Aula 5

Introdução à Inferência Estatística

e Intervalos de Confiança

Prof. Cosme Marcelo Furtado Passos da Silva

Profa. Taynãna César Simões
1
 Inferência Estatística

 Conjunto de técnicas que permitam fazer afirmações

(extrapolações) sobre características de uma população
tomando como base os resultados observados na
amostra.

Coleta

População Amostra

Decisão

2
 Definições - Inferência Estatística

• População é o conjunto de

indivíduos (observações),

tendo pelo menos uma

variável em comum.

• Amostra é qualquer

subconjunto da população. AMOSTRA

3
 Definições - Inferência Estatística

 Parâmetro () é uma medida usada para descrever

uma característica da população.
^ de um parâmetro populacional () é uma
 Estimador ()
variável aleatória, função dos elementos amostrais Xi
(1≤i≤n)
  f  X1 , X 2 ,..., X n 

 Estimativa é o valor numérico obtido pelo estimador

(ou estatística) em uma certa amostra.
4
 Definições - Inferência Estatística

 Exemplo: Pressão sistólica de homens japoneses com idade entre

45-69 anos, que vivem no Japão.

 A população pode ser considerada como todos os homens japoneses com

idade entre 45-69 anos, que vivem no Japão.

 Como não seria possível medir a pressão sistólica de todos os homens

japoneses, um subconjunto de 2232 homens foi escolhido aleatoriamente.
Essa é a amostra

 A quantidade numérica de interesse poderia ser a média da pressão

sistólica. Essa média para a população é o parâmetro. A média na amostra é
a estimativa. 5
 Processo de Estimação

Estimação é o processo que usa os resultados

extraídos da amostra para produzir inferências sobre

a população da qual a amostra foi extraída

aleatoriamente.

Pontual
Tipos de
Estimação
Intervalar
6
 Processo de Estimação

Exemplo: Suponha que se observe uma amostra aleatória e se

queria estimar a média  de uma determinada característica da
população da qual represente.

1) Estimar um único valor para  (estimação pontual), chamado de

estimativa pontual;

2) Determinar um intervalo de valores plausíveis para  (estimação

intervalar), chamado de intervalo de confiança.
7
 Processo de Estimação - Pontual

O objetivo é fornecer um simples número da amostra que é

provável estar perto do valor desconhecido do parâmetro.

Estimador: Seja X uma variável aleatória com alguma distribuição

de probabilidade que dependa de uma parâmetro desconhecido ().

Estimativa: É o valor que o estimador assume em uma particular

amostra.
8
 Processo de Estimação - Pontual

Exemplo: Deseja-se conhecer o apoio popular a um projeto

governamental de reforma agrária.

9
 Processo de Estimação - Intervalar

Incorpora à estimativa pontual do parâmetro informações a respeito

de sua variabilidade e o grau de confiança associado à mesma.

10
 Processo de Estimação - Intervalar

Interpretação: Exemplo para a média populacional 

Se um número suficientemente grande de amostras aleatórias

é obtido, um I.C. de (1-)100% de confiança para o parâmetro

 é calculado para cada amostra, então (1- )100% destes

intervalos conterão o verdadeiro valor de .

11
 Qualidades de um Estimador

Representação conjunta dos conceitos de precisão, ausência de

vício e acurácia (dispersão dos pontos – “estimativas”- em
torno do alvo – “valor populacional”.

Não-viciado Viciado Viciado Não-viciado

Alta precisão Baixa precisão Alta precisão Baixa precisão
12
 Qualidades de um Estimador

1) Não-tendenciosidade (Estimador justo, não-viesado, ou não-

viciado)

Diz-se que um estimador ( ^ = T) é não-viciado, quando a sua média (ou

esperança, ou expectância) é o próprio valor do parâmetro
populacional () que se pretende estimar, isto é:

 
Exemplo: E X  
13
 Qualidades de um Estimador

Consistência (ou coerência)

Diz-se que um estimador é consistente se (além de ser não-viciado)
sua variância tende para zero, quando n é suficientemente
grande (n  ), isto é:


E ˆ   e

14
 Qualidades de um Estimador

Eficiência
Dados dois estimadores de um mesmo parâmetro, o mais
eficiente é aquele que tem menor variância, isto é:

é mais eficiente que

15
 Lembrando...

Amostra População
 Média ( )  Média (μ)
 Variância (σ2)
 Variância (S2)
2

 x 
2 n

 x 
n
x i x
i
S 
2 i 1 2  i 1

n 1 n

 Desvio padrão (s)  Desvio padrão (σ)

16
 Distribuições Amostrais

Amostra 1 Amostra 2 .... Amostra k

X1.1 . X2.1 ... X1.2 X2.2 . . X1.k X2.k . .
...
...X3.1 Xn.1 ...X3.2 Xn.2 ...X3.k Xn.k

... ^
k
^
1 ^
2

17
 Distribuições Amostrais

• Em cada amostra pode-se calcular o valor de uma

certa estatística (média , variância, etc.)

