Inferência Estatística 01

10/08/2021 Ead.
br
INFERÊNCIA ESTATÍSTICA
INFERÊNCIA ESTATÍSTICA
Autor: Dr. Bruno Henrique Oliveira Mulina
Revisor: Antonio Gomes de Mattos Neto
INICIAR
introdução
Introdução
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_738125_1&PA… 1/27
10/08/2021 Ead.br
É muito comum a necessidade de estudar o comportamento de grandes populações através de

amostras. O processo de amostragem permite diminuir os gastos com pesquisa, já que reduz o
número de indivíduos a serem avaliados. Em muitos casos, a escolha de apenas alguns
indivíduos para estudar as condições da população é a única forma de estudo. Imagine
descobrir se um carro é seguro por meio de testes de colisão. Se fizermos com todos os carros,
não sobraria nenhum para ser usado pelos motoristas. A fim de compreender os conceitos e
ferramentas aplicados para o estudo e análise das populações a partir de dados obtidos de
uma amostra, temos como objetivo desta aula compreender os alicerces da Inferência
Estatística.
10/08/2021 Ead.br
Inferência Estatística
Quando realizamos um experimento, e conhecemos todos os elementos avaliados, dizemos

que temos uma população. Com isso, temos certeza com relação a todas as análises
desenvolvidas, como a média, a variância ou a proporção de indivíduos. Com isso, podemos
responder diretamente com relação a comparações com outras populações ou com relação a
valores pré-estabelecidos.
Porém, em muitos casos, o estudo envolvendo a população se torna complexo ou mesmo

inviável. Nesses casos, é necessária a amostragem dos elementos dentro da população. Esse
processo é muito comum em diversas áreas de pesquisa, e permite que sejam selecionados
indivíduos que possibilitem uma análise significativa com relação à população. Um exemplo de
amostragem são as pesquisas de intenção de voto. Como é possível saber a proporção da
população que vote no candidato A ou B em tão pouco tempo? Simples. O estudo não se aplica
a todos os eleitores, mas sim com uma amostra de aproximadamente 2500 pessoas.
Ao estudar apenas os indivíduos da população selecionados pela amostragem, nos deparamos

com uma situação: como ter certeza de que o valor obtido para aquela amostra é realmente o
correto? Para responder a essa pergunta, a Inferência Estatística fornece ferramentas
capazes de fornecer conclusões referentes à população com base apenas em uma amostra.
Devemos compreender dois conceitos bastante importantes na estatística: a amostragem e o

censo. A amostragem se refere à seleção de uma parcela da população. Já o censo é a
pesquisa envolvendo toda a população. Ainda diferenciando esses dois termos, o censo
fornece dados exatos com relação à população, enquanto a amostragem são valores
aproximados. Sabe aquela margem de erro que aparece nas pesquisas de intenção de voto?
Ela é consequência da amostragem. Quando sai o resultado da eleição, não existe essa
margem de erro, pois agora temos o dado de todos os eleitores (da população votante).
10/08/2021 Ead.br
Então, de modo geral, a inferência estatística é o conjunto de ferramentas capazes de fornecer

informações a partir de dados amostrais. Essas ferramentas, entre elas a estimação de
parâmetros e os testes de hipóteses, juntamente com os conceitos básicos sobre a inferência
estatísticas, serão apresentados a seguir.
Amostragem
A amostragem pode ser considerada uma das bases da inferência estatística. Por meio dela
podemos definir quais os elementos da população serão usados nos estudos. Uma
amostragem mal elaborada pode afetar análises futuras. Por esse motivo a amostragem deve
ser realizada seguindo certos critérios que representem corretamente a população.
Ao definir uma amostra, a aleatoriedade dos elementos permite obter uma amostra não
viesada, isso é, todos os elementos têm a mesma chance de serem escolhidos. A amostra
também deve ser representativa. Isso quer dizer que a amostra deve ter um comportamento
próximo ao da população, e possuir um tamanho significativo.
Os principais tipos de amostragem se diferem em amostragem probabilística e amostragem

não probabilística. Na amostragem não probabilística não se sabe nada sobre a população
a ser amostrada, como o número de indivíduos. Esse tipo de amostragem pode gerar
resultados viesados, já que a escolha dos indivíduos pode ser motivada por conveniência,
julgamento, ou outro critério subjetivo.
Já a amostragem probabilística é a mais utilizada, e aplica algum critério para determinar

quais os elementos serão usados. Além disso, se tem acesso a todos os indivíduos da
população. Os métodos de amostragem probabilística mais usados são: aleatória,
sistemática, estratificada e por conglomerado.
Uma amostragem aleatória é aquela na qual os elementos são escolhidos ao acaso, sem
nenhum critério. É um método simples, porém a ausência de um critério pode gerar amostras
ruins sob o ponto de vista estatístico (não representativas). A amostragem sistemática é
semelhante à aleatória, porém existe um critério de seleção (não relacionado à característica a
ser estudada). Por exemplo, dispor os elementos da amostra em sequência e escolher aqueles
nas posições ímpares.
A amostragem estratificada é feita produzindo grupos de indivíduos segundo algum critério,

e dentro de cada grupo, é aplicada uma amostragem aleatória ou sistemática, de modo que
exista ao menos um indivíduo com uma característica de interesse. A amostragem por
conglomerado se comporta de forma análoga à estratificada, porém a amostragem é realizada
selecionando um ou mais agrupamentos.
Independentemente do tipo de amostragem, é importante calcular o tamanho da amostra.

