Você está na página 1de 68

Estimação

pontual e
distribuições
amostrais

Introdução Estimação pontual e distribuições amostrais


Estimação
pontual
Propriedades
Erros
amostrais
Fernando de Pol Mayer
Distribuições
amostrais
Distribuição
Laboratório de Estatística e Geoinformação (LEG)
amostral da Departamento de Estatística (DEST)
média
Universidade Federal do Paraná (UFPR)
Distribuição
amostral da
proporção
Referências

Este conteúdo está disponível por meio da Licença Creative Commons 4.0
(Atribuição/NãoComercial/PartilhaIgual)

1 / 67
Sumário

Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução

Estimação 2 Estimação pontual


pontual
Propriedades
Propriedades dos estimadores
Erros
amostrais

Distribuições
3 Erros amostrais
amostrais
Distribuição
amostral da
média 4 Distribuições amostrais
Distribuição
amostral da Distribuição amostral da média
proporção
Referências
Distribuição amostral da proporção

5 Referências

2 / 67
Plano de aula

Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução

Estimação 2 Estimação pontual


pontual
Propriedades
Propriedades dos estimadores
Erros
amostrais

Distribuições
3 Erros amostrais
amostrais
Distribuição
amostral da
média 4 Distribuições amostrais
Distribuição
amostral da Distribuição amostral da média
proporção
Referências
Distribuição amostral da proporção

5 Referências

3 / 67
Inferência estatística

Estimação
pontual e
distribuições
amostrais

Definição (Inferência estatística)


Introdução

Estimação Seja X uma variável aleatória com função densidade (ou de


pontual
Propriedades
probabilidade) denotada por f (x, θ), em que θ é um parâmetro
Erros desconhecido. Chamamos de inferência estatística o problema que
amostrais
consiste em especificar um ou mais valores para θ, baseado em um
Distribuições
amostrais conjunto de valores X .
Distribuição
amostral da
média
Distribuição
amostral da
proporção
A inferência pode ser feita através de duas formas:
Referências estimativa pontual
estimativa intervalar

4 / 67
Inferência estatística

Estimação
pontual e
distribuições
amostrais Redução de dados

Introdução Um experimentador usa as informações em uma amostra aleatória


Estimação
pontual
X1 , . . . , Xn para se fazer inferências sobre θ.
Propriedades
Erros
amostrais
Normalmente n é grande e fica inviável tirar conclusões baseadas em
Distribuições uma longa lista de números.
amostrais
Distribuição
amostral da
média Por isso, um dos objetivos da inferência estatística é resumir as
Distribuição
amostral da informações de uma amostra, da maneira mais compacta possível,
proporção
Referências
mas que ao mesmo tempo seja também informativa.

Normalmente esse resumo é feito por meio de estatísticas, por


exemplo, a média amostral e a variância amostral.

5 / 67
População e amostra

Estimação
pontual e
distribuições
amostrais Definição (População)
O conjunto de valores de uma característica associada a uma coleção
Introdução
de indivíduos ou objetos de interesse é dito ser uma população.
Estimação
pontual
Propriedades
Erros Definição (Amostra)
amostrais

Distribuições
Uma sequência X1 , . . . , Xn de n variáveis aleatórias independentes e
amostrais
Distribuição
identicamente distribuídas (iid) com função densidade (ou de
amostral da
média
probabilidade) f (x, θ) é dita ser uma amostra aleatória de tamanho n
Distribuição
amostral da
da distribuição de X . Como normalmente n > 1, então temos que a
proporção
fdp ou fp conjunta será
Referências

n
Y
f (x, θ) = f (x1 , . . . , xn , θ) = f (xi , θ)
i=1

6 / 67
População e amostra

Estimação
pontual e
distribuições
amostrais

Introdução

Estimação
pontual
Propriedades
Erros
amostrais

Distribuições
amostrais
Distribuição
amostral da
média
Distribuição
amostral da
proporção
Referências

7 / 67
Parâmetro e Estatística

Estimação
pontual e
distribuições
População → censo → parâmetro
amostrais

Uma medida numérica que descreve alguma característica da


Introdução população, usualmente representada por letras gregas: θ, µ, σ, . . .
Estimação
pontual
Propriedades Exemplo: média populacional = µ
Erros
amostrais

Distribuições
amostrais
Distribuição
amostral da População → amostra → estatística
média
Distribuição
amostral da
proporção Uma medida numérica que descreve alguma característica da
Referências
amostra, usualmente denotada pela letra grega do respectivo
parâmetro com um acento circunflexo: θ̂, µ̂, σ̂, . . . , ou por letras do
alfabeto comum: x̄, s, . . .

Exemplo: média amostral = x̄


8 / 67
Parâmetros

Estimação
pontual e
distribuições
amostrais

Introdução
É importante notar que um parâmetro não é restrito aos modelos de
Estimação probabilidade. Por exemplo:
pontual
Propriedades
Erros
X ∼ N(µ, σ 2 ) ⇒ parâmetros: µ, σ 2
amostrais

Distribuições
amostrais
Y ∼ Poisson(λ) ⇒ parâmetro: λ
Distribuição
amostral da
média
Distribuição
Y = β0 + β1 X ⇒ parâmetros: β0 , β1
amostral da
proporção
Referências Lt = L∞ [1 − e −k(t−t0 ) ] ⇒ parâmetros: L∞ , k, t0

9 / 67
Estatística

Estimação
pontual e
distribuições Definição (Estatística)
amostrais

Qualquer função da amostra que não depende de parâmetros


Introdução desconhecidos é denominada uma estatística, denotada por
Estimação T (X) = T (X1 , X2 , . . . , Xn )
pontual
Propriedades
Erros Exemplos:
amostrais Pn
T1 (X) = Xi = X1 + X2 + · · · + Xn
Distribuições
amostrais
Qni=1
Distribuição
T2 (X) = i=1 Xi = X1 · X2 · · · Xn
amostral da
média
Distribuição
T3 (X) = X(1)
amostral da Pn
proporção T4 (X) = i=1 (Xi − µ)2
Referências

Verificamos que T1 , T2 , T3 são estatístcas, mas T4 não.

Como é uma função da amostra, então uma estatística também é


uma variável aleatória → distribuições amostrais
10 / 67
Estatística

Estimação
pontual e Se podemos utilizar T (X) para extrais toda a informação da amostra,
distribuições
amostrais então dizemos que ela é suficiente para θ.

