Inf M1

Inferência Estatı́stica: Introdução e Distribuição Amostral
Inferência Estatı́stica: Introdução

e Distribuição Amostral
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 / 24
Introdução
O que é estatı́stica?
Definição 1: A Estatı́stica hoje consiste numa metodologia cientı́fica para
obtenção, organização e análise de dados, provenientes das mais diversas
áreas, cujo objetivo principal é auxiliar na tomada de decisões em situações
de incerteza.
Basicamente podemos dividir a estatı́stica em três partes:
Estatı́stica Descritiva: Etapa inicial da análise, utilizada para

descrever, organizar e resumir os dados coletados.
Probabilidade: A teoria das probabilidades nos permite modelar

fenômenos aleatórios, ou seja, aqueles em que está presente a
incerteza. É uma ferramenta fundamental para a Inferência
Estatı́stica.
Inferência Estatı́stica: Um conjunto de técnicas baseadas em

probabilidade, qu a partir de dados amostrais nos permite tirar
conclusões sobre a população de interesse.
2 / 24
Introdução
3 / 24
Introdução
O objetivo principal da Inferência Estatı́stica é fazer afirmações sobre

caracterı́sticas de uma população baseando-se em resultados de uma
amostra.
↱
É o que chamamos de inferência indutiva que parte do particular
para o geral.
Na inferência estatı́stica a incerteza sempre está presente. No

entanto, se o experimento for conduzido de acordo com certos
princı́pios essa incerteza pode ser medida.
A partir da observação de alguns dados experimentais, a inferência

estatı́stica realiza a análise e interpretação desses dados com o
objetivo de generalizar e prever resultados, utilizando-se da Teoria
das Probabilidades.
4 / 24
Conceitos Básicos
Conceitos Básicos
Definição 2: População é um conjunto de valores de uma caracterı́stica

(uma variável) observável associada a uma coleção de indivı́duos ou objetos
de interesse.
Definição 3: Amostra é qualquer parte (ou subconjunto) da população.
Exemplo: Consideremos uma pesquisa para estudar os salários dos 500

funcionários da Companhia MB. Seleciona-se uma amostra de 36 in-
divı́duos, e anotam-se os seus salários. Nesse caso:
variável de estudo: o salário dos funcionários;
população: os 500 funcionários da Companhia MB;
amostra: os 36 funcionários selecionados.
5 / 24
Conceitos Básicos
Para usar dados da amostra para fazer inferências sobre a população

é necessário fazer algumas suposições sobre a relação entre elas.
Uma suposição que muitas vezes é bastante razoável, é que há uma
distribuição de probabilidade subjacente de tal forma que os valores
mensuráveis dos itens na população pode ser pensado como sendo
variáveis aleatórias independentes tendo esta distribuição.
Se os dados da amostra são escolhidos de forma aleatória, então é

razoável supor que eles também são valores independentes dessa
distribuição.
6 / 24
Conceitos Básicos
Definição 4: Seja X uma variável aleatória com função densidade (ou

função de probabilidade) que denotaremos por f (x, θ) em que θ é um
parâmetro desconhecido. Chamamos de inferência estatı́stica o problema
que consiste em especificar um ou mais valores para θ, baseado em um
conjunto de valores observado de X .
Vamos assumir que a distribuição da variável aleatória X pertence a certa

famı́lia de distribuições em que um particular elemento é especificado
quando o valor do parâmetro é especificado.
7 / 24
Conceitos Básicos
Em Estimação o objetivo é obter um valor plausı́vel para θ. No caso de

Teste de Hipóteses é verificar a validade de afirmação feitas sobre θ.
8 / 24
Conceitos Básicos
Definição 5: Uma Amostra Aleatória Simples de tamanho n (ou apenas

amostra aleatória) de uma variável aleatória X com dada distribuição é o
conjunto de n variáveis aleatórias independentes X1 , X2 , . . . , Xn , cada uma
com a mesma distribuição de X .
↱
Obtida uma amostra muitas vezes desejamos usá-la para produzi alguma
caracterı́stica especı́fica.
Por exemplo, se quisermos calcular a média da amostra (X1 , X2 , . . . , Xn )

esta será dada por
X1 + X2 + . . . + Xn
X = .
n
Definição 6: Um Parâmetro, digamos θ, é uma medida usada para des-

crever uma caracterı́stica da população (isto é, da distribuição de uma
determinada variável aleatória X ).
9 / 24
Conceitos Básicos
Definição 7: Uma Estatı́stica é uma caracterı́stica da amostra. Ou seja,

uma estatı́stica T é qualquer função das observações em uma amostra
aleatória X1 , X2 , . . . , Xn . Isto é
T = g (X1 , X2 , . . . , Xn ),
onde g é uma função qualquer.
Exemplos de Estatı́sticas:
1 Pn
(i) X = n i =1 Xi ,
1 Pn
(ii) S 2 = n−1 i =1 (Xi − X )2 ,
(iii) X(1) = min(X1 , X2 , . . . , Xn ),
(iv) X(n) = max(X1 , X2 , . . . , Xn ).
10 / 24
Conceitos Básicos
↱
Assim,se a população é representada pela variável aleatória X , alguns
parâmetros são a esperança E (X ) e a variância Var (X ) de X .
Com relação às caracterı́sticas mais usuais, vamos usar a seguinte notação:
11 / 24
Conceitos Básicos
Note que uma estatı́stica é uma função de v.a’s que constituem a

