Estatistica - Vitor - Menezes - Aula 12 PDF

Curso Regular de Estatstica
Prof Vtor Menezes Aula 12
AULA 12: Estimadores pontuais e distribuies

amostrais
1. ESTIMADORES PONTUAIS .............................................................................................................. 2

1.1. Estimador para a mdia ........................................................................................................................ 3
1.2. Estimador para a varincia .................................................................................................................. 5
1.3. Estimador para uma proporo .......................................................................................................... 10
2. DISTRIBUIO AMOSTRAL DA MDIA.......................................................................................... 12
como uma varivel aleatria ........................................................................................................... 12
Esperana e varincia de ................................................................................................................ 14
2.1.
2.2.
3. DISTRIBUIO AMOSTRAL DA PROPORO ................................................................................ 37
3.1. como uma varivel aleatria ........................................................................................................... 37
4. FATOR DE CORREO PARA POPULAES FINITAS..................................................................... 42
5. CARACTERSTICAS DOS ESTIMADORES ........................................................................................ 47
5.1. Estimador no tendencioso ................................................................................................................. 47
5.2. Estimador de varincia mnima. ......................................................................................................... 50
5.3. Estimador de mnimos quadrados ....................................................................................................... 52
5.4. Estimador de mxima verossimilhana............................................................................................... 52
6. Propriedades assintticas dos estimadores ................................................................................. 67
7. QUESTES APRESENTADAS EM AULA .......................................................................................... 70
8. GABARITO ..................................................................................................................................... 82
9. TABELA I DISTRIBUIO NORMAL ............................................................................................. 83
Prof. Vtor Menezes www.estrategiaconcursos.com.br 1

1. ESTIMADORES PONTUAIS
Considere uma pesquisa salarial envolvendo alguns moradores de um bairro.

Esta pesquisa resultou no seguinte conjunto (dados em R$ 1.000,00).
Salrio dos moradores do bairro amostra com dez salrios:

R$ 5.000,00; R$ 2.000,00; R$ 2.000,00; R$ 7.000,00; R$ 1.000,00; R$ 4.000,00, R$ 2.000,00,
R$ 4.000,00, R$ 3.000,00, R$ 6.000,00.
O conjunto dos salrios de todos os moradores a nossa populao. Qualquer subconjunto

no vazio da populao uma amostra.
Queremos descobrir o salrio mdio dos moradores do bairro. A grandeza de interesse

(mdia salarial) se refere populao. Ou seja, estamos interessados no salrio mdio de
todos os moradores. A mdia populacional o nosso parmetro.
Parmetro qualquer caracterstica populacional.
Se, por algum motivo, no pudermos realizar um censo, ns faremos uma amostragem. Ao
longo do curso, trabalharemos basicamente com a amostragem aleatria simples.
Muito bem. Selecionamos uma amostra de dez pessoas. Se voc calcular a mdia para a
amostra acima indicada, obter R$ 3.600,00.
A mdia amostral de R$ 3.600,00.
A partir desta amostra, vamos estimar a mdia da populao. Usamos a mdia amostral
(=R$ 3.600,00) como um estimador da mdia populacional, desconhecida.
Dizemos que R$ 3.600,00 a mdia estimada, a partir da amostra feita. uma estimativa
por ponto. Esse valor mdio de 3.600 uma caracterstica da amostra. Dizemos que se trata
de uma estatstica.
Novamente: a mdia amostral R$ 3.600,00. Estamos dizendo que uma estimativa para a
mdia populacional R$ 3.600,00. Ou seja, usamos a mdia amostral como estimador da
mdia populacional.
A estimao por ponto se contrape estimao por intervalo. Nesta ltima, no definimos
um valor nico para a estimativa; sim um intervalo de valores. Um exemplo so aquelas
pesquisas eleitorais de inteno de voto. Lembram quando se diz que os candidatos esto
tecnicamente empatados?
Se o candidato A tem entre 30% e 34% das intenes de voto, e o candidato B tem entre
28% e 32% das intenes de voto, no d para afirmar quem vai ganhar. A o William Bonner
diz que eles esto tecnicamente empatados.

Nesse segundo caso, a partir de uma amostra, procurou-se estabelecer um intervalo de

valores provvel para as intenes de voto de cada candidato. Para o candidato A, o
intervalo de 30% a 34%. Dizemos que se trata de uma estimativa por intervalo.
Por enquanto, vamos nos concentrar na estimativa por ponto.
O motivo de se fazer uma amostragem o fato de haver alguma dificuldade em analisar

toda a populao. Pode ser muito caro, muito demorado. Ou pode ser invivel. Seria o caso
de ver qual a tenso mxima que um material suporta. Se tivermos que submet-lo a
tenses cada vez maiores, at que ele arrebente, ento no podemos analisar todos os
objetos, sob pena de destruirmos todos e no sobrar mais nenhum.
Se fosse possvel analisar a populao inteira, conseguiramos com exatido saber sua mdia
e seu desvio padro (estes valores reais so nossos parmetros).
Quando fazemos uma amostragem, conseguimos apenas saber a mdia e o desvio padro
da amostra feita. Nosso objetivo, portanto, , a partir dos valores de mdia e desvio padro
da amostra, estimar quais os valores de mdia e desvio padro da populao. Nosso
objetivo estimar o valor do parmetro desconhecido.
Claro que poderamos estar interessados em outros parmetros que no a mdia e o desvio
padro. Mas, em concursos, na grande maioria das questes, so cobrados apenas esses
dois parmetros (alm da varincia, intimamente relacionada com o desvio padro, e da
proporo, que veremos nesta aula).
Quando escolhemos um estimador, podemos estar interessados em diversas caractersticas.
Alguns tipos de estimadores so:
No tendenciosos (ou no viciados)
De mxima verossimilhana
De varincia mnima
De mnimos quadrados
Por enquanto, ns no veremos com detalhes cada uma destas caractersticas. Falamos
mais sobre isso em outro momento.
1.1. Estimador para a mdia
Usamos a mdia amostral () para estimar a mdia populacional ()
importante padronizarmos nossa linguagem.

H dois smbolos usualmente empregados para a mdia. A partir de agora, importante
Quando temos uma varivel aleatria, a mdia desta varivel designada por . s vezes
saber diferenci-los, pois eles vo aparecer juntos em uma mesma questo.
podemos modelar uma populao como uma varivel aleatria. Ento, sempre que

vamos usar o smbolo .

quisermos nos referir mdia de uma varivel aleatria, ou mdia de uma populao,
Seja X a varivel aleatria que designa o resultado do lanamento de um dado. J vimos que
a mdia desta varivel aleatria (= esperana) de 3,5 (lembra? Foi o exemplo usado na
= 3,5
aula sobre variveis aleatrias).
Podemos pensar que 3,5 a mdia da varivel aleatria X. Ou ento, se pensarmos em uma
populao formada por todos os resultados que poderiam ser obtidos quando se lana o
dado infinitas vezes, dizemos que a mdia dessa populao 3,5.
Pegamos o dado de seis faces e lanamos trs vezes, obtendo: 6, 2, 3.

Estes trs lanamentos so uma amostragem dos infinitos resultados que poderiam ocorrer.
6 + 2 + 3 11
Se quisermos nos referir mdia de uma amostra, vamos utilizar o smbolo X (X barra):
= =
3 3
Outro exemplo. Suponha que a mdia dos salrios de todos os moradores do bairro
= 2.000
utilizado no exemplo do incio da aula seja R$ 2.000,00.
J a amostra que fizemos, entrevistando 10 pessoas, resultou em uma mdia de R$
= 3.600
3.600,00.
Entenderam?
Resumindo:
Falou em mdia populacional: o smbolo
Falou em mdia de varivel aleatria: o smbolo (pois variveis aleatrias so
usadas para modelar populaes)
Falou em mdia amostral: smbolo X
Nosso objetivo , a partir de uma amostra, estimar qual o parmetro populacional. Partindo
da amostra das dez pessoas acima, estimamos a mdia populacional em R$ 3.600,00.
O valor da mdia da amostra ( X ) um estimador da mdia populacional ( ). um
estimador no tendencioso, de varincia mnima, de mnimos quadrados e, se a varivel
aleatria for normal, tambm um estimador de mxima verossimilhana.
Ao final da aula falaremos sobre estas caractersticas dos estimadores.
Exemplos

Exemplo 1
De uma populao foi extrada uma amostra com os seguintes valores: 4, 6, 8, 8. Qual a
estimativa para a mdia da populao?
Resoluo.
No sabemos a mdia da populao ( ). Neste caso, vamos utilizar a mdia da amostra ( X
) para estimar a mdia da populao.
A estimativa da mdia da populao fica:
4+6+8+8
X = = 6,5
4
Estimamos a mdia populacional em 6,5.
Exemplo 2
De uma populao foi extrada uma amostra com os seguintes valores: 3, 5, 5, 7. Qual a
estimativa para a mdia da populao?
Resoluo
Exerccio bem parecido com o anterior.
No sabemos a mdia da populao ( ). Neste caso, vamos utilizar a mdia da amostra ( X
) para estimar a mdia da populao.
A estimativa da mdia da populao fica:
3+5+5+ 7
X = =5
4
Estimamos a mdia populacional em 5.
1.2. Estimador para a varincia
Usamos a varincia da amostra (s2) para estimar a varincia da populao ( ).
Se o exerccio pedir o estimador no-viciado, usamos 1 no denominador:

A varincia amostral pode ser calculada de duas maneiras.

=
1
no denominador:
Se o exerccio pedir o estimador de mxima verossimilhana e a varivel for normal, usamos

=


varincia de uma varivel aleatria, vamos usar o smbolo . Ou ento, podemos usar o
Vamos padronizar a simbologia. Quando quisermos nos referir varincia populacional ou
smbolo V(X). Outro smbolo possvel nos exerccios Var(X).

Quando quisermos nos referir varincia de uma amostra, usamos s 2 .
Varincia da populao (ou da varivel aleatria): 2 = V ( X ) = Var ( X )
Varincia da amostra: s 2

Para varincia, o estimador que vamos usar geralmente :
=
1
que a mesma frmula vista na estatstica descritiva.
o denominador 1 em vez de .
Na estatstica descritiva, quando se estuda a frmula da varincia amostral, aprende-se que
Quando queremos estimar a varincia da populao, um dos fatores que tem influncia
nesse denominador justamente a caracterstica desejada para o estimador. Para que o
tendencioso, necessrio que o denominador seja 1.

estimador tenha certa caracterstica de tal forma que ele possa ser enquadrado como no
Este estimador acima o mais utilizado. Ele no tendencioso. Contudo, no caso da varivel
normal, ele no o estimador de mxima verossimilhana. O estimador de mxima

verossimilhana :
=

estimador de mxima verossimilhana da varincia utilizamos no denominador (em vez de

Se por acaso o exerccio der uma amostra de uma varivel normal e pedir para calcular o
1).
Exemplo 3
Considere a seguinte amostra de uma varivel aleatria normal:
1, 2, 3.
Calcule:
a) o estimador no tendencioso da varincia populacional
b) o estimador de mxima verossimilhana da varincia populacional
a) O estimador no tendencioso aquele em que temos 1 no denominador.

Resoluo
Fica assim:

1 + 0 + 1

=

= =1
1 31
b) O estimador de mxima verossimilhana aquele com no denominador.

1 + 0 + 1 2
=

= =
3 3
Questo 1 SEFAZ RJ 2008 [FGV]

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 finitas. Considere, ainda, as estatsticas mdia da amostra, X =
1 n

n i =1
(
1 n
)
X i , e varincia da amostra s 2 = X i X . Ento, correto afirmar que:
n i =1
2
(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
(D) X e S 2 so, ambos, tendenciosos para a estimao da mdia e da varincia 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:
Nesta questo, temos:
- a mdia aritmtica da amostra como um estimador da mdia populacional: vimos que a
mdia da amostra um estimador no-tendencioso.
- a varincia da amostra como um estimador da varincia populacional: vimos que, quando
se usa n no denominador, o estimador tendencioso.
Gabarito: B
Resumindo: h diversos tipos de estimadores. Por hora, ainda no sabemos exatamente o

que eles significam.
S sabemos que, no caso de estimarmos a varincia da populao a partir de uma amostra,
o denominador pode ser n 1 ou n.

