Aula 5.

Intervalos de Confiança

Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán

 Duas Fases da Estatística
 Estatística Descritiva: descrever e estudar uma amostra
 Estatística Indutiva (inferencial): a partir de uma
amostra inferir sobre as características de uma
população

Fonte Diagrama: Projecto ALEA – Noçoes de Estatística

http://alea-estp.ine.pt/Html/nocoes/html/exemplo2_4_1_11.html

2
 População vs. Amostra
Podemos inferir (deduzir) determinadas características de uma
população se extraímos uma amostra representativa desta

População: colecção de unidades Amostra: Conjunto de dados ou

observações, recolhidos a partir de
individuais (pessoas ou resultados um subconjunto da população, que
experimentais) com uma ou mais se estuda com o objectivo de tirar
características comuns, que se conclusões para a população de
pretendem estudar. onde foi recolhida

amostragem

Imagens extraídas da referência 2

3
 Amostragem
Processo pelo qual se extraem dados de uma população
Existem vários tipos de amostragem: Vamos usar apenas este tipo

 Amostragem Aleatória Simples: cada elemento da amostra é retirado

aleatoriamente de toda a população (com ou sem reposição)
 cada possível amostra tem a mesma probabilidade de ser recolhida
 Amostragem Estratificada: subdividir a população em, pelo menos,
dois subgrupos distintos que partilham alguma característica e, em
seguida, recolher uma amostra de cada um dos subgrupos (estratos)
 Amostragem por clusters: dividir a população em secções (clusters);
seleccionar aleatoriamente alguns desses clusters; escolher todos os
membros dos clusters seleccionados.
4
 Inferência Estatística
inferir certas características
n indivíduos (ou objetos) da população
da população
ex: sortear n pixels de uma imagem
(com ou sem reposição)
amostra
n realizações de uma v.a. X
ex: medir a reflectância de um objeto
n vezes


distribuição conhecida/desconhecida a amostra constitui um conjunto de n v.a.
e/ou parâmetros desconhecidos X1, X2, ..., Xn independentes e identicamente
distribuídas com distribuição FX


Amostra Aleatória

acetato adaptado de referencia 3

5
 Amostra Aleatória
Note que usamos letras minúsculas
pois estamos a definir concretizações
(observações) de variáveis aleatórias

Note que usamos letras maiúsculas,

pois estamos a definir variáveis
aleatórias e medidas em função dessas
acetato adaptado de referencia 1 variáveis

6
 Parâmetro vs. Estatística
 Parâmetro – Medida usada para descrever a distribuição
da população
 a média μ e o desvio padrão σ2 são parâmetros de uma
distribuição Normal - N(μ,σ2)
 a probabilidade de sucesso p é um parâmetro da distribuição
Binomial - B(n,p)

 Estatística – Função de uma amostra aleatória que não

depende de parâmetros desconhecidos
n i 1
n
 Média amostral: X1 Xi

2
i 1 ( X i  X )
n
 Variância amostral: S2  1
n

 Amplitude da amostra: R  X n:n  X 1:n

7
 Parâmetro vs. Estatística

Proporção dos
inquiridos de
raça branca
numa população
e numa amostra

p

exemplo extraído da referência 2

8
 Estimação de Parâmetros
População Amostra

Distribuição da População Distribuição Amostral

estimar
Parâmetros Estatísticas
(valor fixo) (função da amostra)

pontual (estatísticas)
Estimação
por intervalo (intervalos de confiança)

OBS: estatística: é a v.a. que estima (pontualmente) um parâmetro (populacional)

as vezes é chamada simplesmente de estimador
estimativa: é o valor do estimador obtido para uma amostra específica
acetato adaptado de referencia 3

9
Estimação do nº de Votos

Fonte: Projecto ALEA – Noçoes de Estatística

http://alea-estp.ine.pt/Html/nocoes/html/exemplo2_4_1_11.html

10
 Construindo a Amostra

Fonte: Projecto ALEA – Noçoes de Estatística

http://alea-estp.ine.pt/Html/nocoes/html/exemplo2_4_1_11.html

11
 Conclusões

Resultado: (60,5%, 66,5%) de lisboetas vão votar no presidente com um

grau de confiança de 95%

12
Intervalo de Confiança
Um intervalo de confiança para um parâmetro ,
a um grau de confiança 1-,
é um intervalo aleatório (Linf, Lsup) tal que:

P(Linf <  < Lsup) = 1- ,   (0,1)

onde  deve ser um valor muito reduzido por forma

a temos confianças elevadas

Valores usuais para o grau de confiança: 95%, 99% e 90%

13
 Intervalo de Confiança (IC)
I. IC para a média  com variância conhecida
 Caso 1: população Normal
 Caso 2: população qualquer (n>>30) aproximada pela Normal
II. IC para a média  com variância desconhecida
 Caso 1: população Normal
 Caso 2: população qualquer (n>>30) aproximada pela Normal
III. IC para a diferença de médias de duas populações Normais
 Caso 1: duas amostras independentes, variâncias conhecidas
 Caso 2: duas amostras independentes, variâncias desconhecidas
 Caso 3: amostras emparelhadas, variâncias desconhecidas
IV. IC para uma proporção
14
 IC para  com variância conhecida
Caso 1: População Normal
0,14
X ~ N (  , ) 2
 desconhecido, mas 2 conhecido N (0,1)
0,12
2
XX ~~N? (  , ) 0,1
n
centrando e reduzindo: 0,08
1
X  0,06
 
~ ?N (0,1) (Normal Padrão)
 0,04
2 2
n 0,02
Z 0

P(  z  Z  z )  1  
- -z z +
0 5
z /2
0
10 15
z1 - /2
X  quantil de ordem /2 quantil de ordem 1-/2
P(  z   z)  1  

n
 
P( z  X   z )  1
n n IC para a grau de confiança 1-
     
P( X  z  X z )  1 IC(1 ) (  )   X  z1 2 , X  z1 2 
n n  n n 
Linf Lsup
acetato adaptado de referencia 3
15
 Determinando o Quantil de Ordem 1-/2
Distribuição Normal Padronizada
Tabela 3.a. Normal Distribution Para nível de significância =0.05
  grau de confiança 95%

2 2 (z) = P(Z < z) = 1 - /2  z = z 1 - /2
quantil de ordem 1-/2

(z) = P(Z < z) = 1- (0.05/ 2) = 0.975

buscar valor de z na tabela:
(z) = 0.9750  z = 1.96

Grau de Valor z
Confiança
90% 1.65
95% 1.96
99% 2.58

90% grau de confiança – existem 10 possibilidades de 100 que o IC não contenha a média populacional
95% grau de confiança – existem 5 possibilidades de 100 que o IC não contenha a média populacional
99% grau de confiança – existe 1 possibilidade de 100 que o IC não contenha a média populacional

16
 Interpretação do IC para 
Para uma amostra aleatória de tamanho 50 seguindo uma distribuição
Normal com média  = 10 e variância 2 = 4  X ~ N (10, 4) ,
determinamos o IC para  com 95% de grau confiança:
2 2
P ( X  1, 96    X  1,96 )  95%
50 50
P( X  0,5544    X  0,5544)  95% IC95% (  )   X  0.5544, X  0.5544
=10

Interpretação: 95% dos possíveis ICs

obtidos a partir de uma amostra de
tamanho 50, conterão de facto o
verdadeiro valor da média =10

17
 IC para  com variância conhecida
Caso 1: População Normal
Exemplo: Uma v.a. qualquer tem uma distribuição Normal com média  desconhecida
e variância 2 = 16. Retira-se uma amostra de 25 valores e calcula-se a
média amostral. Construa um IC de 95% para  supondo que X  12,7.

   
IC(1 ) (  )   X  z1 2 , X  z1 2 
 n n  z0,9750=1,96

   
IC95% (  )   X  z0.9750 , X  z0.9750 
 n n
95%
 4 4 
 12,7  1,96 ,12,7  1.96 
 25 25 
2,5% 2,5%
 12,7  1,568, 12,7  1,568

IC95% (  )  11.132, 14.268 0

12.7

Java Applet em:

P(11,132    14, 268)  0,95 http://psych.colorado.edu/~mcclella/java/normal/normz.html

18
 IC & Grau de Confiança
Como poderia obter intervalos de confiança mais estreitos,
ou seja, com limites mais próximos a média verdadeira?
Diminuindo o grau de confiança

figura extraída da referência 2

Diminuindo o grau de confiança de 99% a 95%, aumentamos o risco de estar
errados: de 1% de risco passamos a 5% de risco, ou seja temos mais
possibilidades (5/100 em vez de 1/100) de que o IC não contenha a média
populacional. Ao aumentar o risco, o intervalo deve ser mais preciso

19
 IC & Dimensão da Amostra
Como poderia obter intervalos de confiança mais estreitos,
ou seja, com limites mais próximos a média verdadeira?