Para isso, devemos determinar uma margem de erro para as análises a serem realizadas. Para
calcular o tamanho da amostra, aplicamos a expressão:
10/08/2021 Ead.br
N × n0 1
n = n0 = (1)
2
N + n0 E
Onde N é o tamanho da população, n é o tamanho da amostra, n0 é a aproximação inicial da

amostra e E0 o erro amostral desejável (1%, 2%, 5%, ...). Por exemplo, se uma população possui
1000 indivíduos, e desejamos uma margem de erro de 1%:
1 1 N × n0 1000 × 10000
n0 = = = 1000 n = = = 909 (2)
2 2
E 0, 01 N + n0 1000 + 10000
Conceitos gerais da Inferência Estatística

Como já foi dito, o objetivo da inferência estatística é estimar sobre parâmetros populacionais,
ou avaliar uma suposição, com base em estatísticas amostrais como a média, o desvio-padrão
(ou variância) e a proporção de indivíduos. Para cada tipo de parâmetro, ou de situação,
teremos uma ferramenta, ou estatística, a ser aplicada.
Além da amostragem já vista, outros dois conceitos são muito importantes para a análise
inferencial: o nível de confiança IC e a significância α.
Antes de definir esses conceitos, imagine que, em uma população de 100 alunos, 20 sejam
selecionados para estudo com relação à altura. É possível que, dentro os 80 alunos não
selecionados, exista um aluno com altura muito maior ou muito menor que a maioria dos
alunos. Por ser um caso extraordinário, é possível que, durante a amostragem, ele não seja
selecionado. É lógico que a altura desse aluno afeta nos estudos, mas não aparecerá nos dados
amostrais.
Para resolver essa questão, é definida um nível de confiança nos dados amostrais. O nível de
confiança IC fornece a probabilidade de a estimativa realizada na amostra estar correta
com relação ao valor exato da população. Por exemplo, se definirmos um índice de
confiança de 95%, significa que existe 95% de chance de inferir (estimar) corretamente sobre a
população.
Mais importante que o índice de confiança, a significância estatística α se refere à

probabilidade de erro nos resultados. Como a soma entre o índice de confiança e a
significância deve ser 100%, a significância é obtida por meio da expressão:
α = 1 − IC (3)
O estudo da significância tem um papel especial nas inferências estatísticas, já que se comporta
diferente de acordo com o problema. Imagine que desejamos saber a margem de erro para a
média amostral. Nesse caso, metade dos valores errados são menores que a média, e a outra
metade dos erros se refere aos valores maiores. Assim, cada metade da significância está
relacionada a cada intervalo de valores errados.
10/08/2021 Ead.br
O índice de confiança, assim como a significância do teste, é definido no início dos estudos
estatísticos. Os valores mais comuns para a significância são 1%, 5% e 10%, sendo 5% o mais
usual. Por esse motivo, caso seja omitida a informação sobre a significância, adotaremos o
valor de 5%.
Aplicações da Inferência Estatística

Como já foi dito, as principais aplicações da inferência estatística são a estimação de
parâmetros e a validação de testes de hipóteses. Mas, o que são essas ferramentas? Para
responder a essa pergunta, detalharemos cada uma dessas ferramentas.
Estimação de parâmetros
Imagine o caso: um fabricante de parafusos deve produzir parafusos com o diâmetro de 5 mm.
Porém, é impossível que se produzam parafusos de mesmo tamanho. Pequenas diferenças na
matéria-prima e condições de operação podem ocasionar variação no diâmetro do parafuso.
Nesse caso, podemos ter parafusos de 5 mm, 4,9 mm, 5,2 mm, 6 mm, 4 mm. Então, como
saber se a produção está correta ou a máquina necessita de manutenção?
A resposta é simples: devemos amostrar os parafusos produzidos e estimar o diâmetro com

base em uma margem de confiança. Se for dito que os parafusos possuem diâmetros entre 4,8
mm e 5,2 mm, com uma confiança de 95%, significa que 95% dos parafusos produzidos estão
dentro dessa margem de valores. Isso não impede que aconteça de aparecer um parafuso com
4,5 mm de diâmetro, mas a chance disso ocorrer está dentro dos 5% fora da margem de
confiança.
saiba mais
Saiba mais
A análise da variação das medidas é importante na metrologia. Conforme a variável a ser mensurada,
existem metodologias para estimar as margens de confiança, ou incertezas de medição, para
diferentes tipos de instrumentos. A ISO-GUM 2008, é umas das principais normas para determinação
das incertezas em medições.
Fonte: Elaborado pelo autor.
ACESSAR
A estimativa de um valor a partir da inferência pode ser interpretada graficamente na Figura

