Construção de intervalos de confiança
Esta calculadora on-line constrói intervalos de confiança para quatro casos: estimar a média com parâmetros desconhecidos, estimar a variância com parâmetros desconhecidos, estimar a média com variância conhecida e estimar a variância com média conhecida.
As fórmulas e um pouco de teoria estão disponíveis abaixo da calculadora.
Métodos para construir intervalos de confiança quando os dados originais seguem uma distribuição normal
| N.º | O que estimamos | O que é conhecido | Estatística utilizada | Distribuição | Intervalo de confiança |
|---|---|---|---|---|---|
| 1 | Variância |
A média |
|||
| 2 | Média |
A variância |
|||
| 3 | Média |
Ambas desconhecidas (estimamos |
|||
| 4 | Variância |
Ambas desconhecidas (estimamos |
A seguir, explico a origem de cada elemento.
Método para construir intervalos de confiança
No caso geral (este não é o único método, mas não procurei outros), os intervalos de confiança podem ser construídos da seguinte maneira1:
- Escolhemos uma probabilidade de confiança
próxima de um.
- Escolhemos uma função que dependa da nossa amostra e do parâmetro desconhecido,
, mas tal que sua própria função de distribuição não dependa do parâmetro desconhecido
:
- Escolhemos dois números
e
tais que
. Em seguida, procuramos valores
e
tais que
Donde
Como escolhemos de modo que sua função de distribuição não dependa de
,
e
também não dependem de
.
- Passamos à desigualdade dupla
e a resolvemos em relação a . Os valores dependerão da amostra. Se a solução for indicada por
, podemos escrever
Os valores calculados constituem o intervalo de confiança, ou seja, um intervalo no qual o verdadeiro valor da grandeza desconhecida se encontra com a probabilidade especificada.
Na verdade, todo o restante já foi calculado antes de nós: para os casos acima, já foram escolhidas funções com distribuições conhecidas que permitem calcular intervalos de confiança. Para isso, foi necessário introduzir novas distribuições e demonstrar teoremas, o que é bastante difícil. Estudantes e engenheiros precisam apenas conhecer o resultado e as condições de aplicação. A seguir, consideramos cada caso separadamente.
Construção de um intervalo de confiança para a média com variância conhecida
Comecemos pelo caso mais simples de explicar: a construção de um intervalo de confiança para a média com variância conhecida. Como a variância de uma variável aleatória pode ser conhecida?, você perguntará. No entanto, esse caso é bastante frequente na prática, pois a variância, ou dispersão, geralmente caracteriza as propriedades físicas de um instrumento ou processo tecnológico. Um exemplo clássico é o erro de um instrumento, indicado em suas especificações como desvio padrão. Não conhecemos o verdadeiro valor da grandeza medida, mas conhecemos o «ruído» do instrumento. Realizamos uma série de medições e construímos um intervalo de confiança para a média usando o desvio padrão.
A engenhosa função para este caso foi escolhida da seguinte forma
Aqui usamos o teorema segundo o qual a soma de qualquer número de variáveis aleatórias normais independentes tem distribuição normal. Neste caso, a função tem a distribuição normal padrão
. Podemos escrever a desigualdade dupla usando quantis
Donde
Ou, devido à simetria da distribuição normal
Construção de um intervalo de confiança para a média com variância desconhecida
Consideremos agora a construção de um intervalo de confiança para a média de uma variável aleatória quando não conhecemos nem sua verdadeira média nem sua verdadeira variância. Este é o caso mais frequente quando obtemos uma série de medições: na maioria das vezes, não sabemos absolutamente nada no início.
Por exemplo, queremos verificar como um novo fertilizante afeta a colheita de tomates.
Plantamos 30 canteiros, aplicamos o fertilizante e medimos a produtividade em quilogramas. A verdadeira média é a produtividade potencial da variedade com fertilizante se fosse cultivada em toda parte sob condições médias ideais. Ela é desconhecida. A verdadeira variância representa neste caso a sensibilidade ao microclima e os erros de irrigação e aplicação do fertilizante. Um canteiro fica numa depressão (mais umidade), outro numa elevação (mais seco), e assim por diante. A intensidade da variação da produtividade entre os canteiros também é desconhecida.
