UNIVERSIDADE FEDERAL DE PERNAMBUCO

CENTRO ACADÊMICO DO AGRESTE

Programa de Pós-Graduação em Engenharia Civil e Ambiental
ECA925 – Estatística Aplicada

Aula 11 – Estimação de parâmetros

Prof. Anderson Paiva

 Estatística
Estatística:
A Estatística é uma ciência que tem como objetivo a
tomada de decisão em situações de incerteza.

 Descritiva
Trata da coleta, organização e descrição de dados.
 Probabilidade
Defini um modelo matemático probabilístico que seja
conveniente a descrição e interpretação de fenômenos aleatórios.
 Inferência
Preocupa-se em fazer afirmações e/ou testar hipóteses sobre
características numéricas em situações de incerteza.
Slide 2 Prof. Anderson Paiva
 Estatística

 Na Estatística, a incerteza existe quando se

quer fazer alguma afirmação a respeito de alguma
característica populacional baseada em
informações extraídas de dados amostrais.

 Neste caso, a aplicação da Teoria das

Probabilidades é de fundamental importância para
a solução de problemas de Inferência Estatística.

Slide 3 Prof. Anderson Paiva

 Inferência Estatística

 Objetivo: tirar conclusões sobre uma população

com base na informação de uma amostra.
 estimação
 testes de hipóteses

Slide 4 Prof. Anderson Paiva

 Inferência Estatística

 População
A população é um conjunto formado por todos os
elementos que possuem pelo menos uma característica em
comum observável.

 Amostra
A Amostra é apenas uma parte da população, ou seja,
é qualquer subconjunto não vazio da população.

Slide 5 Prof. Anderson Paiva

 Inferência Estatística
 Parâmetro
É uma medida numérica que descreve uma característica da
população, ou ainda, que é obtida a partir de todos os dados
populacionais (através de um censo).
Ex.: Identificando a população pela variável aleatória X, seriam
parâmetros a Média de X (m ou E(X)) e a sua Variância (s² ou
Var(X)).

 Estatística
É uma medida que descreve uma característica numérica
da amostra, ou ainda, que é obtida a partir de dados amostrais, e que
será usada para extrair informações sobre a população.
Ex.: média amostral (X), variância amostral (S²), etc.
Slide 6 Prof. Anderson Paiva
 Inferência Estatística
 Parâmetro x Estatística

Slide 7 Prof. Anderson Paiva

 Inferência Estatística
 Estimador
Combinação dos elementos da amostra, construída com a
finalidade de representar, ou estimar, um parâmetro de interesse na
população.
Ex.: média amostral (X) – estimador de m; desvio-padrão.

 Estimativa
Valor numérico assumido pelo estimador.
Ex.: x é o valor de X para a amostra observada.

Slide 8 Prof. Anderson Paiva

 Inferência Estatística

 Estudamos algumas distribuições teóricas de

probabilidade.
 Probabilidade: os parâmetros da distribuição
eram conhecidos  calculamos probabilidades
 Inferência: os valores desses parâmetros não são
conhecidos.
 A amostra deve ser representativa da população
da qual ela é selecionada.
 Se não for, as conclusões extraídas sobre a
população podem estar distorcidas.
Slide 9 Prof. Anderson Paiva
 Inferência Estatística
Ex: Considere as seguintes situações:
1. População: os eleitores da cidade de Campina Grande
Amostra: 650 eleitores escolhidos aleatoriamente (ao acaso)
Característica de interesse: percentual de eleitores que planejam
votar num candidato X nas próximas eleições.
2. População: automóveis Uno Mille produzidos em 1995
Amostra: todos os automóveis produzidos em agosto de 1995
Características de interesse: número de defeitos apresentados nos
primeiros 3 meses de uso, quilometragem média e uma possível
relação entre estas duas variáveis.
Os parâmetros não apresentam incerteza sobre seu real valor. Por
outro lado, as estatísticas podem apresentar diferentes valores, se
obtidas a partir de diversas amostras.
Slide 10 Prof. Anderson Paiva
 Inferência Estatística
Seleção de Amostras
O primeiro passo para fazer inferências corretas utilizando
amostragem, é fazer o levantamento dessas amostras de maneira
adequada.

