Slides 3

3.
Intervalos de confiança 3-1
F.E.U.C. Estatística - MBA
Inferências baseadas numa única amostra:

estimativa com intervalos de confiança
Objectivos:
1. Determinar o que é estimado.
2. Distinguir estimador pontual e estimador de intervalo.
3. Explicar estimadores de intervalo.
4. Calcular os intervalos de confiança para a média da população e proporção.
5. Calcular o tamanho da amostra.
Rodrigo Martins 1
Introdução à estimativa
Métodos estatísticos
Métodos
estatísticos
Estatística Estatística
descritiva inferencial
Teste de
Estimativa
hipóteses
Rodrigo Martins 2
Rodrigo Martins MBA- FEUC

3.Intervalos de confiança 3-2
Processo de estimativa
População Amostra aleatória A média da

Média amostra vai ser um
Média,  é  X = ? estimador pontual
desconhecida de .

 
 
Amostra 

 


Rodrigo Martins 3
Parâmetros desconhecidos da população são estimados
Estimar o parâmetro …com a estatística

da população... da amostra
Média  𝑿
Proporção p ^
p
2
Variância  s2
Diferenças 𝝁𝟏 − 𝝁𝟐 𝑿𝟏 − 𝑿𝟐
Rodrigo Martins 4

Métodos de estimativa
Estimativa
Estimativa Estimativa
pontual de intervalo
Rodrigo Martins 5
O que é um estimador pontual?
- Para estimar, por exemplo, a média salarial da população, , uma alternativa é

usar a média aritmética 𝒙. Portanto o nosso estimador tem como REGRA a
soma dos salários 𝑋 e posterior divisão pelo número de elementos da nossa
𝟏
amostra: 𝒙 = ∑𝒏𝒊 𝟏 𝑿𝒊 , 𝒊 = 𝟏, … , 𝒏.
𝒏
- MAS, nada nos impede de escolher outro estimador para . Por exemplo:
𝟏 𝒙
W= ∑𝒏 𝑿 , 𝒊 = 𝟏, … , 𝒏. 𝒐𝒖 𝑽 =
𝒏 𝟏 𝒊 𝟏 𝒊 𝟐
- Questão: Então, que estimador escolhemos para analisar o parâmetro ?
Rodrigo Martins 6

Breve noção das propriedades de um estimador
1. Centricidade ou não enviesamento

Um estimador Z de q diz-se cêntrico ou não enviesado se E(Z)= q.
- A média da amostra é um estimador cêntrico da média da população  .

𝐸 𝑥̅ = 𝜇 𝑥̅
- Exemplo de um estimador não cêntrico da média da população : 𝑣 =
2
𝜇 𝜇 𝜇
𝐸(𝑉) = 𝐵𝑖𝑎𝑠 𝑉 = 𝐸 𝑉 − 𝜇 = −𝜇 =−
2 2 2
Rodrigo Martins 7
2. Eficiência relativa
Se Z1 e Z2 são dois estimadores cêntricos de q, Z1 é eficiente
relativamente a Z2 se 𝑽𝒂𝒓(𝒁𝟏 ) ≤ 𝑽𝒂𝒓(𝒁𝟐 ) para todo q.
Exemplo de eficiência:
- Suponha dois estimadores da média da população  :
1 1
𝑊= 𝑥 𝑥̅ = 𝑥
𝑛−2 𝑛
𝑛 𝜎
𝑉𝑎𝑟 𝑊 = 𝜎 𝑉𝑎𝑟 𝑥̅ =
𝑛−2
𝑛
O estimador da média (𝑥̅ ) é mais eficiente que W dado que:

𝜎 𝑛
𝑉𝑎𝑟(𝑥̅ ) ≤ 𝑉𝑎𝑟(𝑊) pois ≤ 𝜎
𝑛 𝑛−2
Rodrigo Martins 8


(Propriedades assimptóticas)
3. Consistência
Seja Z um estimador de q, então Z é um estimador consistente de q se,
para qualquer 𝜺 > 0 : 𝑃 𝑍 − 𝜃 > 𝜀 → 0 𝑐𝑜𝑚 𝑛 → ∞ .
Quando Z é consistente dizemos que q é o limite de probabilidade de Z, e

escrevemos Plim (Z) = q.
-Lei dos grandes números:

Sejam x1, x2,…,xn variáveis aleatórias independentes, identicamente
distribuidas com média 𝜇, então: 𝑷𝒍𝒊𝒎 𝒙 = 𝝁
𝑥̅
-Exemplo de um estimador de 𝜇 não consistente: 𝑣 =
2
-A consistência é requerimento mínimo para qualquer estimador.
Rodrigo Martins 9

(Propriedades assimptóticas)
4. Normalidade Assimptótica
Seja Zn uma sequência de variáveis aleatórias tal que, para todos os
números z, 𝑃 𝑍 ≤ 𝑧 → 𝜙 𝑧 quando 𝑛 → ∞.
Com 𝜙 𝑧 é a função cumulativa de distribuição (cdf) Normal (0,1).
- A propriedade significa que à medida que n aumenta a função de
distribuição de Zn aproxima-se da cdf da distribuição normal.
Teorema do limite central:
Seja {x1, x2,…,xn } uma amostra aleatória com média 𝜇 e variância 𝜎 ,
̅
então: 𝑍 = ⁄ tem uma distribuição assimptótica normal
estandardizada.
O teorema conclui que a média de uma amostra aleatória para qualquer
população com variância finita, quando estandardizada, segue uma
distribuição normal com média zero e variância unitária.
Rodrigo Martins 10

Distribuição normal e média
 Quando uma variável segue uma lei normal isto permite utilizar a tabela da lei
normal para saber probabilidades sobre um determinado evento que a envolva.
Qual a probabilidade da próxima pessoa a entrar na sala ter entre 1,73 e 1,80
metros de altura?
 Mas sabemos que todas as variáveis têm uma média e uma variância.
 Muitas vezes, estamos interessados em saber coisas não sobre a variável, mas
sobre a sua MÉDIA.
 O que fizemos com a discussão sobre as propriedades dos estimadores,
particularmente a NORMALIDADE ASSIMPTÓTICA foi mostrar que a média
aritmética segue uma lei normal. (vejam a média como se fosse uma nova variável
que também tem média e variância).
• O pressuposto da CENTRICIDADE verifica-se para a média ou seja 𝑬 𝒙 = 𝝁
𝝈𝟐
• Também apresentámos a variância da média aritmética: 𝑽𝒂𝒓 𝒙 =
𝒏
𝝈𝟐
Voltando ao exemplo da altura, 𝝈𝟐 é a variância da altura, é a variância da média
𝒏
de altura. 11
Métodos de estimativa
Estimativa
Estimativa Estimativa
pontual de intervalo
Rodrigo Martins 12

Estimador pontual
1. Fornece um único valor.
• Baseado em observações de uma única amostra.
2. Não dá nenhuma informação sobre o quão próximo está o valor
encontrado do parâmetro desconhecido da população.
 Uma forma de avaliar a incerteza de um estimador é encontrando o

desvio padrão da amostra, no entanto este nada nos diz sobre onde
pode estar o valor populacional em relação à estimativa.
 Esta limitação é ultrapassada construindo um intervalo de confiança

para a estimativa.
Um estimador de intervalo é a regra, ou fórmula, que nos diz como usar os

dados para calcular um intervalo que estime o parâmetro da população.
Rodrigo Martins 13
Estimativa de intervalo ou intervalo de confiança

1. Fornece uma variedade de intervalos.
• Baseados nas observações de uma única amostra.
2. Dá informações sobre a proximidade do parâmetro desconhecido da população.
• Formulado em termos de probabilidade.
– Saber que a proximidade exacta requer o conhecimento do parâmetro
desconhecido da população.
Elementos-chave do intervalo de confiança
Estatística da amostra
(estimador pontual)
Limite de confiança (mais baixo) Limite de confiança (mais alto)
A probabilidade do parâmetro da população estar em algum lugar dentro do intervalo:

(1 – )%
Rodrigo Martins 14

Intervalos de confiança para a média da população 

Parâmetro = estatística ± erro
𝜇 = 𝑋 ∓ 𝑒𝑟𝑟𝑜
Esta relação implica que: 𝑒𝑟𝑟𝑜 = 𝑋 − 𝜇 ou 𝑒𝑟𝑟𝑜 = 𝜇 − 𝑋
Como 𝑍= então:
𝑍=
𝑉𝑎𝑟 𝑥̅ = , logo
logo:
𝑒𝑟𝑟𝑜 = 𝑍 × 𝜎
Obtendo-se: 𝜇 =𝑋∓𝑍×𝜎
Z ~ N(0,1) para
amostras grandes
Rodrigo Martins 15
Nível de confiança
1. Probabilidade que o parâmetro desconhecido da população esteja dentro
do intervalo.
2. Representado (1 – )%.
• é a probabilidade de que não esteja dentro do intervalo.
3. Os valores típicos são 99%, 95% e 90%.
4. (1 – )% dos intervalos contêm μ ,  % não.
Distribuição amostral da média da amostra.
/2 1- /2

_
X
𝜎̅ =𝜎
Rodrigo Martins 16

Factores que afectam o tamanho dos intervalos
1. Dispersão de dados.
• Medida por .
é o desvio padrão da
população, que nem
2. Tamanho da amostra.
sempre é conhecido.
𝜎
𝜎̅=
𝑛
3. Nível de confiança.
(1 –  )
• Afecta Z
Rodrigo Martins 17
Intervalos de confiança
Intervalos de
confiança
Média Proporção
Amostra grande
(n  30) Amostra pequena
Rodrigo Martins 18

Intervalo de confiança para a média (n  30)

Suposições:
• Amostra aleatória.
• O tamanho da amostra é grande (n  30). Devido ao teorema do
limite central, esta condição garante que a distribuição amostral
de 𝑥̅ é aproximadamente normal. Além disso, para n grande S
será um bom estimador de  .
Intervalo de confiança:
𝜎 𝜎
𝑋−𝑍 . ≤ 𝜇 ≤ 𝑋+𝑍 .
𝑛 𝑛
Rodrigo Martins 19
Intervalo de confiança para a média
A média de uma amostra aleatória aproximadamente normal de n = 30 é

𝑋 = 50. Estabeleça um intervalo de confiança de 95% para  se  = 10.
Encontrar o 𝒁𝜶⁄𝟐 a 95% :

𝜎 𝜎
𝑋−𝑍 . ≤𝜇≤𝑋+𝑍 .
𝑛 𝑛
Sabemos que α=0,05, logo fica 𝑍 , . Vamos à tabela da distribuição
de t-Student com 𝑔. 𝑙. = ∞ :
𝑍 , = 1,96
Rodrigo Martins 20

Intervalo de confiança para a média
A média de uma amostra aleatória aproximadamente normal de n = 30 é

𝑋 = 50. Estabeleça um intervalo de confiança de 95% para  se  = 10.
𝜎 𝜎
𝑋−𝑍 . ≤𝜇 ≤𝑋+𝑍 .
𝑛 𝑛
10 10
50 − 1,96 × ≤ 𝜇 ≤ 50 + 1,96 ×
Valor que também
30 30
encontramos na tabela da
distribuição normal. 46,43 ≤ 𝜇 ≤ 53,57
A média da população  encontra-se dentro deste intervalo com um

grau de confiança de 95%.
Se retirarmos repetidamente 100 amostras aleatórias da população e
construirmos 100 intervalos, 95 destes intervalos conterão .
Rodrigo Martins 21
Exercício 21:
Suponha que trabalha no Controle de Qualidade da

Dão-Norte e que a empresa tem um novo vinho em
garrafas de 2 litros. O  para garrafas de 2 litros é
0,05 litros. Uma amostra aleatória de 100 mostrou
que 𝑿 = 𝟏, 𝟗𝟗 litros. Qual é o intervalo de confiança
de 90% da verdadeira quantidade média nas garrafas
de 2 litros? 2 litros
População: Garrafas de 2 litros da Dão-Norte.
Atributo: Quantidade de liquido nas garrafas de 2 litros.
𝜎 𝜎
Valor crítico para é 1,645. 𝑋−𝑍 . ≤ 𝜇 ≤ 𝑋+𝑍 .
𝑛 𝑛
Rodrigo Martins 22


