Inf M2

Inferência Estatı́stica: Distribuições Amostrais Sob Normalidade e Para Proporção
Inferência Estatı́stica: Distribuições Amostrais

Sob Normalidade e Para Proporção
Profª.: Fernanda Clotilde
Aula preparada para turma de Inferência Estatı́stica

do Departamento de Estatı́stica da Universidade Estadual da Paraı́ba.
Campina-Grande
Agosto de 2023 1 / 16
Distribuições Amostrais Sob Normalidade
Teorema 4: Seja X1 , X2 , . . . , Xn uma a.a. da distribuição N(0, 1), então
X12 + X22 + · · · + Xn2 ∼ χ2(n) . (1)
Demonstração do Teorema 4: no quadro...
2 / 16
Generalização: Se X1 , X2 , . . . , Xn são independentes e Xi ∼ χ2(αi ) , então
X1 + X2 + · · · + Xn ∼ χ2(α1 +α2 +···+αn ) . (2)
Resumindo: A soma de v.a’s independentes com distribuição χ2 é uma

v.a. com distribuição χ2 com graus de liberdade igual a soma dos graus
de liberdade de cada uma das v.a’s.
3 / 16
Teorema 5: Se X1 , X2 , . . . , Xn uma a.a. da distribuição N(µ, σ 2 ), então
(n − 1)S 2
∼ χ2(n−1) , (3)
σ2
1
Pn
com S 2 = n−1 i=1 (Xi − X )2 (Variância Amostral).
√
Observação.: S = S 2 é chamado de Desvio Padrão Amostral.
Demonstração do Teorema 5: no quadro...
4 / 16
Outros teoremas úteis e importantes em inferência:
Teorema 6: X e S 2 são variáveis aleatórias independentes.
Teorema 7: Se X1 , X2 , . . . , Xn é uma amostra aleatória de X ∼ N(µ, σ 2 ),

então
X −µ
T = √ ∼ t(n−1) . (4)
S/ n
5 / 16
Note que
X −µ
√
X −µ σ/ n
T = √ = .
S/ n S/σ
X −µ
O numerador √
σ/ n
é uma v.a. N(0, 1).
χ2(n−1)
O denominador S/σ é a raiz de uma v.a. n−1 .
Então, a distribuição de T pode ser obtida encontrando a distribuição de

√U , em que U ∼ N(0, 1) e V ∼ χ2p e com U e V independentes.
V /p
Esta distribuição resulta da distribuição t-student com p graus de liber-

dade.
6 / 16
Distribuição Amostral da Proporção
Considere uma população em que a proporçãode elementos portadores de

uma caracterı́stica é p.
Seja, X1 , . . . , Xn uma amostra aleatória dessa população, em que Xi , com

i = 1, . . . , n é definida por

1, se o i-ésimo elemento for portador da caracterı́stica,
Xi =
0, se o i-ésimo elemento não for portador da caracterı́stica.
Temos então que Xi , i = 1, . . . , n, segue distribuição de Bernoulli, com
E (Xi ) = p e Var(Xi ) = p(1 − p).
7 / 16
Considere a variável aleatória
Y = Nº de indivı́duos que possuem a caracterı́stica na amostra.
Pn
Ou seja, Y = i=1 Xi .
Vamos obter a distribuição de Y . Observe que a função geradora de

momentos de Xi é dada por
MX (t) = E (e tXi ) = (1 − p) + e t p.
Assim,
MY (t) = [(1 − p) + e t p]n ,
que corresponde a fgm de uma v.a. com distribuição binomial de parâmeros

n e p.
8 / 16
Seja p̂ = Y /n, ou seja, p̂ é a proporção de indivı́duos portadores da

caractrı́stica na amostra.
Então,

Y k
P(Y = k) = P =
n n

k
= P p̂ = .
n
O que implica que a distribuição amostral de p̂ é obtida da distribuição de

Y (v.a Binomial).
9 / 16
Utilizando o Teorema Central do Limite:
Para a variável aleatória p̂ = Y /n, temos pelo TCL que para n grande,
então

p(1 − p)
pb ≈ N p, .
n
Pn
Observação: Se Y = i=1Xi , então
Pn
Y Xi
p̂ = = i=1 = X,
n n
em que
p(1 − p)
E (p̂) = p e Var(p̂) = .
n
10 / 16
Exemplo 1: Um procedimento de controle de qualidade foi planejado para

garantir um máximo de 10% de itens defeituosos na produção. A cada 6
horas sorteia-se uma amostra de 20 peças e, havendo mais de 15% de
defeituosas, encerra-se a produção para verificação do processo.
Qual a probabilidade de uma parada desnecessária?
11 / 16
Determinação do Tamanho de uma Amostra

Suponha que estejamos estimando a média µ populacional e para tanto
usaremos a média amostral,X , baseada numa amostra de tamanho n.
Suponha que se queira determinar o valor de n de modo que
P(|X − µ| ≤ ε) = γ,
com 0 < γ < 1 e ε > 0 é o erro amostral máximo que podemos suportar,
γ e ε fixados.
Como
σ2