Introdução
Definição (Estatística suficiente)
Estimação
pontual
Seja X1 , . . . , Xn uma amostra aleatória da variável aleatória X , com
Propriedades fdp pu fp f (x, θ) com θ ∈ Θ, dizemos que uma estatística T (X) é
Erros
amostrais
suficiente para θ, se a distribuição condicional de X dado T (X) = t
Distribuições for independente de θ
amostrais
Distribuição
amostral da
média
fX|T (X) (x|t) → independe de θ
Distribuição
amostral da
proporção A definição acima permite verificar se uma estatística é suficiente,
Referências
mas não como encontrá-la. Dois conceitos fundamentais para
encontrar estatísticas (conjuntamente) suficientes são:
o critério da fatoração de Neyman
o critério da família exponencial

11 / 67
Estimador

Estimação
pontual e
distribuições
amostrais

Definição (Espaço paramétrico)


Introdução
O conjunto Θ em que θ pode assumir seus valores é chamado de
Estimação
pontual espaço paramétrico
Propriedades
Erros
amostrais
Definição (Estimador)
Distribuições
amostrais
Distribuição
Qualquer estatística que assume valores em Θ é um estimador para θ.
amostral da
média
Distribuição Dessa forma, um estimador pontual para θ é qualquer estatística
amostral da
proporção que possa ser usada para estimar esse parâmetro, ou seja,
Referências

θ̂ = T (X)

12 / 67
Estimador

Estimação
pontual e
distribuições
amostrais
Observações:
Introdução

Estimação
pontual
1 Todo estimador é uma estatística, mas nem toda estatística é
Propriedades um estimador.
Erros
amostrais
2 O valor assumido pelo estimador pontual é chamado de
Distribuições estimativa pontual,
amostrais
Distribuição
amostral da
média T (X) = T (X1 , . . . , Xn ) = t
Distribuição
amostral da
proporção
ou seja, o estimador é uma função da amostra, e a estimativa é
Referências
o valor observado de um estimador (um número) de uma
amostra particular.

13 / 67
Plano de aula

Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução

Estimação 2 Estimação pontual


pontual
Propriedades
Propriedades dos estimadores
Erros
amostrais

Distribuições
3 Erros amostrais
amostrais
Distribuição
amostral da
média 4 Distribuições amostrais
Distribuição
amostral da Distribuição amostral da média
proporção
Referências
Distribuição amostral da proporção

5 Referências

14 / 67
Estimação pontual

Estimação
pontual e
distribuições
amostrais

A ideia geral por trás da estimação pontual é muito simples:


Introdução

Estimação
pontual Quando a amostragem é feita a partir de uma população descrita por
Propriedades
uma função f (x, θ), o conhecimento de θ a partir da amostra, gera
Erros
amostrais todo o conhecimento para a população.
Distribuições
amostrais
Distribuição Dessa forma, é natural que se procure um método para se achar um
amostral da
média bom estimador para θ.
Distribuição
amostral da
proporção
Referências Existem algumas propriedades que definem o que é um bom
estimador, ou o “melhor” estimador entre uma série de candidatos.

15 / 67
Estimação pontual

Estimação
pontual e
distribuições
amostrais

Localização do problema: Considere X1 , . . . , Xn uma amostra


Introdução aleatóra de uma variável aleatória X com fdp ou fp f (x, θ), θ ∈ Θ.
Estimação
pontual
Sejam:
Propriedades θ̂1 = T1 (X1 , . . . , Xn ) θ̂2 = T2 (X1 , . . . , Xn )
Erros
amostrais Qual dos dois estimadores pontuais é melhor para θ?
Distribuições
amostrais
Distribuição
amostral da
Como não conhecemos θ, não podemos afirmar que θ̂1 é melhor do
média
Distribuição
que θ̂2 e vice-versa.
amostral da
proporção
Referências O problema da estimação pontual é então escolher um estimador θ̂
que se aproxime de θ segundo algumas propriedades.

16 / 67
Propriedades dos estimadores

Estimação
pontual e
distribuições
amostrais

Exemplo 1: Considere uma amostra aleatória (X1 , . . . , Xn ) de uma


Introdução
variável aleatória X ∼ N(µ = 3, σ 2 = 1) e os estimadores pontuais
Estimação
pontual para µ
Propriedades n
1X X(1) + X(n)
Erros θ̂1 = Xi e θ̂2 =
amostrais n 2
i=1
Distribuições
amostrais
Distribuição Qual dos dois estimadores pode ser considerado como o melhor para
amostral da
média estimar o verdadeiro valor de µ?
Distribuição
amostral da
proporção
Referências
Considere os seguintes pseudo-códigos para um estudo de simulação
do comportamento destes dois estimadores:

17 / 67
Estimação pontual

Estimação
pontual e Pseudo-código 1
distribuições
amostrais
1 Simule uma amostra de tamanho n = 10 da distribuição considerada
2 Para essa amostra, calcule a média (θ̂1 ) e o ponto médio (θ̂2 )
Introdução

Estimação 3 Repita os passos (1) e (2) acima m = 1000 vezes


pontual
Propriedades 4 Faça um gráfico da densidade das m = 1000 estimativas de θ̂1 e θ̂2 e
Erros
amostrais
verifique seu comportamento verifique
Distribuições
amostrais
Distribuição
Pseudo-código 2
amostral da
média
Distribuição
1 Simule amostras de tamanhos (n) 2, 3, 5, 10, 20, 50, 100, 500, 1000
amostral da
proporção
da distribuição considerada
Referências 2 Para cada amsotra de tamanho n, calcule a média (θ̂1 ) e o ponto
médio (θ̂2 )
3 Repita os passos (1) e (2) acima m = 100 vezes
4 Faça um gráfico das m = 100 estimativas de θ̂1 e θ̂2 para cada
tamanho de amostra n e verifique seu comportamento
18 / 67
Estimação pontual
Pseudo-código 1 - X ∼ N(3, 1)

Estimação 2 3 4 5
pontual e
distribuições θ^1 θ^2
amostrais

Introdução

Estimação
pontual 1.0
Propriedades
Erros
amostrais
Densidade

Distribuições
amostrais
Distribuição
amostral da
média 0.5
Distribuição
amostral da
proporção
Referências

● ●● ●
●●
●●
●●
●●


●●
●●




●●

●●



●●



●●



●●

●●



●●

●●
●●

●●

●●



●●
●●


●●
●●●



●●

●●

●●

●●
●●

●●


●●
●●
●●
●●


●●


●●●
●●


●●●
●●
●●●●
● ● ●●
●●●●●
●● ●●●●
●●●

●●
●●

●●

●●

●●
●●

●●


●●●




●●


●●

●●

●●



●●

●●

●●

●●
●●



●●


●●

●●



●●



●●


●●


●●


●●


●●

●●

●●



●●


●●


●●


●●


●●
●●
●●

●●
●●

●●

●●●
● ●

●●
●●
●● ●● ●
0.0 ●●

●●●


●●

●●

●●


●●


●●




●●



●●



●●




●●




●●



●●



●●




●●









●●





















●●









●●



●●






●●





●●




●●



●●






●●



●●


●●

●●●

● ●

●●●

● ● ●


●●
●●
●●●
●●
●●




●●

●●









●●


●●



●●






●●



●●



●●●



●●
●●


●●







●●








●●




●●


















●●








●●





●●



●●



●●


●●



●●
●●




●●











●●








●●

●●

●●●
●●●● ● ●● ●

2 3 4 5

Estimativa
19 / 67
Estimação pontual
Pseudo-código 2 - X ∼ N(3, 1)