1.1. Nela, temos um intervalo de confiança para o valor do parâmetro (média, desvio-padrão ou
10/08/2021 Ead.br
proporção). Esse intervalo de confiança define a margem de valores admitidos como corretos.
Testes de Hipóteses
A outra principal aplicação da inferência estatística são os testes de hipóteses. Imagine que,
com base na amostragem dos alunos de uma escola, obtivemos a média de 1,6 m, e um
intervalo de confiança de 0,5 m. Se quiséssemos supor que a altura média é maior ou igual a
1,7 m, não podemos responder de forma exata apenas observando o valor da média
observada na amostra. É preciso avaliar, com base em um teste de hipótese, se, de modo
simples, 1,6 m é maior ou igual a 1,7m.
Um teste de hipótese é uma metodologia estatística que auxilia na tomada de decisões sobre
as informações de uma ou mais populações com base nos dados amostrais. Para isso, são
levantadas duas hipóteses, uma chamada de hipótese nula, H0 , cuja condição é dada pela
suposição a ser respondida, e outra chamada de hipótese alternativa, H1 , que incorpora as
possibilidades não cobertas pela hipótese nula. Uma vez formuladas as hipóteses, são
aplicadas estatísticas (cálculos) que permitem que a decisão seja tomada. Essa decisão é
respondida de forma binária (a hipótese proposta é aceita ou rejeitada).
Voltando ao exemplo da altura, a hipótese nula buscaria responder se a média amostral (ou
observada) é igual ou maior a 1,7 m, enquanto teríamos como hipótese alternativa a
possibilidade da altura amostral ser menor que 1,7 m. Matematicamente, isso é descrito como:
H 0 : μ ≥ 1, 70
{ (4)
H 1 : μ < 1, 70
Por que não podemos, com base apenas na observação da média amostral, responder à
suposição feita? Porque os valores são amostrais, e por isso possuem intervalo de confiança.
Então, os testes devem avaliar a interação entre os intervalos de confiança conforme a
hipótese levantada. Devemos sempre lembrar que os testes de hipóteses também possuem
seu índice de confiança (ou uma significância estatística).
Os testes de hipótese são realizados de duas maneiras diferentes: por meio da região crítica e
a partir do p-valor.
10/08/2021 Ead.br
Os testes de hipótese com base na análise da região crítica são realizados com base na
distinção de dois intervalos de probabilidade, um referente à hipótese nula e outro para a
alternativa. O tamanho desses intervalos é calculado com base no valor da significância do
teste e nas hipóteses levantadas. Definidos os intervalos, um valor normalizado é calculado.
Caso o valor esteja no intervalo da hipótese nula, a suposição levantada está correta, caso
contrário, a hipótese nula é rejeitada.
Já os testes de hipótese baseados na análise do p-valor avaliam a significância dos dados

observados. Isso é feito calculando a probabilidade dos dados observados estarem certos ou
não. Quanto maior o índice de confiança obtido (menor significância), maior a chance da
suposição levantada estar correta. Nesse caso, o valor normalizado é utilizado para calcular a
probabilidade dos dados estarem corretos, ou o p-valor do teste. Se o p-valor é menor que a
significância levantada, é possível dizer que a hipótese nula é aceita. Caso contrário, ela é
rejeitada.
Aplicação
A inferência estatística deve ser aplicada para parâmetros da população (média, variância e proporção) com
base em informações de uma amostra, a partir de intervalos de confiança ou testes de hipóteses.
10/08/2021 Ead.br
Entre as duas ferramentas apresentadas, podemos distinguir a área de aplicação de cada uma
delas. No caso dos intervalos de confiança, eles serão utilizados para estimar o valor de um
parâmetro populacional. Agora, quando é de interesse comparar valores, então deverão ser
aplicados os testes de hipótese.
praticar
Vamos Praticar
Ao avaliar a eficiência de um novo remédio, é realizado o procedimento no qual são construídos dois
grupos de pacientes, no qual um recebe o remédio enquanto o outro recebe um placebo. Sobre o
procedimento para confirmação dos resultados, assinale a alternativa correta.
a) Por um teste de hipótese, com hipótese nula que o remédio tem efeito maior ou igual que o
placebo, e alternativa de que o remédio tem efeito menor ou igual.
b) Se o grupo que recebeu o remédio possui maior número de pacientes curados, então ele
surte efeito.
c) Calculamos o intervalo de confiança dos resultados do grupo de placebo e do remédio.
d) Basta saber a porcentagem de um grupo e comparar numericamente com o outro grupo, já
que a porcentagem da amostra é igual à da população.
e) Aplicar um teste de hipótese que permita confirmar se os resultados são iguais ou
diferentes.
10/08/2021 Ead.br
Estimadores
Quando se deseja determinar o valor de um parâmetro da população a partir de um dado

amostral, é dito que estamos estimando seu valor. Um estimador é o conjunto de cálculos e
estatísticas aplicadas para estimar o parâmetro populacional. Essa estimação pode ser pontual,
quando a estimativa é um valor, ou intervalar, quando se diz que o valor desse parâmetro é
uma faixa de possíveis valores.
Por exemplo, vamos estimar a média de notas dos alunos de uma escola. Para isso,
realizaremos a amostragem dos alunos, e calcularemos o valor médio da nota dentro da
amostra. Esse valor pode ser considerado então um estimador pontual da média das notas
da escola. Agora, se for definido um intervalo de confiança para o valor médio das notas,
teremos um estimador intervalar.
Uma confusão comum é distinguir os termos estimadores e estimativa. Um estimador é a

estatística aplicada para obter o valor para a população. Já a estimativa é o valor numérico do
parâmetro, obtido por meio de um estimador.
Ao estimar um valor, podemos dizer que existe uma função estimador T, que forneça a
melhor estimativa para o parâmetro. Essa função é obtida usualmente por meio de três
técnicas: método dos momentos, método dos mínimos quadrados ordinários e o método
de máxima verossimilhança.
Estimadores pontuais
Como dito, os estimadores são funções que permitem estimar o valor populacional a partir dos
dados amostrais. Serão apresentados os métodos mais usados.
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_738125_1&P… 10/27
10/08/2021 Ead.br
O Método dos Momentos define que cada parâmetro avaliado possui um momento de ordem
k. Um momento é a média dos valores da amostra elevados a k, ou seja:
1
k
Mk = ∑ x (5)
n
A partir da manipulação da expressão do momento, é possível obter os estimadores pontuais.

