Escolar Documentos
Profissional Documentos
Cultura Documentos
Pessoal que j tiver impresso e lido a aula 3, dada antes da retificao, no precisa
reimprimir e reler essa aula. mero repeteco.
1. ESTIMADORES PONTUAIS
Se, por algum motivo, no pudermos realizar um censo, ns faremos uma amostragem. Ao
longo do curso, trabalharemos basicamente com a amostragem aleatria simples.
Podemos, por exemplo, calcular a mdia da amostra. A mdia amostral , como o prprio
nome diz, uma caracterstica da amostra. chamada de estatstica.
Muito bem. Selecionamos uma amostra de dez pessoas. Se voc calcular a mdia para a
amostra acima indicada, obter R$ 3.600,00.
A mdia amostral de R$ 3.600,00.
A partir desta amostra, vamos estimar a mdia da populao. Usamos a mdia amostral
(=R$ 3.600,00) como um estimador da mdia populacional, desconhecida.
Dizemos que R$ 3.600,00 a mdia estimada, a partir da amostra feita. uma estimativa
por ponto.
Estamos dizendo que uma estimativa para a mdia populacional R$ 3.600,00. Ou seja,
usamos a mdia amostral como estimador da mdia populacional.
A mdia amostral, considerada como uma frmula (soma dos valores da amostra, dividida
por n), ou seja, considerada como uma funo dos valores amostrais, chamada de
estatstica.
Ou seja, estatstica uma funo dos valores da amostra.
Um valor especfico que a estatstica assume chamado de estimativa.
Ento:
=
a estatstica. Isso porque se trata de uma funo dos valores amostrais.
J o valor 3.600,00, que uma realizao numrica de , a estimativa.
A estimao por ponto se contrape estimao por intervalo. Nesta ltima, no definimos
um valor nico para a estimativa; sim um intervalo de valores. Um exemplo so aquelas
pesquisas eleitorais de inteno de voto. Lembram quando se diz que os candidatos esto
tecnicamente empatados?
Se o candidato A tem entre 30% e 34% das intenes de voto, e o candidato B tem entre
28% e 32% das intenes de voto, no d para afirmar quem vai ganhar. A o William Bonner
diz que eles esto tecnicamente empatados.
Nesse segundo caso, a partir de uma amostra, procurou-se estabelecer um intervalo de
valores provvel para as intenes de voto de cada candidato. Para o candidato A, o
intervalo de 30% a 34%. Dizemos que se trata de uma estimativa por intervalo.
Seja X a varivel aleatria que designa o resultado do lanamento de um dado. J vimos que
a mdia desta varivel aleatria (= esperana) de 3,5.
= 3,5
Podemos pensar que 3,5 a mdia da varivel aleatria X. Ou ento, se pensarmos em uma
populao formada por todos os resultados que poderiam ser obtidos quando se lana o
dado infinitas vezes, dizemos que a mdia dessa populao 3,5.
Resumindo:
Falou em mdia populacional: o smbolo
Falou em mdia de varivel aleatria: o smbolo (pois variveis aleatrias so
usadas para modelar populaes)
Falou em mdia amostral: smbolo X
Nosso objetivo , a partir de uma amostra, estimar qual o parmetro populacional. Partindo
da amostra das dez pessoas acima, estimamos a mdia populacional em R$ 3.600,00.
O valor da mdia da amostra ( X ) um estimador da mdia populacional ( ). um
estimador no tendencioso, de varincia mnima, de mnimos quadrados e, se a varivel
aleatria for normal, tambm um estimador de mxima verossimilhana.
Ao final da aula falaremos sobre estas caractersticas dos estimadores.
Exemplos
Exemplo 1
De uma populao foi extrada uma amostra com os seguintes valores: 4, 6, 8, 8. Qual a
estimativa para a mdia da populao?
Resoluo.
No sabemos a mdia da populao ( ). Neste caso, vamos utilizar a mdia da amostra ( X
) para estimar a mdia da populao.
A estimativa da mdia da populao fica:
4+6+8+8
X = = 6,5
4
Estimamos a mdia populacional em 6,5.
(X )
2
X
=
2 i
s ,
n 1
que a mesma frmula vista na estatstica descritiva.
Na estatstica descritiva, quando se estuda a frmula da varincia amostral, aprende-se que
o denominador n 1 em vez de n.
Quando queremos estimar a varincia da populao, um dos fatores que tem influncia
nesse denominador justamente a caracterstica desejada para o estimador. Para que o
estimador tenha certa caracterstica de tal forma que ele possa ser enquadrado como no
tendencioso, necessrio que o denominador seja n 1 .
Este estimador acima o mais utilizado. Ele no tendencioso. Contudo, no caso da varivel
normal, ele no o estimador de mxima verossimilhana. O estimador de mxima
verossimilhana :
(X ) 2
X
=
i
s2
n
Se por acaso o exerccio der uma amostra de uma varivel normal e pedir para calcular o
estimador de mxima verossimilhana da varincia utilizamos n no denominador (em vez de
n 1 ). Mas acho que improvvel que isto ocorra. O que deve vai cair mesmo com o
denominador n 1 . improvvel, mas no impossvel, conforme veremos em alguns
exerccios de concursos durante a aula.
Exemplo 2
Considere a seguinte amostra de uma varivel aleatria normal:
1, 2, 3.
Calcule:
a) o estimador no tendencioso da varincia populacional
b) o estimador de mxima verossimilhana da varincia populacional
Resoluo
a) O estimador no tendencioso aquele em que temos n 1 no denominador.
Fica assim:
(X )
2
X
=
2 i
s
n 1
s2 =
( 1)2 + 0 2 + 12 =1
3 1
b) O estimador de mxima verossimilhana aquele com n no denominador.
(X )
2
X
=
2 i
s
n
s 2
=
( 1) + 0 2 + 12
2
= 2/3
3
Questo 1 SEFAZ RJ 2008 [FGV]
Considere uma Amostra Aleatria Simples de n unidades extradas de uma populao na
qual a caracterstica, X, estudada tem distribuio Normal com mdia e varincia 2 ,
ambas desconhecidas, mas finitas. Considere, ainda, as estatsticas mdia da amostra, X =
1 n
n i =1
X i , e varincia da amostra s 2
=
1 n
n i =1
( 2
)
X i X . Ento, correto afirmar que:
Resoluo:
Nesta questo, temos:
- a mdia aritmtica da amostra como um estimador da mdia populacional: vimos que a
mdia da amostra um estimador no-tendencioso.
- a varincia da amostra como um estimador da varincia populacional: vimos que, quando
se usa n no denominador, o estimador tendencioso.
Gabarito: B
a)
(X i m) 2
n 1
b)
(X i m) 2
n2
( X i m) 2
0,5
c)
n 1
d) (X i m) 2
e)
(X i m) 2
n
Resoluo.
O enunciado est usando a letra m para indicar a mdia amostral.
Vimos que o estimador de mxima verossimilhana da varincia para a distribuio normal
aquele que apresenta n no denominador.
Gabarito: E.
Considere que:
23
X
i =1
i = 388
23
X
i =1
i
2
= 8676
a) 96,85
b) 92,64
c) 94,45
d) 90,57
e) 98,73
Resoluo.
A mdia fica:
23
X
i =1
i
388
X = =
23 23
A mdia dos quadrados das observaes fica:
8676
X2 =
23
A varincia (com n no denominador), dada por:
2
X2 X
2
8676 388
=
23 23
Para o estimador no tendencioso (ou no viciado, ou no enviesado), ns usamos n 1 no
denominador. Portanto, precisamos ajustar o denominador.
