1

Ministério da Educação
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
Câmpus Curitiba
Diretoria de Graduação e Educação Profissional
Departamento Acadêmico de Estatística

Disciplina: Probabilidade e Estatística (MA70H) - Turma: - Profª Silvana Heidemann Rocha

Estudante: ___________________________________________Código: ______________

INTERVALO DE CONFIANÇA PARA UM PARÂMETRO

1 INTRODUÇÃO
A partir da distribuição amostral de um estimador (isto é, do modelo probabilístico para o
estimador) ou a partir de uma quantidade pivotal (isto é, de uma relação entre o estimador e o
parâmetro, a qual possui um modelo probabilístico conhecido) é possível construir intervalos de
confiança para o parâmetro de interesse.
A seguir, veremos os intervalos de confiança mais usuais; em geral, obtidos a partir de uma
amostra casual simples, com reposição, de uma população com distribuição Normal.

2 INTERVALO DE CONFIANÇA (I.C.) BILATERAIS

2.1 Para a média populacional ( 𝜇𝑋 ou 𝜇 )

2.1.1 Caso em que a amostra aleatória provém de uma população Normal com variância conhecida

∑𝑁
𝑖=1(𝑥𝑖 −𝜇𝑋 )
2
• População: X ~ N ( X , X
2
), com variância 𝜎𝑋2 = conhecida
𝑁
∑𝑁
𝑖=1 𝑥𝑖
• Parâmetro de interesse para ser estimado: 𝜇𝑋 =
𝑁
• Amostra aleatória: X = ( X 1 , X 2 ,..., X n )
~
n

X i
• Estimador adequado (ou "bom estimador"): X = i =1

n
 2
2  X2
• Modelo probabilístico do estimador: X ~ N (  X , X
) , em que 𝜇𝑋̅ =  X e 𝜎𝑋̅ =
n n
 2 𝑋̅−𝜇𝑋
Observação: X ~ N (  X , X
) ⟺Z= 𝜎𝑋 ~N(0, 1)
n
√𝑛

• Nível de confiança: 1 − 𝛼 , com 0 < 𝛼 ≅ 0

𝜎 𝜎
• IC 1−𝛼 ( 𝜇𝑋 / 𝑋~𝑁 e 𝜎𝑋2 conhecida) = ]𝑋̅ − 𝑧𝛼/2 ∙ 𝑋 ; 𝑋̅ + 𝑧𝛼/2 ∙ 𝑋 [
√𝑛 √𝑛
𝜎
• Margem de erro: 𝑧𝛼/2 𝑋 (para mais e para menos)
√𝑛

Demonstração da fórmula desse IC:

𝑃(𝑥̅1 < 𝑋̅ < 𝑥̅2 ) = 1 − 𝛼 ⇒ 𝑃(𝑥̅1 − 𝜇𝑋̅ < 𝑋̅ − 𝜇𝑋̅ < 𝑥̅2 − 𝜇𝑋̅ ) = 1 − 𝛼 ⇒
𝜎𝑋
̅ >0
 2
𝑥̅1 − 𝜇𝑋̅ 𝑋̅ − 𝜇𝑋̅ 𝑥̅2 − 𝜇𝑋̅ 𝑋̅ − 𝜇𝑋
𝑃( < < ) = 1 − 𝛼 ⇒ 𝑃 (−𝑧𝛼/2 < 𝜎𝑋 < 𝑧𝛼/2 ) = 1 − 𝛼 ⇒
𝜎𝑋̅ 𝜎𝑋̅ 𝜎𝑋̅
√𝑛
𝜎𝑋 𝜎𝑋 𝜎𝑋 𝜎𝑋
𝑃 (−𝑧𝛼/2 < 𝑋̅ − 𝜇𝑋 < 𝑧𝛼/2 ) = 1 − 𝛼 ⇒ 𝑃 (−𝑧𝛼 − 𝑋̅ < −𝜇𝑋 < 𝑧𝛼/2 − 𝑋̅) = 1 − 𝛼 ⇒
√𝑛 √𝑛 2 √𝑛 √𝑛
𝜎𝑋 𝜎𝑋 𝜎𝑋 𝜎𝑋
𝑃 (𝑧𝛼 + 𝑋̅ > 𝜇𝑋 > − 𝑧𝛼 + 𝑋̅) = 1 − 𝛼 ⇒ 𝑃 (𝑋̅ − 𝑧𝛼 < 𝜇𝑋 < 𝑋̅ + 𝑧𝛼 )=1−𝛼
2 √𝑛 2 √𝑛 2 √𝑛 2 √𝑛