Solução do intervalo de confiança:
𝜎 𝜎
𝑋−𝑍 . ≤𝜇≤𝑋+𝑍 .
𝑛 𝑛
, ,
1,99−1,645. ≤ 𝜇 ≤ 1,99 + 1,645.
1,982≤ 𝜇 ≤ 1,998
Valor crítico:
∝
Intervalo de confiança a 90% implica α=0,1 logo = 0,05. O valor crítico encontrado é:
Rodrigo Martins 23
Intervalo de confiança para a média (n < 30)

Suposições:
• Amostra aleatória.
• A população deve ser normalmente distribuída (como a amostra é pequena
não podemos recorrer ao TLCentral para garantir a normalidade).
O desvio-padrão da população não está disponível (o que acontece quase

sempre), e dado o tamanho da amostra o desvio-padrão da amostra (S)
deixa de ser uma boa aproximação de  .
Neste caso usa-se a distribuição t-student:
𝜎 𝜎
𝑋−𝑡 . ≤𝜇 ≤𝑋+𝑡 .
𝑛 𝑛
Graus de liberdade
df = n-1
Rodrigo Martins 24

Intervalo de confiança para a média (n < 30)
Exemplo:
Uma amostra aleatória de 𝒏 = 𝟐𝟓 tem 𝒙 = 𝟓𝟎 e 𝒔 = 𝟖. Estabeleça
um intervalo de confiança de 95% para .
𝜎 𝜎
df = 25-1=24 𝑋−𝑡 . ≤ 𝜇 ≤𝑋+𝑡 .
𝑛 𝑛
8 8
50 − 2,064 × ≤ 𝜇 ≤ 50 + 2,064 ×
25 25
46,69 ≤ 𝜇 ≤ 53,30
A média da população  encontra-se dentro deste intervalo com um
grau de confiança de 95%. Se retirarmos repetidamente 100 amostras
aleatórias da população e construirmos 100 intervalos, 95 destes
intervalos conterão .
Rodrigo Martins 25
Intervalo de confiança no SPSS

A tabela seguinte contém informação sobre 177 CEOs de empresas
americanas para o ano de 1990, incluindo o intervalo de confiança a 95%
para a média salarial dos CEO’s.
Desvio padrão da média:

𝜎 587,589
𝑆̅= =
𝑛 177
778,70 ≤ 𝜇 ≤ 953,03
Rodrigo Martins 26

Problema: Sondagens de opinião
Entre 29 de Outubro e 3 de Novembro de 2021, o Centro de Estudos

e Sondagens de Opinião (CESOP) da Universidade Católica, inquiriu
878 eleitores sobre as suas intenções de voto nas próximas eleições.
Como fazemos para calcular um

intervalo de confiança simples
para a projecção associada a um
dos partidos ?
NOTA: Quando se faz a distribuição proporcional de registo de não respondentes, sem opinião e abstenção
passa-se a usar a expressão projecção.
Rodrigo Martins 27
Intervalo de confiança da proporção
Intervalos de
confiança
Média Proporção
(Amostra grande)
Amostra Amostra
grande pequena
Rodrigo Martins 28

Intervalo de confiança da proporção (p)

Suposições:
• Amostra aleatória selecionada.
• Aproximação normal pode ser usada se:
𝑛 × 𝑝̂ ≥ 15 e 𝑛 × 𝑞 ≥ 15
𝑝̂ = , com x o número de eventos para a proporção de interesse.
𝑞 = 1 − 𝑝̂
Desvio padrão da
Intervalo de confiança: distribuição amostral de 𝑝̂
𝑝̂ × 𝑞 𝑝̂ × 𝑞
𝑝̂ − 𝑍 × ≤ 𝑝 ≤ 𝑝̂ + 𝑍 ×
𝑛 𝑛
NOTA: Não se foca o caso da aproximação normal não poder ser usada (𝑛 × 𝑝̂ < 15 ou 𝑛 × 𝑞 < 15) . Para
essas situações existe um intervalo de confiança específico para amostras pequenas.
Rodrigo Martins 29
Intervalo de confiança simples a 95% para a

projecção da percentagem de votos no PS
𝑛 = 878
𝑝̂ = 39% 𝑞 = 100 − 39 = 61%
( 𝑝̂ × 𝑛 = 332,4 𝑞 × 𝑛 = 535,58 )
𝑝̂ = 0,39 𝑞 = 0,61
39 × 61 39 × 61
39 − 1,96 ≤ 𝑝 ≤ 39 + 1,96
878 878
35,8 ≤ 𝑝 ≤ 42,2
Rodrigo Martins 30

