Estatstica: Aplicao ao Sensoriamento Remoto

ANO 2010

Camilo Daleles Renn

camilo@dpi.inpe.br
http://www.dpi.inpe.br/~camilo/estatistica/

Inferncia Estatstica
Exemplo:
Considere o experimento: retiram-se 3 bolas de uma
urna (com reposio). Define-se uma v.a. X cujo valor
representa o nmero total de bolas vermelhas dentre
as 3 escolhidas. Qual a probabilidade das 3 bolas
selecionadas serem vermelhas?

S
distribuio desconhecida
e/ou
parmetros desconhecidos

Quais os valores possveis de X?

X: {0, 1, 2, 3}
Qual a distribuio de probabilidade de X?
Binomial
Quais os parmetros que definem uma Binomial?
nep
n=3
p=?

Inferncia Estatstica
Exemplo:
Numa imagem, um pixel selecionado ao acaso. Definese uma v.a. X cujo valor representa seu valor digital.
Qual a probabilidade deste pixel possuir valor entre
100 e 150?

S
distribuio desconhecida
e/ou
parmetros desconhecidos

Quais os valores possveis de X?

X: {0, 1, ..., 255} (considerando uma imagem 8 bits)
Qual a distribuio de probabilidade de X?
Desconhecida (discreta)
Que parmetros so necessrios para definir esta
distribuio?
???????

Inferncia Estatstica
inferir certas caractersticas
da populao

amostra

S
distribuio desconhecida
e/ou
parmetros desconhecidos

n indivduos (ou objetos) da populao

ex: sortear n pixels de uma imagem
(com ou sem reposio)
n realizaes da v.a.
ex: medir a reflectncia de um objeto
n vezes

a amostra constitui um conjunto de n v.a.

X1, X2, ..., Xn com mesma distribuio (desconhecida)

Amostra Aleatria

Estimao de Parmetros
Amostra

Populao
Distribuio de Probabilidade (ou FDP)
Parmetros
(valor fixo)

Estimao

Distribuio Amostral (Frequncias)

estimar

Estatsticas
(varivel aleatria)

pontual (estatsticas)
por intervalo (intervalos de confiana)

OBS: estatstica: a v.a. que estima (pontualmente) um parmetro (populacional)

as vezes chamada simplesmente de estimador
estimativa: o valor do estimador obtido para uma amostra especfica

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de ?
mtodo dos momentos
mtodo da mxima verossimilhana

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de ?

k o k-simo estimador de
n

1 X

2 xi

x
i 1

x j FR ( X x j )
j 1

dados agrupados

Mas qual o melhor estimador pontual?

no tendencioso

E ( k )
varincia mnima

Var ( k ) Var ( j ) k j

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de ?

k o k-simo estimador de
n

1 X

2 xi

xi
i 1

testando a tendenciosidade dos estimadores

X X2 Xn
E ( 1 ) E ( X ) E 1

1
n
E X1 X 2 X n

n
n

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de ?

k o k-simo estimador de
testando a tendenciosidade dos estimadores

1 X

2 xi

xi
i 1

E ( 1 )

E ( 2 ) E X i

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de ?

k o k-simo estimador de
procurando a menor varincia

1 X

2 xi

xi
i 1

E ( 1 )

E ( 2 )

X X2 Xn
Var ( 1 ) Var ( X ) Var 1

1
n 2 2
2 Var X 1 X 2 X n 2
n
n
n

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de ?

k o k-simo estimador de
procurando a menor varincia

1 X

2 xi

xi
i 1

E ( 1 )

E ( 2 )

Var ( 1 )

2
n

Var ( 2 ) Var X i 2

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
mdia populacional
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de ?

k o k-simo estimador de
n

1 X

2 xi

x
i 1

E ( 1 )

Var ( 1 )

E ( 2 )

Var ( 2 ) 2

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
varincia populacional 2
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de 2?
n

x
i 1

Mas ser tendenciosa?

