Introducao A Inferencia - Aula 01

Introdução à Inferência
Vimos que quando temos um modelo probabilístico, podemos
usá-lo para fazer previsões sobre a realização das v.a’s
envolvidas no estudo.
Por exemplo, se sabemos que a probabilidade de que cada

cliente de um banco fique inadimplente é p = 0, 15 e se o banco
realizar empréstimo a 1000 clientes no próximo mês, então
sabemos que, em média, 150 deles ficarão inadimplentes.

E se não conhecemos p? Podemos olhar para o histórico de

empréstimos e tentar estimar essa probabilidade, obtendo então
um modelo probabilístico binomial que seja adequado.

E se não conhecemos p? Podemos olhar para o histórico de

empréstimos e tentar estimar essa probabilidade, obtendo então
um modelo probabilístico binomial que seja adequado.
Ou seja, se tivermos acesso às realizações de uma v.a., podemos

usar os dados observados para tentar estimar o modelo
probabilístico que gerou os dados.
O objetivo da inferência estatística, muitas vezes, é estimar um

parâmetro de uma população.
Para isso utiliza-se uma amostra e, por meio de um estimador,

obtém-se uma estimativa para o parâmetro desconhecido.
População: é o conjunto completo de elementos sobre os

quais desejamos que recaiam nossas conclusões.
Amostra: subconjunto da população. Sob a ótica da
inferência, a amostra é um conjunto de v.a’s.
Parâmetro: característica da população traduzida em um
valor numérico, muitas vezes desconhecido. Portanto,
parâmetro não é v.a.
Estimador: função das v.a’s que compõem a amostra
utilizada para se estimar o valor de um parâmetro
desconhecido. Como é função de v.a’s, é uma v.a.
Estimativa: é o valor numérico assumido pelo estimador
para uma determinada amostra.
Por que fazer estimação?
Por que simplesmente não observamos toda a população e

obtemos o verdadeiro valor do parâmetro desconhecido?
Por que fazer estimação?
Por que simplesmente não observamos toda a população e

obtemos o verdadeiro valor do parâmetro desconhecido?
Problemas: custo, tempo, população infinita, etc.
Ex. Um candidato contrata um instituto de pesquisa para

estimar a proporção de eleitores que pretendem votar nele. O
instituto entrevista mil eleitores, dos quais 358 afirmam que
pretendem votar naquele candidato.
Ex. Um candidato contrata um instituto de pesquisa para

estimar a proporção de eleitores que pretendem votar nele. O
instituto entrevista mil eleitores, dos quais 358 afirmam que
pretendem votar naquele candidato.
População: todos os eleitores

Amostra: os 1000 eleitores entrevistados
Parâmetro: proporção de eleitores que pretendem votar
no candidato
Estimador: proporção amostral
(#pretendem votar no candidato/#entrevistados)
Estimativa: 358/1000=0,358
Mais formalmente, podemos considerar cada elemento da

amostra como uma v.a. Xi , i = 1, . . . , 1000, com Xi ∼
Bernoulli(p), em que p é a verdadeira propoção de eleitores que
pretendem votar no candidato.
p é o parâmetro desconhecido.
1000
1 X
O estimador é: Xi
1000 i=1
1000
1 X 358
A estimativa é: xi =
1000 i=1 1000
Parâmetro Símbolo Estimador Fórmula

n
1X
Média µ Média µ̂ = X = Xi
n i=1
populacional amostral
n
1X
Proporção p Proporção p̂ = Xi
n i=1
com Xi ∼P Bernoulli(p)
n
(Xi − X)2
Variância σ2 Variância σ̂ 2 = s2 = i=1
n−1
populacional amostral √
Desvio-padrão σ Desvio-padrão σ̂ = s = s2
Desenvolvendo a fórmula da variância amostral, temos

2
(Xi − X)2
P P 2
2 (Xi − 2Xi X + X )
s = =
n−1 n−1
2 2 2
Xi2 − 2X Xi + nX
P P P 2
Xi − 2nX + nX
= =
n−1 n−1
2
Xi2 − nX
P
=
n−1
que é mais prático para ser calculado.
Ex. Uma amostra de 10 peças de uma fábrica é selecionada ao

acaso. Os comprimentos (em mm) dessas peças são 9,2 - 9,5 -
9,6 - 9,6 - 10,1 - 10,3 - 10,4 - 10,5 - 10,5 - 10,7. Obtenha as
estimativas para
a) o comprimento médio
b) a variância
c) a proporção de peças defeituosas (fora do intervalo
[9,5;10,5])

9,6 - 9,6 - 10,1 - 10,3 - 10,4 - 10,5 - 10,5 - 10,7. Obtenha as
estimativas para
a. Vamos associar a cada peça observada como uma v.a. Xi , que