 Estatísticas amostrais variam de amostra para

amostra

 Estatísticas são variáveis aleatórias

18
 Distribuições Amostrais

Denomina-se distribuição amostral desta estatística ao

conjunto de valores obtidos em todas as possíveis

amostras de tamanho n (representa a flutuação das

estimativas obtidas).

19
 Distribuição Amostral
da Média

E X    VARX  
 2

n
•Há menor variabilidade entre as médias amostrais do
que entre as observações individuais;

•Conforme n aumenta, a variação amostral diminui;

•O desvio-padrão da distribuição amostral é chamado

erro-padrão.
20
 Distribuição Amostral
da Média

Exemplo: Considere uma população composta dos elementos (A, B, C,

D, E, F), nos quais se observou a característica X.

Elementos i Xi
A 1 2
B 2 4  = 7.0
C 3 6
D 4 8 2 = 11.67
E 5 10
F 6 12
21
Sorteio de dois elementos, com reposição:
No Amostras (X1,X2) x P(Amostras) No Amostras (X1,X2) x P(Amostras)
1 A, A (2, 2) 2 1/36 19 D, A (8, 2) 5 1/36
2 A, B (2, 4) 3 1/36 20 D, B (8, 4) 6 1/36
3 A, C (2, 6) 4 1/36 21 D, C (8, 6) 7 1/36
4 A, D (2, 8) 5 1/36 22 D, D (8, 8) 8 1/36
5 A, E (2, 10) 6 1/36 23 D, E (8, 10) 9 1/36
6 A, F (2, 12) 7 1/36 24 D, F (8, 12) 10 1/36
7 B, A (4, 2) 3 1/36 25 E, A (10, 2) 6 1/36
8 B, B (4, 4) 4 1/36 26 E, B (10, 4) 7 1/36
9 B, C (4, 6) 5 1/36 27 E, C (10, 6) 8 1/36
10 B, D (4, 8) 6 1/36 28 E, D (10, 8) 9 1/36
11 B, E (4, 10) 7 1/36 29 E, E (10, 10) 10 1/36
12 B, F (4, 12) 8 1/36 30 E, F (10, 12) 11 1/36
13 C, A (6, 2) 4 1/36 31 F, A (12, 2) 7 1/36
14 C, B (6, 4) 5 1/36 32 F, B (12, 4) 8 1/36
15 C, C (6, 6) 6 1/36 33 F, C (12, 6) 9 1/36
16 C, D (6, 8) 7 1/36 34 F, D (12, 8) 10 1/36
17 C, E (6, 10) 8 1/36 35 F, E (12, 10) 11 1/36
18 C, F (6, 12) 9 1/36 36 F, F (12, 12) 12 1/36 22
 Distribuição Amostral
da Média
Valores possíveis 2 3 4 5 6 7 8 9 10 11 12
Probabilidade 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

x = 7.0

EP = 2.45

 Variação amostral

23
 Teorema Central do Limite (TCL)

TCL: Se X é uma variável aleatória com média populacional

μ e variância σ2, então a média amostral é

aproximadamente normal com média μ e variância σ2/n,

quando n é suficientemente grande.

O TCL estabelece a razão central do distribuição normal,

pois a média de amostras aleatórios de qualquer

distribuição tende à normalidade à medida que n aumenta.

24
 Teorema Central do Limite (TCL)

Então , podemos usar a distribuição normal para

fazermos inferências baseadas na média amostral.

Independentemente da distribuição de X, podemos

padronizar a v. a. normal para inferir o valor da
média da população.

25
 Distribuição Amostral de Proporções

Se selecionarmos todas amostras possíveis de tamanho n e

calcularmos p para cada amostra teremos a distribuição
amostral de proporções

X 1 1
E ( pˆ )  E   E ( X )  (np )  p
n n n

X  1 1 pq
VAR( pˆ )  VAR   2 VAR( X )  2 (npq) 
n  n n n

26
 Distribuição Amostral de Proporções

A proporção amostral pode ser considerada uma média:

pˆ 
X

X i
X
n n
Pelo TCL a forma da distribuição amostral é aproximadamente
normal, desde que n seja suficientemente grande.