Exercício
Uma amostra aleatória de 400 licenciados mostrou que 32 tiraram, pelo
menos, uma pós-graduação. Estabeleça um intervalo de confiança a 95%
para a proporção de licenciados que tira uma pós-graduação, p.
32
𝑝̂ = = 0,08 𝑞 = 1 − 0,08 = 0,92
400
𝑝̂ × 𝑞 𝑝̂ × 𝑞
𝑝̂ − 𝑍 × ≤ 𝑝 ≤ 𝑝̂ + 𝑍 ×
𝑛 𝑛
0,08 × 0,92 0,08 × 0,92

0,08 − 1,96 × ≤ 𝑝 ≤ 0,08 + 1,96 ×
400 400
0,053 ≤ 𝑝 ≤ 0,107
Rodrigo Martins 31
Técnicas Quantitativas de Investigação Sociológica
Intervalo de confiança da proporção

• Estamos a assumir que, na população, a proporção segue uma lei normal. Este
tipo de intervalo é tambem conhecido como intervalo de Wald.
• Note-se que quando há uma acumulação perto dos extremos (0 ou 1) a

amostra necessária para assumir esta hipótese aumenta dramaticamente.
Ex: 𝑝̂ =0,03 implica uma amostra de, no mínimo, 500 observações.
• Na realidade, este tipo de intervalos não funciona tão bem nos casos em que
as observações se acumulam muito perto dos extremos.
• Existem outros ICs alternativos para estas situações e/ou para os casos em
que não se consegue assumir normalidade.
Rodrigo Martins 32

Técnicas Quantitativas de Investigação Sociológica
Intervalo de confiança da proporção: SPSS

Uma amostra aleatória de 400 licenciados mostrou que 32 tiraram, pelo
menos, uma pós-graduação. Estabeleça um intervalo de confiança a 95%
para a proporção de licenciados que tira uma pós-graduação, p.
32
𝑝̂ = = 0,08 𝑞 = 1 − 0,08 = 0,92
400
0,053 ≤ 𝑝 ≤ 0,107
Output SPSS:
Rodrigo Martins 33
Encontrando o tamanho das amostras

Quando pretendemos recolher dados para fazer inferência a respeito da
média ou proporção de determinada população, uma das decisões mais
importantes é seleccionar o tamanho adequado da amostra.
O tamanho adequado da amostra vai depender do grau de confiança que

nós pretendemos.
Não quero usar uma

amostra nem muito
  grande nem muito

pequena!
 
Amostra

 

Rodrigo Martins 34


(Estimando a média)
𝑆𝐸
Z= <=> 𝑍 =
𝜎
SE = Erro de amostragem
Não esquecer:
Resolvendo em ordem a SE, vem:
𝜎
𝜎 =
𝑆𝐸 = 𝑍 .𝜎 𝑛
𝜎
𝑆𝐸 = 𝑍 .
𝑛
Resolvendo em ordem a n, vem:
(𝑍 ) 𝜎
𝑛=
(𝑆𝐸)
Rodrigo Martins 35
Exercício 18:
Considere que trabalha no Recursos Humanos da

Merrill Lynch e quer examinar os funcionários
para elaborar uma estimativa dos seus gastos
com medicamentos.
Pretende 95% de confiança e que a média da
amostra esteja entre ± $50. Um estudo piloto
mostrou que  era cerca de $400.
Qual o tamanho da amostra a usar?
“Merrill Lynch is one of the world's leading financial management and advisory companies, providing
financial advice and investment banking services.”
Rodrigo Martins 36

Solução para problema da Merrill Lynch
𝑍 = 1,96 𝜎 = 400 SE= 50
(𝑍 ) 𝜎
𝑛=
(𝑆𝐸)
(1,96) (400)
𝑛=
(50)
𝑛 = 245,86 ≈ 246
Rodrigo Martins 37