O resultado acima considera uma diviso por 23 (= n). Precisamos multiplicar por 23, para
cancelar esta diviso.
Em seguida, dividimos por 22, para que o denominador seja igual a n 1 .
O estimador no tendencioso da varincia fica:
23 8676 388 2
s =
2
22 23 23
8676 388 2
s2 =
22 23 22
= 394,36 297,52 = 96,84
Gabarito: A
Considere que a proporo de moradores de uma cidade que pretendem votar num
candidato A de 40%. um valor que se refere populao inteira. um parmetro. Vamos
padronizar. Sempre que nos referirmos proporo da populao, usamos o smbolo p .
p = 40%
Suponha que ns no conhecemos esta proporo referente populao (40%) e, para
estim-la, entrevistamos 10 pessoas. Destas, 5 pretendem votar no candidato A.
A proporo verificada na amostra 50%. Chamamos de p .
p = 50%
Vamos usar p como estimador de p .
Resumindo:
Proporo da populao: p
Proporo amostral: p
Exemplo 3
Para uma pesquisa de intenes de voto para a Prefeitura de uma cidade, foram
entrevistadas 100 pessoas. Verificou-se que, nesta amostra, 30 eleitores pretendem voltar
no candidato A. Qual a estimativa da proporo populacional de intenes de voto do
candidato A?
Resoluo.
No sabemos qual a proporo populacional (ou seja, referente a todos os eleitores da
cidade). Vamos usar a proporo verificada na amostra para estimar a proporo
populacional.
Na amostra temos:
p = 30% = 0,3
Dizemos que a estimativa da proporo populacional de 30%.
Estimadores pontuais
Muitas populaes podem ser modeladas segundo uma varivel aleatria. Como exemplo,
considere a temperatura de um local, medida com nosso termmetro mgico de infinitas
casas aps a vrgula.
Nosso objetivo estimar a temperatura mdia do local em um dado dia. Para tanto,
consideramos que a temperatura se comporta como uma varivel aleatria X.
Deste modo, encontrar a temperatura mdia do local o mesmo que encontrar a esperana
de X.
E(X ) = = ?
Num dado dia, vamos l nesse local e, em dez instantes diferentes, medimos a temperatura.
Agora temos uma amostragem de tamanho 10 para a temperatura no local.
Suponha que esta mdia tenha sido X 1 = 2 C.
Neste ponto, no custa nada lembrar a simbologia que padronizamos.
X a mdia de uma amostra
a mdia da populao ( o valor que pretendemos estimar)
S que os instantes em que realizamos a amostragem foram aleatoriamente escolhidos. Se,
por acaso, outros instantes tivessem sido escolhidos, cada uma das medies poderia ser
ligeiramente diferente. Seria possvel ter obtido uma segunda mdia igual a X 2 = 2,1 C.
Quando nos referimos a uma nica amostra, X representa um nmero, a mdia aritmtica
daquela amostra.
Mas tambm podemos nos referir a X de forma diferente. Podemos pensar em inmeras
amostras, com X assumindo valores diferentes em cada uma delas. Assim, X seria uma
varivel.
Quando nos referimos a como uma varivel aleatria, porque estamos pensando em
todas as diferentes amostras que poderiam ter sido extradas. Nesse caso, vista apenas
valor para a mdia amostral, nesse caso, assumir um valor nico, fixo. Por exemplo,
Por outro lado, quando nos referimos a uma amostra em particular, que fornece um nico
= 2. Nesta situao, quando nos referimos a como algo fixo, dizemos que = 2 uma
estimativa da mdia populacional.
Na verdade, esses nomes estatstica, estimativa, parmetro, tudo isso no cai em
prova. At hoje no vi uma questo s explorando as diferenas conceituais de um nome
para o outro, ok?
De todo esse bl bl bl acima, s o que importa : pode ser vista como algo que varia
(caso estejamos pensando em todas as possveis amostras) ou pode ser vista como algo fixo
(quando pensamos em uma amostra em particular).
Resoluo:
Vejam como o exerccio explora como uma varivel aleatria.
A cada possvel amostra de tamanho 2, assume um valor diferente.
2.2.
Esperana e varincia de
# =
Alm disso, aproximadamente normal. A aproximao ser tanto melhor quanto maior
for o tamanho da amostra.
Como exemplo, considere um tetraedro regular. Nas suas faces temos os nmeros 1, 2, 3, 4.
Lanamos o tetraedro sobre uma mesa. X representa o valor da face que fica em contato
com a mesa.
Vamos realizar um estudo dos possveis resultados deste lanamento. Para tanto, lanamos
duas vezes (amostra de tamanho 2).
Saram os resultados 1 e 3.
Para esta amostra em particular a mdia amostral foi:
1+ 3
X = =2
2
Ok, fizemos uma nica amostra. Neste caso, X um nmero. simplesmente a mdia
aritmtica dos valores pertencentes amostra.
Acontece que no estamos interessados em uma amostra especfica, que fornece um valor
nico para X . Estamos interessados na varivel aleatria X .
O resultado do lanamento do dado aleatrio. Seria possvel que tivssemos obtido outras
amostras. Se o tetraedro for homogneo, as possveis amostras seriam:
1e1 1e2 1e3 1e4
2e1 2e2 2e3 2e4
3e1 3e2 3e3 3e4
4e1 4e2 4e3 4e4
Seriam 16 amostras possveis, todas elas com a mesma probabilidade de ocorrer. O valor da
mdia amostral em cada uma dessas amostras seria:
Valores da amostra X
1e1 1
1e2 1,5
1e3 2
1e4 2,5
2e1 1,5
2e2 2
2e3 2,5
2e4 3
3e1 2
3e2 2,5
3e3 3
3e4 3,5
4e1 2,5
4e2 3
4e3 3,5
4e4 4
Repare que X pode ser visto como uma varivel aleatria que assume diversos valores.
A mdia de todos os possveis valores de X fica:
1
E( X ) = (1 + 1,5 + 2 + 2,5 + 1,5 + 2 + 2,5 + 3 + 2 + 2,5 + 3 + 3,5 + 2,5 + 3 + 3,5 + 4)
16
E ( X ) = 2,5
Vamos agora calcular a mdia da varivel aleatria X.
A varivel aleatria X assume os valores 1, 2, 3, 4, cada um com probabilidade 1/4.
Portanto:
1 1 1 1
E( X ) = = 1 + 2 + 3 + 4
4 4 4 4
= 2,5
Concluindo: a esperana da mdia amostral igual esperana da populao. Isto significa
que, se fosse possvel fazer um nmero muito grande de amostras, a mdia de todas as
mdias amostrais seria igual mdia da populao.
X pode ser vista como uma varivel aleatria com esperana . Ou seja, a mdia das
mdias amostrais a mdia da populao
Ainda no estudamos as diversas caractersticas dos estimadores. Mas podemos falar sobre
uma delas: o estimador no tendencioso (ou no viciado, ou no viesado).
O fato da mdia de X ser igual mdia da populao nos permite classificar X como
estimador no tendencioso (ou no viciado). Usando esse estimador, em mdia
(considerando as inmeras amostras que poderiam ser feitas), ns estamos realmente
acertando o valor do parmetro desconhecido.
