Escolar Documentos
Profissional Documentos
Cultura Documentos
TEORIA DA AMOSTRAGEM
ESTIMAÇÃO
ISABEL C. C. LEITE
SALVADOR – BA
2007
Estatística Prof.ª Isabel C. C. Leite 1
A teoria da amostragem é um estudo das relações existentes entre uma população e as amostras
dela extraídas.
É útil em:
• estimação de parâmetros populacionais;
• determinação das causas de diferenças observadas entre amostras.
Constitui o que chamamos de estatística indutiva ou inferência estatística que consiste em
inferir conclusões importantes sobre uma população a partir da análise de resultados observados em
amostras aleatórias. Como toda conclusão deduzida a partir da amostragem é acompanhada de um
grau de incerteza ou risco, o problema fundamental da inferência estatística é medir este grau de
incerteza ou risco das generalizações.
Parâmetro: medida numérica que descreve uma população. Genericamente representado por θ.
Exemplos: média ( µ ), variância ( σ 2 ).
Estatística ou estimador: medida numérica que descreve uma amostra. Genericamente
representado por θˆ . Exemplos: média ( x ), variância ( S 2 ).
Estimativa: valor numérico de um estimador.
Erro amostral: erro que ocorre pelo uso da amostra. Denotado por ε e definido por: ε = θˆ − θ .
n x1
n
x2 Distribuição
n amostral de
n x3 x
n
n x4
n
M
Repetir esse processo
População para todas as amostras
de tamanho n
As médias x das amostras de tamanho n retiradas de uma população com média µ e desvio
padrão σ formam a distribuição amostral com os seguintes parâmetros:
• () ()
O valor esperado ou média é igual à média populacional: E x = µ x = µ .
• A variância é igual à variância populacional dividida pelo tamanho da amostra:
()
Var ( x) = σ 2 x =
n
.
σ2
• ()
σ x =
σ
n
N −n
N −1
, se a população é finita, ou se a amostragem é feita sem reposição.
Observemos pelas fórmulas apresentadas que quanto maior o tamanho da amostra, menor será a
variância de x , ou seja, o estimador x será mais preciso à medida que o tamanho da amostra
aumentar.
Estatística Prof.ª Isabel C. C. Leite 3
xi − µ xi − µ
Zi = ou Zi =
σ σ N −n
n n N −1
Estatística Prof.ª Isabel C. C. Leite 4
Aplicações
1. Voltando ao problema inicial, onde uma máquina enchia pacotes cujos pesos seguiam uma
distribuição normal N(500,100). Colhendo-se uma amostra de n = 100 pacotes e pesando-os, x
terá uma distribuição normal com média 500 e variância 100/100 = 1. Logo, se a máquina
estiver regulada, a probabilidade de encontrarmos a média de 100 pacotes diferindo de 500 g de
menos de 2 gramas será
( ) ( )
P x − 500 < 2 = P 498 < x < 502 = P(−2 < z < 2) ≅ 95%
Ou seja, dificilmente 100 pacotes terão uma média fora do intervalo (498,502). Caso isto ocorra,
podemos considerar como um evento raro, e será razoável supor que a máquina esteja
desregulada.
2. Admite-se que as alturas de 3000 estudantes do sexo masculino de uma universidade são
normalmente distribuídas, com a média 172,72 cm e o desvio padrão 7,62 cm. Se forem obtidas
80 amostras de 25 estudantes cada uma, quais serão a média e o desvio padrão esperados da
distribuição amostral das médias resultantes se amostragem for feita: (a) com reposição; (b)
sem reposição?
Solução:
() ()
(b) µ x = µ = 172,72 cm e σ x =
σ
N − n 7,62 3000 − 25
n N −1
=
25 3000 − 1
= 1,518 cm, que é apenas
ligeiramente menor que 1,524 cm e pode, portanto, para todos os fins práticos, ser considerado igual
ao da amostragem com reposição.
Muitas vezes é importante sabermos qual deverá ser o tamanho de uma amostra de modo a
obter um erro de estimação ε previamente estipulado com determinado grau de confiança dos
resultados obtidos.
Exemplo: Seja X : N (1200,840 ) . Qual deverá ser o tamanho de uma amostra de tal forma que
P (1196 < x < 1204 ) = 0,90 ?
