Aula 06

Conhecimentos Especficos Mtodos Quantitativos Anatel
Aula 06 Inferncia
Prof. Alexandre Lima
Aula 06
Sumrio
1
Estimao de Parmetros .................................................................................................. 2

1.1
Introduo Estimao de Parmetros ............................................................... 2
1.2
Estimador e Estimativa ............................................................................................... 3
1.3
Propriedades dos Estimadores ................................................................................. 4
1.4
Critrios para Escolha dos Estimadores ............................................................. 13
1.5
Estimao por Ponto .................................................................................................. 19
1.5.1
Estimao por Ponto da Mdia ..................................................................................... 19
1.5.2
Estimao por Ponto da Varincia ................................................................................ 19
1.5.3
Estimao por Ponto do Desvio Padro ........................................................................ 20
1.5.4
Estimao por Ponto de uma Proporo Populacional ................................................. 20
1.5.5
Estimao por Ponto com Base em Diversas Amostras ............................................... 20
1.6
Estimao por Intervalo............................................................................................ 21
1.6.1
Intervalo de confiana para a mdia quando o desvio padro conhecido .................. 23
1.6.2
Intervalo de confiana para a mdia quando o desvio padro desconhecido ............. 24
1.6.3
Intervalo de confiana para a varincia......................................................................... 28
1.6.4
Intervalo de confiana para o desvio padro ................................................................. 29
1.6.5
Intervalo de confiana para uma proporo populacional ............................................ 30
1.7
Tamanho das Amostras ............................................................................................ 32
O Mnimo que Voc Precisa Saber ................................................................................ 37
Exerccios de Fixao ......................................................................................................... 40
4. Gabarito .................................................................................................................................. 48
5. Resoluo dos Exerccios de Fixao ........................................................................... 49
APNDICE ....................................................................................................................................... 73
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima

Aula 06 Inferncia
Estimao de Parmetros
1.1
Introduo Estimao de Parmetros
A partir desta aula, daremos nfase ao estudo da Inferncia Estatstica, cujo

objetivo inferir propriedades da populao a partir de uma amostra.
Uma populao ou universo um conjunto de elementos com pelo
menos uma caracterstica comum. A populao pode ser finita ou infinita.
Por exemplo, o nmero de pneus defeituosos produzidos em um dia por uma
determinada fbrica, uma populao de tamanho finito. J as observaes
obtidas pela medio diria de gases de efeito estufa representam uma
populao de tamanho infinito. A caracterstica comum deve delimitar de forma
exata quais os elementos que pertencem populao e quais os que no
pertencem. Considere, por exemplo, a populao dos indivduos do sexo
masculino inscritos no prximo concurso para a ANATEL. Essa populao no
inclui as pessoas do sexo feminino que faro o mesmo concurso.
Depois que caracterizamos a populao, procedemos ao levantamento de
dados acerca da caracterstica (ou caractersticas) de interesse no estudo em
questo. Na maioria dos problemas de inferncia estatstica, impossvel ou
impraticvel observar toda a populao. Devemos ento restringir nossas
observaes a uma parte da populao, isto , a uma amostra proveniente
dessa populao. Uma amostra , portanto, um subconjunto finito de uma
populao, e todos os seus elementos sero examinados para a realizao do
estudo estatstico desejado. Quanto maior a amostra, mais precisas e
confiveis sero as indues realizadas sobre a populao. No limite,
resultados 100% confiveis podem ser obtidos atravs do exame completo da
populao. Na prtica, isso no necessrio, pois indues suficientemente
precisas e confiveis podem ser realizadas desde que o tamanho da amostra
seja corretamente dimensionado.
A Inferncia Estatstica pode ser dividida em duas partes: estimao de
parmetros e testes de hipteses. Nesta aula abordaremos a estimao, mas
apenas no que diz respeito estimao dos parmetros de uma distribuio
populacional.
A teoria da Probabilidade fornece vrios modelos probabilsticos (distribuies
de probabilidades), tais como binomial, Poisson, normal, etc. Tais modelos
representam famlias de distribuies que dependem de um ou mais
parmetros. Por exemplo, uma distribuio normal caracterizada pela mdia
e desvio padro .
2

Aula 06 Inferncia
Quando descrevemos uma populao, fazemos isso por meio de algum modelo
probabilstico, cujos parmetros, portanto, devem ser estimados da melhor
forma possvel com base na amostra obtida.
H duas tcnicas de estimao de parmetros: por ponto e por intervalo. Na
estimao por ponto, a estimativa do parmetro populacional corresponde a
um nico valor estimado. Na segunda tcnica, constri-se um intervalo, o qual
dever, com probabilidade conhecida, conter o parmetro. Neste curso
admitiremos, salvo meno em contrrio, que a amostragem sempre ser
aleatria.
A prxima figura um plot dos resduos de uma regresso linear. A mdia dos
resduos igual a zero (linha horizontal azul). As estimativas pontuais dos
resduos so os pontos circulares. Note que cada estimativa por ponto est
situada no ponto mdio de um intervalo de estimao (so as barras verticais),
o qual contm o parmetro com uma probabilidade conhecida (geralmente
utiliza-se 95% na prtica). Observe que a estimativa mais esquerda do
grfico (a de cor vermelha) no cruza a linha azul; desta forma, podemos
concluir que trata-se de um provvel outlier.
0.8
0.6
0.4
resduos
0.2
0
-0.2
-0.4
-0.6
-0.8
2
1.2
10
x
12
14
16
18
20
Estimador e Estimativa
Um estimador (ou estatstica) qualquer funo das observaes de

uma amostra, que ser usado no processo de estimao do parmetro
populacional desejado. A mdia amostral X , por exemplo, um estimador da
mdia de uma populao. Um estimador uma varivel aleatria
caracterizada por uma distribuio de probabilidades. Chamamos de
estimativa um particular valor assumido por um estimador.
3

Aula 06 Inferncia
A estimao por ponto consiste em adotar a melhor estimativa possvel

como sendo o valor do parmetro. A qualidade da estimao ir depender
fundamentalmente da escolha do estimador. Assim, dentre os possveis
estimadores que podem ser especificados para um determinado parmetro
populacional, devemos ter a preocupao de escolher aquele que melhor
satisfaa as propriedades estatsticas de um bom estimador.
1.3
Propriedades dos Estimadores
Justeza ou No Tendenciosidade
Um estimador justo (ou no viesado, ou no viciado, ou

no tendencioso) se o seu valor esperado (ou mdia) for igual ao valor do
parmetro que se pretende estimar, isto , se
(1)
E ( ) = .
A Eq. (1) afirma que os valores aleatrios de um estimador justo ocorrero em

torno do valor do parmetro, o que desejvel (veja a figura abaixo).
f()
distribuio amostral de um
estimador no viesado
() =
Um estimador no viesado aquele que, na mdia, acerta o valor

correto do parmetro populacional.
Se o estimador for tendencioso, ento a diferena
4

Aula 06 Inferncia
(2)
E ( )
o vis (tendncia ou vcio) do estimador , conforme ilustrado pela

prxima figura. Deste modo, a adoo de um estimador que no seja justo
implica um vcio de estimao.
f()
distribuio amostral de um
estimador viesado
valor do parmetro
populacional
E()
vis
Exemplo (Mdia Amostral). Seja uma populao com mdia . A mdia X

da amostra aleatria ( X 1 , X 2 ,..., X n ) extrada dessa populao dada por
X=
X 1 + X 2 + ... + X n
.
n
Ento, o valor esperado de X

1
1
n
X + X 2 + ... + X n 1
E( X ) = E 1
=
= E ( X 1 ) + E ( X 2 ) + ... + E ( X n ) =
n
n
n
n
Logo, a mdia amostral um estimador justo da mdia

populacional.
Nota: o smbolo
denota o final do exemplo.
Exemplo (Mdia Ponderada). Seja a mdia ponderada de uma amostra

aleatria ( X 1 , X 2 ,..., X n ) definida como
5

Aula 06 Inferncia
W=
w1 X 1 + w2 X 2 + ... + wn X n
n
em que as constantes w1 , w2 ,..., wn ( w1 + w2 + ... + wn = n ) so os pesos usados na

ponderao. Ento, o valor esperado de W
w X + w2 X 2 + ... + wn X n
E ( X ) = E 1 1
=
n
1
1
= [w1E ( X 1 ) + w2 E ( X 2 ) + ... + wn E ( X n )] = [w1 + w2 + ... + wn ] = n = .

n
n
n
Portanto, a mdia ponderada de uma amostra um estimador justo da
mdia populacional , apesar da ponderao.
Exemplo. Seja um estimador M da mdia populacional dado pela equao

M=
1 n
Xi
n + 1 i =1
n
Espera-se que o vis de M seja negativo, uma vez que a diviso de
por
i =1
n+1 tende a subestimar o valor de .

Calculemos o valor esperado de M:
X + X 2 + ... + X n
E (M ) = E 1
=
n +1
1
=
[E ( X 1 ) + E ( X 2 ) + ... + E ( X n )] = n .
n +1
n +1
Portanto, M um estimador viesado da mdia populacional .
Observe que
vis(M) = E(M) ,
vis(M) =
-=
negativo, como antecipado.
n +1
n +1
Exemplo. Seja uma populao com mdia e varincia 2. Verifique que o

estimador da varincia populacional definido por
6

Aula 06 Inferncia
2 =
1 n
( X i X )2
n i =1
viesado.
Nota: o entendimento da demonstrao que se segue no essencial para a
prova. Mas importante saber que o estimador da varincia
populacional considerado neste exemplo viesado.
Demonstrao:
Calculemos a esperana de 2 :
E ( 2 ) =
1 n
1 n
1 n
E ( X i X ) 2 = E ( X i + X ) 2 = E [( X i ) + ( X )]2
n i =1
n i =1
n i =1
1
E ( 2 ) = E [( X i ) 2 + 2( X i )( X ) + ( X ) 2 ]
n i =1
E ( 2 ) =
E ( 2 ) =
como
n
n
1 n
E ( X i ) 2 + 2 ( X i )( X ) + ( X ) 2
n i =1
i =1
i =1
n
1 n
E ( X i ) 2 + 2( X ) ( X i ) + n ( X ) 2
n i =1
i =1
= nX , temos que
i =1
E ( 2 ) =
1 n
E ( X i ) 2 + 2n( X )( X ) + n( X ) 2
n i =1
E ( 2 ) =
1 n
E ( X i ) 2 2n( X )( X ) + n( X ) 2
n i =1
E ( 2 ) =
1 n
E ( X i ) 2 2n( X ) 2 + n( X ) 2
n i =1
E ( 2 ) =
1 n
E ( X i ) 2 n( X ) 2
n i =1
levando em conta que ( X ) 2 = ( X ) 2 , obtemos

E ( 2 ) =
1 n
E ( X i ) 2 n( X ) 2
n i =1
aplicando a expectncia, obtemos

7

Aula 06 Inferncia
E ( 2 ) =
1 n
2
2
E ( X i ) nE[( X ) ] .
n i =1
Como a esperana da soma igual soma das esperanas, tem-se que

E ( 2 ) =
1 n
E ( X i ) 2 nE[( X ) 2 ] .
n i =1
Mas E ( X i ) 2 = var( X i ) = 2 e E[( X ) 2 ] = var( X ) = 2 / n. Logo,
E ( 2 ) =
1 n 2
n 1 2
2 1
n
= (n 2 2 ) =
2.
n i =1
n n
n
Conclui-se que 2 um estimador viesado da varincia populacional 2. Esse

defeito do estimador pode ser corrigido se multiplicarmos 2 pelo fator n /( n 1)
, o que nos leva definio do estimador
S2 =
1 n
n
2 =
( X i X )2 ,
n 1
n 1 i =1
o qual, no por acaso, corresponde varincia amostral.
No difcil mostrar que S2 um estimador justo da varincia

populacional:
E (S 2 ) =
n
n
n 1
E ( 2 ) =
2 = 2.
n 1
n 1
n
H estimadores que, embora viesados, tem seu vis diminudo quando o

tamanho da amostra aumenta, ou seja, o vis vai desaparecendo medida
que o tamanho da amostra aumenta. Um estimador dito assintoticamente
no viesado se
(3)
lim E ( ) = .
Exemplo. Verifique que o estimador da mdia populacional dado por

n
M = ( n + 1) 1 X i assintoticamente no viesado.
i =1
8

Aula 06 Inferncia
E (M ) =
n
n +1
n
lim E ( M ) = lim
=
n n + 1
Logo,
assintoticamente no viesado da mdia populacional .
um
estimador
Eficincia
A acurcia de um estimador mede a proximidade de cada

observao do valor alvo que se procura atingir. A preciso de um
estimador mede a proximidade de cada observao da mdia de todas
as observaes.
Qual o melhor estimador? o estimador no viciado que possua
menor varincia que qualquer outro para todo valor de .
Um estimador dito EFICIENTE ou

Tendencioso de Varincia Mnima (ENTVM) (*), se
Estimador
No
for no viesado;
entre os estimadores no viesados, apresentar a menor varincia.
(*) s vezes chamado de Estimador No Viciado Uniformemente de
Mnima Varincia (ENVUMV).
Se ( X 1 , X 2 ,..., X n ) for uma amostra aleatria proveniente de uma

populao normalmente distribuda com mdia e varincia 2, ento a mdia
n
n
amostral X = i=1 X i / n e a varincia amostral S 2 = i=1 X i2 nX 2 /(n 1) sero
os ENTVM de e , respectivamente.
O ENTVM o mais preciso porque a disperso das suas estimativas a
menor de todas e acurado porque no viciado e de varincia mnima.
Se e ' so dois estimadores no viesados de um mesmo parmetro , e
ainda
Var ( ) < Var ( ' )
ento diz-se relativamente mais eficiente do que ' .
9

Aula 06 Inferncia
Exemplo. Considere uma amostra aleatria de 2 elementos oriunda de uma

populao com mdia e varincia 2. Determine a varincia do estimador da
mdia populacional dado por
W=
3 X1 + 2 X 2
5
e compare esse estimador com a mdia amostral.

Vimos anteriormente que a mdia ponderada W um estimador no viesado
de . Neste exemplo, sua varincia dada por
3X + 2X 2 1
var(W ) = var 1
var(3 X 1 + 2 X 2 ) =
=
5
25
1
13 2
= [9 var ( X 1 ) + 4 var( X 2 )] =
= 0,52 2 .
25
25
Por outro lado, a varincia de X 0,52 (menor que a varincia da mdia
ponderada). Neste caso, a mdia amostral um estimador mais eficiente
(melhor) do que W, pois possui uma varincia menor.
Entre dois estimadores justos, vimos que relativamente mais

eficiente aquele que apresenta a menor varincia. Mas e se quisermos
comparar dois estimadores quaisquer? Qual ser a mtrica de comparao? A
mtrica mais usada o Erro Quadrtico Mdio (EQM) de estimao.
Define-se o EQM como a mdia da diferena quadrtica (diferena ao
quadrado) entre o estimador e o valor do parmetro:
(4)
EQM ( ) = E[( ) 2 ].
Desenvolvendo (4), demonstra-se que

(5)
EQM ( ) = var( ) + [vis ( ) ]2.
EQM = Varincia + Vis2
EQM de Estimador No Viesado = Varincia
10

Aula 06 Inferncia
Daremos a prova de que (4) e (5) so equivalentes a seguir. Contudo, o

entendimento da demonstrao no mandatrio. Desvie a sua leitura para o
texto posterior demonstrao, se preferir.
Prova:
Desenvolvendo (4), obtemos
EQM ( ) = E ( 2 2 + 2 ) = E ( 2 ) 2E ( ) + 2 ,
pois um valor constante (E() = ). Somando e subtraindo [ E ( )]2 ,

chegamos a:
EQM ( ) = E ( 2 ) [ E ( )]2 + [ E ( )]2 2E ( ) + 2
em que E ( 2 ) [ E ( )]2 = var( ) e [ E ( )]2 2E ( ) + 2 = [ E ( ) ]2 . Logo, podemos

reescrever a expresso acima na forma
EQM ( ) = var( ) + [ E ( ) ]2
em que [ E ( ) ] representa o vis do estimador. Logo, EQM ( ) = var( ) + [vis

( ) ]2.
A Eq. (5) mostra que o EQM tem dois componentes: o estimador erra o
valor do parmetro em funo da sua disperso (varincia) e ainda,
quando for o caso, pelo fato de no acertar na mdia (ser viesado).
Para dois estimadores quaisquer 1 e 2 , se 1 tem menor EQM do que 2 ,
ento 1 relativamente mais eficiente do que .
2
Observe que, para dois estimadores justos, dizer que EQM menor equivale a
dizer que a varincia menor (pois o vis nulo).
Melhor Estimador Linear No Viesado
Uma terceira propriedade desejvel de um estimador que ele

seja o Melhor Estimador Linear No Viesado (MELNV). Para tal, o
estimador tem que:
ser no viesado;
ser linear; e
11

Aula 06 Inferncia
entre os estimadores lineares e no viesados, apresentar a menor

varincia.
Um estimador linear se for obtido por meio de uma combinao linear das
observaes X 1 , X 2 ,..., X n da amostra, ou seja, se dado por
(6)
= a1 X1 + a2 X 2 + ... + an X n ,
em que os pesos ai , i = 1,2,..., n , so constantes.