Estimação 10^0.5 10^1.0 10^1.5 10^2.0 10^2.5 10^3.0


pontual e
distribuições θ^1 θ^2
amostrais

5 ●

Introdução ●


Estimação ● ●

pontual ●


● ●
● ●
● ●
Propriedades ●



● ●
● ● ●
● ● ● ● ●
4 ● ● ● ●
● ●
● ● ●
Erros ●
● ●

● ●
● ● ●
● ●

● ● ● ● ●

amostrais ● ● ●






● ●
● ● ●
● ●
Estimativas

● ● ● ●
● ●
● ●
● ●
● ● ● ● ● ● ● ●
● ● ● ● ● ● ●

● ●

● ● ● ● ●
Distribuições ●



● ● ●
● ●

● ● ●

● ● ● ●

● ●
● ●
● ● ●
● ● ●
● ●
● ● ● ● ●
amostrais ●









● ● ●







● ●








● ●




● ● ● ●
● ● ● ● ●
● ● ●
● ● ● ● ● ●
● ●
● ●
● ●
● ●
● ●
● ● ●
● ● ●
● ●
● ● ● ●


Distribuição ● ●
● ●
● ● ●
● ●
● ● ● ● ● ●
● ●
● ● ● ●
● ● ●
● ●
● ●
● ● ● ●
● ●
● ● ●
● ● ●
● ●
● ● ●


● ●
● ● ● ● ●
● ● ● ●
● ●
● ●
● ●
● ● ●
● ●
● ●
amostral da ●


















● ●




● ●















● ●












média 3 ●


● ●

● ●





















● ●


● ●


















● ●
● ●
● ●
● ●
● ● ● ● ● ● ● ● ●
● ● ●

● ● ● ●
● ● ●
● ●
● ●
● ● ●
● ●
● ●
● ●
● ● ● ●

● ● ● ● ● ● ● ●
Distribuição ●
● ●













● ●

● ●









● ●




● ●





● ●






● ● ● ● ● ● ● ● ● ● ● ●
amostral da ●
● ●










● ●



























● ● ● ● ● ●
proporção ●














● ●





● ●










● ●
● ● ● ●
● ● ● ●
● ● ● ● ●
● ● ●
● ● ● ● ●
● ●
● ● ● ● ● ● ● ● ●
● ● ●
Referências ●






● ●
● ●

● ●

● ● ● ●
● ● ● ● ● ●
● ●
● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ● ●


2 ● ●
● ● ●
● ●


● ● ●
● ● ●


● ● ●

10^0.5 10^1.0 10^1.5 10^2.0 10^2.5 10^3.0

Tamanho da amostra (escala log)


20 / 67
Estimação pontual

Estimação
pontual e
distribuições
amostrais

Introdução
Exemplo 2: Considere uma amostra aleatória (X1 , . . . , Xn ) de uma
Estimação
variável aleatória Y ∼ U(min = 2, max = 4) (distribuição uniforme no
pontual
Propriedades
intervalo [2,4]) e os estimadores pontuais para µ
Erros
n
amostrais
1X X(1) + X(n)
Distribuições θ̂1 = Xi e θ̂2 =
amostrais n 2
Distribuição
i=1
amostral da
média
Distribuição Qual dos dois estimadores pode ser considerado como o melhor para
amostral da
proporção estimar a média de Y ?
Referências

21 / 67
Estimação pontual
Pseudo-código 1 - Y ∼ U(2, 4)

Estimação 2.5 3.0 3.5


pontual e
distribuições θ^1 θ^2
amostrais

Introdução 4

Estimação
pontual
Propriedades
Erros 3
amostrais
Densidade

Distribuições
amostrais
Distribuição 2
amostral da
média
Distribuição
amostral da
proporção
Referências 1

●●●
●●●● ●
●●
●●
●●●●●

●●●●


●●●
●●

●●

●●
●●

●●

●●

●●
●●

●●
●●
●●

●●
●●


●●

●●

●●

●●●
●●
●●●

●●●
●●

●●
●●●


● ●
●●
●●

●●

●●
● ●●
● ●
●● ●
●● ●●
●● ● ● ●●● ● ●●●

● ●

● ●

●●
●●

●●
●●

●●

●●


●●


●●●

●●●



●●



●●

●●

●●


●●
●●●

●●

●●

●●
●●

●●
●●
●●


●●
● ●
●●
●●
●●●

●●●
●●●●●
● ● ●
0 ●

● ● ●●●
●●
●●

●●

● ●

●●


●●
● ●
















●●










●●


























































●●


























●●

●●







●●
●●





●●




●●




●●


●●















●●




●●



●●





●●


●●

●●























●●

●●






●●●
●●



●●●●
●●●● ●
● ● ●●●
●●●●●

●●
●●


●●
●●











●●









●●













●●


●●



●●●










●●
●●







●●
●●



















●●
















●●




●●




●●








●●






























●●



●●

●●

●●
●●●



●●●
●●

●●●
●●




●●
● ● ● ●

2.5 3.0 3.5

Estimativa
22 / 67
Estimação pontual
Pseudo-código 2 - Y ∼ U(2, 4)

Estimação 10^0.5 10^1.0 10^1.5 10^2.0 10^2.5 10^3.0


pontual e
distribuições θ^1 θ^2
amostrais
4.0 ●

● ●


Introdução ●
● ●
● ●
● ●
Estimação ● ●
● ●

● ● ●
pontual ●
● ●




3.5 ●
● ●

● ●




Propriedades ●


● ● ●

● ●


● ● ● ● ● ●
● ● ●
● ● ●
● ● ●
● ●
● ● ● ● ●
Erros ●
● ● ● ●
● ● ●
● ●
● ● ● ●
● ●