Portanto,
𝜎 𝜎
IC 1−𝛼 ( 𝜇𝑋 / 𝑋~𝑁 e 𝜎𝑋2 conhecida) = ]𝑋̅ − 𝑧𝛼/2 𝑋 ; 𝑋̅ + 𝑧𝛼/2 𝑋 [
√𝑛 √𝑛

2.1.2 Caso em que a amostra aleatória provém de uma população Normal com variância desconhecida

∑𝑁
𝑖=1(𝑥𝑖 −𝜇𝑋 )
2
• População: X ~ N ( X , X
2
), com variância 𝜎𝑋2 = desconhecida e
𝑁
∑𝑛
𝑖=1(𝑋𝑖 −𝑋)
2
estimada por 𝑆𝑋2 =
𝑛−1
∑𝑁
𝑖=1 𝑥𝑖
• Parâmetro de interesse para ser estimado: 𝜇𝑋 =
𝑁
• Amostra aleatória: X = ( X 1 , X 2 ,..., X n )
~
n

X i
• Estimador adequado (ou "bom estimador"): X = i =1

n
X − X 2 S2
• Quantidade pivotal: T = ~ t n −1 , em que 𝜇𝑋̅ =  X e 𝜎̂𝑋̅ = X
SX n
n
Observação: t n −1 é a distribuição t-Student com n - 1 graus de liberdade.

• Nível de confiança: 1 − 𝛼 , com 0 < 𝛼 ≅ 0

̅ −𝑡 𝑆𝑋 ̅ 𝑆𝑋
• IC 1−𝛼 ( 𝜇𝑋 / 𝑋~𝑁 e 𝜎𝑋2 desconhecida) = ]𝑋 𝑛−1; 𝛼/2 ∙ √𝑛 ; 𝑋 + 𝑡𝑛−1; 𝛼/2 ∙ √𝑛 [

𝑆
• Margem de erro: 𝑡𝑛−1; 𝛼/2 𝑋 (para mais e para menos)
√𝑛

Demonstração da fórmula desse IC:

𝑃(𝑥̅1 < 𝑋̅ < 𝑥̅2 ) = 1 − 𝛼 ⇒ 𝑃(𝑥̅1 − 𝜇𝑋̅ < 𝑋̅ − 𝜇𝑋̅ < 𝑥̅2 − 𝜇𝑋̅ ) = 1 − 𝛼 ⇒
̂𝑋
𝜎 ̅ >0

