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.

Esta página existe graças aos esforços das seguintes pessoas:

Timur

Timur

Criado: 2026-11-21 09:38:53, Ultima atualização: 2026-11-21 10:09:53
Creative Commons Attribution/Share-Alike License 3.0 (Unported)

Este conteúdo é licenciado de acordo com a Licença Creative Commons de Atribuição/CompartilhaIgual 3.0 (Unported). Isso significa que você pode redistribuir ou modificar livremente este conteúdo sob as mesmas condições de licença e precisa atribuir ao autor original colocando um hyperlink para este trabalho no seu site. Além disto, favor não modificar qualquer referência ao trabalho original (caso houver) que estiverem contidas neste conteúdo.

As fórmulas e um pouco de teoria estão disponíveis abaixo da calculadora.

PLANETCALC, Intervalos de confiança

Intervalos de confiança

Números separados por vírgulas, ponto e vírgula, espaços ou quebras de linha. O separador decimal é o ponto.
Valor da média especificado a priori.
Refere-se especificamente à variância, não ao desvio padrão.
Um número inteiro maior ou igual a 2.
Variância calculada com divisão por n − 1.
Estimativa pontual
 
Limite inferior
 
Limite superior
 
Comprimento do intervalo
 
Tamanho da amostra
 
Graus de liberdade
 
Distribuição
 
Quantil inferior
 
Quantil superior
 
Dígitos após o ponto decimal: 6

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 \sigma^2 A média \mu é conhecida \frac{\sum_{i=1}^n (x_i - \mu)^2}{\sigma^2} \chi^2(n) \left[ \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1+\alpha)/2}};\; \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1-\alpha)/2}} \right]
2 Média \mu A variância \sigma^2 é conhecida \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} N(0,1) \bar{x} \pm z_{(1-\alpha)/2} \cdot \frac{\sigma}{\sqrt{n}}
3 Média \mu Ambas desconhecidas (estimamos \mu) \frac{\bar{x} - \mu}{s / \sqrt{n}} T(n-1) \bar{x} \pm t_{(1-\alpha)/2}(n-1) \cdot \frac{s}{\sqrt{n}}
4 Variância \sigma^2 Ambas desconhecidas (estimamos \sigma^2) \frac{(n-1)s^2}{\sigma^2} = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2} \chi^2(n-1) \left[ \frac{(n-1)s^2}{h^{(n-1)}_{(1+\alpha)/2}};\; \frac{(n-1)s^2}{h^{(n-1)}_{(1-\alpha)/2}} \right]

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:

  1. Escolhemos uma probabilidade de confiança \alpha próxima de um.
  2. Escolhemos uma função que dependa da nossa amostra e do parâmetro desconhecido, G(x_1, ..., x_n, \Theta), mas tal que sua própria função de distribuição não dependa do parâmetro desconhecido \Theta:

F_G(t) \stackrel{\text{def}}{=} \mathbf{P}_\theta \{ G(x_1, \dots, x_n, \theta) \le t \}

  1. Escolhemos dois números \epsilon_1 > 0 e \epsilon_2 > 0 tais que 1-\alpha=\epsilon_1 + \epsilon_2. Em seguida, procuramos valores k_1 e k_2 tais que

F_G(\kappa_1) \le \varepsilon_1, \quad F_G(\kappa_2) \ge 1 - \varepsilon_2

Donde

\mathbf{P}_\theta \{ \kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2 \} \ge 1 - \varepsilon_2 - \varepsilon_1 = \alpha,

Como escolhemos G de modo que sua função de distribuição não dependa de \Theta, k_1 e k_2 também não dependem de \Theta.