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
varincia populacional 2
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de 2?
n

x
i 1

X
i 1

X X i2 2 XX i X 2
2

i 1
n

X 2 X X i nX 2
i 1
n

2
i

i 1

X 2nX nX
i 1
n

2
i

X i2 nX 2
i 1

X
2

X
i 1

X i nX
i 1

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
varincia populacional 2
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de 2?
n

x
i 1

n 2
2
X

nX
i
1 n

2
i 1
E X i2 E X 2
E E
n

n i 1

1 n
E X i2 E X 2
n i 1

Var ( X i ) 2 E X i2 E X i E X i2 2 E X i2 2 2
2

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
varincia populacional 2
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de 2?
n

x
i 1

Var ( X )

n 2
2
X

nX
i
1 n

2
i 1
E X i2 E X 2
E E
n

n i 1

1 n
E X i2 E X 2
n i 1

2
n

EX

E X

EX

EX

2
n

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
varincia populacional 2
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de 2?
n

x
i 1

n 2
2
X

nX
i
1 n

2
i 1
E X i2 E X 2
E E
n

n i 1

1 n
E X i2 E X 2
n i 1
2
2 2 2
2 2

2
n 1 2 estimador
2
2
2

n

tendencioso!
n
n
n

Estimao Pontual
Seja X uma v.a. normalmente distribuda com a mdia () e a varincia (2)
desconhecidas. Retira-se uma amostra de tamanho n com a finalidade de se
estimar e 2.
varincia populacional 2
De que maneira os valores da amostra podem ser combinados a fim de se
produzir uma boa estimativa de 2?

x X
n

i 1

n
n

s2

xi X
i 1

n 1

n
n 1

E s2 2

estimador
no tendencioso

Estimao Pontual de e 2
Exemplo: uma amostra (n = 12) retirada de uma populao e os seguintes valores so
observados: 0, 2, 3, 5, 2, 1, 2, 1, 3, 3, 4, 2. Calcule a mdia e varincia amostrais.
distribuio amostral

mdia amostral X

Valor

i 1

0
1
2
3
4
5

(dados brutos)

0 2 3 ... 2 7

12
3

Total

X
X

x FA( X x )
j 1

x j FR( X x j ) (dados agrupados)

j 1

0*1 1*2 2*4 3*3 4*1 5*1 7

12
3

X 0*

(usando FA)

1
1
1
1
1
1 7
1* 2* 3* 4* 5*
12
6
3
4
12
12 3

(usando FR)

Freq.
Absoluta
1
2
4
3
1
1
12

Freq.
Relativa
1/12
1/6
1/3
1/4
1/12
1/12
1

Estimao Pontual de e 2
Exemplo: uma amostra (n = 12) retirada de uma populao e os seguintes valores so
observados: 0, 2, 3, 5, 2, 1, 2, 1, 3, 3, 4, 2. Calcule a mdia e varincia amostrais.
distribuio amostral

varincia amostral s2

x X
n

s
2

i 1

n 1

n
xi
n
xi2 i 1

n
i 1
n 1

Valor

0
1
2
3
4
5

(dados brutos)

(0 ) (2 ) ... (2 )
(0 2 ... 2 )
s2

11
11
7 2
3

7 2
3

7 2
3

0 2... 22
12

Total

s2

(0 ) *1 (1 ) *2 ... (5 ) *1 (0 *1 1 *2 ... 5 *1)

11
11
7 2
3

7 2
3

Freq.
Relativa
1/12
1/6
1/3
1/4
1/12
1/12
1

1,88

x
FA
(
X

x
)
j
j
N
N
2

x j X FA( X x j ) x 2j FA( X x j ) j 1 n

j 1
j 1
s2

n 1
n 1
7 2
3

Freq.
Absoluta
1
2
4
3
1
1
12

(dados agrupados)
0*11*2...5*12
12

1,88

Intervalo de Confiana para

X ~ N ( , 2 )

X ~ ?N ( ,

2
n

desconhecido, mas 2 conhecido

)
0,14

N (0,1)

~ ?N (0,1) (Normal Padro)

0,12
0,1
0,08
0,06
0,04
0,02
0
0

10

valores mais frequentes

valor ideal

15

Intervalo de Confiana para

X ~ N ( , 2 )

X ~ N (,

2
n

desconhecido, mas 2 conhecido

)
0,14

0,1

P( z

0,08

z) 1

P( X z

0,04

X z

0,06

n
P( z

N (0,1)

~ ?N (0,1) (Normal Padro)

0,12

X z

IC para

0,02

) 1 0
0

) 1

-z

10

15

P(| Z | z ) nvel de significncia

P( z Z z ) 1 nvel de confiana

Intervalo de Confiana para

Exemplo: uma v.a. qualquer tem uma distribuio desconhecida com mdia tambm
desconhecida e varincia 2 = 16. Retira-se uma amostra de 25 valores e calcula-se a
mdia amostral. Construa um IC de 95% para supondo que X 12,7.

