Na inferência estatística vamos apresentar os

argumentos estatísticos para fazer afirmações sobre as

INFERÊNCIA ESTATÍSTICA características de uma população, com base em
informações dadas por amostras.
Ex:
ç de Amostragem
Distribuição g
-Cozinheira verificando se o prato que ela está
preparando tem ou não a quantidade de sal adequada;

- Um cliente, após experimentar uma uva num

supermercado, decide se vai comprar ou não as uvas.

Os modelos probabilísticos procuram medir a variabilidade
de fenômenos casuais de acordo com suas ocorrências.
Na prática o pesquisador tem alguma idéia sobre a forma
da distribuição, mas não dos valores exatos dos
parâmetros que as especificam.
Ex: Parece razoável supor que a distribuição das alturas
dos brasileiros adultos possa ser representada por um
modelo normal. Mas essa afirmação não é suficiente para
determinar qual a distribuição normal correspondente.
Se pudéssemos medir as alturas de todos os brasileiros
adultos, teríamos meios de obter sua distribuição exata e,
daí, produzir os correspondentes parâmetros.
ç
Nessa situação não teríamos necessidade de usar a
inferência estatística.
Isso raramente é conseguido. Porque é DISPENDIOSO
ou DEMORADO ou o processo é DESTRUTIVO.

3 4

Estatística Estatística
Estatística Descritiva X Estatística Inferencial
Estatística Descritiva X Estatística Inferencial
100

90

80
20
+ +
15 70

10 60
5
50
0

classe 1 classe 2

Classes
10 - 20
F.A.
2
F.R.
0,02
• média
20 - 30 4 0,04
30 - 40 6 0,06 • moda
40 - 50 12 0,11
50 - 60 10 0,09 • mediana
60 - 70 25 0,24

S S 70 - 80
80 - 90
12
19
0,11
0,18
• desvio médio
90 - 100
100 - 110
7
5
0,07
0,05
• desvio padrão
110 - 120
120 - 130
3
1
0,03
0,01
• assimetria
106
• curtose
• coeficiente de variação
5 6

1
 Estatística Estatística

Estatística Descritiva X Estatística Inferencial Estatística Descritiva X Estatística Inferencial

0,35 0,35
intervalos de confiança
f ( x; α , β , λ ) f ( x; α , β , λ )
0,30 0,30

0,25

0,20
0,25

0,20
testes de hipóteses
0 15
0,15 0 15
0,15

0,10 0,10

0,05 0,05

0,00 0,00

αˆ
βˆ
λˆ
S S

7 8

Para conhecermos as propriedades da

distribuição de determinadas variáveis devemos
repetir um mesmo experimento várias vezes sob
as mesmas condições. Entretanto, nem sempre é
possível, mas em determinadas condições é
possível determinar teoricamente o
comportamento de algumas medidas feitas na
amostra, com por exemplo a média.

9 10

ƒ - Parâmetro: medida utilizada para descrever POPULAÇÃO x AMOSTRA

uma característica populacional. Ex: μ, σ

ƒ - Estimador: é uma variável aleatória que é TIPO DE UTILIZAÇÃO População Amostra

função dos dados amostrais. Ex: x =170 cm
é um estimador de μ
σ2
VARIÂNCIA
S2
ƒ - Estimativa: é o valor numérico assumido
pelo estimador, quando são substituídos os
DESVIO-PADRÃO
σ S
dados amostrais. Ex: MÉDIA
μ X
ƒ - Inferência estatística: objetivo de inferir PROPORÇÃO
p
propriedades de um agregado maior (a p̂
população) a partir de um conjunto menor (a
amostra). 11 12

2
 Distribuições amostrais Distribuições amostrais
x1 : média.amostra1 População Amostras Distribuição
1
s1 : desvio − padrão.1
θˆ1 Amostral
x 2 : média.amostra 2
θˆ2

θ
2
μ: média
édi d i − padrão
s 2 : desvio d ã .2

σ: desvio- x 3 : média.amostra3 θˆ3

3
s 3 : desvio − padrão.3 ... ...
padrão
θˆn

14

Distribuição amostral de X μ = 9 reais

2
σ 2 = reais 2
3
População
Pop.
R$9
R$8
R$10
$ 0.44
0.33
P(X=x)