Aumentando a dimensão da amostra

Tabela extraída da referência 2

20
 IC para  com variância conhecida
Caso 2: População Genérica aproximada pela Normal

Se uma distribuição qualquer tiver média  (desconhecida) e

variância 2 (conhecida) e se forem validas as condições do TLC
(n>>30) podemos obter um IC aproximado para a média 

IC para a grau de confiança 1- 0,14

N (0,1)
0,12

0,1

0,08

    0,06

IC1 (  )   X  z1 2 , X  z1 2  0,04


1

 n n 0,02

0
2 2
0 5 10 15 20

- -z 0 z +
quantil de ordem 1-/2
z1 - /2

21
 IC para  com variância conhecida
Resumo
IC para  a grau de confiança 1-
 desconhecido, mas  conhecido
2

1º caso 
IC (  )  X  z1 2
n
2º
cas
o 
IC (  )  X  z1 2
n

quanto maior z X z quanto maior n
 IC menos preciso n  menor o erro padrão
 IC mais preciso

Se aumentarmos o grau de confiança

 a precisão diminui porque aumenta o valor z 
A expressão é chamada
se 90%  z = 1.65 n
se 95%  z = 1.96 erro padrão (standard error)
se 99%  z = 2.58

22
 IC para  com variância desconhecida
Se o valor de 2 é desconhecido  substituir por uma
estimativa
Estimadores pontuais para o desvio padrão  :
desvio padrão amostral não-corrigido desvio padrão amostral corrigido
1 n 1 n



 S ( X i  X )2 
  Sc  ( X i  X )2
n i 1 n  1 i 1

Se 2 desconhecida podemos distinguir dois casos:

Caso1. população Normal  usar distr.t de Student
X   S S 
X ~ N ( , 2 )  T  ~ t n 1  IC1 (  )   X  t1 2 , n 1 c , X  t1 2 , n 1 c 
Sc n  n n
Caso2. q.q. distribuição aproximada pela Normal, amostras grandes
 usar distribuição Normal padronizada
X   Sc Sc 
X q.q. com n  30  Z  IC
~a N (0,1)  1 (  )   X  z1 2 , X  z1 2 
Sc n  n n

23
 IC para  com variância desconhecida
Caso 1: População Normal
Exemplo:
Uma v.a. qualquer tem uma distribuição Normal com média  e variância 2
desconhecidas. Retira-se uma amostra de 25 valores e calcula-se a média amostral e
variância amostral . Construa um IC de 95% para  supondo que X  12,7 e S2 = 16
Distribuição t de Student com
 S 0,14
S  24 graus de liberdade
IC(1 ) (  )   X  t1 2 , n 1 , X  t0,12  t24
1 2, n 1
 n n 
0,1

 S S 
IC95% (  )   X  t0.9750 , 24 , X  t00,08
.9750 , 24 
 n 0,06 n 95%
 4 0,04 4  2,5% 2,5%
 12,7  2,06 , 12,7  2,06 
 25 0,02 25 
 12,7  1,648, 12,7  1,6480
- -t t +
0 5
0
10 15

IC95% (  )  11 .052, 13.648 ? 24 = 2,06

t0,9750,

24
 Determinando t1-/2, n-1 - quantil de ordem 1-/2 de
uma distribuição t-Student com n-1 graus de liberdade
Tabela 8. Student s t-Distribution Por definição de quantil de ordem 1-/2:
z = z 1 - /2  F(z) = P(Z < z) =1 - /2
Para grau de confiança 95%  nível de significância =0.05
F(z) = P(Z < z) = 1- (0.05/ 2) = 0.975  F(z) = 0.9750
Para n=25  24 graus de liberdade
Determinar t0.9750, 24 usando Tabela 8:
t0.9750, 24 = 2.06

