Baixe o app para aproveitar ainda mais
Prévia do material em texto
Métodos Estatísticos Nara Reges F. P. Pereira Universidade Federal do Oeste da Bahia Engenharia de Produção (UFOB) 1 / 22 Inferência Estatística (UFOB) 2 / 22 Amostragem Probabilística Até agora vimos modelos teóricos, identificados por parâmetros, capazes de representar adequadamente o comportamento de algumas variáveis. A partir de agora veremos argumentos estatísticcos para fazer afirmações sobre as características de uma população, com base em informações dadas por amostras. O uso de informações de uma amostra para concluir sobre o todo faz parte da atividade diária da maioria das pessoas. Quando uma cozinheira verifica se o prato que ela está preparando tem ou não a quantidade adequada de sal experimentando um pouco. Quando um comprador, após experimentar um pedaço de laranja numa banca de feira, decide se vai comprar ou não as laranjas. (UFOB) 3 / 22 Amostragem Probabilística Nas aulas anteriores vimos alguns modelos probabilísticos que procuram medir a variabilidade de fenômenos casuais de acordo com suas ocorrências. Na prática, frequêntemente o pesquisador tem alguma ideia sobre a forma da distribuição, mas não dos valores exatos dos parâmetros que a especificam. Example Parece razoável supor que a distribuição das alturas dos brasileiros adultos possa ser representadda por um modelo normal (embora as alturas não possam assumir valores negativos). Mas ainda precisaríamos conhecer os parâmetros (média e variância). (UFOB) 4 / 22 Amostragem Probabilística Raramente se consegue obter a distribuição exata de alguma variável, ou porque isso é muito dispendioso, ou muito demorado ou às vezes porque consiste num processo destrutivo. Por exemplo, se quisessemos saber a durabilidade de lâmpadas, não teria sentido testar todas elas até queimarem. A solução é selecionar parte dos elementos (amostra), analisá-la e inferir propriedades para o todo (população). (UFOB) 5 / 22 Amostragem Probabilística Example Gostaríamos de obter respostas para a seguinte indagação: a altura que um produto é colocado na gôndola de um supermercado afeta a sua venda? Precisamos obter dados de vendas com o produto oferecido em diferentes alturas, e que essas vendas sejam controladas para evitar interferência de outros fatores que não a altura. Supondo que as vendas Vh do produto oferecido na altura h (h = 1 - baixo, h = 2 - meio, h = 3 - alto) segue uma distribuição próxima a normal, ou seja, Vh ∼ N(µh, σ2), o nosso problema passa a ser o de verificar, por meio de dados coletados do experimento (amostra), se existe evidências de igualdade das médias µ1, µ2 e µ3. (UFOB) 6 / 22 Amostragem Probabilística Example Digamos que X representa o peso real de pacotes de café, enchidos automaticamente por uma máquina. Sabe-se que a distribuição de X pode ser representada por uma normal, com parâmetros µ e σ2 desconhecidos. Sorteamos 100 pacotes e medimos seus pesos. População: o conjunto de todos os pacotes enchidos ou que virão a ser enchidos pela máquina. Amostra: as 100 medidas obtidas dos pacotes selecionados. (UFOB) 7 / 22 Amostragem Probabilística Example Para investigar a "honestidade"de uma moeda, nós a lançamos 50 vezes e contamos o número de caras observadas. A população pode ser considerada como tendo a distribuição da variável X , assumindo o valor 1, com probabilidade p, se ocorrer cara, e assumindo o valor 0, com probabilidade 1 − p, se ocorrer coroa. A população pode ser considerada como tendo distribuição de Bernoulli com parâmetro p. A variável ficará completamente especificada quando conhecermos p. A amostra será uma sequência de 50 números zeros ou uns. (UFOB) 8 / 22 Amostragem Aleatória Simples O primeiro desafio é selecionar a amostra para análise. A maneira é mais fácil é como se segue. Definição: Uma amostra aleatória simples (AAS) de tamanho n de uma variável aleatória X , com dada distribuição, é o