0.22
0.11
0.00
8 9 10
salários

15 16

Amostragem com reposição Amostragem com reposição

n=2 n=3
1 σ2 σ2
σ X2 = reais 2 = 2
σ X2 = reais 2 =
μ X = 9 reais = μ 3 n μ X = 9 reais = μ 9 n

Médias. Médias

8
0.44 7
0.33 6
0.22 5
4
fa

0.11 3
0.00 2
1
8 8.5 9 9.5 10 0
salários 8.00 8.33 8.67 9.00 9.33 9.67 10.00

17
Salários 18

3
 A distribuição de X ƒVariáveis não normais TCL
Se X é uma variável qualquer com
média μ e variância σ2, :
Variáveis normais
⎛ σ2 ⎞
( )
X ~ N μ , σ 2 → X ~ N ⎜⎜ μ , ⎟
n ⎟⎠ z=
X −μ →∞
⎯n⎯
⎯→ N (0,1)
⎝ σ
n

19 20

Teorema do Limite Central

ƒ A distribuição das médias amostrais, obtidas de

amostras de tamanho n, selecionadas ao acaso de uma

população de tamanho N, com média μ e variância σ2

será aproximadamente normal com média μx = μ e

σ2
ƒ variância σ =
2
x se a amostragem for realizada com
n
σ2 N − n
reposição, ou σ =
2
⋅ se a amostragem for realizada
n N −1
x

sem reposição em uma população finita ( n N > 0,05),

independentemente da distribuição da variável em

questão.
22

Distribuição Amostral de t (Student)

Sabe-se que ⎛ σ 2 ⎞ , e sua distribuição padronizada é Características da distribuição t
x ~ N⎜ μ; ⎟
⎝ n⎠
x−μ a) É simétrica em relação a média (semelhante a
dada por: z = σ distribuição de z)
n
Em muitas situações não se conhece σ2 ou σ, mas sim sua
estimativa s2 ou s b) Tem forma campanular. Valores de t dependem
Precisamos substituir σ p
por seu estimador s
da flutuação das estatísticas média e desvio
padrão amostrais e z depende somente das
x−μ mudanças da média das amostras
t=
estatística s , a qual segue uma distribuição t de
n
Student com
c) Quando n tende para infinito, a distribuição t
(n-1) graus de liberdade.
tende para a distribuição normal. Na prática, a
Esta estatística é utilizada quando se tem amostras pequenas aproximação é considerada boa quando n >30.
(n ≤ 30), pois o valor de s2 torna-se muito variável, ou seja, flutua
muito de amostra para amostra d) Possui n-1 graus de liberdade.
Nestas situações a distribuição deixa de ser normal padronizada. 23 24

4
Condições para utilizar a distribuição de t de Distribuição t de student
Student g 0,1 0,05 0,025 0,01 0,005
1 3,078 6,314 12,706 31,821 63,656
2 1,886 2,920 4,303 6,965 9,925
3 1,638 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
5 1,476 2,015 2,571 3,365 4,032

a) O tamanho da amostra é pequeno 6

7
8
1,440
1,415
1,397
1,943
1,895
1,860
2,447
2,365
2,306
3,143
2,998
2,896
3,707
3,499
3,355
-∞ 0 t +∞
(n ≤ 30)
9 1,383 1,833 2,262 2,821 3,250
10 1,372 1,812 2,228 2,764 3,169
11 1,363 1,796 2,201 2,718 3,106

