IPAEE 2002 Tópico4 Parte1

19/03/2021
INTRODUÇÃO AO PLANEJAMENTO E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS INTRODUÇÃO AO PLANEJAMENTO E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS
2º SEMESTRE DE 2019 2º SEMESTRE DE 2019
CAPÍTULO 4 Agora, nós vamos ver como reunir a análise
exploratória de dados, modelos probabilísticos e

INTRODUÇÃO À amostragem, para podermos desenvolver uma área
INFERÊNCIA ESTATÍSTICA importante dentro da estatística, conhecida por
Inferência Estatística.
Probabilidade
INFERÊNCIA ESTATÍSTICA:
Descritiva
A Inferência Estatística
consiste em um conjunto de
Processo Dados
métodos usados para tomar Gerador Observados
decisões ou tirar conclusões acerca dos Dados
de uma população. Esses métodos

utilizam a informação contida em
uma amostra da população para
tirar conclusões. Inferência
INFERÊNCIA ESTATÍSTICA: EXEMPLO:

PONTUAL
SITUAÇÃO 1: ESTIMAÇÃO
ESTIMAÇÃO
Considere que um engenheiro de estruturas esteja analisando a
resistência à tensão de um componente usado em um chassi de
DUAS GRANDES INTERVALAR automóvel.
ÁREAS
Uma vez que a variabilidade da resistência à tensão está naturalmente
TESTE DE presente entre componentes individuais, o interesse do engenheiro está
na estimação da resistência média à tensão dos componentes.
HIPÓTESES
Na prática, o engenheiro usará dados da amostra para calcular um
número que é, de algum modo, um valor razoável (ou tentativa) da
média verdadeira. Esse número é chamado de estimativa.
1
19/03/2021
EXEMPLO: DEFINIÇÕES E PROPRIEDADES BÁSICAS:
SITUAÇÃO 2: teste de hipóteses Na maioria dos problemas de inferência estatística, é impossível ou

impraticável observar a população inteira.
Considere agora uma situação em que duas temperaturas diferentes
de reação, como t1 e t2 , possam ser usadas em um processo químico. ALTERNATIVA: Observar um conjunto de observações da população
(AMOSTRA) para ajudar a tomar decisões à cerca da população.
O engenheiro conjectura que t1 resulta em rendimentos médios maiores
que t2 .
OBJETIVO: A amostra tem que ser representativa da população.
Neste caso, não há ênfase na estimação de rendimentos; em vez disso,
o foco está na tirada de conclusões acerca de uma hipótese SOLUÇÃO: Selecionar uma amostra aleatória.
estabelecida (t1 tem maior rendimento médio que t2).
DEFINIÇÕES E PROPRIEDADES BÁSICAS: DEFINIÇÕES E PROPRIEDADES BÁSICAS:
DEFINIÇÃO 1: DEFINIÇÃO 2:
As observações (X1,X2,...,Xn) são uma amostra aleatória simples de Uma estatística é qualquer função das observações de uma amostra
tamanho n, se: aleatória.
(a) os X’s são observações independentes, Exemplos de Estatísticas:

(b) todos os Xi ’s podem ser representados pela mesma distribuição de
probabilidade.  Média da amostra:
 Variância da amostra: S2
 Desvio-padrão da amostra: S
DEFINIÇÃO 3: DEFINIÇÃO 4:
Um parâmetro é uma medida usada para descrever uma característica Uma estimador é uma estatística utilizada para estimar um parâmetro.
da população.
Exemplos de Estimadores:
Exemplos de Parâmetros:
 Média da amostra: é um estimador de 
 Média populacional: 
 Variância da amostra: S2 é um estimador de 2
 Variância populacional: 2
 Desvio-padrão da amostra: S é um estimador de 
 Desvio-padrão populacional: 
2
19/03/2021
Quando um estimador assume um determinado valor, o denominamos de O objetivo da estimação pontual é selecionar um único número baseado
estimativa de um parâmetro. nos dados da amostra, sendo esse o valor mais plausível para 
(parâmetro).
EXEMPLO: A estimativa da produção média por planta de maçã Gala é de
DEFINIÇÃO 5:
= 84 Kg/planta
Uma estimativa pontual de algum parâmetro  da população é um
único valor numérico de um estimador .
EXEMPLO:
EXEMPLO:
Suponha que a variável aleatória X seja normalmente distribuída Similarmente, se a variância da população 2 for também
com uma média desconhecida . A média da amostra é um desconhecida, um estimador para 2 será a variância da amostra
estimador da média desconhecida  da população. Depois da S2 e o valor numérico s2 = 6.92, calculado a partir dos dados
amostra ter sido selecionada, o valor numérico é a estimativa amostrais, é chamado de estimativa de 2.
de . Assim, se x1 = 25, x2 = 30, x3 = 29 e x4 = 31, então a estimativa
de  é:
25  30  29  31
x  28, 75
4
INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS
DEFINIÇÕES E PROPRIEDADES BÁSICAS: Estimativas razoáveis desses parâmetros são dadas a seguir:
 Para , a estimativa é , a média da amostra.
Problemas de estimação ocorrem frequentemente em todas as áreas.  Para 2 , a estimativa é , a variância da amostra.
Geralmente, é necessário estimar:
 Para p, a estimativa é , a proporção da amostra, sendo x o
A. A média  de uma única população; número de itens em uma amostra aleatória de tamanho n que
B. A variância 2 (ou desvio-padrão ) de uma única população; pertence à classe de interesse.
C. A proporção p de itens em uma população que pertence a uma classe  Para 1 - 2 , a estimativa é , a diferença entre as
de interesse; médias de duas amostras aleatórias independentes.
D. A diferença nas médias de duas populações, 1 - 2 ;  Para p1 – p2 , a estimativa é , a diferença entre duas proporções
E. A diferença nas proporções de duas populações, p1 – p2 ; amostrais, calculadas a partir de duas amostras aleatórias
independentes.
3
19/03/2021
Podemos ter várias escolhas diferentes para o estimador pontual de um

Neste curso não estudaremos critérios para a escolha de um estimador. O
parâmetro. Por exemplo, se desejarmos estimar a média de uma
principal motivo disso é que tratamos neste curso basicamente de 2
população, podemos considerar como estimadores a média ou a mediana
diferentes tipos de parâmetros: média populacional (µ) e variância
da amostra ou talvez a média das observações menores e maiores da
populacional (2 ). Os estimadores utilizadas para esses parâmetros são,
amostra.
respectivamente, a média amostral (X ) e variância amostral (S2). Ambos
SOLUÇÃO: Estabelecer critérios para escolha de um estimador. são estimadores que possuem boas propriedades e são, em geral,
Os critérios para escolha do “melhor” estimador para um determinado melhores estimadores do que outros possíveis estimadores desses
parâmetro populacional são definidos a partir de “propriedades” parâmetros.
desejáveis destes estimadores.
DISTRIBUIÇÃO AMOSTRAL:
Ao utilizarmos X para estimar µ, estamos fazendo estimação pontual do
A média amostral é uma estatística:
parâmetro µ, já que dada uma amostra teremos um único valor como
estimativa de µ. Uma vez que é uma estatística, ela é uma variável aleatória e tem uma
distribuição de probabilidades.
Embora X tenha boas propriedades, os estimadores pontuais não
fornecem uma medida de precisão, isto é, não demonstram o quanto Qual a distribuição da média amostral?
poderíamos estar errando ao utilizarmos um único valor para estimar o DEFINIÇÃO 6:

parâmetro.
A distribuição de probabilidades de uma estatística é chamada de uma
Assim, precisamos de alguma forma, encontrar um meio de estudar o
distribuição amostral.
quanto podemos estar errando ao utilizarmos X para estimar µ.
Por exemplo, a distribuição de probabilidades de é chamada de
distribuição amostral da média.
DISTRIBUIÇÃO AMOSTRAL DA MÉDIA: DISTRIBUIÇÃO AMOSTRAL DA MÉDIA:
Para iniciarmos o estudo da distribuição amostral da média,