Se o exerccio no falar nada, utilize n 1 . Este o estimador mais utilizado. Ele no

tendencioso.
Se o exerccio pedir o estimador de mxima verossimilhana e a distribuio for normal,
utilize n.
Questo 2 PETROBRAS 2010 [CESGRANRIO]

Em um conjunto de nmeros, {Xi}, de N elementos extrados de uma determinada
populao de interesse, foi utilizada a seguinte expresso como medida da disperso

=

onde a mdia aritmtica dos dados. Qual o significado estatstico correto dessa
expresso?
(A) Desvio padro no tendencioso da populao.
(B) Estimativa no tendenciosa do desvio padro da populao.
(C) Estimativa tendenciosa do desvio padro da populao.
(D) Varincia no tendenciosa da populao.
(E) Estimativa tendenciosa da varincia da populao
Resoluo.
Quando usamos N no denominador, a varincia amostral um estimador tendencioso da
varincia populacional. Consequentemente, o desvio padro amostral tambm um
estimador tendencioso do desvio padro populacional.
Gabarito: C
Questo 3 CGU 2008 [ESAF]

Qual o estimador de mxima verossimilhana da varincia de uma varivel X normalmente
distribuda obtido a partir de uma amostra aleatria simples X1, X2, X3, ..., Xn, desta varivel,
sendo m = X i / n o estimador de mxima verossimilhana da mdia?
a)
(X i m) 2
n 1
b)
(X i m) 2
n2
( X i m) 2
0, 5
c)
n 1


d) (X i m) 2
e)
(X i m) 2
n
Resoluo.
O enunciado est usando a letra m para indicar a mdia amostral.
Vimos que o estimador de mxima verossimilhana da varincia para a distribuio normal
aquele que apresenta n no denominador.
Gabarito: E.
Questo 4 SEFAZ SP 2009 [ESAF]

(Dados da questo anterior: 17, 12, 9, 23, 14, 6, 3, 18, 42, 25, 18, 12, 34, 5, 17, 20, 7, 8, 21,
13, 31, 24, 9.)
Considerando que as observaes apresentadas na questo anterior constituem uma
amostra aleatria simples X1, X2, ..., Xn de uma varivel aleatria X, determine o valor mais
prximo da varincia amostral, usando um estimador no tendencioso da varincia de X.
Considere que:
23
X
i =1
i = 388
23
X
i =1
i
2
= 8676
a) 96,85
b) 92,64
c) 94,45
d) 90,57
e) 98,73
Resoluo.
A mdia fica:
23
X
i =1
i
388
X = =
23 23
A mdia dos quadrados das observaes fica:
8676
X2 =
23

A varincia (com n no denominador), dada por:

2
X2 X
2
8676 388
=
23 23
Para o estimador no tendencioso (ou no viciado, ou no enviesado), ns usamos n 1 no
denominador. Portanto, precisamos ajustar o denominador.
O resultado acima considera uma diviso por 23 (= n). Precisamos multiplicar por 23, para
cancelar esta diviso.
Em seguida, dividimos por 22, para que o denominador seja igual a n 1 .
O estimador no tendencioso da varincia fica:
23 8676 388 2
s2 =
22 23 23
8676 388 2
s2 =
22 23 22
= 394,36 297,52 = 96,84
Gabarito: A
1.3. Estimador para uma proporo
Usamos a proporo amostral (! ) para estimar a proporo populacional (p)
Para melhor entendimento, considere que a proporo de moradores de uma cidade que
pretendem votar num candidato A de 40%. um valor que se refere populao inteira.
um parmetro. Vamos padronizar. Sempre que nos referirmos proporo da populao,
usamos o smbolo p .
p = 40%
Suponha que ns no conhecemos esta proporo referente populao (40%) e, para
estim-la, entrevistamos 10 pessoas. Destas, 5 pretendem votar no candidato A.
A proporo verificada na amostra 50%. Chamamos de p .
p = 50%
Vamos usar p como estimador de p .
Resumindo:
Proporo da populao: p
Proporo amostral: p

Exemplo 4
Para uma pesquisa de intenes de voto para a Prefeitura de uma cidade, foram
entrevistadas 100 pessoas. Verificou-se que, nesta amostra, 30 eleitores pretendem voltar
no candidato A. Qual a estimativa da proporo populacional de intenes de voto do
candidato A?
Resoluo.
No sabemos qual a proporo populacional (ou seja, referente a todos os eleitores da
cidade). Vamos usar a proporo verificada na amostra para estimar a proporo
populacional.
Na amostra temos:
p = 30% = 0,3
Dizemos que a estimativa da proporo populacional de 30%.
Questo 5 BASA 2007 [CESPE]

Um programa de controle de qualidade foi implementado em uma agncia bancria. A cada
10 clientes que entram na fila para solicitar um certo tipo de servio S, um atendente
entrega um pequeno questionrio, que deve ser preenchido pelo cliente e devolvido ao
caixa do banco. Um dos quesitos monitorados diariamente a proporo de clientes que
esto satisfeitos com o atendimento de um modo geral. Em determinada semana, foram
observados os resultados mostrados na tabela a seguir.
Dia da semana 2 3 4 5 6
Nmero de clientes observados 30 40 20 50 70
proporo de clientes satisfeitos 0,9 0,8 0,9 0,8 0,6
Com base nesses dados, julgue o item que se segue.

1. A estimativa da proporo mdia de clientes satisfeitos com o atendimento de um modo
geral ao longo dessa semana superior a 0,8.
Resoluo.
Vamos utilizar a proporo da amostra para estimar a proporo da populao.
O nmero de clientes satisfeitos foi de:
30 0,9 + 40 0,8 + 20 0,9 + 50 0,8 + 70 0,6 = 159
O nmero total de clientes entrevistados foi:
30 + 40 + 20 + 50 + 70 = 210

A proporo de clientes satisfeitos na amostra :

159
p = = 0,7571 .
210
Portanto, o item est errado. A estimativa de 75,71%. inferior a 80%.
Gabarito: errado.
Estimadores pontuais
- Usamos a mdia amostral para estimar a mdia populacional ( X um estimador de );

- Usamos a varincia amostral para estimar a varincia populacional. Se o estimador for
no-viciado (ou no-tendencioso) usamos n 1 no denominador. Se o estimador for de
mxima verossimilhana e a varivel for normal, usamos n no denominador.
- Usamos a proporo amostral para estimar a proporo populacional.
2. DISTRIBUIO AMOSTRAL DA MDIA
2.1. # como uma varivel aleatria

Muitas populaes podem ser modeladas segundo uma varivel aleatria. Como exemplo,
considere a temperatura de um local, medida com nosso termmetro mgico de infinitas
casas aps a vrgula.
Nosso objetivo estimar a temperatura mdia do local em um dado dia. Para tanto,
consideramos que a temperatura se comporta como uma varivel aleatria X.
Deste modo, encontrar a temperatura mdia do local o mesmo que encontrar a esperana
$ = =?
de X.
Num dado dia, vamos l nesse local e, em dez instantes diferentes, medimos a temperatura.
Agora temos uma amostragem de tamanho 10 para a temperatura no local.
Suponha que esta mdia tenha sido X 1 = 2 C.
Neste ponto, no custa nada lembrar a simbologia que padronizamos.
X a mdia de uma amostra
a mdia da populao ( o valor que pretendemos estimar)

S que os instantes em que realizamos a amostragem foram aleatoriamente escolhidos. Se,

por acaso, outros instantes tivessem sido escolhidos, cada uma das medies poderia ser
ligeiramente diferente. Seria possvel ter obtido uma segunda mdia igual a X 2 = 2,1 C.
Ou tambm seria possvel ter obtido uma terceira mdia X 3 = 2,051C.
Quando nos referimos a uma nica amostra, X representa um nmero, a mdia aritmtica
daquela amostra.
Mas tambm podemos nos referir a X de forma diferente. Podemos pensar em inmeras
amostras, com X assumindo valores diferentes em cada uma delas. Assim, X seria uma
varivel
pode ser vista como uma varivel aleatria
Quando nos referimos a como uma varivel aleatria, porque estamos pensando em
todas as diferentes amostras que poderiam ter sido extradas. Nesse caso, vista apenas
dividimos por n. Nesse caso, dizemos que uma estatstica.

como uma frmula, um mtodo de clculo: somamos todos os valores da amostra e
valor para a mdia amostral, nesse caso, assumir um valor nico, fixo. Por exemplo,
Por outro lado, quando nos referimos a uma amostra em particular, que fornece um nico
= 2. Nesta situao, quando nos referimos a como algo fixo, dizemos que = 2 uma
estimativa da mdia populacional.
Ento, frisando: pode ser vista como algo que varia (caso estejamos pensando em todas
as possveis amostras) ou pode ser vista como algo fixo (quando pensamos em uma amostra
em particular).
Questo 6 TJ PI 2009 [FCC]

Seja uma populao constituda pelos valores 1, 2, 3, 4, 5 e 6. Todas as amostras com
tamanho 2, sem reposio, so selecionadas. A probabilidade de que a mdia amostral seja
superior a 5 de
(A) 1/4
(B) 1/6
(C) 2/3
(D) 1/3
(E) 1/15

Vejam como o exerccio explora como uma varivel aleatria.

Resoluo:
A cada possvel amostra de tamanho 2, assume um valor diferente.

Exemplo: se a amostra for (1, 3), a mdia amostral ser 2.
Ou seja, se pensarmos em todas as possveis amostras de tamanho 2, varia, uma

Se a amostra for (1, 5), a mdia amostral ser 3.
varivel aleatria.
Abaixo temos todas as amostras possveis, de tamanho 2, sem reposio:
1, 2 1, 3 1,4 1,5 1,6
2,3 2,4 2,5 2,6 3,4
3,5 3,6 4,5 4,6 5,6
So quinze amostras possveis.
Em um nico caso a mdia maior que 5. Trata-se da amostra (5,6).
Temos um caso favorvel em quinze possveis. A probabilidade de que a mdia seja maior
1
que 5 de:
&=
15
Gabarito: E
Destaco que no era necessrio escrever todas as amostras para contar quantas so.
Poderamos usar anlise combinatria para tanto.
No caso das amostras possveis, queremos formar conjuntos de dois elementos, a partir dos
6!
seis valores disponveis. Temos combinao de 6, tomados 2 a 2.
'(, = = 15
4! 2!
No caso dos casos favorveis, temos um nico caso favorvel (5, 6).
1
Dividindo o nmero de casos favorveis pelo nmero de casos possveis, temos:
&=
15
2.2. #
Esperana e varincia de
possvel demonstrar que tem esperana igual a e varincia igual a .

$ =

- =

Alm disso, aproximadamente normal. A aproximao ser tanto melhor quanto maior
for o tamanho da amostra.

Muito bem, vejamos esses resultados separadmente.

O primeiro deles o seguinte:
E (X ) =
Ou seja, o valor esperado para a mdia amostral (vista como uma varivel aleatria) igual
mdia da populao.
Explicando melhor.
Se fosse possvel fazer muitas e muitas amostras, de tal modo que, em cada uma delas,
calculssemos a mdia amostral ( X ), a mdia de todos os valores de X seria justamente a
mdia da populao ( ).
Como exemplo, considere um tetraedro regular. Nas suas faces temos os nmeros 1, 2, 3, 4.
Lanamos o tetraedro sobre uma mesa. X representa o valor da face que fica em contato
com a mesa.
Vamos realizar um estudo dos possveis resultados deste lanamento. Para tanto, lanamos
duas vezes (amostra de tamanho 2).
Saram os resultados 1 e 3.
Para esta amostra em particular a mdia amostral foi:
1+ 3
X = =2
2
Ok, fizemos uma nica amostra. Neste caso, X um nmero. simplesmente a mdia
aritmtica dos valores pertencentes amostra.
Acontece que no estamos interessados em uma amostra especfica, que fornece um valor
nico para X . Estamos interessados na varivel aleatria X .
O resultado do lanamento do dado aleatrio. Seria possvel que tivssemos obtido outras
amostras. Se o tetraedro for homogneo, as possveis amostras seriam:
1e1 1e2 1e3 1e4
2e1 2e2 2e3 2e4
3e1 3e2 3e3 3e4
4e1 4e2 4e3 4e4
Seriam 16 amostras possveis, todas elas com a mesma probabilidade de ocorrer. O valor da
mdia amostral em cada uma dessas amostras seria:

Valores da amostra X
1e1 1
1e2 1,5
1e3 2
1e4 2,5
2e1 1,5
2e2 2
2e3 2,5
2e4 3
3e1 2
3e2 2,5
3e3 3
3e4 3,5
4e1 2,5
4e2 3
4e3 3,5
4e4 4
Repare que X pode ser visto como uma varivel aleatria que assume diversos valores.
A mdia de todos os possveis valores de X fica:
1
E( X ) = (1 + 1,5 + 2 + 2,5 + 1,5 + 2 + 2,5 + 3 + 2 + 2,5 + 3 + 3,5 + 2,5 + 3 + 3,5 + 4)
16
E ( X ) = 2,5
Vamos agora calcular a mdia da varivel aleatria X.
A varivel aleatria X assume os valores 1, 2, 3, 4, cada um com probabilidade 1/4.
Portanto:
1 1 1 1
E( X ) = = 1 + 2 + 3 + 4
4 4 4 4
= 2,5
Concluindo: a esperana da mdia amostral igual esperana da populao. Isto significa
que, se fosse possvel fazer um nmero muito grande de amostras, a mdia de todas as
mdias amostrais seria igual mdia da populao.
X pode ser vista como uma varivel aleatria com esperana . Ou seja, a mdia das
mdias amostrais a mdia da populao

