1

UNIVERSIDADE PAULISTA - UNIP

ENGENHARIA

ESTATÍSTICA
INDUTIVA

Prof. Dr. Fernando Cruz Barbieri

S.J. dos Campos - Dutra
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Parâmetros

Prof. Dr. Fernando Cruz Barbieri

S.J. dos Campos - Dutra
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
1. Definição
• População: conjunto de todos os elementos ou resultados sob
investigação;
• Amostra: Subconjunto da população;
• Um parâmetro: é uma medida numérica que descreve uma
característica de uma população;
• Uma estatística: é uma medida numérica que descreve uma
característica de uma amostra;
• Estimador: é qualquer função das observações da amostra;
• Estimativa: valor assumido pelo estimador em uma particular
amostra;
• Estimação: é um processo que consiste utilizar dados amostrais
para estimar parâmetros populacionais desconhecidos.
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
2. Parâmetros
• Parâmetros populacionais: são medidas usadas para descrever
uma característica numérica populacional.
Exemplos de parâmetros populacionais: Média (representada por ),
variância (representada por 2) e desvio padrão (representada por ).
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
2. Parâmetros
• Parâmetros amostrais: o estimador de um parâmetro populacional
é uma característica numérica determinada na amostra.
Exemplo de parâmetros amostrais: média amostral (representada por x),
variância amostral (representada por s2) e desvio padrão amostral
(representada por s).
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
3.Distribuição amostral: é a distribuição de probabilidades
associada à estatística, considerando todas as amostras possíveis
de mesmo tamanho tomadas da mesma população.

• Os valores da média amostral e do desvio-padrão amostral

dificilmente serão iguais aos valores da media populacional e do
desvio-padrão populacional respectivamente.

• Selecionando aleatoriamente todas as amostras com mesmo tamanho

( n ) desta população e calculando uma estatística ( ) ou uma
estatística ( s ) amostrais, podemos construir uma distribuição de
probabilidade estatística, chamada de distribuição amostral.
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
3.Distribuição amostral
3.1 Como selecionar amostras?

• Levantamentos amostrais: a amostra é obtida de uma população

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

• Planejamentos de experimentos: o objetivo é analisar o efeito de

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

• Estudos observacionais: os dados são coletados sem que o

pesquisador tenha controle sobre as informações obtidas, exceto
sobre possíveis erros grosseiros.
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
3.Distribuição amostral
3.2 Quais são os problemas?

• Falta de informação sobre os parâmetros;

• Falta de informação sobre a distribuição, ou seja, sobre como

os dados se comportam em termos da forma como se distribuem;

• Faltam tanto os parâmetros quanto a curva de distribuição.

 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
3.Distribuição amostral

3.3 Distribuição amostral de uma média amostral;

• Suponha que é a média de (n) observações independentes da

variável x, ou seja, a média de uma amostra aleatória X 1, ...,
Xn, a média das medias das amostras é igual à média da
população, ou seja, x   .

• O desvio padrão das médias das amostras é igual ao desvio-

padrão populacional dividido pela raiz quadrada de (n),

x 
n
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
4. Estimação.

• Um estimador é uma estatística amostral utilizada para obter

uma aproximação de um parâmetro populacional.

• Processo que consiste em utilizar dados amostrais para estimar

parâmetros populacionais desconhecidos.

• O resultado da estimação é chamado de ESTIMATIVA.

 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
4. Estimação.
4.1 Estimação pontual: é um valor (ou ponto) único usado para
aproximar um parâmetro populacional.
• A média amostral é a melhor estimativa pontual para a média
populacional.

• Estimativa pontual é a variância amostral para a variância populacional.

• Se uma amostra representativa de uma variável ( X ) é extraída da
população, portanto, a média ( ) e a variância (s ) dessa amostra
2

podem ser usadas como estimadores pontuais dos paramentos

populacionais.
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
4. Estimação.
4.2 Estimação intervalares: é um parâmetro populacional por
intervalo de confiança que consiste em gerar um intervalo centrado
na estimativa pontual no qual se admite que esteja o parâmetro
populacional.
• A estimativa pontual é calculada a partir de uma amostra extraída da
população, mas pode ser extraída por varias amostras de uma
população.

• Por exemplo, para estimar a média populacional (  ) pode se retirar

varias amostras diferentes que podem gerar varias estimativas pontuais
diferentes.
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
4. Estimação.
4.3 Estimação intervalares com nível de confiança: é a
probabilidade de que o intervalo estimado contenha o para
populacional em estudo.

• Como já estudado conforme o teorema do limite central, se (n 

30) a distribuição amostral das medias é uma distribuição
normal.