é o comprimento da i-ésima peça, i = 1, . . . , 10. Então
9, 2 + 9, 5 + . . . + 10, 7
a) x = = 10, 04
10

9,6 - 9,6 - 10,1 - 10,3 - 10,4 - 10,5 - 10,5 - 10,7. Obtenha as
estimativas para
b)
(9,2−10,04)2 +(9,5−10,04)2 +...+(10,7−10,04)2

s2 = 9
= 0, 2716
Ou
(9,22 +9,52 +...+10,72 )−10(10,04)2
s2 = 9
= 0, 2716

9,6 - 9,6 - 10,1 - 10,3 - 10,4 - 10,5 - 10,5 - 10,7. Obtenha as
estimativas para
c) Agora, considere Yi = 0 se a i-ésima peça não é defeituosa,

isto é, se Xi está no intervalo [9,5;10,5], e Yi = 1 se é
defeituosa. Então
1+0+0+0+0+0+0+0+0+1
p̂ = = 0, 2
10
Como o estimador é uma v.a., é muito útil que conheçamos sua

distribuição. Vamos estudar a distribuição de alguns
estimadores sob condições bastante específicas, mas que são
úteis em muitas situações.
Uma amostra aleatória independente e identicamente

distribuída (a.a.i.i.d.) é um conjunto de v.a’s X1 , . . . , Xn tal que:
Xi e Xj são independentes, para todo i 6= j.

Todas as v.a’s X1 , . . . , Xn têm exatamente a mesma
distribuição.
Um estimador G é dito ser não-viciado ou não-viesado para um

parâmetro θ se E(G) = θ, isto é, a estimativa obtida é, em
média, igual ao parâmetro estimado.
O estimador média amostral X é um excelente estimador para

uma média desconhecida, porque além de ser não-viciado,
possui variância pequena.
Isso quer dizer que, além de a estimativa ser em média igual à

média populacional, ela geralmente está próxima do valor
verdadeiro.
De fato, vamos considerar uma amostra aleatória i.i.d.
X1 , . . . , Xn tal que E(Xi ) = µ e Var(Xi ) = σ 2 . Então
n
! n
! n
1X 1 X 1X nµ
E(X) =E Xi = E Xi = E(Xi ) = =µ
n i=1 n i=1
n i=1 n
De fato, vamos considerar uma amostra aleatória i.i.d.
X1 , . . . , Xn tal que E(Xi ) = µ e Var(Xi ) = σ 2 . Então
n
! n
! n
1X 1 X 1X nµ
E(X) =E Xi = E Xi = E(Xi ) = =µ
n i=1 n i=1
n i=1 n
n
! n
!
1X 1 X ind
Var(X) = Var Xi = 2 Var Xi =
n i=1 n i=1
n
1 X nσ 2 σ2
Var(Xi ) = =
n2 i=1 n2 n
Ou seja, a variância de X é n vezes menor que a variância das

v.a’s que compõem a amostra.
No estimador variância amostral, o denominador é n-1 pois, se

dividirmos por n o estimador fica viesado. De fato, pode-se
mostrar que
Pn
− X)2 (n − 1)σ 2

i=1 (Xi
E =
n n
e
Pn
− X)2

i=1 (Xi
E = σ2
n−1
Proposição: Seja (X1 , . . . , Xn ) uma amostra aleatória i.i.d. tal

que Xi ∼ N(µ, σ 2 ). Então X ∼ N(µ, σ 2 /n).
Ex. O comprimento (em mm) das peças de um lote segue

distribuição normal com média 10 e desvio-padrão 4. O lote é
rejeitado se o comprimento médio de 10 peças escolhidas ao
acaso estiver fora do intervalo [9,11]. Qual a probabilidade de
que o lote seja aceito?
Ex. O comprimento (em mm) das peças de um lote segue

distribuição normal com média 10 e desvio-padrão 4. O lote é
rejeitado se o comprimento médio de 10 peças escolhidas ao
acaso estiver fora do intervalo [9,11]. Qual a probabilidade de
que o lote seja aceito?
Xi : comprimento da i-ésima peça, i = 1, . . . , 10.
Xi ∼ N(10,16)
P(9 ≤ X ≤ 11) =?
Se Xi ∼ N(10,16), então X ∼ N(10;1,6).

