Estimação de Parâmetros

Introdução Distribuições Amostrais e Estimação de Parâmetros Intervalos de Confiança Tamanho da Amostra Referências
Estimação de Parâmetros
Prof. James S. Eger
Universidade Federal de Santa Catarina
25 de maio de 2016
Prof. James S. Eger Universidade Federal de Santa Catarina

EMB 5010 - Estatı́stica e Probabilidade para Engenharia
Inferência Estatı́stica
Métodos para tomar decisões ou tirar conclusões para uma população a partir de
uma amostra
Exemplos:
I Utilizar outro processo de montagem?
I Alterar a composição de uma liga metálica?
I Mudar de fornecedor de matéria prima?
I Temperatura tem influência sobre o rendimento do processo?
I et cetera
Dividida em duas grandes áreas:
I Estimação de Parâmetros
I Testes de Hipóteses

Estimação de Parâmetros
Exemplo:
I Um engenheiro está analisando a resistência à tração de um componente utilizado
em chassis de automóvel
I A resistência é igual em todas as peças?
I Não → variabilidade (matéria-prima, processo de fabricação, etc.)
I Amostra → estimativa pontual da resistência média das peças
I Foco no valor da resistência média

Testes de Hipóteses
Exemplo:
I Um engenheiro está analisando a resistência à tração de um componente utilizado
em chassis de automóvel
I Conjectura: a resistência média é significativamente superior a um determinado
limite?
I Hipótese: µ > limite
I Não há ênfase no valor da resistência
I Foco na conclusão sobre a hipótese estabelecida

Parâmetros e Estatı́sticas
I Parâmetro: medida descritiva da população. Ex.: µ, σ 2 , p;

I Estatı́stica: medida descritiva da amostra. Ex.: x̄ , s 2 , p̂;
População Amostra
µ = N1 x̄ = n1 xi
P P
xi
σ2 = 1
(xi − µ)2 s2 = 1
(xi − x̄ )2
P P
N n−1
p= nelementos
N p̂ nelementos
n

Distribuições Amostrais
I As observações dos dados coletados são variáveis aleatórias

I Logo, qualquer função das observações, ou seja, qualquer estatı́stica, também é
uma variável aleatória
I Θ̂ = f (X1 , X2 , ..., Xn )
I Θ̂ é uma variável aleatória e possui uma distribuição de probabilidades
I A distribuição de probabilidades de uma estatı́stica é chamada distribuição
amostral
I Exemplo: estatura média de um grupo de N pessoas

Teorema do Limite Central
Se X1 , X2 , ..., Xn for uma amostra aleatória de tamanho n, retirada de uma população

com média µ e variância σ 2 , e se X̄ for a média da amostra, então a distribuição
σ2
amostral de X̄ será aproximadamente normal, com média µX̄ = µ e σX̄2 =
n

Exemplo 1
Uma companhia telefônica fabrica resistores com resistência média de 100 Ω e

desvio-padrão de 10 Ω. A distribuição das resistências é normal.
a) Calcule a probabilidade de um resistor selecionado aleatoriamente ter resistência
inferior a 95 Ω (R:0,3085);
b) Calcule a probabilidade de uma amostra aleatória de n = 25 ter uma resistência
média inferior a 95 Ω (R:0,0062).

Exemplo 2
Uma variável aleatória contı́nua tem distribuição uniforme, com a seguinte função
densidade de probabilidade:
1
f (x ) = ; 4 ≤ x ≤ 6
2
Encontre a distribuição (forma e parâmetros) da média de uma amostra aleatória de
tamanho n = 40 retirada dessa população.

Exemplo 3
Um artigo no Journal of Heat Transfer descreveu um novo método para medir a
condutividade térmica de um tipo aço. Usando uma temperatura de 100 °F e uma
potência de 550 W, as 10 medidas seguintes de condutividade térmica (Btu/h ft °F)
foram obtidas:
41,60 41,48
42,34 41,95
41,86 42,18
41,72 42,26
41,81 42,04
Determine:
a) Uma estimativa pontual para a condutividade média deste aço;
b) O desvio-padrão da média da amostra.
Continua...

