Principios da Estatística

Prévia do material em texto

MOQ-13 PROBABILIDADE 
E ESTATÍSTICA
Professor: Rodrigo A. Scarpel
rodrigo@ita.br
www.mec.ita.br/~rodrigo
ProgramaPrograma do do cursocurso::
Regressão linear simples e correlação.
Aplicações de modelos de regressão linear.15 e 16
Prova14
Feriado (4/6)13
Testes não-paramétricos (associação, independência e de aderência).12
Testes de Hipóteses. Inferência baseada em 2 amostras (entre parâmetros de populações distintas).11
Propriedades dos estimadores. Intervalos de confiança (estimação por intervalo). Tamanho da amostra. Princípios de testes 
de hipóteses.10
Amostras aleatórias. Distribuições amostrais. Teorema do limite central.9
Princípios de estatística. Estimadores e estimativas. Estimação pontual de parâmetros (Métodos dos momentos e da máxima
verossimilhança). Estatística Descritiva.8
Prova7
Variáveis aleatórias conjuntas, função distribuição conjunta e marginal. Independência estatística. Covariância e Coeficiente
de Correlação.6
Feriado (2/4)5
Principais distribuições de probabilidade contínuas (Exponencial negativa e Normal).4
Valor esperado e variância. Momentos de uma variável aleatória. Função geradora de momentos. Principais distribuições de 
probabilidade discretas (Bernoulli, Binomial e Poisson).3
Teorema da probabilidade total e teorema de Bayes. Variáveis aleatórias. Distribuições de probabilidade. Funções massa, 
densidade, e distribuição acumulada. Funções de variáveis aleatórias.2
Introdução à probabilidade (eventos, espaço amostral, axiomas, propriedades, probabilidade condicional e independência).1
ConteúdoSemanas
Professor: Rodrigo A. Scarpel
rodrigo@ita.br
www.mec.ita.br/~rodrigo
PRINCÍPIOS DA 
ESTATÍSTICA
POPULAÇÃO AMOSTRA
PROBABILIDADE
ESTATÍSTICA
� Em probabilidade assume-se que população em estudo é conhecida
� Em estatística, amostras são utilizadas para se chegar a conclusões
ProbabilidadeProbabilidade x x EstatísticaEstatística::
Princípios da Estatística:
�Em probabilidade estudamos os modelos probabilísticos que auxiliam na
redução da realidade:
MODELO
REALIDADE
HIPÓTESES
ESTIMAÇÃO 
DOS 
PARÂMETROS
TESTAR 
ADERÊNCIA
FAZER INFERÊNCIAS 
EM RELAÇÃO À 
REALIDADE
Princípios da Estatística:
�No procedimento descrito: 
� A REALIDADE é a POPULAÇÃO (totalidade das observações na qual
estamos interessados)
�Na redução da realidade a HIPÓTESE é que cada observação em uma
população é um valor de uma variável aleatória X, com distribuição de 
probabilidade f(x). Assim,
�Quando nos referirmos a uma população f(x) queremos dizer uma
população cujas observações são valores de uma variável aleatória que
tem uma distribuição de probabilidade f(x)
�O valor esperado e a variância da variável aleatória é o valor esperado e 
a variância da população correspondente
Princípios da Estatística:
�Objetivo: Fazer inferências em relação à população (caracterizar e 
eventualmente definir regras de decisão sobre uma população conhecendo 
apenas parte dela)
AMOSTRA
POPULAÇÃO
HIPÓTESES
ESTIMAÇÃO DOS 
PARÂMETROS
TESTAR 
ADERÊNCIA
FAZER INFERÊNCIAS EM 
RELAÇÃO A POPULAÇÃO
Princípios da Estatística:
�Def: Amostra é um subconjunto da população. 
�O processo de amostragem deve assegurar a representatividade da amostra 
em relação à população de onde foi retirada.
�Métodos de amostragem:
� Amostragem aleatória: iid
� Amostragem estratificada
� Amostragem por agrupamentos
Princípios da Estatística:
�Def: Ao selecionar uma amostra de tamanho n de uma população f(x), 
define-se a variável aleatória Xi, i =1,…,n, para representar o i-ésimo valor 
amostral. As variáveis aleatórias X1, X2, …, Xn serão uma amostra aleatória
da população f(x), com valores numéricos x1, x2, …, xn se os valores
amostrais foram obtidos repetindo-se o experimento n vezes
independentemente, sob as mesmas condições. Portanto:
� Os Xi’s são independentes
� Todas Xi tem a mesma distribuição de probabilidade
�Quando as amostras são feitas com reposição ou de uma população
“infinita”, essas condições são satisfeitas (as amostras são iid).
Princípios da Estatística:
�Distribuição de probabilidade de uma amostra aleatória:
Como X1, X2, …, Xn é uma amostra aleatória da população f(x), sua
distribuição de probabilidade conjunta é
Portanto, essa distribuição é caracterizada pelos parâmetros populacionais
E[X] e Var[X] que são constantes não afetadas ou influenciadas pelas
observações da amostra aleatória. 
( ) ( ) ( ) ( )nn xfxfxfxxxf ....,..., 2121 =
AMOSTRA
POPULAÇÃO
HIPÓTESES: 
f(x) e 
independência
ESTIMAÇÃO DOS 
PARÂMETROS
Professor: Rodrigo A. Scarpel
rodrigo@ita.br
www.mec.ita.br/~rodrigo
MÉTODOS DE 
ESTIMAÇÃO DE 
PARÂMETROS
Métodos de estimação pontual de parâmetros:
�Um método de estimação de parâmetros sugere como obter estimadores
em casos específicos (quando faz-se alguma hipótese sobre a distribuição
da população, por exemplo).