𝑥̅1 − 𝜇𝑋̅ 𝑋̅ − 𝜇𝑋̅ 𝑥̅2 − 𝜇𝑋̅ 𝑋̅ − 𝜇𝑋

𝑃( < < ) ≅ 1 − 𝛼 ⇒ 𝑃 (−𝑡𝑛−1; 𝛼/2 < < 𝑡𝑛−1; 𝛼/2 ) = 1 − 𝛼 ⇒
𝜎̂𝑋̅ 𝜎̂𝑋̅ 𝜎̂𝑋̅ 𝑆𝑋
√𝑛
𝑆𝑋 𝑆𝑋
𝑃 (−𝑡𝑛−1; 𝛼/2 < 𝑋̅ − 𝜇𝑋 < 𝑡𝑛−1; 𝛼/2 )= 1−𝛼 ⇒⋯ ⇒
√𝑛 √𝑛
𝑆𝑋
⇒ 𝑃 (𝑋̅ − 𝑡𝑛−1; 𝛼/2 < 𝜇𝑋 < 𝑋̅ + 𝑡𝑛−1; 𝛼/2 ) = 1 − 𝛼
√𝑛
Portanto,
𝑆𝑋 𝑆
̅ − 𝑡𝑛−1; 𝛼/2
IC 1−𝛼 ( 𝜇𝑋 / 𝑋~𝑁 e 𝜎𝑋2 desconhecida) = ]𝑋 ; 𝑋̅ + 𝑡𝑛−1; 𝛼/2 𝑋 [
√𝑛 √𝑛
 3
2.1.3 Teorema Central do Limite

Seja uma amostra aleatória X = ( X 1 , X 2 ,..., X n ) de uma população X ~ • (  X ,  X2 ) cujo

~
∑𝑁
𝑖=1 𝑥𝑖
modelo probabilístico é desconhecido, a média populacional é 𝜇𝑋 = e a variância
𝑵
∑𝑁
𝑖=1(𝑥𝑖 −𝜇𝑋 )
2 ∑𝑛
𝑖=1 𝑋𝑖
populacional é 𝜎𝑋2 = . Denotando a média amostral por 𝑋, em que 𝑋 = ,
𝑵 𝒏
tem-se:

𝑋̅−𝜇𝑋
𝑍= 𝜎𝑋 → N(0, 1)
𝑛→+∞
√𝑛

Observações:

𝑋̅−𝜇𝑋  X2 2  X2
• 𝑍= 𝜎𝑋 → N(0, 1) ⇔ X → N ( X , ) , em que 𝜇𝑋̅ =  X e 𝜎𝑋̅ =
𝑛→+∞ 𝑛→+∞ n n
√𝑛

• 𝑍→ N(0, 1) ⇔ 𝑍 ≈ 𝑁(0,1) , quando 𝑛 é "suficientemente grande", isto é, grande o

𝑛→+∞
bastante para se determinar o padrão de comportamento da variável Z.

• Na prática, por simulações computacionais, pode-se constatar que 𝑛 ≥ 30 é

suficientemente grande para se determinar o modelo probabilístico para 𝑋, caso a variável
aleatória 𝑋 (cujo modelo probabilístico representa a população) tenha uma distribuição
probabilística assimétrica. Caso a distribuição probabilística de 𝑋 seja simétrica, pode-se
constatar por simulações computacionais que 𝑛 < 30 já permite verificar a convergência
de X para uma distribuição normal. (Ver MAGALHÃES, M. N.; LIMA, A. C. P. Noções de
probabilidade e estatística. São Paulo: EDUSP, 2008)

2.2 Para a variância populacional ( 𝜎𝑋2 ou 𝜎 2 )

• População: X ~ N ( X , X
2
), com média 𝜇𝑋 e variância 𝜎𝑋2 desconhecidas
∑𝑁
𝑖=1(𝑥𝑖 −𝜇𝑋 )
2
• Parâmetro de interesse para ser estimado: 𝜎𝑋2 =
𝑁
• Amostra aleatória: X = ( X 1 , X 2 ,..., X n )
~
n

(X i − X )2
• Estimador adequado (ou "bom estimador"): S X2 = i =1

n −1
SX
2
 n2−1
• Quantidade pivotal (ou estatística de teste): (n − 1) ~ 2
n −1 ⟺ S X2 ~  X2 .
 X2 n −1
Observação:  n2−1 é a distribuição Qui-Quadrado com n - 1 graus de liberdade.
• Nível de confiança: 1 − 𝛼 , com 0 < 𝛼 ≅ 0

