Estimação intervalar

Profa. Jenier J. Duarte Sanchez

Departamento de Estatística e Matemática Aplicada - DEMA
Universidade Federal do CearáUFC
Sumário

1. Introdução

2. Interpretação

3. Construção de intervalos de conança

4. Estimação da média sob normalidade

5. Estimação da proporção populacional

6. IC para a variância populacional

1
Introdução
Na estimação pontual os estimadores apresentados somente especicam

um único valor para o estimador. Esse procedimento não permite julgar

qual a possível magnitude do erro que se esta comentendo. Dessa neces-

sidade surge a construção de intervalos de conança, que são baseados na

distribuição amostral do estimador pontual.

2
Exemplo

Suponha que se deseja estimar a média µ de uma população qualquer, e

para tal é usada a média amostral X de uma amostra de tamanho n. Do

TLC

2


X −µ∼N 0, σX ,
em que Var (X ) = σ 2 = σ 2 /n.
X
Daqui pode-se determinar qual a probabi-

lidade de se cometer erros de determinadas magnitudes. Por exemplo

P |X − µ| < 1, 96σ X = 0, 95,


P −1, 96σ < X − µ < 1, 96σ
X X = 0, 95,


P X − 1, 96σ < µ < X + 1, 96σ
X X = 0, 95.

3
Interpretação
Interpretação

Lembre que µ não é uma variável aleatória e sim um parâmetro. Os

intervalos de conança devem ser interpretados da seguinte forma:

Se se construem um grande número de intervalos (aleatórios) da forma

 
X − 1, 96σ ; X + 1, 96σ ,
X X

todos baseados em amostras de tamanho n, 95% deles conteriam o parâ-

metro µ. Dizemos que γ = 0, 95 é o coeciente de conança.

4
Signicado do intervalo de conança para µ

5
Se T for um estimador do parâmetro θ, e conhecida a distribuição amostral
de T , sempre será possível achar dois valores t1 e t2 , tais que

P(t1 < θ < t2 ) = γ,

a probabilidade interpretada como anteriormente, γ um valor xo, 0 <γ<
1. Para uma dada amostra existirão dois valores xos t1 e t2 , e o intervalo

de conança para θ com coeciente de conança γ, será indicado como

IC (θ; γ) = (t1 ; t2 ).

6
Para um coeciente de conança qualquer γ = 1 − α, se deve usar o valor
z1−α/2 tal que P(−z1−α/2 < Z < z1−α/2 ) = γ , com z ∼ N(0, 1). O
intervalo ca

IC (µ; γ) = X − z1−α/2 σ ; X + z1−α/2 σ
X X

√
A amplitude do intervalo é L = 2z1−α/2 σ/ n que é uma constante, in-

dependente de X . Se se construem vários intervalos de conança com o

mesmo valor de n, σ e γ , estes terão extremos aleatórios, mas todos terão
a mesma amplitude L.

7
Exemplo
Considere uma população com distribuição binomial B(n, p). Obtenha um
intervalo de conança para o parâmetro p. Seja X :número de sucessos
nos n experimentos. Pelo TLC

√
X /n − p p − p)
n(b
Z=p = √ ∼ N(0, 1).
p(1 − p)/n pq
Se γ = 0, 95 tem-se que

P(−1, 96 ≤ Z ≤ 1, 96) = 0, 95
 √ 
p − p)
n(b
P −1, 96 ≤ √ ≤ 1, 96 = 0, 95,
pq
 p p 
P −1, 96 pq/n ≤ pb − p ≤ 1, 96 pq/n = 0, 95
 p p 
P pb − 1, 96 pq/n ≤ p ≤ pb + 1, 96 pq/n = 0, 95.

8
O valor p é desconhecido, pode-se proceder de duas maneiras

ˆ usar o fato de que pq ≤ 1/4, assim

 
1 1
P pb − 1, 96 √ ≤ p ≤ pb + 1, 96 √ = 0, 95.
4n 4n

Para um γ qualquer, 0 <γ<1

 
z1−α/2 z1−α/2
P pb − √ ≤ p ≤ pb + √ = γ.
4n 4n

Conhecido como intervalo conservador.

9
ˆ Substituir pq por pbqb, assim

r r !
pbqb pbqb
P pb − z1−α/2 ≤ p ≤ pb + z1−α/2 = γ.
n n
Conhecido como intervalo otimista.