P(T
( g>t ) 12
13
14
1,356
1,350
1,345
1,782
1,771
1,761
2,179
2,160
2,145
2,681
2,650
2,624
3,055
3,012
2,977
15 1,341 1,753 2,131 2,602 2,947
16 1,337 1,746 2,120 2,583 2,921
17 1,333 1,740 2,110 2,567 2,898

b) σ é desconhecido 18
19
20
1,330
1,328
1,325
1,734
1,729
1,725
2,101
2,093
2,086
2,552
2,539
2,528
2,878
2,861
2,845
P(T10 > 2,764) = ? 21 1,323 1,721 2,080 2,518 2,831
22 1,321 1,717 2,074 2,508 2,819
23 1,319 1,714 2,069 2,500 2,807
P(T10 > 2,764) = 0,01 24
25
1,318
1,316
1,711
1,708
2,064
2,060
2,492
2,485
2,797
2,787

c) A população tem distribuição 26

27
28
1,315
1,314
1,313
1,706
1,703
1,701
2,056
2,052
2,048
2,479
2,473
2,467
2,779
2,771
2,763
29 1,311 1,699 2,045 2,462 2,756
essencialmente normal 30
40
1,310
1,303
1,697
1,684
2,042
2,021
2,457
2,423
2,750
2,704
50 1,299 1,676 2,009 2,403 2,678
60 1,296 1,671 2,000 2,390 2,660
120 1,289 1,658 1,980 2,358 2,617
25 ∞ 1,282 1,645 1,960 2,326 2,576 26

Obter os seguintes valores da Distribuição de s2 - Distribuição de χ2 (Qui - Quadrado)

distribuição t de Student:
É uma distribuição amostral de variâncias

a) t / P (-t < t < t ) = 0,95 com 10 g.l. Retira-se uma amostra de n elementos de uma população
normal com média μ e variância σ2, teremos a seguinte
n
b) t / P (-t < t < t ) = 0,90 com 20 g.l. ∑(x − x)
2

, segue uma distribuição de χ2

i
distribuição s =
2 i =1 2
n −1
c) t / P (t > t ) = 0,05 com 25 g.l.
com n-1 graus liberdade , e que:
d) t / P (t < t ) = 0,10 com 10 g.l.
A variável χ2 =
(n − 1) s 2 tem distribuição χ2 com n-1 graus
σ2
e) P (-1,753 < t < 1,753 ) com 15 g.l. de liberdade.
27 28

Distribuição χ2
9 Os valores de χ2 não podem ser negativos
g 0,005 0,010 0,025 0,050 0,100 0,900 0,950 0,975 0,990 0,995
1 7,88 6,63 5,02 3,84 2,71 0,016 0,0039 0,0010 0,00016 0,00004
2 10,60 9,21 7,38 5,99 4,61 0,21 0,10 0,051 0,020 0,010

9 Não é simétrica em χ2 =0 3
4
5
12,84
14,86
16,75
11,34
13,28
15,09
9,35
11,14
12,83
7,81
9,49
11,07
6,25
7,78
9,24
0,58
1,06
1,61
0,35
0,71
1,15
0,22
0,48
0,83
0,11
0,30
0,55
0,072
0,21
0,41
6 18,55 16,81 14,45 12,59 10,64 2,20 1,64 1,24 0,87 0,68
7 20,28 18,48 16,01 14,07 12,02 2,83 2,17 1,69 1,24 0,99
8 21,95 20,09 17,53 15,51 13,36 3,49 2,73 2,18 1,65 1,34
9 23,59 21,67 19,02 16,92 14,68 4,17 3,33 2,70 2,09 1,73
χ t2 +∞
9 quanto maior o tamanho de n, a distribuição 0 10 25,19 23,21 20,48 18,31 15,99 4,87 3,94 3,25 2,56 2,16
11 26,76 24,72 21,92 19,68 17,28 5,58 4,57 3,82 3,05 2,60
12 28,30 26,22 23,34 21,03 18,55 6,30 5,23 4,40 3,57 3,07

tende a normal.
normal
13 29,82 27,69 24,74 22,36 19,81 7,04 5,89 5,01 4,11 3,57
14 31,32 29,14 26,12 23,68 21,06 7,79 6,57 5,63 4,66 4,07

P( χ g2 > χ t2 )
15 32,80 30,58 27,49 25,00 22,31 8,55 7,26 6,26 5,23 4,60
16 34,27 32,00 28,85 26,30 23,54 9,31 7,96 6,91 5,81 5,14
17 35,72 33,41 30,19 27,59 24,77 10,09 8,67 7,56 6,41 5,70
18 37,16 34,81 31,53 28,87 25,99 10,86 9,39 8,23 7,01 6,26
19 38,58 36,19 32,85 30,14 27,20 11,65 10,12 8,91 7,63 6,84