P(9 ≤ X ≤ 11) = P 9−10 √
1,6
≤ Z ≤ 11−10
√
1,6
= P(−0, 79 ≤ Z ≤ 0, 79)
= P(Z ≤ 0, 79) − P(Z ≤ −0, 79)
= P(Z ≤ 0, 79) − (1 − P(Z ≤ 0, 79))
= 0, 78524 − (1 − 0, 78524) = 0, 5705
E se a população não tem distribuição normal?
Teorema do Limite Central: Seja (X1 , . . . , Xn ) uma amostra

aleatória i.i.d. tal que E(Xi ) = µ e Var(Xi ) = σ 2 . Então
X − E(X) X − µ n→∞
p = √ ∼ N(0, 1)
Var(X) σ/ n
O TLC garante que, para amostras grandes, a distribuição da
média amostral se aproxima da distribuição normal,
independentemente da distribuição da população.
Em geral, admite-se que a aproximação é boa se n ≥ 30.
Intuitivamente, vamos considerar uma v.a. X ∼ Uniforme(0,1).

A f.d.p. de X é f (x) = 1 se x ∈ [0, 1], e f (x) = 0 se x ∈
/ [0, 1].
P(0 ≤ X ≤ 0, 2) = P(0, 4 ≤ X ≤ 0, 6) = P(0, 8 ≤ X ≤ 1) =

0, 2
Agora vamos considerar uma amostra i.i.d. X1 , . . . , X10 , tal que
Xi ∼ Uniforme(0,1), e seja X a média dos Xi s.
Parece razoável que as probabilidades de que X ocorra em cada
intervalo [0; 0, 2], [0, 4; 0, 6] e [0, 8; 1] sejam as mesmas?
Não! Enquanto X ocorre em qualquer parte com mesma

probabilidade, para que X ocorra, por exemplo, próximo de 0, a
grande maioria dos dez valores da amostra deve estar próxima
de 0.

de 0.
De fato, a probabilidade de que X ocorra no intervalo mais

central é maior do que nos intervalos [0; 0, 2] e [0, 8; 1].

de 0.
De fato, a probabilidade de que X ocorra no intervalo mais

central é maior do que nos intervalos [0; 0, 2] e [0, 8; 1].
Também parece claro que, quanto maior o tamanho n da

amostra, menores são as chances de que X se distancie da média
0.5. Ou seja, quanto maior n, menor a variância de X.
n=100
n=30
Unif(0,1)
Ex. Suponha que as maçãs de uma banca de feira pesam em

média 100g, com desvio-padrão de 10g. Se um freguês compra
um caixote com 30 maçãs, qual a probabilidade de que o peso
total das maçãs seja maior que 3,1kg?
Ex. Suponha que as maçãs de uma banca de feira pesam em

média 100g, com desvio-padrão de 10g. Se um freguês compra
um caixote com 30 maçãs, qual a probabilidade de que o peso
total das maçãs seja maior que 3,1kg?
Xi : peso da i-ésima maçã, i = 1, . . . , 30
E(Xi ) = 100 e Var(Xi ) = 100
30
!
X
P Xi ≥ 3100 =?
i=1
Nesse caso, E(X) = 100 e Var(X) = 100/30. Logo
X − 100 aprox.
√ ∼ N(0, 1)
10/ 30
30
! P30 !
i=1 Xi 3100
X
P Xi ≥ 3100 =P ≥ = P(X ≥ 103, 33)
i=1
30 30

103,33−100
=P Z≥ √
10/ 30
= P(Z ≥ 1, 8257)
≈ 1 − P(Z ≤ 1, 83) = 1 − 0, 96638
= 0, 03362
Ex. Suponha que a proporção de peças fora de especificação em

um lote seja de 50%. Tomada uma amostra de tamanho 30,
calcule a probabilidade desta amostra fornecer no máximo 60%
de peças defeituosas.
Ex. Suponha que a proporção de peças fora de especificação em

um lote seja de 50%. Tomada uma amostra de tamanho 30,
calcule a probabilidade desta amostra fornecer no máximo 60%
de peças defeituosas.
O número X de peças defeituosas dentre as 30 observadas segue

distribuição binomial(30,1/2). Logo,
P(X ≤ 18) = P(X = 0)+P(X = 1)+. . .+P(X = 18) = 0, 8998
Trabalhoso!
Podemos resolver usando o TLC. Vamos considerar Xi = 1 se a
i-ésima peça é defeituosa e Xi = 0 se a peça é perfeita.
Então Xi ∼ Bernoulli(0,5) e, portanto, E(Xi ) = 0, 5 e

Var(Xi ) = 0, 25.
30
X
1
A proporção amostral é p̂ = 30
Xi .
i=1
A proporção amostral é uma média de Bernoulli’s. Assim, pelo

TLC
p̂ − 0, 5 aprox.
√ ∼ N(0, 1)
0, 5/ 30
Logo,

0,6−0,5
P(p̂ ≤ 0, 6) = P Z ≤ √
0,5/ 30
≈ P(Z ≤ 1, 10) = 0, 86433
Como vimos, podemos usar a correção de continuidade para

melhorar esse resultado. Ao invés de considerar até 18 peças
(60% de 30), vamos considerar até 18,5 (o que daria uma
proporção de 0,6167). Assim,

0,6167−0,5
P(p̂ ≤ 0, 6167) = P Z ≤ √
0,5 30
≈ P(Z ≤ 1, 28) = 0, 89973
Que é bem mais próximo do valor exato dado pela binomial.