2 2
(𝑛−1) S X (𝑛−1) S X
• IC 1−𝛼 ( 𝜎2𝑋 / 𝑋~𝑁 e 𝜇𝑋 e 𝜎𝑋2 desconhecidas) = ] 𝜒2 ; [
𝛼 𝜒2 𝛼
𝑛−1; 1− 𝑛−1;
2 2
2 2 2 2
em que 𝜒 𝛼 = 𝜒𝑚𝑎𝑖𝑜𝑟 e 𝜒𝑛−1; 𝛼 = 𝜒𝑚𝑒𝑛𝑜𝑟
𝑛−1; 1−
2 2
 4
Demonstração da fórmula desse IC:

2
Fazendo S X = S 2 , vem:
𝑃(𝑠12 < 𝑆 2 < 𝑠22 ) = 1 − 𝛼 ⇒ 𝑃( (𝑛 − 1)𝑠12 < (𝑛 − 1)𝑆 2 < (𝑛 − 1)𝑠22 ) = 1 − 𝛼 ⇒

(𝑛 − 1)𝑠12 (𝑛 − 1)𝑆 2 (𝑛 − 1)𝑠22 2 (𝑛 − 1)𝑆 2 2

𝑃( 2 < 2 < 2 ) = 1 − 𝛼 ⇒ 𝑃 ( 𝜒𝑛−1; 𝛼 < 2 < 𝜒𝑛−1; 𝛼)=1−𝛼 ⇒
𝜎𝑋 𝜎𝑋 𝜎𝑋 2 𝜎𝑋 1−
2

2 2
𝜒𝑛−1; 𝛼 𝜒𝑛−1; 𝛼
2 1 1−
2
𝑃( < 2< )= 1−𝛼 ⇒
(𝑛 − 1)𝑆 2 𝜎𝑋 (𝑛 − 1)𝑆 2

(𝑛 − 1)𝑆 2 (𝑛 − 1)𝑆 2
⇒ 𝑃( > 𝜎𝑋2 > )=1−𝛼 ⇒
𝜒2 𝛼 𝜒2 𝛼
𝑛−1; 2 𝑛−1; 1− 2

(𝑛 − 1)𝑆 2 2
(𝑛 − 1)𝑆 2
⇒ 𝑃( 2 < 𝜎𝑋 < )=1−𝛼
𝜒 𝛼 𝜒2 𝛼
𝑛−1; 1− 2 𝑛−1; 2

Portanto, como S
2
= S X2 , tem-se:
2 2
(𝑛−1) S X (𝑛−1) S X
IC 1−𝛼 ( 𝜎𝑋2 / 𝑋~𝑁 e 𝜇𝑋 e 𝜎𝑋2 desconhecidas) = ] 𝜒2 ; 𝜒2
[ , em que
𝛼 𝛼
𝑛−1; 1− 𝑛−1;
2 2
2 2 2 2
𝜒𝑛−1; 1−
𝛼 = 𝜒𝑚𝑎𝑖𝑜𝑟 e 𝜒𝑛−1; 𝛼 = 𝜒𝑚𝑒𝑛𝑜𝑟
2 2

2.3 Para a proporção populacional ( 𝜌𝑋 ou p )

1, se A
• População: 𝑋~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖(𝑝), isto é, X i =  , onde A é a característica em
0, se Ac
estudo
N ( A) ∑𝑁 𝑥
• Parâmetro de interesse para ser estimado: p = ⟺ 𝜇𝑋 = 𝑖=1 𝑖
N 𝑁
• Amostra aleatória: X = ( X 1 , X 2 ,..., X n )
~
n

n( A)
 Xi
• Estimador adequado (ou "bom estimador"): p ˆ= X = i =1

n n
pˆ − p
• Quantidade pivotal (ou estatística de teste): Z= ⎯⎯ ⎯→ N (0,1)
n → +
p(1 − p)
n
Observação:
^ pˆ − p
p ⎯⎯ ⎯
⎯→ p . Assim, na prática como desconhecemos p, faz-se ⎯n⎯ ⎯⎯→ N (0,1), onde
→ +
n → + pˆ (1 − pˆ ) isto é n 30
n
pˆ (1 − pˆ ) p(1 − p)
é denominado erro- padrão estimado do erro padrão
n n
 5
• Nível de confiança: 1 − 𝛼 , com 0 < 𝛼 ≅ 0

