Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Federal de Santa Catarina Centro de Engenharia da Mobilidade – CEM Campus Joinville Prof. James S. Eger EMB 5010 Estatística e probabilidade para engenharia Distribuições Amostrais e Estimação de Parâmetros Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Introdução Inferência Estatística: Métodos para tomar decisões ou tirar conclusões Exemplos: Utilizar outro processo de montagem eixo-mancal? Alterar a composição de uma liga metálica? Mudar de fornecedor de matéria-prima? A temperatura influencia significativamente no rendimento do processo? Et cetera... Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Introdução Inferência Estatística: Dividida em duas grandes áreas: Estimação de Parâmetros Testes de Hipóteses Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Introdução Inferência Estatística: Dividida em duas grandes áreas: Estimação de Parâmetros Testes de Hipóteses Estimação de Parâmetros - Exemplo: Um engenheiro está analisando a resistência à tração de um componente utilizado em chassis de automóvel A resistência é exatamente igual para todas as peças? Não → variabilidade (matéria-prima, processo de fabricação etc.) Amostra → estimativa pontual do parâmetro de interesse (p.ex. média) Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Introdução Inferência Estatística: Dividida em duas grandes áreas: Estimação de Parâmetros Testes de Hipóteses Teste de Hipóteses - Exemplo: Um engenheiro está analisando o rendimento (ρ) de um processo químico quando realizado sob duas temperaturas diferentes: T1 e T2 Conjectura: T1 resulta em rendimentos significativamente maiores? Hipótese: ρ médio sob T1 > ρ médio sob T2 Não há ênfase na estimação dos rendimentos: Foco nas conclusões sobre a hipótese estabelecida Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Introdução Inferência Estatística: Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Introdução Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Introdução Parâmetro: medida descritiva da POPULAÇÃO µ, σ, p, ... Estatística: medida descritiva da AMOSTRA 𝑋 , s, 𝑝 , ... Amostra Aleatória Simples: n observações independentes com mesma distribuição de probabilidades Exemplo: estatura média da turma Qual seria uma boa estimativa? Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Introdução ),...,,(ˆ 21 nXXXf As observações dos dados coletados são variáveis aleatórias Logo, qualquer função das observações, ou seja, qualquer estatística, também é uma variável aleatória → n i iX n X 1 1 2 1 2 )( 1 1 n i i XX n s As estatísticas são variáveis aleatórias Portanto: possuem distribuição de probabilidades Exemplo: X = diâmetro de eixos fabricados em série X1, X2, ..., Xn são valores medidos dos diâmetros de n peças (amostra) Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Teorema do Limite Central A distribuição de probabilidades de uma estatística é chamada de distribuição amostral Teorema do Limite Central: Se X1, X2, ..., Xn for uma amostra aleatória de tamanho n, retirada de uma população com média µ e variância σ², e se for a média da amostra, então a distribuição amostral da média será aproximadamente normal, com média µ e variância µ e no quadro Exemplo: média dos dados X n 2 Applet University of Auckland (Nova Zelândia): http://www.socr.ucla.edu/applets.dir/samplingdistributionapplet.html X Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Teorema do Limite Central Exemplo 1: Resistores Uma companhia telefônica fabrica resistores com resistência média de 100 Ω e desvio-padrão de 10 Ω. Encontre a probabilidade de uma amostra aleatória de n = 25 ter uma resistência média menor que 95 Ω. Não temos informação sobre a distribuição da população Mas, como a variável de interesse é a média → teorema do limite central R: P (X < 95) = 0,0062 Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Teorema do Limite Central Exemplo 2: Condutividade térmica Um artigo no Journal of Heat Transfer descreveu um novo método para medir a condutividade térmica de um tipo aço. Usando uma temperatura de 100 ºF e uma potência de 550 W, as 10 medidas seguintes de condutividade térmica (Btu/h ∙ ft ∙ ºF) foram obtidas: Estimativa pontual da condutividade térmica: média amostral x = 41,92 Btu/h ∙ ft ∙ ºF Desvio-padrão da amostra: s = 0,28 Btu/h ∙ ft ∙ ºF Desvio-padrão da média amostral: sx = 0,09 Btu/h ∙ ft ∙ ºF 10 s Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Erro-padrão: Reportando uma Estimativa Pontual Erro-padrão: Utilizamos os dados de uma amostra para estimar um parâmetro da população Estimativa → incerteza Qual o tamanho dessa incerteza? Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Erro-padrão: Reportando uma Estimativa Pontual Voltando ao Exemplo 2: Condutividade térmica Como estimar o erro-padrão da média amostral que calculamos (a partir dos dados da amostra)? Estimativa pontual da condutividade térmica: média amostral x = 41,92 Btu/h ∙ ft ∙ ºF Desvio-padrão da média amostral: sx = 0,09 Btu/h ∙ ft ∙ ºF 10 s erro-padrão Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Erro-padrão: Reportando uma Estimativa Pontual Voltando ao Exemplo 2: Condutividade térmica x = 41,92 Btu/h ∙ ft ∙ ºF sx = 0,09 Btu/h ∙ ft ∙ ºF 10 s 2∙sx = 2∙0,09 = 0,18 Btu/h ∙ ft ∙ ºF Temos 95% de confiança que o intervalo Btu/h ∙ ft ∙ ºF contém o valor verdadeiro da condutividade térmica média. )18,092,41( Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Erro-padrão: Reportando uma Estimativa Pontual Voltando ao Exemplo 2: Condutividade térmica x = 41,92 Btu/h ∙ ft ∙ ºF sx = 0,09 Btu/h ∙ ft ∙ ºF 10 s 2∙sx = 2∙0,09 = 0,18 Btu/h ∙ ft ∙ ºF Temos 95% de confiança que o intervalo Btu/h ∙ ft ∙ ºF contém o valor verdadeiro da condutividade térmica média. )18,092,41( Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de ParâmetrosIntervalo de Confiança Intervalo de Confiança A inferência estatística estima um parâmetro da população a partir de dados da amostra Quão boa é essa estimativa? Intervalos de confiança são limites dentro dos quais é altamente provável que se encontre o valor verdadeiro do parâmetro estimado O cálculo é feito a partir dos dados da própria amostra Exemplo para a média: l ≤ µ ≤ u (... quadro) Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Intervalo de Confiança Intervalo de Confiança O Intervalo de Confiança anterior foi determinado considerando que o desvio-padrão da população (σ) é conhecido Muitas vezes, conhecemos apenas a estimativa deste desvio-padrão, ou seja, o desvio-padrão da amostra (s) Nesses casos → distribuição t de Student t (α; gl) Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Intervalo de Confiança Intervalo de Confiança Resumindo: IC para média, desvio-padrão populacional conhecido (ou n ≥ 40): IC para média, desvio-padrão populacional desconhecido: Obs.: Quando a amostra for grande (n ≥ 40), o desvio-padrão da amostra (s) pode ser utilizado no lugar de σ sem influências significativas Ex.: estimar IC para média do Exemplo 2 com 99% de confiança Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Intervalo de Confiança Tamanho da Amostra Qual deve ser o tamanho da amostra para “garantir” um determinado erro? Erro amostral tolerado: Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Recapitulando: Como tratar a aleatoriedade das observações em uma amostra? Variáveis aleatórias com distribuições de probabilidade Característica especial da distribuição da média das amostras (distribuição amostral da média)? Teorema do limite central: a distribuição amostral da média será aproximadamente normal, com média µ e variância Como estimar o erro de uma estimativa pontual (erro amostral)? Erro-padrão Intervalo de confiança É possível determinar o tamanho necessário da amostra para “garantir” um determinado erro amostral n 2 Centro de Engenharia da Mobilidade EMB 5010 – Estatística Distribuições Amostrais e Estimação de Parâmetros Exercício: Sobre a estimativa da estatura média da turma: Qual o valor da estimativa pontual (média)? Determinar a média e o desvio-padrão da distribuição amostral da média Calcular um intervalo de confiança para a média da população (turma inteira) com nível de confiança de 95% Centro de Engenharia da Mobilidade EMB 5010 – Estatística MONTGOMERY, D.C., RUNGER, G.C. Estatística aplicada e probabilidade para engenheiros. 4ª ed., Editora LTC, Rio de Janeiro, 2009. BARBETTA, P. A., REIS, M. M. & BORNIA, A. C. Estatística para Cursos de Engenharia e Informática. 2ª ed., Editora Atlas, São Paulo, 2009. 23 Referências
Compartilhar