Estatística: Aplicação ao Sensoriamento Remoto
SER 202 - ANO 2015
Intervalo de Confiança
Camilo Daleles Rennó
[email protected]
http://www.dpi.inpe.br/~camilo/estatistica/
Intervalo de Confiança
Um parâmetro pode ser estimado através de um único valor (estimador pontual):
f(x)
amostra
?
X1, X2, ..., Xn
X
0

x
Ou então pode ser definido um intervalo de estimativas mais prováveis de acordo
com a distribuição da estatística (estimador)
f( X )
f(x)
amostra
?
X1, X2, ..., Xn
X
0

x

0
X
2
Intervalo de Confiança para 
X ~ ?(,  2 )
distribuição desconhecida,  desconhecido, mas 2 conhecido
X  X2 
? 1
X~
n
 Xn
Se X ~ N ( ,  2 ) :
2
X ~ N (?,?)
(, )
n
EX   
Var  X  
2
n
Se n for grande (ou seja, adotando-se o TLC):
X ~ ?N (  ,
2
n
)
mesmo não se conhecendo a distribuição de X
3
Intervalo de Confiança para 
X ~ ?(,  2 )
X ~ N (,
X 

n
2
n
distribuição desconhecida,  desconhecido, mas 2 conhecido
)
se X tiver distribuição normal ou n for grande (TLC)
0,14
N (0,1)
~ ?N (0,1) (Normal Padrão)
0,12
0,1
0,08
0,06
0,04
0,02
0
0
-
5
10
0
15
+
valores mais freqüentes
4
Intervalo de Confiança para 
X ~ ?(,  2 )
X ~ N (,
X 

Z
2
n
distribuição desconhecida,  desconhecido, mas 2 conhecido
)
se X tiver distribuição normal ou n for grande (TLC)
0,14
n
0,1
X 
P(  z 

0,08
 z)  1  

n
P( X  z
0,04
 X   z

n

2
0,06
n
P(  z
N (0,1)
~ ?N (0,1) (Normal Padrão)
0,12

n
 X z
IC para 

2
1
0,02
)  1  0
0

n
)  1
-
5
-z
10
0
z
15
+
P(| Z | z )   nível de significância
P( z  Z  z )  1   nível de confiança
5
Intervalo de Confiança para 
Exemplo: uma v.a. qualquer tem uma distribuição desconhecida com média  também
desconhecida e variância 2 = 16. Retira-se uma amostra de 25 valores e calcula-se a
média amostral. Construa um IC de 95% para  supondo que X  12,7.
P( X  z

n
 X z

n
0,14
N (0,1)
)  0,12
0,95
0,1
P(12,7  1,96
4
4
0,08
   12,7  1,96
)  0,95
25
25
0,06
2,5%
0,04
P(12,7  1,568    12,7  1,568)
 0,95
P(11,132    14,268)  0,95
2,5%
95%
0,02
0
0
-
5
-z
Como poderia obter intervalos de confiança mais estreitos,
ou seja, com limites mais próximos da média verdadeira?
10
0
z
15
+
?
1,96
- diminuindo-se o nível de confiança
- aumentando-se o tamanho da amostra
6
Como Interpretar o IC para ?
Suponha uma v.a. X normalmente distribuída com  = 10 e 2 = 4  X ~ N (10,4)
Sorteia-se 50 valores aleatoriamente e calcula-se X . Em seguida determina-se o
IC para  com 95% de confiança, ou seja
P( X  1,96
2
2
   X  1,96
)  95%
50
50
P( X  0,5544    X  0,5544)  95% (O IC varia para cada amostra!!!)
Interpretação: 95% dos possíveis IC obtidos a partir de uma amostra de
tamanho 50, conterão de fato a verdadeira média 

