorema nada diz sobre a velocidade de convergncia, mas pode ser evidenciado empiricamente que a convergncia mais rpida se as distribuies forem simtricas e contnuas
255

Inferncias sobre (quando a varivel de interesse na populao no se distribui conforme a distribuio Normal) so quase idnticas s inferncias sobre (quando a varivel de interesse na populao se distribui conforme a distribuio Normal) O teorema do limite central assegura que os processos de inferncia sobre (para distribuies Normais) so vlidos aproximadamente mesmo quando as distribuies no so Normais, bastando tomar amostras grandes
256
Robustez do processo de estimao

A constatao deu origem ao termo robustez do processo de estimao, para designar processos que apresentam resultados vlidos aproximadamente, mesmo quando alguns de seus pressupostos fundamentais so relaxados Deve ser ressaltado, entretanto, que nem todos os processos de inferncia so robustos ao relaxamento da suposio de Normalidade da varivel de interesse na populao
257

Intervalos de confiana e testes de hipteses sobre (para distribuies Normais) no so robustos, de modo que sua utilizao deve ser realizada com cuidado, pois seus resultados no so vlidos quando a distribuio da varivel de interesse na populao no se ajusta distribuio Normal Neste caso, recomenda-se a utilizao do intervalo de confiana de Bonett para , e o correspondente teste de hipteses
Exige-se apenas que a varivel de interesse na populao, , seja contnua, com varincia finita e no nula, assim como tendo momento central de ordem 4 finito (isto , 258 4 < )
Testes paramtricos x no paramtricos

Rotulam-se testes de hipteses como paramtricos quando a hiptese nula toma a forma 0 : = 0 , onde algum parmetro populacional de interesse Alternativamente, pode-se desenvolver um teste no paramtrico, que no faa uso de qualquer informao sobre a forma das distribuies, no testando, portanto, o valor de seus parmetros So tambm chamados de testes livres de distribuio (distribution-free tests)
259
Testes de aderncia
Teste qui-quadrado de aderncia Teste de Kolmogorov-Smirnov (KS) Teste de Lilliefors de aderncia distribuio Normal
260
1. Considere os dados relativos rentabilidade diria das aes preferenciais nominativas da Petrobrs apresentada no Exemplo 3 do Captulo 4 (primeiros valores de cada par de valores apresentados no Quadro 1 do Captulo 4). Considere que os 247 valores representam nossa populao de interesse.
1. 2. 3. Qual o valor da mdia da varivel na populao? Selecione aleatoriamente 200 amostras de tamanho 5; quais so os valores da mdia da varivel nas diferentes amostras colhidas? Represente as 200 mdias amostrais em um histograma; qual o valor da mdia das mdias? Selecione aleatoriamente 200 amostras de tamanho 10; quais so os valores da mdia da varivel nas diferentes amostras colhidas? Represente as 200 mdias amostrais em um histograma; qual o valor da mdia das mdias? Selecione aleatoriamente 200 amostras de tamanho 20; quais so os valores da mdia da varivel nas diferentes amostras colhidas? Represente as 200 mdias amostrais em um histograma; qual o valor da mdia das mdias? Qual dos valores o melhor estimador da mdia da populao? Por qu?
4.
5. 6. 7. 8.
261

2. Antes de tomar a deciso de modificar o sabor da CocaCola em 1985, a companhia testou os sabores alternativos com aproximadamente 190.000 consumidores em vrias cidades americanas (Pendergrast, 1993, p.324). Sem qualquer marca de identificao (teste cego), 55% preferiram a nova frmula anterior. H boa confiana de que os 190.000 consumidores constituem uma amostra representativa da populao de consumidores de refrigerantes tipo cola.
1. 2. Descreva a distribuio amostral de . Encontre a probabilidade de que se localize a menos de 0,005 da proporo populacional dos consumidores que preferem o novo sabor.
262

3. A companhia esperava recuperar o primeiro lugar no ndice Nielsen de vendas em supermercados, perdido para a Pepsi-Cola h cerca de um ano.
Durante 20 anos, a fatia de mercado da bebida mais famosa do mundo declinara ininterruptamente. Em 1984, a Coca-Cola perdeu 1% de sua parcela de mercado, enquanto a Pepsi-Cola subia 1,5 ponto percentual. A companhia tentara tudo publicidade macia, eficaz; marketing dinmico; promoes de preos; distribuio quase universal e nada detivera a queda gradual. Era difcil evitar a concluso de que, exatamente como afirmara o Desafio da Pepsi, o problema real estava no sabor do produto. As pessoas no apreciavam mais o travo da CocaCola. Queriam uma bebida mais doce. (Pendergrast, 1993, p. 320)
263