A mdia amostral X = ( X 1 + X 2 + ... + X n ) / n um estimador linear pois
a1 = a2 = ... = an =
1
.
n
Consistncia
Um estimador consistente, se, medida que a amostra cresce,
converge para o verdadeiro valor do parmetro. Ou seja, quando o
tamanho da amostra vai aumentando, o vis (se existir) vai diminuindo e a
varincia tambm. Um estimador consistente aquele que converge para o
valor do parmetro quando o tamanho da amostra tende a infinito.
Considere a mdia amostral X calculada para diversos tamanhos de amostras;
obtemos, na realidade, uma sequncia de estimadores {X n , n = 1,2,...}. medida
que n cresce, a distribuio de X torna-se mais concentrada ao redor da
verdadeira mdia populacional . Dizemos que {X n , n = 1,2,...} uma sequncia
consistente de estimadores de .
Definio. Uma sequncia { n } de estimadores de um parmetro
consistente se, para todo > 0,

(7)
P{| n |> } 0,
Isso significa, em termos prticos, que, sendo o estimador consistente, podese, com amostras suficientemente grandes, tornar o erro de estimao to
pequeno quanto se queira.
Em vez de usar (7) para verificar se uma sequncia estimadores consistente,
podemos usar o seguinte resultado.
12

Aula 06 Inferncia
Proposio. Uma
parmetro consistente se
(8)
lim E ( n ) = ,
(9)
lim var( n ) = 0
sequncia
{ n }
de
estimadores
de
um
Se o estimador for justo, a condio de consistncia equivale a dizer que sua

varincia tende a zero quando o tamanho da amostra tende a infinito, isto ,
para n , var( n ) 0 .
A mdia amostral um estimador consistente da mdia, pois

um estimador justo e para o qual vale
2
lim var( X ) = lim = 0 .
n
n
n
Como
EQM ( ) = var( ) + [vis ( ) ]2,
um estimador consistente possui

lim EQM ( ) = 0 .
1.4
Critrios para Escolha dos Estimadores
Alguns critrios tm sido propostos com o objetivo de resolver o problema da

escolha do estimador adequado. Dentre eles, podemos citar os mtodos da
mxima verossimilhana, dos momentos e de Bayes. Destacamos a
importncia, para o concurso, do mtodo da mxima verossimilhana, que
ser apresentado a seguir.
Estimao por Mxima Verossimilhana
Os dicionrios definem o termo verossmil como aquilo que parece ser
verdadeiro ou o que tem probabilidade de ser verdadeiro ou aquilo que se
assemelha com a realidade. Neste sentido, qual seria a idia fundamental da
estimao por verossimilhana de um parmetro populacional? A resposta
13

Aula 06 Inferncia
a seguinte: a estimao por verossimilhana fornece a estimativa que

corresponde ao valor mais provvel do parmetro.
Vejamos a seguir como a Estatstica define o conceito de estimao por
mxima verossimilhana.
O mtodo da mxima verossimilhana consiste em adotar para o
parmetro o valor que maximize a funo de verossimilhana associada ao
resultado obtido na amostra. Mas o que a funo de verossimilhana?
Definio (Mtodo da Mxima Verossimilhana). Seja uma

populao com funo densidade de probabilidade caracterizada pelo
parmetro populacional desconhecido . Ento a distribuio de probabilidades
dessa populao pode ser denotada por f ( x; ) . Sejam n observaes
independentes X 1 , X 2 ,..., X n (ou seja, uma amostra aleatria com n elementos
provenientes da populao em questo). Ento a funo densidade conjunta
para
estas
observaes,
tambm
conhecida
como
funo
de
verossimilhana da amostra, dada por
L( ) = f ( x1 ; ) f ( x2 ; ) ... f ( xn ; ) .
Note que L ( ) funo somente do parmetro desconhecido . A Estimativa

de Mxima Verossimilhana (EMV) de o valor que maximiza a funo
L ( ) . A raiz da equao
dL( )
=0
d
o ponto de mximo de L ( ) . Em muitos casos, mais conveniente tomar a

primeira derivada da funo de log-verossimilhana ln L ( ) (logaritmo natural
de L ( ) ), a qual possui um mximo no mesmo ponto que maximiza L ( ) .
Deste modo,
df ( x1 ; )
df ( x2 ; )
df ( xn ; )
1
1
1
+
+ ... +
=0
f ( x1 ; ) d
f ( x2 ; )
d
f ( xn ; )
d
A soluo para a equao acima ( em termos dos xk) a estimativa de

mxima verossimilhana de .
Nota: no caso de uma varivel aleatria discreta, a funo de verossimilhana
L ( ) a probabilidade
14

Aula 06 Inferncia
P ( X 1 = x1 , X 2 = x2 ,..., X n = xn ) .
Ou seja, L ( ) apenas a probabilidade de obter os valores amostrais x1 , x2 ,..., xn .

Logo, no caso discreto, a estimativa de mxima verossimilhana aquela que
maximiza a probabilidade de ocorrncia dos valores da amostra.
Exemplo. Um jogador de cassino trocou o seu dinheiro por dez fichas, das
quais so pretas e 10 so brancas. Uma amostra de quatro fichas com
reposio retirada do seu bolso e verifica-se que ela contm trs fichas
brancas e uma ficha preta. Estime o parmetro pelo mtodo da mxima
verossimilhana.
Soluo:
Devemos determinar a funo de verossimilhana correspondente ao resultado
amostral obtido, a qual ser dada pela probabilidade de, em uma amostra de n
= 4, obter-se exatamente uma ficha preta, dada em funo do parmetro
desconhecido . Tal probabilidade pode ser obtida pela aplicao da
distribuio binomial, em que a probabilidade de sucesso ser p = / 10 , n = 4 e
x = 1. Designando por L ( ) a funo de verossimilhana, temos
1
3
4 (10 )3
n x
nx
L( ) = p (1 p) = 1 =
2.500
1 10 10
x
A Tabela a seguir mostra que o valor de mxima verossimilhana = 3 . Logo,

a estimativa de mxima verossimilhana = 3 .
0
1
2
3
4
5
L()
0
729/2.500
1.024/2.500
1.029/2.500
864/2.500
625/2.500
6
7
8
9
10
L()
384/2.500
189/2.500
64/2.500
9/2.500
0
O mtodo da mxima verossimilhana pode ser usado em situaes em que

haja vrios parmetros populacionais desconhecidos 1 , 2 ,..., k . Em tais casos,
a funo de verossimilhana uma funo dos k parmetros desconhecidos
1 , 2 ,..., k e os estimadores {i } de mxima verossimilhana so encontrados
15

Aula 06 Inferncia
igualando as k derivadas parciais L(1 , 2 ,..., k ) / i ,

resolvendo o sistema resultante de equaes.
i = 1,2,..., k , a zero e
Exemplo. Seja X uma varivel aleatria normal com mdia e varincia 2

desconhecidas. A funo de verossimilhana de uma amostra aleatria
( X 1 , X 2 ,..., X n )
1 x1

1
L( , ) =
e 2
2
2
1 xn

1
e 2
...
2
L( , 2 ) =
(2 )
2 n/2

1
e 2
=
i =1 2
1
2
1 xi
( xi )2
i =1
Tomando o logaritmo natural

1
n
ln L( , 2 ) = ln(2 2 )
2
2 2
(x
)2
i =1
Para encontrar o ponto de mximo dessa funo, devemos obter as derivadas

de ln L( , 2 ) em relao a e 2.
Derivando em relao a , obtemos:
n
1
1
ln L( , 2 )
2
( xi ) = 2
=
2
2 i=1
(x )
i
i =1
e igualando esse ltimo resultado a zero e resolvendo para , tem-se

n
( 2 ) 1 ( xi ) = 0
i =1
( xi ) = 0
i =1
xi n = 0 =
i =1
1 n
xi = X .
n i=1
O resultado obtido mostra que a mdia amostral de uma populao

normal o estimador de mxima verossimilhana da mdia
populacional .
Derivando em relao a 2 e j incluindo o resultado acima, obtemos:
1
ln L( , 2 )
n 1
=
+
2
2
2
4 2
n
( x )
i
=0
i =1
n 2 + ( xi ) 2 = 0 2 =
i =1
1 n
( xi ) 2
n i=1
16

Aula 06 Inferncia
Portanto, o estimador de mxima verossimilhana para 2 viesado.
Exemplo. Suponha uma populao com distribuio uniforme entre 0 e .

Retirou-se uma amostra aleatria de n valores dessa populao com o objetivo
de estimar-se . Admita que xmax seja o maior valor obtido nessa amostra.
Calcule a EMV de .
Soluo:
Evidentemente que xmax . Logo, a estimativa mais verossmil (ou a EMV)
adotar = x . Contudo, detalhemos o raciocnio como a seguir.
max
Sabe-se que xmax . A funo densidade de probabilidade da distribuio

uniforme f ( x ) = 1 / para 0 x e f ( x ) = 0 caso contrrio.
A funo de verossimilhana de uma amostra aleatria com n observaes
n
L( ) =
i =1
Cujo domnio xmax , ou seja, o menor valor possvel para o parmetro
= xmax . O grfico abaixo mostra que o maior valor (mximo absoluto) de L ( )

ocorre em = x . Portanto, a EMV = x .
max
max
Este exemplo indica que nem sempre possvel usar diretamente mtodos de
clculo para determinar o mximo de L ( ) .
17

Aula 06 Inferncia
Propriedades dos Estimadores de Mxima Verossimilhana

O mtodo da mxima verossimilhana frequentemente o mtodo de
estimao preferido pelos matemticos e engenheiros, por ser geralmente fcil
de usar e produzir estimadores com boas propriedades estatsticas. Estas
propriedades esto resumidas a seguir. Ressaltamos que essa lista de
propriedades no exaustiva. Citamos aquelas que so importantes para a
prova.
Propriedades:
1. Consistncia;
2. Distribuio assinttica (*) normal.
(*) Assinttica significa quando n grande.
A propriedade (1) pode ser interpretada como se segue. Quando uma amostra
de tamanho n for grande e se for um estimador de mxima verossimilhana
do parmetro , ento:
um estimador aproximadamente no tendencioso para ( E[ ] ) e

- (i)
- (ii) a varincia de aproximadamente to pequena quanto a varincia que
se poderia obter com qualquer outro estimador.
Sendo assim, (i) e (ii) estabelecem que o estimador de mxima
verossimilhana aproximadamente um ENTVM. Esse um resultado
desejvel. Alm disso, ele razoavelmente fcil de se obter em muitas
situaes e possui distribuio assinttica normal. Isso explica porque o
mtodo de mxima verossimilhana largamente utilizado na prtica. Para
usar a estimao de mxima verossimilhana, observe que a distribuio da
populao deve ser conhecida (ou suposta).
Exemplo (SUSEP/ESAF/2001) Os itens 2,30; 4,11; 5,20; 6,30; 7,20
formam uma ordenao de uma amostra aleatria de tamanho 5 da
distribuio uniforme no intervalo [0,] sendo >0. Assinale a opo que
corresponde estimativa de mxima verossimilhana de .
A) 5,20
B) 5,02
C) 7,20
D) 5,00
E) 8,00
18

Aula 06 Inferncia
Resoluo
O enunciado fornece uma amostra aleatria com cinco elementos extrados de
uma distribuio uniforme:
{x1 = 2,30; x 2 = 4,11; x 3 = 5,20; x 4 = 6,30; x 5 = 7,20} .
O valor mximo da amostra x max = x 5 = 7,20 . No caso da distribuio uniforme,

a EMV de , aqui denotada por , igual ao valor mximo da amostra:
= x max = 7,20
GABARITO: C
1.5
Estimao por Ponto
1.5.1
Estimao por Ponto da Mdia
O melhor estimador de que dispomos para a mdia da populao

a mdia da amostra X . Vimos que X um estimador consistente de .
1.5.2
Estimao por Ponto da Varincia
Quando conhecemos a mdia da populao, devemos estimar sua varincia

2 por meio da estatstica
(10)
S2 =
1 n
1 n 2
2
(
)
=
X
Xi 2
i
n i =1
n i =1
que ser um estimador no viesado (pois acerta na mdia) e consistente

(sua varincia decresce com o aumento do tamanho da amostra).
Quando a mdia desconhecida, o que, em geral, ocorre na

prtica, a varincia populacional 2 estimada por meio de
(11)
S2 =
1 n
(X i X )2
n 1 i =1
que um estimador justo de 2.

19

Aula 06 Inferncia
Foi visto que var( S 2 ) = 2 4 /( n 1) . Logo, S2 um estimador consistente de

2, pois
2 4
= 0.
n n 1
lim var(S 2 ) = lim

n
1.5.3
Estimao por Ponto do Desvio Padro
Embora S2, conforme definido em (11), seja um estimador justo da varincia

populacional 2, sua raiz quadrada S no um estimador justo do desvio
padro populacional . Isto pode ser demonstrado por absurdo, pois se E(S)
= , resultaria que
var(S) = E(S2) [E(S)]2 = 2 2 = 0,
o que no tem sentido.
O vis de S como estimador de , entretanto, tende assintoticamente a
zero. Logo, para amostras grandes, podemos, por simplificao, adotar como
estimativa o prprio desvio padro da amostra, calculado pela raiz quadrada
da varincia amostral.
1.5.4
Estimao por Ponto de uma Proporo Populacional
Se desejarmos estimar a proporo p dos elementos da populao com uma

dada caracterstica, usaremos como estimador a proporo ou freqncia
relativa p com que essa caracterstica foi observada na amostra. Tal
procedimento, alm de intuitivo, corresponde a adotar um estimador justo e
consistente, pois, conforme visto anteriormente:
np
f 1
E ( p ) = E = E ( f ) =
=p
n
n n
var( p ) =
1.5.5
p (1 p )
p (1 p )
lim var( p ) = lim
= 0.
n
n
n
n
Estimao por Ponto com Base em Diversas Amostras
Sejam k amostras e um parmetro populacional a ser estimado. Cada amostra

fornecer uma estimativa para o parmetro que est sendo estimado e essas
estimativas iro diferir entre si, pois correspondem a observaes de variveis
aleatrias. Entretanto, pode-se, em geral, combinar esses resultados, obtendose uma estimativa nica para o parmetro em questo.
20

Aula 06 Inferncia
No caso de estimao da mdia ou de uma proporo p, pode-se combinar

as estimativas se todas as amostras forem provenientes de uma mesma
populao ou de populaes infinitas com mesma mdia e mesma proporo
p. Ou seja, pode-se calcular a mdia ponderada das diversas mdias e
freqncias relativas amostrais tomando como pesos de ponderao os
tamanhos das respectivas amostras. Isso equivale a fundir as diversas
amostras em uma nica amostra maior, usando a mdia X e a freqncia p
fornecidas por essa amostra.
No caso da varincia populacional 2, deve-se realizar a ponderao
usando como pesos os graus de liberdade de cada amostra. Seja n1 o
tamanho da amostra 1, n2 o tamanho da amostra 2, ..., nk o tamanho da
amostra k (as amostras i, i = 1,2,...,k, possuem desvio padro Si). Ento a
estimativa combinada de 2 ser dada pela estatstica
(12)
S p2 =
(n1 1) S12 + (n 2 1) S 22 + ... + (n k 1) S k2

,
n1 + n 2 + ... + n k k
que possui n1 + n2 + ... + n k k graus de liberdade.

