Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIDADE 5 – NOÇÕES DE INFERÊNCIA 1. Inferência Estatística: Estimação de parâmetros 5.1 ESTIMAÇÃO: CONCEITOS A inferência estatística é um dos aspectos mais importantes do processo de tomada de decisões. A inferência estatística refere-se à estimação e ao teste de hipóteses. A estimação é o processo de estimar um parâmetro populacional (tal como a média, ou o desvio-padrão) a partir de uma estatística, obtida de uma amostra. 5.2 DISTRIBUIÇÃO AMOSTRAL DA MÉDIA 5.3 TEOREMAS O primeiro teorema importante que relaciona a distribuição amostral da média à população original diz o seguinte: Se tirarmos repetidamente, com reposição, amostras aleatórias de tamanho n da população de tamanho N: Para cada amostra, calculamos a média da variável de interesse e, depois, calculamos a média dessas médias. Este teorema diz que a média dessas médias é igual à média da população: µµ =X 5.3 TEOREMAS A continuação desse teorema diz que, para todas essas amostras, se calcularmos o desvio-padrão dessas médias, teremos a seguinte relação: Ou seja, a variância das médias é igual à variância da população dividido pelo tamanho da amostra, n. nX 2 2 σσ = 5.3A TEOREMAS – FATOR DE CORREÇÃO Em algumas situações, como o caso em que a avaliação do elemento amostral é um teste destrutivo, é inviável a reposição desse elemento. Ou seja, não há como selecionar uma amostra com reposição. Além disso, na maioria das vezes em que não fazemos a reposição, o principal motivo é o custo. 5.3A TEOREMAS – FATOR DE CORREÇÃO Quando a população for muito grande, em relação ao tamanho da amostra, a conseqüência da não-reposição do elemento na população antes da seleção do próximo elemento praticamente não altera a probabilidade de seleção deste elemento. Por outro lado, se a amostra for muito grande em relação ao tamanho da população, a não reposição do elemento modificará sensivelmente as probabilidades de escolha dos elementos da amostra, modificando sua distribuição de probabilidades. 5.3A TEOREMAS – FATOR DE CORREÇÃO Dessa forma, se não houver reposição e se o tamanho da amostra for menor que 5% do tamanho da população, a não reposição pode ser desprezada. No entanto, se o tamanho da amostra for maior que 5% do tamanho da população, devemos corrigir a variância, para compensar os efeitos da não reposição. 5.3A TEOREMAS – FATOR DE CORREÇÃO O Fator de Correção a ser utilizado é: Então, para o caso sem reposição e onde n ≥ 0,05*N, o teorema nos diz o seguinte: A média do valor médio de todas as amostras continua sendo igual ao valor médio da população: A variância de todas as médias é igual a variância da população dividido pelo tamanho da amostra, multiplicado pelo fator de correção: 1− − N nN µµ =X 1 * 2 2 − − = N nN nX σσ 5.3B TEOREMAS – EXEMPLO Suponha que temos uma população de 5 pessoas (N=5), e queremos observar o número de carros que essas pessoas têm. Pessoa Nº de carros Amanda 1 Bianca 3 Carolina 5 Débora 7 Elaine 9 5.3B TEOREMAS – EXEMPLO Desejamos selecionar amostras de tamanho 2 (n=2) e calcular o valor médio e a variância do número de carros para essas amostras. De acordo com o teorema, para acharmos o valor médio de carros dessas amostras, basta que calculemos o valor médio de carros para a população. Para o caso da variância, basta calcularmos a variância da população e dividir pelo tamanho da amostra, que acharemos a variância dos valores médios dessas amostras (para o caso com reposição). Para o caso sem reposição, temos que corrigir a variância pelo fator de correção. 5.3B TEOREMAS – EXEMPLO Para essa população, o valor médio de carros é igual a: A variância da população é dada por: 5 5 97531 5 1 = ++++ == ∑ = n x i i µ 8 5 )59()57()55()53()51( )( 22222 1 2 2 = −+−+−+−+− = − = ∑ = n x n i i µ σ 5.3B TEOREMAS – EXEMPLO A partir desses valores, conseguimos saber qual é a média do número médio de carros para todas as amostras de tamanho 2 da população (com ou sem reposição): Sabemos, também, a variância do número médio carros: Com reposição: Sem reposição: 5== µµX 4 2 822 === nX σσ 3 15 25* 2 8 1 * 2 2 = − − = − − = N nN nX σσ 5.3B TEOREMAS – EXEMPLO Se você não acredita que esses valores estão corretos, vamos selecionar todas as amostras possíveis de tamanho 2 dessa população e calcular suas médias. Vamos iniciar com uma amostragem com reposição: Temos a seguinte população: Pessoa Nº de carros Amanda 1 Bianca 3 Carolina 5 Débora 7 Elaine 9 5.3B TEOREMAS – EXEMPLO Com reposição, as amostras possíveis que podemos selecionar são: Eu escolho ao acaso a Amanda e anoto o número de carros que ela possui (ou seja, 1 carro). Eu volto a Amanda para a população e, por acaso, eu a seleciono de novo e observo o número de carros que ela possui (continua sendo 1). Então, a minha primeira amostra é composta pelos valores (1,1). Em uma outra seleção, suponha que eu selecione a Amanda primeiro e depois eu seleciono a Bianca e observo o número de carros que possuem. Nesse caso, a minha segunda amostra é composta pelos valores (1,3). 