(ver IC.xls)
7
Distribuição 2
f ( x) 
1
x g 21e  x 2
g 2
2 ( g 2)
g>2
x0
g2
0
E( X )  g
Var( X )  2 g
(lê-se qui-quadrado)
+
(lê-se: X tem distribuição qui-quadrado com g graus
de liberdade)
X ~  g2
Propriedades:
a) se Z ~ N (0,1), então Z 2 ~ 12
b) se X i ~ 
2
1,
então
n
X
i 1
i
~  n2
8
Distribuição 2
0
 t2
+
P(  g2  t2 )
P( 102  3, 25)  ?
P(102  3, 25)  0,975
g
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
70
80
90
100
0,005
7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,64
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17
0,010
6,63
9,21
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,72
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81
0,025
5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
59,34
71,42
83,30
95,02
106,63
118,14
129,56
0,050
3,84
5,99
7,81
9,49
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
67,50
79,08
90,53
101,88
113,15
124,34
0,100
2,71
4,61
6,25
7,78
9,24
10,64
12,02
13,36
14,68
15,99
17,28
18,55
19,81
21,06
22,31
23,54
24,77
25,99
27,20
28,41
29,62
30,81
32,01
33,20
34,38
35,56
36,74
37,92
39,09
40,26
51,81
63,17
74,40
85,53
96,58
107,57
118,50
0,900
0,016
0,21
0,58
1,06
1,61
2,20
2,83
3,49
4,17
4,87
5,58
6,30
7,04
7,79
8,55
9,31
10,09
10,86
11,65
12,44
13,24
14,04
14,85
15,66
16,47
17,29
18,11
18,94
19,77
20,60
29,05
37,69
46,46
55,33
64,28
73,29
82,36
0,950
0,0039
0,10
0,35
0,71
1,15
1,64
2,17
2,73
3,33
3,94
4,57
5,23
5,89
6,57
7,26
7,96
8,67
9,39
10,12
10,85
11,59
12,34
13,09
13,85
14,61
15,38
16,15
16,93
17,71
18,49
26,51
34,76
43,19
51,74
60,39
69,13
77,93
0,975
0,990
0,995
0,0010 0,00016 0,00004
0,051
0,020
0,010
0,22
0,11
0,072
0,48
0,30
0,21
0,83
0,55
0,41
1,24
0,87
0,68
1,69
1,24
0,99
2,18
1,65
1,34
2,70
2,09
1,73
3,25
2,56
2,16
3,82
3,05
2,60
4,40
3,57
3,07
5,01
4,11
3,57
5,63
4,66
4,07
6,26
5,23
4,60
6,91
5,81
5,14
7,56
6,41
5,70
8,23
7,01
6,26
8,91
7,63
6,84
9,59
8,26
7,43
10,28
8,90
8,03
10,98
9,54
8,64
11,69
10,20
9,26
12,40
10,86
9,89
13,12
11,52
10,52
13,84
12,20
11,16
14,57
12,88
11,81
15,31
13,56
12,46
16,05
14,26
13,12
16,79
14,95
13,79
24,43
22,16
20,71
32,36
29,71
27,99
40,48
37,48
35,53
48,76
45,44
43,28
57,15
53,54
51,17
65,65
61,75
59,20
74,22
70,06
67,33
9
Distribuição 2
0
 t2
+
P(  g2  t2 )
P( 102  3,25)  ?
P( 102  3,25)  0,975
P( 152  ?)  0,9
P( 152  8,55)  0,9
g
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
70
80
90
100
0,005
7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,64
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17
0,010
6,63
9,21
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,72
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81
0,025
5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
59,34
71,42
83,30
95,02
106,63
118,14
129,56
0,050
3,84
5,99
7,81
9,49
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
67,50
79,08
90,53
101,88
113,15
124,34
0,100
2,71
4,61
6,25
7,78
9,24
10,64
12,02
13,36
14,68
15,99
17,28
18,55
19,81
21,06
22,31
23,54
24,77
25,99
27,20
28,41
29,62
30,81
32,01
33,20
34,38
35,56
36,74
37,92
39,09
40,26
51,81
63,17
74,40
85,53
96,58
107,57
118,50
0,900
0,016
0,21
0,58
1,06
1,61
2,20
2,83
3,49
4,17
4,87
5,58
6,30
7,04
7,79
8,55
9,31
10,09
10,86
11,65
12,44
13,24
14,04
14,85
15,66
16,47
17,29
18,11
18,94
19,77
20,60
29,05
37,69
46,46
55,33
64,28
73,29
82,36
0,950
0,0039
0,10
0,35
0,71
1,15
1,64
2,17
2,73
3,33
3,94
4,57
5,23
5,89
6,57
7,26
7,96
8,67
9,39
10,12
10,85
11,59
12,34
13,09
13,85
14,61
15,38
16,15
16,93
17,71
18,49
26,51
34,76
43,19
51,74
60,39
69,13
77,93
0,975
0,990
0,995
0,0010 0,00016 0,00004
0,051
0,020
0,010
0,22
0,11
0,072
0,48
0,30
0,21
0,83
0,55
0,41
1,24
0,87
0,68
1,69
1,24
0,99
2,18
1,65
1,34
2,70
2,09
1,73
3,25
2,56
2,16
3,82
3,05
2,60
4,40
3,57
3,07
5,01
4,11
3,57
5,63
4,66
4,07
6,26
5,23
4,60
6,91
5,81
5,14
7,56
6,41
5,70
8,23
7,01
6,26
8,91
7,63
6,84
9,59
8,26
7,43
10,28
8,90
8,03
10,98
9,54
8,64
11,69
10,20
9,26
12,40
10,86
9,89
13,12
11,52
10,52
13,84
12,20
11,16
14,57
12,88
11,81
15,31
13,56
12,46
16,05
14,26
13,12
16,79
14,95
13,79
24,43
22,16
20,71
32,36
29,71
27,99
40,48
37,48
35,53
48,76
45,44
43,28
57,15
53,54
51,17
65,65
61,75
59,20
74,22
70,06
67,33
10
Distribuição 2
Se X i ~ N ( , 2 )
Xi  
~ ?N (0,1)