● ●
● ●

● ● ● ●
amostrais ● ● ●
● ● ●
● ●

● ● ●
● ● ● ● ●
● ● ●
● ● ● ● ● ● ●
Estimativas

● ● ●
● ● ● ● ● ● ●
● ● ● ●
● ●
● ● ●
● ● ●


● ● ●
● ● ● ● ● ● ● ●
● ●
● ● ● ● ● ● ●
Distribuições ●








● ●











● ●
● ●












● ●
● ● ● ● ●

● ●
● ●
● ● ● ●

● ● ●
amostrais ● ● ● ●
● ●
● ●
● ● ● ●
● ●
● ●

● ●
● ●
● ●
● ●

● ● ● ● ●
● ●
● ● ● ● ● ●
● ●
● ●
● ●
● ●
3.0 ●
● ● ●
● ● ●

● ●
● ●
● ●
● ●
● ●
● ● ● ● ●
● ●
● ●
● ●
● ●
● ● ● ●
● ● ●
● ●
● ●
● ●
● ● ● ●
● ●
● ●
● ●
● ●

● ● ● ● ● ● ● ● ●
Distribuição ●




























● ●












● ●
● ● ● ● ●
● ● ● ● ●

amostral da ●

















● ●






● ●



● ● ● ● ●
média ●


























● ● ●
● ● ● ●
● ● ● ● ● ● ●
Distribuição ●



● ● ●







● ● ● ● ● ●
amostral da ●


● ●



● ● ● ●
● ●

● ● ●
proporção ●

● ● ● ●

● ● ● ● ●

● ●
● ● ●
2.5 ● ● ●
Referências ●

● ●






● ● ●
● ●
● ●
● ●
● ●
● ● ●
● ● ●

● ●

● ●


● ●

2.0

10^0.5 10^1.0 10^1.5 10^2.0 10^2.5 10^3.0

Tamanho da amostra (escala log)


23 / 67
Plano de aula

Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução

Estimação 2 Estimação pontual


pontual
Propriedades
Propriedades dos estimadores
Erros
amostrais

Distribuições
3 Erros amostrais
amostrais
Distribuição
amostral da
média 4 Distribuições amostrais
Distribuição
amostral da Distribuição amostral da média
proporção
Referências
Distribuição amostral da proporção

5 Referências

24 / 67
Propriedades dos estimadores

Estimação
pontual e
distribuições
amostrais

Introdução

Estimação
pontual De modo geral, um “bom” estimador deve ser
Propriedades
Erros
amostrais 1 Não viciado
Distribuições
amostrais 2 Consistente
Distribuição
amostral da
média
3 Eficiente
Distribuição
amostral da
proporção
Referências

25 / 67
Propriedades dos estimadores
1) Não viciado

Estimação
pontual e
distribuições
amostrais
Definição (Erro quadrático médio (EQM))
Introdução O Erro Quadrático Médio (EQM) de um estimador θ̂ de θ̂ é dados por
Estimação
pontual
Propriedades EQM[θ̂] = E[(θ̂ − θ)2 ]
Erros
amostrais = Var[θ̂] + B[θ̂]2
Distribuições
amostrais
Distribuição
onde
amostral da
média B[θ̂] = E[θ̂] − θ
Distribuição
amostral da
proporção é denominado de vício do estimador θ̂. Portanto, dizemos que um
Referências estimador é não viciado para θ quando

B[θ̂] = 0 ⇒ E[θ̂] = θ

26 / 67
Propriedades dos estimadores
1) Não viciado

Estimação
pontual e
distribuições
amostrais

Definição (Estimador não viciado)


Introdução

Estimação
Seja (X1 , . . . , Xn ), uma amostra aleatória de uma variável aleatória
pontual com fdp ou fp f (x, θ), θ ∈ Θ, dizemos que o estimador θ̂ = T (X) é
Propriedades
Erros
não viciado para θ se
amostrais

Distribuições E[θ̂] = E[T (X)] = θ ∀θ ∈ Θ


amostrais
Distribuição
amostral da
média Um estimador θ̂ é dito assintoticamente não viciado se
Distribuição
amostral da
proporção
lim E[θ̂] = θ
Referências n→∞

Ou seja, para grandes amostras, θ̂ passa a ser imparcial.

27 / 67
Propriedades dos estimadores
2) Consistente

Estimação
pontual e
distribuições
amostrais

Introdução Definição (Estimador consistente)


Estimação
pontual Seja (X1 , . . . , Xn ), uma amostra aleatória de uma variável aleatória
Propriedades
com fdp ou fp f (x, θ), θ ∈ Θ, o estimador θ̂ = T (X) é consistente
Erros
amostrais para θ se satisfaz simultaneamente
Distribuições
amostrais
Distribuição
lim E[θ̂] = θ
amostral da n→∞
média
Distribuição
amostral da
e
proporção
lim Var[θ̂] = 0
Referências n→∞

28 / 67
Propriedades dos estimadores
3) Eficiente

Estimação
pontual e
distribuições
amostrais

Definição (Eficiência relativa)


Introdução

Estimação
Sejam θ̂1 = T1 (X) e θ̂2 = T2 (X) dois estimadores pontuais não
pontual
Propriedades
viciados para θ. A eficiência relativa de θ̂1 em relação a θ̂2 é
Erros
amostrais Var[θ̂1 ]
Distribuições ER[θ̂1 , θ̂2 ] =
amostrais Var[θ̂2 ]
Distribuição
amostral da
média
Distribuição
amostral da
proporção Se:
Referências
ER[θ̂1 , θ̂2 ] > 1 ⇒ θ̂2 é mais eficiente
ER[θ̂1 , θ̂2 ] < 1 ⇒ θ̂1 é mais eficiente

29 / 67
Propriedades dos estimadores

Estimação
pontual e
distribuições
amostrais 1
Pn
Exemplo: média amostral X̄ = n i=1 Xi como estimador da média
populacional µ:
Introdução

Estimação
pontual
Propriedades
" n
#
Erros
amostrais 1X
E(X̄ ) = E Xi = µ
Distribuições n
amostrais i=1
Distribuição " n #
amostral da
média 1X σ2
Distribuição Var(X̄ ) = Var Xi =
amostral da n n
proporção i=1
Referências

Portanto X̄ é um estimador não viciado e consistente para µ.

30 / 67
Propriedades dos estimadores

Estimação Pn
pontual e Exemplo: variância amostral σ̂ 2 = n1 i=1 (Xi − X̄ )2 como estimador
distribuições
amostrais da variância populacional σ 2 :
" n #  
Introdução
2 1X 2 n−1
Estimação
E(σ̂ ) = E (Xi − X̄ ) = σ2
pontual
n n
i=1
Propriedades
Erros
amostrais Portanto σ̂ 2 é um estimador viciado para σ 2 . (Embora seja um
Distribuições estimador assintoticamente não viciado).
amostrais
Distribuição
amostral da
média Para eliminar
Pn esse vício, 2podemos definir então um novo estimador:
Distribuição 1
amostral da
proporção
s 2 = n−1 i=1 (Xi − X̄ ) , e
Referências " #
n
2 1 X
E(s ) = E (Xi − X̄ ) = σ 2
2
n−1
i=1

que é então um estimador não viciado para σ 2 .