9 Como a curva não é simétrica, então olha-se

20 40,00 37,57 34,17 31,41 28,41 12,44 10,85 9,59 8,26 7,43
21 41,40 38,93 35,48 32,67 29,62 13,24 11,59 10,28 8,90 8,03
P( χ102 > 3, 25) = ? 22 42,80 40,29 36,78 33,92 30,81 14,04 12,34 10,98 9,54 8,64

na tabela dois valores de χ2, quando

23 44,18 41,64 38,08 35,17 32,01 14,85 13,09 11,69 10,20 9,26
24 45,56 42,98 39,36 36,42 33,20 15,66 13,85 12,40 10,86 9,89

P( χ102 > 3, 25) = 0,975

25 46,93 44,31 40,65 37,65 34,38 16,47 14,61 13,12 11,52 10,52

queremos saber se um valor está entre 2

26 48,29 45,64 41,92 38,89 35,56 17,29 15,38 13,84 12,20 11,16
27 49,64 46,96 43,19 40,11 36,74 18,11 16,15 14,57 12,88 11,81
28 50,99 48,28 44,46 41,34 37,92 18,94 16,93 15,31 13,56 12,46

limites. 29
30
40
52,34
53,67
66,77
49,59
50,89
63,69
45,72
46,98
59,34
42,56
43,77
55,76
39,09
40,26
51,81
19,77
20,60
29,05
17,71
18,49
26,51
16,05
16,79
24,43
14,26
14,95
22,16
13,12
13,79
20,71
50 79,49 76,15 71,42 67,50 63,17 37,69 34,76 32,36 29,71 27,99
60 91,95 88,38 83,30 79,08 74,40 46,46 43,19 40,48 37,48 35,53
70 104,21 100,43 95,02 90,53 85,53 55,33 51,74 48,76 45,44 43,28
80 116,32 112,33 106,63 101,88 96,58 64,28 60,39 57,15 53,54 51,17
90 128,30 124,12 118,14 113,15 107,57 73,29 69,13 65,65 61,75 59,20
100 140,17 135,81 129,56 124,34 118,50 82,36 77,93 74,22 70,06 67,33
29 30

5
 Distribuição χ2 Obter os seguintes valores da
distribuição de χ2 :
g 0,005 0,010 0,025 0,050 0,100 0,900 0,950 0,975 0,990 0,995
1
2
3
7,88
10,60
12,84
6,63
9,21
11,34
5,02
7,38
9,35
3,84
5,99
7,81
2,71
4,61
6,25
0,016
0,21
0,58
0,0039
0,10
0,35
0,0010 0,00016 0,00004
0,051
0,22
0,020
0,11
0,010
0,072
a) χ2 / P (χ2 > χ2 ) = 0,025 com 17 g.l.
4 14,86 13,28 11,14 9,49 7,78 1,06 0,71 0,48 0,30 0,21
5 16,75 15,09 12,83 11,07 9,24 1,61 1,15 0,83 0,55 0,41
6 18,55 16,81 14,45 12,59 10,64 2,20 1,64 1,24 0,87 0,68
7 20,28 18,48 16,01 14,07 12,02 2,83 2,17 1,69 1,24 0,99

b) χ2 / P (χ2 < χ2 ) = 0,025 com 17 g.l.

8 21,95 20,09 17,53 15,51 13,36 3,49 2,73 2,18 1,65 1,34
9 23,59 21,67 19,02 16,92 14,68 4,17 3,33 2,70 2,09 1,73
0 χ t2 +∞ 10
11
25,19
26,76
23,21
24,72
20,48
21,92
18,31
19,68
15,99
17,28
4,87
5,58
3,94
4,57
3,25
3,82
2,56
3,05
2,16
2,60
12 28,30 26,22 23,34 21,03 18,55 6,30 5,23 4,40 3,57 3,07
13 29,82 27,69 24,74 22,36 19,81 7,04 5,89 5,01 4,11 3,57
14 31,32 29,14 26,12 23,68 21,06 7,79 6,57 5,63 4,66 4,07

P( χ g2 > χ t2 )
15 32,80 30,58 27,49 25,00 22,31 8,55 7,26 6,26 5,23 4,60

c) χ12, χ22 / P (χ12 < χ2 < χ22) = 0,90 com 10 g.l.