10
Exemplo

Numa pesquisa de mercado, n = 400 pessoas foram entrevistadas sobre

determinado produto, e 60% delas preferiram a marca A. Aqui, pb = 0, 6 e

um intervalo de conança conservador para p com coeciente de conança

γ = 0, 95 será

 
1
IC (p; 0, 95) = 0, 6 ± 1, 96 √
1600

= (0, 6 ± 0, 049)
= (0, 551 ; 0, 649).

11
Um intervalo de conança otimista para p com coeciente de conança

γ = 0, 95 será

r !
0, 6 × 0, 4
IC (p; 0, 95) = 0, 6 ± 1, 96
400

= (0, 6 ± 0, 048)
= (0, 552 ; 0, 648).

12
ˆ Observe que o intervalo otimista tem amplitude menor que o

conservador.

ˆ Outra observação importante é que para intervalos conservadores e

γ xo, os intervalos que se obtendram para amostras diferentes (mas

de mesmo tamanho n) terão a mesma amplitude, dada por

√
2z1−α/2 / 4n.

ˆ Por outro lado, para intervalos de conança otimistas a amplitude

p
do intervalo será 2z1−α/2 pbqb/n que é variável de amostra para

amostra, pois pb e, consequentemente qb variará de amostra para

amostra.

13
Denição
Seja X1 , . . . , Xn uma a.a.s. de uma população com f.d.p. fX (x; θ), θ ∈ Θ
e T1 = t1 (X1 , . . . , Xn ), T2 = t2 (X1 , . . . , Xn ) duas estatísticas tais que

Pθ (T1 < T2 ) = 1, r (θ) uma função do parâmetro. O intervalo aleatório

(T1 ; T2 ) se denomina intervalo condencial para a imagem de θ sob r
de 100(1 − α)% de conança se

Pθ (T1 < r (θ) < T2 ) = 1 − α

probabilidade que não depende de θ. T1 e T2 recebem o nome de limite
de conança inferior e limite de conança superior, respectivamente

e o valor γ = 1 − α nível de conança.

14
Estimação por intervalo
O intervalo (t1 ; t2 ) como intervalo particular do intervalo de conança

(T1 ; T2 ), se denomina estimação por intervalo de 100(1 − α)% de con-

ança para a imagem de θ sob r.

15
Denição
Seja X1 , . . . , Xn uma a.a.s. de uma população com f.d.p. fX (x; θ), r (θ)
uma função do parâmetro, com δ < r (θ) < β .

ˆ Se T1 = t1 (X1 , . . . , Xn ) é uma estatística, o intervalo aleatório

(T1 , β) é um intervalo unilateral de 100(1 − α)% de conança para
a imagem de θ sob r se Pθ (T1 < r (θ)) = 1 − α, probabilidade que

não depende de θ .

ˆ Se T2 = t2 (X1 , . . . , Xn ) é uma estatística, o intervalo aleatório

(δ, T2 ) é um intervalo unilateral de 100(1 − α)% de conança para a

imagem de θ sob r , se Pθ (r (θ) < T2 ) = 1 − α, probabilidade que

não depende de θ .

16
Denição
Seja X1 , . . . , Xn uma a.a.s. de uma população com f.d.p. fX (x; θ) e Ti =

ti (X1 , . . . , Xn ), i = 1, 2, estatísticas tais que (T1 ; T2 ) é um intervalo

de conança para θ . Se r (θ) é uma função estritamente monotona com

domínio  e imagem um subconjunto dos reais,

(r (T1 ) ; r (T2 ))
é um intervalo de conança para a imagem de θ sob r quando é estricta-

mente crescente e

(r (T2 ) ; r (T1 ))
é um intervalo de conança para a imagem de θ sob r quando a função r
é estritamente decrescente.

17
Construção de intervalos de
conança
Denição
Seja X1 , . . . , Xn uma a.a.s. de uma população com f.d.p. fX (x; θ). Seja

QX = q(θ; X1 , . . . , Xn ) uma função das variáveis aleatórias que conformam

a a.a.s. e do parâmetro θ . QX é uma variável aleatória pivote para o

parâmetro θ se a distribuição de QX não depende de θ .

18
Exemplo

Se X1 , . . . , Xn é uma a.a.s de uma população N(µ, σ 2 ), X e S 2, a média

e a variância amostral, então

√

n X −µ
Qx =
S
é uma variável pivote para µ.