31 / 67
Propriedades dos estimadores

Estimação
pontual e
distribuições
O erro padrão de um estimador dá uma ideia da precisão da
amostrais
estimativa.

Introdução Definição (Erro padrão de um estimador)


Estimação
pontual
O erro padrão (EP) de um estimador é o seu desvio-padrão (raíz
Propriedades quadrada da variância), ou seja,
Erros
amostrais q
Distribuições
amostrais
EP(θ̂) = Var(θ̂)
Distribuição
amostral da
média
Distribuição
amostral da
proporção
Exemplo: Sabemos que a distribuição de X̄ tem média µ e variância
Referências σ 2 /n. Então o erro padrão de X̄ é
r
σ2 σ
q
EP(X̄ ) = Var(X̄ ) = =√
n n

32 / 67
Plano de aula

Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução

Estimação 2 Estimação pontual


pontual
Propriedades
Propriedades dos estimadores
Erros
amostrais

Distribuições
3 Erros amostrais
amostrais
Distribuição
amostral da
média 4 Distribuições amostrais
Distribuição
amostral da Distribuição amostral da média
proporção
Referências
Distribuição amostral da proporção

5 Referências

33 / 67
Erros amostrais

Estimação
pontual e Erros amostrais
distribuições
amostrais Diferença entre o resultado da amostra e o verdadeiro valor da
população. Ocorre pois as amostras são aleatórias!
Introdução Exemplo: a diferença entre a média amostral X̄ e a média
Estimação
pontual
populacional µ
Propriedades e = X̄ − µ
Erros
amostrais
é chamada de erro amostral da média.
Distribuições
amostrais
Distribuição
amostral da
média Erros não amostrais
Distribuição
amostral da
proporção Ocorre quando os dados amostrais são coletados incorretamente,
Referências devido a uma amostra tendenciosa, instrumento de medida
defeituoso, anotações erradas, . . .

34 / 67
Erros amostrais

Estimação
pontual e Erros amostrais
distribuições
amostrais Diferença entre o resultado da amostra e o verdadeiro valor da
população. Ocorre pois as amostras são aleatórias!
Introdução Exemplo: a diferença entre a média amostral X̄ e a média
Estimação
pontual
populacional µ
Propriedades e = X̄ − µ
Erros
amostrais
é chamada de erro amostral da média.
Distribuições
amostrais
Distribuição
amostral da
média Erros não amostrais
Distribuição
amostral da
proporção Ocorre quando os dados amostrais são coletados incorretamente,
Referências devido a uma amostra tendenciosa, instrumento de medida
defeituoso, anotações erradas, . . .

Atenção!
Os erros não amostrais não devem existir, ou devem ser minimizados
34 / 67
Erros amostrais

Estimação
pontual e
distribuições
amostrais

Não importa quão bem a amostra seja coletada, os erros amostrais


Introdução sempre irão ocorrer
Estimação
pontual
Propriedades Cada vez que uma amostra aleatória for retirada de uma população,
Erros um resultado diferente será observado
amostrais

Distribuições
amostrais Selecione uma amostra de tamanho n = 5 das idades dos estudantes
Distribuição
amostral da
média
de uma sala: 22 21 24 23 20 22 21 25 24 24 23 19 25 24
Distribuição
amostral da
23 23 20 21 23 20 23 22 23 23 25 25 20 23 24 20
proporção
Referências
Repita 5 vezes (tente ser o mais aleatório possível!), calcule a média
de cada amostra, e compare com a média populacional µ = 22, 5

35 / 67
Um exemplo

Estimação
pontual e
distribuições
amostrais

Amostra x̄ e = x̄ − µ
Introdução
23 23 23 24 23 23.2 0.7
Estimação
pontual 24 22 20 20 20 21.2 -1.3
Propriedades 21 20 19 22 25 21.4 -1.1
Erros
amostrais 22 23 25 20 22 22.4 -0.1
Distribuições 21 20 22 24 20 21.4 -1.1
amostrais
Distribuição
amostral da
média
Distribuição
O que isso nos diz a respeito das médias amostrais?
amostral da
proporção O que isso nos diz a respeito da variabilidade das médias
Referências
amostrais?
E se fizemos uma “média das médias” de todas as amostras?

36 / 67
Plano de aula

Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução

Estimação 2 Estimação pontual


pontual
Propriedades
Propriedades dos estimadores
Erros
amostrais

Distribuições
3 Erros amostrais
amostrais
Distribuição
amostral da
média 4 Distribuições amostrais
Distribuição
amostral da Distribuição amostral da média
proporção
Referências
Distribuição amostral da proporção

5 Referências

37 / 67
Distribuições amostrais

Estimação
pontual e
distribuições
amostrais

Suponha que vamos retirar uma amostra de n = 100 indivíduos de


Introdução
uma população
Estimação
pontual
Propriedades
Se selecionarmos aleatoriamente um indivíduo desta população, ele
Erros
amostrais terá apenas um valor, x1 , de todos os possíveis valores da variável
Distribuições aleatória X1
amostrais
Distribuição
amostral da
média Da mesma forma, um segundo indivíduo amostrado aleatoriamente
Distribuição
amostral da
proporção
terá o valor x2 da variável aleatória X2 , e assim sucessivamente até o
Referências centésimo indivíduo amostrado com valor x100 da variável aleatória
X100

38 / 67
Distribuições amostrais

Estimação
pontual e
distribuições
amostrais

De maneira geral, uma amostra de tamaho n será descrita pelos


Introdução valores x1 , x2 , . . . , xn das variáveis aleatórias X1 , X2 , . . . , Xn ⇒
Estimação Amostra Aleatória
pontual
Propriedades
Erros No caso de uma Amostragem Aleatória Simples (AAS) com
amostrais
reposição, X1 , X2 , . . . , Xn serão variáveis aleatórias independentes e
Distribuições
amostrais identicamentes distribuídas (iid) com função de probabilidade (fp)
Distribuição
amostral da
média
ou função densidade de probabilidade (fdp) f (x)
Distribuição
amostral da
proporção Isto significa que quando observamos cada amostra xi de uma
Referências
população indexada por um parâmetro θ (um escalar ou um vetor),
então cada observação possui fp ou fdp dada por f (x, θ)