Sempre que a esperana de um estimador for igual ao parmetro estimado, estamos diante
de um estimador no tendencioso.
E (X ) = :
Sabendo que X pode ser vista como uma varivel aleatria, possvel calcular a sua
varincia.
Seja 2 a varincia da populao.
possvel demonstrar que, sendo n o tamanho das amostras, a varincia de X fica:
2
V (X ) =
n
Um outro smbolo possvel para a varincia de X seria: X . Portanto:
2
2
X = 2
n
A varincia da mdia amostral igual varincia da populao dividido por n.
Por consequncia, o desvio padro da mdia amostral :
X =
n
Ou seja, o desvio padro de X igual ao desvio padro da populao dividido por raiz de n.
Estas frmulas da varincia e desvio padro s so vlidas se a varivel aleatria tiver
populao infinita (ou seja, assume infinitos valores, como no caso de uma varivel aleatria
contnua).
Caso a populao seja finita (como foi o caso do lanamento do tetraedro), o resultado
continua valendo, desde que a amostragem seja feita com reposio.
Caso a populao seja finita e a amostragem seja feita sem reposio, as frmulas devem
ser adaptadas (aplicamos o fator de correo para populaes finitas, assunto que
abordado posteriormente).
X pode ser vista como uma varivel aleatria com esperana e varincia (e,
2
n
consequentemente, desvio padro ).
n
Agora vem o grande detalhe. Pelo teorema do limite central possvel demonstrar que a
varivel aleatria X tem distribuio aproximadamente normal. A aproximao melhor
quanto maior o tamanho das amostras (quanto maior o valor de n). Isto vale mesmo que a
varivel X no seja normal.
Caso a varivel X seja normal, a varivel X tambm ser normal (a j no aproximao).
Ou seja, para a varivel X ns podemos utilizar a tabela de reas para a varivel normal.
Isto de extrema utilidade na determinao dos chamados intervalos de confiana.
X pode ser vista como uma varivel aleatria normal (ou aproximadamente normal), com
2
mdia , varincia e desvio padro .
n n
A aproximao vale mesmo que X no seja normal. Quanto maior o tamanho das amostras,
melhor a aproximao.
Resoluo.
A questo poderia ter sido mais clara, explicitando o que significa F(z).
muito comum utilizarmos o smbolo F(z) para representar a funo distribuio de
probabilidade (FDP).
Relembrando o significado da FDP, ela nos fornece probabilidades para a varivel aleatria
Z, normal, de mdia 0 e desvio padro unitrio.
Assim, na primeira linha da tabela temos que F(1,2) = 0,885.
Isto significa que a probabilidade de Z assumir valores menores que 1,2 de 88,5%.
Da tabela acima, conclumos que a rea verde da figura abaixo igual a 94,5%.
Uma vez que a rea total igual a 1, conclumos que a rea vermelha igual a 5,5%. Como o
grfico simtrico, sabemos que a rea amarela abaixo tambm igual a 5,5%.
Os pesos dos pacotes se comportam como uma varivel normal de mdia 1016 e desvio
padro de 10 gramas.
A pergunta : qual a probabilidade de o peso total de uma amostra de 4 pacotes ser inferior
a 4040g?
4040
Lembrando que = 1010 , temos que essa pergunta equivale a:
4
Qual a probabilidade de o peso mdio de uma amostra de 4 pacotes ser inferior a 1010 g?
Seja X a varivel aleatria que designa o peso mdio em amostras de 4 pacotes. X tem
distribuio normal. Sua mdia dada por:
E[ X ] = = 1016
Sua mdia igual mdia da populao.
Seu desvio padro dado por:
10
V[X ] = X = = =5
n 2
Como a rea total igual a 1, a rea vermelha igual a 0,115 (=1-0,885). Uma vez que o
grfico simtrico, a rea amarela da figura abaixo tambm de 0,115.
Resoluo.
Quando a populao tem distribuio normal, X tambm uma varivel aleatria normal.
Quando a populao no for normal, X ser aproximadamente normal. A aproximao
ser tanto melhor quanto maior for a amostra.
Nesse caso, em que X uniforme, X aproximadamente normal. Note que a amostra
bem grande (n = 1200).
Estudamos na aula passada que, para calcular a mdia de uma varivel aleatria uniforme,
basta pegar o ponto mdio do intervalo em que ela diferente de zero. Neste caso, a
esperana de X fica:
29 + 17
E[ X ] = = 23
2
A mdia de X coincide com a mdia populacional.
E[ X ] = = 23
Para terminar a questo, ainda falta achar o desvio padro da mdia amostral. Para tanto,
precisamos da varincia da populao (no informada).
Vimos na aula passada que, se uma varivel aleatria uniforme no intervalo [a, b], sua
varincia fica:
(b a ) 2
V (X ) =
12
Neste caso, a varivel uniforme no intervalo entre 17 e 29.
29 17 12
# = = = 12
12 12
Sabendo que X tem varincia 12, temos:
2 12
X2 = = = 0,01
n 1200
X = 0,1
Portanto, X tem distribuio aproximadamente normal, com mdia 23 e desvio padro 0,1.
Gabarito: B.
(A) 0 e 2
(B) 0 e 1
(C) 1 e 0.5
(D) 1 e 0
(E) 0 e 0.5
Resoluo
Primeiro calculamos a mdia de X:
" = 1 = 1 + 1 = 1
" = 1 0,5 + 1 0,5 = 0
Agora calculamos a varincia de X:
" = 1 = 1 + 1 = 1 = 1 0,5 + 1 0,5 = 1
# = " " = 1 0 = 1
Logo:
= '# = 1
uma varivel aleatria com mdia igual mdia de X. Logo, tem mdia 0.
uma varivel aleatria com desvio padro dado por:
1
= = 0,5
4
tem mdia 0 e desvio padro 0,5.
Gabarito: E
Resoluo:
Quando X normal, a distribuio das mdias tambm normal.
Gabarito: B
A varincia de igual varincia da populao, dividida por "n". Onde "n" o tamanho
das amostras:
4
) = =
100
O desvio padro a raiz quadrada da varincia.
4 2 1
) = * = =
100 10 5
Seja X uma varivel aleatria que representa uma populao infinita com varincia
conhecida ( 2 ). Este infinita s para ser rigoroso. Caso a populao seja finita, os
resultados que veremos s se aplicam se a amostragem for feita com reposio.
Pois bem, ento X nossa varivel aleatria com varincia conhecida ( 2 ). X representa
nossa populao. Apesar de conhecermos sua varincia, no conhecemos sua mdia ( ).
Nosso objetivo ser obter uma amostra e, a partir dela, definir o chamado intervalo de
confiana para .
Vamos supor que a varincia da populao seja de 16.
V ( X ) = 2 = 16
A mdia da populao, esta ns no conhecemos. Vamos cham-la de .
E(X ) = = ?
Vamos obter uma amostra de tamanho 4.
n=4
A mdia de uma amostra de tamanho 4 X .
Antes de efetivamente fazer uma amostragem (o que nos fornecer um valor especfico
para X ), vamos pensar em todas as amostras que poderiam ser obtidas (com tamanho 4).
Em cada uma delas, X assume um valor diferente. Conforme visto no comeo da aula, X
pode ser vista como uma varivel aleatria normal (ou aproximadamente normal) de mdia
.