µ ( x ) = 1200
Solução: Se µ = 1200 e σ = 840 ⇒
2
840 28,98
σ ( x ) = =
n n
Para o intervalo dado temos que ε = x − µ = ±4
x −µ ±4
Como z = e z = z0,45 = 1, 64 , segue-se que ±1, 64 = ∴ n = 141,13 .
σ (x) 28,98
n
Concluímos que, se retirarmos uma amostra de 141 elementos da população X, teremos 90% de
confiança que x estará no intervalo (1196,1216) e P ( x < 1196 ) = 0, 05 ou P ( x > 1216 ) = 0, 05 ;
isto significa que o risco que corremos de que o valor da média caia fora do intervalo anterior é de
10%.
Sejam duas populações independentes com distribuição amostral das médias dadas por
σ2 σ 2
x1 ≅ N µ1 , 1 e x 2 ≅ N µ2 , 2 .
n1 n2
Aplicação: Numa escola A, os alunos submetidos a um teste obtiveram média 70 com desvio
padrão 10. Em outra escola B, os alunos submetidos ao mesmo teste obtiveram média 65 com
desvio padrão 15. Se colhermos na escola A uma amostra de 36 alunos e na B, uma de 49 alunos,
qual é a probabilidade de que a diferença entre as médias seja superior a 6 unidades? Resp. 0,3557
Estatística Prof.ª Isabel C. C. Leite 6
Verificou-se que 2% das ferramentas produzidas por certa máquina são defeituosas. Qual é a
probabilidade de, em uma remessa de 400 dessas ferramentas, revelarem-se defeituosas:
(a) 3% ou mais;
(b) 1,5 % ou menos?
Solução:
pq 0,02 ⋅ 0,98
Temos: µ( pˆ ) = p = 0, 02 e σ ( pˆ ) = = = 0, 007 .
n 400
0, 03 − 0, 02
(a) Calculando a variável padronizada z para p̂ 1 = 0,03: z1 = = 1, 43
0, 007
P( pˆ ≥ 0, 03) = P ( z ≥ 1, 43) = 0,5 − 0, 4236 = 0, 0764 ou 7,64%
0, 015 − 0, 02
(b) Calculando a variável padronizada z para p̂ 1 = 0,015: z1 = = −0, 71
0, 007
P( pˆ ≤ 0, 015) = P ( z ≤ −0, 71) = 0,5 − 0, 2611 = 0, 2389 ou 23,89 %
Estatística Prof.ª Isabel C. C. Leite 7
Sabemos da distribuição amostral das proporções que para amostras suficientemente grandes,
pq pq
pˆ1 ≅ N p1 , 1 1 e pˆ 2 ≅ N p2 , 2 2 .
n1 n2
Considerando amostras independentes das duas populações, temos:
p1q1 p2 q2
( pˆ1 ± pˆ 2 ) ≅ N p1 ± p2 , +
n1 n2
Estimação
Um dos métodos para realizar inferências a respeito dos parâmetros é a estimação, que
determina estimativas dos parâmetros populacionais.
Existem dois tipos de estimação de um parâmetro populacional: estimação por ponto e a
estimação por intervalo.
A partir das observações, usando o estimador, procura-se encontrar um valor numérico único
(estimativa) que esteja bastante próximo do verdadeiro valor do parâmetro.
Este procedimento não permite julgar a magnitude do erro que podemos estar cometendo, mas
a distribuição por amostragem dos estimadores torna possível o estudo das qualidades do estimador.
Exemplo: Para avaliar a taxa de desemprego em determinado estado, escolhe-se uma amostra
aleatória de 1000 habitantes em idade de trabalho e contam-se os desempregados: 87. Estimar a
proporção de desempregados em todo o estado.
87
pˆ = = 0, 087
1000
Estimação por intervalo
Procura determinar um intervalo que contenha o valor do parâmetro populacional, com certa
margem de segurança. Este procedimento permite julgar a magnitude do erro que podemos estar
cometendo.
Com base na amostra, uma maneira de expressar a precisão da estimação é calcular os limites
de um intervalo, o Intervalo de Confiança (IC), tais que ( 1 − α ) seja a probabilidade de que o
verdadeiro valor do parâmetro esteja contido nele.
Portanto,
α : grau de desconfiança, nível de incerteza ou nível de significância.
1 − α : coeficiente de confiança ou nível de confiabilidade;
Os limites deste intervalo são variáveis aleatórias, pois dependem da amostra selecionada. Um
intervalo deste tipo é denominado intervalo de 1 - α (×100)% confiança para o parâmetro θ.