pˆ (1 − pˆ ) pˆ (1 − pˆ )
IC 1−𝛼 ( 𝑝 / 𝑋~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 (𝑝) e 𝑛 > 30 ) ≅ ]𝑝
̂ − 𝑧𝛼/2 ;𝑝
̂ + 𝑧𝛼/2 [
n n

pˆ (1 − pˆ )
• Margem de erro: 𝑧𝛼/2 (para mais e para menos)
n

Demonstração da fórmula desse IC:

3 TAMANHO DE AMOSTRA PARA SE ESTIMAR UM PARÂMETRO POR MEIO DE UM

INTERVALO DE CONFIANÇA

3.1 Média populacional ( 𝜇𝑋 ou 𝜇 )

3.1.1 Caso em que a amostra aleatória provém de uma população Normal com variância conhecida

𝑋̅−𝜇𝑋
A partir da equação 𝑃 (−𝑧𝛼/2 < 𝜎𝑋 < 𝑧𝛼/2 ) = 1 − 𝛼 , tem-se:
√𝑛

𝑋̅ − 𝜇𝑋 |𝑋̅ − 𝜇𝑋 | |𝑋̅ − 𝜇𝑋 |
| 𝜎 | < 𝑧𝛼/2 ⇒ < 𝑧𝛼/2 ⇒ 𝜎𝑋 < 𝑧𝛼/2 ⇒
𝑋 𝜎𝑋 𝜎𝑋
| | >0
√𝑛 √𝑛 √𝑛 √𝑛

𝜎𝑋 𝜎𝑋 𝜎𝑋 2
|𝑋̅ − 𝜇𝑋 | < 𝑧𝛼/2 ⇒ √𝑛 < 𝑧𝛼/2 ⇒ 𝑛 < (𝑧𝛼/2 )
√𝑛 |𝑋̅ − 𝜇𝑋 | 𝑋̅ − 𝜇𝑋
Para garantir o nível de confiança pré-fixado, faz-se
𝑧𝛼/2 𝜎𝑋 2
𝑛= ( 𝑋̅−𝜇 ) ,
𝑋
pré-fixando-se também o erro amostral |𝑋̅ − 𝜇𝑋 | e arredondando-se 𝑛 sempre para maior.

3.1.2 Caso em que a amostra aleatória provém de uma população Normal com variância desconhecida

𝑋̅−𝜇𝑋
A partir da equação 𝑃 (−𝑡𝑛−1; 𝛼/2 < 𝑆𝑋 < 𝑡𝑛−1; 𝛼/2 ) = 1 − 𝛼 , chega-se a:
√𝑛
 6
2
𝑆𝑋
𝑛 < (𝑡𝑛−1; 𝛼/2 )
𝑋̅ − 𝜇𝑋
Para garantir o nível de confiança pré-fixado, faz-se
𝑡 𝑆𝑋 2
𝑛 = ( 𝑛−1;̅ 𝛼/2 ) ,
𝑋−𝜇𝑋
pré-fixando-se também o erro amostral |𝑋̅ − 𝜇𝑋 | e arredondando-se 𝑛 sempre para maior.

3.2 Proporção populacional ( 𝜌𝑋 ou p )

A partir da distribuição amostral da proporção (isto é, da distribuição de probabilidade da

proporção amostral), chega-se a:
2
𝑧𝛼/2
𝑛=( ) ∙ 𝑝(1 − 𝑝)
pˆ − p
Como 0 < 𝑝 < 1, o produto 𝑝(1 − 𝑝) assume o valor máximo quando 𝑝 = 0,5.