Ainda no estudamos as diversas caractersticas dos estimadores. Mas podemos falar sobre
uma delas: o estimador no tendencioso (ou no viciado, ou no viesado).
O fato da mdia de X ser igual mdia da populao nos permite classificar X como
estimador no tendencioso (ou no viciado). Usando esse estimador, em mdia
(considerando as inmeras amostras que poderiam ser feitas), ns estamos realmente
acertando o valor do parmetro desconhecido.
Sempre que a esperana de um estimador for igual ao parmetro estimado, estamos diante
de um estimador no tendencioso.
E (X ) = :
A mdia de X igual ao parmetro estimado; se fizssemos inmeras amostragens, em

mdia, acertaramos a mdia populacional.
Sabendo que X pode ser vista como uma varivel aleatria, possvel calcular a sua
varincia.
Seja 2 a varincia da populao.
possvel demonstrar que, sendo n o tamanho das amostras, a varincia de X fica:
2
V (X ) =
n
Um outro smbolo possvel para a varincia de X seria: X . Portanto:
2
2
X =
2
n
A varincia da mdia amostral igual varincia da populao dividido por n.
Por consequncia, o desvio padro da mdia amostral :

X =
n
Ou seja, o desvio padro de X igual ao desvio padro da populao dividido por raiz de n.
Esses resultados acima no so difceis de entender. Eles decorrem diretamente das

propriedades da esperana e da varincia.
Considere que X1, X2, ..., Xn constituam uma amostra aleatria de tamanho n. A amostra
extrada de uma populao infinita (ou, caso a populao seja finita, a amostragem feita
com reposio). Daqui a pouco falamos da importncia disso.
+ + + /
A mdia amostral fica:
=


+ + + /
Agora aplicamos a esperana dos dois lados da igualdade:
$ = $ 0 1

O nmero pode ser retirado da esperana, dividindo:
1
$ = $ + + + /

1
A esperana da soma igual soma das esperanas:
$ = 2$ + $ + + $/ 3

Cada uma das variveis tem esperana igual esperana populacional:
1
$ =
2 + + + 3

1
$ = 23 =

Que o primeiro resultado apresentado.
Alm disso, como para calcular precisamos somar diversas variveis independentes entre
si, aproximadamente normal. A aproximao tanto melhor quanto maior o valor de
n. Trata-se de aplicao do teorema do limite central. Esse foi o terceiro resultado
apresentado.
Finalmente, vejamos a varincia de :

+ + + /
=

+ + + /
Aplicamos a varincia dos dois lados da igualdade:
- = - 0 1

Propriedades da varincia: quando dividimos a varivel por uma constante, a varincia
1
dividida pela constante ao quadrado:
- = - + + + /

1
Se as variveis forem independentes entre si, a varincia da soma a soma das varincias:
- = 2- + - + + -/ 3

Todas as variveis tm varincia
1
- = 2 + + + 3

1
- = 2 3 =



Logo:
4 =

Esse foi o segundo resultado apresentado.

Como j dissemos, estas frmulas da varincia e desvio padro s so vlidas se a varivel
aleatria tiver populao infinita (ou seja, assume infinitos valores, como no caso de uma
varivel aleatria contnua).
Caso a populao seja finita (como foi o caso do lanamento do tetraedro), o resultado
O detalhe o seguinte. No desenvolvimento da varincia de usamos o fato de que X1, X2,

continua valendo, desde que a amostragem seja feita com reposio.
a populao infinita, de modo que qualquer que seja o resultado para um valor ,
..., Xn so independentes entre si. Para que isso ocorra, devemos ter uma de duas situaes:
isso no interfere nas probabilidades para o valor 6 ;

a populao finita, mas a amostragem feita com reposio

Exemplificando. Considere que temos uma urna com bolas numeradas de 1 a 10. Extramos
duas bolas da urna.
Se a primeira bola 1, e no h reposio, ento a chance de a segunda bola ser 1 0. Isso
porque no sobrou bola com nmero 1 na urna.
No entanto, se a primeira bola extrada 2, e no h reposio, ento a chance de a
segunda bola ser 1 de 1/9. Isso porque sobrou uma bola de nmero 1, em 9 restantes.
Ou seja, no caso de populao finita e amostragem sem reposio, as probabilidades para
uma extrao dependem dos resultados das outras extraes. As variveis so dependentes.
Assim, caso a populao seja finita e a amostragem seja feita sem reposio, as frmulas
devem ser adaptadas (fator de correo para populaes finitas).
Falamos sobre este fator mais adiante.

Por enquanto, vamos nos concentrar na frmula que mais cobrada:
2
X2 =
n
Por consequncia:

X =
n
Vamos ver a aplicao desta frmula da varincia para o caso do tetraedro.
A varivel aleatria X pode assumir os valores 1, 2, 3 e 4, cada um com probabilidade 1/4.
Sua varincia fica:

X Quadrado do desvio em relao Probabilidade e2 P

2
mdia ( e ) (P)
1 2,25 0,25 0,5625
2 0,25 0,25 0,0625
3 0,25 0,25 0,0625
4 2,25 0,25 0,5625
TOTAL 1 1,25
E varincia de X fica:
1,25
V (X ) = 2 = = 1,25
1
A varivel aleatria X , quando fazemos amostras de tamanho 2, assume os seguintes
valores:
X Probabilidade
1 1/16
1,5 2/16
2 3/16
2,5 4/16
3 3/16
3,5 2/16
4 1/16
E sua varincia fica:
X Quadrado do desvio em relao Probabilidade e2 P
mdia ( e 2 ) (P)
1 2,25 1/16 0,140625
1,5 1,00 2/16 0,125
2 0,25 3/16 0,046875
2,5 0,00 4/16 0
3 0,25 3/16 0,046875
3,5 1,00 2/16 0,125
4 2,25 1/16 0,140625
TOTAL 1 0,625
A varincia de X dada por:
0,625
V (X ) = = 0,625
1
A varincia da populao foi de 1,25.
2 = 1,25
A varincia de X foi 0,625.
V ( X ) = 0,625
As amostras tinham tamanho 2.

n=2
Portanto:
2
V (X ) =
n
1,25
0,625 =
2
2
X pode ser vista como uma varivel aleatria com esperana e varincia n (e,

consequentemente, desvio padro n ).
Ou seja, a mdia de X igual mdia da populao. E a varincia de X igual varincia

da populao dividida por n. O desvio padro de X igual ao desvio padro da populao
dividido por raiz de n.
Agora vem o grande detalhe. Pelo teorema do limite central possvel demonstrar que a
varivel aleatria X tem distribuio aproximadamente normal. A aproximao melhor
quanto maior o tamanho das amostras (quanto maior o valor de n). Isto vale mesmo que a
varivel X no seja normal.
Caso a varivel X seja normal, a varivel X tambm ser normal (a j no aproximao).
Ou seja, para a varivel X ns podemos utilizar a tabela de reas para a varivel normal.
Isto de extrema utilidade na determinao dos chamados intervalos de confiana.
X pode ser vista como uma varivel aleatria normal (ou aproximadamente normal), com
2
mdia , varincia e desvio padro .
n n
A aproximao vale mesmo que X no seja normal. Quanto maior o tamanho das amostras,
melhor a aproximao.

Questo 7 TRF 1 Regio/2001 [FCC]

Para responder questo seguinte, considere a tabela abaixo, referente distribuio
normal padro.
z F (z )
1,20 0,885
1,60 0,945
1,64 0,950
Uma mquina de empacotar leite em p o faz segundo uma normal com mdia e desvio
padro 10g. O peso mdio deve ser regulado para que apenas 5,5% dos pacotes tenham
menos do que 1000 g. Com a mquina assim regulada, a probabilidade de que o peso total
de 4 pacotes escolhidos ao acaso seja inferior a 4.040 g :
a) 0,485
b) 0,385
c) 0,195
d) 0,157
e) 0,115
Resoluo.
A questo poderia ter sido mais clara, explicitando o que significa F(z).
muito comum utilizarmos o smbolo F(z) para representar a funo distribuio de
probabilidade (FDP).
Relembrando o significado da FDP, ela nos fornece probabilidades para a varivel aleatria
Z, normal, de mdia 0 e desvio padro unitrio.
Assim, na primeira linha da tabela temos que F(1,2) = 0,885.
Isto significa que a probabilidade de Z assumir valores menores que 1,2 de 88,5%.
Analogamente, da segunda linha temos que a probabilidade de Z assumir valores menores
que 1,6 de 94,5%.
Por fim, da terceira linha temos que a probabilidade de Z assumir valores menores que 1,64
de 95%.
Da tabela acima, conclumos que a rea verde da figura abaixo igual a 94,5%.

Uma vez que a rea total igual a 1, conclumos que a rea vermelha igual a 5,5%. Como o
grfico simtrico, sabemos que a rea amarela abaixo tambm igual a 5,5%.
Seja X a varivel aleatria que indica o peso dos pacotes de leite em p.

A transformao para encontrar a varivel reduzida :
X
Z=

Sabemos que 5,5% dos valores de Z so menores ou iguais a -1,6.
Sabemos que 5,5% dos valores de X so menores ou iguais a 1.000 g.
Logo, quando Z vale -1,6, X vale 1.000.
1000
1,6 = 16 = 1000 = 1016
10
Encontramos o peso mdio dos pacotes.

Os pesos dos pacotes se comportam como uma varivel normal de mdia 1016 e desvio
padro de 10 gramas.
A pergunta : qual a probabilidade de o peso total de uma amostra de 4 pacotes ser inferior
a 4040g?
4040
Lembrando que = 1010 , temos que essa pergunta equivale a:
4
Qual a probabilidade de o peso mdio de uma amostra de 4 pacotes ser inferior a 1010 g?
Seja X a varivel aleatria que designa o peso mdio em amostras de 4 pacotes. X tem
distribuio normal. Sua mdia dada por:
E[ X ] = = 1016
Sua mdia igual mdia da populao.
Seu desvio padro dado por:
10
V[X ] = X = = =5
n 2
X uma varivel aleatria com mdia 1016 e desvio padro igual a 5.

Queremos saber a probabilidade de X ser inferior a 1010g. Precisamos consultar a tabela
de reas fornecida na prova. Para tanto, precisamos achar o valor da varivel normal
reduzida Z que corresponde a 1010.
E agora cuidado!
A varivel aleatria em estudo X . Na hora de obter a varivel Z, temos que fazer uma
subtrao e uma diviso.
Subtramos a mdia da varivel X (no caso, 1016). E dividimos pelo desvio padro de X
(no caso, 5).
X
Z=
X
Quando X vale 1010, Z vale:

1010 1016
Z= = 1,2
5
Vamos achar a probabilidade de Z ser menor que -1,2.
A tabela fornecida nos diz que a rea verde da figura abaixo de 0,885.

Como a rea total igual a 1, a rea vermelha igual a 0,115 (=1-0,885). Uma vez que o
grfico simtrico, a rea amarela da figura abaixo tambm de 0,115.
A probabilidade de Z ser menor que -1,2 de 0,115. Consequentemente, a probabilidade de

X ser menor que 1010 tambm de 0,115.
Gabarito: E.
Questo 8 MPU/2007 [FCC]

Se retirarmos uma amostra aleatria de 1200 observaes de uma populao com
distribuio uniforme no intervalo [17; 29], a distribuio da mdia amostral X ser,
aproximadamente,
a) uniforme com mdia 23 e varincia 12
b) normal com mdia 23 e desvio padro 0,1
c) uniforme com mdia 23 e varincia 1
d) normal com mdia 23 e desvio padro 12.

e) normal com mdia 23 e desvio padro 1.
Resoluo.
Quando a populao tem distribuio normal, X tambm uma varivel aleatria normal.
Quando a populao no for normal, X ser aproximadamente normal. A aproximao
ser tanto melhor quanto maior for a amostra.
Nesse caso, em que X uniforme, X aproximadamente normal. Note que a amostra
bem grande (n = 1200).
Estudamos na aula passada que, para calcular a mdia de uma varivel aleatria uniforme,
basta pegar o ponto mdio do intervalo em que ela diferente de zero. Neste caso, a
esperana de X fica:
29 + 17
E[ X ] = = 23
2
A mdia de X coincide com a mdia populacional.
E[ X ] = = 23
Para terminar a questo, ainda falta achar o desvio padro da mdia amostral. Para tanto,
precisamos da varincia da populao (no informada).
Vimos na aula passada que, se uma varivel aleatria uniforme no intervalo [a, b], sua
varincia fica:
(b a ) 2
V (X ) =
12
29 17 12

Neste caso, a varivel uniforme no intervalo entre 17 e 29.
- = = = 12
12 12
Sabendo que X tem varincia 12, temos:
2 12
X2 = = = 0,01
n 1200
X = 0,1
Portanto, X tem distribuio aproximadamente normal, com mdia 23 e desvio padro 0,1.
Gabarito: B.
Certa populao em estudo tem = 47 e = 12. Se forem realizadas 500 amostras

Questo 9 GDF SEJUS 2010 [UNIVERSA]
aleatrias de tamanho 25, quantas dessas amostras se espera que tenham mdia maior do
que 50?
(A) 37.

