Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatísticas e
Distribuições de
Amostragem
Inferência Estatística
Parâmetros e Estatísticas
Fonte da imagem:
https://newonlinecourses.science.psu.edu/stat200/sites/stat200/files/inli
ne-images/InferenceGraphicSU17.png
Distribuições de
Amostragem
Fonte da imagem:
https://www.safaribooksonline.com/library/view/practical-statistics-
for/9781491952955/assets/psds_0201.png
Simulação
5
Variação Amostral e
Distribuição Amostral
Exemplo
13
Exemplo
14
Variabilidade Amostral: exemplo
▪ Isto é algo razoável de se fazer?
▪ A estimativa que resulta deste cálculo é provável de
estar próxima do valor de 𝜇, a média da população?
▪ Para responder a estas questões considere um
experimento simples que nos permite examinar o
comportamento da estatística quando amostras
aleatórias de tamanho 5 são repetidamente
selecionadas.
15
Variabilidade Amostral: exemplo
▪ Selecionamos uma AAS dos seguintes 5 alunos:
17, 20, 7, 11 e 9.
▪ Para esta amostra temos:
16
Variabilidade Amostral: exemplo
17
Variabilidade Amostral: exemplo
18
Variabilidade Amostral: exemplo
Amostra Média Amostral Amostra Média Amostral Amostra Média Amostral
20
Média amostral
Distribuição de Amostragem
21
Distribuição Amostral da
Média Amostral
22
Exemplo: Derivando a Distribuição de
Amostragem de uma Estatística
𝒙 80 100 120
Pr(𝑋 = 𝑥) 0,2 0,3 0,5
𝜇 = 106
𝜎 2 = 244
Prof. Augusto C. Souza - 2018/2
Exemplo: Derivando a Distribuição de
Amostragem de uma Estatística
▪ Suponha que apenas dois tocadores de MP3 sejam vendidos hoje.
▪ Seja 𝑋1 = o custo do primeiro tocador e 𝑋2 = o custo do segundo.
Suponha que 𝑋1 e 𝑋2 sejam independentes, cada um com a
distribuição de probabilidade mostrada de 𝑋, de modo que 𝑋1 e 𝑋2
constituam uma amostra aleatória da distribuição 𝑋.
▪ A Tabela a seguir lista possíveis pares (𝑥1 , 𝑥2 ), a probabilidade de
cada par usando com referência 𝑋 e a suposição de independência
e os valores resultantes 𝑥 e 𝑠 2 .
▪ Quando 𝑛 = 2, 𝑠 2 = 𝑥1 − 𝑥 2 𝑝 𝑥1 + 𝑥2 − 𝑥 2 𝑝 𝑥2
▪ Distribuição de probabilidade de 𝑋
▪ Distribuição de probabilidade de 𝑠 2
𝒔𝟐 0 200 800
𝑝𝑠 2 𝑠 2 0,38 0,42 0,20
𝑉 𝑋 = 𝑥 − 𝜇 2𝑝 𝑥 = 𝑥 − 106 2 𝑝 𝑥
2 2
= 80 − 106 0,04 + ⋯ + 120 − 106 0,25 = 122
244 𝜎2
Note que: 𝑉 𝑋 = 122 = =
2 𝑛
𝐸 𝑆2 = 𝑠 2 𝑝 𝑠 2 = 0 0,38 + 200 0,42 + 800 0,20 = 244 = 𝜎 2
𝐸 𝑋 = 106 = 𝜇
𝜎2 𝜎2
𝑉 𝑋 = 61 = =
4 𝑛
32
Distribuição Amostral da Média Amostral
33
Distribuição Amostral da Média Amostral
▪ Exemplo 1:
▪ Tamanho das plaquetas sanguíneas:
Um artigo apresentou dados sugerindo que a distribuição do
tamanho das plaquetas para pacientes com dor no peito não
cardíaca é aproximadamente normal com média m = 8,25 e
desvio padrão s = 0,75.
34
Distribuição Amostral da Média Amostral
▪ Exemplo 1 - Experimento:
1. Selecionar 500 amostras aleatórias da população.
▪ Tamanho de cada amostra: n = 5.
2. Calcular a média para cada amostra.
3. Fazer um histograma das 500 médias calculadas.
4. Repetir o procedimento para amostras de tamanhos: n = 10, n
= 20 e n = 30.
35
Obs.:
1. Forma
2. Centro
3. Dispersão
… 𝒙 baseada em
uma amostra de
tamanho grande
tende a estar mais
próxima de 𝝁 do que
𝒙 baseada em uma
amostra pequena …
36
Distribuição Amostral da Média Amostral
m = 9,841
Mediana = 8,000
37
Distribuição Amostral da Média Amostral
▪ Exemplo 2 - Experimento:
1. Selecionar 500 amostras aleatórias da população.
▪ Tamanho de cada amostra: n = 5.