Aqui, a escolha da engenhosa função é determinada pelo teorema de Fisher. Esta é uma formulação usual2:
Seja uma amostra independente de uma distribuição normal. Sejam
a média amostral e
a variância amostral. Então:
- As variáveis aleatórias
e
são independentes;
- A variável aleatória
tem distribuição normal padrão;
- A variável aleatória
tem distribuição qui-quadrado com
graus de liberdade.
A partir da distribuição normal padrão e da distribuição qui-quadrado, podemos formar a distribuição de Student pela seguinte fórmula
, em que
é o número de graus de liberdade.
Vamos construir nossa função dividindo uma pela raiz da outra dividida por
:
Sabemos que esta função tem distribuição de Student com graus de liberdade e, felizmente, o parâmetro desconhecido
pode ser cancelado.
Assim,
Em seguida, indicando os quantis da distribuição de Student por e isolando
, obtemos a fórmula do intervalo de confiança.
Como a distribuição de Student é simétrica, aqui também basta substituir apenas um valor do quantil na fórmula, como no caso anterior.
Construção de um intervalo de confiança para a variância com média conhecida
Já tratamos da estimação das médias, mas também é preciso estimar a variância. O primeiro caso é a construção de um intervalo de confiança para a variância com uma verdadeira média conhecida. Mais uma vez, onde encontramos na vida real problemas em que a verdadeira média seja conhecida e a variância necessária? A primeira possibilidade são os problemas inversos à estimação da média com variância conhecida, ou seja, a calibração de um instrumento. Em outras palavras, colocamos repetidamente um peso de referência de um quilograma numa balança, observamos as indicações e estimamos a dispersão dos valores mostrados. Além disso, a média pode ser fixada em testes de hipóteses: observa-se qual será a dispersão para uma determinada média.
Construímos a função da seguinte forma:
Aqui tudo é simples: trata-se literalmente da distribuição qui-quadrado com graus de liberdade, que não depende de
.
Indicando os quantis da distribuição qui-quadrado por e isolando
, obtemos a fórmula do intervalo de confiança.
A distribuição qui-quadrado é assimétrica, portanto é necessário usar os dois quantis.
Construção de um intervalo de confiança para a variância com média desconhecida
Para que serve isso? Para o mesmo que no caso anterior. Queremos estimar a variabilidade, a «concentração» ou a «estabilidade» de um processo, mas a verdadeira média é desconhecida.
Para este caso, construiu-se a seguinte função :
A particularidade é que o valor desconhecido não participa de forma alguma na função. Pelo teorema de Fisher, sabemos que esta função tem distribuição qui-quadrado com
graus de liberdade. Depois, procedemos como no caso anterior e obtemos a fórmula do intervalo de confiança:
Condições de aplicabilidade
Repitamos: Todas as fórmulas listadas na tabela acima, que usam quantis das distribuições normal, de Student e qui-quadrado, são exatas apenas num único caso: a variável aleatória original deve seguir estritamente a lei normal (de Gauss).
Se a distribuição não for normal, temos sorte ao estimar a média com uma amostra grande: graças ao Teorema central do limite (TCL), à medida que o tamanho da amostra aumenta, a média amostral sempre tende a uma distribuição normal, independentemente da distribuição dos dados originais (exponencial, uniforme, binomial etc.). A fronteira tradicional entre amostra pequena e grande em estatística é 30. Às vezes se fala em amostras de 50–100, mas muito depende da assimetria da distribuição e do peso de suas «caudas».
Em conclusão, ao estimar a média para amostras grandes, a distribuição pode ser ignorada graças ao TCL. Para amostras pequenas de uma distribuição NÃO normal, por exemplo binomial ou lognormal, os critérios de Student produzem erro; devem ser usados métodos não paramétricos, como o teste de Wilcoxon.
Para a variância, a situação é desfavorável. A distribuição qui-quadrado é extremamente sensível a desvios da normalidade, e para distribuições não normais devem ser usadas outras abordagens.
-
UFPB. Distribuições Amostrais e Inferência Estatística. Capítulo 7, seção 7.2 «Intervalo de Confiança». Notas de aula ↩
-
UFSC, Departamento de Informática e Estatística. Distribuição amostral da variância. Teorema sobre a independência da média e da variância amostrais e a distribuição qui-quadrado. Distribuição amostral da variância ↩
Comentários