(B) 49.
(C) 53.
(D) 65.
(E) 77.
A mdia das amostras () pode ser vista como uma varivel aleatria aproximadamente
Resoluo.
Alm disso, tem desvio padro dado por:

normal, de mdia 47 (pois igual mdia da populao).

4 =

12 12
4 = = = 2,4
25 5
Com isso, tem mdia 47 e desvio padro 2,4.
Queremos saber a probabilidade de esta varivel aleatria assumir valores maiores que 50.
transformao que converte a varivel em estudo () na varivel normal padro:

Precisamos consultar a tabela I, colocada ao final da aula. Para tanto, usamos a

9=
4
47
9=
2,4
Quando vale 50, Z vale:
50 47
9= = 1,25
2,4
Com isso, a probabilidade de a mdia amostral ser maior que 50 igual probabilidade de Z
ser maior que 1,25.
Consultando a tabela I, colocada ao final da aula, temos:
PROBABILIDADE DE Z ESTAR ENTRE 0 E Z0
Segunda casa decimal de Z0
Z0 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
&0 < 9 < 1,25 = 39,44%

Logo:
&9 > 1,25 = 50% 39,44% = 10,56%

Portanto:

Espera-se que em 10,56% das amostras a mdia amostral seja maior que 50.
10,56% 500 = 52,8

Lembrando-se que sero extradas 500 amostras:
Espera-se que em aproximadamente 53 amostras a mdia seja maior que 50.

Gabarito: C
Questo 10 Ministrio da Sade/2007 [FCC]

Para responder questo seguinte, considere, dentre os dados abaixo, aqueles que julgar
apropriados. Se Z tem distribuio normal padro, ento:
P ( Z > 2) = 0,023 ; P (0 < Z < 1,6) = 0,445 ; P ( Z < 1) = 0,84 ; P (0 < Z < 2,33) = 0,49
Suponha que o peso de crianas de 10 anos, numa determinada populao, tenha
distribuio normal com mdia desconhecida e desvio padro 4 kg. A probabilidade de
que o peso mdio de uma amostra aleatria simples de 100 crianas, selecionadas desta
populao, difira por mais de 400 gramas de , aproximadamente, igual a:
a) 0,10
b) 0,16
c) 0,20
d) 0,27
e) 0,32
Resoluo.
X uma varivel aleatria de mdia e desvio padro:
4
X = = = 0,4
n 10
Vamos achar a probabilidade de X distar menos de 0,4 kg da mdia populacional.

Isso ocorre quando X assume valores entre 0,4 e + 0,4 .
Vamos achar os valores de Z correspondentes. Quando X igual a 0,4 , Z igual a:
X 0,4
Z= = = 1
X 0,4
Quando X igual a + 0,4 , Z igual a:
X + 0,4
Z= = =1
X 0,4
Fomos informados que:

P ( Z < 1) = 0,84

Desta forma, a rea verde da figura abaixo igual a 0,84.
Logo, a probabilidade de Z ser maior que 1 de:

P ( Z > 1) = 1 0,84 = 0,16
Esta probabilidade corresponde rea amarela da figura abaixo:
Como a fdp da normal reduzida simtrica em torno de zero:

P ( Z < 1) = 0,16 .
Ou seja, a rea vermelha abaixo igual amarela e cada uma delas vale 0,16.

Deste modo, a probabilidade de Z estar entre -1 e 1 de:

P ( 1 < Z < 1) = 1 0,16 0,16 = 0,68
Esta probabilidade corresponde rea verde abaixo:
A probabilidade de Z assumir valores entre -1 e 1 de 68%. Portanto, a probabilidade de X

assumir valores entre 0,4 e + 0,4 tambm de 68%. Ou seja, a probabilidade de X
distar menos de 0,4 kg da mdia populacional de 68%. Consequentemente, a
probabilidade de X distar mais de 0,4 kg da mdia populacional de 32%.
Gabarito: E
probabilidade ou X = 1 com 50% de probabilidade. A mdia, , de quatro realizaes de X,

A distribuio de probabilidades da varivel aleatria X tal que X = -1 com 50% de
sucessivas e independentes, uma varivel aleatria de mdia e desvio padro,

respectivamente, iguais a
(A) 0 e 2

(B) 0 e 1
(C) 1 e 0.5
(D) 1 e 0
(E) 0 e 0.5
Resoluo
$ = 1 & = 1 + 1 & = 1

Primeiro calculamos a mdia de X:
$ = 1 0,5 + 1 0,5 = 0
$ = 1 & = 1 + 1 & = 1 = 1 0,5 + 1 0,5 = 1

Agora calculamos a varincia de X:
- = $ $ = 1 0 = 1

Logo:
= >- = 1
uma varivel aleatria com mdia igual mdia de X. Logo, tem mdia 0.
uma varivel aleatria com desvio padro dado por:
1
= = 0,5
4
tem mdia 0 e desvio padro 0,5.
Gabarito: E

Apesar de uma caracterstica numrica supostamente possuir distribuies com varincias
diferentes em duas populaes distintas, deseja-se testar a hiptese estatstica da igualdade
das duas mdias. Assim, da primeira populao retira-se uma amostra aleatria simples de
tamanho 9 e da segunda populao retira-se outra amostra aleatria simples independente
de tamanho 16. A caracterstica medida na amostra da primeira populao tem mdia 83 e
desvio-padro amostral 7, enquanto a caracterstica medida na amostra da segunda
populao tem mdia 81 e desvio-padro amostral 8. Obtenha o valor mais prximo do erro
padro da diferena estimada entre as mdias.
a) 1,05.
b) 1,92.
c) 2,26.
d) 2,82.
e) 3,07.

Resoluo
Sejam X e Y as variveis que designam as duas populaes.
9 = ?
Seja Z a varivel que representa a diferena entre as estimativas das mdias:
A questo pede o desvio padro de Z.
-9 = - ?

Temos:
-9 = - + -?

Quando as variveis so independentes, a varincia da diferena a soma das varincias.
- -?
-9 = +
4 @
Como no conhecemos as varincias populacionais, substitumos esses valores pelas suas
4 @
estimativas (varincias amostrais). A obteremos uma estimativa para a varincia de Z:
A = +
4 @
49 64
Onde nx e ny representam os tamanhos das amostras de X e Y.
A = +
9 16
49 16 + 64 9
A =
9 16
1360
A =
9 16
1360
A = B
9 16
1360
=
34
Para clculo da raiz quadrada de 1.360,podemos utilizar o clculo aproximado da raiz

quadrada.
Primeiro determinamos um quadrado perfeito prximo de 1.360. No caso,1.296 igual a
362.
Em seguida, fazemos a seguinte conta: somamos o nmero para o qual desejamos calcular a
raiz (1.360) com o quadrado perfeito prximo (1.296), e dividimos pelo dobro da raiz do
quadrado perfeito (raiz de 1.296):

1360 + 1296 1360 + 1296

= 36,88
2 1296 36
Esta a aproximao para a raiz de 1.360.
36,88
Continuando com o clculo:
A 3,07
12
Gabarito: E
Questo 13 SENADO 2008 [FGV]

Seja X1,X2, ...,Xn uma coleo de variveis aleatrias independentes e identicamente
$ =
distribudas tal que
-DE = 10
E
&| | < 1 0,99 I

Considere a seguinte desigualdade:
Com
1
/
=

Usando o Teorema Central do Limite e fazendo I J . a inversa da distribuio acumulada

da normal padro, o menor valor de n de modo a assegurar a validade da desigualdade em
a) 10 2I J 0,993
(I) :
b) 10 2I J 0,9953
c) 10 2I J 0,993
d) 100 2I J 0,9953
e) 100 2I J 0,993
Resoluo:
| | < 1
Queremos que:
1 < < 1
Desenvolvendo a inequao:
1 < < 1 +
Queremos que a probabilidade de estar neste intervalo seja de 99%.

Pelo teorema do limite central, tem distribuio aproximadamente normal. Sua mdia
e seu desvio padro dado por:

Onde o desvio padro da populao e "n" o tamanho da amostra. A populao tem
varincia 10. Logo, o desvio padro igual raiz quadrada de 10. A amostra tem tamanho
"n". Substituindo esses valores:
10

Sempre que estamos estudando uma distribuio normal qualquer, a determinao de
probabilidades associadas a intervalos feita pela comparao com a normal padro.
Ento precisamos determinar os valores da normal pardo (Z) que delimitam uma rea de
99%. Abaixo segue um esboo do grfico da funo densidade de probabilidade da normal
padro:
Procuramos pelos valores Z0 e +Z0 tal que a rea hachurada seja de 99%.
Se a rea hachurada de 99%, ento a soma das reas brancas 1%. Como o grfico
simtrico, cada uma delas tem rea de 0,05%.
99% + 0,5% = 99,5%

Logo, a rea a esquerda de Z0 de:
Disto resulta que Z0 o valor com funo distribuio de probabilidade acumulada de
I9K = 99,5%
99,5%.
9K = I J 0,995
Aplicando a funo inversa dos dois lados:
A relao entre Z e dada por:


9=
4
1 < < 1 +
Vejam que a probabilidade de a mdia amostral estar no intervalo
9K < 9 < 9K
igual probabilidade de Z estar no intervalo:
= 1 +
Assim, quando Z = Z0, temos que

Voltando ento na relao entre as duas variveis:
9=
4
1+
9=
4
94 = 1
Substituindo o valor do desvio padro da mdia amostral e o valor de Z0:
10
I J 0,995 =1

I J 0,995 10 =
Elevando os dois termos ao quadrado:
= LI J 0,995M

Gabarito: B
Um processo segue uma distribuio normal, com mdia 15 e desvio-padro 2, ou

~15,2
seja,
Sobre uma amostra de tamanho 36 (), analise as afirmativas a seguir:

I. Dado que X normal, () tambm normal.
II. A mdia amostral difere da populao pelo fator = 4 , no qual 4 a
III. apresenta desvio-padro de 1/3.

mdia populacional e n o nmero de observaes na amostra.
Assinale
a) se apenas a afirmativa I estiver correta.

b) se apenas as afirmativas I e II estiverem corretas.

c) se apenas as afirmativas II e III estiverem corretas.
d) se apenas as afirmativas I e III estiverem corretas.
e) se todas as afirmativas estiverem corretas.
Resoluo:
Item I - Certo. Quando a populao infinita, a distribuio amostral da mdia
aproximadamente normal, sendo tanto melhor a aproximao quanto maior o tamanho da
amostra. Se a populao normal, a distribuio amostral da mdia normal (a j no
aproximao).
Item II - Errado. A mdia de igual mdia da populao. por esse motivo que a mdia
amostral um estimador dito "no tendencioso", "no viciado" ou "no enviesado".
Item III - O desvio padro de igual ao desvio padro da populao, dividido por , onde
2 2 1
"n" o tamanho da amostra:
4 = = = =
36 6 3
Item correto.
Gabarito: D
Questo 15 TRE SP 2012 [FCC]

Ateno: Para resolver questo, use, dentre as informaes dadas a seguir, as que julgar
apropriadas.
Se Z tem distribuio normal padro, ento:
P(Z < 1) = 0,84, P(Z < 1,28) = 0,90, P(Z < 2) = 0,977, P(Z < 2,88) = 0,998
O
Considere as variveis aleatrias Xi: N(10, 4), i = 1, 2, 3, 4, independentes. Seja
=
4
Nessas condies, o valor D tal que & > D = 0,9 igual a
a) 7,16.
b) 7,44.
c) 7,56.
d) 7,85.
e) 8,72.

Resoluo
$ = $ = 10
A esperana da mdia amostral coincide com a esperana da populao:
A varincia da mdia amostral igual varincia da populao, dividida por , onde o
- 4
tamanho da amostra (no caso, vale 4).
- = = =1
4
Assim, uma varivel aleatria com esperana 10 e varincia 1 (logo, desvio padro igual
a 1).
&9 < 1,28 = 0,9

O enunciado nos informou que:
&9 > 1,28 = 0,9

Portanto:
Isso ocorre porque a normal reduzida simtrica em torno de 0.
As variveis e 9 se relacionam do seguinte modo:

$
9=
4
Quando 9 = 1,28, = D. Sabemos disso porque:
&9 > 1,28 = & > D = 0,9
$
Com isso:
9=
4
D 10
1,28 =
1
D 10 = 1,28
D = 10 1,28 = 8,72
Gabarito: E
3. DISTRIBUIO AMOSTRAL DA PROPORO
3.1. P como uma varivel aleatria

Seja ! a proporo de casos favorveis em uma populao e ! a proporo de casos

favorveis em uma amostra. Vimos que ! um estimador para !.
Para ficar mais claro, vamos analisar o exemplo do dado que lanado trs vezes.
Consideramos caso favorvel quando sai um mltiplo de 3.