Esse método necessita do desenvolvimento de uma função estatística específica para cada
parâmetro relacionado à população (média e variância).
O Método dos Mínimos Quadrados Ordinários é amplamente aplicado em problemas de

regressão, aplicado para estimar os coeficientes (estimadores) de um modelo de regressão. O
desenvolvimento desse método envolve a minimização da diferença entre os valores
calculados por meio de um modelo de regressão obtido e os valores exatos já conhecidos.
O princípio da máxima verossimilhança afirma que o estimador pontual é um valor que

maximiza a probabilidade de se obter uma distribuição cujo valor possui maior chance de estar
correto. A partir do conhecimento prévio sobre o comportamento da função de probabilidade
da amostra, é possível, por meio do produtório das probabilidades de cada elemento da
amostra, obter a expressão para o estimador.
Independentemente do método de estimação aplicado, é comum a utilização dos estimadores

para a média, para a variância e para a proporção amostral. Esses estimadores são
comumentes referidos como parâmetros amostrais. O Quadro 1.1 apresenta os estimadores
mais utilizados para esses parâmetros, onde x é o valor do elemento e pi a probabilidade
relacionada à cada elemento. Não confunda a probabilidade com a proporção amostral.
Quadro 1.1 - Estimadores pontuais
O desvio-padrão amostral s é obtido a partir da variância amostral:

−−
2
s = √s (6)
É importante ressaltar um detalhe importante. Quando nos referimos a um estimador pontual,

podemos dizer, na maioria dos casos, que o seu valor numérico é a melhor estimativa desse
parâmetro com relação ao valor da população. Para garantir que isso seja verdade (o
estimador fornecer a melhor estimativa), devem-se seguir alguns critérios que serão
apresentados em breve.
10/08/2021 Ead.br
eflita
Reflita
mais que seja natural na área de pesquisa a tomada de decisões a partir de dados de uma amostra,
os que podemos ser levados a tomadas de decisões incorretas. Então, será que é correto afirmar algo
bre a mudança da temperatura do planeta apenas com base na memória pessoal?
nte: Elaborado pelo autor.
Propriedades de um bom estimador pontual

Devemos compreender os critérios para definir um bom estimador. Esses critérios são
análogos aos que buscamos no estudo estatístico. São eles:
a.Não tendencioso: também chamado de estimador não viesado. É dito que o estimador é
não tendencioso quando a estimativa calculada é igual à esperança do próprio parâmetro. Para
isso, a probabilidade pi deve ser igual para todos os elementos. Assim os estimadores não
tendenciosos podem ser reescritos como descritos no Quadro 1.2.
Quadro 1.2 - Estimadores não tendenciosos
O estudo sobre o viés do estimador está relacionado à acurácia dos valores. A acurácia se
refere a quão próximo o valor obtido pelo estimador está do valor exato (da população). Isso
quer dizer que, se um estimador possui uma acurácia alta, ele é mais exato (valor próximo ao
da população).
b. Suficiência: esse critério nos informa que a amostra selecionada é capaz de representar de
forma clara e completa a população, sendo assim, a adição que qualquer outro elemento na
amostra não contribui na melhora dos dados. Isso ocorre quando a população segue uma
distribuição probabilística normal, em que a chance de escolher um elemento com o valor
10/08/2021 Ead.br
próximo à da estimativa já existente é maior que a chance de encontrar um indivíduo que

resultará em uma estimativa significativamente diferente.
c. Consistência: essa propriedade se refere à relação entre o tamanho da amostra e a

aproximação entre o valor estimado e o valor exato. A consistência informa que o aumento do
tamanho da amostra implica na convergência das estimativas para o valor populacional. Se o
estimador é bom, isso implica em dizer que a média permanece com o valor próximo, mas a
variância diminui.
d. Eficiência: ao comparar dois estimadores, será considerado o melhor aquele que apresentar
menor Erro Quadrático Médio (EQM). O EQM está relacionado à variância dos valores
amostrais. De modo simples, quanto menor a variância dentro da amostra, melhor a
estimativa.
A eficiência está relacionada diretamente à variação dos elementos da amostra em torno do