P( X z

X z

0,14

N (0,1)

) 0,12
0,95
0,1

P(12,7 1,96

4
4
0,08
12,7 1,96
) 0,95
25
25
0,06
2,5%

0,04
P(12,7 1,568 12,7 1,568)
0,95

P(11,132 14,268) 0,95

2,5%

95%

0,02
0
0

-z

Como poderia obter intervalos de confiana mais estreitos,

ou seja, com limites mais prximos a mdia verdadeira?
- diminuindo-se o nvel de confiana
- aumentando-se o tamanho da amostra

10

z
?
1,96

15

Como Interpretar o IC para ?

Suponha uma v.a. X normalmente distribuda com = 10 e 2 = 4 X ~ N (10,4)
Sorteia-se 50 valores aleatoriamente e calcula-se X . Em seguida determina-se o
IC para com 95% de confiana, ou seja

P( X 1,96

2
2
X 1,96
) 95%
50
50

P( X 0,5544 X 0,5544) 95% (O IC varia para cada amostra!!!)

Interpretao: 95% dos possveis IC obtidos a partir de uma amostra de
tamanho 50, contero de fato a verdadeira mdia

(ver 06estimacao_pontual_IC.xlsx)

Distribuio 2
f ( x)

1
x g 21e x 2
g 2
2 ( g 2)

g>2

x0

g2

E( X ) g
Var( X ) 2 g

a) se Z ~ N (0,1), ento Z 2 ~ 12
b) se X i ~ , ento

X
i 1

(l-se: X tem distribuio qui-quadrado com g graus

de liberdade)

X ~ g2

Propriedades:

2
1

(l-se qui-quadrado)

~ n2

Distribuio 2

t2

+
P( g2 t2 )

P ( 102 3, 25) ?
P ( 102 3, 25) 0,975

g
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100

0,005
7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,64
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17

0,010
6,63
9,21
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,72
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81

0,025
5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
59,34
71,42
83,30
95,02
106,63
118,14
129,56

0,050
3,84
5,99
7,81
9,49
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
67,50
79,08
90,53
101,88
113,15
124,34

0,100
2,71
4,61
6,25
7,78
9,24
10,64
12,02
13,36
14,68
15,99
17,28
18,55
19,81
21,06
22,31
23,54
24,77
25,99
27,20
28,41
29,62
30,81
32,01
33,20
34,38
35,56
36,74
37,92
39,09
40,26
51,81
63,17
74,40
85,53
96,58
107,57
118,50

0,900
0,016
0,21
0,58
1,06
1,61
2,20
2,83
3,49
4,17
4,87
5,58
6,30
7,04
7,79
8,55
9,31
10,09
10,86
11,65
12,44
13,24
14,04
14,85
15,66
16,47
17,29
18,11
18,94
19,77
20,60
29,05
37,69
46,46
55,33
64,28
73,29
82,36

0,950
0,0039
0,10
0,35
0,71
1,15
1,64
2,17
2,73
3,33
3,94
4,57
5,23
5,89
6,57
7,26
7,96
8,67
9,39
10,12
10,85
11,59
12,34
13,09
13,85
14,61
15,38
16,15
16,93
17,71
18,49
26,51
34,76
43,19
51,74
60,39
69,13
77,93