Na populao (formada por todos os possveis resultados do lanamento do dado), a

proporo de casos favorveis igual a 1/3. Por esse motivo, a probabilidade de sucesso em
um nico lanamento igual a 1/3. Assim, a proporo de casos favorveis na populao
igual probabilidade de sucesso em um lanamento.
Ficamos com:
p = 1 / 3 (proporo de casos favorveis na populao = probabilidade de sucesso em um
lanamento)
q = 2 / 3 (proporo de casos desfavorveis na populao = probabilidade de fracasso em
um lanamento).
Lanamos o dado trs vezes. Obtemos os seguintes resultados: 1, 3, 6.

Na amostra de tamanho 3, a proporo de casos favorveis foi de 2/3.
p = 2 / 3
Usamos a proporo amostral para estimar a proporo da populao. Caso no
soubssemos que o dado tem 1/3 de faces com mltiplos de 3, a partir do resultado obtido
na amostragem acima, estimaramos esta proporo em 2/3.
Quando temos uma nica amostra, p um valor, um nmero, fixo, constante.
Mas podemos pensar em p de forma diferente. Podemos pensar em inmeras amostras
possveis. Se lanssemos o dado trs vezes novamente, obtendo outra amostra, p poderia
assumir outros valores. Quando consideramos as inmeras amostras possveis, p uma
varivel aleatria.
Neste exemplo do dado, as amostras de tamanho 3 possveis seriam:
1 1 1 2 1 1 3 1 1 4 1 1 5 1 1 6 1 1 1 4 1 2 4 1 3 4 1 4 4 1 5 4 1 6 4 1
1 1 2 2 1 2 3 1 2 4 1 2 5 1 2 6 1 2 1 4 2 2 4 2 3 4 2 4 4 2 5 4 2 6 4 2
1 1 3 2 1 3 3 1 3 4 1 3 5 1 3 6 1 3 1 4 3 2 4 3 3 4 3 4 4 3 5 4 3 6 4 3
1 1 4 2 1 4 3 1 4 4 1 4 5 1 4 6 1 4 1 4 4 2 4 4 3 4 4 4 4 4 5 4 4 6 4 4
1 1 5 2 1 5 3 1 5 4 1 5 5 1 5 6 1 5 1 4 5 2 4 5 3 4 5 4 4 5 5 4 5 6 4 5
1 1 6 2 1 6 3 1 6 4 1 6 5 1 6 6 1 6 1 4 6 2 4 6 3 4 6 4 4 6 5 4 6 6 4 6
1 2 1 2 2 1 3 2 1 4 2 1 5 2 1 6 2 1 1 5 1 2 5 1 3 5 1 4 5 1 5 5 1 6 5 1
1 2 2 2 2 2 3 2 2 4 2 2 5 2 2 6 2 2 1 5 2 2 5 2 3 5 2 4 5 2 5 5 2 6 5 2
1 2 3 2 2 3 3 2 3 4 2 3 5 2 3 6 2 3 1 5 3 2 5 3 3 5 3 4 5 3 5 5 3 6 5 3
1 2 4 2 2 4 3 2 4 4 2 4 5 2 4 6 2 4 1 5 4 2 5 4 3 5 4 4 5 4 5 5 4 6 5 4
1 2 5 2 2 5 3 2 5 4 2 5 5 2 5 6 2 5 1 5 5 2 5 5 3 5 5 4 5 5 5 5 5 6 5 5
1 2 6 2 2 6 3 2 6 4 2 6 5 2 6 6 2 6 1 5 6 2 5 6 3 5 6 4 5 6 5 5 6 6 5 6
1 3 1 2 3 1 3 3 1 4 3 1 5 3 1 6 3 1 1 6 1 2 6 1 3 6 1 4 6 1 5 6 1 6 6 1
1 3 2 2 3 2 3 3 2 4 3 2 5 3 2 6 3 2 1 6 2 2 6 2 3 6 2 4 6 2 5 6 2 6 6 2
1 3 3 2 3 3 3 3 3 4 3 3 5 3 3 6 3 3 1 6 3 2 6 3 3 6 3 4 6 3 5 6 3 6 6 3
1 3 4 2 3 4 3 3 4 4 3 4 5 3 4 6 3 4 1 6 4 2 6 4 3 6 4 4 6 4 5 6 4 6 6 4
1 3 5 2 3 5 3 3 5 4 3 5 5 3 5 6 3 5 1 6 5 2 6 5 3 6 5 4 6 5 5 6 5 6 6 5
1 3 6 2 3 6 3 3 6 4 3 6 5 3 6 6 3 6 1 6 6 2 6 6 3 6 6 4 6 6 5 6 6 6 6 6
Todas essas amostras so equiprovveis. Podemos montar o seguinte quadro:

p Probabilidade
0 64/216
1/3 96/216
2/2 48/216
3/3 8/216
A esperana de p fica:
64 1 96 2 48 3 8
E ( p ) = p = 0 + + + = 1/ 3
216 3 216 3 216 3 216
A esperana da proporo amostral igual esperana da proporo da populao.
A varincia de p fica:
2 2 2 2
1 64 1 1 96 2 1 48 1 8 2
p 2
= 0 + + + 1 =
3 216 3 3 216 3 3 216 3 216 27
Sabendo que a proporo amostral pode ser vista como uma varivel, importante ver um
meio mais rpido para calcular sua mdia e sua varincia.
Nesse exemplo do lanamento do dado, seja X o nmero de casos favorveis em n

lanamentos. Vimos em aula anterior que X uma varivel binomial com mdia e varincia
dadas por:
X = np
X 2 = npq
Onde n o nmero de experimentos, p a probabilidade de sucesso e q a probabilidade
de fracasso. Nesse exemplo, n = 3; p = 1/3; q = 2/3.
Ficamos com:
X = np = 1
X 2 = npq = 2 / 3
X tem mdia 1 e varincia 2/3. Isso significa que, em trs lanamentos, esperamos 1 caso
favorvel (e dois desfavorveis). Ou seja, se fosse possvel fazer infinitos conjuntos de trs
lanamentos do dado, o nmero mdio de casos favorveis seria igual a 1.
Seja p a proporo de casos favorveis verificada numa dada amostra de tamanho n. A
varivel p pode ser obtida a partir de X.
X
p =
n
Para ficar mais claro, suponhamos um conjunto de lanamentos em particular. Lanamos o
dado trs vezes, obtendo: 1, 3, 6.
Nessa situao, o nmero de casos favorveis igual a 2 (X = 2). E a proporo de casos
favorveis fica:

X
p =
n
2
p =
3
Em dois teros dos casos, tivemos sucesso.
Fcil, n? Para achar a proporo de casos favorveis na amostra, basta pegar a varivel X e
dividir por n.
Sabemos como calcular a mdia e a varincia da varivel binomial. Sabemos que a varivel
X
p , que indica a proporo de casos favorveis na amostra, pode ser obtida por: p = .
n
Para obtermos p , dividimos a varivel X por uma constante n.
Quando dividimos uma varivel por uma constante, a mdia tambm fica dividida por essa
constante. A mdia de p :
X np
p = = = p
n n
Conclumos que a esperana de p justamente a probabilidade de sucesso em um
experimento.
Quando lanamos o dado trs vezes (obtendo uma nica amostra de tamanho 3), teremos
um determinado valor para a proporo amostral ( p ). Esse valor pode ser igual a 1/3 ou
no. No exemplo acima (com resultados 1, 3 e 6), inclusive, foi diferente.
Mas, se fosse possvel repetir infinitas vezes o conjunto de trs lanamentos, obtendo para
cada amostra um valor de p , teramos que a mdia de p seria igual a 1/3.
Vejamos agora a varincia de p . Quando dividimos uma varivel por uma constante, a
varincia sofre a variao ao quadrado.
X npq pq
2
p = p = X2 = 2 =
2
n n n n
E seu desvio padro fica:
pq
p =
n
Ento o que importa para gente saber isso. Se p for a varivel que indica a proporo de
casos favorveis na amostra, ento p tem mdia e desvio padro dados por:
p = p
pq
p =
n

Proporo de casos favorveis na amostra

Pode ser vista como uma varivel com mdia e desvio padro dados por:
p = p
pq
p =
n
Onde p a proporo de casos favorveis na populao e q a proporo de casos
desfavorveis na populao.
Questo 16 TCU 2008 [CESPE]

Uma agncia de desenvolvimento urbano divulgou os dados apresentados na tabela a
seguir, acerca dos nmeros de imveis ofertados (X) e vendidos (Y) em determinado
municpio, nos anos de 2005 a 2007.
Com respeito ao texto, considere que cada imvel ofertado em determinado ano seja
classificado como vendido ou no-vendido, e, a um imvel e classificado como vendido seja
atribudo um valor Z = 1, e, ao imvel classificado como no-vendido, seja atribudo um
valor Z = 0. Supondo-se que as classificaes dos imveis como vendido ou no-vendido em
um dado ano possam ser consideradas como sendo realizaes de uma amostragem
aleatria simples, julgue os itens a seguir.
Considerando os dados de 2007, a estimativa da probabilidade P(Z = 1) igual a 0,35, e o
erro-padro dessa estimativa superior a 0,01 e inferior a 0,02.
Resoluo:
No fundo, queremos, a partir da amostra fornecida, estimar a proporo de imveis
vendidos na populao.

Consideramos que a proporo de imveis vendidos na amostra um estimador da
700
proporo de imveis vendidos na populao. Esta estimativa fica:
! = = 0,35
2000
O desvio padro fica:
! QR 0,35 0,65
B =B
2000
Observem que, na verdade, deveramos usar na frmula do desvio padro os valores de ! e

Q. No entanto, se temos acesso apenas a uma amostra, no temos como saber tais valores.
Substitumos ento por suas estimativas (! S QR)
Continuando.
Para responder questo, temos que saber se o desvio padro est no intervalo entre 0,01
e 0,02.
0,01 < < 0,02

Caso isso seja verdade, ento a varincia estar entre:
10JO < < 4 10JO
0,35 0,65
Vamos calcular a varincia:
= = 1,1375 10JO
2000
10JO < < 4 10JO

A varincia realmente est no intervalo:
Logo, correto dizer que o desvio padro est no intervalo entre 0,01 e 0,02.
Gabarito: certo.
4. FATOR DE CORREO PARA POPULAES FINITAS
Quando a amostragem feita sem reposio, a partir de uma populao finita, cada
extrao no independente das demais.
Apesar disso, se pudermos considerar a populao bem grande, razovel considerar que
cada extrao independente das demais.
Contudo, quando o tamanho da populao (em relao ao tamanho da amostra) no for to
grande, a aproximao fica ruim.
Segundo o autor William J Stevenson, se a amostra for superior a 5% da populao, a
aproximao fica ruim.

Nestes casos, quando estivermos calculando o intervalo de confiana, precisaremos aplicar

um fator de correo. o chamado fator de correo para populao finita.
O fator de correo :
N n
N 1
onde N o tamanho da populao e n o tamanho da amostra.
Neste caso, os valores dos desvios-padro da mdia amostral e da proporo amostral
ficam:
N n
X =
n N 1
p q N n
s p =
n N 1
Este fator de correo acima estudado, com a raiz quadrada, vale para os desvios padro.

Para corrigirmos a varincia, o fator elevado ao quadrado, tornando-se:
1
Questo 17 TJ PAR 2009 [FCC]

Uma empresa tem um total de 200 cabos em estoque. Uma experincia com 64 deles,
selecionados ao acaso, apresentou uma tenso de ruptura mdia de 2.000 kg. Consideram-
se as tenses de ruptura dos cabos normalmente distribudas com desvio padro
populacional igual a 100 kg. Para um nvel de significncia na distribuio normal padro
(Z) a probabilidade P(Z > 1) = / 2 . A amplitude do intervalo de confiana de (1 ) para a
136
tenso de ruptura mdia (em kg), considerando k = :
199
(A) 12,5 k 1
(B) 20 k 1
(C) 12,5 k
(D) 20 k
(E) 25 k
Resoluo.
Notem que a populao finita pequena (200). A amostra de tamanho 64 representa 32%
da populao. Vamos usar o fator de correo para populaes finitas.
A amplitude do intervalo de confiana igual ao dobro do erro mximo cometido.
A = 2Z 0 X

O valor de Z 0 foi fornecido pelo enunciado.

Z0 = 1
O desvio padro da mdia amostral igual a:
N n
X =
n N 1
100 200 64
X =
64 200 1
100 136
X =
8 199
X = 12,5 k
Portanto:
A = 2 1 12,5k = 25k
Gabarito: E
Questo 18 Senado 2008 [FGV]

A razo das varincias do estimador de proporo numa populao de tamanho N, sob os
esquemas de amostragem aleatria simples de tamanho n com reposio e sem reposio
:
(A) 1.
(B) n/N.
(C) N/n.
(D) (N-1)/(N-n).
(E) (N-n)/(N-1).
Resoluo:
Quando a amostragem com reposio, o estimador fica:
p q
s p =
n
Quando a amostragem sem reposio, o estimador fica:
p q N n
s p =
n N 1
A razo entre ambos dada por:

N n N 1
1 =

N 1 N n
S que esta relao acima vlida para os desvios-padro.