estimador. Pode-se dizer que mede quanto os valores estão espalhados em torno do
estimador. Por esse motivo um estimador eficiente é aquele que possui menor variância nos
dados, já que é mais preciso.
praticar
Vamos Praticar
Em uma amostragem realizada para análise da nota dos alunos em uma escola, foram selecionados 10
indivíduos. Calculando os parâmetros das amostras, foram obtidas a média 6 e desvio-padrão 1.
Avaliando os dados obtidos, assinale a alternativa correta.
a) Se amostrarmos mais 10 indivíduos e a média passar a ser de 8, significa que ele era um
bom estimador.
b) Essa nota foi obtida selecionando os alunos que obtiveram as melhores notas nas provas
finais.
c) A amostragem de 5 novos elementos não alterou a média amostral, mas aumentou a
variância amostral. Isso quer dizer que o novo estimador é melhor que o anterior.
d) Se esse estimador é bom, se forem amostrados novos elementos eles devem possuir uma
nota próxima a 6.
e) Se outra amostragem for realizada, agora com 40 indivíduos, que resulta em mesma média
e desvio-padrão amostral, então essa segunda amostra é a melhor.
10/08/2021 Ead.br
10/08/2021 Ead.br
Distribuições Amostrais
Até o momento vimos com relação a indicadores (estimadores) pontuais. Porém, antes de
validar se o estimador é bom ou não, devemos compreender como todos os indivíduos dentro
da população e da amostra se comportam. Para isso veremos agora com relação às
distribuições amostrais.
Distribuição amostral
A distribuição amostral é a distribuição de probabilidades associada à estatística, assumindo
todas as amostras possíveis de mesmo tamanho (também chamados de graus de liberdade),
obtidas da mesma população. De modo simples, o estudo das distribuições amostrais está
relacionado ao modo no qual uma amostra, ou um conjunto de amostras, se comportam frente
ao comportamento da população.
Para compreender a importância da distribuição amostral, imaginemos uma população

aleatória onde serão amostrados cinco indivíduos de uma população de mil elementos. Como
são poucos elementos, a chance de que esses valores se apresentem em uma proporção
semelhante à vista na população é baixa. Aumentando o número de elementos amostrados,
perceberemos que a distribuição dos elementos possuirá uma configuração semelhante
àquela vista para a população.
Baseado no que foi apresentado anteriormente, é possível dizer que uma amostra possuirá o
comportamento semelhante ao da população que a originou. Assim, se a amostragem for
realizada corretamente, as análises realizadas na amostra poderão ser inferidas para a
população sem que haja distorções por conta de mudanças nas distribuições de probabilidade.
10/08/2021 Ead.br
Teorema do Limite Central

Para compreender sobre o Teorema do Limite Central, usaremos o experimento chamado
tabuleiro de Galton. Esse tabuleiro é mostrado na Figura 1.2. Nele temos uma saída na qual
várias esferas serão soltas em queda livre. Ao longo do trajeto percorrido, existem obstáculos
nos quais as esferas se chocam, mudando sua direção. E na parte de baixo do tabuleiro
existem canaletas para capturar as esferas conforme a posição que caem.
Figura 1.2 - Tabuleiro de Galton
Fonte: Elaborada pelo autor.
Se jogarmos algumas esferas apenas, como mostra a Figura 1.3a, não poderemos ter clareza
com relação à posição em que essas esferas cairão, independentemente da posição de saída
das mesmas. Agora, liberando um número maior de esferas (mais que 30 esferas), poderemos
ver que elas se acumularão nas canaletas seguindo um padrão. Elas se acumularão
principalmente abaixo da saída das esferas, independentemente de sua posição, como
mostram as Figuras 1.3b e 1.3c.
Ao transportar esse experimento para a estatística, vemos que cada esfera, ao colidir com um
obstáculo, tem 50% de chances de ir para a direita e outros 50% de ir para a esquerda. Assim,
podemos dizer que a probabilidade das esferas irem para um lado segue uma distribuição
binomial, com chances de “acerto” e “erro” iguais.
10/08/2021 Ead.br
O padrão de resultados do tabuleiro mostra uma distribuição com média amostral centrada
na média populacional μ (no caso do exemplo, onde se localiza a saída das esferas). A
observação individual (Figura 1.3a) mostra uma grande variabilidade dos resultados, enquanto
com o aumento da amostra, a variação nos valores diminui (Figuras 1.3b e 1.3c). Isso significa
que quanto maior o tamanho da amostra, mais próximo estará de μ. Isso quer dizer que,
quanto maior os graus de liberdade, mais próximo o comportamento da amostra é da
população.
Uma ressalva importante. Quando avaliamos a distribuição amostral, quanto maior o número
de elementos, mais a amostra se aproxima da população. Porém, não confunda com os
estimadores pontuais. No caso dos estimadores pontuais, os dados são resumidos em um
único valor, sem se preocupar diretamente com o modo com que os valores da amostra se
comportam.
Se uma amostra segue o comportamento descrito anteriormente, e o número de elementos n

é muito grande, a distribuição amostral se assemelha à distribuição normal. A distribuição
normal, por sua vez, é uma das principais distribuições de probabilidade aplicadas na
estatística.
Distribuição amostral da média

Como já foi dito, a distribuição amostral está relacionada ao estudo de diversas amostras que
possuam como origem a mesma população. Se a amostra possui o comportamento da
distribuição normal, podemos estimar os parâmetros de média e desvio-padrão da população
a partir dos dados amostrais.
Existem dois casos a serem avaliados na geração dessas amostras. No primeiro caso, podemos
gerar diferentes amostras com a reposição de elementos já aplicados em amostras anteriores.
Essa análise também pode ser expandida quando se realiza uma única amostragem. Para esse
caso, os estimadores são descritos como:
2 2
σ σ
2
x ∼ N ormal (μ; ) x = μ s = (7)
− n − n
Por exemplo, se temos uma amostra de tamanho n = 50, onde são conhecidas a média
populacional (μ=10) e variância populacional (σ2=3), os valores amostrais para esses
parâmetros são:
3 3
2
x ∼ N ormal (10; ) ⇒ x = 10 e s = = 0, 06
− 50 − 50
A solução inversa também é válida. Isso é, conhecendo os valores amostrais é possível estimar
os parâmetros populacionais.
10/08/2021 Ead.br
Caso a amostragem não permitir repetição, isso é, uma vez que a primeira amostra é retirada,
os elementos não retornam à população para a nova amostragem. Nesse caso, os estimadores
serão diferentes:
Para compreender como aplicar esses estimadores, realizaremos o mesmo exemplo anterior,
mas adotando que não poderão ser repostos os elementos, em uma população de N=1000
elementos. Assim:
3 1000 − 50 3 1000 − 50
2
x ∼ N ormal (10; × ) ⇒ x = 10 e s = × = 1, 163
− 50 50 − 1 − 50 50 − 1
É importante ter em mente uma relação entre os valores populacionais e amostrais em uma
distribuição normal. Com base no teorema do limite central, temos que:
x − μ
−
z = (9)
σ
( )
√n
Onde o valor de z representa um parâmetro normalizado para estudo da distribuição normal.