Sabemos tambm que X tem uma varincia dada por:
2
V (X ) =
n
16
V (X ) = =4
4
Portanto, o desvio padro da varivel X dado por:
X = 4 =2
Vamos criar a seguinte varivel transformada:
X
Z=
X
A varivel Z, conforme j estudado na aula anterior, tem mdia zero e desvio padro
unitrio. a nossa varivel normal reduzida.
Sabemos que Z tem mdia zero e desvio padro unitrio. E Z tambm uma varivel
normal.
Para a varivel Z ns podemos consultar a tabela da varivel normal reduzida. Vamos
determinar o intervalo, centrado na mdia, que contm 95% dos valores de Z.
Fiquem ento com a informao de que, para a normal padro, o intervalo de 0 a 1,96
contm 47,5% dos valores. Portanto, o intervalo de -1,96 a 0 tambm contm 47,5% dos
valores.
Juntando os dois, temos que 95% dos valores esto entre -1,96 e 1,96 (rea verde abaixo).
Isto quer dizer que 95% dos valores de Z esto entre -1,96 e 1,96.
Mas quem Z?
Lembrando:
X
Z=
X
Ou seja, se fizssemos vrias amostras e para cada uma delas obtivssemos um valor para
X
X , em 95% dos casos o valor estaria entre -1,96 e 1,96.
X
X
Portanto, a probabilidade de assumir valores entre -1,96 e 1,96 de 95%.
X
Ok. Agora ns pegamos e realmente fazemos uma amostra com 4 valores. Esta amostra
resultou em:
1, 5, 3, 1.
Para esta amostra especfica, o valor de X foi 2,5. Com base nesta amostra especfica,
temos um valor especfico para X . Se considerarmos apenas esta amostra, X no mais
varivel. um valor nico (2,5).
A probabilidade de este valor estar no intervalo de -1,96 a 1,96 no mais 95%. Isto porque
a expresso acima no assume mais valores diversos, aleatrios. um valor nico.
2,5 um nmero, uma constante.
O valor de tambm um nmero, constante. desconhecido. Mas constante. A mdia
da populao um nmero, um valor nico.
E, por fim, o denominador 2 tambm constante.
2,5
Fazendo a conta , obtemos um valor que pode ou no estar no intervalo -1,96 a
2
1,96.
Quando substitumos a varivel X por um valor obtido para uma dada amostra especfica,
no falamos mais em probabilidade.
2,5
errado afirmar que, com probabilidade de 95%, o valor estar entre -1,96 e 1,96.
2
Mas, supondo que este valor esteja entre -1,96 e 1,96, ficamos com:
2,5
1,96 1,96
2
3,92 2,5 3,92
2,5 3,92 3,92 2,5
6,42 1,42
1,42 6,42
Este intervalo entre -1,42 e 6,42 chamado de intervalo de 95% de confiana para a mdia
da populao.
Repare que no temos certeza de que a mdia da populao ( ) esteja neste intervalo.
Nem podemos dizer que a probabilidade de ela estar neste intervalo seja de 95%.
Em 95% dos casos, X est distante menos de 1,96 desvios padro da mdia .
Como o desvio padro de X 2, temos que em 95% dos casos X dista menos que 3,92 da
mdia .
Fazemos a amostragem. Obtemos um especfico valor para X (=2,5). Este valor pode estar
ou no no intervalo entre 3,92 e + 3,92 . Se fizssemos inmeras amostragens, em
95% delas o valor de X de fato estaria contido no referido intervalo. Para este valor em
particular (2,5), no temos como saber.
Vamos supor que este valor esteja neste intervalo. Se isto for verdade, qual o intervalo que
contm ?
O valor encontrado para X de 2,5. Este valor pode tanto estar esquerda de quanto
direita. Vamos fazer os dois casos extremos.
Se X estiver esquerda de , o caso mais extremo seria justamente quando:
X = 3,92
2,5 = 3,92
Este caso extremo ocorreria se
= 6,42
Se X estiver direita de , o caso mais extremo seria justamente quando:
X = + 3,92
2,5 = + 3,92
Este caso extremo ocorreria se:
= 1,42
Resumindo, supondo que o valor encontrado para X dista menos de 1,96 desvio padro de
, os valores extremos que pode assumir so -1,42 e 6,42. Portanto, com 95% de
confiana, est neste intervalo.
Esta estimativa da mdia da populao por vezes chamada de estimativa por intervalo.
No estamos lhe atribuindo um valor nico, mas uma faixa de valores.
No comeo desta aula vimos como fazer a estimativa por ponto. Na estimativa por ponto
no determinvamos uma faixa de valores. Sim um valor nico. Estimvamos o valor de
com o valor de X .
Vamos fazer mais um exemplo. Desta vez vou colocar o passo a passo, para gente
comear a fixar como fazer.
Resoluo:
Para determinao do intervalo de confiana, seguimos 4 passos.
Primeiro passo: precisamos determinar o intervalo, para a varivel normal reduzida (Z), que
contm 95% dos valores (pois este o nvel de confiana solicitado no enunciado).
Chamamos este valor de Z0 associado a 95% de confiana.
O exerccio disse que este valor igual a 2.
Vejam:
, > 2 = 2,5%
Logo:
, < 2 = 2,5%
Portanto:
2 < , < 2 = 100% 2,5% 2,5% = 95%
Logo, 95% dos valores de Z esto no intervalo de -2 at 2.
Por isso, o valor de Z0 procurado 2.
,- = 2
,- ,-
)
Isolando a mdia populacional:
,- )
+ ,- )
Resoluo:
Repare que no conhecemos a varincia da populao. Sempre que isso acontece, ns
devemos adotar os seguintes procedimentos:
- utilizamos a varincia da amostra no lugar da varincia da populao
- consultamos a tabela da distribuio T, em vez da tabela da distribuio normal.
Ns falaremos um pouco mais sobre isso no prximo tpico que vamos estudar.
Dito isso, conclumos que o certo seria utilizar a distribuio T. Contudo, o exerccio no
forneceu a tabela da distribuio T. Forneceu apenas alguns valores da funo distribuio
de probabilidade da varivel normal reduzida (= varivel normal padro).
No temos sada, teremos que utilizar os valores da varivel reduzida. O mais exato seria
resolver o exerccio considerando a distribuio T. Mas no vamos brigar com o
enunciado. Se o enunciado s deu informaes sobre a varivel normal, vamos usar a
varivel normal.
Vamos considerar que essa amostra j razoavelmente grande, de forma que a diferena
entre usar a distribuio normal no lugar da distribuio T no to grande.
Os valores -1,96 e 1,96 delimitam o intervalo de confiana de 95% para a varivel reduzida
Z. Ou seja, o valor de Z0 associado a 95% 1,96.
Z 0 = 1,96
Substituindo os valores:
X Z0 X X + Z0 X
48 1,96 2 48 + 1,96 2
48 3,92 48 + 3,92
44,08 51,92
Gabarito: A.
Resoluo:
Primeiro passo:
,- = 2
Segundo passo:
= 1200
Terceiro passo:
20 20
) = = = = 2,5
64 8
Quarto passo:
) ,-
1.200 2,5 2
1.200 5
A1.195; 1.205C
Gabarito: E
Grande parte dos exerccios de concurso sobre intervalo de confiana no so resolvidos por
meio da distribuio normal. Eles envolvem o conhecimento da distribuio T de Student. A
grande vantagem que a forma de se resolverem os exerccios de intervalo de confiana
por meio da distribuio T exatamente a mesma daquela vista acima, para a distribuio
normal. A nica coisa que muda a tabela em que fazemos a consulta. No final da aula h
duas tabelas. A nica coisa que vai mudar que vamos consultar a tabela II, em vez da
tabela I.