A distribuição amostral da média é baseada nos resultados obtidos
utilizaremos um banco de dados obtido a partir de uma pesquisa
para em todas as amostras possíveis de uma população conhecida.
respondida por alunos de uma determinada faculdade.
Assim, a distribuição amostral da média nos dá uma ideia de
Em particular, usaremos duas perguntas desse questionário:
como varia quando mudamos de uma amostra para a outra.
1) Qual a sua altura (em cm)?
Dessa forma, estudando a distribuição amostral de daremos um
primeiro passo no estudo do quanto podemos estar errando ao 2) Qual a distância (em Km) da sua a casa a faculdade?
utilizarmos para estimar µ.
Consideraremos que os alunos que responderam à pesquisa
correspondem à população.
4
19/03/2021
Distribuição da variável aleatória: Altura (em cm)
DISTRIBUIÇÃO AMOSTRAL DA MÉDIA:
População
Na tabela abaixo, temos o que vamos considerar como

verdadeira média e verdadeira variância para cada pergunta, ou
seja, são parâmetros.
Parâmetros Altura (em cm) Distância (em km)

Média 172,98 7,923
Variância 88,37 70,066
Distribuição da variável aleatória: Distância (em quilômetros)
Simulação
Simularemos no Excel a retirada de inúmeras diferentes amostras

de alunos de mesmo tamanho.
Inicialmente, vamos simular com n=2.
Depois repetiremos esse estudo para n=4; n=10; n=30 e n=50.
Variável aleatória de interesse: Altura (em cm)
Simulação Distribuição de com n = 2 – Variável altura
Variável Altura Média Variância

Conforme aumenta o tamanho amostral, vamos observar o que População 172,98 88,37
acontece com: n=2 172,61 42,19
• A média das médias amostrais;
• A variância das médias amostrais;
• A distribuição da média amostral;
• A distribuição de X1, X2, ..., Xn.
5
19/03/2021
Distribuição de com n = 4 – Variável altura Distribuição de com n = 10 – Variável altura
Variável Altura Média Variância

População 172,98 88,37 Variável Altura Média Variância
População 172,98 88,37
n=4 173,00 23,68
n=10 172,82 9,10
Distribuição de com n = 30 – Variável altura Distribuição de com n = 50 – Variável altura
Variável Altura Média Variância Variável Altura Média Variância

População 172,98 88,37 População 172,98 88,37
n=30 172,97 2,94 n=50 173,08 1,72
Distribuição dos Xi’s com n = 4 – Variável altura Simulação
X1 X2 Conclusões na simulação da variável altura
• A média das médias amostrais fica sempre próxima a verdadeira

média;
• A variância das médias amostrais diminui a medida que o
tamanho da amostra aumenta;
X3 X4 • A distribuição da média amostral se aproxima da distribuição
normal a medida que o tamanho da amostra aumenta;
• As distribuições de X1, X2, ..., Xn são semelhantes entre si e
semelhantes a distribuição da variável altura.
6
19/03/2021
Simulação Distribuição de com n = 2 – Variável distância

Variável Distância Média Variância
População 7,92 70,07
n=2 7,96 37,15
Repetiremos o mesmo procedimento para a variável Distância até
a faculdade (em km).
Inicialmente, vamos simular com n=2.
Depois repetiremos esse estudo para n=4; n=10; n=30 e n=50.
Distribuição de com n = 4 – Variável distância Distribuição de com n = 10 – Variável distância

Variável Distância Média Variância Variável Distância Média Variância
n=4 7,87 17,11 n=10 7,93 6,91
Distribuição de com n = 30 – Variável distância Distribuição de com n = 50 – Variável distância

Variável Distância Média Variância Variável Distância Média Variância
n=30 7,90 2,33 n=50 7,90 1,51
7
19/03/2021
Simulação DISTRIBUIÇÃO AMOSTRAL DA MÉDIA:
Conclusões na simulação da variável distância A partir das simulações conseguimos ter uma ideia da distribuição
amostral da média. Agora, iremos apresentar resultados teóricos que
• A média das médias amostrais fica sempre próxima a verdadeira estão de acordo com o que observamos na simulação.
média; Resultado
• A variância das médias amostrais diminui a medida que o Seja X1, X2, ... Xn uma amostra aleatória da variável aleatória X que
tamanho da amostra aumenta; apresenta média  e variância 2.
• A distribuição da média amostral se aproxima da distribuição Defina, X1    X n
X .
normal a medida que o tamanho da amostra aumenta; n
Então é fácil provar que
As conclusões são as mesmas.
E(X)   2
e Var( X ) 
n
TEOREMA DO LIMITE CENTRAL TEOREMA DO LIMITE CENTRAL
O Teorema do Limite Central (TLC) nos diz que, independente da