Como a questo se referiu varincia, temos que elevar ao quadrado:
N 1
N n
Gabarito: D
Questo 19 TRT 4 REGIO [FCC]
amostra aleatria sem reposio de n elementos. Sabendo-se que a mdia amostral

Uma populao possui 15 elementos e tem varincia 2 . Desta populao retira-se uma
2
desses n elementos tem varincia igual a , o valor de n dado por
28
(A) 5
(B) 10
(C) 14
(D) 25
(E) 28

Resoluo:
4
=
1
15
=
28 15 1
1 1 15
=
28 14
1 1 15
=
2 1
= 2 15
= 30 2
3 = 30
= 10
Gabarito: B

Questo 20 TRF-2 2007 [FCC]

Em uma populao de 100 elementos, com varincia populacional 50, foram tomadas
amostras casuais simples de tamanho 10. Nestas condies, as varincias da mdia amostral
na amostragem, com e sem reposio, so respectivamente
a) 1/5 e 90/99
b) 2 e 90/99
c) 4 e 450/99
d) 5 e 200/99
e) 5 e 450/99
Resoluo:
50
Amostragem com reposio:
4 = = =5
10
100 10
Amostragem sem reposio:
4 = =5
1 100 1
450
4 =
99
Gabarito: E
Questo 21 MINISTRIO DA INTEGRAO NACIONAL 2012 [ESAF]
populao finita de tamanho 500. Sendo = 100 a varincia da populao, determine o

Considere uma amostra aleatria simples de tamanho 50 extrada sem reposio de uma
valor mais prximo da varincia da mdia amostral.

a) 1,6
b) 1,8
c) 2,0
d) 2,2
e) 2,4
Resoluo:

A varincia da mdia amostral dada por:
4 =
1

Onde:
o tamanho da populao
o tamanho da amostra
100 500 50
Substituindo os valores:
4 =
50 499
450
4 = 2
499
4 1,8
Gabarito: B
5. CARACTERSTICAS DOS ESTIMADORES
Como j adiantamos, algumas caractersticas dos estimadores so:

No tendenciosos (ou no viciados)
De mxima verossimilhana
De varincia mnima
De mnimos quadrados
5.1. Estimador no tendencioso
Seja a um estimador para o parmetro . Dizemos que a um estimador no tendencioso

se:
E (a ) =
Ns vimos que a mdia amostral ( X ) um estimador no-tendencioso para a mdia

populacional.
Para relembrarmos, vamos rever o caso do tetraedro homogneo, com faces 1, 2, 3 e 4.
Vamos lan-lo 2 vezes, obtendo uma amostra de tamanho 2. O quadro abaixo traz todas as
possveis amostras.

1e1 1e2 1e3 1e4

2e1 2e2 2e3 2e4
3e1 3e2 3e3 3e4
4e1 4e2 4e3 4e4
Seriam 16 amostras possveis, todas elas com a mesma probabilidade de ocorrer. O valor da
mdia amostral em cada uma dessas amostras seria:
Valores da X
amostra
1e1 1
1e2 1,5
1e3 2
1e4 2,5
2e1 1,5
2e2 2
2e3 2,5
2e4 3
3e1 2
3e2 2,5
3e3 3
3e4 3,5
4e1 2,5
4e2 3
4e3 3,5
4e4 4
Repare que X pode ser visto como uma varivel aleatria que assume diversos valores.
A mdia de todos os possveis valores de X fica:
1
E( X ) = (1 + 1,5 + 2 + 2,5 + 1,5 + 2 + 2,5 + 3 + 2 + 2,5 + 3 + 3,5 + 2,5 + 3 + 3,5 + 4)
16
E ( X ) = 2,5
Vamos agora calcular a mdia da varivel aleatria X.
A varivel aleatria X assume os valores 1, 2, 3, 4, cada um com probabilidade 1/4.
Portanto:
1 1 1 1
E( X ) = = 1 + 2 + 3 + 4
4 4 4 4
= 2,5
Concluindo: a esperana da mdia amostral igual esperana da populao. Isto significa
que, se fosse possvel fazer um nmero muito grande de amostras, a mdia de todas as
mdias amostrais seria igual mdia da populao.

Vamos aproveitar este exemplo do tetraedro e vamos calcular a varincia das amostras.
Para tanto, vamos fazer dois clculos: um com o denominador n e outro com o
denominador n 1 .
Para diferenciar, quando utilizarmos o denominador n, vamos adotar o smbolo s * .
2
Valores da 2
amostra ( xi x) 2 (x i x) 2
s2 = i =1
s *2 = i =1
2 1 2
1e1 0 0
1e2 0,5 0,25
1e3 2 1
1e4 4,5 2,25
2e1 0,5 0,25
2e2 0 0
2e3 0,5 0,25
2e4 2 1
3e1 2 1
3e2 0,5 0,25
3e3 0 0
3e4 0,5 0,25
4e1 4,5 2,25
4e2 2 1
4e3 0,5 0,25
4e4 0 0
total 20 10
Note que:
20
E (s 2 ) = = 1,25
16
10
E ( s *2 ) = = 0,625
16
Vamos agora calcular a varincia da varivel aleatria X.
1+ 2 + 3 + 4
E( X ) = = 2,5
4
1 + 4 + 9 + 16
E( X 2 ) = = 7,5
4
V ( X ) = E( X 2 ) E( X )2
V ( X ) = 7,5 2,5 2 = 1,25

O parmetro igual a 1,25. Os estimadores foram 1,25 (s2 , com o denominador n 1 ) e
0,625 ( s*2 , com o denominador n).

Por isso dizemos que o estimador varincia amostral deve ter n 1 no denominador. Isto
garante um estimador no-viciado.
5.2. Estimador de varincia mnima.
Vamos continuar com o exemplo do tetraedro com faces 1, 2, 3, 4 e as possveis amostras

de tamanho 2.
Queremos estimar a varincia da populao. Quem tem acesso a todas as faces do
tetraedro, sabe que:
1+ 2 + 3 + 4
= = 2,5
4
J quem desconhece as faces do tetraedro, poder apenas estimar a mdia da populao,
com base no resultado de uma amostra de tamanho 2.
Durante toda a aula, ns trabalhamos com o estimador X (mdia aritmtica da amostra).
Pois bem, vamos criar outro estimador para a mdia populacional. Vou cham-lo de X * ,
para diferenciar do smbolo anterior.
Esse nosso novo estimador ser uma mdia ponderada dos valores da amostra, em que o
primeiro valor da amostra tem peso 2 e o segundo valor da amostra tem peso 1.
Exemplificando: se a amostra for: (2, 3), nosso estimador ser:
2 2 + 3 1
X *= = 2,333
3
A tabela abaixo traz todas as amostras possveis, bem como os valores dos estimadores.

Valores da X X*
amostra
1e1 1 1
1e2 1,5 1,333333
1e3 2 1,666667
1e4 2,5 2
2e1 1,5 1,666667
2e2 2 2
2e3 2,5 2,333333
2e4 3 2,666667
3e1 2 2,333333
3e2 2,5 2,666667
3e3 3 3
3e4 3,5 3,333333
4e1 2,5 3
4e2 3 3,333333
4e3 3,5 3,666667
4e4 4 4
total 40 40
Interessante observar que:
40
E ( X ) = E ( X *) = = 2,5
16
Ou seja, o estimador X * tambm no-tendencioso.
Qualquer mdia ponderada dos valores da amostra ser um estimador no-tendencioso da
mdia populacional.
A vem a pergunta: Ah, ento qualquer mdia ponderada ser um bom estimador?
No necessariamente. Depende das caractersticas que voc quer para o seu estimador.
Uma caracterstica interessante que o estimador tenha varincia mnima.
Se voc calcular a varincia dos estimadores X * e X , ver que eles tm varincias
diferentes. No vou reproduzir os clculos aqui, vou apenas dar o resultado:
V ( X ) = 0,625
V ( X *) = 0,6944
Note que X tem uma varincia menor que X * . Isto pode ser interessante. Se fizssemos
inmeras amostras, em mdia, acertaramos o valor do parmetro nos dois casos (com
qualquer um destes dois estimadores).
S que o estimador X * tem maior disperso. Ele apresenta, com maior frequncia, valores
afastados da mdia populacional. Por isso, o estimador X melhor.
Assim, uma caracterstica que se costuma buscar que o estimador tenha varincia mnima.
Ou seja, que a varincia do estimador escolhido seja menor que a varincia de qualquer
outro estimador.

Dentre os estimadores lineares (ou seja, aqueles que so obtidos a partir de uma mdia
ponderada com os valores da amostra), possvel demonstrar que a mdia aritmtica
simples ( X ) apresenta varincia mnima.
possvel comparar a eficincia entre dois estimadores no-tendenciosos diferentes. Basta
dividir suas varincias. Assim, a eficincia relativa de X * , em comparao com X , dada
por:
0,625
= 90%
0,6944
5.3. Estimador de mnimos quadrados
Outro tipo de estimador aquele que minimiza a soma dos quadrados dos desvios. Por
enquanto, no veremos este tipo de estimador com mais detalhes. Falaremos mais a
respeito na aula de regresso linear, em que ser muito frequente realizarmos a operao
que minimiza a soma dos quadrados dos desvios.
Interessante observar que X e p so estimadores de mnimos quadrados. Ou seja, a
mdia amostral e a proporo amostral estimam a mdia e a proporo populacionais,
obedecendo ao critrio de mnimos quadrados.
5.4. Estimador de mxima verossimilhana
Um estimador de mxima verossimilhana aquele que maximiza a probabilidade (se a

varivel aleatria for discreta) ou a densidade de probabilidade (se a varivel aleatria for
contnua) de a amostra observada ter sido obtida.
Para explicar, vou adaptar um exemplo extrado do livro Estatstica para Economistas, do
Rodolfo Hoffmann.
Considere um tetraedro que possui faces azuis e brancas. Lanamos o tetraedro. O
resultado obtido corresponde face que fica em contato com o solo.
Caso saia uma face azul, temos um caso favorvel. Caso saia uma face branca, temos um
caso desfavorvel.
O tetraedro lanado 3 vezes, resultado em 1 caso favorvel (1 resultado azul e 2 brancos).
Ns s temos acesso ao resultado desta amostra e temos que estimar a proporo
populacional, ou seja, a proporo de faces azuis no tetraedro.
Para achar o estimador de mxima verossimilhana, ns temos que ver qual a proporo
que maximiza a probabilidade de esta amostra ter sido obtida. O quadro abaixo resume os
clculos.

Nmero de probabilidade de sucesso em 1 Probabilidade de, em 3 lanamentos,

faces azuis experimento termos exatamente 1 caso favorvel
0 0 0
1 0,25 0,421875
2 0,5 0,375
3 0,75 0,140625
4 1 0
A maior probabilidade (0,421875) ocorre quando temos 1 face azul. Logo, o estimador de
mxima verossimilhana 0,25.
Neste exemplo, a proporo populacional s poderia assumir alguns valores (0; 0,25; 0,5;
0,75; 1,0). uma varivel discreta.
Acaso a proporo populacional p possa assumir qualquer valor no intervalo entre 0 e 1,
X
ento possvel demonstrar que a proporo amostral ( p = , onde X a varivel
n
binomial) um estimador de mnimos quadrados e de mxima verossimilhana.
Se a varivel aleatria for normal, o estimador de mxima verossimilhana para a varincia

dado por:
n
(x i x) 2
s *2 = i =1
n
Se a varivel aleatria for normal, a mdia aritmtica da amostra ( X ) um estimador de
mxima verossimilhana para a mdia populacional.
Texto para Questo 22 e Questo 23.

Para responder s questes seguintes, considere as distribuies amostrais de cinco
estimadores propostos para estimar o parmetro T de uma populao, ilustradas na figura
apresentada a seguir.