• Oentre
nível de confiança ( c ) é a área
os valores críticos –z e +z
sob a curva normal reduzida
c c
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Modelo de Distribuição Continua de Probabilidade

7. Propriedades ou características da curva normal
• “Forma de Sino”;
• Unimodal (possuir uma única moda);
• Simétrica;
• Média, mediana e moda são iguais;
• Amplitude Interquartil (medida de dispersão de um conjunto de dados
que expressa a diferença ou distância entre o primeiro e o terceiro
quartis).

68% dos valores de X encontram-se
entre os pontos ( - ) e (+).

Área 
95,5% dos valores de X encontram-
se entre os pontos ( - 2) e (+2).


99,7% dos valores de X encontram-
se entre os pontos ( - 3) e (+3).
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Modelo de Distribuição Continua de Probabilidade

11. Padronização de dados – Exemplo 4
Você trabalha no setor de Controle de Qualidade da GE. A vida útil de
uma lâmpada tem Distribuição Normal com média (x) de 2000 horas e
desvio padrão (x) de 200 horas.
a) Qual é a probabilidade de uma lâmpada durar entre 2000 e 2400 horas?
Solução:
P(2000 £ X £ 2400)
Padronizada P(0 £ X £ 2)

P(2000 £ X £ 2400)= 42,72%

 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
4. Estimação.
4.4 Estimação intervalares com nível de confiança (para amostras grandes
n  30): Considerando um nível de confiança ( c ), a margem de erro ( E )
é a maior distancia possível entre a estimativa pontual e o valor do
parâmetro a ser estudado.

• A formula usada para o calculo desse erro é: 

Onde:
E  zc
E é a margem de erro n
Zc é a distancia critica da curva normal
 É o desvio padrão populacional
n é o numero de amostra.

• Quando n  30, o desvio-padrão amostral ( s )

padrão populacional (  ).
pode ser usado como o desvio-
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
Exemplo 1: Uma amostra aleatória de 36 elementos retirados de uma
população aproximadamente normal forneceu média  = 15,50 e
desvio-padrão de 1,50. Construir um intervalo de 95% de confiança
para a media dessa população.

Resolução:

C = 95% = 0,95
n = 36
 = 1,5
 =15,5

15,5  0,49    15,5  0,49

15,01    15,99
Encontramos o erro máximo utilizando a formula:
 1,5
E  zc  1,96  0,49
n 36
podemos que dizer que a media populacional esta entre 15,01 e 15,99
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
Exemplo 2: Em uma amostra aleatória de 100 pessoas foi encontrada uma
média de 24 anos. Sabendo que a variância das idades é de 16 anos,
construa um intervalo de 95% de confiança para essa media.

Resolução:

C = 95% = 0,95
n = 100
 = 1,5
 = 24
 = 2
 =16 = 4
X  E  (24  0,784)anos
24  0,784  24,784
Encontramos o erro máximo utilizando a formula:
24  0,784  23,216
 4
E  Zc  1,96.  0,784
n 100 23,216    24,784
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
4. Estimação.
4.5 Tamanho da amostra: Devemos entender que quanto maior o nível de
confiança, maior será o intervalo.

• Aumentando esse intervalo, a precisão da estimativa diminui.

• Para aumentar essa precisão, sem diminuir o nível de confiança, devemos
ampliar o tamanho da amostra.

• Teremos uma equação do tamanho das amostras necessárias para

estimar as medias, para um nível de confiança ( c ) e um erro ( E ) o
tamanho mínimo da amostra necessária para estimar a media populacional
é: 2
 Z c . 
n 
 E 
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
Exemplo 3: Com os dados do exemplo 2, determinar o tamanho requerido
de uma amostra para assegurar que, com confiança de 95% a média
amostral esteja dentro do intervalo de 0,25 da média populacional .
C= 95% =0,95
E = 0,25
2 2
Zc =1,96  Z .   1,96.1,5 
 = 1,5 n  
c
  138
 E   0,25 
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
4. Estimação.
4.4 Estimação intervalares com nível de confiança (para amostras
pequenas): No caso de amostras que n < 30 e a variância populacional ( 2
é conhecida o intervalo de confiança ( C ) é dada por

• A formula usada para o calculo desse erro é:

Onde:
E é a margem de erro
Zc é a distancia critica da curva normal
 É o desvio padrão populacional
n é o numero de amostra.

• Quando n  30, o desvio-padrão amostral ( s )

padrão populacional (  ).
deve ser usado como o desvio-
 UNIVERSIDADE PAULISTA - UNIP
ENGENHARIA

Estimativa de Paramentos
Exemplo 4: De uma população normalmente distribuída com variância 2=4,
tiramos uma amostra de 20 elementos, obtendo média x=42. Determinar
um intervalo de confiança de 90% para a media populacional .

Resolução: para o calculo de Zc tem-se 0,90/2 = 0,45

0,450
C =90 =0,90
n = 20
2=4=> =2,

Zc =1,65
 2 x  E     x  E  4,2  0,7    4,2  0,7
E  Zc .  1,65.  0,7
n 20 3,5    4,9