25
 IC para  com variância desconhecida
Caso 1: População Normal
exercício 5, capítulo 4

Uma amostra aleatória de 20 cigarros foi analisada para estimar a quantidade de

nicotina por cigarro, observando-se a média de 1,2 mg e variância amostral corrigida
de 0.4. Pressupondo que as observações têm distribuição Normal, determine um IC
para o valor médio da quantidade de nicotina por cigarro, grau de confiança de 99%
Usando esta amostra determinamos um IC aproximado para  a 99%:
Para grau de confiança 99%:
 S S  (1-) x 100% = 99%  (1-) =0.99  =0.01
IC(1 ) (  )   X  t1 2,n 1 c , X  t1 2,n 1 c  Por definição de quantil de ordem 1-/2:
 n n F(z) = P(Z < z) = 1- (0.01/ 2) = 0,995  F(z) = 0.995
Para n=20  19 graus de liberdade
 S S 
IC99% (  )   X  t0,995,19 C , X  t0,995,19 C 
 n n
Determinar t0.995, 19 usando Tabela 8
t0.995, 19 = 2.86

 0,04 0,04 
IC99% (  )  1,2  2,86 , 1,2  2,86 
 20 20 
 1,2  2,86  0,044721, 1,2  2,86  0,044721 IC99% (  )  1.0721, 1.3279
26
 IC para  com variância desconhecida
Exemplo: População qualquer, amostra grande

Ingressos dos emigrantes hispânicos em EU segundo censo de 1980

Origem Nº Rendimento Desvio
pessoas Médio Padrão IC para a grau de confiança 95%
amostra Amostral
cubanos 3895 $16 368 $3 069  S S 
IC95% (  )   X  1.96 , X  1.96 
 n n
mexicanos 5729 $13 342 $9 414
porto- 5908 $12 587 $8 647
riquenhos

3069
 cubanos: erro padrão   49.17 IC95% (  )  16368  1.96  49.17
3985
IC  ( 16272, 16464 )
9414
 mexicanos: erro padrão   124.41 IC95% (  )  13342  1.96 124.41
5729
IC ( 13098, 13586 )
8647

porto-riq.: erro padrão   112.5 IC95% (  )  12587  1.96 112.5
5908
IC  ( 12367, 12807 )
27
 IC para  com variância desconhecida
Exemplo: População qualquer, amostra grande

Exemplo adaptado de referência 2

28
 Inferência entre parâmetros
de duas populações

X
P1 P2 Y

E( X )   X E (Y )  Y

Mesmo não se conhecendo as médias 1 e 2, seria possível verificar se elas

são iguais a partir de seus valores amostrais?

Se 1 e 2 são iguais, então 1 - 2 = 0.

Podemos a partir da diferença das médias amostrais X  Y inferir o valor

da diferença das médias de duas populações
acetato adaptado de referencia 3

29
 Intervalo de Confiança para 1 - 2
Duas populações Normais. Amostras independentes

Sejam X1,…, Xn e Y1, …, Ym duas amostras aleatórias constituídas por

observações independentes e provenientes de duas populações Normais
N(X, X2) e N(Y, Y2), respectivamente
IC para a grau de confiança 1-
Caso 1: variâncias conhecidas

Caso 2: variâncias desconhecidas mas iguais

30
 Intervalo de Confiança para 1 - 2
Populações Normais. Amostras emparelhadas
Sejam X1,…, Xn e Y1, …, Yn duas amostras provenientes de populações Normais

Amostras emparelhadas: se pares de observações (Xi, Yi) são

dependentes sendo todos os restantes pares (Xi, Yj), ij independentes
Di  ( X i  Yi ) ~ N (  D ,  2D )
Consideram-se as diferenças:
 D = X- Y – diferença das médias populacionais
 D – desvio padrão das diferenças - desconhecido
mas pode ser estimado através das diferenças D1, …, Dn
 D1, D2, ...Dn – a.a. com população D   D e variância
Normal ScD – desconhecida
desvio padrão amostral
D ~ N (  D ,  2D )  T  ~ t n 1
S cD n corrigido das diferenças