Se X1,...., Xn for uma a.a. de tamanho n retirada de uma população com
distribuição que a característica em estudo pode ser representada, à
média μ e variância σ2 , se X for a média da amostra, então a forma
medida que o tamanho da amostra aumenta, a distribuição amostral
limite da distribuição de
da média cada vez se aproxima mais do modelo normal.
X  n 
Z   N (0,1)

n Observação: devido as propriedades da distribuição normal que
O Teorema garante que para n grande, a distribuição da média amostral
estudamos anteriormente, se X tiver distribuição normal, então X terá
padronizada se comporta segundo um modelo N(0,1).
distribuição exatamente normal para qualquer tamanho da amostra.
Exemplo 1: (7-10 Montgomery e Runger adaptado) A quantidade de tempo Exercício 1: (7-3 Montgomery e Runger adaptado) Uma fibra sintética usada
que um passageiro gasta esperando na fila de check-in de um aeroporto é na fabricação de carpete tem resistência à tração com média 75,5 psi e
uma variável aleatória, com média 20 minutos e desvio padrão 7 minutos. desvio padrão 4 psi.
Suponha que uma amostra aleatória de 49 passageiros seja observada. a) Encontre a probabilidade de uma amostra de n = 6 corpos de prova
Encontre a probabilidade de o tempo médio de espera na fila para esses ter um resistência média inferior a 75 psi, supondo que a resistência à
passageiros seja superior a 22 minutos. tração tenha distribuição normal.
Seja X o tempo de espera na fila. Assim, temos que 𝑋ത tem distribuição b) Podemos calcular a probabilidade obtida no item anterior se a
aproximadamente normal com média 20 e variância 49/49 = 1. resistência da fibra tiver distribuição desconhecida?
c) Encontre a probabilidade de uma amostra de n = 64 corpos de prova
Logo,  22  20 
P(X  22)  P Z    P( Z  2)  1  P( Z  2)  ter um resistência média inferior a 75 psi.
 1 
d) Na prática, em geral, conseguimos calcular as probabilidades
1 0,9772  0,0228 solicitadas nos itens a) e c)? Justifique.
8
19/03/2021
Erro amostral: Erro amostral:

Na prática, mesmo utilizando o teorema de limite central, não DEFINIÇÃO 7:
conseguimos calcular probabilidades relacionadas com médias A diferença entre um estimador e o parâmetro de interesse é
amostrais. denominado erro amostral do estimador.
O motivo é que, em geral, não conhecemos nem µ e nem σ2, pois eles
são parâmetros, ou seja, se referem a população. Assim, só Caso da média:
conhecemos µ e σ2 quando conseguimos observar toda a população, o O erro amostral da média é definido como e  X  .
que geralmente não ocorre na prática.
Apesar do erro amostral da média não poder ser calculado, pois
Além disso, em geral, temos interesse em estimar µ utilizando a média
amostral e queremos saber a probabilidade da diferença entre µ e a depende do valor do parâmetro µ que estamos estimando, sua
média amostral ser superior a determinado valor. Dessa forma, em magnitude pode ser quantificada a partir da distribuição do erro
geral, temos interesse no erro amostral. amostral que é obtida a partir da distribuição amostral da média.
INTRODUÇÃO AO PLANEJAMENTOS E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS INTRODUÇÃO AO PLANEJAMENTO E ANÁLISE ESTATÍSTICA DE EXPERIMENTOS
Erro amostral: Erro amostral :
Como o erro amostral da média é dado por e  X   , se a variável em Exemplo 2: (7-10 Montgomery e Runger adaptado) A quantidade de tempo
que um passageiro gasta esperando na fila de check-in de um aeroporto é
estudo X tem média µ e variância σ2 , então
uma variável aleatória com média e desvio padrão desconhecidos.
E(e)  E(X   )  E(X)        0, Suponha que uma amostra aleatória de 49 passageiros seja observada.
Var(e)  Var(X   )  Var(X)   2 / n. a) Se o verdadeiro desvio padrão do tempo de espera na fila for de 7
minutos, qual a probabilidade de que o tempo médio estimado não
Além disso, a partir de uma propriedade da distribuição normal que se afaste do seu verdadeiro valor por mais do que 1,5 minuto?
b) Qual a probabilidade de que o tempo médio estimado não se afaste
vimos anteriormente e da distribuição de X para grandes amostras,
do seu verdadeiro valor por mais do que 20% do desvio padrão da
temos que variável em estudo?
e 
n
 N (0,1)
 c) Qual deve ser o novo tamanho amostral para que a probabilidade do
n item anterior suba para pelo menos 95%?
Erro amostral : Erro amostral :
Exemplo 2: (7-10 Montgomery e Runger adaptado) A quantidade de tempo Exemplo 2: (7-10 Montgomery e Runger adaptado) A quantidade de tempo
que um passageiro gasta esperando na fila de check-in de um aeroporto é que um passageiro gasta esperando na fila de check-in de um aeroporto é
uma variável aleatória com média e desvio padrão desconhecidos. uma variável aleatória com média e desvio padrão desconhecidos.
Suponha que uma amostra aleatória de 49 passageiros seja observada. Suponha que uma amostra aleatória de 49 passageiros seja observada.
a) Se o verdadeiro desvio padrão do tempo de espera na fila for de 7 b) Qual a probabilidade de que o tempo médio estimado não se afaste
minutos, qual a probabilidade de que o tempo médio estimado não do seu verdadeiro valor por mais do que 20% do desvio padrão da
se afaste do seu verdadeiro valor por mais do que 1,5 minuto? variável em estudo?  
    0,2 0,2 
  1,5 1,5  P(| e | 0,2 )  P(-0,2  e  0,2 )  P Z 
P(| e | 1,5)  P(-1,5  e  1,5)  P Z    
 7 7   49 49 
 49 49 
P(-1,5  Z  1,5)  2(P(0  Z  1,5))  2(P(Z  1,5)  0,5)  P(-1,4  Z  1,4)  2(P(0  Z  1,4))  2(P(Z  1,4)  0,5) 
2(0,9332  0,5)  0,8664 2(0,9192  0,5)  0,8384
9
19/03/2021
Erro amostral : Erro amostral :
Exemplo 2: (7-10 Montgomery e Runger adaptado) A quantidade de tempo Exercício 2: Um processo de produção é verificado periodicamente por
que um passageiro gasta esperando na fila de check-in de um aeroporto é um inspetor de controle de qualidade. O inspetor seleciona amostras
uma variável aleatória com média e desvio padrão desconhecidos. aleatórias simples de 36 produtos acabados e calcula o peso médio (em
Suponha que uma amostra aleatória de 49 passageiros seja observada. kg) dos produtos da amostra.
c) Qual deve ser o novo tamanho amostral para que a probabilidade do a) Se os resultados dos testes depois de um longo período de tempo
item anterior suba para pelo menos 95%? mostram que P(1,9  X  2,1)  0,9 e P(X  2,1)  0,05 , quais são a
  média e o desvio-padrão para a população de produtos produzidos
  0,2 0,2 
P(| e | 0,2 )  0,95  P Z   0,95  sob esse processo?
   
 n n  b) Para que o erro amostral não supere as 100 gramas, para mais ou
P(0,2 n  Z  0,2 n )  0,95  0,2 n  1,96  para menos, em 99% das vezes que o inspetor de controle de
qualidade verificar a produção, quantos produtos acabados deverão
n  9,8  n  9,82  96,04  Precisamos 97 passageiros ser inspecionados? Caso necessite, utilize os resultados encontrados
no item anterior.
INTERVALOS DE CONFIANÇA: INTERVALOS DE CONFIANÇA:
Diferentes pesquisadores, selecionando amostras de uma mesma DEFINIÇÃO 8:

população, poderão obter estimativas pontuais diferentes para o Um intervalo de confiança para um parâmetro desconhecido  é um
mesmo parâmetro. intervalo da forma l    S, em que os pontos finais l e S dependem do
estimador .
Isto está relacionado com a variabilidade amostral do estimador
Uma vez que amostras diferentes produzirão valores diferentes de e ,
pontual.
consequentemente, valores diferentes dos pontos finais l e S, esses pontos
finais são valores de variáveis aleatórias I e S, respectivamente.
ALTERNATIVA:
Realizar estimação por intervalo que utiliza o estimador pontual e Da distribuição do erro amostral, seremos capazes de determinar valores de
sua distribuição amostral. I e S, tal que a seguinte afirmação sobre probabilidade seja verdadeira:
P[I S]=1-α
INTERVALOS DE CONFIANÇA: INTERVALO DE CONFIANÇA PARA MÉDIA  COM VARIÂNCIA CONHECIDA:
Para obtermos o intervalo de confiança para a média µ quando a