Valores de α mais comumente usados são
α = 0,10 1 – α = 0,90 ou 90%
α = 0,05 1 – α = 0,95 ou 95%
α = 0,01 1 – α = 0,99 ou 99%
A precisão com que se conhece θ depende da amplitude deste intervalo dada por S – I. Quanto
menor esta amplitude melhor determinado estará o parâmetro.
INTERVALOS DE CONFIANÇA
AMOSTRA
1 ( )
2 ( )
3 ( )
4 ( )
5 ( )
6 ( )
7 ( )
...
µ
Estatística Prof.ª Isabel C. C. Leite 9
Intervalos de confiança para a média de uma população normal com variância conhecida
Consideremos uma população normal com média desconhecida que desejamos estimar e com
(
variância conhecida, X = N ?, σ 2 . )
Procedimento para a construção do IC:
1. Retiramos uma amostra casual simples de n elementos.
2. Calculamos a média da amostra x .
σ
3. Calculamos o desvio padrão da média amostral: .
n
4. Fixamos o nível de significância α, e com ele determinamos zα , tal que
α α
P ( z > zα ) = α , ou seja, P ( z > zα ) = e P ( z < zα ) = .
2 2
Logo, devemos ter P ( z < zα ) = 1 − α
α
α
2
1−α 2
− zα zα
Exemplos:
1. A duração de vida de uma peça de equipamento é tal que σ = 5 horas. Foram amostradas
aleatoriamente 100 dessas peças, obtendo-se média de 500 horas. Desejamos construir um intervalo
de confiança para a verdadeira duração média da peça com um nível de 95% de confiança.
0,95
z = 1,96 corresponde à área 0,475
0 ,025 0,025
-1,96 0 1,96
Para os casos de populações finitas, multiplica-se o desvio padrão pelo fator de correção,
gerando o IC:
σ N −n σ N −n
x − zα ⋅ , x + zα ⋅
n N −1 n N − 1
Logo, o intervalo (499,07;500,93) contém a duração média das 1.000 peças com 95% de
confiança.
Se n é suficientemente grande (em geral, n > 30), mesmo sem conhecermos a distribuição da
população, os limites do Intervalo de Confiança para a média (µ) poderão ser calculados com base
na distribuição Normal padrão. Da mesma forma podemos utilizar o desvio padrão amostral S no
lugar de σ (desvio-padrão populacional), caso este não seja conhecido.
Estatística Prof.ª Isabel C. C. Leite 11
x
Lembremos que quando p populacional é conhecida, pˆ = tem distribuição aproximadamente
n
pq
normal, pˆ ≅ N p, . Para construirmos o IC para p desconhecida, determinamos p̂ na amostra
n
ˆˆ
pq
e consideramos σ pˆ ≅ .
n
pˆ − p
Logo, ao nível α de significância, P ( z < zα ) = 1 − α , onde z = .
σ pˆ
Desenvolvendo os cálculos, como foi feito para a média, chegamos à formula do IC para a
proporção p populacional.
ˆˆ
IC ( p, (1 − α ) % ) = ( p1 , p2 ) = pˆ − zα
ˆˆ
pq pq
; pˆ + zα
n n
Exemplo:
Para se estimar a porcentagem de alunos de um curso favoráveis à modificação do currículo
escolar, tomou-se uma amostra de 100 alunos, dos quais 80 foram favoráveis.
a. Faça um IC para a proporção de todos os alunos do curso favoráveis à modificação ao
nível de 4% de significância.
b. Qual o valor do erro de estimação ocorrido no intervalo acima?
REFERÊNCIAS BIBLIOGRÁFICAS
• BUSSAB, Wilton de O. MORETTIN, Pedro A. Estatística Básica. 5ª edição. São Paulo: Saraiva,
2006.
• MORETTIN, Luiz Gonzaga. Estatística Básica – Volume 2 – Inferência. São Paulo: Pearson
Makron Books, 2000.
• MARTINS, Gilberto de A. Estatística Geral e Aplicada. 3ª ed. São Paulo: Atlas, 2005.
• SPEIGEL, Murray R. Estatística. 3ª ed. São Paulo: Pearson Makron Books, 1993.
• Notas de aula dos professores do Departamento de Estatística – UFBA, disponíveis no site
www.est.ufba.br.