IC para D= X-Y a grau de confiança 1-

 S cD SCD 

IC1 (  D )  D  t1 2 , n 1 , D  t1 2 , n 1 
 n n 
 
31
 Intervalo de Confiança para Proporção
Considere que uma urna contêm bolas vermelhas e azúis e que n bolas são
escolhidas ao acaso (com reposição), definindo-se
X como o número de bolas vermelhas entre as n seleccionadas
n
X   Yi , Yi ~ Bernoulli sendo p = P(Xi = 1), X ~ Binomial(n,p)
i 1 a probabilidade de se seleccionar um bola vermelha
Se p- desconhecido, um estimador pontual para p é a proporção amostral:
X p (1  p)
pˆ  pˆ ~ N ( p, ) (se n é grande, pelo TLC)
n a n 0,14
N (0,1)
0,12

centrando e reduzindo: 0,1

0,08 1
X
p 0,06
 
pˆ  p n
~ N (0, 1)
0,04

 0,02 2 2
Z p (1  p ) n p(1  p) n a
0
0 5 10 15 20

- -z 0 z +
z /2 z1 - /2
quantil de ordem /2 quantil de ordem 1-/2
I.C. para Z com grau de confiança 1-

P(  z  Z  z )  1   P( pˆ  z pˆ (1  pˆ ) n , pˆ  z pˆ (1  pˆ ) n )  1  
32
 Intervalo de Confiança para Proporção
X
Seja pˆ  a proporção de indivíduos com uma certa característica de
n
interesse numa amostra aleatória de dimensão n, e p a proporção de
indivíduos com essa característica na população.

Um intervalo de confiança aproximado para p, a um grau de confiança

1-, é dado por:

 pˆ (1  pˆ ) pˆ (1  pˆ ) 
IC(1 ) ( p)   pˆ  z1 2 , pˆ  z1 2 

 n n 

33
 IC para uma proporção
Exemplo: Proporção de acessos a páginas de Internet nacionais
exercício 16, capítulo 4

Em 100 acessos a páginas de internet escolhidos ao acaso 30 são as páginas nacionais.

Determine um IC a 95% para a proporção de acessos a páginas nacionais

X - número de acessos á páginas de internet nacionais X ~ Binomial(100,p )

p – proporção de acessos a páginas nacionais (em geral) p – desconhecido
Usando esta amostra determinamos um IC aproximado para p a 95%:
 
IC(1 ) ( p)  pˆ  z1 2 S p , pˆ  z1 2 S p com pˆ  X e Sp 
pˆ (1  pˆ )
n n
1º. Determinar z1-/2 para =0,05 z0,9750=1,96
IC( 95%) ( p )   pˆ  z0.9750 S p , pˆ  z0.9750 S p  IC(95%) ( p)   pˆ  1,96  S p , pˆ  1,96  S p 
^e S
2º. Determinar as estimativas p p

X 30 pˆ (1  pˆ ) 0,3  0,7
pˆ    0.3 Sp    0,04582
n 100 n 100
3º. Substituir na fórmula:
IC(95%) ( p )   0,3  1,96  0,04582, 0,3  1,96  0,04582
IC95% ( p )   0.2102, 0.3898
  0,3  0,089818, 0,3  0,089818

34
 Formulário
F
O
R
M
U
L
Á
R
I
O

35
 Referências
Livro: Grande Maratona de Estatística no SPSS
Andreia Hall, Cláudia Neves e António Pereira
Capítulo 4.1 Intervalos de Confiança

Acetatos disponíveis on-line usados na elaboração destes acetatos:

 Estatística Inferencial e Intervalos de Confiança, Amostragem
Andreia Hall
URL: http://www2.mat.ua.pt/pessoais/AHall/me/files/acetatos.htm
http://www2.mat.ua.pt/pessoais/AHall/Bioestat%EDstica/Bioestat%EDstica.htm

 Chapter 11: Sampling and Sampling Distribution, Chapter 12: Estimation

Prof. J. Schwab , University of Texas at Austin
disciplina: Data Analysis I (spring 2004)
URL: www.utexas.edu/courses/schwab/sw318_spring_2004/TextbookLectureNotes

 Estimação
Camilo Daleles Rennó, Instituto Nacional de Pesquisas Espaciais, Brasil
disciplina:Estatística: Aplicação ao Sensoriamento Remoto (2008)
URL: http://www.dpi.inpe.br/~camilo/estatistica/notas.html

 Estimação por Intervalos

Ana Pires, IST Lisboa
disciplina: Probabilidades e Estatística
URL: : http://www.math.ist.utl.pt/~apires/materialpe.html
36