Então:
pˆ  p
z ~ N (0,1)
p(1  p) / n
27
 Intervalos de Confiança
 Estimamos, por exemplo a média, a partir de uma amostra;

 É provável que amostras diferentes apresentem médias

diferentes;

 Há um grau de incerteza envolvido;

 Uma estimativa por ponto não fornece informação sobre a

variabilidade inerente do estimador;

 Não sabemos quão perto de µ está ;

 A estimação por intervalo de confiança fornece um intervalo de

valores que apresenta certa confiança em conter o verdadeiro
valor do parâmetro populacional. 28
 Intervalos de Confiança

• Fornece um intervalo de valores no qual temos um certo grau de

confiança (diferente de probabilidade) de conter o valor do
parâmetro da população;

• A partir de valores pontuais estimados, constroem-se expressões

que incluam o erro devido à amostragem; que informem sobre a
precisão das estimativas, e assim, sobre o valor populacional
desconhecido.
29
 Intervalos de Confiança

A estimação por intervalos consiste no estabelecimentos de

limites inferior e superior para o parâmetro que se deseja estimar.

[ 1     2 ]

 Necessário associar um grau de “risco”, denominado nível de

significância, representado por um valor probabilístico.

30
 Intervalos de Confiança

 Nível de significância: probabilidade do parâmetro estimado não

estar contido no intervalo de confiança.

A precisão esperada do intervalo de confiança é obtida pelo

complementar do nível de significância (grau de confiança)

P[ 1     2 ]  1  
31
 Construindo um intervalo de confiança
para a média populacional

X 
P( Z  / 2   Z / 2 )  1  
/ n
 
P( X  Z  / 2    X  Z / 2 )  1
n n
 
X  Z / 2    X  Z / 2
n n
32
Intervalos de Confiança para a Média () de uma
População com Variância Conhecida (2)

  2
 2
PX  Z     X  Z   1 
 n n 
 2 2 

33
 Intervalos de Confiança para a Média () de uma
População com Variância Conhecida (2)

Exemplo: O desvio-padrão do nível de depressão de uma população

é conhecido e igual a 2,0. Considerando-se que uma amostra de 100

elementos extraída dessa população forneceu um nível de

depressão médio de 35,6, construir um intervalo de 95% de

confiança para a média do nível de depressão dessa população.

34
Intervalos de Confiança para a Média () de uma
População com Variância Conhecida (2)

35
 Intervalo de Confiança
Interpretação

 Dizemos que o intervalo tem, por exemplo, 95% de

confiança de conter o verdadeiro valor da média
populacional, ou seja estamos 95% confiantes de que esse
intervalo contenha a média verdadeira. E não que a média
tem 95% de chance ou probabilidade de estar no
intervalo.

 µ é fixo, está ou não contido no intervalo.

 Outra interpretação: Se tomássemos 100 amostras desta

mesma população, a verdadeira média estaria contida em
95 desses intervalos.
36
 Intervalos de Confiança para a Média () de uma
População com Variância Desconhecida (2)

 Assumimos que o desvio-padrão da população é

conhecido, embora a média µ não.

Na prática isso é pouco provável!!

Se µ for desconhecido, provavelmente σ também o será.

 Quando o desvio-padrão também é desconhecido,

substituímos σ por s, o desvio-padrão amostral.
37
 Intervalos de Confiança para a Média () de uma
População com Variância Desconhecida (2)

X 
s/ n

Não tem distribuição Normal padrão, e sim distribuição t de

Student (pseudônimo do estatístico Gosset que formulou essa
distribuição em 1908).

A distribuição de t de Student é similar à distribuição normal, só

que com cauda mais pesada. Reflete a variabilidade extra
introduzida pelo estimador s.
38
 Intervalos de Confiança para a Média () de uma
População com Variância Desconhecida (2)

X 
t
s/ n

A distribuição t tem uma propriedade chamada graus de liberdade

(gl), que mede o volume de informação disponível a ser usados para
estimar 2. Nesse caso gl=n-1, pois perdemos 1 gl ao estimarmos a
média da amostra.

39
 Intervalos de Confiança para a Média () de uma
População com Variância Desconhecida (2)

 Para cada valor dos graus de liberdade, há uma diferente

distribuição t;

 As distribuições com menores gl são mais dispersas, conforme

gl aumenta, as distribuição t se aproxima da distribuição normal
padrão.

 Conforme o tamanho da amostra aumenta, s se torna uma

estimativa mais confiável de .
40
Intervalos de Confiança para a Média () de uma
População com Variância Desconhecida (2)

 s 2
s 2
P X  t  Xt    1 
 ( n 1; ) n ( n 1; ) n 
 2 2 

41
 Intervalos de Confiança para a Média () de uma
População com Variância Desconhecida (2)

Exemplo: Considerando-se que uma amostra de quatro elementos

extraída de uma população com distribuição normal forneceu média

8,20 e desvio-padrão igual a 0,40, construir um intervalo de

confiança de 99% para a média dessa população.