Tipos de Amostras
 Amostras Probabilísticas
Cada item da amostra tem a mesma chance de ser
selecionado que os demais.
 Amostras Não – Probabilísticas
Cada item selecionado não possui a mesma chance de ser
selecionado que os demais.
Slide 11 Prof. Anderson Paiva
 Inferência Estatística
Amostras Probabilísticas
A seleção de uma amostra é vista como resultado de um
experimento aleatório e cada valor observado xi é o resultado de uma
variável aleatória Xi.

 As variáveis aleatórias (X1, X2, ..., Xn) são uma amostra aleatória
de tamanho n, se:
a. Os Xi´s forem variáveis aleatórias independentes e
b. Cada Xi tiver a mesma distribuição de probabilidades

Slide 12 Prof. Anderson Paiva

 Inferência Estatística
Seleção de Amostras
Amostras Probabilísticas servirão como base para a correta
estimação dos parâmetros da população a qual se referem.

 Tipos de Amostras Probabilísticas

 Amostra Aleatória Simples
 Amostra Aleatória Sistemática
 Amostra Aleatória Estratificada.

Slide 13 Prof. Anderson Paiva

 Inferência Estatística
Amostra Aleatória Simples
 Cada elemento da População é selecionado de maneira
aleatória.

Exemplo:
• Pesquisa em uma empresa com 5000 empregados,
deseja-se selecionar uma amostra de 100 pessoas.

Slide 14 Prof. Anderson Paiva

 Inferência Estatística
Amostra Aleatória Sistemático
 O primeiro elemento da População é selecionado de
maneira aleatória os demais de acordo com alguma lei de
formação.

Exemplo:
• Empresa com 5000 empregados, deseja-se selecionar
uma amostra de 100 pessoas. Ordena-se os empregados, o
primeiro é selecionado e os outros serão escolhidos
somando 15 a ordenação.

Slide 15 Prof. Anderson Paiva

 Inferência Estatística
Amostra Aleatória Estratificado
 A população é dividida em estratos com mesmas
características. São selecionados os elementos da amostra
de maneira aleatória e os parâmetros resultantes serão
agregados de forma proporcional.

Exemplo:
• Pesquisa Eleitoral.

Slide 16 Prof. Anderson Paiva

 Inferência Estatística
Amostra Aleatória Simples (AAS)
 Variáveis aleatórias X1;X2; ...;Xn constituem uma
amostra aleatória simples de tamanho n, ou simplesmente
amostra aleatória (A.A.) de uma variável aleatória (V.A.)
X, quando satisfazem as seguintes condições:

1) As variáveis aleatórias X1;X2; ...;Xn são independentes,

2) Cada uma das variáveis aleatórias Xi, i = 1; 2; ...; n têm
a mesma distribuição de probabilidade da variável X.

Slide 17 Prof. Anderson Paiva

 Inferência Estatística
Amostra Aleatória Simples (AAS)
• Ex: Considere uma população formada pelos seguintes
elementos {1; 3; 5; 5; 7}. Considere a variável X: valor
assumido pelo elemento na população. Assim, a
distribuição de probabilidade de X é dada por:

Slide 18 Prof. Anderson Paiva

 Inferência Estatística
Considere todas as amostras possíveis de tamanho 2, com
reposição, da população cuja distribuição é dada acima.
Além disso considere X1 o número selecionado na
primeira extração e X2 o número selecionado na segunda
extração. Assim, podemos construir a distribuição de
probabilidades conjunta de (X1;X2) e as distribuições
marginais de X1 e X2. Observe que X1 e X2 são
independentes e têm distribuições iguais à distribuição de
X.