amostra.
↱
Logo, uma estatı́stica também é uma variável aleatória.
E a correspondente distribuição de probabilidade formará a base das

argumentações probabilı́sticas utilizadas na extrapolação da
informação da amostra para os parâmetros populacionais.
12 / 24
Distribuição Amostral
Muitas amostras aleatórias são possı́veis a partir de uma população. Logo,

o valor de uma determinada estatı́stica T varia de amostra para amostra.
Assim, uma estatı́stica também é uma variável aleatória, cuja distribuição

de probabilidades é chamada de distribuição amostral.
Sendo X1 , X2 , . . . , Xn uma a.a. (amostra aleatória), seria natural

peguntar o que acontece com a estatı́stica T quando retiramos
todas as amostras de uma população conhecida, de acordo com o
plano amostral adotado?
↱
Ou seja, qual seria a distribuição de T quando X1 , X2 , . . . , Xn
assume todos os valores possı́veis ?
Essa distribuição é chamada de Distribuição Amostral da
Estatı́stica T
13 / 24
Exemplo 1: Considere uma população formada pelos seguintes elementos
{1, 3, 5, 5, 7}.
Considere a variável aleatória
X : valor assumido pelo elemento na população.
A distribuição da v.a X é dada por

x 1 3 5 7
P(X = x) 1/5 1/5 2/5 1/5
Considere todas as amostras de tamanho 2, com reposição, da população
X . Qual a distribuição da estatı́stica X = X1 +X
2 ?
2
14 / 24
A distribuição amostral de uma estatı́stica depende
da distribuição da população da qual a amostra foi selecionada;
do tamanho amostral;
do método de seleção amostral.
15 / 24
Distribuição Amostral da Média X
Teorema 1: Seja X uma variável aleatória com média µ e variância σ 2 , e

seja X1 , X2 , . . . , Xn uma amostra aleatória de X . Então, a média amostral
X terá média e variância dadas respectivamente por
σ2
E (X ) = µ e Var (X ) = .
n
Demonstração do Teorema: no quadro...
16 / 24
↱
Portanto, o valor esperado da média amostral é a média populacional,
enquanto que a variâcia populacional dividido pelo tamanho da tamanho
da amostra.
Notamos assim que
X também é centrada em torno de µ;
A variabilidade de X se torna mais reduzida quando n → ∞.
17 / 24
Um teorema bem mais forte referente à distribuição de probabilidade da

soma de variáveis aleatórias independentes, e consequentemente à distri-
buição de X é muito conhecido, chamado de Teorema Central do Limite.
Teorema 2: (Teorema Central do Limite) Sejam X1 , X2 , . . . , Xn uma

sequência de variáveis aleatórias independentes e identicamente dis-
2
Pn cada uma com média µ e variância σ < ∞. Então, para
tribuı́das,
Sn = i=1 Xi temos que
Sn − E (Sn ) Sn − nµ
p = √ ≈ N(0, 1),
Var (Sn ) nσ 2
para n suficientemente grande.
18 / 24
Segue então do Teorema Central do Limite que
X −µ
≈ N(0, 1),
σ/n
para n suficientemente grande.
Então, seja a uma constante conhecida

X −µ
P ≤a ≃ P(Z ≤ a),
σ/n
em que Z ∼ N(0, 1).
19 / 24
Observações:
(I) Nenhuma suposição foi feita sobre a natureza das distribuições das
variáveis aleatórias X1 , X2 , . . . , Xn . Ou seja, independentemente de
como essas variáveis comportam-se, sejam discretas ou contı́nuas, o
teorema continua válido.
(II) Se as variáveis X1 , X2 , . . . , Xn têm distribuição normal, então X terá

também distribuição normal e não apenas uma aproximação.
(III) Em muitos casos, n ≥ 30 a aproximação normal será satisfatória,

independente da distribuição da população.
20 / 24
Exemplo 2: Uma v.a X tem distribuição normal, com média 100 e desvio
padrão 10.
(a) Qual a P(90 < X < 110)?
(b) Se X for a média de uma amostra de 16 elementos retirados dessa

população, calcule P(90 < X < 110).
(c) Que tamanho deveria ter a amostra para que

P(90 < X < 110) = 0, 95?
21 / 24
Exemplo 3: Uma máquina de empacotar um determinado produto faz

segundo uma distribuição normal, com média µ e desvio padrão 10g.
(a) Em quanto deve ser regulado o peso médio µ para que apenas 10%
dos pacotes tenham menos do que 500g?
(b) Com a máquina regulada, qual a probabilidade de que o peso total

de 4 pacotes escolhidos ao acaso seja inferior a 2kg?
22 / 24
Distribuição Exata de X
Teorema 3: Seja X1 , X2 , . . . , Xn uma a.a. de uma f (x, θ) com função

geradora de momentos MX (t). Então
MX (t) = [MX (t/n)]n . (1)
Lembrete: A função geradora de momentos da v.a X é definida por
MX (t) = E (e tX ), t ∈ IR
Xn
= e txi p(xi )
i=1
Z ∞
= e tx f (x)dx
−∞
23 / 24
Distribuição Exata de X
Resultado Útil: Sejam X1 , X2 , . . . , Xn vetores aleatórios independentes.