Note-se que a estimativa (12) no ser idntica que se obteria pela reunio
dos dados em uma amostra nica, embora ambos os processos sejam vlidos
nas condies acima mencionadas.
A estimativa (12) tem a vantagem de poder ser usada se as diversas amostras
forem provenientes de populaes com mdias diferentes, porm de mesma
varincia 2.
Se as amostras forem razoavelmente grandes, poderemos adotar Sp como
uma boa estimativa para o desvio padro .
1.6
Estimao por Intervalo
At aqui, aprendemos como obter boas estimativas (isto , justas e

consistentes) por ponto dos parmetros populacionais. Contudo, se a
determinao do parmetro for o principal objetivo, ento a estimao por
ponto ser insuficiente, uma vez que a probabilidade de a estimativa adotada
vir a coincidir com o verdadeiro valor do parmetro nula ou praticamente
nula. Assim, uma questo relevante aparece: quo prxima est a estimativa
do verdadeiro valor de um parmetro? Uma outra abordagem usar um
intervalo de confiana para expressar o grau de incerteza associado a
uma estimativa.
21

Aula 06 Inferncia
Uma estimativa do intervalo de confiana de um parmetro desconhecido

um intervalo da forma l u, em que os limites inferior l e superior u
para uma amostra particular.
dependem do valor numrico do estimador
e, por
Como amostras distintas produziro valores diferentes de
conseguinte, valores diferentes para os limites l e u, esses limites so valores
de variveis aleatrias, como L e U, respectivamente. Somos capazes de
, de tal
determinar valores de L e U, a partir da distribuio amostral de
forma que a seguinte afirmao probabilstica seja verdadeira:
P( L U ) = 1 ,
sendo 0 < < 1 . Assim, temos uma probabilidade igual a 1 de selecionar

uma amostra que produzir um intervalo contendo o valor verdadeiro
do parmetro .
O intervalo observado
l u
chamado de intervalo com 100 (1 )% de confiana para o parmetro .
A interpretao de um intervalo de confiana que se um nmero infinito de
amostras aleatrias for coletado e um intervalo com 100 (1 )% de confiana
para for calculado a partir de cada amostra, ento 100 (1 )% desses
intervalos contero o valor verdadeiro de .
Na prtica, obtemos somente uma amostra aleatria e calculamos uma
estimativa do intervalo de confiana. Uma vez que esse intervalo
conter ou no o valor verdadeiro de , no razovel fixar um nvel
de probabilidade para essa realizao. A afirmao apropriada : o
intervalo observado [l, u] contm o valor verdadeiro de , com
100 (1 )% de confiana. Essa afirmao tem uma interpretao de
freqncia; ou seja, no sabemos se a afirmao verdadeira para essa
amostra especfica, mas o mtodo usado para obter o intervalo [l, u] resulta
em afirmaes corretas em 100 (1 )% do tempo.
A quantidade aleatria o intervalo [L, U]; o parmetro

no considerado aleatrio, pois um valor fixo.
22

Aula 06 Inferncia
1.6.1
Intervalo de confiana para a mdia quando o desvio padro
conhecido
Suponha que o estimador X tenha distribuio amostral normal (*). Isso
ocorrer se a populao for normalmente distribuda ou, com boa
aproximao, se a amostra for suficientemente grande.
(*) A hiptese de normalidade comumente adotada na prtica. Se no a
adotssemos, o estudo ficaria tremendamente complicado.
Deve-se construir um intervalo em torno de X de forma tal que esse intervalo
contenha o valor do parmetro com confiana 1. Esse intervalo simtrico
em probabilidade, pois a distribuio amostral normal.
O intervalo que pretendemos construir ser da forma X , em que = e0
denota a semiamplitude do intervalo de confiana, conforme representado pela
figura a seguir (distribuio amostral de X ). Necessitamos apenas determinar
de modo tal que esse intervalo tenha nvel de confiana 1. Para tanto,
imagine, na distribuio de X , dois pontos, e + , simtricos em
relao mdia da distribuio, de tal modo que a probabilidade de X
situar-se entre esses dois pontos seja igual a 1. Logo,
(13)
P( X + ) = 1 .
/2
e0
/2
+ e0
A desigualdade (13) implica
X + X +
P( X X + ) = 1 .
23

Aula 06 Inferncia
Portanto, X e X + so os limites do intervalo de confiana simtrico em

probabilidade desejado. A determinao da semiamplitude do intervalo de
confiana envolve a utilizao da varivel normal padronizada. Observe que
( + )
= z / 2 ,
/ n
(14)
= z / 2
Portanto, a expresso do intervalo de confiana para a mdia da populao,

ao nvel de confiana 1, dada por
(15)
X z / 2
Finalmente, tem-se que

(16)
P ( X z / 2
X + z / 2
) = 1 .
Exemplo. Considere uma amostra de 41 observaes provenientes de uma

populao normal com varincia igual a 4,0, cuja mdia amostral 40.
Construa um intervalo de 95% de confiana para a mdia dessa populao.
Soluo:
1 = 0,95 / 2 = 0,025 . A tabela da normal indica que o valor z = 1,96
corresponde probabilidade (0,5 0,025) = 0,4750. Logo,
= z / 2
= 1,96
2,0
= 0,6122
41
e o intervalo de confiana ser 40 0,6122 , indicando que 39,3878 40,6122

com 95% de confiana.
1.6.2
Intervalo de confiana para a mdia quando o desvio padro
desconhecido
Quando desconhecemos o desvio padro populacional , devemos estimar seu
valor por meio de
24

Aula 06 Inferncia
S=
1 n
( X i X )2
n 1 i =1
No correto obter o intervalo de confiana para , ao nvel de confiana 1,

substituindo-se por S na expresso (14). Observe que o uso de S em (14)
aumenta a incerteza da estimativa por intervalo, diminuindo, deste modo, o
valor do nvel de confiana, que j no seria (1), mas sim (1) < (1).
Como podemos resolver este problema?
As distribuies t de Student e normal padro esto relacionadas pela frmula
tn 1, / 2 = z / 2
Sendo assim, podemos reescrever (15) como
(17)
X z / 2
S
S
= X tn 1, / 2
S
n
A Eq. (17) mostra que o uso do desvio padro amostral S na expresso do

intervalo de confiana da mdia populacional impe o uso de tn 1, / 2 no lugar de
z / 2 . Observe que (tn 1, / 2 / z / 2 ) > 1 (por exemplo, t30 , 2 ,5% = 2,0423 > z2 ,5% = 1,96 ). Desta
maneira, tn 1, / 2 funciona como um fator de correo para maior da amplitude

do intervalo de confiana, quando usamos S em vez de .
Exemplo. Considere uma amostra de 41 observaes, provenientes de uma
populao normal com mdia e varincia desconhecidas, em que X = 40 e S =
2,0. Construa um intervalo de 95% de confiana para a mdia dessa
populao.
Soluo:
tn 1, / 2 = t40 , 2,5% = 2,021 (vide Tabela IV do Apndice). Logo,
= tn 1, / 2
S
2
= 2,021
= 0,6313 (maior que o obtido no exemplo anterior!)
n
41
e o intervalo de confiana ser 40 0,6313 , indicando que 39,3687 40,6313

com 95% de confiana.
25

Aula 06 Inferncia
Exemplo (MI-CENAD/ESAF/2012) Uma amostra aleatria simples de

tamanho 9 de uma populao com distribuio normal levou ao clculo de uma
mdia amostral igual a 32 e ao clculo de uma varincia amostral igual a 225.
Construa um intervalo de 95% de confiana para a mdia da populao.
(A) 27,1 a 36,9
(B) 22,2 a 41,8
(C) 12,4 a 51,6
(D) 2,6 a 61,4
(E) -17 a 81
Resoluo
Dados: N = 9, X = 32 , S 2 = 225 ( S = 15 ), 1 = 0,95 (ou = 0,05 = 5% ).
O intervalo de confiana para a mdia populacional () quando o desvio
padro da populao () conhecido dado pela frmula
X z / 2
X + z / 2
n
n
em que z/2 denota o valor crtico da normal padro tal que

P(z > z/2) = /2
rea sob a curva normal padro direita do valor crtico z/2 (ou
probabilidade de z ser maior que z/2) igual a /2
O intervalo de confiana para a mdia populacional () quando o desvio

padro da populao () no conhecido dado pela frmula:
S
S
X t n1, / 2
X + t n1, / 2
n
n
em que t n1, / 2 representa o valor crtico da varivel aleatria t de Student com

(n1) graus de liberdade tal que
P (t n1 > t n1, / 2 ) = / 2
rea sob a curva t de Student com (n1) graus de liberdade direita do

valor crtico t n 1, / 2 (ou probabilidade de tn1 ser maior que t n 1, / 2 ) igual a /2
26

Aula 06 Inferncia
Lembre que a distribuio t de Student tende para a normal padro para

grandes valores de n (nmero de elementos da amostra).
Mas o fato que a banca no forneceu a tabela da distribuio t de Student.
Como voc sairia dessa sinuca de bico na prova?
Podemos tentar uma soluo aproximada baseada em um mix das duas
frmulas anteriores:
S
S
X z / 2
X + z / 2
n
n
Pacincia, o que temos para nos safar! Observe que o valor crtico z/2 =
z2,5% = 1,96 bastante manjado em provas de Estatstica. Vamos testar este
caminho? Por que no?
15
15
32 1,96
32 + 1,96
9
9
32 9,8 32 + 9,8
22,2 41,8 opo B
Foi obtido um intervalo de confiana aproximado com amplitude 19,6 (= 41,8

22,2) .
J resolvemos o problema. Contudo, vale a pena, por motivos didticos,
calcular o intervalo de confiana para a mdia usando a tabela da t de Student
do apndice desta aula ( t n1, / 2 = t8, 2,5% = 2,306 ):
S
S
X t n1, / 2
X + t n1, / 2
n
n
15
15
32 2,306
X + 2,306
9
9
32 11,53 32 + 11,53
20,47 43,53
Agora a amplitude do intervalo de confiana mudou para 23,06 (= 43,53

20,47).
27

Aula 06 Inferncia
O que motivou o aumento do intervalo de confiana no segundo clculo?

A culpada a varivel t de Student. Sabemos que a t de Student funciona
como um fator de correo (ampliao) do intervalo de confiana quando a
estatstica S (desvio padro amostral) usada no lugar do parmetro
(desvio padro da populao). Isto faz sentido, haja vista que a incerteza da
estimao aumenta quando usamos S em vez de .
GABARITO: B
1.6.3
Intervalo de confiana para a varincia
Considere, na distribuio n21 , os dois particulares valores n21,1 / 2 (quiquadrado inferior) e n21, / 2 (qui-quadrado superior), conforme ilustrado pela
figura a seguir.
/ 2
0 21 /2
inferior
2 /2
superior
Sabemos que os valores n21,1 / 2 e n21, / 2 so tais que

(18)
P( n21,1 / 2 n21 n21, / 2 ) = 1 .
Vimos que
S2 =
2
n 1
n21
28

Aula 06 Inferncia
o que nos permite escrever as desigualdades entre parnteses de (17) como
n21,1 / 2
(n 1) S 2
n21, / 2 .
Vamos dividir todos os membros da expresso acima por (n 1) S 2 , e, aps,

tomar os inversos. Invertendo as desigualdades, obtemos
(19)
( n 1) S 2
n21, / 2
( n 1) S 2
n21,1 / 2
que o intervalo de confiana para 2, ao nvel de 1.

A Eq. (19) pode ser reescrita na forma
n
(20)
( X i X )2
i =1
n21, / 2
(X
X )2
i =1
n21,1 / 2
Exemplo. Uma amostra de onze elementos, extrada de uma populao

normal, forneceu varincia S2 = 7,08. Determine o intervalo de 90% de
confiana para a varincia da populao.
Soluo:
Entrando na tabela da distribuio 2 com 10 graus de liberdade, obtemos:
n21,1 / 2 = 102 ,95% = 3,94,

n21, / 2 = 102 ,5% = 18,3.
Logo,
(n 1) S 2
2
n 1, / 2
(n 1) S 2
2
n 1,1 / 2
10 7,08
10 7,08
2
3,8689 2 17,9695
18,3
3,94
Logo, 3,8689 2 17,9695 com 90% de confiana.

1.6.4
Intervalo de confiana para o desvio padro
De (19) decorre, com confiana 1, que
29

Aula 06 Inferncia
(n 1) S 2
(21)
n21, / 2
1.6.5
(n 1) S 2
n21,1 / 2
Intervalo de confiana para uma proporo populacional
Vimos que uma freqncia relativa amostral p apresenta uma distribuio

binomial, cuja mdia o prprio parmetro populacional p e cuja varincia
dada por p (1 p ) / n . Sendo np 5 e n(1 p ) 5 , aprendemos que possvel
aproximar a binomial pela normal. Como p desconhecido, adotaremos como
condies de aproximao np 5 e n(1 p ) 5 .
Sendo a amostra suficientemente grande, o intervalo de confiana para p ser
da forma p e, por um raciocnio anlogo quele desenvolvido para a
estimao de , chega-se a
(22)
= z / 2
p(1 p)
.
n
A expresso (22) tem um problema: no conhecemos o valor de p. Para

amostras suficientemente grandes, pode-se aproximar (22) por
(23)
= z / 2
p (1 p )
.
n
Ento o intervalo de confiana para p, ao nvel de confiana 1 , dado por
(24)
p z / 2
p (1 p )
.
n
Exemplo. Retirou-se uma amostra de 1.000 peas de uma linha de produo

e verificou-se que 35 eram defeituosas. Estime o intervalo de confiana ao
nvel de 95% da proporo de peas defeituosas fornecidas pela linha de
produo.
Soluo:
n = 1.000
p = f / n = 35 / 1.000 = 0,035
z / 2 = z2,5% = 1,96
Logo,
30

Aula 06 Inferncia
= z / 2
0,035(1 0,035)
p (1 p )
= 1,96
= 0,0114
1.000
n
0,035 0,0114 p 0,035 + 0,0114 0,0236 p 0,0464 com 95% de confiana.
Exemplo (ICMS-RJ/FGV/2010) Para estimar a proporo p de pessoas

acometidas por uma certa gripe numa populao, uma amostra aleatria
simples de 1600 pessoas foi observada e constatou-se que, dessas pessoas,
160 estavam com a gripe.
Um intervalo aproximado de 95% de confiana para p ser dado por:
A) (0,066, 0,134).
B) (0,085, 0,115).
C) (0,058, 0,142).
D) (0,091, 0,109).
E) (0,034, 0,166).
Resoluo
A freqncia relativa amostral p apresenta uma distribuio binomial com
mdia p e varincia p (1 p ) / n . Sendo np 5 e n(1 p ) 5 , possvel aproximar a
binomial pela normal. Como p desconhecido, adotamos como condies de
aproximao np ' = 1600 0,1 = 160 > 5 e n(1 p ' ) = 1600 0,9 = 1440 > 5 .
Como a amostra suficientemente grande, o intervalo de confiana para p
ser da forma p , em que dado por
e0 = z2,5%
p (1 p )
0,1 0,9
= 1,96
0,015 .
n
1600
Logo, p + = 0,1 + 0,015 0,115 e p = 0,1 0,015 0,085 .

IC = (0,085, 0,115).
GABARITO: B
31

Aula 06 Inferncia
1.7
Tamanho das Amostras
Vimos que = z / 2 / n (semi-amplitude do intervalo de confiana para a

mdia populacional quando o desvio padro populacional conhecido). Seguese que
2
(25)
z
n = /2 .

A Eq. (25) ser usada para determinar o tamanho da amostra necessria

para estimar a mdia populacional quando for conhecido.
Se no conhecemos o desvio padro da populao, devemos primeiramente
coletar uma amostra piloto de n elementos para, com base nela, obtermos
uma estimativa do desvio padro amostral S. Em seguida, empregamos a
expresso
(26)
S
t
n = n ' 1, / 2
obtida por meio das substituies de z / 2 por tn '1, / 2 e de por S em (25). Se

n n, a amostra piloto j ter sido suficiente para a estimao. Caso
contrrio, devemos retirar, ainda, da populao, os elementos necessrios
complementao do tamanho mnimo da amostra.
Exemplo (ICMS-RJ/FGV/2010) Suponha que os salrios dos trabalhadores
numa certa regio sejam descritos por uma varivel populacional com mdia
desconhecida e desvio padro igual a R$200,00. Para se garantir, com 95% de
probabilidade, que o valor da mdia amostral dos salrios no diferir do valor
da mdia populacional por mais de R$10,00, a amostra aleatria simples
dever ter no mnimo, aproximadamente, o seguinte tamanho:
A) 3.568.
B) 3.402.
C) 2.489.
D) 2.356.
E) 1.537.
Resoluo
Dados: X = 10 , 1 = 95% e = 200 .
32

Aula 06 Inferncia
X
10
X
10
= z / 2
= z 2 , 5%
= 1,96
2 n 1.600
200 / n
200 / n
/ n
/ n
O valor mais prximo o da opo E.

