Escolar Documentos
Profissional Documentos
Cultura Documentos
Introdução à Inferência
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.
Introdução à Inferência
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.
Introdução à Inferência
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.
Introdução à Inferência
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.
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
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
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
a) o comprimento médio
b) a variância
c) a proporção de peças defeituosas (fora do intervalo
[9,5;10,5])
Introdução à Inferência
Introdução à Inferência
9, 2 + 9, 5 + . . . + 10, 7
a) x = = 10, 04
10
Introdução à Inferência
Introdução à Inferência
b)
Ou
(9,22 +9,52 +...+10,72 )−10(10,04)2
s2 = 9
= 0, 2716
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
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
Introdução à Inferência
Introdução à Inferência
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
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Xi ∼ N(10,16)
P(9 ≤ X ≤ 11) =?
Introdução à Inferência
Introdução à Inferência
= P(−0, 79 ≤ Z ≤ 0, 79)
Introdução à Inferência
Introdução à Inferência
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.
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Agora vamos considerar uma amostra i.i.d. X1 , . . . , X10 , tal que
Xi ∼ Uniforme(0,1), e seja X a média dos Xi s.
Introdução à Inferência
Introdução à Inferência
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?
Introdução à Inferência
Introdução à Inferência
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?
Introdução à Inferência
Introdução à Inferência
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?
Introdução à Inferência
Introdução à Inferência
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?
n=100
n=30
Unif(0,1)
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
30
!
X
P Xi ≥ 3100 =?
i=1
Introdução à Inferência
Introdução à Inferência
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)
= 0, 03362
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Introdução à Inferência
Trabalhoso!
Introdução à Inferência
Introdução à Inferência
Podemos resolver usando o TLC. Vamos considerar Xi = 1 se a
i-ésima peça é defeituosa e Xi = 0 se a peça é perfeita.
30
X
1
A proporção amostral é p̂ = 30
Xi .
i=1
Introdução à Inferência
Introdução à Inferência
Logo,
0,6−0,5
P(p̂ ≤ 0, 6) = P Z ≤ √
0,5/ 30
≈ P(Z ≤ 1, 10) = 0, 86433
Introdução à Inferência