19
QX é uma função de X1 , . . . , Xn através de X e S.

ˆ √

n X −µ
∼ N(0, 1),
σ
ˆ
2
(n − 1)S 2
Pn
i=1 Xi − X
= ∼ χ2(n−1) ,
σ2 σ2
ˆ X e S2 são estatísticamente independentes

√
(n − 1)S 2


n X −µ
e
σ σ2
também são independentes e

√
n(X −µ) √

n X −µ
QX = q σ 2 = ∼ t(n−1) .
(n−1)S S
(n−1)σ 2

20
Construção do intervalo de conança

Uma vez denido o coeciente 1 −α

Pθ (a < QX < b) = 1 − α
continue com os passos intermediarios que consistem em considerar eventos

equivalentes até determinar o evento tal que

Pθ (T1 < r (θ) < T2 ) = 1 − α

e como consequencia o intervalo aleatório (T1 ; T2 ) será um intervalo de

conança de 100(1 − α)% para r (θ).

21
Exemplo

Construa um intervalo de conança para θ baseado em uma a.a.s. X1 , . . . , Xn

de uma população com f.d.p.

fX (x; θ) = θe −θx I(0,∞) (x).

A variável aleatória Yi = 2θXi tem distribuição exponencial com parâmetro

1/2, do que segue que

FYi (y ) = P (2θXi ≤ y )
 y 
= P Xi ≤
 y 2θ
= FX i , i = 1, . . . , n.
2θ

22
 y
2θ
Z
FYi (y ) = θe −θxi dxi ,
0
1 θy
fYi (y ) = θ e − 2θ
2θ
1 −y /2
= e I(0,∞) (y )
2

Com base no resultado acima

n
X n
X
QX = Yi = 2θ Xi
i=1 i=1

é uma variável aleatória pivotal, que tem distribuição qui-quadrado com

parâmetro 2n.

23
Considere o evento aleatório {a < QX < b}. Tem-se que

n
!  
X a b
Pθ a < 2θ Xi < b = Pθ Pn <θ< Pn = 1 − α.
i=1
2 i=1 Xi 2 i=1 Xi

Tomando os valores a, b , como a = χ2α/2 , b = χ21−α/2 , o intervalo aleatório

χ2α/2 χ21−α/2
!
IC (θ, γ) = Pn ; Pn
2 i=1 Xi 2 i=1 Xi

é um intervalo de conança 100(1 − α)% para o parâmetro θ

24
Teorema
Sob um caso regular de estimação, se T = t(X1 , . . . , Xn ) é um estimador
não-viesado para a imagem de θ sob uma função r cuja variância coincide
com o limite inferior de Cramér-Rao, baseado em uma a.a.s. X1 , . . . , Xn

de uma população com f.d.p. fX (x; θ), então a variável aleatória

p
nI (θ)
(T − θ) ∼ N(0, 1).
r 0 (θ)

25
Estimação da média sob
normalidade
Seja X1 , . . . , Xn uma a.a.s. de uma população com distribuiçao N(µ, σ 2 ).
Se a variância σ é conhecida, um intervalo de conança de 100(1 − α)%
2

para µ é obtido considerando a quantidade pivotal

√

n X −µ
QX = ∼ N(0, 1),
σ
o punto de partida é

√
!
n X −µ
Pµ a < <b =1−α
σ
√


Pµ aσ < n X − µ < bσ = 1 − α
 
bσ aσ
Pµ X − √ < µ < X − √ = 1 − α.
n n

26
O intervalo de conança para µ é

 
bσ aσ
IC (µ; γ) = X−√ ; X−√
n n
Qualquer eleção de a e b deve satisfazer a relação

Z b
fQX (q)dq = 1 − α ou FQX (b) − FQX (a) = 1 − α.
a

O intervalo de conança de 100(1 − α)% para µ de longitude mínima sob

a suposição que σ2 é conhecida é

 
σ σ
IC (µ; γ) = X − z1−α/2 √ ; X + z1−α/2 √
n n

27
Exemplo

Uma máquina enche pacotes de café com uma variância igual a 100g .
2

Ela estava regulada para encher os pacotes com 500g , em média. Agora,

ela se desregulou, e se quer saber qual é a nova média µ. Uma amostra

de 25 pacotes apresentou uma média igual a 485g . Construa um intervalo

de 95% de conança para µ.