Nota: no correto dizer que o valor da mdia amostral dos salrios no
diferir do valor da mdia populacional por mais de R$10,00 com 95% de
probabilidade, dado que a amostra tenha um tamanho mnimo de 1.537
elementos. A afirmao correta seria: o valor da mdia amostral dos salrios
no diferir do valor da mdia populacional por mais de R$10,00 com 95% de
confiana, dado que a amostra tenha um tamanho mnimo de 1.537
elementos. Na prtica, obtemos somente uma amostra aleatria e calculamos
uma estimativa do intervalo de confiana. Uma vez que esse intervalo conter
ou no o valor verdadeiro do parmetro populacional , no razovel fixar
um nvel de probabilidade para essa realizao. A afirmao apropriada : o
intervalo observado [l, u] contm o valor verdadeiro do parmetro , com
100 (1 )% de confiana. Essa afirmao tem uma interpretao de freqncia;
ou seja, no sabemos se a afirmao verdadeira para essa amostra
especfica, mas o mtodo usado para obter o intervalo [l, u] resulta em
afirmaes corretas em 100 (1 )% do tempo.
GABARITO: E
O tamanho da amostra necessria para estimar uma proporo
populacional p vem da expresso (23) e dado por
2
(27)
z
n = / 2 p (1 p ) .

No temos como calcular n por meio de (27), pois p desconhecido. Como

podemos resolver este problema? Se pararmos para refletir um pouco sobre o
assunto, veremos que existem pelo menos duas sadas. A primeira a
seguinte: para amostras suficientemente grandes, sabemos que p p , haja
vista que p um estimador justo de p, e podemos utilizar a aproximao
2
(28)
z
n / 2 p (1 p ) .

Tambm podemos obter um valor limitante superior para n a partir de (27), e

esta seria a segunda soluo para o problema da estimao do n. Note que a
funo quadrtica (parbola) p(1-p) que aparece em (27) tem o seu ponto de
mximo em p =1/2. Se substituirmos p(1-p) pelo seu valor mximo, que
1/4, o tamanho da amostra obtido ser suficiente para a estimao, qualquer
que seja o p. Sendo assim, obtemos
33

Aula 06 Inferncia
2
z 1 z
n / 2 = / 22 ou
4 4
(29)
nmax
z2 / 2
= 2 ,
4
em que nmax denota o valor limitante superior de n.

Exemplo (SUSEP/ESAF/2010) Deseja-se estimar a proporo p de pessoas
com determinada caracterstica em uma populao. Um levantamento
preliminar forneceu p = 2 / 7 . Usando essa estimativa, obtenha o menor
tamanho de amostra aleatria simples necessria para estimar p com um
intervalo de 95% de confiana e um erro de amostragem z p q / n 2% , onde
q = 1 p .
A) 7840
B) 2500
C) 1960
D) 9604
E) 2401
Resoluo
A semi-amplitude do intervalo de confiana para a proporo dada por
= z / 2 p q / n . O examinador especificou que a relao z p q / n 2% deve ser
obedecida, a fim de que p seja estimado com um intervalo de 95% de
confiana e um erro de amostragem menor ou igual a 0,02. Moral da
histria: a banca forneceu a frmula a ser utilizada na soluo da questo! De
vez em quando isso acontece.
Isolemos a incgnita n na frmula dada:
1/ 2
p q
z
p q 1 / 2 2 2
q 4
2
2 p
z
2 z
4
100
n 10
n 10
10 4 z 2 p q
10 4 z 2 p q
10 4 z 2 p q 4n
n n
4
4
Ento o valor limitante inferior para n, denotado por nmin, dado por
34

Aula 06 Inferncia
nmin =
104 z 2 p q
.
4
Substituindo os valores p = 2 / 7 , q = 1 p = 5 / 7 e z = 1,96 (pois =5%) na

expresso acima, obtemos
nmin
10 4 1,96 2 2 5
=
,
4
7 7
utilizando as aproximaes 1,96 2 e 49 50, chegamos ao valor aproximado

nmin
10 4 2 5 10.000
=
= 2.000 .
50
5
A opo C nos d o valor mais prximo (1.960). Se voc fizer as contas com a
calculadora obter o valor exato de 1.960.
GABARITO: C
Exemplo (MI-CENAD/ESAF/2012) Pretende-se estimar por amostragem a
proporo p de famlias com renda inferior a cinco salrios mnimos em uma
populosa cidade. Usando a estimativa p = 5 / 7 , obtida em um levantamento
preliminar, determine o menor tamanho de amostra aleatria simples
necessria para estimar p com um intervalo de 95% de confiana e com um
erro de amostragem z p (1 p ) / n 4% .
(A) 420
(B) 490
(C) 560
(D) 630
(E) 684
Resoluo
Uma proporo amostral p tem distribuio binomial com mdia p ( o
prprio parmetro populacional que se deseja estimar) e varincia p (1 p ) / n .
Podemos aproximar a binomial pela normal quando np 5 e n(1 p ) 5 , como
nesta questo.
O intervalo de confiana para p ser da forma p + , em que denota o erro
de amostragem (semiamplitude do intervalo de confiana).
35

Aula 06 Inferncia
De acordo com enunciado, o erro de amostragem dado por
= z / 2 p (1 p ) / n
em que (1 ) = 95% representa o nvel de confiana utilizado.
Manipulando a frmula acima, podemos expressar n em funo de , z/2 e p :
2
z
n = / 2 p (1 p )

Dados: p = 5 / 7 , = 0,04 . Sabe-se que z2,5% = 1,96. Logo,

2
1,96 5 5
n=
1 = 490
0,04 7 7
GABARITO: B
36

Aula 06 Inferncia
O Mnimo que Voc Precisa Saber
- Um estimador (ou estatstica) qualquer funo das observaes de

uma amostra.
- Uma estimativa corresponde a um valor numrico assumido por um
estimador.
- Um estimador justo ou no viesado se o seu valor esperado for
igual ao valor do parmetro que se pretende estimar, isto , se
E ( ) =
- Um estimador consistente, se, medida que a amostra cresce,

converge para o verdadeiro valor do parmetro:
lim E ( ) =
lim var( ) = 0
- O melhor estimador para a mdia da populao a mdia da amostra

X , pois X um estimador justo e consistente de .
- Se a mdia da populao for conhecida, devemos estimar sua varincia
2 por meio da estatstica
S2 =
1 n
1 n 2
2
X
=
(
)
i
Xi 2
n i=1
n i=1
que ser um estimador justo e consistente.

- Se a mdia for desconhecida, a varincia populacional 2 dever ser
estimada por meio de
S2 =
1 n
( X i X )2
n 1 i =1
que um estimador justo e consistente de 2.

- O estimador da varincia populacional definido por
2 =
1 n
( X i X )2
n i=1
viesado.
37

Aula 06 Inferncia
- O EQM a mdia do quadrado da diferena entre o estimador e o

valor do parmetro:
EQM ( ) = E[( ) 2 ] = var( ) + [vis ( ) ]2
A relao acima mostra que o EQM tem dois componentes: o estimador erra o
valor do parmetro em funo da sua disperso (varincia) e ainda, quando for
o caso, pelo fato de no acertar na mdia (ser viesado).
- A estatstica S no um estimador justo do desvio padro populacional
. O vis de S, entretanto, tende assintoticamente a zero.
- A freqncia relativa p um estimador justo e consistente da
proporo p dos elementos da populao com uma dada caracterstica.
- Um intervalo de confiana expressa o grau de incerteza associado a uma
estimativa.
- O intervalo de confiana para a mdia quando o desvio-padro
populacional conhecido, no nvel de confiana 1, dado por
X z / 2
X + z / 2
Obs.: z = 1,96 para (1) = 0,95 = 95%.

- - O intervalo de confiana para a mdia quando o desvio-padro
populacional desconhecido, no nvel de confiana 1, dado por
X t n 1, / 2
S
S
X + tn 1, / 2
n
n
- O intervalo de confiana para p, ao nvel de confiana 1 , dado por
p z / 2
p (1 p )
p p + z / 2
n
p (1 p )
n
- Tamanho da amostra para estimar a mdia populacional quando

conhecido:
z
n = /2

38

Aula 06 Inferncia
- Tamanho da amostra para estimar a mdia populacional quando

desconhecido:
S
t
n = n1, / 2

- Tamanho da amostra para estimar a proporo populacional p:

2
z
n = / 2 p (1 p )

ou
nmax =
z2 / 2
,
4 2
em que nmax denota o valor limitante superior de n.
39

Aula 06 Inferncia
Exerccios de Fixao
1. (Analista do TJ-RO/Cespe-UnB/2012) Os estimadores n e n* so

estimadores pontuais do parmetro de certa distribuio, em que n
representa o tamanho da amostra. Nesse caso, o estimador dito ser
consistente se
(A) lim n P(| n | ) = 0 , para todo > 0 .
(B) P( x1 , x2 ,..., xn | n ) , em que x1 , x2 ,..., xn so as observaes amostrais, no
depende de .
(C) 2 ( ) 2 (* ) , em que 2 (.) a varincia do estimador.
n
(D) L(n | x1 , x2 ,..., xn ) L(n* | x1 , x2 ,..., xn ) em que L(.) a funo de verossimilhana

associada ao modelo e x1 , x2 ,..., xn so as observaes amostrais.
(E) E (n ) =
2. (Analista do TJ-RO/Cespe-UnB/2012) Com relao a intervalo de
confiana e intervalo de credibilidade, correto afirmar que, se I = [a; b] for
um intervalo de
(A) confiana para o parmetro , ento esse parmetro uma varivel
aleatria.
(B) confiana para o parmetro de nvel 1 , ento a probabilidade do
verdadeiro valor do parmetro estar fora do intervalo igual a .
(C) credibilidade para o parmetro , ento esse parmetro uma varivel
aleatria.
(D) confiana para o parmetro , ento o valor esperado para esse parmetro
b+a
=
.
2
(E) credibilidade para o parmetro , ento a mediana deste parmetro
b+a
.
=
2
3. (Analista do TJ-RO/Cespe-UnB/2012) Com relao a acurcia e
preciso, correto afirmar que o estimador ENVUMV (estimador no viciado
uniformemente de mnima varincia)
(A) um estimador acurado e o mais preciso.
(B) no um estimador acurado e nem o mais preciso.
(C) um estimador acurado mas no o mais preciso.
(D) um estimador no acurado mas o mais preciso.
40

Aula 06 Inferncia
(E) um estimador acurado e assintoticamente o mais preciso.

4. (ICMS-RJ/FGV/2008) Considere uma Amostra Aleatria Simples de n
unidades extradas de uma populao na qual a caracterstica, X, estudada tem
distribuio Normal com mdia e varincia 2, ambas desconhecidas, mas
1 n
finitas. Considere, ainda, as estatsticas mdia da amostra, X = X i , e
n i =1
n
1
varincia da amostra S 2 = ( X i X ) 2 . Ento, correto afirmar que:
n i =1
(A) X e S 2 so, ambos, no tendenciosos para a estimao da mdia e da
varincia da populao, respectivamente.
(B) X no tendencioso, mas S 2 tendencioso para a estimao da mdia e
da varincia da populao, respectivamente.
(C) X tendencioso, mas S 2 no tendencioso para a estimao da mdia e
da varincia da populao, respectivamente
(D) X e S 2 so, ambos, tendenciosos para a estimao da mdia e da
(E) X e S 2 so, ambos, no tendenciosos para a estimao da mdia e da
varincia da populao, mas apenas X consistente.
5. (ICMS-RJ/FGV/2007) Uma pesquisa recente foi realizada para avaliar o
percentual da populao favorvel eleio de um determinado ponto turstico
para constar no selo comemorativo de aniversrio da cidade. Para isso,
selecionou-se uma amostra aleatria simples extrada de uma populao
infinita. O resultado apurou 50% de inteno de votos para esse ponto
turstico.
Considerando que a margem de erro foi de 2 pontos percentuais, para mais ou
para menos, e que o nvel de confiana utilizado foi de 95%, foram ouvidas,
aproximadamente:
(A) 50 pessoas
(B) 2.400 pessoas
(C) 1.200 pessoas
(D) 100 pessoas
(E) 4.800 pessoas
6. (IBGE/Cesgranrio/2010) Para que o erro padro da mdia amostral X
seja reduzido metade, deve-se
(A) multiplicar o tamanho da amostra por 2.
41

Aula 06 Inferncia
(B) multiplicar o tamanho da amostra por 4.

(C) multiplicar o tamanho da amostra por 16.
(D) dividir o tamanho da amostra por 2.
(E) dividir o tamanho da amostra por 4.
7. (SUSEP/ESAF/2001) Tem-se duas amostras independentes ambas de
tamanho 21 de duas populaes normais com a mesma varincia 2 > 0.
Deseja-se construir um intervalo de confiana para 2, no nvel de 95%, com
base numa estimativa combinada das varincias amostrais s12 = 0,4 e s22 = 0,6 .
Se 0< a < b so duas constantes tais que P{X<a} = 0,025 e P{X>b} = 0,025,
onde X tem distribuio qui-quadrado, assinale a resposta que corresponde ao
intervalo procurado e ao nmero de graus de liberdade da distribuio de X.
(A) [17/b; 17/a] e 20 graus de liberdade
(B) [5/3b; 5/2a] e 40 graus de liberdade
(C) [17/b; 17/a] e 41 graus de liberdade
(D) [20/b; 20/a] e 40 graus de liberdade
(E) [5/3b; 5/2a] e 20 graus de liberdade
8. (BACEN/FCC/2006) Os preos de um determinado produto vendido no
mercado tm uma distribuio normal com desvio padro populacional de R$
20,00. Por meio de pesquisa realizada com uma amostra aleatria de tamanho
100, com um determinado nvel de confiana, apurou-se, para a mdia destes
preos, um intervalo de confiana sendo [R$ 61,08 ; R$ 68,92]. A mesma
mdia amostral foi obtida quadruplicando o tamanho da amostra anterior e
utilizando tambm o mesmo nvel de confiana. Nos dois casos considerou-se
infinito o tamanho da populao. O novo intervalo de confiana encontrado no
segundo caso foi
(A) [R$ 63,04 ; R$ 66,96]
(B) [R$ 62,06 ; R$ 67,94]
(C) [R$ 61,57 ; R$ 68,43]
(D) [R$ 61,33 ; R$ 68,67]
(E) [R$ 61,20 ; R$ 68,80]
iid
9. (IBGE/Cesgranrio/2010) Sejam X 1 , X 2 ,..., X n ~ N ( ; 2 ) e considerados dois

estimadores para 2
T 1=
1 n
( X i X )2
n 1 i =1
T 2=
1 n
( X i X )2.
n i =1
Observe as afirmativas a seguir a respeito desses estimadores.