Sabemos que X pode ser visto como uma varivel aleatria normal (ou aproximadamente
normal). Portanto, para X podemos utilizar a tabela de reas da varivel normal.
Para utilizar esta tabela, precisamos encontrar a varivel normal reduzida Z:
X
Z= .
X
Onde X o desvio padro da varivel X . Sua frmula : X = .
n
Entretanto, se no soubermos a varincia da populao ( 2 ), no temos como calcular X .
(B) 7,86
(C) 78,60
(D) 786,00
(E) 7.860,00
Resoluo.
Quando o desvio padro da populao conhecido, normal com mdia igual a
e
F
G
desvio padro .
Alguns alunos confundem estas varincias que surgiram. Cuidado para no confundir!
Relembrando:
1 - a varincia da populao. Tomamos cada valor da populao. Subtramos da mdia
populacional, obtendo os desvios em relao mdia. Em seguida, calculamos a mdia dos
quadrados dos desvios. Isto a varincia populacional.
3 ) a varincia de . Tomamos todos os possveis valores de . Subtramos da mdia
FI
J estudamos que ) =
G
)
=
Resoluo.
O ndice r, na simbologia usada no enunciado, indica o nmero de graus de liberdade.
Creio que isso poderia ser dito expressamente para evitar quaisquer dvidas.
No conhecemos a varincia da populao. Vamos usar, portanto, os valores da distribuio
t. Como a amostra tem tamanho 16, temos 15 graus de liberdade. Devemos consultar,
portanto, a linha em que r = 15.
Primeiro passo: obter o valor de t0 associado a 95% de confiana.
Da tabela, temos que a probabilidade de t ser menor ou igual a 2,131 de 0,975.
A rea verde da figura abaixo de 0,975.
Como a rea total igual a 1, ento a rea vermelha de 0,025. Conclumos que a
probabilidade de t ser maior que 2,131 de 2,5%.
Como o grfico da fdp simtrico, a probabilidade de t ser menor que -2,131 tambm de
2,5%. Assim, cada uma das duas reas vermelhas da figura abaixo igual a 0,025.
Resoluo:
A questo foi anulada, possivelmente pela falta de informao dos valores referentes
distribuio T de Student.
O intervalo de confiana tem o seguinte formato:
J-
Onde:
a mdia amostral (=32)
s o desvio padro amostral (no caso, igual raiz de 225, ou seja, vale 15)
n o tamanho da amostra (=9)
t0 o valor da distribuio T associado a 95% de confiana e 8 graus de liberdade (o
nmero de graus de liberdade sempre igual a n 1)
Substituindo os valores:
15
32 J-
9
15
32 J-
3
32 5 J-
E para terminar o clculo, precisaramos do valor de J- , no fornecido pela questo.
Gabarito: anulado
Ficamos com:
X = np = 1
X 2 = npq = 2 / 3
X tem mdia 1 e varincia 2/3. Isso significa que, em trs lanamentos, esperamos 1 caso
favorvel (e dois desfavorveis). Ou seja, se fosse possvel fazer infinitos conjuntos de trs
lanamentos do dado, o nmero mdio de casos favorveis seria igual a 1.
Seja p a proporo de casos favorveis verificada numa dada amostra de tamanho n. A
varivel p pode ser obtida a partir de X.
X
p =
n
Para ficar mais claro, suponhamos um conjunto de lanamentos em particular. Lanamos o
dado trs vezes, obtendo: 1, 3, 6.
Nessa situao, o nmero de casos favorveis igual a 2 (X = 2). E a proporo de casos
favorveis fica:
X
p =
n
2
p =
3
Em dois teros dos casos, tivemos sucesso.
Fcil, n? Para achar a proporo de casos favorveis na amostra, basta pegar a varivel X e
dividir por n.
Sabemos como calcular a mdia e a varincia da varivel binomial. Sabemos que a varivel
X
p , que indica a proporo de casos favorveis na amostra, pode ser obtida por: p = .
n
Para obtermos p , dividimos a varivel X por uma constante n.
Quando dividimos uma varivel por uma constante, a mdia tambm fica dividida por essa
constante. A mdia de p :
X np
p = = = p
n n
Conclumos que a esperana de p justamente a probabilidade de sucesso em um
experimento.
Quando lanamos o dado trs vezes (obtendo uma nica amostra de tamanho 3), teremos
um determinado valor para a proporo amostral ( p ). Esse valor pode ser igual a 1/3 ou
no. No exemplo acima (com resultados 1, 3 e 6), inclusive, foi diferente.
Mas, se fosse possvel repetir infinitas vezes o conjunto de trs lanamentos, obtendo para
cada amostra um valor de p , teramos que a mdia de p seria igual a 1/3.
Vejamos agora a varincia de p . Quando dividimos uma varivel por uma constante, a
varincia sofre a variao ao quadrado.
X 2
npq pq
p = p = X2 = 2 =
2
n n n n
E seu desvio padro fica:
pq
p =
n
Ento o que importa para gente saber isso. Se p for a varivel que indica a proporo de
casos favorveis na amostra, ento p tem mdia e desvio padro dados por:
p = p
pq
p =
n
pq
p =
n
Onde p a proporo de casos favorveis na populao e q a proporo de casos
desfavorveis na populao.
Quando estudamos intervalo de confiana para uma mdia, queramos justamente estimar
um intervalo para a mdia de uma populao ( ).
Agora queremos estimar uma proporo (p). O procedimento ser anlogo.
O intervalo de confiana para a proporo muito semelhante. Onde tinha mdia amostral,
colocamos a proporo amostral. Onde tinha mdia populacional, colocamos a proporo
populacional.
Ento para gente o que importa isso. Interessa saber qual o intervalo de confiana para a
proporo.
Resoluo:
Primeiro passo: determinar o valor de Z0. O enunciado disse que:
,- = 2
Segundo passo:
= 0,8 MN = 1 0,8 = 0,2
Terceiro passo:
MN
ON = *
Resoluo:
Primeiro passo: determinar o valor de Z0.
Temos:
, > 1,64 = 5% , < 1,64 = 5%
Logo:
1,64 < , < 1,64 = 100% 5% 5% = 90%
Conclumos que:
,- = 1,64
Segundo passo:
5.000
= = 0,5
10.000
MN = 1 = 1 0,5 = 0,5
Terceiro passo:
MN
ON = *
Resoluo:
Rigorosamente falando, todas as alternativas esto incorretas, pois atribuem ao intervalo de
confiana uma probabilidade de 95%. Mas errado falar em probabilidade, pois todos os
intervalos no contemplam qualquer varivel aleatria. Se no h variveis aleatrias
envolvidas, no h como se falar em probabilidade. Fala-se apenas em confiana. H 95% de
confiana de que o intervalo especificado na alternativa correta contenha a proporo
populacional.
MN
,- *
Onde:
a proporo amostral de sucessos (160 em 1600 corresponde a 10%)
MN = 1 = 0,9
n o tamanho da amostra (no caso, vale 1600)
Z0 o valor tabelado da normal reduzida (1,96 para 95% de confiana)
Substituindo os valores:
MN
,- *
0,1 0,9
0,1 1,96 *
1600
0,3
0,1 1,96
40
Gabarito: A
So comuns alguns tipos de exerccios em que se pede o tamanho que deve ter a amostra
para que se consiga uma determinada amplitude do intervalo de confiana.