Seja g (xi ) uma função apenas de xi , i = 1, . . . , n. Então, as v.a’s Ui =
g (Xi ), i = 1, . . . , n são multuamente independentes.
Demonstração do Teorema 3: no quadro...
⇒ Podemos então determinar a distribuição “exata” de X , quando

X1 , X2 , . . . , Xn é uma a.a. de N(µ, σ 2 ), usando a função geradora de
momentos. Teremos então
σ2 t 2
MX (t) = e tµ+ 2n .
Portanto,
X ∼ N(µ, σ 2 /n).
24 / 24

Inf M1

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 M1

Enviado por

Direitos autorais:

Formatos disponíveis

Inferência Estatı́stica: Introdução e Distribuição Amostral

Inferência Estatı́stica: Introdução

Profª.: Fernanda Clotilde

Aula preparada para turma de Inferência Estatı́stica

Basicamente podemos dividir a estatı́stica em três partes:

Estatı́stica Descritiva: Etapa inicial da análise, utilizada para

Probabilidade: A teoria das probabilidades nos permite modelar

Inferência Estatı́stica: Um conjunto de técnicas baseadas em

O objetivo principal da Inferência Estatı́stica é fazer afirmações sobre

Na inferência estatı́stica a incerteza sempre está presente. No

A partir da observação de alguns dados experimentais, a inferência

Definição 2: População é um conjunto de valores de uma caracterı́stica

Definição 3: Amostra é qualquer parte (ou subconjunto) da população.

Exemplo: Consideremos uma pesquisa para estudar os salários dos 500

variável de estudo: o salário dos funcionários;

população: os 500 funcionários da Companhia MB;

amostra: os 36 funcionários selecionados.

Para usar dados da amostra para fazer inferências sobre a população

Se os dados da amostra são escolhidos de forma aleatória, então é

Definição 4: Seja X uma variável aleatória com função densidade (ou

Vamos assumir que a distribuição da variável aleatória X pertence a certa

Em Estimação o objetivo é obter um valor plausı́vel para θ. No caso de

Definição 5: Uma Amostra Aleatória Simples de tamanho n (ou apenas

Por exemplo, se quisermos calcular a média da amostra (X1 , X2 , . . . , Xn )

Definição 6: Um Parâmetro, digamos θ, é uma medida usada para des-

Definição 7: Uma Estatı́stica é uma caracterı́stica da amostra. Ou seja,

onde g é uma função qualquer.

(iii) X(1) = min(X1 , X2 , . . . , Xn ),

(iv) X(n) = max(X1 , X2 , . . . , Xn ).

Note que uma estatı́stica é uma função de v.a’s que constituem a

E a correspondente distribuição de probabilidade formará a base das

Muitas amostras aleatórias são possı́veis a partir de uma população. Logo,

Assim, uma estatı́stica também é uma variável aleatória, cuja distribuição

Sendo X1 , X2 , . . . , Xn uma a.a. (amostra aleatória), seria natural

Exemplo 1: Considere uma população formada pelos seguintes elementos

Considere a variável aleatória

X : valor assumido pelo elemento na população.

A distribuição da v.a X é dada por

A distribuição amostral de uma estatı́stica depende

da distribuição da população da qual a amostra foi selecionada;

do método de seleção amostral.

Teorema 1: Seja X uma variável aleatória com média µ e variância σ 2 , e

Demonstração do Teorema: no quadro...

Notamos assim que

X também é centrada em torno de µ;

A variabilidade de X se torna mais reduzida quando n → ∞.

Um teorema bem mais forte referente à distribuição de probabilidade da

Teorema 2: (Teorema Central do Limite) Sejam X1 , X2 , . . . , Xn uma

para n suficientemente grande.

Segue então do Teorema Central do Limite que

para n suficientemente grande.

Então, seja a uma constante conhecida

em que Z ∼ N(0, 1).

(II) Se as variáveis X1 , X2 , . . . , Xn têm distribuição normal, então X terá

(III) Em muitos casos, n ≥ 30 a aproximação normal será satisfatória,

(a) Qual a P(90 < X < 110)?

(b) Se X for a média de uma amostra de 16 elementos retirados dessa

(c) Que tamanho deveria ter a amostra para que

Exemplo 3: Uma máquina de empacotar um determinado produto faz

(b) Com a máquina regulada, qual a probabilidade de que o peso total

Teorema 3: Seja X1 , X2 , . . . , Xn uma a.a. de uma f (x, θ) com função

MX (t) = [MX (t/n)]n . (1)

Lembrete: A função geradora de momentos da v.a X é definida por