0,975
0,990
0,995
0,0010 0,00016 0,00004
0,051
0,020
0,010
0,22
0,11
0,072
0,48
0,30
0,21
0,83
0,55
0,41
1,24
0,87
0,68
1,69
1,24
0,99
2,18
1,65
1,34
2,70
2,09
1,73
3,25
2,56
2,16
3,82
3,05
2,60
4,40
3,57
3,07
5,01
4,11
3,57
5,63
4,66
4,07
6,26
5,23
4,60
6,91
5,81
5,14
7,56
6,41
5,70
8,23
7,01
6,26
8,91
7,63
6,84
9,59
8,26
7,43
10,28
8,90
8,03
10,98
9,54
8,64
11,69
10,20
9,26
12,40
10,86
9,89
13,12
11,52
10,52
13,84
12,20
11,16
14,57
12,88
11,81
15,31
13,56
12,46
16,05
14,26
13,12
16,79
14,95
13,79
24,43
22,16
20,71
32,36
29,71
27,99
40,48
37,48
35,53
48,76
45,44
43,28
57,15
53,54
51,17
65,65
61,75
59,20
74,22
70,06
67,33

Distribuio 2

t2

+
P( g2 t2 )

P ( 102 3, 25) ?
P ( 102 3, 25) 0,975

P( 152 ?) 0,9
P( 152 8,55) 0,9

g
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100

0,005
7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,64
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17

0,010
6,63
9,21
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,72
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81

0,025
5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
59,34
71,42
83,30
95,02
106,63
118,14
129,56

0,050
3,84
5,99
7,81
9,49
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
67,50
79,08
90,53
101,88
113,15
124,34

0,100
2,71
4,61
6,25
7,78
9,24
10,64
12,02
13,36
14,68
15,99
17,28
18,55
19,81
21,06
22,31
23,54
24,77
25,99
27,20
28,41
29,62
30,81
32,01
33,20
34,38
35,56
36,74
37,92
39,09
40,26
51,81
63,17
74,40
85,53
96,58
107,57
118,50

0,900
0,016
0,21
0,58
1,06
1,61
2,20
2,83
3,49
4,17
4,87
5,58
6,30
7,04
7,79
8,55
9,31
10,09
10,86
11,65
12,44
13,24
14,04
14,85
15,66
16,47
17,29
18,11
18,94
19,77
20,60
29,05
37,69
46,46
55,33
64,28
73,29
82,36

0,950
0,0039
0,10
0,35
0,71
1,15
1,64
2,17
2,73
3,33
3,94
4,57
5,23
5,89
6,57
7,26
7,96
8,67
9,39
10,12
10,85
11,59
12,34
13,09
13,85
14,61
15,38
16,15
16,93
17,71
18,49
26,51
34,76
43,19
51,74
60,39
69,13
77,93

0,975
0,990
0,995
0,0010 0,00016 0,00004
0,051
0,020
0,010
0,22
0,11
0,072
0,48
0,30
0,21
0,83
0,55
0,41
1,24
0,87
0,68
1,69
1,24
0,99
2,18
1,65
1,34
2,70
2,09
1,73
3,25
2,56
2,16
3,82
3,05
2,60
4,40
3,57
3,07
5,01
4,11
3,57
5,63
4,66
4,07
6,26
5,23
4,60
6,91
5,81
5,14
7,56
6,41
5,70
8,23
7,01
6,26
8,91
7,63
6,84
9,59
8,26
7,43
10,28
8,90
8,03
10,98
9,54
8,64
11,69
10,20
9,26
12,40
10,86
9,89
13,12
11,52
10,52
13,84
12,20
11,16
14,57
12,88
11,81
15,31
13,56
12,46
16,05
14,26
13,12
16,79
14,95
13,79
24,43
22,16
20,71
32,36
29,71
27,99
40,48
37,48
35,53
48,76
45,44
43,28
57,15
53,54
51,17
65,65
61,75
59,20
74,22
70,06
67,33

Distribuio 2
Se X i ~ N ( , 2 )

Xi

~ ?N (0,1)

(X
i 1

( X i )2

~ ?12

)2
~ ? n2

Substituindo-se por X tem-se que

n

(X
i 1

X )2
~ n21

2
n

mas s
2

( X
i 1

X )2

n 1

(perde-se 1 grau de liberdade)

n

( X i X ) (n 1) s
2

i 1

(n 1) s 2

~ n21

Intervalo de Confiana para 2

( n 1) s 2
2

P( xa

~ n21

(n 1) s 2

xb ) 1

1
2
1
P

1
2
xa
xb (n 1) s

n21

1
0 xa

xb

P( xa n21 xb ) 1

(n 1) s 2
(n 1) s 2
2
P

1
xa
xb

IC para 2

Intervalo de Confiana para 2

Exemplo: uma v.a. qualquer tem uma distribuio desconhecida com mdia e varincia 2
desconhecidas. Retira-se uma amostra de 25 valores e calcula-se a varincia amostral.
Construa um IC de 95% para 2 supondo que s2 = 2,34.