Antes de vermos esse tipo de exerccio, bom termos uma noo da relao entre a
amplitude do intervalo de confiana e o erro da estimativa.
Exemplo 4
Considere o intervalo de confiana de 90,10% para a mdia de uma populao normal com
Resoluo.
A mdia amostral :
2 + 6 + 6 + 10
= =6
4
O desvio padro da mdia amostral :
16
) = =2
4
O intervalo de confiana fica:
6 1,65 2
Os limites do intervalo so:
[2,7 ; 9,3]
Com 90,10% de confiana, a mdia populacional est entre 2,7 e 9,3.
Qual o maior erro que cometemos quando usamos a mdia amostral para estimar a mdia
populacional? Isso, claro, considerando um coeficiente de confiana de 90,10%.
A mdia amostral est bem no meio do intervalo de confiana. Logo, o erro ser maior se a
mdia populacional estiver em uma das extremidades do intervalo de confiana. O erro ser
mximo se a mdia populacional for igual a 2,7 ou se ela for igual a 9,3.
No primeiro caso, o erro cometido fica:
erro = X
erro = 6 2,7 = 3,3
No segundo caso, o erro cometido :
erro = 6 9,3 = 3,3
Em qualquer um desses dois casos, o mdulo do erro de 3,3. comum que os exerccios
ignorem a palavra mdulo e digam apenas erro. Desse modo, dizemos que, nos dois casos
acima, o erro cometido foi de 3,3.
Ento, quando o exerccio se referir a erro mximo cometido, ele quer que a gente suponha
que a mdia populacional est justamente na extremidade do intervalo de confiana.
Note que o erro mximo sempre metade da amplitude do intervalo de confiana. Nesse
exemplo, o intervalo de confiana era [2,7 ; 9,3]
Sua amplitude :
Amplitude = 9,3 2,7 = 6,6
E a metade da amplitude :
Amplitude 6,6
= = 3,3
2 2
Estimao da proporo:
erro _ max = Z 0 s p
Resoluo:
A amplitude do intervalo de confiana dada por:
Z = 2,- )
Z = 2,-
Quando o tamanho da amostra 100, a amplitude :
839,20 760,80 = 78,4
tamanho de amostra de [ .
Em seguida, o tamanho da amostra aumentado para 1600. Vou chamar este novo
Resoluo:
Aproveitando o raciocnio da questo anterior.
O tamanho da amostra saltou de 64 para 400. Ou seja, foi multiplicado por 6,25.
Logo, foi multiplicado por 2,5.
Consequentemente, a amplitude ser dividida por 2,5
4,75
= 1,9
2,5
Gabarito: C
Resoluo:
Como a varincia de 225, ento o desvio padro 15 (= raiz quadrada de 225).
Resoluo:
O erro amostral igual a metade da amplitude do intervalo de confiana:
Y = ,- )
O erro mximo 10% da mdia amostral (10% 20 = 2).
2 = ,- )
O valor de Z0 igual a 2 (dado no enunciado):
2 = 2 )
O desvio padro da mdia amostral igual ao desvio padro amostral dividido por raiz
quadrada de n:
2=2
80
2= 2
= 80
= 80
Gabarito: C
95%, o valor tabelado igual a 1,96. Desse modo, a semi-amplitude do intervalo ou erro de
estimao como tambm chamado igual a:
a) 2,94
b) 1,47
c) 0,5625
d) 0,7350
e) 0,47
Resoluo:
O erro de estimao dado por:
Y = ,-
Onde:
,- o valor tabelado da normal reduzida (1,96)
o desvio padro populacional (a varincia 9, ento o desvio padro igual a 3)
o tamanho da amostra: 16
Substituindo os valores:
Y = ,-
3
Y = 1,96
16
3
Y = 1,96 = 1,47
4
Gabarito: B
Exemplo 5
Deseja-se estimar a proporo de eleitores de um municpio que votar no candidato A.
Para tanto, busca-se que, com um coeficiente de confiana de 95%, o erro mximo
cometido seja de 2% (para mais, ou para menos).
a) possvel, com os dados fornecidos, determinar o tamanho da amostra para que o erro
mximo seja de 2%? Por qu?
b) supondo varincia mxima, qual o tamanho da amostra para que o erro mximo seja de
2%?
c) maximizando o valor de n, qual o tamanho da amostra para que o erro mximo seja de
2%?
d) supondo que a ltima pesquisa indicou 36% de votos para esse candidato, qual o
tamanho da amostra para que o erro mximo seja de 2%
Resoluo.
Letra A.
A frmula do erro mximo :
erro _ max = Z 0 s p
O erro mximo fixado igual a 0,02. O nvel de confiana de 95%, o que implica em Z0
p q
igual a 1,96. E sabemos que s p = .
n
Substituindo todas essas informaes:
p q
0,02 = 1,96
n
Lembrando que: q = 1 p .
p (1 p )
0,02 = 1,96
n
Temos uma nica equao e duas variveis. Para descobrirmos o valor de n, precisamos do
valor de p . Precisamos do valor da proporo amostral.
A ficou difcil. Ainda no fizemos a amostragem. Queremos justamente calcular que
tamanho deve ter essa amostra para que o erro seja de, no mximo, 2% (para um
coeficiente de confiana de 95%). Depois que soubermos o tamanho da amostra, a sim
fazemos a amostragem. S ento obteremos a proporo amostral.
Resumindo: para descobrir o tamanho de n, precisamos da proporo amostral. E s
faremos a amostragem (obtendo a proporo amostral), depois que soubermos o valor de
n.
Ficamos sem sada. No d para resolver o problema com o enunciado fornecido.
O que fazer?
Letras B e C.
Uma forma de resolver o problema listado na letra A a que segue.
A estimativa da varincia de p dada por:
p (1 p )
p 2 =
n
p p 2 1 2 1
p 2 = = p + p
n n n
Para um dado valor de n, que valor de p maximiza a varincia acima?
De outra forma: para um valor fixado de n, qual o valor de p que torna a varincia a
maior possvel?
Podemos interpretar a equao acima como uma funo de segundo grau (o grfico uma
parbola). Isto matria l do ensino mdio. L a gente estuda como encontrar o vrtice da
parbola (que corresponde aos valores de mximo ou mnimo).
Considere uma funo de segundo grau do tipo:
y = ax 2 + bx + c
O valor de x que maximiza (ou minimiza, dependendo do valor de a) a funo y :
x = b / 2a
Aplicando este resultado ao nosso caso, temos que o valor de p que maximiza a varincia :
1/ n
p = = 0,5
2 ( 1 / n )
O caso em que a varincia a maior possvel ocorre quando a proporo populacional
igual a 50%.
Vimos que: fixado n, a varincia ser mxima se p = q = 0,5 .
Por outro lado, fixado o valor do erro, n ser mximo se p = q = 0,5 .
Vejam:
erro _ max = Z 0 s p
p q
erro _ max = Z 0
n
Logo:
p q
n = Z0
2
(erro _ max) 2
p (1 p )
n = Z0
2
(erro _ max) 2
Para um dado valor de Z0, fixado o erro mximo, temos que n ser mximo quando
maximizarmos o numerador p (1 p ) . Temos uma parbola, em que o vrtice ocorre
justamente no ponto 0,5.