X ≈ N µ, ,
n
para n → ∞, então
σ2

X − µ ≈ N 0, .
n
12 / 16
Portanto,
γ = P(|X − µ| ≤ ε)
= P(−ε ≤ X − µ ≤ ε)

ε X −µ ε
= P − √ ≤ √ ≤ √
σ/ n σ/ n σ/ n
√ √
nε nε
≃ P − ≤Z ≤
σ σ
√
nε
= 2P 0 ≤ Z ≤ .
σ
√
nε γ
⇔P 0≤Z ≤ = ,
σ 2
em que Z ∼ N(0, 1). 13 / 16

Pela Tabela de Bussab, temos que

√
nε
zγ/2 = ,
σ
em que zγ/2 é tal que
γ
P 0 ≤ Z ≤ zγ/2 = ,
2
logo
σ 2 zγ/2
2
n = .
ε2
Obs.: Na prática não se conhece o valor da variância populacional σ 2 ,

então para resolver este problema utiliza-se uma pequena amostra piloto
para estimar o valor da variância populacional ou então baseia-se em al-
guma informação prévia sobre a amostra.
14 / 16
Exemplo 2: Definimos a variável e = X − µ como sendo o erro amostral

da média, onde X é a média de uma a.a. de tamanho n de uma população
com média µ e desvio padrão σ.
(a) Determine E (e) e Var (e).
(b) Se a população é normal com σ = 20, que proporção das amostras

de tamanho 100 terá erro amostral absoluto maior do que 2
unidades?
(c) Neste caso, qual deve ser o valor de δ para que P(|e| > δ) = 0, 01?
(d) Qual deve ser o tamanho da amostra para que 95% dos erros
amostrais absolutos sejam inferiores a 1 unidade?
15 / 16
Exemplo 3: Suponha que uma industria farmaceutica deseja saber a quan-

tos voluntarios se deva aplicar uma vacina, de modo que a proporção de
individuos imunizados na amostra difira de menos de 2% da proporçao ver-
dadeira de imunizados na população, com probabilidade de 0,90 (90%).
Qual o tamanho da amostra a escolher?
16 / 16

Inf M2

Enviado por

Dados do documento

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

Inf M2

Enviado por

Direitos autorais:

Formatos disponíveis

Inferência Estatı́stica: Distribuições Amostrais Sob Normalidade e Para Proporção

Inferência Estatı́stica: Distribuições Amostrais

Profª.: Fernanda Clotilde

Aula preparada para turma de Inferência Estatı́stica

Distribuições Amostrais Sob Normalidade

Teorema 4: Seja X1 , X2 , . . . , Xn uma a.a. da distribuição N(0, 1), então

X12 + X22 + · · · + Xn2 ∼ χ2(n) . (1)

Demonstração do Teorema 4: no quadro...

Generalização: Se X1 , X2 , . . . , Xn são independentes e Xi ∼ χ2(αi ) , então

X1 + X2 + · · · + Xn ∼ χ2(α1 +α2 +···+αn ) . (2)

Resumindo: A soma de v.a’s independentes com distribuição χ2 é uma

Teorema 5: Se X1 , X2 , . . . , Xn uma a.a. da distribuição N(µ, σ 2 ), então

Demonstração do Teorema 5: no quadro...

Outros teoremas úteis e importantes em inferência:

Teorema 6: X e S 2 são variáveis aleatórias independentes.

Teorema 7: Se X1 , X2 , . . . , Xn é uma amostra aleatória de X ∼ N(µ, σ 2 ),

Então, a distribuição de T pode ser obtida encontrando a distribuição de

Esta distribuição resulta da distribuição t-student com p graus de liber-

Distribuição Amostral da Proporção

Considere uma população em que a proporçãode elementos portadores de

Seja, X1 , . . . , Xn uma amostra aleatória dessa população, em que Xi , com

Temos então que Xi , i = 1, . . . , n, segue distribuição de Bernoulli, com

E (Xi ) = p e Var(Xi ) = p(1 − p).

Considere a variável aleatória

Y = Nº de indivı́duos que possuem a caracterı́stica na amostra.

Vamos obter a distribuição de Y . Observe que a função geradora de

MY (t) = [(1 − p) + e t p]n ,

que corresponde a fgm de uma v.a. com distribuição binomial de parâmeros

Seja p̂ = Y /n, ou seja, p̂ é a proporção de indivı́duos portadores da

O que implica que a distribuição amostral de p̂ é obtida da distribuição de

Utilizando o Teorema Central do Limite:

Exemplo 1: Um procedimento de controle de qualidade foi planejado para

Qual a probabilidade de uma parada desnecessária?

Determinação do Tamanho de uma Amostra

Suponha que se queira determinar o valor de n de modo que

em que Z ∼ N(0, 1). 13 / 16

Pela Tabela de Bussab, temos que

Obs.: Na prática não se conhece o valor da variância populacional σ 2 ,

Exemplo 2: Definimos a variável e = X − µ como sendo o erro amostral

(a) Determine E (e) e Var (e).

(b) Se a população é normal com σ = 20, que proporção das amostras

Exemplo 3: Suponha que uma industria farmaceutica deseja saber a quan-

Você também pode gostar