16 34,27 32,00 28,85 26,30 23,54 9,31 7,96 6,91 5,81 5,14
17 35,72 33,41 30,19 27,59 24,77 10,09 8,67 7,56 6,41 5,70
18 37,16 34,81 31,53 28,87 25,99 10,86 9,39 8,23 7,01 6,26
19 38,58 36,19 32,85 30,14 27,20 11,65 10,12 8,91 7,63 6,84
20 40,00 37,57 34,17 31,41 28,41 12,44 10,85 9,59 8,26 7,43
21 41,40 38,93 35,48 32,67 29,62 13,24 11,59 10,28 8,90 8,03
P( χ102 > 3, 25) = ? 22
23
42,80
44,18
40,29
41,64
36,78
38,08
33,92
35,17
30,81
32,01
14,04
14,85
12,34
13,09
10,98
11,69
9,54
10,20
8,64
9,26

d) χ12, χ22 / P (χ12 < χ2 < χ22) = 0,95 com 15 g.l.

24 45,56 42,98 39,36 36,42 33,20 15,66 13,85 12,40 10,86 9,89

P( χ102 > 3,25) = 0,975 25

26
46,93
48,29
44,31
45,64
40,65
41,92
37,65
38,89
34,38
35,56
16,47
17,29
14,61
15,38
13,12
13,84
11,52
12,20
10,52
11,16
27 49,64 46,96 43,19 40,11 36,74 18,11 16,15 14,57 12,88 11,81
28 50,99 48,28 44,46 41,34 37,92 18,94 16,93 15,31 13,56 12,46
P( χ > ?) = 0,9
2
15
29
30
52,34
53,67
49,59
50,89
45,72
46,98
42,56
43,77
39,09
40,26
19,77
20,60
17,71
18,49
16,05
16,79
14,26
14,95
13,12
13,79
40 66,77 63,69 59,34 55,76 51,81 29,05 26,51 24,43 22,16 20,71

P( χ152 > 8,55) = 0,9

e) P (10,8508 < χ2 < 31,4104) com 20 g.l.
50 79,49 76,15 71,42 67,50 63,17 37,69 34,76 32,36 29,71 27,99
60 91,95 88,38 83,30 79,08 74,40 46,46 43,19 40,48 37,48 35,53
70 104,21 100,43 95,02 90,53 85,53 55,33 51,74 48,76 45,44 43,28
80 116,32 112,33 106,63 101,88 96,58 64,28 60,39 57,15 53,54 51,17
90 128,30 124,12 118,14 113,15 107,57 73,29 69,13 65,65 61,75 59,20
100 140,17 135,81 129,56 124,34 118,50 82,36 77,93 74,22 70,06 67,33
31 32

Distribuição F Distribuição F
g1 g1

0 F +∞ 0 F +∞

P( Fg1 , g2 > F ) = 0,025

, P( Fg1 , g2 > F ) = 0,025
,

g2 g2

P( F15,20 > ?) = 0,025 P( F25,5 < ?) = 0,025

P( F5,25 > ?) = 0,025
P( F15,20 > 2,57) = 0,025

33 34

Distribuição F Obter os seguintes valores da distribuição F de

Snedecor:
g1

a) F / P(F > F ) = 0,10 com v1 = 8 e v2 = 20 g.l.

0 F +∞
b) F / P(F < F ) = 0,90 com v1 = 8 e v2 = 20 g.l.
P( Fg1 , g2 > F ) = 0,025
,

g2
c) F1,F2 / P(F1 < F < F2 ) = 0,95 com v1 = 10 e v2 = 20 g.l.
P( F25,5 < ?) = 0,025
P( F5,25 > ?) = 0,025
P( F5,25 > 3,13) = 0,025
1
P( F25,5 < ) = 0,025
3,13
P ( F25,5 < 0,319) = 0,025
35 36