No clculo do tamanho da amostra para estimar uma proporo, supor que p = 0,5
sempre que o exerccio disser:
- Considere varincia mxima
- Considere n mximo.
p (1 p )
0,02 = 1,96
n
Supondo que p = q = 0,5 , temos:
0,5
0,02 = 1,96 n = 49 2 = 2401
n
A amostra precisa ter tamanho 2401 (tanto na letra B quanto na letra C).
Letra D.
Outra sada para o problema listado na letra A fazer uma amostragem preliminar. Pode-se
fazer uma amostragem menor, mais rpida, de modo a obter um valor de p . Ou ento usar
0,36 0,64
0,02 = 1,96
n
0,6 0,8
0,02 = 1,96 n = 2.212,762
n
Aproximando para o nmero inteiro seguinte:
n = 2.213
A amostra precisa ter tamanho 2.213. Note o tamanho encontrado para a amostra na letra
D foi menor que o encontrado nas letras B e C. Isso porque, nas letras B e C, usamos a
hiptese em que n o maior possvel. a hiptese mais conservadora (supor que p = 0,5).
Resoluo.
Podemos interpretar que, na amostra preliminar, a proporo de cura verificada foi de 80%.
A partir desse valor, podemos calcular o valor de n para uma segunda amostragem, de tal
forma que o erro mximo seja de 0,08.
A frmula do erro mximo :
erro _ max = Z 0 s p
Como o grfico simtrico, ento a rea verde da figura abaixo igual a 0,89:
p q
s p =
n
Substituindo os valores da amostra preliminar:
0,8 0,2 0,4
s p = =
n n
0,4
0,08 = 1,6
n
Isolando n:
64
n= n = 64
8
Gabarito: E.
Resoluo:
O valor de Z0 dado na questo igual a 2.
Agora usamos a frmula da amplitude do intervalo de confiana:
Z = 2 ,- ON
MN
Z = 2 ,- *
0,2 0,8
0,1 = 2 2 *
0,2 0,8
= 2 2 = 16
0,1
= 256
Gabarito: E
Resoluo:
O erro mximo dado por:
p q
erro _ max = Z 0
n
Podemos fazer a consulta de Z0 na tabela da distribuio normal colocada ao final da aula.
Mas, de tanto aparecer este percentual de 95%, j sabemos que Z0 igual a 1,96.
Substituindo os valores:
0,5 0,5
0,02 = 1,96
n
0,5
0,02 = 1,96
n
0,5
n = 1,96 = 49
0,02
n = 2401
Foram ouvidas 2401 pessoas. Aproximando, temos 2.400.
Gabarito: D
Resoluo:
O erro mximo deve ser de 4%. Assim, o tamanho mnimo da amostra tal que:
1
]* = 4%
Onde "z" o valor da normal padro associado a 95% de confiana. Esse valor deve ser de
conhecimento do candidato.
] = 1,96
Substituindo os valores fornecidos pelo enunciado:
5 5
1,96* S1 T = 4%
7 7
5 2 1
1,96* = 4%
7 7
1,96 10
* = 4%
7
1,96
= 10
7 0,04
= 7 10
= 7 10 = 490
Gabarito: B
Quando a amostragem feita sem reposio, a partir de uma populao finita, cada
extrao no independente das demais.
Apesar disso, se pudermos considerar a populao bem grande, razovel considerar que
cada extrao independente das demais.
Contudo, quando o tamanho da populao (em relao ao tamanho da amostra) no for to
grande, a aproximao fica ruim.
Segundo o autor William J Stevenson, se a amostra for superior a 5% da populao, a
aproximao fica ruim.
Nestes casos, quando estivermos calculando o intervalo de confiana, precisaremos aplicar
um fator de correo. o chamado fator de correo para populao finita.
O fator de correo :
N n
N 1
onde N o tamanho da populao e n o tamanho da amostra.
Neste caso, os valores dos desvios-padro da mdia amostral e da proporo amostral
ficam:
N n
X =
n N 1
p q N n
s p =
n N 1
Este fator de correo acima estudado, com a raiz quadrada, vale para os desvios padro.
Para corrigirmos a varincia, o fator elevado ao quadrado, tornando-se:
_
_1
Resoluo:
_
)
=
_1
15
=
28 15 1
1 1 15
=
28 14
1 1 15
=
2 1
= 2 15
= 30 2
3 = 30
= 10
Gabarito: B
Resoluo:
Amostragem com reposio:
50
) = = =5
10
Amostragem sem reposio:
_ 100 10
) = =5
_1 100 1
450
) =
99
Gabarito: E
Resoluo:
A varincia da mdia amostral dada por:
_
) =
_1
Onde:
_ o tamanho da populao
o tamanho da amostra
Substituindo os valores:
100 500 50
) =
50 499
450
) = 2
499
) 1,8
Gabarito: B
2
Valores da 2
amostra (x i x) 2 (x i x) 2
s2 = i =1
s *2 = i =1
2 1 2
1e1 0 0
1e2 0,5 0,25
1e3 2 1
1e4 4,5 2,25
2e1 0,5 0,25
2e2 0 0
2e3 0,5 0,25
2e4 2 1
3e1 2 1
3e2 0,5 0,25
3e3 0 0
3e4 0,5 0,25
4e1 4,5 2,25
4e2 2 1
4e3 0,5 0,25
4e4 0 0
total 20 10
Note que:
20
E (s 2 ) = = 1,25
16
10
E ( s *2 ) = = 0,625
16
Vamos agora calcular a varincia da varivel aleatria X.
1+ 2 + 3 + 4
E( X ) = = 2,5
4
1 + 4 + 9 + 16
E( X 2 ) = = 7,5
4
V ( X ) = E( X 2 ) E( X ) 2
V ( X *) = 0,6944
Note que X tem uma varincia menor que X * . Isto pode ser interessante. Se fizssemos
inmeras amostras, em mdia, acertaramos o valor do parmetro nos dois casos (com
qualquer um destes dois estimadores).
S que o estimador X * tem maior disperso. Ele apresenta, com maior frequncia, valores
afastados da mdia populacional. Por isso, o estimador X melhor.
Assim, uma caracterstica que se costuma buscar que o estimador tenha varincia mnima.
Ou seja, que a varincia do estimador escolhido seja menor que a varincia de qualquer
outro estimador.
Dentre os estimadores lineares (ou seja, aqueles que so obtidos a partir de uma mdia
ponderada com os valores da amostra), possvel demonstrar que a mdia aritmtica
simples ( X ) apresenta varincia mnima.
possvel comparar a eficincia entre dois estimadores diferentes. Basta dividir suas
varincias. Assim, a eficincia relativa de X * , em comparao com X , dada por:
0,625
= 90%
0,6944
Outro tipo de estimador aquele que minimiza a soma dos quadrados dos desvios. Por
enquanto, no veremos este tipo de estimador com mais detalhes. Falaremos mais a
respeito na aula de regresso linear, em que ser muito frequente realizarmos a operao
que minimiza a soma dos quadrados dos desvios.
Interessante observar que X e p so estimadores de mnimos quadrados. Ou seja, a
mdia amostral e a proporo amostral estimam a mdia e a proporo populacionais,
obedecendo ao critrio de mnimos quadrados.
(x i x) 2
s *2 = i =1
n
Se a varivel aleatria for normal, a mdia aritmtica da amostra ( X ) um estimador de
mxima verossimilhana para a mdia populacional.
Resoluo.
