Cap2.1 - ME - Estimativas Intervalares

Métodos Estatísticos
2 –Estimativas Intervalares
Professor Luciano Barboza da Silva

Problema Introdutório
• A Saxon Home Improvement distribui materiais e
suprimentos para obras de reforma e melhoria em
imóveis no nordeste dos EUA. Na função de contador
da empresa, você é responsável pela exatidão do
sistema integrado de gerenciamento do estoque e de
informações sobre vendas. Você poderia analisar o
Estatística 2 Prof. Luciano Barboza da Silva 2
conteúdo de cada um desses registros para avaliar a
exatidão desse sistema., todavia esse tipo de análise seria
oneroso e demandaria uma quantidade muito grande de
tempo. Uma abordagem mais eficiente seria a utilização de
técnicas de inferência estatística para tirar conclusões sobre
a população que contém todos os registros, a partir de uma

amostra relativamente pequena, coletada durante uma
auditoria. Ao final de cada mês, você pode selecionar
uma amostra das faturas de vendas, com vistas a estimar
o seguinte:
– A média aritmética da quantia total, em dólares, relacionadas

na fatura de venda para o mês;

– A proporção de faturas que contêm erros que violam a
política de controle interno da empresa;
– A quantia total, em dólares, apresentadas nas faturas de

vendas relativas ao mês;

– Quaisquer diferenças entre as quantias, em dólares,
apresentadas nas faturas de vendas e as quantias inseridas
no sistema de informações sobre vendas.
• Até que pontos são precisos os resultados oriundos da

amostra, e de que modo você utilizaria essas
informações? O tamanho da amostra é suficientemente
grande para lhe fornecer as informações de que você
necessita?

Processo Inferencial ou Estimação
• Consiste em tirar conclusões gerais (sobre a população
de interesse) utilizando:
– Modelo Probabilístico (estabelecido sobre a população);
– Uma amostra de observações da população de interesse;

• O processo inferencial é indutivo, ou seja parte de um
conhecimento parcial (amostra) para fazer afirmações
de caráter geral (sobre a população).

• Tipos de Procedimentos Inferenciais:
– Estimativa Pontual;
– Estimativa Intervalar;
– Teste de Hipóteses.

Estimativa Pontual
• Resume toda a informação da amostra em uma medida
(estimador);
• Utiliza-se o resultado do estimador (estimativa) como

indicativo de um parâmetro populacional.

Estimativa Pontual
• Exemplo:
Nome Parâmetro Estimador

Média  X
Proporção  p
Desvio Padrão  S

Intervalo de Confiança (IC)
• Consiste em encontrar um intervalo numérico (IC) que
contenha o valor de um dado parâmetro (θ) com uma
certa probabilidade
IC  1; 2 : P  IC   1  
1    Nível de Confiança

Intervalo de Confiança para a Média
Aritmética: σ conhecido
• Considere a seguinte situação: de uma população
normal de média 368 e desvio padrão 15, retira-se m
amostras de n = 25 observações.
• Para cada amostra calcula-se a média aritmética (X k );

• Para cada amostra define-se o intervalo:
   
ICk   X k  1,96 ; X k  1,96 
 n n
  15 n  25

• Cinco ocorrências possíveis:
Note:
1 – A maioria dos intervalos

calculados contém o verdadeiro
valor do parâmetro populacional;
2 – Cada intervalo cobre uma boa

parte da área da distribuição normal
associada aos dados

• Objetivo da Estimação Intervalar:
– Encontrar um gerador de intervalos (como os citados

anteriormente) cuja proporção desses que contenha o
verdadeiro valor do parâmetro seja alta (e controlada);

• Modelo:
– Hipótese: Uma grandeza populacional X tem distribuição

Normal com desvio padrão conhecido, ou ainda:

X ~ N , 2 
  Conhecido

• Modelo:
– Amostra: Seja X1, X2, ..., Xn uma amostra aleatória de X.