Slide 19 Prof. Anderson Paiva

 Inferência Estatística
Distribuição de probabilidades conjunta de (X1;X2)

Slide 20 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral
 Dada uma amostra aleatória X1;X2; ...;Xn de uma população X,
definiremos uma estatística T como qualquer função de X1;X2; ...;Xn
, ou seja T = f(X1;X2; ...;Xn).
 Assim, dada uma amostra aleatória X1;X2; ...;Xn , um exemplo de
estatística seria a média amostral

 Sendo X1;X2; ...;Xn uma amostra aleatória da variável X, uma

pergunta natural seria o que acontece com a estatística T quando
retiramos todas as amostras de uma população conhecida segundo um
plano amostral adotado, ou seja qual a distribuição de T quando
X1;X2; ...;Xn assume todos os valores possíveis. Essa distribuição será
chamada de distribuição amostral da estatística T.
Slide 21 Prof. Anderson Paiva
 Inferência Estatística
 Distribuição Amostral
 Considerando o exemplo anterior, podemos construir a distribuição
de algumas estatísticas, como por exemplo a distribuição de
e S² = , por ex.
 Assim teríamos,

 Obs.: Note que E( X ) = E(X1) = E(X2) = E(X) = 4,2; e que Var( X ) = Var(X)/2 =
2,08. Seria isto uma coincidência?
Resposta: Não!!!! Veremos a seguir a justificativa deste fato.

Slide 22 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média
 Seja X uma variável aleatória com média m e variância s², e seja
(X1;X2; ...;Xn) uma amostra aleatória de X. Então, a média amostral
( X ) terá média e variância dadas respectivamente por

 Um teorema bem mais forte do que este é o que se refere à

distribuição de probabilidade da variável X . Este teorema é
conhecido como o Teorema Central do Limite

Slide 23 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média
 Ex.: Considere uma população em que uma variável X assume um
dos valores do conjunto {1, 3, 5, 5, 7}. A distribuição de
probabilidade de X é dada por:

É fácil ver que:

Slide 24 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média
Vamos relacionar todas as amostras possíveis de tamanho n = 2,
selecionadas ao acaso e com reposição dessa população, e encontrar a
distribuição da média amostral de

Sendo:
• X1: valor selecionado na primeira extração,
• X2: valor selecionado na segunda extração.

Slide 25 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média

Slide 26 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média
A distribuição de probabilidade de X para n = 2 é

Neste caso,

Slide 27 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média
 Repetindo o mesmo procedimento, para amostras de
tamanho n = 3, temos a seguinte distribuição de probabilidade de X,

Neste caso,

Slide 28 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média
 Histogramas correspondentes às
distribuições de X e de X , para amostras
de {1,3,5,5,7}.

Slide 29 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média

Slide 30 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média
Dos histogramas, observamos que

 Conforme n aumenta, os valores de X tendem a se concentrar cada

vez mais em torno de uma vez que a variância vai
diminuindo;

 os casos extremos passam a ter pequena probabilidade de

ocorrência;

 para n suficientemente grande, a forma do histograma aproxima-se

de uma distribuição normal.

Slide 31 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média

Esses gráficos sugerem que, quando n aumenta,

independentemente da forma da distribuição de
X, a distribuição de probabilidade da média
amostral aproxima-se de uma distribuição normal.

Slide 32 Prof. Anderson Paiva

 Inferência Estatística
 Teorema Central do Limite
 Para amostras aleatórias (X1;X2; ...;Xn), retiradas de uma população
com média m e variância s² finita, a distribuição amostral da média X
aproxima-se, para n suficientemente grande, de uma distribuição
normal, com m e variância s²/n.