(Estimando a proporção)
É semelhante ao método anterior, só que agora usamos o desvio padrão
da distribuição amostral de 𝑝̂ .
𝑝̂ − 𝑝 <=> 𝑍 = 𝑆𝐸 SE = Erro de amostragem
𝑍= 𝜎
𝜎 Desvio padrão da
distribuição amostral de 𝑝̂
Resolvendo em ordem a SE, vem: 𝑝×𝑞
𝜎 =
𝑆𝐸 = 𝑍 .𝜎 𝑛
𝑝×𝑞
𝑆𝐸 = 𝑍 .
𝑛
Resolvendo em ordem a n, vem:
(𝑍 ) ×𝑝×𝑞
𝑛=
(𝑆𝐸)
Se não houver nenhum estimador de p disponível, usamos p = q = 0,5.
Rodrigo Martins 38

Exemplo do tamanho da amostra

Que tamanho de amostra é necessário para estimar p com 90% de
confiança e largura de 0,03?
p= 𝑞 = 0,5 𝑍 = 1,645
(𝑍 ) ×𝑝×𝑞 1,645 (0,5 × 0,5)

𝑛= = = 3006,69 ≈ 3007
(𝑆𝐸) (0,015)
Rodrigo Martins 39

Slides 3

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

Slides 3

Enviado por

Direitos autorais:

Formatos disponíveis

3.

Intervalos de confiança 3-1

F.E.U.C. Estatística - MBA

Inferências baseadas numa única amostra:

F.E.U.C. Estatística - MBA

Rodrigo Martins MBA- FEUC

F.E.U.C. Estatística - MBA

População Amostra aleatória A média da

F.E.U.C. Estatística - MBA

Parâmetros desconhecidos da população são estimados

Estimar o parâmetro …com a estatística

Rodrigo Martins MBA- FEUC

F.E.U.C. Estatística - MBA

F.E.U.C. Estatística - MBA

O que é um estimador pontual?

- Para estimar, por exemplo, a média salarial da população, , uma alternativa é

- Questão: Então, que estimador escolhemos para analisar o parâmetro ?

Rodrigo Martins MBA- FEUC

F.E.U.C. Estatística - MBA

Breve noção das propriedades de um estimador

1. Centricidade ou não enviesamento

- A média da amostra é um estimador cêntrico da média da população  .

F.E.U.C. Estatística - MBA

Breve noção das propriedades de um estimador

O estimador da média (𝑥̅ ) é mais eficiente que W dado que:

Rodrigo Martins MBA- FEUC

F.E.U.C. Estatística - MBA

Breve noção das propriedades de um estimador

Quando Z é consistente dizemos que q é o limite de probabilidade de Z, e

-Lei dos grandes números:

F.E.U.C. Estatística - MBA

Breve noção das propriedades de um estimador

Rodrigo Martins MBA- FEUC

Distribuição normal e média

F.E.U.C. Estatística - MBA

Rodrigo Martins MBA- FEUC

F.E.U.C. Estatística - MBA

 Uma forma de avaliar a incerteza de um estimador é encontrando o

 Esta limitação é ultrapassada construindo um intervalo de confiança

Um estimador de intervalo é a regra, ou fórmula, que nos diz como usar os

F.E.U.C. Estatística - MBA

Estimativa de intervalo ou intervalo de confiança

Limite de confiança (mais baixo) Limite de confiança (mais alto)

A probabilidade do parâmetro da população estar em algum lugar dentro do intervalo:

Rodrigo Martins MBA- FEUC

F.E.U.C. Estatística - MBA

Intervalos de confiança para a média da população 

F.E.U.C. Estatística - MBA

Distribuição amostral da média da amostra.

/2 1- /2

Rodrigo Martins MBA- FEUC

F.E.U.C. Estatística - MBA

Factores que afectam o tamanho dos intervalos

F.E.U.C. Estatística - MBA

Rodrigo Martins MBA- FEUC

F.E.U.C. Estatística - MBA

Intervalo de confiança para a média (n  30)

F.E.U.C. Estatística - MBA

Intervalo de confiança para a média

A média de uma amostra aleatória aproximadamente normal de n = 30 é

Encontrar o 𝒁𝜶⁄𝟐 a 95% :

Rodrigo Martins MBA- FEUC

F.E.U.C. Estatística - MBA

Intervalo de confiança para a média