Questo 22 INEP 2008 [CESGRANRIO]

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.
Estimador no viesado sinnimo de estimador no tendencioso. Queremos que a mdia
do estimador seja igual a T.
Os nicos estimadores que apresentam esta caracterstica so T1, T2 e T3.
Gabarito: E

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
Resoluo.
Entre os estimadores T1, T2 e T3, o que apresenta varincia mnima T2, pois apresenta
uma curva mais afilada, o que indica que a proporo de valores prximos mdia maior.
Gabarito: B

Quando se lana uma certa moeda, a probabilidade de o resultado ser cara p. A moeda foi
lanada dez vezes, sucessivas e independentes, e o resultado foi de 2 caras e 8 coroas.
Tendo em vista este experimento, a estimativa de mxima verossimilhana de p
(A) 0.2
(B) 0.25
(C) 0.3
(D) 0.35
(E) 0.4
Resoluo.
A proporo amostral um estimador de mxima verossimilhana da proporo
populacional.
2
Na amostra, foram 2 caras em 10 lanamentos.
! = = 0,2
10
Gabarito: A
Questo 25 CAPES 2008 [CESGRANRIO]

Considere as asseres a seguir.
A mdia amostral sempre um estimador no viciado para a mdia de uma populao.
PORQUE
O erro padro do estimador no viciado para a mdia de uma populao maior do que a
varincia da populao.
Analisando-se as asseres, conclui-se que
(A) as duas asseres so verdadeiras, e a segunda uma justificativa correta da primeira.
(B) as duas asseres so verdadeiras, e a segunda no uma justificativa correta da
primeira.

(C) a primeira assero verdadeira, e a segunda falsa.

(D) a primeira assero falsa, e a segunda verdadeira.
(E) a primeira e a segunda asseres so falsas.
Resoluo.
A primeira frase est correta. A mdia amostral um estimador no tendencioso.
A segunda frase est errada. Basta pensar no seguinte exemplo: Varincia da populao:
100 (logo, o desvio padro : = 10 ); tamanho da amostra: 25 ( n = 25) .
O desvio-padro da mdia amostral fica:
10
X = =2
5
O desvio-padro da mdia amostral foi menor que a varincia da populao.
Gabarito: C
Questo 26 MP RO 2005 [CESGRANRIO]

Com base em uma amostra aleatria simples (X1, X2,..., Xn) de uma populao de mdia
conhecida , um estimador no viciado da varincia da populao :
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
a)
n2
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
b)
n 1
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
c)
n
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
d)
n +1
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
e)
n+2
Resoluo.
Dissemos a aula toda que o estimador no tendencioso da varincia conseguido com o
denominador n 1 . sempre assim (ou melhor, quase sempre). Em 99,9999% das questes,
o que se pede a estimativa da varincia. Para tanto, supe-se apenas o conhecimento de
uma amostra. Neste caso, usamos a mdia amostral como estimativa da mdia
populacional. E, para acharmos o estimador no tendencioso da varincia populacional,
fazemos:

(X ) 2
X
=
2 i
s
n 1
Acontece que esta questo criou algo novo. Aqui, ns j conhecemos a mdia populacional.
Ela no precisa ser estimada. S precisamos estimar a varincia da populao. Quando isso
acontece, o estimador dado por:
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
n
com n no denominador, no tendencioso.
Para deixar claro, vamos calcular a sua esperana.
O estimador :
( X ) 2 + ( X 2 ) + ... + ( X n )
2 2
s = 1
2
n
Temos:
( X ) 2 + ( X 2 )2 + ... + ( X n )2
E ( s 2 ) = E 1

n
O n uma constante, pode ser extrada da esperana.
=
1
n
(
E ( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
)
Podemos separar a esperana da soma em soma de esperanas.
=
1
n
{ ( ) (
E (( X 1 ) 2 ) + E ( X 2 ) + ... + E ( X n )
2 2
)}
{nVar ( X )} = Var ( X )
1
=
n
A esperana do estimador igual ao parmetro, o que permite classific-lo como no
tendencioso.
Gabarito: C
Questo 27 MPE PE/2006 [FCC]

Com relao teoria geral da amostragem, incorreto afirmar que:
a) Quanto menor o erro padro da estimativa, menor ser a confiabilidade e a preciso da
estimativa.
b) Em uma amostra por conglomerados a populao dividida em sub-populaes distintas.
c) A realizao de uma amostragem aleatria simples s possvel se o pesquisador possuir
uma lista completa de cada unidade amostral.
d) Um estimador considerado no viciado quando sua esperana igual ao valor
populacional que est sendo pesquisado.

e) Amostragem estratificada consiste na diviso de uma populao em grupos segundo

alguma caracterstica conhecida. Os estratos da populao devem ser mutuamente
exclusivos.
Resoluo
Letra A.
Erro padro sinnimo de desvio padro. Se a estimativa tem erro padro pequeno, isso
significa que ela pouco varia. Para exemplificar, vamos trabalhar com a estimativa que j
estudamos: X .
Se X tem um desvio padro pequeno, ento a mdia amostral pouco varia de uma amostra
para outra. Isso significa que cada mdia amostral tambm bem prxima da mdia da
populao. Quanto menor o erro padro de X , mais precisa a nossa estimativa. Mais
confivel ela . Nossa estimativa deve estar bem prxima do verdadeiro valor do parmetro.
Alternativa errada.
Letra B.
Alternativa correta. Realmente, na amostragem por conglomerados, busca-se dividir a
populao em sub-populaes, em conjuntos heterogneos que representem bem a
populao inteira. Como vimos na aula passada, isso nem sempre se verifica. Como o intuito
desse tipo de amostragem reduzir custos e tempo, os conglomerados so escolhidos de
forma que seus elementos estejam prximos/ligados, o que muitas vezes faz com que um
conglomerado no abranja itens to heterogneos assim.
Letra C.
Em geral, realmente a amostragem aleatria simples feita quando se tem uma listagem de
todos os elementos. Assim, para escolher aleatoriamente um grupo de funcionrios que
participar de uma pesquisa sobre o clima organizacional da empresa, parte-se de uma
listagem de todos os empregados. Dessa lista, extraem-se, aleatoriamente, algumas
pessoas. O processo de escolha pode se dar de diversas formas. Podemos escrever o nome
de todos eles em pedaos de papel de mesmo tamanho, dobrar, colocar num saco, misturar
bem, e sortear. Podemos atribuir a cada um deles um nmero e usar uma tabela de
nmeros aleatrios para escolher os nmeros. Podemos colocar seus nomes em planilhas,
executar um programa que gere nmeros aleatrios, atribuindo um nmero a cada pessoa,
e depois ordenar de forma crescente. Enfim, h inmeras formas que, geralmente, partem
de uma listagem de todos os elementos, como foi dito no enunciado.
Contudo, h formas de se fazer uma amostragem aleatria sem que exista uma listagem
prvia. A banca considerou esse item correto. Ao meu ver, caberia recurso. Cito na
sequencia um trecho do livro Estatstica aplicada administrao do autor William
Stevenson:
Se a populao alvo finita, h essencialmente duas maneiras de escolher uma amostra
aleatria. Um mtodo envolve a compilao de uma lista de todos os elementos da

populao [...]. O segundo mtodo usado quando os elementos da populao no so

claramente identificveis, o que torna impossvel a listagem. Por exemplo, no
processamento de alimentos, ou na eliminao de resduos, ou no controle da poluio, em
geral, no h o conceito de itens que possam constituir uma amostra. A alternativa seria
ento selecionar locaes em lugar de itens, como, por exemplo, 4 polegadas acima e 7
abaixo. Consegue-se isto encarando a populao como se fosse composta de cubos, e
selecionando cubos para a amostra. Outra alternativa seria o emprego de um processo de
mistura [...]
Podemos pensar naqueles sorteios de promoes. Voc manda uma carta contendo trs
cdigos de barras do produto, respondendo pergunta: qual a marca de cotonete que leva
voc para a copa do mundo de 2014???
Domingo, durante o programa do Fausto, feito o sorteio. Aparecero um monte de
modelos semi-nuas jogando os envelopes para cima. Em tese (eu disse: em tese), supondo
que as modelos joguem muito bem os inmeros envelopes, misturando bem todos eles,
quando uma delas pegar o envelope ganhador, a escolha ter sido aleatria simples. E
nenhuma das modelos tinha uma listagem dos concorrentes ao prmio.
Outro exemplo. Voc est preparando uma sopa. Voc est em dvida se colocou muito sal
ou no. Para avaliar a quantidade de sal, voc mistura bem a sopa, enche uma colher e
experimenta. Voc est fazendo uma amostragem da sopa. Est avaliando apenas um
pequeno pedao da sua populao, para decidir algo sobre a sopa inteira.
Antes de experimentar voc no tinha uma listagem de todas as partculas que estavam
dentro da sopa (ou seja, uma lista de todos os pedacinhos de batata, cenoura, abobrinha,
etc). Alis, nesse caso, acho que nem d para falar em lista de todos os elementos.
Supondo que voc tenha misturado bem a sopa, quando voc encher a colher, voc estar
fazendo uma amostragem aleatria simples.
Numa situao como a desta questo da FCC, l, durante a prova, marque a alternativa
mais correta (ou mais errada, conforme o caso). Costumo dizer que no pra sair
brigando com a prova. A letra A est claramente errada. Ela est praticamente pedindo
para ser marcada como item errado. J a letra C, apesar de errada, no to absurda. A
amostragem aleatria, na maioria das vezes, mesmo feita a partir de uma listagem. Na
letra C estamos diante de um caso de impreciso na escrita do enunciado. No custa nada
deixar essa impreciso pra l, marcar a letra A e pronto.
Letra D.
Alternativa correta. Foi exatamente isto que vimos sobre os estimadores no tendenciosos.
Vimos que X pode ser considerada uma varivel aleatria e que o fato de a esperana de
X ser igual mdia da populao faz deste um estimador no viciado. Isso vale para
qualquer estimador. Se sua esperana for igual ao parmetro pesquisado, ento o
estimador no tendencioso (ou no viciado).
Letra E.

Alternativa correta. Basta lembrar do exemplo dado na aula passada. Dividimos a populao
em extratos, conforme a idade (jovens, adultos e idosos). A diviso se deu conforme uma
caracterstica conhecida (idade). Os extratos so mutuamente exclusivos.
Gabarito: A.
Questo 28 MPU 2007 [FCC]

Com relao teoria geral da amostragem, correto afirmar que:
a) na amostragem aleatria simples, a seleo das unidades amostrais s pode ser realizada
sem reposio.
b) a amostragem por conglomerados em geral mais eficiente e menos econmica quando
comparada com o mtodo de amostragem aleatria simples.
c) na amostragem estratificada, os estratos da populao no necessitam ser mutuamente
exclusivos.
d) o aumento do tamanho da amostra tem como conseqncia o aumento do erro padro
das estimativas
e) o vis ou vcio de um estimador de um parmetro a diferena entre o seu valor
esperado e o valor do parmetro.
Resoluo:
Letra A.
Uma amostra aleatria pode sim ser feita com reposio. Podemos pensar no sorteio da
mega-sena. No primeiro sorteio, temos o nmero 26 (2 retirado do globo das dezenas e 6
retirado do globo das unidades). Para o segundo sorteio, os globos continuam contendo
todas as dezenas (inclusive o 2) e todas as unidades (inclusive o 6). Os nmeros so
aleatoriamente escolhidos e h reposio. Em tese, possvel que o nmero 26 seja
novamente sorteado.
Outro exemplo so as promoes em que voc manda um SMS para um certo nmero e
concorre a diversos prmios. A cada semana sorteado um prmio (exemplo: na primeira
semana so dez TVs, na segunda, 10 motos, na terceira, 2 carros e na ltima sorteada
uma casa). Em muitas premiaes, quem manda o SMS logo nos primeiros dias est
concorrendo a todos os prmios. Mesmo que ele seja sorteado na primeira semana
(ganhando uma TV), seu nome volta para o bolo de concorrentes, tendo chances de ganhar
em qualquer outro sorteio. Supondo que a escolha, em cada sorteio, seja aleatria, temos
uma amostragem aleatria com reposio.
Letra B.
Em geral, a amostragem por conglomerados mais econmica que a aleatria simples.
Basta pensar no caso da pesquisa com os chefes de famlia de uma dada cidade, usado
como exemplo na aula passada. Se usssemos uma amostragem aleatria, poderamos ter
que nos dirigir a pontos muito distantes um dos outros, o que encarece a pesquisa. Usando

a amostragem por conglomerados (considerando cada bairro/cada quarteiro/cada

conjunto de 8 quarteires/etc) como um conglomerado, muitos dos chefes de famlia
selecionados moraro prximos uns dos outros, o que reduz os custos. Alternativa errada.
Letra C.
Errado. Na amostragem estratificada os estratos so sim mutuamente exclusivos. No
exemplo da aula passada, dividimos a populao em jovens, adultos e idosos. Um idoso no
pode ser tambm jovem.
Letra D.
Alternativa errada. Quanto maior a amostra, melhor ela representa a populao. Como
consequncia, melhoram nossas estimativas (o que implica em menor erro padro).
Tambm d para visualizar isso por meio da frmula que vimos. Vamos trabalhar com a
mdia amostral. Seu desvio padro dado por:

V[X ] = X =
n
O n est no denominador. Quanto maior o valor de n (ou seja, quanto maior o tamanho
da amostra), menor o desvio padro da estimativa.
Letra E.
Alternativa correta.
No comentei isso durante a parte terica. Aproveitando a oportunidade, falemos um
pouco sobre o vis do estimador. Vamos trabalhar, novamente, com o estimador para a
mdia ( X ).
O fato da mdia de X ser igual mdia da populao nos permite classificar a mdia
aritmtica da amostra como estimador no tendencioso (ou no viciado). Usando esse
estimador, na mdia (considerando as inmeras amostras que poderiam ser feitas), ns
estamos realmente acertando o valor do parmetro desconhecido.
E se, em vez da mdia amostral, ns usssemos, por exemplo, a mediana da amostra para
estimar a mdia da populao?
Vejamos um exemplo. Considere um tetraedro com faces 1, 2, 3, 5.