5.3B TEOREMAS – EXEMPLO Continuamos até selecionarmos todas as amostras possíveis e observarmos o número de carros de todas essas amostras. Temos então, os 25 valores abaixo: POSSÍVEIS AMOSTRAS (1,1) (3,1) (5,1) (7,1) (7,1) (1,3) (3,3) (5,3) (7,3) (7,3) (1,5) (3,5) (5,5) (7,5) (7,5) (1,7) (3,7) (5,7) (7,7) (7,7) (1,9) (3,9) (5,9) (7,9) (7,9) 5.3B TEOREMAS – EXEMPLO Agora que já temos todas as possíveis amostras, vamos calcular o número médio de carros em cada amostra: Amostra Média de carros Amostra Média de carros Amostra Média de carros Amostra Média de carros Amostra Média de carros (1,1) 1 (3,1) 2 (5,1) 3 (7,1) 4 (9,1) 5 (1,3) 2 (3,3) 3 (5,3) 4 (7,3) 5 (9,3) 6 (1,5) 3 (3,5) 4 (5,5) 5 (7,5) 6 (9,5) 7 (1,7) 4 (3,7) 5 (5,7) 6 (7,7) 7 (9,7) 8 (1,9) 5 (3,9) 6 (5,9) 7 (7,9) 8 (9,9) 9 5.3B TEOREMAS – EXEMPLO Agora que já temos todas as possíveis amostras, vamos calcular o número médio de carros em cada amostra: Quando calculamos a média dos 25 valores que estão nos retângulos azuis (ou seja, a média das médias de todas as possíveis amostras de tamanho 2), temos o seguinte: Amostra Média de carros Amostra Média de carros Amostra Média de carros Amostra Média de carros Amostra Média de carros (1,1) 1 (3,1) 2 (5,1) 3 (7,1) 4 (9,1) 5 (1,3) 2 (3,3) 3 (5,3) 4 (7,3) 5 (9,3) 6 (1,5) 3 (3,5) 4 (5,5) 5 (7,5) 6 (9,5) 7 (1,7) 4 (3,7) 5 (5,7) 6 (7,7) 7 (9,7) 8 (1,9) 5 (3,9) 6 (5,9) 7 (7,9) 8 (9,9) 9 5 25 25 125 25 1 === ∑ =k k X X µ 5.3B TEOREMAS – EXEMPLO Quando calculamos a variância dos 25 valores que estão nos retângulos azuis (ou seja, a variância das médias de todas as possíveis amostras de tamanho 2), temos o seguinte: Se vocês perceberem, os valores que encontramos fazendo o cálculo passo-a-passo são iguais aos valores que encontramos de forma mais “automática”, quando usamos as fórmulas dadas pelo teorema. 4 25 100 25 )( 25 1 2 2 == − = ∑ =k Xk X X µ σ 5.3B TEOREMAS – EXEMPLO Agora,para que servem os resultados do teorema. Eles são importantes, pois, na vida real, não é possível obter todas as combinações de amostras possíveis de uma determinada população. Dessa forma, o cálculo do valor médio de uma determinada variável seria impossível. Porém, os resultados desse teorema vão nos ajudar a calcular algumas probabilidades. Para isso, precisamos de um segundo teorema. 5.4 TEOREMA CENTRAL DO LIMITE 5.4 TEOREMA CENTRAL DO LIMITE Escala X População original Distribuição amostral da média, n = 5 Distribuição amostral da média, n = 20 5.4 TEOREMA CENTRAL DO LIMITE Escala X População original Distribuição amostral da média, n = 5 Distribuição amostral da média, n = 20 5.4 TEOREMA CENTRAL DO LIMITE Para grandes amostras: Distribuição Populacional Distribuição Amostral 5.5 TEOREMAS 5.6 PADRONIZAÇÃO 5.7 EXEMPLOS Suponha que uma população é composta por 900 elementos com média de 20 unidades e desvio- padrão de 12. Calcule a média e o erro padrão da distribuição amostral da média para uma amostra de 36 elementos. 5.7 EXEMPLOS 5.7 EXEMPLOS 5.7 EXEMPLOS 5.7 EXEMPLOS 5.7 EXEMPLOS 5.7 EXEMPLOS 5.7 EXEMPLOS 5.7 EXEMPLOS Suponha que uma população é composta por 900 elementos com média de 20 unidades e desvio- padrão de 12. Calcule a média e o erro padrão da distribuição amostral da média para uma amostra de 64 elementos. Agora, temos que n>0,05*N : 64>0,05*900 64>45 5.7 EXEMPLOS 5.7 EXEMPLOS Unidade 5 – Noções de Inferência 5.1 Estimação: Conceitos 5.2 Distribuição Amostral da Média 5.3 Teoremas 5.3 Teoremas 5.3a Teoremas – Fator de Correção 5.3a Teoremas – Fator de Correção 5.3a Teoremas – Fator de Correção 5.3a Teoremas – Fator de Correção 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.3b Teoremas – Exemplo 5.4 Teorema Central do Limite 5.4 Teorema Central do Limite 5.4 Teorema Central do Limite 5.4 Teorema Central do Limite 5.5 Teoremas 5.6 padronização 5.7 Exemplos 5.7 Exemplos 5.7 Exemplos 5.7 Exemplos 5.7 Exemplos 5.7 Exemplos 5.7 Exemplos 5.7 Exemplos 5.7 Exemplos 5.7 Exemplos 5.7 Exemplos
Compartilhar