Temos:
 2 
X ~ N   , 
 n 

• Modelo:
– Podemos calcular zα/2:
 X  
P  z 2   z 2   1  
  n 

• Modelo:
– De modo que:
   
P X  z 2    X  z 2   1
 n n

• Modelo:
– Assim temos o Intervalo de Confiança para μ com σ

conhecido
   
IC1    X  z 2 ; X  z 2 
 n n

PZ  z 2  
2
• Note:
– O intervalo gerador genérico depende de zα/2 que é função do
NC do intervalo;
– O intervalo específico depende, adicionalmente, da amostra por

meio de X e n;
– Nesse caso o intervalo também depende de uma constante
populacional, a saber σ;
• Note:
– O intervalo gerador genérico tem a propriedade de conter o
verdadeiro valor do parâmetro (μ) com probabilidade 1- α,
ou seja (1- α)% dos intervalos gerados a partir dessa matriz
contêm o verdadeiro valor do parâmetro populacional μ.
Dizemos, portanto, que esse gerador tem Nível de
Confiança de 1- α (NC = 1- α);
• Note:
– Na prática desconhecemos μ, de modo que jamais

poderemos ter certeza se o intervalo gerado pelo nosso
procedimento contém esse parâmetro, mas como a matriz
geradora tem NC = 1- α (em geral maio que 0,9) temos
confiança que o intervalo conterá o verdadeiro μ.

• Exemplo: Um fabricante de papel utiliza um processo
de produção que opera continuamente ao longo de
todo um turno de produção. Espera-se que o papel
apresente uma média aritmética de comprimento igual
a 11 polegadas e que o desvio padrão do comprimento
seja igual a 0,02 polegadas. Em intervalor periódicos
são selecionadas amostras para verificar se a média
aritmética do comprimento do papel permanece ainda
igual a 11 polegadas, ou se no processo de produção
ocorreu algo errado que possa ter modificado o
comprimento do papel produzido. Você seleciona uma
amostra de 100 folhas e a media aritmética do
comprimento do papel é igual a 10,998 polegadas.

Construa uma estimativa para o intervalo de confiança
de 95% para a média aritmética da população
correspondente ao comprimento do papel.
– Temos:

NC  1    0,95    0,05   0,025
2

Pela curva Normal
PZ  z0,025   0,025  z0,025  1,96

– Assim:
   
IC0,95   X  1,96 ; X  1,96 
 n n

Especificando para o caso:
 0,02 0,02 
IC0,95  10,998  1,96 ;10,998  1,96 
 100 100 
IC0,95  10,99408 ;11,00192 
Como 11 pertence ao IC não há razão para acreditar que a

média não possa ainda ser 11 polegadas.
• Exemplo: Para o caso anterior construa um IC com
99% de Nível de Confiança.
– Temos

NC  1    0,99    0,01   0,005
2

Pela curva Normal
PZ  z0,005   0,005  z0,005  2,58
– Assim:
   
IC0,95   X  2,58 ; X  2,58 
 n n

Especificando para o caso:
 0,02 0,02 
IC0,95  10,998  2,58 ;10,998  2,58 
 100 100 
IC0,95  10,99284 ;11,00316 

• Note:
– O IC (99%) é mais largo que o IC(95%). Essa é a regra

geral: para um tamanho de amostra fixo, maior confiança
implica em menos precisão (intervalos mais largos);

• Note:
– Supusemos que nossa amostra vem de uma medida

normalmente distribuída. Caso isso não corra, podemos
utilizar o TLC (Teorema Limite Central) quando n  .
Neste caso a média dos dados converge para Normal e
assim poderemos utilizar o mesmo procedimento.

Aritmética: σ desconhecido
• No mundo real temos as seguintes restrições:
– σ desconhecido;
– Por vezes n (tamanho da amostra) pequeno;
• Nesse caso temos que desenvolver uma outra forma de

estimarmos nosso intervalo de confiança.

• Sabemos que:
 X  
n   ~ N (0,1) n  1S 2 ~  2
n 1
    2
 X  
n  
Z
~ tn       n  X    ~ t
 S  n 1
 2
n  n n  1S n  1
2
 
 2

• Assim para um NS = 1 – α podemos encontrar tα/2 tal
que:
  X   
P  t 2  n    t 2   1  
  S  
 S S 
P X  t 2    X  t 2   1
 n n