Essa relação também será importante para exercícios que necessitam do cálculo da
probabilidade de um determinado valor amostral ser maior ou menor que um valor
populacional.
praticar
Vamos Praticar
Ao avaliar uma amostra, foi percebido que ela possui um comportamento semelhante ao da
distribuição normal. Isso quer dizer que a probabilidade dos elementos possuírem valores próximos à
da média é maior que valores muito distantes da média. Em uma amostra que foi retirada de modo
que esses elementos não possam ser repostos, cujo tamanho original da população era de 500
elementos, e as amostras são compostas de 30 indivíduos, os valores amostrais para a média e o
desvio-padrão foram, respectivamente, 20 e 4. Sobre o cálculo dos dados populacionais assinale a
alternativa correta:
10/08/2021 Ead.br
a) μ = 20 eσ = 4 .
b) μ = 20 eσ = 5, 4 .
c) μ = 18 eσ = 3, 2 .
d) μ = 12 eσ = 4 .
e) μ = 12 eσ = 1, 6 .
10/08/2021 Ead.br
Outras Distribuições Amostrais
Do mesmo modo que avaliamos a distribuição amostral para a média dos valores em uma
amostra, compreenderemos como se relacionam as proporções amostrais e populacionais em
uma distribuição que se comporte de modo análogo ao apresentado pelo teorema do valor
central. Existem distribuições amostrais para o estudo da média de pequenas amostras e da
variância amostral. Essas distribuições têm em comum o conceito de graus de liberdade e o
grau de significância.
Distribuição da Proporção
Antes de estudar a distribuição, definiremos que os indivíduos, dentro de uma amostra de
tamanho n, sejam classificados de modo binário, ou seja, os indivíduos sejam definidos como
uma condição de sucesso ou de fracasso. Feito isso, podemos distinguir agora as proporções
como p para a proporção de sucesso e q como a proporção de fracasso.
O cálculo de p pode ser realizado de duas formas. De modo empírico, basta contar o número
de indivíduos na condição de sucesso, e dividir pelo número total de elementos da amostra.
Esse método pode parecer simples, mas imagine uma amostra muito grande. Para auxiliar no
cálculo, podemos considerar que todos os casos de sucesso possuem valor “1”, e todos os
fracassos valem “0”. Uma vez definido o valor das variáveis conforme seu sucesso ou fracasso,
a média pode ser calculada por meio do estimador . Uma vez calculada a média, podemos
calcular a variância da proporção por meio da expressão:
2
var (p) = s = p (1 − p) (10)
Conforme o teorema do limite central, podemos escrever os parâmetros conforme:
10/08/2021 Ead.br
−− −−− −−−
p (1 − p)
^ = N (p; √
p ) (11)
n
Lembre-se que o termo está relacionado aos parâmetros amostrais, enquanto o fator p se
refere aos dados populacionais. Do mesmo modo que a análise da média, podemos expressar
a relação entre os valores amostrais e populacionais conforme a expressão:
^ − p
p
z = ∼ N (0, 1) (12)
−−−−−
p(1−p)
√
n
Aproximação à Distribuição Normal e Propriedades

Vimos ao longo da aula os conceitos sobre a amostragem e o teorema do limite central. A partir
desse teorema, vimos que, em uma amostra cuja distribuição de probabilidade segue uma
função binomial, os valores tendem a se acumular próximo à média populacional. Esse
comportamento, como já dito anteriormente, descreve o comportamento de uma distribuição
normal.
Para estudar com relação ao comportamento de uma amostra, a fim de conferir se esta tem
um comportamento normal, existem diversas técnicas. Entre elas, a mais simples é a
representação gráfica dos dados por meio de histogramas, e comparar o comportamento do
histograma ao da distribuição normal. Na Figura 1.4 temos duas distribuições amostrais. Na
Figura 1.4a vemos que ela tem a forma (comportamento) de uma distribuição normal. Nesse
caso, seria possível aproximar as avaliações com relação à amostra. Agora, no caso da Figura
1.4b, percebe-se que a amostra não segue uma distribuição normal.
A distribuição normal é uma distribuição contínua, amplamente utilizada nas análises