39 / 67
Distribuições amostrais

Estimação
pontual e
distribuições
amostrais

Se somente uma observação X é feita, então as probabilidades


Introdução referentes a X podem ser calculadas diretamente utilizando f (x, θ)
Estimação
pontual
Propriedades No entanto, na maioria das vezes temos n > 1 observações de X .
Erros Como vimos que as variáveis Xi são iid, temos que a fp ou fdp
amostrais
conjunta será
Distribuições
amostrais
Distribuição n
amostral da
Y
média f (x1 , x2 , . . . , xn , θ) = f (x1 , θ) · f (x2 , θ) · · · f (xn , θ) = f (xi , θ)
Distribuição
amostral da i=1
proporção
Referências
Onde o mesmo valor do parâmetro θ é utilizado em cada um dos
termos no produto

40 / 67
Distribuições amostrais

Estimação
pontual e
distribuições
amostrais

Exemplo: distribuição conjunta da Bernoulli(π)


Introdução
Para uma observação, temos que a fp da Bernoulli(π) é
Estimação
pontual
Propriedades f (x, π) = π x (1 − π)1−x I{0,1} (x)
Erros
amostrais

Distribuições
Para uma amostra aleatória X1 , X2 , . . . , Xn
amostrais
Distribuição n
amostral da
Y
média f (x, π) = π xi (1 − π)1−xi I{0,1} (xi )
Distribuição
amostral da i=1
proporção
n
Referências Pn Pn Y
xi
=π i=1 (1 − π)n− i=1 xi
I{0,1} (xi )
i=1

41 / 67
Distribuições amostrais

Estimação
pontual e
distribuições
amostrais
Quando uma amostra X1 , X2 , . . . , Xn é obtida, geralmente estamos
interessados em um resumo destes valores, que pode ser expresso
Introdução
matematicamente pela estatística T (x1 , x2 , . . . , xn )
Estimação
pontual
Propriedades
Erros
A função T (·) pode ser um valor real ou um vetor. Dessa forma,
amostrais Y = T (x1 , x2 , . . . , xn ) é também uma variável aleatória (ou vetor
Distribuições
amostrais
aleatório). Se Y é uma VA, então ela possui uma distribuição de
Distribuição
amostral da
probabilidade.
média
Distribuição
amostral da
proporção Uma vez que a amostra aleatória X1 , X2 , . . . , Xn tem uma estrutura
Referências probabilística simples (porque Xi são iid), Y é particularmente
tratável. Uma vez que a distribuição de Y é derivada desta estrutura,
vamos denominá-la de distribuição amostral de Y .

42 / 67
Distribuições amostrais

Estimação
pontual e
distribuições
amostrais
Definição (Distribuição amostral)
A distribuição de probabilidade de uma estatística
Introdução Y = T (x1 , x2 , . . . , xn ) é denominada de distribuição amostral de Y .
Estimação
pontual
Assim, uma estatística também é uma variável aleatória, pois seus
Propriedades valores mudam conforme a amostra aleatória
Erros
amostrais

Distribuições
amostrais
Exemplo: duas estatísticas comumente utilizadas para o resumo de
Distribuição
amostral da
uma amostra aleatória são a média amostral
média
Distribuição n
amostral da 1X
proporção X̄ = Xi
Referências n
i=1

e a proporção amostral
x
p̂ =
n

43 / 67
Plano de aula

Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução

Estimação 2 Estimação pontual


pontual
Propriedades
Propriedades dos estimadores
Erros
amostrais

Distribuições
3 Erros amostrais
amostrais
Distribuição
amostral da
média 4 Distribuições amostrais
Distribuição
amostral da Distribuição amostral da média
proporção
Referências
Distribuição amostral da proporção

5 Referências

44 / 67
Distribuição amostral da média

Estimação
pontual e
distribuições
amostrais
Para estudarmos a distribuição amostral da estatística X̄ , considere
Introdução
uma população identificada pela VA X , com parâmetros
Estimação
pontual E(X ) = µ = média Var(X ) = σ 2 = variância
Propriedades
Erros
amostrais supostamente conhecidos. Em seguida, realizamos os seguintes
Distribuições passos:
amostrais
Distribuição
amostral da
1 Retiramos m amostras aleatórias (AAS com reposição) de
média
Distribuição
tamanho n dessa população
amostral da
proporção 2 Para cada uma das m amostras, calculamos a média amostral x̄
Referências
3 Verificamos a distribuição das m médias amostrais e estudamos
suas propriedades

45 / 67
Voltando ao exemplo . . .

Estimação
pontual e
Amostra x̄  = x̄ − µ
distribuições
amostrais
23 23 23 24 23 23.2 0.7
24 22 20 20 20 21.2 -1.3
21 20 19 22 25 21.4 -1.1
Introdução
22 23 25 20 22 22.4 -0.1
Estimação
pontual 21 20 22 24 20 21.4 -1.1
Propriedades
Erros
3.0
amostrais

Distribuições
2.5

amostrais
Distribuição
amostral da
2.0

média
Distribuição
Frequência

amostral da
1.5

proporção
Referências
1.0
0.5
0.0

21.0 21.5 22.0 22.5 23.0 23.5

Médias
46 / 67
Voltando ao exemplo . . .

Estimação
pontual e
distribuições
amostrais

Introdução

Estimação
pontual Do exemplo anterior, temos que µ = 22, 5, e σ 2 = 3, 09
Propriedades
Erros
amostrais Para esta tabela, com m = 5 e n = 5:
Distribuições
amostrais
A média das médias é µX̄ = 21, 9
Distribuição
amostral da A variância das médias é σX̄2 = 0, 732
média
Distribuição
amostral da
proporção
Referências

47 / 67
Distribuição amostral da média

Estimação
pontual e
E se pudessemos retirar todas as amostras com reposição de
distribuições
amostrais
tamanho n = 5 dessa população???

Introdução
Teriamos que fazer N n = 205 = 3.200.000 amostragens!
Estimação
pontual Para n = 10 ⇒ N n = 2010 = 1, 024 × 1013
Propriedades
Erros
amostrais
Para n = 15 ⇒ N n = 2015 = 3, 2768 × 1019
Distribuições
amostrais
Distribuição
amostral da
O computador pode fazer isso, e o resultado é (para n = 15)
média
Distribuição µX̄ = 22, 5
amostral da
proporção
σX̄2 ≈ 0, 2 = σ 2 /n ≈ 3, 09/15
Referências

Conclusão:
A média de todas as médias é igual à média da população!
A variância das médias é menor porque a variabilidade entre as
médias é menor!
48 / 67
Voltando ao exemplo . . .