Introducao A Inferencia - Aula 01

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

Introducao A Inferencia - Aula 01

Enviado por

Direitos autorais:

Formatos disponíveis

Introdução à Inferência

Por exemplo, se sabemos que a probabilidade de que cada

Por exemplo, se sabemos que a probabilidade de que cada

E se não conhecemos p? Podemos olhar para o histórico de

Por exemplo, se sabemos que a probabilidade de que cada

E se não conhecemos p? Podemos olhar para o histórico de

Ou seja, se tivermos acesso às realizações de uma v.a., podemos

O objetivo da inferência estatística, muitas vezes, é estimar um

Para isso utiliza-se uma amostra e, por meio de um estimador,

População: é o conjunto completo de elementos sobre os

Por que fazer estimação?

Por que simplesmente não observamos toda a população e

Por que fazer estimação?

Por que simplesmente não observamos toda a população e

Problemas: custo, tempo, população infinita, etc.

Ex. Um candidato contrata um instituto de pesquisa para

Ex. Um candidato contrata um instituto de pesquisa para

População: todos os eleitores

Mais formalmente, podemos considerar cada elemento da

Parâmetro Símbolo Estimador Fórmula

Desenvolvendo a fórmula da variância amostral, temos

que é mais prático para ser calculado.

Ex. Uma amostra de 10 peças de uma fábrica é selecionada ao

Ex. Uma amostra de 10 peças de uma fábrica é selecionada ao

a. Vamos associar a cada peça observada como uma v.a. Xi , que

Ex. Uma amostra de 10 peças de uma fábrica é selecionada ao

(9,2−10,04)2 +(9,5−10,04)2 +...+(10,7−10,04)2

Ex. Uma amostra de 10 peças de uma fábrica é selecionada ao

c) Agora, considere Yi = 0 se a i-ésima peça não é defeituosa,

Como o estimador é uma v.a., é muito útil que conheçamos sua

Uma amostra aleatória independente e identicamente

Xi e Xj são independentes, para todo i 6= j.

Um estimador G é dito ser não-viciado ou não-viesado para um

O estimador média amostral X é um excelente estimador para

Isso quer dizer que, além de a estimativa ser em média igual à

Ou seja, a variância de X é n vezes menor que a variância das

No estimador variância amostral, o denominador é n-1 pois, se

Proposição: Seja (X1 , . . . , Xn ) uma amostra aleatória i.i.d. tal

Ex. O comprimento (em mm) das peças de um lote segue

Ex. O comprimento (em mm) das peças de um lote segue

Xi : comprimento da i-ésima peça, i = 1, . . . , 10.

Se Xi ∼ N(10,16), então X ∼ N(10;1,6).

= P(Z ≤ 0, 79) − P(Z ≤ −0, 79)

= P(Z ≤ 0, 79) − (1 − P(Z ≤ 0, 79))

= 0, 78524 − (1 − 0, 78524) = 0, 5705

E se a população não tem distribuição normal?

Teorema do Limite Central: Seja (X1 , . . . , Xn ) uma amostra

Em geral, admite-se que a aproximação é boa se n ≥ 30.

Intuitivamente, vamos considerar uma v.a. X ∼ Uniforme(0,1).

P(0 ≤ X ≤ 0, 2) = P(0, 4 ≤ X ≤ 0, 6) = P(0, 8 ≤ X ≤ 1) =

Não! Enquanto X ocorre em qualquer parte com mesma

Não! Enquanto X ocorre em qualquer parte com mesma

De fato, a probabilidade de que X ocorra no intervalo mais

Não! Enquanto X ocorre em qualquer parte com mesma

De fato, a probabilidade de que X ocorra no intervalo mais

Também parece claro que, quanto maior o tamanho n da

Ex. Suponha que as maçãs de uma banca de feira pesam em

Ex. Suponha que as maçãs de uma banca de feira pesam em

Xi : peso da i-ésima maçã, i = 1, . . . , 30

E(Xi ) = 100 e Var(Xi ) = 100

≈ 1 − P(Z ≤ 1, 83) = 1 − 0, 96638

Ex. Suponha que a proporção de peças fora de especificação em

Ex. Suponha que a proporção de peças fora de especificação em