n
( X
i 1
i

( X i   )2
2
~ ?12
  )2
~ ? n2
2
Substituindo-se  por X tem-se que
n
( X
i 1
i

 X )2
~  n21
2
n
mas s 
2
( X
i 1
i
 X )2
n 1
(perde-se 1 grau de liberdade)
n
  ( X i  X )  (n  1) s
2
i 1
2

(n  1) s 2

2
~  n21
11
Intervalo de Confiança para 2
(n  1) s 2
2

P( xa 
2
~  n21
(n  1) s 2

2
 xb )  1  
1
2
1
P 

  1 
2
xa 
 xb (n  1) s
n21

2

2
1
0 xa
xb
+
P( xa  n21  xb )  1  
 (n  1) s 2
(n  1) s 2 
2
P
 
  1 
xa 
 xb
IC para 2
12
Intervalo de Confiança para 2
Exemplo: uma v.a. qualquer tem uma distribuição desconhecida com média  e variância 2
desconhecidas. Retira-se uma amostra de 25 valores e calcula-se a variância amostral.
Construa um IC de 95% para 2 supondo que s2 = 2,34.
 242
 (n  1) s 2
(n  1) s 2 
2
P
 
  0,95
xa 
 xb
24 .2,34 
 24 .2,34
P
2 
  0,95
39,36
12,
40


2,5%
0 xa
P 1, 43   2  4,53  0,95
2,5%
95%
?
12,40
xb
+
?
39,36
13
Distribuição t de student
[( g  1) 2] 
x2 
f ( x) 
1  
g 
( g 2)  g 
tg
 ( g 1) 2
 x 
-
E( X )  0
Var ( X ) 
g
g 2
X ~ tg
0
+
(lê-se: X tem distribuição t de student com g graus de
liberdade)
Propriedades:
a) se Z ~ N (0,1) e W ~  g2 então
Z
~ tg
W
g
b) se g   então tg  N (0,1)
14
Distribuição t de student
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
0
-
5
0
10
t
P(Tg  t )
P(T10  2,764)  ?
P(T10  2,764)  0,01
15
+
20
g
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

0,1
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
0,05
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
0,025
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
0,01
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
2,326
0,005
63,656
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
2,576
15
Distribuição t de student
Se X i ~ N ( , 2 )
X 