42

Aula 06 Inferncia
I T1 no tendencioso.
II O erro mdio quadrtico de T1
2(n 1) 4
2
4 , enquanto que o de T2
.
n 1
n2
2
.
III A tendncia de T2 =
n
(So) correta(s) a(s) afirmativa(s)
(A) I apenas.
(B) I e II, apenas.
(C) I e III, apenas.
(D) II e III, apenas.
(E) I, II e III.
10. (IBGE/Cesgranrio/2010) Considere uma amostragem aleatria simples,
sem reposio, de uma populao de tamanho muito grande. Qual o tamanho
aproximado de amostra que permite estimar a mdia de uma varivel y, cujo
desvio padro populacional igual a 5, com margem de erro 0,1, a um nvel
de confiana 95%?
(A) 100
(B) 400
(C) 1.000
(D) 4.000
(E) 10.000
11. (IBGE/Cesgranrio/2010) Para avaliar a taxa de desemprego em uma
determinada localidade, selecionou-se uma amostra aleatria de 900
indivduos em idade produtiva. O resultado dessa amostra revelou que o
nmero de desempregados era de 36%. O intervalo de 95% de confiana para
a proporo de desempregados, nessa localidade,
(A) 36% 0,1%
(B) 36% 2,6%
(C) 36% 3,1%
(D) 36% 3,7%
(E) 36% 4,1%
12. (BACEN/Cesgranrio/2010) Em um estudo sobre a economia informal
de uma cidade, deseja-se determinar uma amostra para estimar o rendimento
43

Aula 06 Inferncia
mdio dessa populao, com um grau de confiana de 95% de que a mdia da

amostra aleatria extrada no difira de mais de R$ 50,00 da mdia do
rendimento dessa populao, cujo desvio padro R$ 400,00. Sabendo-se que
z ~ N[0,1] e que
1, 96
f ( z )dz = 0,4750 , onde f(z) a funo de densidade de
probabilidade de z, pode-se concluir que o nmero de pessoas da amostra ser

(A) 321
(B) 308
(C) 296
(D) 271
(E) 246
(MPE-PE/FCC/2006) Instrues (adaptadas): Para responder s questes de
nmeros 13 e 14, considere as tabelas a seguir.
Elas fornecem alguns valores da funo de distribuio F(x). A tabela 1 referese varivel normal padro, as tabelas 2 e 3 referem-se varivel t de
Student com 15 e 16 graus de liberdade, respectivamente:
Tabela 1
x
F(x)
1,60
0,945
1,64
0,950
2,00
0,977
Tabela 2
x
F(x)
1,753
0,95
2,248
0,98
2,583
0,99
Tabela 3
x
F(x)
1,746
0,95
2,235
0,98
2,567
0,99
13. Um engenheiro encarregado do controle de qualidade deseja estimar a

proporo p de lmpadas defeituosas de um lote, com base numa amostra de
tamanho 400. Sabe-se, com base em experincias anteriores, que p deve
estar prximo de 0,5. Usando o teorema central do limite para estimar a
amplitude do intervalo de confiana de 90% para p, podemos afirmar que tal
amplitude , aproximadamente, igual a
A) 0,041
B) 0,045
C) 0,058
D) 0,070
E) 0,082
14. Supondo-se que a porcentagem da receita investida em educao, dos 600
municpios de uma regio, tem distribuio normal com mdia , deseja-se
estimar essa mdia. Para tanto se sorteou dentre esses 600, aleatoriamente e
com reposio, 16 municpios e se observou os porcentuais investidos por eles
em educao. Os resultados indicaram uma mdia amostral de 8% e desvio
44

Aula 06 Inferncia
padro amostral igual a 2%. Um intervalo de confiana para , com coeficiente

de confiana de 96%, dado por
A) (8 1,124)%
B) (8 1,117)%
C) (8 0,877)%
D) (8 0,870)%
E) (8 0,755)%
(ANPEC/Adaptada/2009)
verdadeiras:
Verifique
se
as
afirmativas
15
17
so
15. Em uma pesquisa de opinio a proporo de pessoas favorveis a uma

determinada medida governamental dada por p = X i / n . O menor valor de
n para o qual a desigualdade de Chebyshev resultar em uma garantia de que
P (| p p | 0,01) 0,01 200.000.
16. Quando o nmero de graus de liberdade cresce, a distribuio 2
aproxima-se de uma distribuio normal com mdia e desvio padro 2.
17. Um intervalo de confiana de 99% para a mdia de uma populao,
calculado para uma amostra aleatria, como [2,75; 8,25], pode ser
interpretado como: a probabilidade de estar no intervalo calculado de 99%.
18. (INEP/Cesgranrio/2008) Denotando-se a mdia e a varincia amostral,
respectivamente, por X e S 2 , o erro padro da estimativa da mdia
populacional (M) definido como
(A) X M
(B) X M
S
(C)
n
S
(D)
n
(E)
S2
n
(INEP/Cesgranrio/2008) Para responder s questes de nos 19 e 20,

considere as distribuies amostrais de cinco estimadores propostos para
estimar o parmetro T de uma populao, ilustradas na figura apresentada a
seguir.
45

Aula 06 Inferncia
19. Se o interesse for um estimador no viesado, deve-se utilizar apenas

(A) T1
(B) T4
(C) T1 ou T4
(D) T2 ou T5
(E) T1 ou T2 ou T3
20. Levando-se em conta as propriedades de um bom estimador, o melhor
dentre os estimadores propostos
(A) T1
(B) T2
(C) T3
(D) T4
(E) T5
21. (ACE-MDIC/ESAF/2012) Em uma populao de 50 empresas de uma
regio, 20 so empresas exportadoras. Retirando-se sem reposio uma
amostra aleatria de tamanho 10 desta populao de empresas, qual a
probabilidade de que as 5 primeiras empresas escolhidas sejam empresas
exportadoras e as 5 ltimas no sejam exportadoras?
A) (0,24)5
B) 10!/(5!5!) (0,4)5 (0,6)5
C) (20!/15!) (30!/25!) / (50!/40!)
D) 10!/(5!5!) (20!/15!) (30!/25!) / (50!/40!)
E) 0,5
46

Aula 06 Inferncia
22. (ACE-MDIC/ESAF/2012) Considerando a populao de empresas da

questo 21, qual o valor mais prximo do nmero esperado de empresas
exportadoras em uma amostra aleatria de tamanho 20 retirada sem reposio
da populao?
A) 10
B) 8
C) 7,5
D) 6
E) 4
47

Aula 06 Inferncia
4.
Gabarito
1A
2C
3A
4B
5B
6B
7D
8A
9E
10 E
11 C
12 E
13 E
14 A
15 F
16 F
17 F
18 D
19 E
20 B
21 C
22 B
48

Aula 06 Inferncia
5.
Resoluo dos Exerccios de Fixao
1. (Analista do TJ-RO/Cespe-UnB/2012) Os estimadores n e n* so

estimadores pontuais do parmetro de certa distribuio, em que n
representa o tamanho da amostra. Nesse caso, o estimador dito ser
consistente se
(A) lim n P(| n | ) = 0 , para todo > 0 .
(B) P( x1 , x2 ,..., xn | n ) , em que x1 , x2 ,..., xn so as observaes amostrais, no
depende de .
(C) 2 ( ) 2 (* ) , em que 2 (.) a varincia do estimador.
n
(D) L(n | x1 , x2 ,..., xn ) L(n* | x1 , x2 ,..., xn ) em que L(.) a funo de verossimilhana

associada ao modelo e x1 , x2 ,..., xn so as observaes amostrais.
(E) E (n ) =
Resoluo
Um estimador consistente, se, medida que a amostra cresce,
converge para o verdadeiro valor do parmetro. Ou seja, quando o
tamanho da amostra vai aumentando, o vis (se existir) vai diminuindo e a
varincia tambm. Um estimador consistente aquele que converge para o
valor do parmetro quando o tamanho da amostra tende a infinito.
Considere a mdia amostral X calculada para diversos tamanhos de amostras;
obtemos, na realidade, uma sequncia de estimadores {X n , n = 1,2,...}. medida
que n cresce, a distribuio de X torna-se mais concentrada ao redor da
verdadeira mdia populacional . Dizemos que {X n , n = 1,2,...} uma sequncia
consistente de estimadores de .
Um estimador T de um parmetro consistente se, para todo
P{| T |> } 0,
> 0,
Isso significa, em termos prticos, que, sendo o estimador consistente, podese, com amostras suficientemente grandes, tornar o erro de estimao to
pequeno quanto se queira.
Em vez de usar a definio acima para verificar se um estimador consistente,
podemos usar o seguinte resultado.
Um estimador T de um parmetro consistente se
49

Aula 06 Inferncia
lim E (T ) = ,
n
lim var(T ) = 0
n
Se o estimador for justo, a condio de consistncia equivale a dizer que sua

varincia tende a zero quando o tamanho da amostra tende a infinito, isto ,
para n , var(T ) 0 .
Anlise das alternativas
(A) Correta, conforme explicao dada anteriormente.
(B)
Incorreta.
condio
P( x1 , x2 ,..., xn | n ) ,
em que x1 , x2 ,..., xn so as
observaes amostrais, no depende de no faz o menor sentido no
contexto da consistncia de um estimador.
(C) Incorreta. A condio 2 (n ) 2 (n* ) quer dizer que o estimador n pode ser
mais eficiente que o estimador * .
n
(D) Incorreta. Estimao por mxima verossimilhana no tem nada a ver com
a definio de consistncia de um estimador. O mtodo da mxima
verossimilhana um critrio para a escolha do estimador. A consistncia
uma propriedade do estimador.
(E) Incorreta. Foi dada a definio de justeza do estimador n .
GABARITO: A
2. (Analista do TJ-RO/Cespe-UnB/2012) Com relao a intervalo de
confiana e intervalo de credibilidade, correto afirmar que, se I = [a; b] for
um intervalo de
(A) confiana para o parmetro , ento esse parmetro uma varivel
aleatria.
(B) confiana para o parmetro de nvel 1 , ento a probabilidade do
verdadeiro valor do parmetro estar fora do intervalo igual a .
(C) credibilidade para o parmetro , ento esse parmetro uma varivel
aleatria.
(D) confiana para o parmetro , ento o valor esperado para esse parmetro
b+a
=
.
2
50

Aula 06 Inferncia
(E) credibilidade para o parmetro , ento a mediana deste parmetro

b+a
.
=
2
Resoluo
Anlise das opes
(A) Incorreta, porque se I = [a; b] for um intervalo de confiana para o
parmetro , ento esse parmetro no uma varivel aleatria, sendo uma
quantidade fixa.
(B) Incorreta, porque se I = [a; b] for um intervalo de confiana para o
parmetro de nvel 1 - , ento a probabilidade do verdadeiro valor do
parmetro estar fora do intervalo igual a 0 ou 1.
(C) Correta, vide a exposio terica.
(D) Incorreta, porque se I = [a; b] for um intervalo de confiana para o
parmetro , ento o valor esperado de igual a , pois o parmetro no
uma varivel aleatria.
(E) Incorreta, porque se I = [a; b] for um intervalo de credibilidade para o
b+a
parmetro , ento dizer que a mediana deste parmetro =
um belo
2
chute.
GABARITO: C
3. (Analista do TJ-RO/Cespe-UnB/2012) Com relao a acurcia e
preciso, correto afirmar que o estimador ENVUMV (estimador no viciado
uniformemente de mnima varincia)
(A) um estimador acurado e o mais preciso.
(B) no um estimador acurado e nem o mais preciso.
(C) um estimador acurado mas no o mais preciso.
(D) um estimador no acurado mas o mais preciso.
(E) um estimador acurado e assintoticamente o mais preciso.
Resoluo
O ENVUMV o sonho de consumo dos estatsticos, pois o melhor estimador
dentre todos os estimadores no viciados, no sentido de que possui a menor
varincia, para todo valor de , em que denota o parmetro a ser estimado.
51

Aula 06 Inferncia
O ENVUMV o mais preciso porque a disperso das suas estimativas a

menor de todas e acurado porque no viciado e de varincia mnima.
GABARITO: A
4. (ICMS-RJ/FGV/2008) Considere uma Amostra Aleatria Simples de n
unidades extradas de uma populao na qual a caracterstica, X, estudada tem
distribuio Normal com mdia e varincia 2, ambas desconhecidas, mas
1 n
finitas. Considere, ainda, as estatsticas mdia da amostra, X = X i , e
n i =1
n
1
varincia da amostra S 2 = ( X i X ) 2 . Ento, correto afirmar que:
n i =1
(A) X e S 2 so, ambos, no tendenciosos para a estimao da mdia e da
(B) X no tendencioso, mas S 2 tendencioso para a estimao da mdia e
da varincia da populao, respectivamente.
(C) X tendencioso, mas S 2 no tendencioso para a estimao da mdia e
da varincia da populao, respectivamente
(D) X e S 2 so, ambos, tendenciosos para a estimao da mdia e da
(E) X e S 2 so, ambos, no tendenciosos para a estimao da mdia e da
varincia da populao, mas apenas X consistente.
Resoluo
Sabe-se que
X um estimador justo (no tendencioso) e consistente da mdia
populacional ;
se definirmos o estimador da varincia populacional 2 por meio da frmula
1 n
(X i X)2 , ento esse estimador tendencioso, porm consistente e
n i =1
se definirmos o estimador da varincia populacional 2 por meio da frmula
1 n
(X i X)2 , ento esse estimador no tendencioso e consistente.
n 1 i =1
Ateno: o estimador
S2
do enunciado desta questo corresponde ao

n
1
estimador viesado 2 = (X i X)2 . Neste curso, temos usado o smbolo S 2
n i =1
para denotar o estimador justo da varincia populacional. No se confunda!
52

Aula 06 Inferncia
Anlise das alternativas:

(A) Somente X no tendencioso INCORRETA.
(B) X no tendencioso e S 2 tendencioso CORRETA.
(C) X no tendencioso e S 2 tendencioso INCORRETA.
(D) Somente S 2 tendencioso INCORRETA.
(E) Somente X no tendencioso. Alm disso, S 2 tambm consistente
INCORRETA.
GABARITO: B
5. (ICMS-RJ/FGV/2007) Uma pesquisa recente foi realizada para avaliar o
percentual da populao favorvel eleio de um determinado ponto turstico
para constar no selo comemorativo de aniversrio da cidade. Para isso,
selecionou-se uma amostra aleatria simples extrada de uma populao
infinita. O resultado apurou 50% de inteno de votos para esse ponto
turstico.
Considerando que a margem de erro foi de 2 pontos percentuais, para mais ou
para menos, e que o nvel de confiana utilizado foi de 95%, foram ouvidas,
aproximadamente:
(A) 50 pessoas
(B) 2.400 pessoas
(C) 1.200 pessoas
(D) 100 pessoas
(E) 4.800 pessoas
Resoluo
Vimos que = z/2
p' (1 p ' )
. Elevando os dois membros da igualdade ao
n
quadrado, obtemos
2 = z2 / 2
z 2 p ' (1 p ' )
p ' (1 p ' )
n = /2 2
.
n
Substituindo p = 50% = 1/2 na expresso de n, obtemos

53

Aula 06 Inferncia
1
1
1 1
1
2
2
z2 / 2 (1 ) z2 / 2
z2 / 2
1 1 z2 / 2 z / 2 1,96
2
2
2
2
2
4
=
=
= z / 2 2 = 2 =
n=
= 2.401 2.400
=
4
4
2
2
2
2 2 0,02
GABARITO: B
6. (IBGE/Cesgranrio/2010) Para que o erro padro da mdia amostral X
seja reduzido metade, deve-se
(A) multiplicar o tamanho da amostra por 2.
(B) multiplicar o tamanho da amostra por 4.
(C) multiplicar o tamanho da amostra por 16.
(D) dividir o tamanho da amostra por 2.
(E) dividir o tamanho da amostra por 4.
Resoluo
O erro padro (ou desvio padro) da mdia X de uma amostra de n
observaes proveniente de uma populao de mdia e varincia 2 dado
por
(X ) =
Seja o novo erro padro de X denotado por ( X ) . Ento
( X ) =
(X )
2
2 n
amostra por 4).
4n
n = 4n (deve-se multiplicar o tamanho da
GABARITO: B
7. (SUSEP/ESAF/2001) Tem-se duas amostras independentes ambas de
tamanho 21 de duas populaes normais com a mesma varincia 2 > 0.
Deseja-se construir um intervalo de confiana para 2, no nvel de 95%, com
base numa estimativa combinada das varincias amostrais s12 = 0,4 e s22 = 0,6 .
Se 0< a < b so duas constantes tais que P{X<a} = 0,025 e P{X>b} = 0,025,
onde X tem distribuio qui-quadrado, assinale a resposta que corresponde ao
intervalo procurado e ao nmero de graus de liberdade da distribuio de X.
(A) [17/b; 17/a] e 20 graus de liberdade
54

Aula 06 Inferncia
(B) [5/3b; 5/2a] e 40 graus de liberdade

(C) [17/b; 17/a] e 41 graus de liberdade
(D) [20/b; 20/a] e 40 graus de liberdade
(E) [5/3b; 5/2a] e 20 graus de liberdade
Resoluo
Esta questo pede que o(a) candidato(a) determine: i) o intervalo de confiana
ao nvel de 95% da varivel aleatria X que possui distribuio qui-quadrado e
ii) o nmero de graus de liberdade de X.
Do enunciado, depreende-se que X resultante da combinao das estatsticas
S12 e S 22 .
A estimativa combinada das varincias amostrais s12 = 0,4 e s22 = 0,6 dada por
x = s 2p =
(n1 1) s12 + (n2 1) s22 20 0,4 + 20 0,6