 Observações:
1) No teorema acima não fizemos nenhuma suposição sobre a
natureza das distribuições das variáveis X1;X2; ...;Xn, ou seja,
independentemente de como se comportam essas variáveis, sejam elas
discretas ou contínuas, o teorema continua válido.
2) Se as variáveis X1;X2; ...;Xn têm distribuição normal, então X terá
também distribuição normal e não apenas uma aproximação.
Slide 33 Prof. Anderson Paiva
 Inferência Estatística
 Teorema Central do Limite

 Se a distribuição de X é normal, então X tem distribuição

normal exata, para todo n.

 O desvio padrão é denominado erro padrão

da média.

Slide 34 Prof. Anderson Paiva

 Inferência Estatística
 Exercício: Uma V.A. X tem distribuição normal, com média 100
e desvio padrão 10.
a) Qual a P(90<X<110)?
b) Se X for a média de uma amostra de 16 elementos retirados dessa
população, calcule P(90 < X < 110).
c) Represente, num único gráfico, as distribuições de X e X.
d) Que tamanho deveria ter a amostra para que P(90 < X < 110) =
0,95?

Slide 35 Prof. Anderson Paiva

 Inferência Estatística
 Exercício: Uma V.A. X tem distribuição normal, com média 100
e desvio padrão 10.
Resp.:
a) P (90  X  110)  68,27%
b) X ~ N 100; 100   P (90  X  110)  99,99%
 16 

Slide 36 Prof. Anderson Paiva

 Inferência Estatística
 Exercício: Uma V.A. X tem distribuição normal, com média 100
e desvio padrão 10.
Resp.: Distribuições de X e Xbarra

c) 0,18
0,16
0,14
0,12
0,10
f(x)

0,08
0,06
0,04
0,02
-
65 75 85 95 105 115 125 135
x
x Xbarra

d)  (90  100) n (110  100) n 


P (90  X  110)  0,95  P Z   0,95 
10 10 
 
P ( n  Z  n )  0,95  n  1,96  n  4
Slide 37 Prof. Anderson Paiva
 Inferência Estatística
 Exercício: Seja X ~ N(900; 642), retiramos uma amostra de
tamanho 30. Determinar:
a) P(  894).
Resp.: 0,0968.
b) P(896   903).
Resp.: 0,54726.

 Exercício: Qual deverá ser o tamanho de uma amostra

retirada de uma população X ~ N(200; 350) para que
P( - 200 < 5) = 0,95?
Resp.: 54.

Slide 38 Prof. Anderson Paiva

 Inferência Estatística

 Estimador ou Estatística
 Exemplos: as medidas de tendência central (média, mediana, e
moda), as separatrizes (quartis, decis e percentis), as medidas de
dispersão (amplitude total, desvio médio e desvio padrão), as
medidas de assimetria e curtose.

 Estimativa
 O valor numérico de um estimador.

Slide 39 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média

 Considerando as amostras possíveis de tamanho n que podem ser

retiradas de uma população de tamanho N. Para cada amostra pode-
se calcular uma grandeza estatística, como a média, o desvio padrão,
etc, que varia de amostra para amostra. Desse modo, obtém-se uma
distribuição da grandeza que é denominado a distribuição amostral.
Se a estatística for a média da amostra, a distribuição é denominada
distribuição amostral da média.

Slide 40 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média

 Seja X uma variável aleatória com média m e variância s², e seja

(X1;X2; ...;Xn) uma amostra aleatória de X. Então, a média amostral
( X ) terá média e desvio padrão dadas respectivamente por

 Considerando amostragem com reposição

 Considerando amostragem sem reposição

Slide 41 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média
 Exercício: A máquina de empacotar um determinado produto o faz
segundo uma distribuição normal, com média m e desvio padrão 10g.
a) Em quanto deve ser regulado o peso médio m para que apenas
10% dos pacotes tenham menos do que 500g?

b) Com a máquina assim regulada, qual a probabilidade de que o

peso total de 4 pacotes escolhidos ao acaso seja inferior a 2Kg?