(n  1) s 2
~ ?N (0,1)

2
~ ? n21
n
X 

n

2
( n  1) s
( n  1) 2
X 

n
s


X 
~ t?n 1
s
n
16
Intervalo de Confiança para 
X ~ N (  , 2 )
T
 e 2 desconhecidos
X 
~ ?tn 1
s
n
0,14
tn 1
0,12
0,1
X 
0,08
 t)  1  
s
0,06
n
0,04
s
s
P ( t
 X  t
)  1 0,02

n
n
P ( t 

2
0
0
P( X  t
s
s
   X t
)  1
n
n
-
5

2
1
-t
10
0
t
15
+
P( t  T  t )  1  
IC para 
17
Intervalo de Confiança para 
Exemplo: uma v.a. qualquer tem uma distribuição desconhecida com média  e variância 2
também desconhecidas. Retira-se uma amostra de 25 valores e calcula-se a média
amostral e a variância amostral. Construa um IC de 95% para  supondo que X  12,7
e s2 = 16.
0,14
t24
0,12
P( X  t
s
s
   X t
)  0,950,1
n
n
0,08
P(12,7  2,064
0,06
4
4
   12,7  2,064
)  0,95
0,04
25
25
2,5%
2,5%
95%
0,02
P(12,7  1,6512    12,7  1,6512)0 0,95
0
P(11,0488    14,3512)  0,95
-
5
-t
10
0
t
15
+
?
2,064
18
Intervalo de Confiança para proporção p
Numa urna, há N bolas, sendo K vermelhas e N – K azuis. Assim, pode-se dizer que
K/N representa a proporção p de bolas vermelhas na urna (que por sua vez,
representa a probabilidade de se selecionar uma bola vermelha desta urna).
Mas se N e K são desconhecidos, como estimar p?
Considere que n bolas são escolhidas ao acaso (com reposição), definindo-se Y como
o número de bolas vermelhas entre as n selecionadas, qual a distribuição de Y?
Y ~ Binomial
n
Y   Xi
Xi ~ Bernoulli
p = P(Xi = 1)
i 1
Y
 ?Proporção Amostral pˆ
n
 pq 
pˆpˆ ~~ N
,
?N(?,?)
( p,?)

n 

(se n é grande)
 Y  E (Y ) np

p
E ( pˆ )  E   
n
n
n
 Y  Var (Y ) npq pq
 2 
Var( pˆ )  Var   
2
n
n
n
n
34
Intervalo de Confiança para proporção p
pˆ ~ N ( p,
Z
pq
)
n
pˆ  p
~ ?N (0,1)
pq
n
pˆ  p
P(  z 
 z)  1  
pq
n
0,14
N (0,1)
0,12
0,1
0,08

2
0,06
0,04
P( pˆ  z
pq
pq 0,02
 p  pˆ  z
)  1
n
n
0
0
P( pˆ  z
ˆˆ
ˆˆ
pq
pq
 p  pˆ  z
)  1
n
n
-
5

2
1
-z
10
0
z
15
+
P( z  Z  z )  1  
IC para p
35
Intervalos de Confiança (Resumo)
N (0,1)
se 2 é conhecida
tn 1
se 2 é desconhecida
para 
para 2
n21
para p
N (0,1)
38
Intervalos de Confiança (Resumo)
Observações importantes:
•
Os ICs são construídos a partir de uma estatística que relaciona o estimador
pontual ao seu parâmetro;
•
Para se conseguir ICs mais estreitos, conservando-se o mesmo nível de
confiança, deve-se aumentar o tamanho da amostra;
•
Caso o IC seja utilizado para verificar se o parâmetro para o qual o IC foi
construído tem um determinado valor, deve-se aceitar qualquer valor presente
dentro do intervalo considerando o nível de confiança adotado;
Ex: se o IC para  for P(20,3 <  < 43,8) = 95%
 pode ser 30? SIM*
 pode ser 21?
SIM
considerando 95% de confiança
 pode ser 45? NÃO
* “não se pode afirmar que a verdadeira média  não seja 30” ou
“não se pode negar que ela seja 30”
39