=
= 0,5
n1 + n2 2
40
a qual possui (n1 + n2 2) = 21 + 21 2 = 40 graus de liberdade este

fato, por si s, j elimina as alternativas A, C e E.
O intervalo de confiana de 2 dado pela frmula
(n 1) S 2
n21, / 2
(n 1) S 2
n21,1 / 2
A frmula acima pode ser generalizada para o problema em questo como
(n k ) S p2
n21, / 2
(n k ) S 2p
n21,1 / 2
em que n = n1 + n2 .
2
=b e
O enunciado forneceu os qui-quadrados superior e inferior: n21, / 2 = sup
2
= a . Portanto,
n21,1 / 2 = inf
(n k ) S p2
2
sup
(n k ) S 2p
2
inf
(42 2) 0,5
(42 2) 0,5
2
b
a
55

Aula 06 Inferncia
40 0,5
40 0,5
20
20
.
2
2
b
a
b
a
GABARITO: D
8. (BACEN/FCC/2006) Os preos de um determinado produto vendido no
mercado tm uma distribuio normal com desvio padro populacional de R$
20,00. Por meio de pesquisa realizada com uma amostra aleatria de tamanho
100, com um determinado nvel de confiana, apurou-se, para a mdia destes
preos, um intervalo de confiana sendo [R$ 61,08 ; R$ 68,92]. A mesma
mdia amostral foi obtida quadruplicando o tamanho da amostra anterior e
utilizando tambm o mesmo nvel de confiana. Nos dois casos considerou-se
infinito o tamanho da populao. O novo intervalo de confiana encontrado no
segundo caso foi
(A) [R$ 63,04 ; R$ 66,96]
(B) [R$ 62,06 ; R$ 67,94]
(C) [R$ 61,57 ; R$ 68,43]
(D) [R$ 61,33 ; R$ 68,67]
(E) [R$ 61,20 ; R$ 68,80]
Resoluo
Dados: = 20, n = 100, 61,08 < < 68,92.
Podemos montar o seguinte sistema de equaes:
X e0 = 61,08
X + e0 = 68,92
em que e0 denota a semiamplitude do intervalo de confiana.
Somando as duas equaes obtemos:
2 X = 130 X = 65
Subtraindo a primeira da segunda equao temos:

2e0 = 68,92 61,08 = 7,84 e0 = 3,92
Sabemos que
56

Aula 06 Inferncia
e0 = z / 2
3,92 = z / 2
20
z / 2 = 1,96 .
100
Quadruplicando o tamanho da amostra teremos n=400. Logo,

e0 ' = z / 2
n'
e0 ' = 1,96
20
e0 ' = 1,96
400
E o novo intervalo de confiana (IC) ser

IC = [65,00 1,96 ; 65,00 + 1,96] = [63,04 ; 66,96].
GABARITO: A
iid
9. (IBGE/Cesgranrio/2010) Sejam X 1 , X 2 ,..., X n ~ N ( ; 2 ) e considerados dois

estimadores para 2
T 1=
1 n
( X i X )2
n 1 i =1
T 2=
1 n
( X i X )2 .
n i =1
Observe as afirmativas a seguir a respeito desses estimadores.

I T1 no tendencioso.
II O erro mdio quadrtico de T1
2
2(n 1) 4
4 , enquanto que o de T2
.
n 1
n2
2
.
III A tendncia de T2 =
n
(So) correta(s) a(s) afirmativa(s)

(A) I apenas.
(B) I e II, apenas.
(C) I e III, apenas.
(D) II e III, apenas.
(E) I, II e III.
Resoluo
Primeiramente, necessrio investigar as propriedades dos estimadores T1 e
T2. Mas, antes disso, vamos relembrar a distribuio 2.
57

Aula 06 Inferncia
iid
Seja uma amostra X 1 , X 2 ,..., X n ~ N ( ; 2 ) (ou seja, cada elemento da amostra

normalmente distribudo com mdia e varincia 2) Aprendemos que a
estatstica
2
n
X
2
= i
= Zi

i =1
i =1
n
2
n
em que Zi denota a varivel aleatria normal reduzida, tem distribuio 2 com

n graus de liberdade. Vimos tambm que,
E ( n2 ) = n
var( n2 ) = 2n .
A estatstica
n
Xi X
=

i =1
n
(X
X )2
i =1
obtida por substituio de por X na expresso de n2 acima tem distribuio

do tipo 2 com n-1 graus de liberdade (um grau de liberdade foi gasto no
clculo de X ). Logo,
n
n21 =
(X
X )2
i =1
Clculo da mdia e da varincia de T1:

n
T1 =
( X i X )2
i =1
n 1
(X
X )2
i =1
2
n 1
2
n 1
n21
ou seja, o estimador T1, a menos da constante 2 /(n 1) , tem distribuio 2

com n 1 graus de liberdade. Ento,
2 2 2
(n 1) = 2 T1 um estimador no tendencioso
E (T1 ) = E
n 1 =
n
1
n
2
de (vis nulo).
58

Aula 06 Inferncia
2 2
2 4
4
4
2
var(T1 ) = var
var(
)
2
(
1
)
=
=
n 1 =
n 1
2
(n 1) 2
n 1
(n 1)
n 1
4
2
= 0 , T1 um estimador consistente de 2.
como lim var(T1 ) = lim
n
n n 1
O Erro Quadrtico Mdio de T1 dado por
EQM (T1 ) = var(T1 ) + [vis (T1 ) ]2

EQM (T1 ) = var(T1 ) + 0 = var(T1 ) =
2 4
.
n 1
Clculo da mdia e da varincia de T2:

n
T2 =
( X i X )2
i =1
(X
X )2
i =1
2
n
n21
ou seja, o estimador T2, a menos da constante 2 / n , tem distribuio 2 com

n1 graus de liberdade. Ento,
2 2 2
2
(n 1) = 2
2 T2 um estimador tendencioso
E (T2 ) = E
n1 =
n
n
n
2
de . O seu vis dado por
2
= 0 , ou seja, o vis
. Note que lim
n
n
n
n
de T2 tende a desaparecer com o aumento do tamanho da amostra.
vis(T2) = E (T2 ) 2 = 2
2 =
2 2 4
4
2 4 (n 1)
n1 = 2 var( n21 ) = 2 2(n 1) =
var(T2 ) = var
n2
n
n
n
2 4 (n 1)
1 1
= 2 4 lim 2 = 0 (e lim E (T2 ) = 2 ), T2 um
como lim var(T2 ) = lim
2
n
n
n
n
n
n n
estimador consistente de 2.
O Erro Quadrtico Mdio de T2 dado por
EQM (T2 ) = var(T2 ) + [vis (T2 ) ]2

2
2 4 (n 1) 2
2 4 (n 1) 4 (2n 1) 4
.
EQM (T2 ) =
=
+ 2 =
+
n
n2
n2
n2
n
Anlise das afirmativas:

59

Aula 06 Inferncia
(I) VERDADEIRA, pois E (T1 ) = 2 .

(II) VERDADEIRA, pois EQM (T1 ) =
2 4
(2n 1) 4
e EQM (T2 ) =
.
n 1
n2
(II) VERDADEIRA, pois vis(T2) =
2
n
GABARITO: E
10. (IBGE/Cesgranrio/2010) Considere uma amostragem aleatria simples,
sem reposio, de uma populao de tamanho muito grande. Qual o tamanho
aproximado de amostra que permite estimar a mdia de uma varivel y, cujo
desvio padro populacional igual a 5, com margem de erro 0,1, a um nvel
de confiana 95%?
(A) 100
(B) 400
(C) 1.000
(D) 4.000
(E) 10.000
Resoluo
Dados: 1 = 95% , = 5 e e0 = 0,1 .
A semiamplitude do intervalo de confiana para a mdia populacional quando o
desvio padro conhecido (*)
e0 = z / 2
Ento
z
n = / 2
e0
(*) Voc reparou que, dado o nvel de confiana 1 , e0 corresponde

multiplicao entre a varivel normal reduzida z / 2 e o desvio padro da mdia
amostral / n ? Ou seja,
e0 = (varivel normal reduzida z / 2 ) x (desvio padro da mdia amostral)
60

Aula 06 Inferncia
Note que z2 ,5% = 1,96 um valor muito usado nas provas. Portanto,
2
1,96 5
n=
= 9.604 alternativa com valor mais prximo a letra E (n
0,1
10.000)
GABARITO: E
11. (IBGE/Cesgranrio/2010) Para avaliar a taxa de desemprego em uma
determinada localidade, selecionou-se uma amostra aleatria de 900
indivduos em idade produtiva. O resultado dessa amostra revelou que o
nmero de desempregados era de 36%. O intervalo de 95% de confiana para
a proporo de desempregados, nessa localidade,
(A) 36% 0,1%
(B) 36% 2,6%
(C) 36% 3,1%
(D) 36% 3,7%
(E) 36% 4,1%
Resoluo
Dados: n = 900, p = 0,36 e (1) = 0,95 (que implica um z / 2 = 1,96 ).
Neste caso, o Intervalo de Confiana (IC) ser dado por:
p' (1 p' )
0,36(1 0,36)
= 36% 1,96
36% 3,14% alternativa com
n
900
valor mais prximo C.
IC =
p' z / 2
GABARITO: C
12. (BACEN/Cesgranrio/2010) Em um estudo sobre a economia informal
de uma cidade, deseja-se determinar uma amostra para estimar o rendimento
mdio dessa populao, com um grau de confiana de 95% de que a mdia da
amostra aleatria extrada no difira de mais de R$ 50,00 da mdia do
rendimento dessa populao, cujo desvio padro R$ 400,00. Sabendo-se que
z ~ N[0,1] e que
1, 96
f ( z )dz = 0,4750 , onde f(z) a funo de densidade de
probabilidade de z, pode-se concluir que o nmero de pessoas da amostra ser

(A) 321
61

Aula 06 Inferncia
(B) 308
(C) 296
(D) 271
(E) 246
Resoluo
Dados:
1 = 95% (nvel de confiana)

1, 96
= 400
e0 = 50 (margem de erro).
f ( z )dz = 0,4750 ( z2 ,5% = 1,96 )
Neste caso o tamanho n da amostra dado pela frmula

e0 = z2,5%
50 = 1,96
400
n = 1,96
400
= 1,96 8 n = 245,86 246 .
50
GABARITO: E
(MPE-PE/FCC/2006) Instrues (adaptadas): Para responder s questes de
nmeros 13 e 14, considere as tabelas a seguir.
Elas fornecem alguns valores da funo de distribuio F(x). A tabela 1 referese varivel normal padro, as tabelas 2 e 3 referem-se varivel t de
Student com 15 e 16 graus de liberdade, respectivamente:
Tabela 1
x
F(x)
1,60
0,945
1,64
0,950
2,00
0,977
Tabela 2
x
F(x)
1,753
0,95
2,248
0,98
2,583
0,99
Tabela 3
x
F(x)
1,746
0,95
2,235
0,98
2,567
0,99
13. Um engenheiro encarregado do controle de qualidade deseja estimar a

proporo p de lmpadas defeituosas de um lote, com base numa amostra de
tamanho 400. Sabe-se, com base em experincias anteriores, que p deve
estar prximo de 0,5. Usando o teorema central do limite para estimar a
amplitude do intervalo de confiana de 90% para p, podemos afirmar que tal
amplitude , aproximadamente, igual a
A) 0,041
62

Aula 06 Inferncia
B) 0,045
C) 0,058
D) 0,070
E) 0,082
Resoluo
Dados: (1) = 0,90, n = 400 e p 50%.
A tabela 1 indica que z = 1,64 para /2 = 5%. Como a estimativa p 50%,
podemos usar a frmula
2
z / 2
1,642
( z / 2 ) 2 1,64 2
2
n=
(2e0 ) = n = 400 (2e0 ) = 400 = 0,082 alternativa (E).
2e0
Ateno: a questo pede que o candidato calcule a amplitude (= dobro da

semi-amplitude e0) do intervalo de confiana.
GABARITO: E
14. Supondo-se que a porcentagem da receita investida em educao, dos 600
municpios de uma regio, tem distribuio normal com mdia , deseja-se
estimar essa mdia. Para tanto se sorteou dentre esses 600, aleatoriamente e
com reposio, 16 municpios e se observou os porcentuais investidos por eles
em educao. Os resultados indicaram uma mdia amostral de 8% e desvio
padro amostral igual a 2%. Um intervalo de confiana para , com coeficiente
de confiana de 96%, dado por
A) (8 1,124)%
B) (8 1,117)%
C) (8 0,877)%
D) (8 0,870)%
E) (8 0,755)%
Resoluo
A questo aborda a construo do intervalo de confiana da mdia
populacional quando o desvio padro populacional desconhecido.
Para tal, deve-se utilizar a frmula
X tn 1, / 2
S
n
63

Aula 06 Inferncia
em que tn 1, / 2 representa a distribuio t de Student com n 1 graus de

liberdade cuja rea direita de tn 1, / 2 tem o valor / 2 .
Nota: a frmula para clculo da semiamplitude do intervalo de confiana da
mdia populacional quando o desvio padro populacional desconhecido
e0 = tn 1, / 2
S
n
muito parecida com a frmula da semiamplitude do intervalo de confiana

para a mdia populacional quando o desvio padro conhecido
e0 = z / 2
Para obter a primeira frmula a partir da segunda, basta substituir z / 2 por

tn 1, / 2 e / n (erro padro da mdia amostral) por S / n (estimador do erro
padro da mdia amostral).

Dados: X = 8% , S = 2% , n = 16 .
A tabela 2 fornece o valor de tn 1, / 2 = t15, 2% = 2,248 (entrada correspondente ao
valor F(x) = 98%, que implica /2 = 1 98% = 2%). Logo,
X tn 1, / 2
2%
S
= 8% 2,248
= 8% 1,124%
16
n
GABARITO: A
(ANPEC/Adaptada/2009)
verdadeiras:
Verifique
se
as
afirmativas
15
17
so
15. Em uma pesquisa de opinio a proporo de pessoas favorveis a uma

determinada medida governamental dada por p = X i / n . O menor valor de
n para o qual a desigualdade de Chebyshev resultar em uma garantia de que
P (| p p | 0,01) 0,01 200.000.
Resoluo
A proporo de pessoas favorveis a uma determinada medida
governamental, denotada por p , uma varivel aleatria com valor
esperado
64

Aula 06 Inferncia
E ( p ) = p
em que p denota o verdadeiro valor do parmetro populacional, e varincia

var( p ) = p (1 p ) / n
em que n o nmero de elementos da amostra.

Vimos que a Desigualdade de Tchebysheff pode ser dada pela expresso
P[| X | k ]
1
.
k2
Nesta questo, podemos reescrever a desigualdade acima como

P[| p p | 0,01] 0,01 .
Sendo assim, podemos calcular o valor de k:

1
= 0,01 k = 10 .
k2
Como k = 0,01 = 0,01 / 10 = 10 3 2 = 10 6 .