3. (cont.) Apesar do lanamento em grande estilo e da enorme capacidade promocional da companhia (afinal a Coca-Cola a responsvel pela cor vermelha do papai Noel, introduzida na campanha publicitria de 1925!), a New Coke foi um fracasso junto ao pblico. No primeiro ms aps o lanamento, as vendas despencaram, enquanto estoques da velha Coke eram vendidos com gio. Tudo leva a crer que os consumidores sentiramse trados pela companhia. Milhares de telefonemas e cartas indignadas chegavam diariamente sede da companhia. A revista Newsweek estampou a manchete a Coke falsifica o sucesso, identificando o velho refrigerante como o carter americano dentro de uma lata. Parece, efetivamente, que a Coca-Cola um smbolo americano, to forte quanto a esttua da liberdade ou as listras e estrelas de sua bandeira. Incrivelmente, ningum examinara as repercusses psicolgicas da retirada da velha frmula. (Pendergrats, 1993, p. 325). Trs meses depois de seu lanamento, a velha frmula foi relanada como Classic Coke. A New Coke nunca foi vendida fora dos Estados Unidos. Em 1987 a companhia gastou mais de 21 milhes de dlares promovendo a New Coke, contra 36 milhes destinados promoo da Classic Coke, apesar da fatia de mercado daquela ser menor do que 3% (a fatia de mercado da Classic Coke j era maior do que 27%). A New Coke foi reposicionada no incio da dcada de 1990 no mercado americano como Coke II. Pouco depois sua produo foi interrompida. O que teria acontecido? A informao colhida pela pesquisa no est correta? A confiana (probabilista) nos resultados no est correta?
264
Figura 29: Charge publicada no Chicago Tribune em 1987 Fonte: Arquivo pessoal do autor
265

Add010 PDF

Enviado por

Dados do documento

Título original

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

Add010 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

ADD010 - Mtodos Estatsticos

Joo Luiz Becker jlbecker@ea.ufrgs.br

Quanto andares tem o prdio abaixo?

Quanto andares tem o prdio abaixo?

Quanto andares tem o prdio abaixo?

Quando a estatstica emergiu como disciplina?

Variabilidade e sua mensurao

Rensis Likert (1903-1981)

Sempre se pode reduzir o nvel de mensurao desprezando-se informaes

Efeitos percebidos efetivamente

Validade dos instrumentos

Estimativas de fidedignidade (coeficiente de Cronbach) 2 =1 = 1 2 1

21 Lee Joseph Cronbach (1916-2001)

Tarefa extra-classe 2 (cont.)

Tarefa extra-classe 2 (cont.)

Tarefa extra-classe 2 (cont.)

Tarefa extra-classe 2 (cont.)

Descrio monovariada de dados categricos

Descrio monovariada de dados categricos

14% 1 direo geral 2 superintend. 3 agncias 4 rgos regionais

Descrio monovariada de dados categricos

30,0% 21,0% 20,0%

0,0% 1 direo geral 2 superintend. 3 agncias 4 rgos regionais

Nmero excessivo de categorias

Descrio monovariada de dados categricos

Descrio monovariada de dados mtricos

Descrio monovariada de dados mtricos

Descrio monovariada de dados mtricos

Descrio monovariada de dados mtricos

Descrio monovariada de dados mtricos

Momento central de ordem k =1 =

Descrio monovariada de dados mtricos

Descrio monovariada de dados ordinais

Descrio monovariada de dados mtricos

John Wilder Tukey (1915-2000)

Identificao de outliers Winsorizao

Tarefa extra-classe 3 (cont.)

Tarefa extra-classe 3 (cont.)

Tarefa extra-classe 3 (cont.)

Tarefa extra-classe 3 (cont.)

Descrio bivariada de dados categricos

Descrio bivariada de dados categricos

Perfis de linhas Perfis de colunas

Descrio bivariada de dados categricos

0,082 0,151 Perfis de colunas: 0,560 0,208

0,113 0,134 0,551 0,202

Descrio da relao entre uma varivel categrica e uma mtrica

Descrio da relao entre uma varivel categrica e uma mtrica

Descrio da relao entre uma varivel categrica e uma mtrica

Descrio da relao entre uma varivel categrica e uma mtrica

Descrio da relao entre uma varivel categrica e uma mtrica

Descrio bivariada de dados mtricos

Descrio bivariada de dados mtricos

Descrio bivariada de dados mtricos

Karl Pearson (1857-1936)

Descrio bivariada de dados mtricos: anlise de regresso

Anlise de regresso: objetivos

Regresso linear simples

Regresso linear simples

Regresso linear simples

Regresso linear simples

Regresso linear simples

Regresso linear simples