Estimação
pontual e
distribuições
amostrais
Veja a figura dist_amostral_idades.pdf

Introdução O primeiro gráfico é a distribuição da população original


Estimação
pontual O segundo gráfico é a distribuição de 1000 médias, calculadas a
Propriedades
partir de 1000 amostras de tamanho 5 (m = 1000 e n = 5)
Erros
amostrais Os demais gráficos mostram a distribuição amostral de 1000
Distribuições
amostrais
médias calculadas com amostras de tamanho n = 10 e n = 15
Distribuição
amostral da Repare que:
média
Distribuição A distribuição das 1000 médias se torna cada vez mais próxima
amostral da
proporção de uma normal, conforme o tamanho da amostra aumenta
Referências A variabilidade da distribuição amostral das médias diminui
conforme o tamanho da amostra aumenta
A distribuição amostral tende a se concentrar cada vez mais em
torno da média populacional verdadeira

49 / 67
Distribuição amostral da média

Estimação
pontual e
Através do estudo da distribuição da média amostral chegamos em
distribuições
amostrais
um dos resultados mais importantes da inferência estatística
Teorema (Distribuição amostral da média)
Introdução

Estimação E(X̄ ) = µX̄ = µ


pontual
Propriedades Var(X̄ ) = σX̄2 = σ 2 /n
Erros
amostrais

Distribuições
Portanto, se
amostrais
Distribuição
amostral da
X ∼ N(µ, σ 2 ) então X̄ ∼ N(µX̄ , σx̄2 )
média
Distribuição
amostral da
proporção
mas, como
Referências µX̄ = µ e σX̄2 = σ 2 /n
então, a distribuição amostral da média amostral X̄ é
σ2
 
X̄ ∼ N µ,
n
50 / 67
Distribuição amostral da média

Estimação
pontual e
distribuições
amostrais
Teorema (Teorema Central do Limite (TCL))
Para amostras aleatórias simples (X1 , X2 , . . . , Xn ), retiradas de uma
Introdução população normal com média µ e variância σ 2 , a distribuição
Estimação
pontual
amostral da média X̄ , terá forma dada por
Propriedades
Erros X̄ − µ
amostrais Z= √
Distribuições
σ/ n
amostrais
Distribuição
amostral da no limite quando n → ∞, que é a ditribuição normal padrão:
média
Distribuição Z ∼ N(0, 1).
amostral da
proporção
Referências
Se a população for normal, então X̄ terá distribuição exata
normal.
A rapidez da convergência para a normal depende da
distribuição da população da qual as amostras foram geradas

51 / 67
Distribuição amostral da média

Estimação
pontual e
distribuições
amostrais Este teorema nos mostra que, para amostras suficientemente grandes
(n > 30), a média amostral X̄ converge para o verdadeiro valor
Introdução da média populacional µ (é um estimador não viesado de µ)
Estimação
pontual
Propriedades Além disso, a variância das médias amostrais σX̄2 tende a diminuir
Erros conforme n → ∞ (é um estimador consistente)
amostrais

Distribuições
amostrais Estes resultados sugerem que, quando o tamanho da amostra
Distribuição
amostral da
média
aumenta,
Distribuição
amostral da
proporção independente do formato da distribuição da população original,
Referências

a distribuição amostral de X̄ aproxima-se cada vez mais de uma


distribuição normal, um resultado fundamental na teoria de
probabilidade conhecido como Teorema Central do Limite

52 / 67
Distribuição amostral da média

Estimação
pontual e
distribuições
amostrais

Introdução

Estimação
pontual
Propriedades
Erros
amostrais Exemplo computacional → veja a figura dist_amostrais.pdf
Distribuições
amostrais
Distribuição
amostral da
média
Distribuição
amostral da
proporção
Referências

53 / 67
Distribuição amostral da média

Estimação
pontual e
distribuições
amostrais

Introdução
Em palavras, o teorema garante que que para n grande, a distribuição
Estimação
da média amostral, devidamente padronizada, se comporta
pontual
Propriedades
segundo um modelo normal com média 0 e variância 1.
Erros
amostrais
Pelo teorema, temos que quanto maior o tamanho da amostra,
Distribuições
amostrais melhor é a aproximação.
Distribuição
amostral da
média
Distribuição Estudos envolvendo simulações mostram que, em muitos casos,
amostral da
proporção valores de n ao redor de 30 fornecem aproximações bastante boas
Referências para as aplicações práticas.

54 / 67
Distribuição amostral da média

Estimação
pontual e
distribuições
amostrais

Introdução
Quando calculamos a probabilidade de um valor estar em um
Estimação
pontual determinado intervalo de valores, podemos usar o modelo Normal,
Propriedades
Erros
como vimos anteriormente.
amostrais

Distribuições
amostrais
No entanto, quando temos uma amostra, e queremos calcular
Distribuição
amostral da
probabilidades associadas à média amostral (a probabilidade da
média
Distribuição
média amostral estar em um determinado intervalo de valores),
amostral da
proporção precisamos necessariamente usar os resultados do TCL.
Referências

55 / 67
Distribuição amostral da média e erros amostrais

Estimação
pontual e
distribuições
amostrais
Já vimos que o erro amostral da média é dado pela diferença entre
X̄ e µ, ou seja,
Introdução
e = X̄ − µ
Estimação
pontual
Propriedades Dessa forma, se
Erros X̄ − µ
amostrais Z= √ ∼ N(0, 1)
Distribuições
σ/ n
amostrais
Distribuição então a distribuição de e também será normal padrão, pois
amostral da
média
Distribuição

amostral da e n
proporção ∼ N(0, 1)
Referências
σ
Esse resultado será fundamental na construção de estimativas
intervalares.

56 / 67
Distribuição amostral da média

Estimação
pontual e
distribuições Usando o TCL
amostrais

Exemplo: Uma máquina de empacotamento que abastece pacotes de


Introdução
feijão apresenta distribuição normal com média de 500 g e
Estimação
pontual desvio-padrão de 22 g. De acordo com as normas de defesa do
Propriedades
consumidor, os pacotes de feijão não podem ter peso inferior a 2% do
Erros
amostrais estabelecido na embalagem.
Distribuições
amostrais a) Determine a probabilidade de um pacote selecionado
Distribuição
amostral da
aleatoriamente ter a peso inferior a 490 g.
média
Distribuição
amostral da
b) Determine a proabilidade de 20 pacotes selecionados
proporção aleatoriamente terem peso médio inferior a 490 g.
Referências
c) Como podemos interpretar os resultados dos itens anteriores? O
que é mais indicado para se tomar uma decisão sobre o
funcionamento da máquina: selecionar um pacote ou uma
amostra?