Estimador no viesado sinnimo de estimador no tendencioso. Queremos que a mdia
do estimador seja igual a T.
Os nicos estimadores que apresentam esta caracterstica so T1, T2 e T3.
Gabarito: E
Resoluo.
Entre os estimadores T1, T2 e T3, o que apresenta varincia mnima T2, pois apresenta
uma curva mais afilada, o que indica que a proporo de valores prximos mdia maior.
Gabarito: B
Resoluo.
A proporo amostral um estimador de mxima verossimilhana da proporo
populacional.
Na amostra, foram 2 caras em 10 lanamentos.
2
= = 0,2
10
Gabarito: A
b) no enviesado
c) consistente
d) de mnimos quadrados
e) de mxima verossimilhana
Resoluo.
Vimos que o fato da esperana do estimador ser igual ao parmetro permite classificar o
estimador como no viciado (ou no tendencioso, ou no enviesado). Todas essas
expresses so sinnimas.
Gabarito: B.
Y3 = X1 + 2X 2 2X 3
Ento, APENAS
(A) Y1 no viesado.
(B) Y1 e Y3 so no viesados.
(C) Y1 e Y3 so viesados.
(D) Y1 e Y3 so viesados.
(E) Y2 e Y3 so viesados.
Resoluo.
Um estimador viesado quando sua esperana diferente do parmetro estimado.
Um estimador no viesado quando sua esperana igual ao parmetro estimado.
b + + c "b + + c "b + " + "c 3
"ab = " S T= = = =
3 3 3 3
"a = "2b + 3c = 2"b + " 3"c = 2
+
3
= 0
"ac = "b + 2 2c = "b + 2" 2"c =
+ 2
2
=
pois no sabemos se
= 0.
J Y2 apresenta esperana igual a 0. Portanto, no temos garantias de que seja no viesado,
Gabarito: B
Resoluo:
Quando a esperana do estimador igual ao parmetro estimado, temos um estimador no
tendencioso, no viesado, ou no viciado.
Ele nos indica que, se fizssemos vrias e vrias amostragens, em mdia, acertaramos o
valor do parmetro.
Gabarito: A
O estimador viesado ou tendencioso (letras "b" e "d") quando sua esperana diverge do
valor do parmetro.
O estimador eficiente (letra "e") quando apresenta varincia pequena.
O estimador consistente (letra "c") quando sua disperso tende para zero, medida que
aumentamos o tamanho da amostra.
7. RESUMO
Tpico Lembrete
Estimadores pontuais um estimador de
S2 um estimador de
um estimador de p.
erro _ max = Z 0 s p
Caractersticas dos estimadores - No tendenciosos: esperana do
estimador = parmetro.
- De varincia mnima;
- De mnimos quadrados: minimiza a soma
dos quadrados dos desvios
- De mxima verossimilhana: maximiza a
probabilidade de a amostra ter sido
observada.
8. ASSUNTO DE DESTAQUE
que a mdia amostral e a proporo amostral podem ser vistos como variveis
A coisa mais importante da aula de hoje a seguinte. Temos que ter claro em nossa cabea
# =
" =
MN
# =
Compreender que e podem ser vistas como variveis aleatrias muito importante.
Isso a base para os intervalos de confiana e para os testes de hipteses, que estudaremos
na prxima aula.
a)
(X i m) 2
n 1
b)
(X i m) 2
n2
( X i m) 2
0,5
c)
n 1
d) (X i m) 2
e)
(X i m) 2
n
Questo 3 SEFAZ SP 2009 [ESAF]
(Dados da questo anterior: 17, 12, 9, 23, 14, 6, 3, 18, 42, 25, 18, 12, 34, 5, 17, 20, 7, 8, 21,
13, 31, 24, 9.)
Considerando que as observaes apresentadas na questo anterior constituem uma
amostra aleatria simples X1, X2, ..., Xn de uma varivel aleatria X, determine o valor mais
prximo da varincia amostral, usando um estimador no tendencioso da varincia de X.
Considere que:
23
X
i =1
i = 388
23
X
i =1
i
2
= 8676
a) 96,85
b) 92,64
c) 94,45
d) 90,57
e) 98,73
z F (z )
1,20 0,885
1,60 0,945
1,64 0,950
Uma mquina de empacotar leite em p o faz segundo uma normal com mdia e desvio
padro 10g. O peso mdio deve ser regulado para que apenas 5,5% dos pacotes tenham
menos do que 1000 g. Com a mquina assim regulada, a probabilidade de que o peso total
de 4 pacotes escolhidos ao acaso seja inferior a 4.040 g :
a) 0,485
b) 0,385
c) 0,195
d) 0,157
e) 0,115
Questo 6 MPU/2007 [FCC]
Se retirarmos uma amostra aleatria de 1200 observaes de uma populao com
distribuio uniforme no intervalo [17; 29], a distribuio da mdia amostral X ser,
aproximadamente,
a) uniforme com mdia 23 e varincia 12
b) normal com mdia 23 e desvio padro 0,1
c) uniforme com mdia 23 e varincia 1
d) normal com mdia 23 e desvio padro 12.
e) normal com mdia 23 e desvio padro 1.
Questo 7 PETROBRAS 2010 [CESGRANRIO]
d) 2,6 a 61,4
e) -17 a 81
0,3
W R0,10 1,96 S TU = 5%
40
40
X R0,10 1,96 S TU = 5%
0,3
0,03
Y R0,10 1,96 S TU = 95%
40
b) 450
c) 500
d) 144
e) 200
Questo 21 MDIC 2002 [ESAF]
Deseja-se determinar, para uma populao com N elementos, em um esquema de
amostragem aleatria simples, o tamanho de amostra n necessrio para estimar a mdia
populacional do atributo X. Deseja-se que o erro em valor absoluto do procedimento no
seja superior a 10% da mdia populacional, com probabilidade de 95%. De um estudo piloto
obtm-se que a varincia de X tem o valor 80 e que a mdia tem o valor 20. Tomando como
aproximadamente 2 o quantil de ordem 0,975 da distribuio normal padro, supondo que
a mdia da amostra tem distribuio aproximadamente normal e desprezando a frao de
amostragem n/N, assinale a opo que d o valor de n.
a) 1000
b) 100
c) 80
d) 200
e) 150
Questo 22 MPOG 2012 [ESAF]
95%, o valor tabelado igual a 1,96. Desse modo, a semi-amplitude do intervalo ou erro de
estimao como tambm chamado igual a:
a) 2,94
b) 1,47
c) 0,5625
d) 0,7350
e) 0,47
Y3 = X1 + 2X 2 2X 3
Ento, APENAS
(A) Y1 no viesado.
(B) Y1 e Y3 so no viesados.
(C) Y1 e Y3 so viesados.
(D) Y1 e Y3 so viesados.
(E) Y2 e Y3 so viesados.
Questo 35 MIN 2012 [ESAF]
Considere um estimador T de um parmetro de uma populao. Se E(T) = , ento T um
estimador
a) no viesado.
b) viesado.
c) consistente.
d) tendencioso.
e) eficiente.
GABARITO
1 b
2 e
3 a
4 e
5 e
6 b
7 e
8 b
9 b
10 a
11 e
12 c
13 a
14 anulado
15 d
16 d
17 a
18 e
19 c
20 d
21 c
22 b
23 e
24 e
25 d
26 b
27 b
28 e
29 b
30 e
31 b
32 a
33 b
34 b
35 a