Na expressão
variância populacional é conhecida, utilizaremos a distribuição do erro
P [ I    S ] = 1 - α, amostral.
as grandezas l e S são chamadas de limites inferior e superior do Suponha que, em uma determinada população, estamos estudando a
intervalo de confiança, respectivamente, e (1 – α) é chamado de variável aleatória X e que E(X)=µ e Var(X) = σ2, sendo σ2 conhecido. O
coeficiente de confiança. objetivo é obter um intervalo de confiança para µ.
Sendo e o erro amostral, se o tamanho da amostra for
Temos que 0 < α < 1 e assim temos uma probabilidade (1 – α) de
suficientemente grande, pelo teorema do limite central conseguimos
selecionar uma amostra que produzirá um intervalo contendo o obter ε tal que
valor verdadeiro de .
P(| e |  )  1   .
10
19/03/2021
INTERVALO DE CONFIANÇA PARA MÉDIA  COM VARIÂNCIA CONHECIDA: INTERVALO DE CONFIANÇA PARA MÉDIA  COM VARIÂNCIA CONHECIDA:
    z / 2 
   n
De fato, se P(| e |  )  1   , então P | Z |    1 .
   Є é denominado erro amostral máximo ou margem de erro.
 n
Definindo zα/2 como o valor tal que P(Z > zα/2) = α/2, como Como e  X   , então
apresentado na figura abaixo , temos que
P(| X   | z / 2 / n )  1   ,

 z / 2
 P( z / 2 / n  X    z / 2 / n )  1   ,
 
n
2 1-α 2
P( X  z / 2 / n      X  z / 2 / n )  1   ,
e
  z / 2  . P( X  z / 2 / n    X  z / 2 / n )  1   .
- z / 2 z / 2 n
Assim, quando σ2 é conhecido, o intervalo de confiança para a média Observação importante