28
  
σ σ
IC (µ; 0, 95) = X − z1−0,05/2 √ ; X + z1−0,05/2 √
n n
r r !
100 100
= 485 − 1, 96 ; 485 + 1, 96
25 25

= (485 − 1, 96 × 2 ; 485 + 1, 96 × 2)
= (481, 08 ; 488, 92) .

29
Um intervalo de conança de 100(1 − α)% para µ de longitude mínima

quando a variância é desconhecida que considera a variável pivotal

√

n X −µ
QX = ∼ t(n−1) ,
S
é dado por

 
S S
IC (µ; γ) = X − t1−α/2;(n−1) √ ; X + t1−α/2;(n−1) √
n n

30
 Distribuição t de Student - tn
Os valores tabelados correspondem aos pontos x tais que: P(tn≤x)

P(tn≤x)
n 0,600 0,750 0,900 0,950 0,975 0,990 0,995 0,9995
1 0,325 1,000 3,078 6,314 12,706 31,821 63,657 636,619
2 0,289 0,816 1,886 2,920 4,303 6,965 9,925 31,598
3 0,277 0,765 1,638 2,353 3,182 4,541 5,841 12,924
4 0,271 0,741 1,533 2,132 2,776 3,747 4,604 8,610
5 0,267 0,727 1,476 2,015 2,571 3,365 4,032 6,869
6 0,265 0,718 1,440 1,943 2,447 3,143 3,707 5,959
7 0,263 0,711 1,415 1,895 2,365 2,998 3,499 5,408
8 0,262 0,706 1,397 1,860 2,306 2,896 3,355 5,041
9 0,261 0,703 1,383 1,833 2,262 2,821 3,250 4,781
10 0,260 0,700 1,372 1,812 2,228 2,764 3,169 4,587
11 0,260 0,697 1,363 1,796 2,201 2,718 3,106 4,437
12 0,259 0,695 1,356 1,782 2,179 2,681 3,055 4,318
13 0,259 0,694 1,350 1,771 2,160 2,650 3,012 4,221
14 0,258 0,692 1,345 1,761 2,145 2,624 2,977 4,140
15 0,258 0,691 1,341 1,753 2,131 2,602 2,947 4,073
16 0,258 0,690 1,337 1,746 2,120 2,583 2,921 4,015
17 0,257 0,689 1,333 1,740 2,110 2,567 2,898 3,965
18 0,257 0,688 1,330 1,734 2,101 2,552 2,878 3,922
19 0,257 0,688 1,328 1,729 2,093 2,539 2,861 3,883
20 0,257 0,687 1,325 1,725 2,086 2,528 2,845 3,850
21 0,257 0,686 1,323 1,721 2,080 2,518 2,831 3,819
22 0,256 0,686 1,321 1,717 2,074 2,508 2,819 3,792
23 0,256 0,685 1,319 1,714 2,069 2,500 2,807 3,768
24 0,256 0,685 1,318 1,711 2,064 2,492 2,797 3,745
25 0,256 0,684 1,316 1,708 2,060 2,485 2,787 3,725
26 0,256 0,684 1,315 1,706 2,056 2,479 2,779 3,707
27 0,256 0,684 1,314 1,703 2,052 2,473 2,771 3,689
28 0,256 0,683 1,313 1,701 2,048 2,467 2,763 3,674
29 0,256 0,683 1,311 1,699 2,045 2,462 2,756 3,660
30 0,256 0,683 1,310 1,697 2,042 2,457 2,750 3,646
40 0,255 0,681 1,303 1,684 2,021 2,423 2,704 3,551
60 0,254 0,679 1,296 1,671 2,000 2,390 2,660 3,460
120 0,254 0,677 1,289 1,658 1,980 2,358 2,617 3,373
∞ 0,253 0,674 1,282 1,645 1,960 2,326 2,576 3,291 31
Exemplo

Uma máquina enche pacotes de café. Ela estava regulada para encher os

pacotes com 500g , em média. Agora, ela se desregulou, e se quer saber

qual é a nova média µ. Uma amostra de 25 pacotes apresentou uma média

2
igual a 485g e uma variância de 95g . Construa um intervalo de 95% de

conança para µ.