Intervalo de Confiança
I Utilizamos os dados de uma amostra para estimar um parâmetro da população

I Estimativa =⇒ incerteza
I Qual o tamanho dessa incerteza?
I Erro-padrão e Intervalo de Confiança
I Voltando ao exemplo da condutividade térmica do aço: como estimar a qualidade
da estimação?

Intervalo de Confiança para µ
I A inferência estatı́stica estima um parâmetro a partir de dados da amostra

I Quão boa é essa estimativa?
I Intervalos de confiança são limites dentro dos quais é altamente provável que se
encontre o valor verdadeiro do parâmetro estimado
I O cálculo é feito a partir dos dados da própria amostra
I Dedução do intervalo de confiança para a média...

Intervalo de Confiança para µ com σ 2 populacional conhecida

Exemplo 4: Transição dúctil-frágil de um material metálico.
Seguindo a norma padrão ASTM E23, medidas de energia de impacto em 10 corpos de
prova de aço A238, cortados a 60 ℃ foram realizadas (dados em joules):
64,1 64,7
64,5 64,6
64,5 64,3
64,6 64,8
64,2 64,3
Encontre um intervalo de confiança com 95% de nı́vel de confiança para a energia

média de impacto. Considere que a energia de impacto seja normalmente distribuı́da,
com σ = 1 J.
Intervalo de Confiança para µ com σ 2 populacional desconhecida
I O Intervalo de Confiança anterior foi determinado considerando que o

desvio-padrão da população (σ) era conhecido
I Muitas vezes, conhecemos apenas a estimativa deste desvio-padrão, ou seja, o
desvio-padrão da amostra (s)
I Nesses casos =⇒ distribuição t de Student

Distribuição t de Student
I William Gosset, 1908 (Guinnes Brewery )

I Quanto mais dados, melhor a estimativa
I Similar à distribuição normal
I Tende à distribuição normal à medida que o
número de graus de liberdade (k = n − 1)
aumenta
I n − 1 está associado ao s

Distribuição t de Student - uso da tabela
Exemplos:
I t0,05;10 =?
I = 1, 812
I t0,025;4 =?
I = 2, 776

Intervalo de Confiança para µ com σ 2 populacional desconhecida
Exemplo 5: estimar o IC (µ; 95%) para a condutividade térmica média do exemplo 2.

Intervalo de Confiança para µ

Resumindo:
I Desvio-padrão populacional conhecido (ou n ≥ 40):
σ σ
x̄ − z α2 √ ≤ µ ≤ x̄ + z α2 √
n n
I Desvio-padrão populacional desconhecido (estimado a partir da amostra):
s s
x̄ − t α2 ,n−1 √ ≤ µ ≤ x̄ + t α2 ,n−1 √
n n
Obs.: Quando a amostra for grande (n ≥ 40), o desvio-padrão da amostra (s) pode ser
utilizado no lugar de σ sem influências significativas

Intervalo de Confiança para p e σ 2
Intervalo de Confiança para a Proporção:

s
p̂(1 − p̂)
IC (p, 1 − α) : p = p̂ ± z α2
n
Intervalo de Confiança para a Variância de uma população normal:
(n − 1)s 2 (n − 1)s 2
IC (σ 2 , 1 − α) : ≤ σ 2
≤
χ2α ,n−1 χ21− α ,n−1
2 2

Tamanho da Amostra para µ e p

I Qual deve ser o tamanho da amostra n para ”garantir”um determinado erro?
I Erro amostral tolerado: E = |x̄ − µ|
I Isolando n na parcela do erro amostral do IC:
z α σ 2
n= 2
E
I Analogamente para a proporção:
z α 2
n= 2
p̂(1 − p̂)
E
I Exercı́cio: mostrar que n é máximo para p = 0, 5

Recapitulando
I Como tratar a aleatoriedade das observações em uma amostra?