estatísticas. Não é possível o cálculo analítico de sua função de probabilidade, então é comum
o uso de tabelas de probabilidade. Seu formato se assemelha à de um sino, sendo simétrica
com relação ao valor máximo. Para a aplicação da distribuição, é comum a aplicação da
10/08/2021 Ead.br
distribuição normal padrão, com média nula e desvio-padrão unitário. Para aplicar a
distribuição normal padrão a qualquer amostra, deve-se aplicar a normalização a seguir:
x − μ
z = (13)
σ
O valor da variável x, quando normalizado para a variável z, também pode ser chamado de
escore-z. Ao estudar distribuição normal, assim como outras distribuições, devemos distinguir
a função probabilidade e a função densidade de probabilidade. A função probabilidade é
aquela que define os valores da função para os valores de x. No caso da distribuição normal, a
função é definida como:
2
x−μ
1 −
1
( )
2 σ
f (x) = e (14)
−−
σ√ 2π
A outra função importante é a função de densidade de probabilidade F(x), ela é obtida pela
integral da função de probabilidade.
+∞
F (x) = P (x) = ∫ f (x) dx (15)
−∞
Aproveitando o conceito sobre a integral da função de probabilidade, podemos reforçar a ideia

de que a integral se refere à área sob a curva de f(x). Então, a probabilidade de um evento está
relacionada diretamente à área limitada entre as condições levantadas. Por exemplo, se
desejamos o valor o valor do evento cuja probabilidade é menor que 30%, basta localizar o
valor de x cuja integral vale 0,3 (ou 30%), como representado na Figura 1.5.
Para entender sobre a aplicação da distribuição normal, imagine uma população cuja média
vale 5 e o desvio-padrão vale 0,5. Se desejamos saber qual a chance de selecionar uma amostra
com valor médio 4,5, devemos calcular o valor da variável z, e obter a probabilidade
equivalente. Então:
10/08/2021 Ead.br
x − μ 4, 5 − 5
z = = = −1
σ 0, 5
Consultando as tabelas de distribuição normal ou utilizando softwares estatísticos, temos que:
P (z < −1) = 0, 15 = 15
São propriedades da distribuição normal:
a. A área total acumulada vale 1;
b. A área acumulada é quase nula para valores de z próximos a z=-3,5 (ou probabilidade nula);
c. A área acumulada aumenta conforme os valores de z aumentam;
d. A área acumulada para z=0 é 0,5 (ou probabilidade de 50%);
e. A área acumulada é próxima a 1 para valores de z próximos a z=3,5 (ou probabilidade de

100%).
Outras Distribuições Amostrais

Ao estudar a inferência estatística ao longo desta Unidade, vimos que ela é diretamente
relacionada ao tamanho da amostra. Então, são necessárias distribuições que levem em
consideração o tamanho da amostra para o cálculo de suas densidades de probabilidades.
Devido à complexidade no cálculo de suas funções densidade de probabilidade, os valores
mais comuns são fornecidos em tabelas que relacionam o grau de liberdade e a probabilidade
de interesse. Entre elas temos:
a. Distribuição t de Student: é uma distribuição com comportamento semelhante ao da

distribuição normal, porém pode ter sua forma variando conforme o tamanho da amostra,
tornando-a mais ou menos estreita nas bases.
b. Distribuição qui-quadrado: é uma distribuição amplamente usada na inferência estatística,

quando o objeto de estudo é a variação dos valores. Por isso ela pode ser usada tanto para
inferir sobre a variância de uma amostra quanto para comparar o comportamento de duas
distribuições.
c. Distribuição f de Fisher-Snedecor: aplicada também na análise da variação dos dados,

sendo aplicada por exemplo para testes ANOVA (Análise de Variância).
10/08/2021 Ead.br
praticar
Vamos Praticar
Em período eleitoral, são comuns as pesquisas eleitorais com períodos cada vez mais curtos. Isso só é
possível graças à amostragem dos eleitores. Se, em uma pesquisa, um dos candidatos apresenta 30%
das intenções de votos, caso a amostra com n = 100 possua um comportamento normal, assinale a
alternativa que apresenta qual a variância dentro da população:
a) σ 2 = 0, 01 .
b) σ 2 = 0, 004 .
c) σ 2 = 0, 03 .
d) σ 2 = 0, 01 .
e) σ 2 = 0, 046 .
10/08/2021 Ead.br
in dica ções
Material Complementar
WEB
Ensinem estatística antes da matemática

Ano: 2009
‍Comentário: o professor Arthur Benjamin propõe que o ensino da

Estatística deveria ser considerado de forma mais assertiva,
reduzindo a atenção no cálculo. Isso, segundo o professor, seria de
aplicação mais ampla e proveitosa no cotidiano, já que a estatística
fornece as ferramentas para a análise mais prática dos fenômenos.
ACESSAR
10/08/2021 Ead.br
LIVRO
Estatística aplicada usando Excel

Elvira Maria Alves Nunes, Wesley Marcos de Almeida
Editora: EDUEM
ISBN: 978-85-7628-538-0
Comentário: Este livro mostra como as principais análises

estatísticas podem ser realizadas com o uso do software. No caso de
utilização de outros softwares de planilhas, o livro fornece os
conceitos que podem ser replicados em outros softwares.
10/08/2021 Ead.br
con clusã o
Conclusão
Ao longo da Unidade vimos os conceitos iniciais sobre a Inferência Estatística. Esses conceitos
serão de suma importância nos desenvolvimentos futuros, pois ajudarão a compreender como
a inferência é importante em diversos campos da pesquisa. A amostragem correta dispõe
dados não viesados, que fornecerão informações confiáveis sobre a população. Vimos que é
errado qualquer conclusão com relação aos dados apenas com os valores numéricos
estimados pela amostra, sendo necessária a construção dos testes de hipótese.
O conceito sobre o Teorema do Limite Central, juntamente com as distribuições amostrais

ajudam a compreender por que a chance de um elemento selecionado em uma amostra
possuir valores próximos à da média é grande, e abrem caminho para as análises a serem
realizadas a partir do índice de confiança desejado aos resultados.
referên cias
Referências Bibliográficas
BONAFINI, F. C. (org.). Probabilidade e Estatística. São Paulo: Pearson Education do Brasil,