32
  
S S
IC (µ; 0, 95) = X − t1−0,05/2;25−1 √ ; X + t1−0,05/2;25−1 √
n n
r r !
95 95
= 485 − 2, 064 ; 485 + 2, 064
25 25

= (485 − 2, 064 × 1, 9494 ; 485 + 2, 064 × 1, 9494)

= (480, 9765 ; 489, 0235) .

33
Teorema
Seja T um estimador de M.V. não-viesado para θ, cuja variância coincide

com o limite inferior de Cramér-Rao e que satisfaz as condições de regula-

ridade, então para uma amostra sucientemente grande, um intervalo de

conança de 100(1 − α)% de conança para θ é

!
1 1
IC (θ; γ) = T − z1−α/2 p ; T + z1−α/2 p .
nI (T ) nI (T )

34
Estimação da proporção
populacional
Seja X1 , . . . , Xn uma a.a.s. de uma população com distribuição de Bernoulli
de parâmetro p , um intervalo de conança de 100 × (1 − α)% para p é

r r !
pb(1 − pb) pb(1 − pb)
IC (p; γ) = pb − z1−α/2 ; pb + z1−α/2 .
n n

35
Levando em consideração que

1 1
I (p) = e I (T ) = I (b
p) = ,
p(1 − p) pb(1 − pb)
e considerando o teorema sobre os estimadores de M.V.

 
z1−α/2 z1−α/2
IC (p; γ) = pb − q ; pb + q 
n pb(11−bp) n pb(11−bp)

r r !
pb(1 − pb) pb(1 − pb)
IC (p; γ) = pb − z1−α/2 ; pb + z1−α/2 .
n n

para uma amostra sucientemente grande, é um intervalo de conança de

100(1 − α)% de conança para p.

36
Exemplo

Suponha que em n = 400 provas obtemos 80 sucessos. Calcule um inter-

valo de conança para p com γ = 0, 90.

37
Como pb = 80/400 = 0, 2 e qb = 1 − pb = 0, 8, um intervalo de 90% de

conança é

r r !
0, 2 × 0, 8 0, 2 × 0, 8
IC (p; 0, 90) = 0, 2 − 1, 645 ; 0, 2 + 1, 645
400 400

= (0, 2 − 0, 033 ; 0, 2 + 0, 033)

= (0, 167 ; 0, 233) .

Considerando o intervalo conservador se obtem:

IC (p; 0, 90) = (0, 159 ; 0, 241) .

38
Uma recomendação prática no caso do intervalo de conança asintótico é

vericar se nb
p>5 e n(1 − pb) > 5. Um outro intervalo de conança para
p
p baseado na variável pivotal p − p) é
nI (p)(b

 
pb(1−b pb(1−b
q q
+ 1−α/ 2
+ 1−α/ 2
z1−α/2 z z
pb + 1−α/ 2
p) z p)
 pb + 2n n 4n2 2n n 4n2
− z1−α/2 ; z1−α/2 + z1−α/2 .

1 + 1−α/ 2
1 + 1−α/ 2
1 + 1−α/ 2
z z z
1+

n n n n

39
IC para a variância populacional
µ conhecido

Seja X1 , . . . , Xn uma amostra aleatória de uma população com distribuição

normal de valor esperado µ e variância σ2 . Se a média populacional µ é

conhecida, o intervalo de 100(1 − α)% de conança se baseia na variável

pivotal

− µ)2
Pn
i=1 (Xi
QX = ∼ χ2n .
σ2

40
A construção do intervalo de conança é dada por

− µ)2
 Pn 
i=1 (Xi
Pσ2 a< <b =1−α
σ2
 Pn 2 
i=1 (Xi − µ)
Pσ2 a < <b =1−α
σ2
σ2
 
1 1
Pσ2 < Pn 2
< =1−α
b i=1 (Xi − µ) a
 Pn 2 Pn
(Xi − µ)2

i=1 (Xi − µ)
Pσ2 < σ 2 < i=1 = 1 − α,
b a

em que a = χ2α/2;n e b = χ21−α/2;n .

41
IC para σ 2 com µ conhecido
O intervalo de 100(1 − α)% de conança para a variância populacional σ2
quando a média populaconal µ é conhecida é dado por

− µ)2 − µ)2
Pn Pn !
2 i=1 (Xi i=1 (Xi
IC (σ ; γ) = ;
χ21−α/2;n χ2α/2;n
Este intervalo de conança não tem amplitue mínima.