Note que 2 = var( p ) = p (1 p ) / n . Temos o valor de 2 = 10-6. Porm, no h
condio de calcular n = p (1 p ) / 2 , pois a questo no forneceu o valor da
mdia populacional (p). Logo, no podemos afirmar que o menor valor de n
para o qual a desigualdade de Chebyshev resultar em uma garantia de que
P (| p p | 0,01) 0,01 200.000 (faltam dados!).
Afirmativa falsa.
GABARITO: F
16. Quando o nmero de graus de liberdade cresce, a distribuio 2
aproxima-se de uma distribuio normal com mdia e desvio padro 2.
Resoluo
A mdia da varivel 2 e a varincia 2. Logo, a afirmativa FALSA,
pois diz que o desvio padro de 2 2..
65

Aula 06 Inferncia
De acordo com Teorema Central do Limite, a famlia de distribuies do tipo 2

tende distribuio normal com mdia e varincia 2 quando o nmero de
graus de liberdade aumenta.
GABARITO: F
17. Um intervalo de confiana de 99% para a mdia de uma populao,
calculado para uma amostra aleatria, como [2,75; 8,25], pode ser
interpretado como: a probabilidade de estar no intervalo calculado de 99%.
Resoluo
Uma estimativa do intervalo de confiana da mdia populacional
(desconhecida) um intervalo da forma l u, em que os limites inferior l
e superior u dependem do valor numrico do estimador X para uma amostra
particular. Como amostras distintas produziro diferentes estimativas para
e, por conseguinte, valores diferentes para os limites l e u, esses limites so
valores de variveis aleatrias, como L e U, respectivamente. Da distribuio
amostral de X somos capazes de determinar valores de L e U, tais que a
seguinte afirmao probabilstica seja verdadeira:
P( L U ) = 1 ,
sendo 0 < < 1 . Assim, temos uma probabilidade igual a 1 de selecionar uma
amostra que produzir um intervalo contendo o valor verdadeiro do parmetro
.
O intervalo observado
l u
chamado de intervalo com 100 (1 )% de confiana para o parmetro . A

interpretao de um intervalo de confiana que se um nmero infinito de
amostras aleatrias for coletado e um intervalo com 100 (1 )% de confiana
para for calculado a partir de cada amostra, ento 100 (1 )% desses
intervalos contero o valor verdadeiro de .
Na prtica, obtemos somente uma amostra aleatria e calculamos uma
estimativa do intervalo de confiana. Uma vez que esse intervalo conter
ou no o valor verdadeiro de , no razovel fixar um nvel de
probabilidade para essa realizao. A afirmao apropriada : o
intervalo observado [l, u] contm o valor verdadeiro de , com
100(1 )% de confiana. Essa afirmao tem uma interpretao de
freqncia; ou seja, no sabemos se a afirmao verdadeira para essa
66

Aula 06 Inferncia
amostra especfica, mas o mtodo usado para obter o intervalo [l, u] resulta
em afirmaes corretas em 100 (1 )% do tempo.
Afirmativa falsa.
GABARITO: F
18. (INEP/Cesgranrio/2008) Denotando-se a mdia e a varincia amostral,
respectivamente, por X e S 2 , o erro padro da estimativa da mdia
populacional (M) definido como
(A) X M
(B) X M
S
(C)
n
S
(D)
n
(E)
S2
n
Resoluo
Seja a amostra aleatria com n valores X 1 , X 2 ,..., X n , extrada de uma populao
X, cuja distribuio de probabilidades possui mdia M e varincia 2. A mdia
amostral X , dada por
X=
X 1 + X 2 + ... + X n
,
n
um estimador (ou estatstica) do parmetro populacional M.

O valor esperado de X , denotado por E ( X ) , a prpria mdia M, ou seja,
E( X ) = M ,
e a varincia de X (denotada por Var ( X ) ) dada por

Var ( X ) =
2
n
67

Aula 06 Inferncia
O desvio ou erro padro (DP) de uma estatstica definido como a raiz

quadrada positiva da varincia da estatstica em considerao. Portanto, o erro
padro de X
DP ( X ) = Var ( X ) =
O enunciado omisso com relao varincia populacional, ou seja, a

varincia da populao desconhecida. Alm disso, o tamanho da amostra no
foi fornecido (assumiremos que n na sequncia desta soluo).
Mas a varincia amostral, que uma estimativa da varincia populacional, foi
dada e vale S 2 .
Se a amostra suficientemente grande (*), podemos aproximar a frmula
acima substituindo a varincia populacional (desconhecida) pela varincia
amostral
DP ( X )
S
n
(*) Em estatstica, lanamos mo, frequentemente, do fato de, para amostras

de tamanho n > 30, denominadas grandes amostras, as distribuies
amostrais de muitas estatsticas serem aproximadamente normais, tornandose a aproximao melhor com o crescimento de n.
A melhor resposta a opo D, em que a banca assumiu i) a premissa de
grande amostra e ii) que o tamanho da amostra n. As demais alternativas
so absurdas. Contudo, ressaltamos que a questo deveria ter sido anulada,
pois o tamanho da amostra no foi dado.
GABARITO: D
(INEP/Cesgranrio/2008) Para responder s questes de nos 19 e 20,
considere as distribuies amostrais de cinco estimadores propostos para
estimar o parmetro T de uma populao, ilustradas na figura apresentada a
seguir.
68

Aula 06 Inferncia
19. Se o interesse for um estimador no viesado, deve-se utilizar apenas

(A) T1
(B) T4
(C) T1 ou T4
(D) T2 ou T5
(E) T1 ou T2 ou T3
Resoluo
Um estimador Tn, n = 1, 2, ..., 5, do parmetro T de uma populao no
viesado (ou justo ou no viciado ou no tendencioso) se o seu valor
esperado ou mdia E(Tn) igual ao valor do parmetro T que se
pretende estimar, isto , se
E(Tn) = T.
Logo, se o interesse for um estimador no viesado, deve-se utilizar apenas T1
ou T2 ou T3, pois
E(T1) = E(T2) = E(T3) = T
GABARITO: E
20. Levando-se em conta as propriedades de um bom estimador, o melhor
dentre os estimadores propostos
(A) T1
(B) T2
(C) T3
(D) T4
69

Aula 06 Inferncia
(E) T5
Resoluo
O melhor estimador T2 por dois motivos:
1. T2 no tem vis, ou seja, E(T2) = T; e
2. T2 possui a menor varincia (observe que a distribuio de T2 a que
possui menor disperso em torno da mdia T).
GABARITO: B
21. (ACE-MDIC/ESAF/2012) Em uma populao de 50 empresas de uma
regio, 20 so empresas exportadoras. Retirando-se sem reposio uma
amostra aleatria de tamanho 10 desta populao de empresas, qual a
probabilidade de que as 5 primeiras empresas escolhidas sejam empresas
exportadoras e as 5 ltimas no sejam exportadoras?
A) (0,24)5
B) 10!/(5!5!) (0,4)5 (0,6)5
C) (20!/15!) (30!/25!) / (50!/40!)
D) 10!/(5!5!) (20!/15!) (30!/25!) / (50!/40!)
E) 0,5
Resoluo
Probabilidade de que a primeira empresa escolhida seja empresa exportadora
= 20/50
Probabilidade de que a segunda empresa escolhida seja empresa exportadora
= 19/49
Probabilidade de que a terceira empresa escolhida seja empresa exportadora =
18/48
Probabilidade de que a quarta empresa escolhida seja empresa exportadora =
17/47
Probabilidade de que a quinta empresa escolhida seja empresa exportadora =
16/46
Probabilidade de que a sexta empresa escolhida seja empresa no exportadora
= 30/45
70

Aula 06 Inferncia
Probabilidade de que
exportadora = 29/44
stima
empresa
escolhida
seja
empresa
no
Probabilidade de que
exportadora = 28/43
oitava
empresa
escolhida
seja
empresa
no
Probabilidade de que a nona empresa escolhida seja empresa no exportadora

= 27/42
Probabilidade de que a dcima empresa escolhida
exportadora = 26/41
seja empresa no
Portanto, a probabilidade P de que as 5 primeiras empresas escolhidas sejam

empresas exportadoras e as 5 ltimas no sejam exportadoras dada por
20 19 18 17 16 30 29 28 27 26
P =
50 49 48 47 46 45 44 43 42 41
Podemos reescrever P na forma

20! 45! 30! 40! 20! 30! 40! 20! 30! 50!
P=
50! 15! 45! 25! 15! 25! 50! 15! 25! 40!
GABARITO: C
22. (ACE-MDIC/ESAF/2012) Considerando a populao de empresas da
questo 21, qual o valor mais prximo do nmero esperado de empresas
exportadoras em uma amostra aleatria de tamanho 20 retirada sem reposio
da populao?
A) 10
B) 8
C) 7,5
D) 6
E) 4
Resoluo
A frao (p) de empresas exportadoras
p = 20/50 = 2/5.
Seja f a estatstica que representa a frequncia com que foi observada o
nmero de empresas exportadoras em uma amostra aleatria de tamanho n.
71

Aula 06 Inferncia
Vimos que a distribuio amostral da estatstica f binomial com parmetros n

(tamanho da amostra) e p (mdia), de modo que o nmero esperado de
empresas exportadoras em uma amostra aleatria de tamanho 20 retirada
sem reposio da populao dado por
E(f) = np = 20 x (2/5) = 40/5 = 8
GABARITO: B
At a prxima aula. Bons estudos e f na misso!
Alexandre Lima
alexandre@pontodosconcursos.com.br
72

Aula 06 Inferncia
APNDICE
TABELA I
NORMAL: rea direita de Zc
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
Segunda decimal de Zc
0,00
0,50000
0,46017
0,42074
0,38209
0,34458
0,30854
0,27425
0,24196
0,21186
0,18406
0,15866
0,13567
0,11507
0,09680
0,08076
0,06681
0,05480
0,04457
0,03593
0,02872
0,02275
0,01786
0,01390
0,01072
0,00820
0,00621
0,00466
0,00347
0,00256
0,00187
0,00135
0,00023
0,00003
0,00000
0,01
0,49601
0,45620
0,41683
0,37828
0,34090
0,30503
0,27093
0,23885
0,20897
0,18141
0,15625
0,13350
0,11314
0,09510
0,07927
0,06552
0,05370
0,04363
0,03515
0,02807
0,02222
0,01743
0,01355
0,01044
0,00798
0,00604
0,00453
0,00336
0,00248
0,00181
0,00131
0,00022
0,00003
0,00000
0,02
0,49202
0,45224
0,41294
0,37448
0,33724
0,30153
0,26763
0,23576
0,20611
0,17879
0,15386
0,13136
0,11123
0,09342
0,07780
0,06426
0,05262
0,04272
0,03438
0,02743
0,02169
0,01700
0,01321
0,01017
0,00776
0,00587
0,00440
0,00326
0,00240
0,00175
0,00126
0,00022
0,00003
0,00000
0,03
0,48803
0,44828
0,40905
0,37070
0,33360
0,29806
0,26435
0,23270
0,20327
0,17619
0,15151
0,12924
0,10935
0,09176
0,07636
0,06301
0,05155
0,04182
0,03362
0,02680
0,02118
0,01659
0,01287
0,00990
0,00755
0,00570
0,00427
0,00317
0,00233
0,00169
0,00122
0,00021
0,00003
0,00000
0,04
0,48405
0,44433
0,40517
0,36693
0,32997
0,29460
0,26109
0,22965
0,20045
0,17361
0,14917
0,12714
0,10749
0,09012
0,07493
0,06178
0,05050
0,04093
0,03288
0,02619
0,02068
0,01618
0,01255
0,00964
0,00734
0,00554
0,00415
0,00307
0,00226
0,00164
0,00118
0,00020
0,00003
0,00000
0,05
0,48006
0,44038
0,40129
0,36317
0,32636
0,29116
0,25785
0,22663
0,19766
0,17106
0,14686
0,12507
0,10565
0,08851
0,07353
0,06057
0,04947
0,04006
0,03216
0,02559
0,02018
0,01578
0,01222
0,00939
0,00714
0,00539
0,00402
0,00298
0,00219
0,00159
0,00114
0,00019
0,00003
0,00000
0,06
0,47608
0,43644
0,39743
0,35942
0,32276
0,28774
0,25463
0,22363
0,19489
0,16853
0,14457
0,12302
0,10383
0,08691
0,07215
0,05938
0,04846
0,03920
0,03144
0,02500
0,01970
0,01539
0,01191
0,00914
0,00695
0,00523
0,00391
0,00289
0,00212
0,00154
0,00111
0,00019
0,00002
0,00000
0,07
0,47210
0,43251
0,39358
0,35569
0,31918
0,28434
0,25143
0,22065
0,19215
0,16602
0,14231
0,12100
0,10204
0,08534
0,07078
0,05821
0,04746
0,03836
0,03074
0,02442
0,01923
0,01500
0,01160
0,00889
0,00676
0,00508
0,00379
0,00280
0,00205
0,00149
0,00107
0,00018
0,00002
0,00000
0,08
0,46812
0,42858
0,38974
0,35197
0,31561
0,28096
0,24825
0,21770
0,18943
0,16354
0,14007
0,11900
0,10027
0,08379
0,06944
0,05705
0,04648
0,03754
0,03005
0,02385
0,01876
0,01463
0,01130
0,00866
0,00657
0,00494
0,00368
0,00272
0,00199
0,00144
0,00104
0,00017
0,00002
0,00000
0,09
0,46414
0,42465
0,38591
0,34827
0,31207
0,27760
0,24510
0,21476
0,18673
0,16109
0,13786
0,11702
0,09853
0,08226
0,06811
0,05592
0,04551
0,03673
0,02938
0,02330
0,01831
0,01426
0,01101
0,00842
0,00639
0,00480
0,00357
0,00264
0,00193
0,00139
0,00100
0,00017
0,00002
0,00000
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
73

Aula 06 Inferncia
TABELA II
NORMAL: rea de 0 a Zc
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
Segunda decimal de Zc
0,00
0,00000
0,03983
0,07926
0,11791
0,15542
0,19146
0,22575
0,25804
0,28814
0,31594
0,34134
0,36433
0,38493
0,40320
0,41924
0,43319
0,44520
0,45543
0,46407
0,47128
0,47725
0,48214
0,48610
0,48928
0,49180
0,49379
0,49534
0,49653
0,49744
0,49813
0,49865
0,49977
0,49997
0,50000
0,01
0,00399
0,04380
0,08317
0,12172
0,15910
0,19497
0,22907
0,26115
0,29103
0,31859
0,34375
0,36650
0,38686
0,40490
0,42073
0,43448
0,44630
0,45637
0,46485
0,47193
0,47778
0,48257
0,48645
0,48956
0,49202
0,49396
0,49547
0,49664
0,49752
0,49819
0,49869
0,49978
0,49997
0,50000
0,02
0,00798
0,04776
0,08706
0,12552
0,16276
0,19847
0,23237
0,26424
0,29389
0,32121
0,34614
0,36864
0,38877
0,40658
0,42220
0,43574
0,44738
0,45728
0,46562
0,47257
0,47831
0,48300
0,48679
0,48983
0,49224
0,49413
0,49560
0,49674
0,49760
0,49825
0,49874
0,49978
0,49997
0,50000
0,03
0,01197
0,05172
0,09095
0,12930
0,16640
0,20194
0,23565
0,26730
0,29673
0,32381
0,34849
0,37076
0,39065
0,40824
0,42364
0,43699
0,44845
0,45818
0,46638
0,47320
0,47882
0,48341
0,48713
0,49010
0,49245
0,49430
0,49573
0,49683
0,49767
0,49831
0,49878
0,49979
0,49997
0,50000
0,04
0,01595
0,05567
0,09483
0,13307
0,17003
0,20540
0,23891
0,27035
0,29955
0,32639
0,35083
0,37286
0,39251
0,40988
0,42507
0,43822
0,44950
0,45907
0,46712
0,47381
0,47932
0,48382
0,48745
0,49036
0,49266
0,49446
0,49585
0,49693
0,49774
0,49836
0,49882
0,49980
0,49997
0,50000
0,05
0,01994
0,05962
0,09871
0,13683
0,17364
0,20884
0,24215
0,27337
0,30234
0,32894
0,35314
0,37493
0,39435
0,41149
0,42647
0,43943
0,45053
0,45994
0,46784
0,47441
0,47982
0,48422
0,48778
0,49061
0,49286
0,49461
0,49598
0,49702
0,49781
0,49841
0,49886
0,49981
0,49997
0,50000
0,06
0,02392
0,06356
0,10257
0,14058
0,17724
0,21226
0,24537
0,27637
0,30511
0,33147
0,35543
0,37698
0,39617
0,41309
0,42785
0,44062
0,45154
0,46080
0,46856
0,47500
0,48030
0,48461
0,48809
0,49086
0,49305
0,49477
0,49609
0,49711
0,49788
0,49846
0,49889
0,49981
0,49998
0,50000
0,07
0,02790
0,06749
0,10642
0,14431
0,18082
0,21566
0,24857
0,27935
0,30785
0,33398
0,35769
0,37900
0,39796
0,41466
0,42922
0,44179
0,45254
0,46164
0,46926
0,47558
0,48077
0,48500
0,48840
0,49111
0,49324
0,49492
0,49621
0,49720
0,49795
0,49851
0,49893
0,49982
0,49998
0,50000
0,08
0,03188
0,07142
0,11026
0,14803
0,18439
0,21904
0,25175
0,28230
0,31057
0,33646
0,35993
0,38100
0,39973
0,41621
0,43056
0,44295
0,45352
0,46246
0,46995
0,47615
0,48124
0,48537
0,48870
0,49134
0,49343
0,49506
0,49632
0,49728
0,49801
0,49856
0,49896
0,49983
0,49998
0,50000
0,09
0,03586
0,07535
0,11409
0,15173
0,18793
0,22240
0,25490
0,28524
0,31327
0,33891
0,36214
0,38298
0,40147
0,41774
0,43189
0,44408
0,45449
0,46327
0,47062
0,47670
0,48169
0,48574
0,48899
0,49158
0,49361
0,49520
0,49643
0,49736
0,49807
0,49861
0,49900
0,49983
0,49998
0,50000
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
74