57 / 67
Distribuição amostral da média

Estimação
pontual e
distribuições
amostrais Usando o TCL

Introdução Exemplo: Uma pesquisa com 12000 estudantes mostrou que a


Estimação
pontual
média de horas de estudo por semana foi de 7,3 horas, com
Propriedades desvio-padrão de 4,2 horas. O tempo de estudo não apresenta
Erros
amostrais
distribuição normal. Com isso calcule:
Distribuições
amostrais
a) A probabilidade de que um estudante exceda 8 horas de estudo
Distribuição por semana.
amostral da
média
Distribuição b) Dada uma amostra de 45 estudantes, a probabilidade de que o
amostral da
proporção tempo médio de estudo exceda 8 horas por semana.
Referências
c) Dada uma amostra de 45 estudantes, a probabilidade de que o
tempo médio de estudo seja igual ou superior a 7 horas por
semana.

58 / 67
Plano de aula

Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução

Estimação 2 Estimação pontual


pontual
Propriedades
Propriedades dos estimadores
Erros
amostrais

Distribuições
3 Erros amostrais
amostrais
Distribuição
amostral da
média 4 Distribuições amostrais
Distribuição
amostral da Distribuição amostral da média
proporção
Referências
Distribuição amostral da proporção

5 Referências

59 / 67
Distribuição amostral da proporção

Estimação
pontual e
distribuições
amostrais Muitas vezes, o interesse é conhecer uma proporção, e não a média
de uma população.
Introdução

Estimação Suponha que uma amostra de tamanho n foi obtida de uma


pontual
Propriedades população, e que x ≤ n observações nessa amostra pertençam a uma
Erros classe de interesse (ex.: pessoas do sexo masculino).
amostrais

Distribuições
amostrais Dessa forma, a proporção amostral
Distribuição
amostral da
média
Distribuição x número de sucessos
amostral da p̂ = =
proporção n total de tentativas
Referências
é o “melhor estimador” para a proporção populacional p.

Note que n e p são os parâmetros de uma distribuição binomial.

60 / 67
Distribuição amostral da proporção

Estimação
pontual e
distribuições
amostrais
Exemplo: em 5 lançamentos de uma moeda considere que o evento
“cara” (C) seja o sucesso (“sucesso” = 1; “fracasso” = 0). Um
Introdução
possível resultado seria o conjunto {C, C, R, R, C}. A proporção
Estimação
amostral seria
pontual
Propriedades x número de sucessos 3
Erros p̂ = = = = 0, 6
amostrais n total de tentativas 5
Distribuições
amostrais
Distribuição
amostral da
média Exemplo: em uma amostra de 2500 eleitores de uma cidade, 1784
Distribuição
amostral da
proporção
deles eram favoráveis à reeleição do atual prefeito. A proporção
Referências amostral é então
x número de sucessos 1784
p̂ = = = = 0, 7136
n total de tentativas 2500

61 / 67
Distribuição amostral de uma proporção

Estimação
pontual e
distribuições A distribuição amostral de uma proporção é a distribuição das
amostrais
proporções de todas as possíveis amostras de tamanho n retiradas de
uma população
Introdução

Estimação
pontual Ver figura dist_amostral_proporcoes.pdf:
Propriedades
Erros Uma moeda é lançada n = 10 vezes, e a proporção de caras é
amostrais
registrada
Distribuições
amostrais
Distribuição
Esse processo é repetido m = 10, 30, 100, 1000, 10000 vezes
amostral da
média
Distribuição
amostral da Com isso, concluimos que:
proporção
Referências A média das proporções para m → ∞ tende para a verdadeira
proporção populacional p = 0, 5
A distribuição amostral das proporções segue
aproximadamente uma distribuição normal

62 / 67
Distribuição amostral de uma proporção

Estimação
pontual e
distribuições
amostrais
Através do estudo da distribuição amostral da proporção, chegamos
Introdução
aos seguintes resultados
Estimação E(p̂) = µp̂ = p
pontual
p(1−p)
Propriedades
Var(p̂) = σp̂2 = n
Erros
amostrais

Distribuições
amostrais
Ou seja, p̂ é um estimador não viciado e consistente para p.
Distribuição
amostral da
média
Distribuição
Assim, a distribuição amostral de p̂ será
amostral da
proporção  
p(1 − p)
Referências
p̂ ∼ N p,
n

63 / 67
Distribuição amostral de uma proporção

Estimação
pontual e
distribuições
amostrais Note que o erro padrão de p̂ será
r
Introdução p p(1 − p)
Estimação
EP(p̂) = Var(p̂) =
pontual n
Propriedades
Erros Assim, usando o TCL, podemos mostrar que a quantidade
amostrais

Distribuições p̂ − p
amostrais
Distribuição
Z=q ∼ N(0, 1)
amostral da
p(1−p)
média n
Distribuição
amostral da
proporção
segue uma distribuição normal padrão com média 0 e variância 1.
Referências

Quando não conhecemos p, usamos p̂ = x/n como estimativa para


calcular o erro padrão.

64 / 67
A normal como aproximação da binomial

Estimação
pontual e
distribuições Sob determinadas condições, podemos usar a distribuição normal
amostrais
como aproximação da distribuição binomial.
Introdução
Se X for uma VA binomial com parâmetros n e p, então
Estimação
pontual
Propriedades X − np
Erros Z=p
amostrais np(1 − p)
Distribuições
amostrais
Distribuição
será uma VA normal padrão, Z ∼ N(0, 1), desde que as seguintes
amostral da
média condições sejam satisfeitas:
Distribuição
amostral da
proporção
np ≥ 5
Referências n(1 − p) ≥ 5
Dessa forma, podemos calcular probabilidades para uma VA binomial,
aproximadas por uma
p distribuição normal com média µ = np e
desvio-padrão σ = np(1 − p).

65 / 67
Plano de aula

Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução

Estimação 2 Estimação pontual


pontual
Propriedades
Propriedades dos estimadores
Erros
amostrais

Distribuições
3 Erros amostrais
amostrais
Distribuição
amostral da
média 4 Distribuições amostrais
Distribuição
amostral da Distribuição amostral da média
proporção
Referências
Distribuição amostral da proporção

5 Referências

66 / 67
Referências

Estimação
pontual e
distribuições
amostrais

Introdução

Estimação Bussab, WO; Morettin, PA. Estatística básica. São Paulo:


pontual
Propriedades
Saraiva, 2006. [Cap. 10]
Erros
amostrais
Magalhães, MN; Lima, ACP. Noções de Probabilidade e
Distribuições
Estatística. São Paulo: EDUSP, 2008. [Cap. 7]
amostrais
Distribuição Montgomery, DC; Runger, GC. Estatística aplicada e
amostral da
média probabilidade para engenheiros. Rio de Janeiro: LTC Editora,
Distribuição
amostral da
proporção
2012. [Cap. 7]
Referências

67 / 67