42
 Distribuição do Qui-Quadrado - χ n2

Os valores tabelados correspondem aos pontos x tais que: P( χ n ≤x)

2

(
Pχ ≤x2
n )
n 0,005 0,01 0,025 0,05 0,1 0,25 0,5 0,75 0,9 0,95 0,975 0,99 0,995
1 3,93E-05 0,000157 0,000982 0,003932 0,016 0,102 0,455 1,323 2,706 3,841 5,024 6,635 7,879 1
2 0,010 0,020 0,051 0,103 0,211 0,575 1,386 2,773 4,605 5,991 7,378 9,210 10,597 2
3 0,072 0,115 0,216 0,352 0,584 1,213 2,366 4,108 6,251 7,815 9,348 11,345 12,838 3
4 0,207 0,297 0,484 0,711 1,064 1,923 3,357 5,385 7,779 9,488 11,143 13,277 14,860 4
5 0,412 0,554 0,831 1,145 1,610 2,675 4,351 6,626 9,236 11,070 12,832 15,086 16,750 5
6 0,676 0,872 1,237 1,635 2,204 3,455 5,348 7,841 10,645 12,592 14,449 16,812 18,548 6
7 0,989 1,239 1,690 2,167 2,833 4,255 6,346 9,037 12,017 14,067 16,013 18,475 20,278 7
8 1,344 1,647 2,180 2,733 3,490 5,071 7,344 10,219 13,362 15,507 17,535 20,090 21,955 8
9 1,735 2,088 2,700 3,325 4,168 5,899 8,343 11,389 14,684 16,919 19,023 21,666 23,589 9
10 2,156 2,558 3,247 3,940 4,865 6,737 9,342 12,549 15,987 18,307 20,483 23,209 25,188 10
11 2,603 3,053 3,816 4,575 5,578 7,584 10,341 13,701 17,275 19,675 21,920 24,725 26,757 11
12 3,074 3,571 4,404 5,226 6,304 8,438 11,340 14,845 18,549 21,026 23,337 26,217 28,300 12
13 3,565 4,107 5,009 5,892 7,041 9,299 12,340 15,984 19,812 22,362 24,736 27,688 29,819 13
14 4,075 4,660 5,629 6,571 7,790 10,165 13,339 17,117 21,064 23,685 26,119 29,141 31,319 14
15 4,601 5,229 6,262 7,261 8,547 11,037 14,339 18,245 22,307 24,996 27,488 30,578 32,801 15
16 5,142 5,812 6,908 7,962 9,312 11,912 15,338 19,369 23,542 26,296 28,845 32,000 34,267 16
17 5,697 6,408 7,564 8,672 10,085 12,792 16,338 20,489 24,769 27,587 30,191 33,409 35,718 17
18 6,265 7,015 8,231 9,390 10,865 13,675 17,338 21,605 25,989 28,869 31,526 34,805 37,156 18
19 6,844 7,633 8,907 10,117 11,651 14,562 18,338 22,718 27,204 30,144 32,852 36,191 38,582 19
20 7,434 8,260 9,591 10,851 12,443 15,452 19,337 23,828 28,412 31,410 34,170 37,566 39,997 20
21 8,034 8,897 10,283 11,591 13,240 16,344 20,337 24,935 29,615 32,671 35,479 38,932 41,401 21
22 8,643 9,542 10,982 12,338 14,041 17,240 21,337 26,039 30,813 33,924 36,781 40,289 42,796 22
23 9,260 10,196 11,689 13,091 14,848 18,137 22,337 27,141 32,007 35,172 38,076 41,638 44,181 23
24 9,886 10,856 12,401 13,848 15,659 19,037 23,337 28,241 33,196 36,415 39,364 42,980 45,558 24
25 10,520 11,524 13,120 14,611 16,473 19,939 24,337 29,339 34,382 37,652 40,646 44,314 46,928 25
26 11,160 12,198 13,844 15,379 17,292 20,843 25,336 30,435 35,563 38,885 41,923 45,642 48,290 26
27 11,808 12,878 14,573 16,151 18,114 21,749 26,336 31,528 36,741 40,113 43,195 46,963 49,645 27
28 12,461 13,565 15,308 16,928 18,939 22,657 27,336 32,620 37,916 41,337 44,461 48,278 50,994 28
29 13,121 14,256 16,047 17,708 19,768 23,567 28,336 33,711 39,087 42,557 45,722 49,588 52,335 29
30 13,787 14,953 16,791 18,493 20,599 24,478 29,336 34,800 40,256 43,773 46,979 50,892 53,672 30
40 20,707 22,164 24,433 26,509 29,051 33,660 39,335 45,616 51,805 55,758 59,342 63,691 66,766 40
50 27,991 29,707 32,357 34,764 37,689 42,942 49,335 56,334 63,167 67,505 71,420 76,154 79,490 50
60 35,534 37,485 40,482 43,188 46,459 52,294 59,335 66,981 74,397 79,082 83,298 88,379 91,952 60
70 43,275 45,442 48,758 51,739 55,329 61,698 69,334 77,577 85,527 90,531 95,023 100,425 104,215 70
80 51,172 53,540 57,153 60,391 64,278 71,145 79,334 88,130 96,578 101,879 106,629 112,329 116,321 80
90 59,196 61,754 65,647 69,126 73,291 80,625 89,334 98,650 107,565 113,145 118,136 124,116 128,299 90
100 67,328 70,065 74,222 77,929 82,358 90,133 99,334 109,141 118,498 124,342 129,561 135,807 140,170 100