  1. Passamos à desigualdade dupla

\kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2

e a resolvemos em relação a \Theta. Os valores dependerão da amostra. Se a solução for indicada por \beta, podemos escrever

\mathbf{P}_\theta \{ \theta \in ( \beta_1(x_1, \dots, x_n), \beta_2(x_1, \dots, x_n)) \} \ge \alpha

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 G para este caso foi escolhida da seguinte forma

G(x_1, \dots, x_n; \mu) = \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}}

Aqui usamos o teorema segundo o qual a soma de qualquer número de variáveis aleatórias normais independentes tem distribuição normal. Neste caso, a função G tem a distribuição normal padrão N(0,1). Podemos escrever a desigualdade dupla usando quantis

z_{(1-\alpha)/2} < \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}} < z_{(1+\alpha)/2}

Donde

\bar{x} - \frac{\sigma z_{(1+\alpha)/2}}{\sqrt{n}} < \mu < \bar{x} - \frac{\sigma z_{(1-\alpha)/2}}{\sqrt{n}}.

Ou, devido à simetria da distribuição normal

\bar{x} - \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2} < \mu < \bar{x} + \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2}

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 G é determinada pelo teorema de Fisher. Esta é uma formulação usual2:

Seja X_1,\ldots,X_n \sim \mathrm{N}(\mu,\sigma^2) uma amostra independente de uma distribuição normal. Sejam \overline{X} a média amostral e S^2 a variância amostral. Então:

  • As variáveis aleatórias \overline{X} e S^2 são independentes;
  • A variável aleatória  \sqrt{n} \cdot \frac{\overline{X} - \mu}{\sigma} \sim \mathrm{N}(0,1) \sim Z tem distribuição normal padrão;
  • A variável aleatória \frac{(n-1)\cdot S^2}{\sigma^2} = \frac{1}{\sigma^2} \sum_{i=1}^{n} (X_i - \bar{X})^2 \sim \chi^2_{n-1} tem distribuição qui-quadrado com n-1 graus de liberdade.

A partir da distribuição normal padrão e da distribuição qui-quadrado, podemos formar a distribuição de Student pela seguinte fórmula

T = \frac{Z}{\sqrt{\chi^2_k/k}}, em que k é o número de graus de liberdade.

Vamos construir nossa função G dividindo uma pela raiz da outra dividida por n-1:

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{(\sqrt{n}(\bar{x} - \mu))/\sigma}{\sqrt{\frac{1}{n-1} \frac{1}{\sigma^2} \sum_{i=1}^{n} (x_i - \bar{x})^2}}

Sabemos que esta função tem distribuição de Student com n-1 graus de liberdade e, felizmente, o parâmetro desconhecido \sigma pode ser cancelado.

Assim,

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sqrt{n}(\bar{x} - \mu)}{s} \sim T(n-1)

Em seguida, indicando os quantis da distribuição de Student por t e isolando \mu, obtemos a fórmula do intervalo de confiança.

\bar{x} - \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2} < \mu < \bar{x} + \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2}

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 G da seguinte forma:

G(x_1, \dots, x_n; \sigma^2) = \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{\sigma^2} = \sum_{i=1}^n \left( \frac{x_i - \mu_0}{\sigma} \right)^2.

Aqui tudo é simples: trata-se literalmente da distribuição qui-quadrado com n graus de liberdade, que não depende de \sigma.

Indicando os quantis da distribuição qui-quadrado por h e isolando \sigma, obtemos a fórmula do intervalo de confiança.

\frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1+\alpha)/2}^{(n)}} < \sigma^2 < \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1-\alpha)/2}^{(n)}}

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 G:

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2}

A particularidade é que o valor desconhecido \mu não participa de forma alguma na função. Pelo teorema de Fisher, sabemos que esta função tem distribuição qui-quadrado com n-1 graus de liberdade. Depois, procedemos como no caso anterior e obtemos a fórmula do intervalo de confiança:

\frac{(n - 1)s^2}{h_{(1+\alpha)/2}^{(n-1)}} < \sigma^2 < \frac{(n - 1)s^2}{h_{(1-\alpha)/2}^{(n-1)}}

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.


  1. UFPB. Distribuições Amostrais e Inferência Estatística. Capítulo 7, seção 7.2 «Intervalo de Confiança». Notas de aula ↩

  2. 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 ↩

URL copiado para a área de transferência
PLANETCALC, Construção de intervalos de confiança

Comentários