�Dois dos métodos mais utilizados em estimação de parâmetros são:
� Método da máxima verossimilhança
� Método dos momentos
Método da máxima verossimilhança:
�O MLE é um método para estimação dos parâmetros a partir de uma
amostra aleatória proposto por Fisher em 1912.
�Def: Função de Verossimilhança: seja X1,…,Xn uma amostra aleatória com 
f.d.p. conjunta f(x1,…,xn ; θθθθ1,…, θθθθm) em que θθθθ1,…, θθθθm tem valores
desconhecidos. Quando x1,…,xn são os valores observados e a f.d.p. 
conjunta é vista como em função de θθθθ1,…, θθθθm esta é chamada de função de 
verossimilhança.
� Procedimento: a estimativa de máxima verossimilhança de θθθθ1,…, θθθθm são os
valores de θθθθi que maximizam a função de verossimilhança.
�Por esse método obtém-se os valores de θθθθ1,…, θθθθm que maximizam o valor 
que torna a amostra observada a “mais provável”.
^ ^
^
Método dos momentos:
�A idéia básica deste método é igualar os parâmetros obtidas a partir das 
amostras aos parâmetros esperados da população (por exemplo, a média
amostral ao valor esperado populacional).
�Def: Momento populacional: seja X1,…,Xn uma amostra aleatória de uma
população com f.d.p. f(x). Para k=1,2,3,… o k-ésimo momento populacional
(ou seja, da distribuição f(x)) éE[Xk].
�Def: Momento amostral: seja X1,…,Xn uma amostra aleatória de uma
população com f.d.p. f(x). Para k=1,2,3,… o k-ésimo momento amostral é
N
X
M
N
i
k
i
k
∑
=
=
1
Método dos momentos:
� Procedimento:
� Seja X1,X2,…,Xn uma amostra aleatória de uma distribuição com 
f.d.p. f(x;θθθθ1,…, θθθθm), em que θθθθ1,…, θθθθm são parâmetros cujos valores são
desconhecidos.
� Os estimadores de momento θθθθ1,…, θθθθm são obtidos igualando-se os
primeiros m momentos amostrais aos m momentos populacionais
correspondentes e resolvendo para θθθθ1,…, θθθθm.
^ ^
Obs: n é conhecido
DISTRIBUIÇÃO E[X] VAR[X] m
Binomial [X~Bin(n,p)] n.p n.p.(1-p) 1
Poisson [X~Poi(λλλλ )] λλλλ λλλλ 1
Normal [X~N(µµµµ ,σσσσ2)] µµµµ σσσσ2 2
Uniforme [X~Uni(a ,b)] (a +b)/2 (b-a )2/12 2
Exponencial [X~Exp( λλλλ )] 1/λλλλ 1/λλλλ2 1
Gamma [X~Gamma(a ,b)] a .b a .b2 2
Professor: Rodrigo A. Scarpel
rodrigo@ita.br
www.mec.ita.br/~rodrigo
ESTATÍSTICA 
DESCRITIVA
Análise exploratória de dados:
� Uma vez coletados, é necessário fazer sua análise exploratória com 
o objetivo de:
�Checar sua qualidade (presença de outliers). Formas:
� Estatísticas de sumarização (de posição e de dispersão)
� Análise gráfica (histograma, box-plot)
� A análise exploratória de dados é importante pois além de 
proporcionar o maior entendimento do problema e dos dados 
coletados, previne contra erros (conclusões equivocadas).
Histograma:
- Gráfico de barras contíguas;
- Base é proporcional aointervalo da classe;
- Área é proporcional a frequência da classe;
- Pode-se usar tanto a frequência (ni) como a frequência relativa (fi)
�Detecção de outliers
Histograma:
Medidas de posição:
� São utilizadas quando se quer resumir os dados apresentando
apenas um ou alguns valores que sejam representativos de toda
série.
�Média (aritmética): é a soma das observações divididas pelo número
delas, ou seja,
�Mediana: realização que ocupa a posição central da série de 
observações, quando estão ordenadas em ordem crescente.
∑
∑∑
=
==
===
k
j
jj
k
j
jj
n
i
i
Xf
n
Xn
n
X
X
1
11
em que n é o número de obsevações, 
x1,...,xn são as observações, 
nj é o número de informações iguais a xj, 
fj é a frequência relativa da observação xj.
MedianaMédia A comparação entre a 
média e a mediana indica 
a assimetria da 
distribuição.
Medidas de posição:
�Muito interessante para grande massa de dados.
�Menos suscetível a valores extremos (mais indicada que
a média em casos de grande dispersão)
MEDIANA:
Medidas de dispersão:
� São utilizadas quando se quer dar informação sobre a variabilidade
do conjunto de observações. 
� Variância:
�Desvio padrão:
( )
1
)( 1
2
2
−
−
=
∑
=
n
XX
Xs
n
i
i
( )
)(
1
)( 21
2
Xs
n
XX
Xs
n
i
i
=
−
−
=
∑
=
Quantis e box-plot:
� QUARTIS: Q1, Q2, Q3 – Dividem os valores ordenados em quatro
subconjuntos com iguais números de elementos.
� DECIS: D1, D2, …, D10 – Dividem os valores em 10 subconjuntos.
� PERCENTIS:P1,P2, …,P100–Dividem os valores em 100 subconjuntos.
Para casa:
• Lista de Exercícios 6 (site: www.mec.ita.br/~rodrigo/)
• Leitura: Devore – caps. 1 e 6.2 (Métodos de Estimativa Pontual) 
ou Walpole et al. – caps. 1 e 9.14 (Estimação de MV)