• Logo temos o intervalo:
 S S 
IC1    X  t 2 ; X  t 2 
 n n

Ptn 1  t 2  
2

• Exemplo: Uma industria produz isoladores elétricos. Esses
isoladores tem apresentado um problemas que se supõe ser
de curto-circuito. Para testar a resistência desses
isoladores, você conduz um teste de destruição para
determinar a quantidade de força necessária para quebrá-
los. Você mede a força observando a quantidade de libras

aplicadas sobre o isolador até que venha a quebrar.
Você coleta os dados selecionando 30 isoladores a
serem utilizados no experimento. A tabela a seguir
apresenta uma lista com 30 valores gerados a partir
desse experimento. Para analisar os dados você precisa
construir uma estimativa para o intervalo de confiança
com 95% de Nível de Confiança para a média
populacional da força necessária para a quebra.
1870 1728 1656 1610 1634 1784 1522 1698 1392 1662
1866 1764 1734 1662 1734 1774 1550 1756 1762 1866
1820 1744 1788 1688 1810 1752 1680 1810 1562 1736

– Temos:

NC  1    0,95    0,05   0,025
2
– Pela Distribuição t
Pt29  t0,025   0,025  t0,025  2,045

– Adicionalmente:
X  1723,40 libras S  89,55 libras

– Assim:   33, 45
  33, 45
 89,55 89,55 
IC95%   1723,4  2,045 ; 1723,4  2,045 
 30 30 
 
IC95%   1689,96; 1756,84

Intervalo de Confiança para Proporções
• Vimos que para grandes amostras a proporção
estimada, p, apresenta distribuição normal, ou ainda:
  1    
p ~ N  , 
 n 
  Proporção populacional

• Podemos estabelecer um Intervalo com 1 – α de Nível
de Confiança, como segue:
 
 
p 
P  z 2   z 2   1  
  1    
 
 n 

• Ou ainda

P p  z 2
 1  
   p  z 2
 1   
  1
n n 
 

• Assim temos o seguinte Intervalo de Confiança:
 p1  p  p1  p  
IC1   p  z 2 ; p  z 2 
 n n 

PZ  z 2  
2

• Exemplo: O gerente de operações de um grande jornal
quer estimar a proporção de jornais impressos que
possuem um atributo de não conformidade. Assim
resolveu observar as seguintes falhas: excesso de tinta,
montagem inadequada das páginas, páginas faltando e
páginas duplicadas num dia de impressão comum.
Ele coleta os dados selecionando uma amostra de 200
exemplares dentre todos os jornais impressos em um
único dia. Após a coleta observou que 35 exemplares
contém alguma das não conformidades estudadas. Para
concluir suas análises o gerente necessita estima um
Intervalo de Confiança, com 90% de Nível de
Confiança para a proporção de jornais não conformes.
– Temos:

NC  1    0,90    0,10   0,05
2
– Pela Distribuição Normal:
PZ  z0,05   0,05  z0,05  1,65

• Assim
 0 
, 044
0  
, 044
 0,1751  0,175 0,1751  0,175 

IC90%  0,175  1,65 ; 0,175  1,65 
 200 200 
 
IC90%  0,131 ; 0,219

Determinação do Tamanho da Amostra
• Em problemas reais é necessário definir o tamanho da
amostra com base no caso que se deseja tolerar;
• Para um intervalo de confiança temos:
– Uma medida central (Ex. X ou p);

p1  p 
– Uma dispersão ou imprecisão (erro): (Ex: z 2 n ).

• Média Aritmética:
z 2
2 2
n
2
z 2  Limite da Normal para IC = 1 - α
 2  Variância Populacional
  Erro do Intervalo
• Quando σ é desconhecido, pode-se estimá-lo:
– Estudos anteriores;
– Como os dados normais estão praticamente entre a média e

 3σ, então temos uma amplitude total de 6σ. Assim temos:
AT

6
• Quando σ é desconhecido, pode-se estimá-lo:
– Amostrar a população em pequena escala pra estabelecer

uma estimativa para σ por meio de S.
• Proporção:
z 2 1   
2
n
2
z 2  Limite da Normal para IC = 1 - α
  Proporção Populacional
  Erro do Intervalo
• OBS:  é parâmetro populacional e portanto
desconhecido. Duas formas de contornar o problema:
– Conhecimento prévio, por meio de estudos anteriores;
– Utilizar  = 0,5 , que maximiza o intervalo para qualquer

nível de confiança.