conjunto de n variáveis aleatórias independentes X1,X2, · · · ,Xn, cada uma com a mesma distribuição de X . Então, a amostra será a n-upla ordenada (X1,X2, · · · ,Xn), onde Xi indica a observação do i-ésimo elemento sorteado. (UFOB) 9 / 22 Amostragem Aleatória Simples Example Vamos retirar uma AAS de 5 alturas (em cm) de uma população de mulheres cujas alturas X seguem a distribuição N(167;25). Suponha que, usando um método computacional para geração de números aleatórios, obtemos os valores: x1 = 165, x2 = 161, x3 = 168, x4 = 173, x5 = 173. Se gerarmos uma nova amostra, podemos obter valores diferentes desses. Indicamos por X1 o valor observado na primeira extração, concluímos que X1 ∼ N(167;25). Como a geração do segundo número é feita independente do segundo, resulta que a v.a. X2, valor observado na segunda extração, também segue uma distribuição n(167;25), e assim por diante. (UFOB) 10 / 22 Amostragem Aleatória Simples No caso de uma população X contínua, com f.d.p. f (x), a f.d.p. conjunta da amostra (X1,X2, · · · ,Xn), será dada por f (x1, x2, ..., xn) = f1(x1)f2(x2) · · · fn(xn), onde fi(xi) denota a distribuição de Xi , i = 1, · · · ,n. (UFOB) 11 / 22 Estatística e Parâmetros Definição: Uma estatística é uma característica da amostra, ou seja, uma estatística T é uma função de X1,X2, · · · ,Xn. As estatísticas mais comuns são: X¯ = 1 n {X1 + X2 + ...+ Xn} : média da amostra, S2 = 1 n − 1{(X1−X¯) 2+(X2−X¯ )2+· · ·+(Xn−X¯)2} : variância da amostra (UFOB) 12 / 22 Estatística e Parâmetros X(1) = min(X1,X2, · · · ,Xn) : o menor valor da amostra, X(n) = max(X1,X2, · · · ,Xn) : o maior valor da amostra, W = X(n) − X(1) : amplitude amostral, X(i) = a i-ésima maior observação da amostra. Em geral, podemos considerar as estatísticas de ordem, X(1) ≤ X(2) ≤ · · · ≤ X(n), ou seja, os elementos da amostra ordenados. Definição: Um parâmetro é uma medida usada para descrever uma característica da população. (UFOB) 13 / 22 Estatística e Parâmetros (UFOB) 14 / 22 Distribuições Amostrais O problema da inferência estatística é fazer uma afirmação sobre os parâmetros da população através da amostra. Digamos que queremos fazer uma afirmação sobre um parâmetro θ da população (média, variância, ...). Decidimos que usaremos uma AAS de n elementos. Nossa decisão será baseada na estatística T = f (X1,X2, · · · ,Xn) Colhida essa amostra, teremos observado um particular valor de T , digamos t0, e baseados nesse valor é que faremos a afirmação sobre θ. (UFOB) 15 / 22 Distribuições Amostrais A validade da nossa resposta seria melhor compreendida se soubéssemos o que acontece com a estatística T , quando retiramos todas as amostras de uma população conhecida segundo o plano amostral adotado. Isto é, qual a distribuição de T quando (X1,X2, · · · ,Xn) assume todos os valores possíveis. Essa distribuição é chamada distribuição amostral da estatística T . (UFOB) 16 / 22 Distribuições Amostrais (UFOB) 17 / 22 Distribuições Amostrais Example Considere o problema em que selecionamos todas as amostras de tamanho 2, com reposição, da população {1,3,5,5,7}. Defina a variável X : valor assumido pelo elemento na população. Indicamos por X1 o número selecionado na primeira extração e por X2 o número selecionado na segunda extração. Vejamos qual é a distribuição da estatística X¯ = X1 + X22 . (UFOB) 18 / 22 Distribuições Amostrais Distribuição das probabilidades das possíveis amostras de tamanho 2 que podem ser selecionadas com reposição da população {1,3,5,5,7}: (UFOB) 19 / 22 Distribuições Amostrais Calculando as probabilidades para todos os valores que X¯ pode assumir obtemos a distribuição amostral da estatística X¯ . (UFOB) 20 / 22 Distribuições Amostrais De forma análoga podemos obter as distribuições amostrais de outras estatísticasde interesse. Distribuição amostral de W = amplitude total. Distribuição amostral de S2 = ∑(Xi − X¯ )2/(n − 1). (UFOB) 21 / 22 FIM! (UFOB) 22 / 22
Compartilhar