I Variáveis aleatórias com distribuições de probabilidade
I Caracterı́stica especial da distribuição da média das amostras (distribuição
amostral da média)?
I Teorema do limite central: a distribuição amostral da média será aproximadamente
normal, com média µ e variância σ 2 /n
I Como estimar o erro de uma estimativa pontual (erro amostral)?
I Erro-padrão
I Intervalo de Confiança
I Ainda: é possı́vel determinar o tamanho necessário da amostrar para ”garantir”um
determinado erro amostral.

Referências
I MONTGOMERY, D.C., RUNGER, G.C. Estatı́stica aplicada e probabilidade

para engenheiros. 4 ed., Editora LTC, Rio de Janeiro, 2009
I BARBETTA, P. A., REIS, M. M. & BORNIA, A. C. Estatı́stica para Cursos de
Engenharia e Informática. 2ª ed., Editora Atlas, São Paulo, 2009


Estimação de Parâmetros

Enviado por

Dados do documento

Descrição original:

Título original

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

Estimação de Parâmetros

Enviado por

Direitos autorais:

Formatos disponíveis

Introdução Distribuições Amostrais e Estimação de Parâmetros Intervalos de Confiança Tamanho da Amostra Referências

Prof. James S. Eger

Universidade Federal de Santa Catarina

Prof. James S. Eger Universidade Federal de Santa Catarina

Prof. James S. Eger Universidade Federal de Santa Catarina

Prof. James S. Eger Universidade Federal de Santa Catarina

Prof. James S. Eger Universidade Federal de Santa Catarina

I Parâmetro: medida descritiva da população. Ex.: µ, σ 2 , p;

Prof. James S. Eger Universidade Federal de Santa Catarina

I As observações dos dados coletados são variáveis aleatórias

Prof. James S. Eger Universidade Federal de Santa Catarina

Teorema do Limite Central

Se X1 , X2 , ..., Xn for uma amostra aleatória de tamanho n, retirada de uma população

Prof. James S. Eger Universidade Federal de Santa Catarina

Uma companhia telefônica fabrica resistores com resistência média de 100 Ω e

Prof. James S. Eger Universidade Federal de Santa Catarina

Prof. James S. Eger Universidade Federal de Santa Catarina

Prof. James S. Eger Universidade Federal de Santa Catarina

I Utilizamos os dados de uma amostra para estimar um parâmetro da população

Prof. James S. Eger Universidade Federal de Santa Catarina

Intervalo de Confiança para µ

I A inferência estatı́stica estima um parâmetro a partir de dados da amostra

Prof. James S. Eger Universidade Federal de Santa Catarina

Intervalo de Confiança para µ com σ 2 populacional conhecida

Encontre um intervalo de confiança com 95% de nı́vel de confiança para a energia

Intervalo de Confiança para µ com σ 2 populacional desconhecida

I O Intervalo de Confiança anterior foi determinado considerando que o

Prof. James S. Eger Universidade Federal de Santa Catarina

I William Gosset, 1908 (Guinnes Brewery )

Prof. James S. Eger Universidade Federal de Santa Catarina

Distribuição t de Student - uso da tabela

Prof. James S. Eger Universidade Federal de Santa Catarina

Intervalo de Confiança para µ com σ 2 populacional desconhecida

Exemplo 5: estimar o IC (µ; 95%) para a condutividade térmica média do exemplo 2.

Prof. James S. Eger Universidade Federal de Santa Catarina

Intervalo de Confiança para µ

Prof. James S. Eger Universidade Federal de Santa Catarina

Intervalo de Confiança para p e σ 2

Intervalo de Confiança para a Proporção:

Prof. James S. Eger Universidade Federal de Santa Catarina

Tamanho da Amostra para µ e p

I Exercı́cio: mostrar que n é máximo para p = 0, 5

I Como tratar a aleatoriedade das observações em uma amostra?

Prof. James S. Eger Universidade Federal de Santa Catarina

I MONTGOMERY, D.C., RUNGER, G.C. Estatı́stica aplicada e probabilidade

Prof. James S. Eger Universidade Federal de Santa Catarina

Você também pode gostar