• Exemplo: Retornemos ao exemplo dos resistores.
Vamos imaginar que quiséssemos estimar, com 95%
de confiança, a média aritmética da força populacional
para quebrar os isoladores, dentro de um intervalo de
25 libras. Com base em estudos anteriores você
acredita que o desvio padrão é de 100 libras. Encontre
o tamanho de amostra necessária a tal procedimento.
– Temos:

NC  1    0,99    0,01   0,005
2
– Pela distribuição normal:
PZ  z0,025   0,025  z0,025  1,96

Temos:
n
1,96 100
2 2
 61,46  62
25 2

Cap2.1 - ME - Estimativas Intervalares

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cap2.1 - ME - Estimativas Intervalares

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos Estatísticos

Professor Luciano Barboza da Silva

Estatística 2 Prof. Luciano Barboza da Silva 3

– A média aritmética da quantia total, em dólares, relacionadas

Estatística 2 Prof. Luciano Barboza da Silva 4

– A quantia total, em dólares, apresentadas nas faturas de

Estatística 2 Prof. Luciano Barboza da Silva 5

• Até que pontos são precisos os resultados oriundos da

Estatística 2 Prof. Luciano Barboza da Silva 7

– Modelo Probabilístico (estabelecido sobre a população);

– Uma amostra de observações da população de interesse;

Estatística 2 Prof. Luciano Barboza da Silva 8

Estatística 2 Prof. Luciano Barboza da Silva 9

Estatística 2 Prof. Luciano Barboza da Silva 10

• Utiliza-se o resultado do estimador (estimativa) como

Estatística 2 Prof. Luciano Barboza da Silva 11

Nome Parâmetro Estimador

Estatística 2 Prof. Luciano Barboza da Silva 12

Estatística 2 Prof. Luciano Barboza da Silva 13

• Para cada amostra calcula-se a média aritmética (X k );

Estatística 2 Prof. Luciano Barboza da Silva 14

Estatística 2 Prof. Luciano Barboza da Silva 15

1 – A maioria dos intervalos

2 – Cada intervalo cobre uma boa

Estatística 2 Prof. Luciano Barboza da Silva 16

– Encontrar um gerador de intervalos (como os citados

Estatística 2 Prof. Luciano Barboza da Silva 17

– Hipótese: Uma grandeza populacional X tem distribuição

Estatística 2 Prof. Luciano Barboza da Silva 18

– Amostra: Seja X1, X2, ..., Xn uma amostra aleatória de X.

Estatística 2 Prof. Luciano Barboza da Silva 19

– Podemos calcular zα/2:

Estatística 2 Prof. Luciano Barboza da Silva 20

Estatística 2 Prof. Luciano Barboza da Silva 21

– Assim temos o Intervalo de Confiança para μ com σ

– O intervalo específico depende, adicionalmente, da amostra por

– Na prática desconhecemos μ, de modo que jamais

Estatística 2 Prof. Luciano Barboza da Silva 25

Estatística 2 Prof. Luciano Barboza da Silva 27

Estatística 2 Prof. Luciano Barboza da Silva 28

PZ  z0,025   0,025  z0,025  1,96

Estatística 2 Prof. Luciano Barboza da Silva 29

IC0,95  10,99408 ;11,00192 

Como 11 pertence ao IC não há razão para acreditar que a

Estatística 2 Prof. Luciano Barboza da Silva 31

PZ  z0,005   0,005  z0,005  2,58

Estatística 2 Prof. Luciano Barboza da Silva 32

IC0,95  10,99284 ;11,00316 

Estatística 2 Prof. Luciano Barboza da Silva 33

– O IC (99%) é mais largo que o IC(95%). Essa é a regra

Estatística 2 Prof. Luciano Barboza da Silva 34

– Supusemos que nossa amostra vem de uma medida

Estatística 2 Prof. Luciano Barboza da Silva 35

– Por vezes n (tamanho da amostra) pequeno;

• Nesse caso temos que desenvolver uma outra forma de

Estatística 2 Prof. Luciano Barboza da Silva 36

Estatística 2 Prof. Luciano Barboza da Silva 37

Estatística 2 Prof. Luciano Barboza da Silva 38

Estatística 2 Prof. Luciano Barboza da Silva 39

Estatística 2 Prof. Luciano Barboza da Silva 40

Estatística 2 Prof. Luciano Barboza da Silva 42

Pt29  t0,025   0,025  t0,025  2,045

Estatística 2 Prof. Luciano Barboza da Silva 43

X  1723,40 libras S  89,55 libras