242

(n 1) s 2
(n 1) s 2
2
P

0,95
xa
xb

24 2,34
24 2,34
P
2
0,95
39,36
12,40

2,5%

0 xa

P 1,43 2 4,53 0,95

2,5%

95%

?
12,40

xb
?
39,36

Distribuio t de student
[( g 1) 2]
x2
f ( x)
1
g
( g 2) g

tg

( g 1) 2

-
E( X ) 0
Var ( X )

g
g 2

X ~ tg

(l-se: X tem distribuio t de student com g graus de

liberdade)

Propriedades:
a) se Z ~ N (0,1) e W ~ g2 ento

b) se g ento t g N (0,1)

Z
~ tg
W
g

Distribuio t de student
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
0

10

P (Tg t )

P(T10 2,764) ?

P(T10 2,764) 0,01

15

20

g
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120

0,1
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,299
1,296
1,289
1,282

0,05
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,676
1,671
1,658
1,645

0,025
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,009
2,000
1,980
1,960

0,01
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,403
2,390
2,358
2,326

0,005
63,656
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,678
2,660
2,617
2,576

Distribuio t de student
Se X i ~ N ( , 2 )

( n 1) s 2

~ ?N (0,1)

2
( n 1) s
( n 1) 2

~ ? n21

n
s

X
~ t?n 1
s
n

Intervalo de Confiana para

X ~ N ( , 2 )

e 2 desconhecidos

X
~ ?tn 1
s
n

0,14

tn 1

0,12
0,1

X
0,08
t) 1
s
0,06
n
0,04
s
s
P ( t
X t
) 1 0,02

n
n
P ( t

0
0

P( X t

s
s
X t
) 1
n
n

IC para

-t

10

15

P(t T t ) 1

Intervalo de Confiana para

Exemplo: uma v.a. qualquer tem uma distribuio desconhecida com mdia e varincia 2
tambm desconhecidas. Retira-se uma amostra de 25 valores e calcula-se a mdia
amostral e a varincia amostral. Construa um IC de 95% para supondo que X 12,7
e s2 = 16.
0,14

t24

0,12

P( X t

s
s
X t
) 0,950,1
n
n
0,08

P(12,7 2,064

0,06
4
4
12,7 2,064
) 0,95
0,04
25
25

2,5%

2,5%

95%

0,02

P(12,7 1,6512 12,7 1,6512)0 0,95

0

P(11,0488 14,3512) 0,95

-t

10

t
?
2,064

15

Intervalo de Confiana para proporo p

Numa urna, h N bolas, sendo K vermelhas e N K azuis. Assim, pode-se dizer que
K/N representa a proporo p de bolas vermelhas na urna (que por sua vez,
representa a probabilidade de se selecionar uma bola vermelha desta urna).
Mas se N e K so desconhecidos, como estimar p?
Considere que n bolas so escolhidas ao acaso (com reposio), definindo-se Y como
o nmero de bolas vermelhas entre as n selecionadas, qual a distribuio de Y?
Y ~ Binomial

Y Xi

Xi ~ Bernoulli

i 1

Y
?Proporo Amostral p
n
pq
pp ~~ N
,
?N(?,?)
( p,?)

(se n grande)

Y E (Y ) np

p
E ( p ) E
n
n
n

Y Var (Y ) npq pq
Var( p ) Var
2
2
n
n
n
n

p = P(Xi = 1)

Intervalo de Confiana para proporo p

p ~ N ( p,

pq
)
n

p p
~ ?N (0,1)
pq
n
p p
P( z
z) 1
pq
n

0,14

N (0,1)

0,12
0,1
0,08

0,06
0,04

P ( p z

pq
pq 0,02
p p z
) 1
n
n
0

P ( p z

pq
pq
p p z
) 1
n
n

IC para p

-z

10

15

P( z Z z ) 1

Intervalos de Confiana (Resumo)

N (0,1)

se 2 conhecida

tn 1

se 2 desconhecida

para

para 2

n21

para p

N (0,1)