Objetivos:

Fundamentos sobre a distribuição amostral

Lei dos grandes números
Teorema do Limite Central
Qual a diferença entre amostra e população?

População: conjunto de todos os elementos ou resultados sob

investigaçã o
Amostra: Subconjunto da populaçã o
Um parâmetro é uma medida numérica que descreve uma
característica de uma populaçã o.
Uma estatística é uma medida numérica que descreve uma
característica de uma amostra.
Estimador: qualquer funçã o das observaçõ es da amostra.
Estimativa: valor assumido pelo estimador em uma particular
amostra.
O que acontecerá se repetirmos o processo amostral muitas
vezes?
Será que os resultados das amostras são próximos?

Isso dependerá da variabilidade amostral e da distribuiçã o amostral

da estatística estudada.

Distribuição amostral: é a distribuiçã o de probabilidades

associada à estatística, considerando todas as amostras possíveis de
mesmo tamanho tomadas da mesma populaçã o.
Como selecionar amostras?

1.Levantamentos amostrais: a amostra é obtida de uma populaçã o

bem definida, por meio de processo bem protocolados e controlados
pelo pesquisador;

2.Planejamentos de experimentos: o objetivo é analisar o efeito de

uma variá vel sobre outra. Requer interferência do pesquisador
sobre as condiçõ es experimentais, bem como o controle de fatores
externos, com o intuito de medir o efeito desejado;

3.Estudos observacionais: os dados sã o coletados sem que o

pesquisador tenha controle sobre as informaçõ es obtidas, exceto
sobre possíveis erros grosseiros.
Quais são os problemas?

 Falta de informaçã o sobre os parâ metros;

 Falta de informaçã o sobre a distribuiçã o, ou seja, sobre como os

dados se comportam em termos da forma como se distribuem;

 Faltam tanto os parâ metros quanto a curva de distribuiçã o.

Quais são os conceitos de probabilidade mais importantes
para a inferência estatística?

 Lei dos grandes nú meros

 Distribuiçã o amostral de uma média amostral
 Distribuiçã o amostral de uma proporçã o amostral
 Teorema do Limite Central.
Selecione observaçõ es ao acaso de qualquer populaçã o com média
µ. A medida que o nú mero de observaçõ es selecionadas aumenta, a
média da amostra se aproxima cada vez mais da média
populacional µ.
 .

Suponha que é a média de n observaçõ es independentes da

variá vel X, ou seja, a média de uma amostra aleató ria X1, ..., Xn .

Se X é uma variá vel cuja média populacional é µ e desvio padrã o

populacional , entã o, a média da distribuiçã o amostral de é  e
o desvio padrã o é

Aplicaçã o: Controle estatístico de processo (CEP), cujo objetivo é tornar o

processo está vel ao longo do tempo e mantê-lo está vel a menos que mudanças
planejadas sejam feitas.
Suponha que é p̂a proporçã o amostral de elementos com certa característica
e que n observaçõ es independentes da variá vel Xi, que assume valores 0 ou 1,
sã o selecionadas de modo que a variá vel . Entã o, será uma
variá vel aleató ria cuja média é p e o desvio padrã o é .
X   Xi p̂
pq / n
Considere uma amostra aleató ria simples de tamanho n extraída
de uma populaçã o qualquer com média µ e desvio padrã o .
Quando n é grande, a distribuiçã o amostral da média x
se aproxima da distribuiçã o normal com mé dia µ e desvio padrã o
 n=5
n=10
30 Mean 5,202
30 Mean 4,9
StDev 1,365
N 81 StDev 0,79
N
25 25

20 20
Percent

Percent
15 15

10
10

5
5

0
0 1 2 3 4 5 6 7 8 9 10 0
média 0 1 2 3 4 5 6 7 8 9 10
média
n=30 n=100
Mean 5,066 30 Mean 5,
30 StDev 0,6018 StDev 0,2
N 80 N
25
25

20
20
Percent

Percent
15 15

10 10

5 5

0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8
média média
1. Nã o use modelos Normais quando a distribuiçã o nã o for
unimodal e simétrica;
x atípicos
2. Nã o use a média e o desvio padrã o quando os valores
estã o presentes;
3. Nã o confunda a distribuiçã o amostral com a distribuiçã o da
amostra;
4. Esteja atento à observaçõ es que nã o sã o independentes;
5. Cuidado com amostras pequenas de populaçõ es assimé tricas.