µ com coeficiente de confiança (1-α) é dado por
Se o tamanho da amostra for grande, podemos usar o intervalo de
 z  z 
IC(  ; (1   ))   X   / 2 ; X   / 2 . confiança apresentado qualquer que seja a distribuição de
 n n 
probabilidade da variável em estudo, pois neste caso podemos
Os valores mais usuais para o coeficiente de confiança são 90%, 95% e utilizar o teorema do limite central.
99% e os respectivos valores de zα/2 são apresentados na tabela
Porém, se o tamanho da amostra for pequeno, só podemos usar o
abaixo:
intervalo de confiança apresentado se a variável em estudo tiver
Coeficiente de Confiança 90% 95% 99% distribuição normal.
zα/2 1,645 1,960 2,576
INTERPRETAÇÃO: Na prática:
Obtemos somente uma amostra aleatória e calculamos um intervalo de
Intervalo de confiança considera que, se um número infinito de
confiança.
amostras aleatórias de mesmo tamanho forem selecionadas e
Uma vez que esse intervalo conterá ou não o valor verdadeiro de μ, não é
um intervalo com 100(1 - )% de confiança para μ for obtido a
razoável fixar um nível de probabilidade a esse evento específico.
partir de cada amostra, então 100(1 - )% desses intervalos
A afirmação apropriada é: O intervalo observado [l, S] contém o valor
conterão o valor verdadeiro de μ.
verdadeiro de μ com 100(1 - )% de confiança. Essa afirmação tem uma
interpretação de frequência, ou seja, não sabemos se a afirmação é
verdadeira para essa amostra especifica, mas o método usado para obter o
intervalo [l, S] resulta em afirmações corretas em 100(1 - )% das vezes.
11
19/03/2021
Quanto maior for o coeficiente de confiança (1-α), mais confiantes Tamanho da amostra
estaremos de que o intervalo realmente contém o valor verdadeiro Vimos que, fixado (1-α), o erro amostral máximo ou a margem de
de µ. erro é dada por
Porém, quanto maior o coeficiente de confiança (1-α), maior será a   z / 2 
amplitude do intervalo de e assim menos informação teremos a n
respeito do valor verdadeiro de μ.
Isolando n temos que o tamanho amostral necessário para a
IDEAL: Obter um intervalo relativamente pequeno com alto obtenção de um intervalo de confiança com determinada margem
coeficiente de confiança. de erro é dado por
Assim, podemos ter interesse em obter o tamanho amostral
z  
2
necessário para obter um intervalo de confiança com determinado n    /2 
coeficiente de confiança e determinada margem de erro.   
Exemplo 3: (8-8 Montgomery e Runger adaptado) Experiência passada
Exemplo 3: (8-8 Montgomery e Runger adaptado) Foram obtidos 9
indicou que a resistência à quebra de um fio tipo A usado na
corpos-de-prova e a resistência média observada foi de 98 psi.
fabricação de material moldável é normalmente distribuída com
Assumindo que a resistência à quebra do fio tipo B também é
desvio padrão 2 psi. Um novo fio tipo B passará a ser utilizado e
normalmente distribuída com desvio padrão 2 psi, calcule:
deseja-se estimar a verdadeira resistência média deste fio. Foram
a) O intervalo de confiança para a verdadeira resistência média com
obtidos 9 corpos-de-prova e a resistência média observada foi de 98
coeficiente de confiança de 95% e interprete-o.
psi. Assumindo que a resistência à quebra do fio tipo B também é
normalmente distribuída com desvio padrão 2 psi, calcule:  1,96  2 1,96  2 
IC(  ;95%)   98  ; 98  
a) O intervalo de confiança para a verdadeira resistência média do fio  9 9 
do tipo B com coeficiente de confiança de 95% e interprete-o. IC(  ;95%)  (96,69; 99,31)
b) Qual o tamanho amostral necessário se há interesse na obtenção
Temos 95% de confiança de que o intervalo (96,69; 99,31) contém
de um intervalo de confiança com margem de erro de no máximo
a verdadeira resistência média à quebra do fio tipo B.
1 psi utilizando-se o mesmo coeficiente de confiança.
Exercício 3: (inspirado em dissertação de Gustavo Bastos/UFES) “A utilização
Exemplo 3: (8-8 Montgomery e Runger adaptado) Foram obtidos 9 de micro-organismos probióticos em alimentos lácteos é uma das mais
corpos-de-prova e a resistência média observada foi de 98 psi. atrativas opções para consumo humanos, devido as suas excelentes
Assumindo que a resistência à quebra do fio tipo B também é propriedades funcionais”. Desenvolveu-se uma barra de cereal com
normalmente distribuída com desvio padrão 2 psi, calcule: determinado probiótico e, após uma semana de armazenamento, coletou-se
uma amostra de 36 barras e mensurou-se a concentração de probiótico em
b) Qual o tamanho amostral necessário se há interesse na obtenção cada uma delas. O valor médio obtido foi de 6 log UFC/g. Assuma que o
de um intervalo de confiança com margem de erro de no máximo verdadeiro desvio padrão dessa concentração seja de 2 log UFC/g.
1 psi utilizando-se o mesmo coeficiente de confiança. a) Um pesquisador leigo em estatística disse então que um bom intervalo
de confiança para a verdadeira concentração média de probiótico era de
 1,96  2 
2
(6-(5%)x6; 6+ 5%x6) = (5,7; 6,3). Determine o coeficiente de confiança
n   15,37 desse intervalo. Esse seria um intervalo de confiança adequado?
 1  b) Determine um intervalo de confiança para a verdadeira concentração
média de probiótico com 90% de confiança. Interprete-o.
É necessária uma amostra de tamanho 16 c) Se o objetivo é reduzir a amplitude do intervalo para a metade ou menor,
qual deve ser o tamanho amostral coletado?
12
19/03/2021
Distribuição Normal : Valores de P( Z < z ) = A(z)
Segunda decimal de z
0 1 2 3 4 5 6 7 8 9
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
Parte inteira e primeira decimal de z
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
13

IPAEE 2002 Tópico4 Parte1

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

IPAEE 2002 Tópico4 Parte1

Enviado por

Direitos autorais:

Formatos disponíveis

19/03/2021

CAPÍTULO 4 Agora, nós vamos ver como reunir a análise

exploratória de dados, modelos probabilísticos e

de uma população. Esses métodos

INFERÊNCIA ESTATÍSTICA: EXEMPLO:

EXEMPLO: DEFINIÇÕES E PROPRIEDADES BÁSICAS:

SITUAÇÃO 2: teste de hipóteses Na maioria dos problemas de inferência estatística, é impossível ou

DEFINIÇÕES E PROPRIEDADES BÁSICAS: DEFINIÇÕES E PROPRIEDADES BÁSICAS:

(a) os X’s são observações independentes, Exemplos de Estatísticas:

DEFINIÇÕES E PROPRIEDADES BÁSICAS: DEFINIÇÕES E PROPRIEDADES BÁSICAS:

DEFINIÇÕES E PROPRIEDADES BÁSICAS: DEFINIÇÕES E PROPRIEDADES BÁSICAS:

DEFINIÇÕES E PROPRIEDADES BÁSICAS: DEFINIÇÕES E PROPRIEDADES BÁSICAS:

Podemos ter várias escolhas diferentes para o estimador pontual de um

parâmetro populacional são definidos a partir de “propriedades” parâmetros.

desejáveis destes estimadores.

poderíamos estar errando ao utilizarmos um único valor para estimar o DEFINIÇÃO 6:

DISTRIBUIÇÃO AMOSTRAL DA MÉDIA: DISTRIBUIÇÃO AMOSTRAL DA MÉDIA:

Para iniciarmos o estudo da distribuição amostral da média,

Na tabela abaixo, temos o que vamos considerar como

Parâmetros Altura (em cm) Distância (em km)

Simularemos no Excel a retirada de inúmeras diferentes amostras

Inicialmente, vamos simular com n=2.

Depois repetiremos esse estudo para n=4; n=10; n=30 e n=50.

Variável aleatória de interesse: Altura (em cm)

Simulação Distribuição de com n = 2 – Variável altura

Variável Altura Média Variância

acontece com: n=2 172,61 42,19

• A média das médias amostrais;

• A variância das médias amostrais;

• A distribuição da média amostral;

• A distribuição de X1, X2, ..., Xn.

Distribuição de com n = 4 – Variável altura Distribuição de com n = 10 – Variável altura

Variável Altura Média Variância

Distribuição de com n = 30 – Variável altura Distribuição de com n = 50 – Variável altura

Variável Altura Média Variância Variável Altura Média Variância

Distribuição dos Xi’s com n = 4 – Variável altura Simulação

X1 X2 Conclusões na simulação da variável altura

• A média das médias amostrais fica sempre próxima a verdadeira

Simulação Distribuição de com n = 2 – Variável distância

Inicialmente, vamos simular com n=2.

Depois repetiremos esse estudo para n=4; n=10; n=30 e n=50.

Distribuição de com n = 4 – Variável distância Distribuição de com n = 10 – Variável distância

Distribuição de com n = 30 – Variável distância Distribuição de com n = 50 – Variável distância

Simulação DISTRIBUIÇÃO AMOSTRAL DA MÉDIA:

DISTRIBUIÇÃO AMOSTRAL DA MÉDIA: DISTRIBUIÇÃO AMOSTRAL DA MÉDIA:

TEOREMA DO LIMITE CENTRAL TEOREMA DO LIMITE CENTRAL

O Teorema do Limite Central (TLC) nos diz que, independente da

DISTRIBUIÇÃO AMOSTRAL DA MÉDIA: DISTRIBUIÇÃO AMOSTRAL DA MÉDIA:

Erro amostral: Erro amostral:

Erro amostral: Erro amostral :

Erro amostral : Erro amostral :

Erro amostral : Erro amostral :

INTERVALOS DE CONFIANÇA: INTERVALOS DE CONFIANÇA:

Diferentes pesquisadores, selecionando amostras de uma mesma DEFINIÇÃO 8:

INTERVALOS DE CONFIANÇA: INTERVALO DE CONFIANÇA PARA MÉDIA  COM VARIÂNCIA CONHECIDA:

Para obtermos o intervalo de confiança para a média µ quando a

Assim, quando σ2 é conhecido, o intervalo de confiança para a média Observação importante

Distribuição Normal : Valores de P( Z < z ) = A(z)

Você também pode gostar