42
Intervalos de Confiança para a Média () de uma
População com Variância Desconhecida (2)

43
 Construindo um intervalo de confiança
para a proporção

 pˆ  p 
P  Z 1   Z2   1
 pˆ (1  pˆ ) / n 
 
pˆ  p
 Z / 2   Z / 2
pˆ (1  pˆ ) / n
 Z  / 2 pˆ (1  pˆ ) / n  pˆ  p  Z  / 2 pˆ (1  pˆ ) / n
pˆ  Z  / 2 pˆ (1  pˆ ) / n  p  pˆ  Z  / 2 pˆ (1  pˆ ) / n

44
Intervalos de Confiança para uma Proporção (P)
de uma População

 p̂ (1  p̂ ) p̂ (1  p̂ ) 
P p̂  Z   p  p̂  Z    1 
 n n 
 2 2 

45
 Intervalos de Confiança para uma Proporção (P)
de uma População

Exemplo: Retirada uma amostra de 1000 pacientes atendidos em um

hospital, verificou-se que 35 sofriam de distúrbios neurológicos.
Construa um intervalo de confiança com nível de 95% para a
proporção de pacientes com distúrbios neurológicos.

46
Intervalos de Confiança para uma Proporção (P)
de uma População

47
 Intervalos de Confiança para a Variância (2)
de uma População

 A distribuição Qui-quadrado

Quando temos X1, X2,...Xn variáveis aleatórias normalmente

distribuídas, a soma dos quadrados (X2) dessas [Link]. tem
distribuição χ2 (n-1)

χ2 = X12+ X2 2+ . . . + Xn2

Distribuição assimétrica, contínua e positiva.

48
 Intervalos de Confiança para a Variância (2)
de uma População

 A variável aleatória (n  1) S 2 tem distribuição qui-

2
quadrado (χ2) com (n-1) graus de liberdade

(n  1) S 2
 2 ( n 1, / 2 )    2 ( n 1,1 / 2 )
2
1 2
   2 ( n 1,1 / 2 )
 2 ( n 1, / 2 ) (n  1) S 2
(n  1) S 2
(n  1) S 2
 2

 2
( n 1, / 2 )  2 ( n 1,1 / 2 ) 49
Intervalos de Confiança para a Variância (2)
de uma População

 
 n  1s 2
n  1s   1  
2
P 2  2  2 

  n 1;  
 n 1;1  
 
  2  2

50
 Intervalos de Confiança para a Variância (2)
de uma População

Exemplo: Dado S = 2.4 e n = 16, calcular o intervalo de confiança

para 2, com nível de 95%.

51
Intervalos de Confiança para a Variância (2)
de uma População

52
 Exercícios

1) Considere uma amostra de 10 bebês selecionada de uma

população de bebês que recebe antiácidos que contem alumínio e
são frequentemente usados para tratar distúrbios digestivos. A
distribuição de níveis de alumínio no plasma é conhecida como
aproximadamente normal , no entanto sua média e desvio-
padrão não são conhecidos. O nível médio de alumínio para a
amostra de dez bebês é 37,2 μg/l e desvio-padrão 7,13 μg/l.
Calcule um intervalo com 95% de confiança para a média
populacional.
53
 Exercícios

2) Considere a sobrevida de 5 anos entre os pacientes

diagnosticados com câncer de pulmão. Em uma amostra
aleatoriamente selecionada de 52 pacientes, somente 6
sobrevivem 5 anos. Calcule um intervalo com 95% de confiança
para a proporção de sobreviventes em 5 anos.

54
 Bibliografia

1) Soares, J F; Siqueira, A L. Introdução à Estatística Médica. Coopmed Editora

Médica, 2a edição, 2002, Belo Horizonte, MG.

2) Magalhães, M. N.; Lima, A. C. P (2005). Noções de Probabilidade e Estatística. 6ª

ed. Edusp. São Paulo.
3) Silva, Nilsa Nunes (2004). Amostragem Probabilística: Um curso introdutório.
Edusp. Brasil.
4) Mood, A. M. et al. 1974. Introduction to the Theory of Statistics. 3. ed. Tokyo,
McGraw-Hill Kogakusha.
5) Triola, M.F. Introdução à Estatística. Rio de Janeiro: LTC Editora, 1999
6) Pagano, M., e Gauvreau, K. Princípios de Bioestatística, Segunda Edição São Paulo:
Thomson, 2004
7) Venables WN, Ripley, BD (2002). Moderns Applied Statistics with S. Fourth
Edition. Springer.
8) Venables WN, Smith DM, et al. (2002). An introduction to R: notes on R: a
programming environment for data. Bristol, Network Theory
9) Dalgaard, P. (2002) Introductory Statistics with R. Springer. 55