2015. (Col. Bibliografia Universitária Pearson). Disponível na Biblioteca Virtual Universitária.
LARSON, R.; FARBER, B. Estatística Aplicada. 6. ed. São Paulo: Pearson, 2016. Disponível na
Biblioteca Virtual Universitária.
MORETTIM, L. G. Estatística Básica: probabilidade e inferência. 1. ed. São Paulo: Pearson,

2010. Disponível na Biblioteca Virtual Universitária.
WALPOLE, R. E. et al. Probabilidade e Estatística: para engenharia e ciências. 8. ed. São Paulo:
Pearson, 2009. Disponível na Biblioteca Virtual Universitária.

Inferência Estatística 01

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

Inferência Estatística 01

Enviado por

Direitos autorais:

Formatos disponíveis

10/08/2021 Ead.

É muito comum a necessidade de estudar o comportamento de grandes populações através de

Quando realizamos um experimento, e conhecemos todos os elementos avaliados, dizemos

Porém, em muitos casos, o estudo envolvendo a população se torna complexo ou mesmo

Ao estudar apenas os indivíduos da população selecionados pela amostragem, nos deparamos

Devemos compreender dois conceitos bastante importantes na estatística: a amostragem e o

Então, de modo geral, a inferência estatística é o conjunto de ferramentas capazes de fornecer

Os principais tipos de amostragem se diferem em amostragem probabilística e amostragem

Já a amostragem probabilística é a mais utilizada, e aplica algum critério para determinar

A amostragem estratificada é feita produzindo grupos de indivíduos segundo algum critério,

Independentemente do tipo de amostragem, é importante calcular o tamanho da amostra.

Onde N é o tamanho da população, n é o tamanho da amostra, n0 é a aproximação inicial da

Conceitos gerais da Inferência Estatística

Mais importante que o índice de confiança, a significância estatística α se refere à

Aplicações da Inferência Estatística

A resposta é simples: devemos amostrar os parafusos produzidos e estimar o diâmetro com

Fonte: Elaborado pelo autor.

A estimativa de um valor a partir da inferência pode ser interpretada graficamente na Figura

Já os testes de hipótese baseados na análise do p-valor avaliam a significância dos dados

Quando se deseja determinar o valor de um parâmetro da população a partir de um dado

Uma confusão comum é distinguir os termos estimadores e estimativa. Um estimador é a

A partir da manipulação da expressão do momento, é possível obter os estimadores pontuais.

O Método dos Mínimos Quadrados Ordinários é amplamente aplicado em problemas de

O princípio da máxima verossimilhança afirma que o estimador pontual é um valor que

Independentemente do método de estimação aplicado, é comum a utilização dos estimadores

Quadro 1.1 - Estimadores pontuais

Fonte: Elaborado pelo autor.

O desvio-padrão amostral s é obtido a partir da variância amostral:

É importante ressaltar um detalhe importante. Quando nos referimos a um estimador pontual,

nte: Elaborado pelo autor.

Propriedades de um bom estimador pontual

Quadro 1.2 - Estimadores não tendenciosos

Fonte: Elaborado pelo autor.

próximo à da estimativa já existente é maior que a chance de encontrar um indivíduo que

c. Consistência: essa propriedade se refere à relação entre o tamanho da amostra e a

A eficiência está relacionada diretamente à variação dos elementos da amostra em torno do

Para compreender a importância da distribuição amostral, imaginemos uma população

Teorema do Limite Central

Figura 1.2 - Tabuleiro de Galton

Fonte: Elaborada pelo autor.

Se uma amostra segue o comportamento descrito anteriormente, e o número de elementos n

Distribuição amostral da média

Onde o valor de z representa um parâmetro normalizado para estudo da distribuição normal.

Outras Distribuições Amostrais

Conforme o teorema do limite central, podemos escrever os parâmetros conforme:

Aproximação à Distribuição Normal e Propriedades

A distribuição normal é uma distribuição contínua, amplamente utilizada nas análises

F (x) = P (x) = ∫ f (x) dx (15)

Aproveitando o conceito sobre a integral da função de probabilidade, podemos reforçar a ideia

Consultando as tabelas de distribuição normal ou utilizando softwares estatísticos, temos que:

São propriedades da distribuição normal:

a. A área total acumulada vale 1;

c. A área acumulada aumenta conforme os valores de z aumentam;

d. A área acumulada para z=0 é 0,5 (ou probabilidade de 50%);

e. A área acumulada é próxima a 1 para valores de z próximos a z=3,5 (ou probabilidade de

Outras Distribuições Amostrais

a. Distribuição t de Student: é uma distribuição com comportamento semelhante ao da

b. Distribuição qui-quadrado: é uma distribuição amplamente usada na inferência estatística,

c. Distribuição f de Fisher-Snedecor: aplicada também na análise da variação dos dados,

Ensinem estatística antes da matemática

‍Comentário: o professor Arthur Benjamin propõe que o ensino da

Estatística aplicada usando Excel