2. Calcular a média para cada amostra.
3. Fazer um histograma das 500 médias calculadas.
4. Repetir o procedimento para amostras de tamanhos: n = 10, n
= 20 e n = 30.
38
Obs.:
1. Centro
2. Dispersão
3. Forma
39
Forma
A forma normal do
histograma para
𝑛 = 30 é o que é
previsto pelo
Teorema Central
Limite.
40
Teorema Central do Limite
41
Propriedades Gerais da Distribuição Amostral
de 𝑥.
42
Propriedades Gerais da Distribuição Amostral
de 𝑥.
Regra 1: 𝜇𝑥 = 𝜇
𝜎
Regra 2: 𝜎𝑥 = Esta regra é exata se a população é infinita e é
√𝑛
aproximadamente correta se a população é finita e não mais do que
10% da população está incluída na amostra.
Regra 3: Quando a distribuição da população é normal, a distribuição de
amostragem de também é normal para qualquer tamanho da amostra
n.
Regra 4: (Teorema Central do Limite) Quando n é suficientemente grande,
a distribuição amostral de 𝑥 é bem aproximada por uma curva normal,
mesmo quando a distribuição da população não é em si normal.
43
Propriedades Gerais da Distribuição Amostral
de 𝑥.
População População
44
Propriedades Gerais da Distribuição Amostral
de 𝑥.
45
Propriedades Gerais da Distribuição Amostral
de 𝑥.
▪ Recorde-se que uma variável é padronizada subtraindo o valor
médio e depois dividindo por seu desvio padrão. Usando as Regras
1 e 2 para padronizar 𝑥, obtemos duas importantes regras:
46
Propriedades Gerais da Distribuição Amostral
de 𝑥.
47
Propriedades Gerais da Distribuição Amostral
de 𝑥.
48
Exercício 1 – Duração do canto de Bluethroats
▪ Bluethroats masculinos têm um canto
complexo que parece ser usado para
atrair as fêmeas. Seja X a duração de
um canto selecionado aleatoriamente
(em segundos) para um Bluethroat do
sexo masculino.
▪ Suponha que o valor médio da
duração de um canto seja m = 13,8
seg. e que o desvio padrão da
duração do canto seja s = 11,8 seg.
▪ Estudos reportam que o conto não é
normalmente distribuído.
49
Exercício 1 – Duração do canto de Bluethroats
▪ Descreva a distribuição amostral da média amostral baseada em
uma amostra aleatória do tempo de n = 25 cantos.
1. Média da distribuição amostral da média amostral.
𝜇𝑥 = 13,8 𝑠𝑒𝑔.
2. Desvio Padrão da distribuição amostral da média amostral.
𝜎 11,8
𝜎𝑥 = = = 2,36
𝑛 25
3. Forma?
50
Exercício 1 – Duração do canto de Bluethroats
3. Forma
51
Exercício 2 – Volumes de latas de refrigerantes
52
Exercício 2 – Volumes de latas de refrigerantes
▪ Como a distribuição de X é normal, a distribuição amostral de 𝑥
também é normal.
▪ Se a afirmação do fabricante está correta, a distribuição amostral
de 𝑥 tem um valor médio de
𝜇𝑥 = 𝜇 = 12
e um desvio padrão de
𝜎 0,16
𝜎𝑥 = = = 0,04
𝑛 16
53
Exercício 2 – Volumes de latas de refrigerantes
▪ Padronizando 𝑥:
11,96 12
Limite inferior : LI 10
0,04
12,08 - 12
Lmite Superior : LS 2,0
0,04
55
Exercício 2 – Volumes de latas de refrigerantes
▪ Solução:
= 1 − 0,0228 − 0,1587
= 0,8115
56
Exercício 2 – Volumes de latas de refrigerantes
▪ Qual é a probabilidade de que o volume amostral médio de refrigerante seja no
máximo 11,9 oz.
11,9 12
Px 11,9 P z
0,04
Pz 2,5 Pz 2,5
,5
0 P0 z
2,
5
área acima área entre
da média (zero) 0 e 2,5
0,5 0,4938 0,0062
57
Exercício 2 – Volumes de latas de refrigerantes
58
Exercício 3 - Teor de gordura em cachorro
quente
59
Exercício 3 - Teor de gordura em cachorro-
quente
𝜎 1
𝜎𝑥 = = = 0,1667
𝑛 36
60
Exercício 3 - Teor de gordura em cachorro-
quente
𝜇𝑥 = 𝜇 = 18𝑔
61
Exercício 3 - Teor de gordura em cachorro-
quente
62
Exercício 3 - Teor de gordura em cachorro-
quente
18,4 18
Px 18,4 P z
0,1667
Pz 2,4 0,0082
63
64
Exercícios
1. Uma amostra aleatória simples é selecionada
de um população com média m = 100 e desvio
padrão s = 10. Determine a média e o desvio
padrão da distribuição amostral de 𝑥 para cada
tamanho de amostra a seguir:
a. n = 9 e. n = 50
b. n = 15 f. n = 100
c. n = 36 g. n = 400
d. n = 50
Exercício: Revisão
65
Exercício 7: Revisão
66
Distribuição Amostral da
proporção Amostral
67
Distribuição Amostral da Proporção Amostral
▪ O objetivo de muitas investigações estatísticas é fazer afirmações sobre a
proporção de indivíduos ou objetos em uma população que possuem
uma característica específica.