Slide 42 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral da Média
 Exercício: Uma população consiste de cinco número: 2, 3, 6, 8, 11.
Considerem-se todas as amostras possíveis de 2 elementos que dela
podem ser retiradas, com reposição. Determinar:
a) A média da população;
b) O desvio padrão da população;
c) A média da distribuição amostral das médias;
d) O desvio padrão da distribuição amostral das médias.

Exercício: Resolva o problema anterior no caso de amostragem sem

reposição.

Slide 43 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral de uma Proporção
 Considere uma população em que a proporção de elementos
portadores de certa característica é p. Assim, definiremos a variável
aleatória X como: X = 1, se o indivíduo for portador da característica,
e X = 0, se o indivíduo não possui a característica. Dessa forma, E(X)
= p e Var(X) = p(1 - p).
 Retira-se uma amostra aleatória de tamanho n, dessa população.
Considere a V.A. Sn: número de indivíduos com a característica na
amostra. Seja, . Então, utilizando o Teorema Central do
Limite para a variável , temos que:

Slide 44 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral de uma Proporção

 Considerando amostragem com reposição

 Considerando amostragem sem reposição

Slide 45 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral de uma Proporção
• Exercício: Suponha que 30% dos estudantes de uma escola sejam
mulheres. Colhe-se uma amostra aleatória de 10 estudantes e calcula-
se a proporção amostral de estudantes do sexo feminino. Qual a
probabilidade de que difira de em valor absoluto em menos de
0,01?

Slide 46 Prof. Anderson Paiva

 Inferência Estatística
 Distribuição Amostral de uma Proporção
 Exercício: Um procedimento de controle de qualidade foi planejado
para garantir um máximo de 10% de itens defeituosos na produção. A
cada 6 horas sorteia-se uma amostra de 20 peças e, havendo mais de
15% de defeituosas, encerra-se a produção para verificação do
processo. Qual a probabilidade de uma parada desnecessária?

Slide 47 Prof. Anderson Paiva

 Inferência Estatística
 Aplicação: Determinação do Número da Amostra
 Um dos problemas de se trabalhar com amostragem é a
determinação do tamanho da amostra.

 Suponha que estejamos estimando a média m populacional e para

isso usaremos a média amostral, , baseada numa amostra de
tamanho n. Suponha ainda que se queira determinar o valor de n de
modo que

com 0 < g < 1 e sendo e > 0 o erro amostral máximo que podemos
suportar, ambos valores fixados.

Slide 48 Prof. Anderson Paiva

 Inferência Estatística
 Aplicação: Determinação do Número da Amostra
 Como , então e portanto

onde . Logo, podemos obter da N(0; 1), tal

que , de modo que

de onde obtemos finalmente

Slide 49 Prof. Anderson Paiva

 Inferência Estatística
 Aplicação: Determinação do Número da Amostra
 Observação: Na prática, não se conhece o valor da variância
populacional 2. A fim de resolver este problema, utiliza-se uma
pequena amostra piloto para estimar o valor da variância populacional
ou então baseia-se em alguma informação prévia sobre a mesma.
Normalmente, usa-se a estatística variância amostral:

 Exemplo: Suponha que uma pequena amostra piloto de tamanho 10,

extraída de uma população, forneceu os valores X = 15 e S² = 16.
Fixando-se e = 0,5 e g = 0,95, calcule o valor de n.

Slide 50 Prof. Anderson Paiva

 Inferência Estatística
 Determinação do Número da Amostra
 Para o problema de determinação do Número da Amostra relativo a
proporção, a equação se resume a:

 Exercício: Suponha que uma indústria farmacêutica deseja saber a

quantos voluntários se deva aplicar uma vacina, de modo que a
proporção de indivíduos imunizados na amostra difira de menos de
2% da proporção verdadeira de imunizados na população, com
probabilidade de 90%. Qual o tamanho da amostra a escolher?

Slide 51 Prof. Anderson Paiva