Aula 06 Inferncia
TABELA III
QUI-QUADRADO: VALORES Yc tais que P(Y>Yc)=p
GL
0,995
0,990
0,975
0,950
0,900
0,750
0,500
0,250
0,100
0,050
0,025
0,010
0,005
0,001
0,0000393
0,000157
0,000982
0,00393
0,0158
0,102
0,455
1,323
2,706
3,841
5,024
6,635
7,879
10,83
0,0100
0,0201
0,0506
0,103
0,211
0,575
1,386
2,773
4,605
5,991
7,378
9,210
10,60
13,82
0,0717
0,115
0,216
0,352
0,584
1,213
2,366
4,108
6,251
7,815
9,348
11,34
12,84
16,27
0,207
0,297
0,484
0,711
1,064
1,923
3,357
5,385
7,779
9,488
11,14
13,28
14,86
18,47
0,412
0,554
0,831
1,145
1,610
2,675
4,351
6,626
9,236
11,07
12,83
15,09
16,75
20,52
0,676
0,872
1,237
1,635
2,204
3,455
5,348
7,841
10,64
12,59
14,45
16,81
18,55
22,46
0,989
1,239
1,690
2,167
2,833
4,255
6,346
9,037
12,02
14,07
16,01
18,48
20,28
24,32
1,344
1,646
2,180
2,733
3,490
5,071
7,344
10,22
13,36
15,51
17,53
20,09
21,95
26,12
1,735
2,088
2,700
3,325
4,168
5,899
8,343
11,39
14,68
16,92
19,02
21,67
23,59
27,88
10
2,156
2,558
3,247
3,940
4,865
6,737
9,342
12,55
15,99
18,31
20,48
23,21
25,19
29,59
11
2,603
3,053
3,816
4,575
5,578
7,584
10,34
13,70
17,28
19,68
21,92
24,72
26,76
31,26
12
3,074
3,571
4,404
5,226
6,304
8,438
11,34
14,85
18,55
21,03
23,34
26,22
28,30
32,91
13
3,565
4,107
5,009
5,892
7,042
9,299
12,34
15,98
19,81
22,36
24,74
27,69
29,82
34,53
14
4,075
4,660
5,629
6,571
7,790
10,17
13,34
17,12
21,06
23,68
26,12
29,14
31,32
36,12
15
4,601
5,229
6,262
7,261
8,547
11,04
14,34
18,25
22,31
25,00
27,49
30,58
32,80
37,70
16
5,142
5,812
6,908
7,962
9,312
11,91
15,34
19,37
23,54
26,30
28,85
32,00
34,27
39,25
17
5,697
6,408
7,564
8,672
10,09
12,79
16,34
20,49
24,77
27,59
30,19
33,41
35,72
40,79
18
6,265
7,015
8,231
9,390
10,86
13,68
17,34
21,60
25,99
28,87
31,53
34,81
37,16
42,31
19
6,844
7,633
8,907
10,12
11,65
14,56
18,34
22,72
27,20
30,14
32,85
36,19
38,58
43,82
20
7,434
8,260
9,591
10,85
12,44
15,45
19,34
23,83
28,41
31,41
34,17
37,57
40,00
45,31
21
8,034
8,897
10,28
11,59
13,24
16,34
20,34
24,93
29,62
32,67
35,48
38,93
41,40
46,80
22
8,643
9,542
10,98
12,34
14,04
17,24
21,34
26,04
30,81
33,92
36,78
40,29
42,80
48,27
23
9,260
10,20
11,69
13,09
14,85
18,14
22,34
27,14
32,01
35,17
38,08
41,64
44,18
49,73
24
9,886
10,86
12,40
13,85
15,66
19,04
23,34
28,24
33,20
36,42
39,36
42,98
45,56
51,18
25
10,52
11,52
13,12
14,61
16,47
19,94
24,34
29,34
34,38
37,65
40,65
44,31
46,93
52,62
26
11,16
12,20
13,84
15,38
17,29
20,84
25,34
30,43
35,56
38,89
41,92
45,64
48,29
54,05
27
11,81
12,88
14,57
16,15
18,11
21,75
26,34
31,53
36,74
40,11
43,19
46,96
49,64
55,48
28
12,46
13,56
15,31
16,93
18,94
22,66
27,34
32,62
37,92
41,34
44,46
48,28
50,99
56,89
29
13,12
14,26
16,05
17,71
19,77
23,57
28,34
33,71
39,09
42,56
45,72
49,59
52,34
58,30
30
13,79
14,95
16,79
18,49
20,60
24,48
29,34
34,80
40,26
43,77
46,98
50,89
53,67
59,70
40
20,71
22,16
24,43
26,51
29,05
33,66
39,34
45,62
51,81
55,76
59,34
63,69
66,77
73,40
50
27,99
29,71
32,36
34,76
37,69
42,94
49,33
56,33
63,17
67,50
71,42
76,15
79,49
86,66
60
35,53
37,48
40,48
43,19
46,46
52,29
59,33
66,98
74,40
79,08
83,30
88,38
91,95
99,61
70
43,28
45,44
48,76
51,74
55,33
61,70
69,33
77,58
85,53
90,53
95,02
100,43
104,21
112,32
80
51,17
53,54
57,15
60,39
64,28
71,14
79,33
88,13
96,58
101,88
106,63
112,33
116,32
124,84
90
59,20
61,75
65,65
69,13
73,29
80,62
89,33
98,65
107,57
113,15
118,14
124,12
128,30
137,21
100
67,33
70,06
74,22
77,93
82,36
90,13
99,33
109,14
118,50
124,34
129,56
135,81
140,17
149,45
Exemplo: o valor da qui-quadrado com =16 graus de liberdade (GL) com rea da cauda superior igual
a 0,100 (P(Y>yc) = 0,1) 23,54, ou seja, 162 = 23,54 .
75

Aula 06 Inferncia
TABELA IV (t de Student): valores tc tais que P(-tc < t < tc) = 1-p
GL
0,5
0,4
0,3
0,2
0,1
0,05
0,02
0,01
0,005
0,002
0,001
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
5000
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
0,681
0,679
0,679
0,677
0,675
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,849
0,848
0,845
0,842
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,047
1,045
1,041
1,037
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,299
1,296
1,289
1,282
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,676
1,671
1,658
1,645
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,009
2,000
1,980
1,960
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,403
2,390
2,358
2,327
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,678
2,660
2,617
2,577
127,321
14,089
7,453
5,598
4,773
4,317
4,029
3,833
3,690
3,581
3,497
3,428
3,372
3,326
3,286
3,252
3,222
3,197
3,174
3,153
3,135
3,119
3,104
3,091
3,078
3,067
3,057
3,047
3,038
3,030
2,971
2,937
2,915
2,860
2,808
318,309
22,327
10,215
7,173
5,893
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,852
3,787
3,733
3,686
3,646
3,610
3,579
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
3,307
3,261
3,232
3,160
3,092
636,619
31,599
12,924
8,610
6,869
5,959
5,408
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,768
3,745
3,725
3,707
3,690
3,674
3,659
3,646
3,551
3,496
3,460
3,373
3,292
Exemplo de uso da tabela t de Student: entrando-se na tabela com a probabilidade p = 0,1 e GL = 7,

lemos o valor t7 = 1,895. Logo, P(-1,895<t7<1,895) = 0,9 e P(t7>1,895) = P(t7<-1,895) = 0,1/2= 0,05.
76

Aula 06 Inferncia
TABELA V
DISTRIBUIO F: valores fc tais que P(F>fc) = p
GL1
P(F>)
1
2
3
4
5
6
7
8
9
10
0,100
39,9
49,5
53,6
55,8
57,2
58,2
58,9
59,4
59,9
60,2
0,050
161
199
216
225
230
234
237
239
241
242
0,025
648
799
864
900
922
937
948
957
963
969
0,010
4052
4999
5403
5625
5764
5859
5928
5981
6022
6056
0,005
16211
19999
21615
22500
23056
23437
23715
23925
24091
24224
0,001
405284
499999 540379 562500 576405 585937 592873 598144 602284 605621
2
0,100
8,53
9,00
9,16
9,24
9,29
9,33
9,35
9,37
9,38
9,39
0,050
18,5
19,0
19,2
19,2
19,3
19,3
19,4
19,37
19,38
19,40
0,025
38,5
39,0
39,2
39,2
39,3
39,3
39,4
39,4
39,4
39,4
0,010
98,5
99,0
99,2
99,2
99,3
99,3
99,4
99,4
99,4
99,4
0,005
199
199
199
199
199
199
199
199
199
199
0,001
999
999
999
999
999
999
999
999
999
999
3
0,100
5,54
5,46
5,39
5,34
5,31
5,28
5,27
5,25
5,24
5,23
0,050
10,13
9,55
9,28
9,12
9,01
8,94
8,89
8,85
8,81
8,79
0,025
17,44
16,04
15,44
15,10
14,88
14,73
14,62
14,54
14,47
14,42
0,010
34,12
30,82
29,46
28,71
28,24
27,91
27,67
27,49
27,35
27,23
0,005
55,55
49,80
47,47
46,19
45,39
44,84
44,43
44,13
43,88
43,69
0,001
167,03
148,50
141,11
137,10
134,58
132,85
131,58 130,62
129,86 129,25
4
0,100
4,54
4,32
4,19
4,11
4,05
4,01
3,98
3,95
3,94
3,92
0,050
7,71
6,94
6,59
6,39
6,26
6,16
6,09
6,04
6,00
5,96
0,025
12,22
10,65
9,98
9,60
9,36
9,20
9,07
8,98
8,90
8,84
0,010
21,20
18,00
16,69
15,98
15,52
15,21
14,98
14,80
14,66
14,55
0,005
31,33
26,28
24,26
23,15
22,46
21,97
21,62
21,35
21,14
20,97
0,001
74,14
61,25
56,18
53,44
51,71
50,53
49,66
49,00
48,47
48,05
5
0,100
4,06
3,78
3,62
3,52
3,45
3,40
3,37
3,34
3,32
3,30
0,050
6,61
5,79
5,41
5,19
5,05
4,95
4,88
4,82
4,77
4,74
0,025
10,01
8,43
7,76
7,39
7,15
6,98
6,85
6,76
6,68
6,62
0,010
16,26
13,27
12,06
11,39
10,97
10,67
10,46
10,29
10,16
10,05
0,005
22,78
18,31
16,53
15,56
14,94
14,51
14,20
13,96
13,77
13,62
0,001
47,18
37,12
33,20
31,09
29,75
28,83
28,16
27,65
27,24
26,92
6
0,100
3,78
3,46
3,29
3,18
3,11
3,05
3,01
2,98
2,96
2,94
0,050
5,99
5,14
4,76
4,53
4,39
4,28
4,21
4,15
4,10
4,06
0,025
8,81
7,26
6,60
6,23
5,99
5,82
5,70
5,60
5,52
5,46
0,010
13,75
10,92
9,78
9,15
8,75
8,47
8,26
8,10
7,98
7,87
0,005
18,63
14,54
12,92
12,03
11,46
11,07
10,79
10,57
10,39
10,25
0,001
35,51
27,00
23,70
21,92
20,80
20,03
19,46
19,03
18,69
18,41
7
0,100
3,59
3,26
3,07
2,96
2,88
2,83
2,78
2,75
2,72
2,70
0,050
5,59
4,74
4,35
4,12
3,97
3,87
3,79
3,73
3,68
3,64
0,025
8,07
6,54
5,89
5,52
5,29
5,12
4,99
4,90
4,82
4,76
0,010
12,25
9,55
8,45
7,85
7,46
7,19
6,99
6,84
6,72
6,62
0,005
16,24
12,40
10,88
10,05
9,52
9,16
8,89
8,68
8,51
8,38
0,001
29,25
21,69
18,77
17,20
16,21
15,52
15,02
14,63
14,33
14,08
Exemplo: entrando-se na tabela com a probabilidade p = 5% =0,050, e GL1 = GL2 = 5, lemos o valor fc = 5,05.
Logo, P(F>5,05) = 5% = 0,050.
GL2
1
77

Aula 06

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Aula 06

Diunggah oleh

Hak Cipta:

Format Tersedia

Conhecimentos Especficos Mtodos Quantitativos Anatel

Estimao de Parmetros .................................................................................................. 2

Introduo Estimao de Parmetros ............................................................... 2

Estimador e Estimativa ............................................................................................... 3

Propriedades dos Estimadores ................................................................................. 4

Critrios para Escolha dos Estimadores ............................................................. 13

Estimao por Ponto .................................................................................................. 19

Estimao por Ponto da Mdia ..................................................................................... 19

Estimao por Ponto da Varincia ................................................................................ 19

Estimao por Ponto do Desvio Padro ........................................................................ 20

Estimao por Ponto de uma Proporo Populacional ................................................. 20

Estimao por Ponto com Base em Diversas Amostras ............................................... 20

Estimao por Intervalo............................................................................................ 21

Intervalo de confiana para a mdia quando o desvio padro conhecido .................. 23

Intervalo de confiana para a mdia quando o desvio padro desconhecido ............. 24

Intervalo de confiana para a varincia......................................................................... 28

Intervalo de confiana para o desvio padro ................................................................. 29

Intervalo de confiana para uma proporo populacional ............................................ 30

Tamanho das Amostras ............................................................................................ 32

O Mnimo que Voc Precisa Saber ................................................................................ 37

Exerccios de Fixao ......................................................................................................... 40

Conhecimentos Especficos Mtodos Quantitativos Anatel

Introduo Estimao de Parmetros

A partir desta aula, daremos nfase ao estudo da Inferncia Estatstica, cujo

Conhecimentos Especficos Mtodos Quantitativos Anatel

Um estimador (ou estatstica) qualquer funo das observaes de

Conhecimentos Especficos Mtodos Quantitativos Anatel

A estimao por ponto consiste em adotar a melhor estimativa possvel

Propriedades dos Estimadores

Um estimador justo (ou no viesado, ou no viciado, ou

A Eq. (1) afirma que os valores aleatrios de um estimador justo ocorrero em

Um estimador no viesado aquele que, na mdia, acerta o valor

Conhecimentos Especficos Mtodos Quantitativos Anatel

o vis (tendncia ou vcio) do estimador , conforme ilustrado pela

Exemplo (Mdia Amostral). Seja uma populao com mdia . A mdia X

Ento, o valor esperado de X

Logo, a mdia amostral um estimador justo da mdia

denota o final do exemplo.

Exemplo (Mdia Ponderada). Seja a mdia ponderada de uma amostra

Conhecimentos Especficos Mtodos Quantitativos Anatel

em que as constantes w1 , w2 ,..., wn ( w1 + w2 + ... + wn = n ) so os pesos usados na

= [w1E ( X 1 ) + w2 E ( X 2 ) + ... + wn E ( X n )] = [w1 + w2 + ... + wn ] = n = .

Exemplo. Seja um estimador M da mdia populacional dado pela equao

Espera-se que o vis de M seja negativo, uma vez que a diviso de

n+1 tende a subestimar o valor de .

Exemplo. Seja uma populao com mdia e varincia 2. Verifique que o

Conhecimentos Especficos Mtodos Quantitativos Anatel

levando em conta que ( X ) 2 = ( X ) 2 , obtemos

aplicando a expectncia, obtemos

Conhecimentos Especficos Mtodos Quantitativos Anatel

Como a esperana da soma igual soma das esperanas, tem-se que

Mas E ( X i ) 2 = var( X i ) = 2 e E[( X ) 2 ] = var( X ) = 2 / n. Logo,

Conclui-se que 2 um estimador viesado da varincia populacional 2. Esse

o qual, no por acaso, corresponde varincia amostral.

No difcil mostrar que S2 um estimador justo da varincia

H estimadores que, embora viesados, tem seu vis diminudo quando o

Exemplo. Verifique que o estimador da mdia populacional dado por

Conhecimentos Especficos Mtodos Quantitativos Anatel

assintoticamente no viesado da mdia populacional .

A acurcia de um estimador mede a proximidade de cada

Um estimador dito EFICIENTE ou

Se ( X 1 , X 2 ,..., X n ) for uma amostra aleatria proveniente de uma

ento diz-se relativamente mais eficiente do que ' .

Conhecimentos Especficos Mtodos Quantitativos Anatel