▪ Consumidores de café que consomem regularmente café descafeinado.
▪ Eleitores que têm intenção de votar em determinado candidato.
68
▪ Estatística p:
▪ Base para inferência sobre 𝜋.
número de sucessos na amostra #𝑆
𝑝= =
𝑛 𝑛
▪ Para fazer inferência sobre 𝜋, devemos, primeiramente, aprender
sobre as propriedades da distribuição amostral da estatística p.
▪ Por exemplo: quando 𝑛 = 5, os seis possíveis valores de p são: 0;
0,2 (de 1/5); 0,4; 0,6; 0,8 e 1.
▪ A distribuição de 𝑝 fornece a probabilidade de cada um dos seis
valores.
70
Distribuição Amostral da Proporção Amostral
▪ Exemplo 1: Experimento
1. Selecionar 500 amostras aleatórias da população.
▪ Tamanho de cada amostra: n = 5.
2. Calcular a proporção de S em cada amostra.
3. Fazer um histograma das 500 proporções p calculadas.
4. Repetir o procedimento para amostras de tamanhos: n = 10, n
= 25 e n = 50.
71
Obs.:
1. Forma
2. Centro
3. Dispersão
… o valor de p
baseado em uma
grande amostra tende
a estar mais próximo
de p do que uma p
baseada em uma
amostra pequena…
72
Distribuição Amostral da Proporção Amostral
73
Distribuição Amostral da Proporção Amostral
▪ Exemplo 2: Experimento
1. Selecionar 500 amostras aleatórias da população.
▪ Tamanho de cada amostra: n = 5.
2. Calcular a proporção de S em cada amostra.
3. Fazer um histograma das 500 proporções p calculadas.
4. Repetir o procedimento para amostras de tamanhos: n = 10, n
= 25 e n = 50.
74
Obs.:
1. Forma
2. Centro
3. Dispersão
* Somente com n =
100 a forma da
distribuição se
aproxima bem de
uma normal.
* A aproximação da
distribuição de p por
uma normal depende
de n e p… 75
Propriedades gerais da distribuição amotral de
p
▪ Seja p a proporção de sucessos em uma AAS de tamanho n de
uma população na qual a proporção de S é p. Seja o valor médio
de p denotado por 𝜇𝑝 e o desvio padrão de 𝜎𝑝 . Então as seguintes
regras valem:
▪ Regra 1: 𝜇𝑝 = 𝜋
𝜋 1−𝜋
▪ Regra 2: 𝜎𝑝 = . Esta regra é exata se a população é infinita e é
𝑛
aproximadamente correta se a população é finita e não mais que 10% da
população pertence à amostra.
▪ Regra 3: Quando n é grande e p não está muito próximo de 0 ou 1, a
distribuição de amostragem de p é aproximadamente normal.
76
Propriedades gerais da distribuição amostral de
p
▪ Quanto mais o valor de p se afasta de 0,5, maior deve ser o n para
que a aproximação da distribuição amostral de p pela normal seja
exata.
77
Propriedades gerais da distribuição amostral de
p
▪ Um tamanho de amostra de n=100 não é, por si só, suficiente para
justificar a utilização de uma aproximação normal.
▪ Se p = 0,01, a distribuição de p é extremamente assimétrica à direita, por
isso uma curva na forma de sino não dá uma boa aproximação.
▪ Do mesmo modo, se n = 100 e p = 0,99 (de modo que 𝑛 1 − 𝑝 = 1 <
10), a distribuição de p tem uma inclinação negativa substancial. As
condições 𝑛𝑝10 e 𝑛 1 − 𝑝 10 garantem que a distribuição amostral de
p não é muito assimétrica. Se p = 0,5, a aproximação normal pode ser
usada para n tão pequeno como 20, enquanto que para p = 0,05 ou 0,95,
n deve ser de pelo menos igual a 200.
78
Exemplos
79
Exemplos
80
Exemplos
▪ 𝜇𝑝 = 𝜋 = 0,07
81
Exemplos
𝑛𝜋 = 200 0,07 = 14 ≥ 10
e
𝑛 1 − 𝜋 = 200 0,93 = 186 ≥ 10
82
Exemplos
0,03 − 0,07
𝑃 𝑝 < 0,03 = 𝑃 𝑧 <
0,108
= 𝑃 𝑧 < −2,22
= 0,0132
83
Exemplos
84