43
Exemplo

Uma das maneiras de manter sob controle a qualidade de um produto é

controlar a sua variabilidade. Uma máquina de encher pacotes de café está

regulada para enchê-los com média de 500g e desvio padrão de 10g. O

peso de cada pacote X segue uma distribuição N(µ, σ 2 ).

Colheu-se uma amostra de 16 pacotes considerando µ = 500g e calculou-
2
se a variância obtendo-se 169g . Com esse resultado, você diria que a

máquina está desregulada com relação à variância com uma conança de

95%?

44
 − µ)2 − µ)2
Pn Pn !
2 i=1 (Xi i=1 (Xi
IC (σ ; γ) = ;
χ21−α/2;n χ2α/2;n
!
(16 − 1)169 (16 − 1)169
= ;
χ21−0,05/2;16 χ20,05/2;16
 
(16 − 1)169 (16 − 1)169
= ;
28, 845 6, 908

= (87, 8835 ; 366, 9658)

45
µ desconhecido

Seja X1 , . . . , Xn uma amostra aleatória de uma população com distribuição

normal de valor esperado µ σ 2 . Se a média populacional µ é

e variância

desconhecida, o intervalo de 100(1 −α)% de conança se baseia na variável

pivotal

Pn
2
i=1 Xi − X
QX = ∼ χ2n−1 .
σ2

46
IC para σ 2 quando µ não é conhecido
Um intervalo de 100(1 − α)% de conança para σ2 quando µ é desconhe-

cido é dado por

Pn
2 Pn
2 !
i=1 Xi − X i=1 Xi − X
IC (σ 2 ; γ) = ;
χ21−α/2;n−1 χ2α/2;n−1

47
Exemplo

Uma das maneiras de manter sob controle a qualidade de um produto é

controlar a sua variabilidade. Uma máquina de encher pacotes de café está

regulada para enchê-los com média de 500g e desvio padrão de 10g. O

peso de cada pacote X segue uma distribuição N(µ, σ 2 ).

Colheu-se uma amostra de 16 pacotes e calculou-se a variância S2 =
2
169g . Com esse resultado, você diria que a máquina está desregulada

com relação à variância com uma conança de 95%?

48
 − X )2 − X )2
Pn Pn !
2 i=1 (Xi i=1 (Xi
IC (σ ; γ) = ;
χ21−α/2;n−1 χ2α/2;n−1
!
(16 − 1)169 (16 − 1)169
= ;
χ21−0,05/2;15 χ20,05/2;15
 
(16 − 1)169 (16 − 1)169
= ;
27, 488 6, 262

= (92, 2221 ; 404, 8227)

49
 Referências

M. C. Bolfarine, H. & Sandoval. Introdução a Inferência Estatística. SBM,

2001.

P. A. Bussab, W. O. & Morettin. Estatística Básica. Saraiva, 2014.

R. Casella, G.; Berger. Statistical Inference. Duxbury/Thomson Learning,

2002.

J. L. Devore. Probabilidade e Estatística para Engenharia e Ciências. Cen-

gage, 2018.

F.; Boes D. Mood, A.; Graybill. Introduction to the Theory of Statistics.

McGraw-Hill, 1974.

50