Escolar Documentos
Profissional Documentos
Cultura Documentos
pontual e
distribuições
amostrais
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
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
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
4 / 67
Inferência estatística
Estimação
pontual e
distribuições
amostrais Redução de dados
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
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, . . .
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
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
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
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
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
16 / 67
Propriedades dos estimadores
Estimação
pontual e
distribuições
amostrais
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 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)
● ● ● ●
● ●
● ●
● ●
● ● ● ● ● ● ● ●
● ● ● ● ● ● ●
●
● ●
●
● ● ● ● ●
Distribuições ●
●
●
●
● ● ●
● ●
●
● ● ●
●
● ● ● ●
●
● ●
● ●
● ● ●
● ● ●
● ●
● ● ● ● ●
amostrais ●
●
●
●
●
●
●
●
●
●
● ● ●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
● ● ● ●
● ● ● ● ●
● ● ●
● ● ● ● ● ●
● ●
● ●
● ●
● ●
● ●
● ● ●
● ● ●
● ●
● ● ● ●
●
●
Distribuição ● ●
● ●
● ● ●
● ●
● ● ● ● ● ●
● ●
● ● ● ●
● ● ●
● ●
● ●
● ● ● ●
● ●
● ● ●
● ● ●
● ●
● ● ●
●
●
● ●
● ● ● ● ●
● ● ● ●
● ●
● ●
● ●
● ● ●
● ●
● ●
amostral da ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
média 3 ●
●
●
● ●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
● ●
● ●
● ●
● ● ● ● ● ● ● ● ●
● ● ●
●
● ● ● ●
● ● ●
● ●
● ●
● ● ●
● ●
● ●
● ●
● ● ● ●
●
● ● ● ● ● ● ● ●
Distribuição ●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
● ●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
●
● ● ● ● ● ● ● ● ● ● ● ●
amostral da ●
● ●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ● ● ● ● ●
proporção ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
● ●
● ● ● ●
● ● ● ●
● ● ● ● ●
● ● ●
● ● ● ● ●
● ●
● ● ● ● ● ● ● ● ●
● ● ●
Referências ●
●
●
●
●
●
●
● ●
● ●
●
● ●
●
● ● ● ●
● ● ● ● ● ●
● ●
● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ● ●
●
●
2 ● ●
● ● ●
● ●
●
●
● ● ●
● ● ●
●
●
● ● ●
●
●
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)
Introdução 4
Estimação
pontual
Propriedades
Erros 3
amostrais
Densidade
Distribuições
amostrais
Distribuição 2
amostral da
média
Distribuição
amostral da
proporção
Referências 1
●●●
●●●● ●
●●
●●
●●●●●
●
●●●●
●
●
●●●
●●
●
●●
●
●●
●●
●
●●
●
●●
●
●●
●●
●
●●
●●
●●
●
●●
●●
●
●
●●
●
●●
●
●●
●
●●●
●●
●●●
●
●●●
●●
●
●●
●●●
●
●
● ●
●●
●●
●
●●
●
●●
● ●●
● ●
●● ●
●● ●●
●● ● ● ●●● ● ●●●
●
● ●
●
● ●
●
●●
●●
●
●●
●●
●
●●
●
●●
●
●
●●
●
●
●●●
●
●●●
●
●
●
●●
●
●
●
●●
●
●●
●
●●
●
●
●●
●●●
●
●●
●
●●
●
●●
●●
●
●●
●●
●●
●
●
●●
● ●
●●
●●
●●●
●
●●●
●●●●●
● ● ●
0 ●
●
● ● ●●●
●●
●●
●
●●
●
● ●
●
●●
●
●
●●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●●●
●●
●
●
●
●●●●
●●●● ●
● ● ●●●
●●●●●
●
●●
●●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●●
●
●●
●●●
●
●
●
●●●
●●
●
●●●
●●
●
●
●
●
●●
● ● ● ●
Estimativa
22 / 67
Estimação pontual
Pseudo-código 2 - Y ∼ U(2, 4)
● ● ●
● ● ● ● ● ● ●
● ● ● ●
● ●
● ● ●
● ● ●
●
●
● ● ●
● ● ● ● ● ● ● ●
● ●
● ● ● ● ● ● ●
Distribuições ●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
● ●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
● ● ● ● ●
●
● ●
● ●
● ● ● ●
●
● ● ●
amostrais ● ● ● ●
● ●
● ●
● ● ● ●
● ●
● ●
●
● ●
● ●
● ●
● ●
●
● ● ● ● ●
● ●
● ● ● ● ● ●
● ●
● ●
● ●
● ●
3.0 ●
● ● ●
● ● ●
●
● ●
● ●
● ●
● ●
● ●
● ● ● ● ●
● ●
● ●
● ●
● ●
● ● ● ●
● ● ●
● ●
● ●
● ●
● ● ● ●
● ●
● ●
● ●
● ●
●
● ● ● ● ● ● ● ● ●
Distribuição ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
● ● ● ● ●
● ● ● ● ●
●
amostral da ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
● ●
●
●
●
● ● ● ● ●
média ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ● ●
● ● ● ●
● ● ● ● ● ● ●
Distribuição ●
●
●
●
● ● ●
●
●
●
●
●
●
●
● ● ● ● ● ●
amostral da ●
●
●
● ●
●
●
●
● ● ● ●
● ●
●
● ● ●
proporção ●
●
● ● ● ●
●
● ● ● ● ●
●
● ●
● ● ●
2.5 ● ● ●
Referências ●
●
● ●
●
●
●
●
●
●
● ● ●
● ●
● ●
● ●
● ●
● ● ●
● ● ●
●
● ●
●
● ●
●
●
● ●
2.0
Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução
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
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
27 / 67
Propriedades dos estimadores
2) Consistente
Estimação
pontual e
distribuições
amostrais
28 / 67
Propriedades dos estimadores
3) Eficiente
Estimação
pontual e
distribuições
amostrais
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
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
Estimação
pontual e
distribuições
O erro padrão de um estimador dá uma ideia da precisão da
amostrais
estimativa.
32 / 67
Plano de aula
Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução
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
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
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
38 / 67
Distribuições amostrais
Estimação
pontual e
distribuições
amostrais
39 / 67
Distribuições amostrais
Estimação
pontual e
distribuições
amostrais
40 / 67
Distribuições amostrais
Estimação
pontual e
distribuições
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
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
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
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
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
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
57 / 67
Distribuição amostral da média
Estimação
pontual e
distribuições
amostrais Usando o TCL
58 / 67
Plano de aula
Estimação
pontual e
distribuições
amostrais
1 Introdução
Introdução
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
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.
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
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
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
67 / 67