Seja X a varivel que designa o resultado do lanamento do tetraedro. Sabemos que a
esperana de X igual a 2,75 (basta fazer a mdia aritmtica dos valores acima).
Lanamos o tetraedro trs vezes. Vamos ver quais so os possveis resultados.

Conjuntos de 3 Conjuntos de 3 Conjuntos de 3 Conjuntos de 3

lanamentos lanamentos lanamentos lanamentos
1 1 1 2 1 1 3 1 1 5 1 1
1 1 2 2 1 2 3 1 2 5 1 2
1 1 3 2 1 3 3 1 3 5 1 3
1 1 5 2 1 5 3 1 5 5 1 5
1 2 1 2 2 1 3 2 1 5 2 1
1 2 2 2 2 2 3 2 2 5 2 2
1 2 3 2 2 3 3 2 3 5 2 3
1 2 5 2 2 5 3 2 5 5 2 5
1 3 1 2 3 1 3 3 1 5 3 1
1 3 2 2 3 2 3 3 2 5 3 2
1 3 3 2 3 3 3 3 3 5 3 3
1 3 5 2 3 5 3 3 5 5 3 5
1 5 1 2 5 1 3 5 1 5 5 1
1 5 2 2 5 2 3 5 2 5 5 2
1 5 3 2 5 3 3 5 3 5 5 3
1 5 5 2 5 5 3 5 5 5 5 5
Vamos usar a mediana amostral como estimador da mdia populacional. A mediana
amostral tem a seguinte distribuio de probabilidades:
Valor probabilidade
1 10/64
2 22/64
3 22/64
5 10/64
A mdia da mediana amostral :
E [ D ] 2,65
Se fosse possvel efetuar infinitas vezes os trs lanamentos, a mdia obtida para o nosso
estimador seria de cerca de 2,65. um estimador que, em mdia, difere do parmetro
(=2,75). Conclumos que um estimador viesado (ou tendencioso, ou ainda, viciado). O seu
vis dado pela diferena entre sua mdia e o parmetro estudado (qual seja, a mdia da
populao). Nesse exemplo, o vis fica:
vies = E[ D ] vies = 2,65 2,75 = 0,1
Gabarito: E
Questo 29 CGU 2008. [ESAF]

Seja T um estimador de um parmetro de uma populao. Se E (T ) = , diz-se que T
um estimador de :
a) eficiente
b) no enviesado
c) consistente

d) de mnimos quadrados
e) de mxima verossimilhana
Resoluo.
Vimos que o fato da esperana do estimador ser igual ao parmetro permite classificar o
estimador como no viciado (ou no tendencioso, ou no enviesado). Todas essas
expresses so sinnimas.
Gabarito: B.
Questo 30 TRE PI 2009 [FCC]

Seja (X1, X2, X3) uma amostra aleatria simples de uma distribuio normal com mdia .
Foram obtidos 3 estimadores para :
X1 + X 2 + X 3
Y1 =
3
Y2 = 2 X 1 + X 2 3 X 3
Y3 = X1 + 2X 2 2X 3
Ento, APENAS
(A) Y1 no viesado.
(B) Y1 e Y3 so no viesados.
(C) Y1 e Y3 so viesados.
(D) Y1 e Y3 so viesados.
(E) Y2 e Y3 so viesados.
Resoluo.
Um estimador viesado quando sua esperana diferente do parmetro estimado.
+ + T $ + + T $ + $ + $T 3

Um estimador no viesado quando sua esperana igual ao parmetro estimado.
$? = $ 0 1= = = =
3 3 3 3
$? = $2 + 3T = 2$ + $ 3$T = 2 + 3 = 0
$?T = $ + 2 2T = $ + 2$ 2$T = + 2 2 =
Observem que Y1 e Y3 apresentam esperana igual a . Logo, so no viesados.
pois no sabemos se = 0.
J Y2 apresenta esperana igual a 0. Portanto, no temos garantias de que seja no viesado,
Gabarito: B


Seja (X, Y, Z) uma amostra aleatria de tamanho 3 extrada, com reposio, de uma
?
populao normal de mdia diferente de zero. Dado que o estimador
$=+ + U9
2 3
sendo U um parmetro real, para a mdia no viesado, ento o valor de U tal que
a) U 0,10.
b) 0,10 < U 0,20.
c) 0,20 < U 0,30.
d) 0,30 < U 0,40.
e) U > 0,40.
Resoluo
A redao do enunciado ficou meio confusa. O que a questo quis dizer que "E" um
igual ao parmetro .
estimador no viciado da mdia. Quando isso ocorre, porque a esperana do estimador
?
Aplicando a esperana ao estimador:
$ 0 + + U91 =
2 3
?
A esperana da soma igual soma das esperanas:
= $ 0 1 + $ 0 1 + $U9 =
2 3
1 1
Podemos retirar todas as constantes das esperanas:
= + + U$9 =
2$ 3$?
Como a amostragem com reposio, todas as extraes tm esperana igual esperana
1 1
populacional:
= + + U =\WX
2 3
Dividindo todos os termos por :
1 1
+ +U =1
2 3
1 1 1
U = 1 = = 0,1666
2 3 6
Gabarito: B

Quanto s caractersticas dos estimadores, a maior parte das provas abertas a candidatos de
todas as reas se limita a questes conceituais. Ou ento se restringem aos estimadores
usuais (mdia amostral, proporo amostral, varincia amostral para estimar,
respectivamente, a mdia populacional, a proporo populacional e a varincia
populacional). Digo isto porque, se for para passar disso, bastante provvel que a questo
exija ferramentas de clculo.
Como exemplo, segue uma questo da Cesgranrio:

Com base em uma amostra aleatria ( x1 , x 2 ,..., x n ) o estimador de mxima verossimilhana
e x
do parmetro na distribuio de Poisson, P ( X = x ) = para x = 0,1,2,... a:
x!
(A) mdia quadrtica da amostra.
(B) mdia geomtrica da amostra.
(C) mdia harmnica da amostra.
(D) mdia aritmtica da amostra.
(E) mediana da amostra.
Resoluo.
Seja ( x1 , x 2 ,..., x n ) a amostra obtida. A probabilidade de obtermos esta amostra dada por:
P ( X 1 = x1 X 2 = x 2 ... X n = x n )
Supondo que os valores da amostra so independentes entre si, a probabilidade da
interseco o produto das probabilidades:
P ( X 1 = x1 X 2 = x 2 ... X 3 = x 3 ) = P ( X 1 = x1 ) P ( X 2 = x 2 ) ... P ( X n = x n )
e x1 e x2 e xn
= ...
x1! x2 ! xn !
e n
= x1 + x2 +...+ xn
x1 ! x 2 ! ...x n !
Queremos maximizar esta probabilidade, que uma funo de . Como a funo
logartmica crescente, se maximizarmos a funo acima, tambm maximizamos seu
logaritmo.
Aplicando o logaritmo neperiano:
e n
ln x1 + x2 +...+ xn = n + ( x1 + x 2 + ... + x n ) ln( ) ln( x1! x 2 !... x n !)
x1 ! x 2 ! ...x n !
Para achar o valor de que maximiza esta funo, derivamos em relao a e igualamos
a zero.

1
n + ( x1 + x 2 + ... + x n ) =0

1
( x1 + x 2 + ... + x n ) =n

1
( x1 + x 2 + ... + x n ) =
n
Ou seja, o valor de que maximiza a probabilidade de obtermos uma dada amostra
(estimador de mxima verossimilhana) a mdia aritmtica da amostra.
Gabarito: D

Suponha que a amostra 2; 1; 4; 6; 12 seja proveniente de uma populao com funo de
densidade f(x) = 1/, 0 < x < . Os estimadores de mxima verossimilhana da mdia e da
varincia da populao so dados, respectivamente, por
a) 5 e 10
b) 5 e 12
c) 6 e 12
d) 6 e 10
e) 5 e 12,6
A varivel uniforme no intervalo de 0 a [.

Resoluo:
[+0 [
Portanto:
$ = =
2 2
[ 0 [
- = =
12 12
[ 12
Como o maior valor amostral obtido 12, j sabemos que:
obtida. Isso ocorrer quando [ for mnimo.

Devemos maximizar a densidade de probabilidade de a amostra {1, 2, 4, 6, 12} ter sido
Conclumos que o estimador de mxima verossimilhana de [ igual a 12.
Assim, as estimativas para mdia e varincia ficam:

12
- mdia:
=6
2
12
- varincia:
= 12
12
Estes valores esto expressos na alternativa C.
Gabarito: C
6. Propriedades assintticas dos estimadores
Seja D/ um estimador obtido com base em uma amostra de tamanho . Seja \ o parmetro
Podemos formar uma sequncia de estimadores, apenas variando o valor de :

que se pretende estimar.
D , D , , D/
A teoria assinttica estuda o comportamento dessas sequncias, quando tende a infinito.

Para cada elemento desta sequncia podemos calcular uma esperana e uma varincia.
A esperana assinttica de D/ a esperana que se obtm quando tende ao infinito:

lim $D/
/a
Se esse valor for igual a [, dizemos que o estimador assintoticamente no-tendencioso.
Um estimador no tendencioso ser consistente se o limite de sua varincia, quando
o caso que ocorre com , por exemplo. Sabemos que:

tende ao infinito, for igual a 0.

- =

Se o denominador for aumentado at o infinito, a varincia vai para zero.
Questo 34 TRF 2 2007 [FCC]

Seja X uma populao normal, com mdia , varincia 2 e mediana . Seja Xi, i = 1, 2, ... n,
e md, respectivamente mdia e mediana de Xi, i = 1, 2, ... n, e

uma amostra aleatria simples da populao X, considere as seguintes estatsticas:
/

=
1

/
R =


Considere as seguintes afirmaes sobre estas estatsticas:
II. um estimador consistente para .

I. S2 um estimador no viciado de 2.
III. R tem varincia menor do que S2.

IV. , como estimador de , mais eficiente do que md.
Est correto o que se afirma em

a) I e II, apenas.
b) I, II e III, apenas.
c) I, II e IV, apenas.
d) II, III e IV, apenas.
e) I, II, III e IV.
Resoluo
Item I.
No caso da varincia, o estimador no viciado conseguido utilizando-se 1 no

Um estimador dito no viciado quando a sua esperana igual ao parmetro.
denominador. O item est certo.

J o estimador que apresenta "n" no denominador viciado. Porm, no caso de uma
distribuio amostral, este o estimador de mxima verossimilhana.
Item correto.
Um estimador no tendencioso (como ) ser consistente se o limite de sua varincia,

Item II.
quando o tamanho da amostra tende ao infinito, for igual a zero.

A varincia deste estimador dada por:
- =

zero. Assim, um estimador consistente.

Quando "n" tende ao infinito, o denominador tende ao infinito. Logo, a razo tende para
Item correto.
Item III.

Os dois estimadores em anlise tm o mesmo numerador.

Tomando cada Xi como varivel aleatria, o numerador, dado por
tambm ser uma varivel aleatria, com determinada mdia e com determinada varincia.

Para cada amostra diferente, teremos um valor diferente de
Ou seja, tal grandeza varia aleatoriamente de amostra para amostra.

Se dividirmos esta varivel aleatria por uma constante, a varincia ser dividida pela
constante ao quadrado.
Desde que o denominador de R maior que o denominador de , ento aquele

Quanto maior a constante, maior o denominador. Resultado: menor ser a varincia.
estimador tem varincia menor.

Item correto.
Item IV.
Logo, um estimador no viciado de e de b.

Como a distribuio normal simtrica, ento sua mdia igual sua mediana.
Alm disso, apresenta varincia igual a:

Segundo o livro "Estatstica Bsica", dos autores Bussab e Morettin, no caso de uma
normal, com mdia e varincia igual a:

populao normal, a mediana amostral "md" segue uma distribuio aproximadamente
c
2
c 2
Dividindo as duas varincias:
- -Wd = = <1

2 c
Logo, a varincia de menor que a varincia de md.
Portanto, mais eficiente que md.
Item correto.
Gabarito: E

7. QUESTES APRESENTADAS EM AULA

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 finitas. Considere, ainda, as estatsticas mdia da amostra, X =
1 n

n i =1
1 n
( )
X i , e varincia da amostra s 2 = X i X . Ento, correto afirmar que:
n i =1
2
(A) X e S 2 so, ambos, no tendenciosos para a estimao da mdia e da varincia da

(B) X no-tendencioso, mas S 2 tendencioso para a estimao da mdia e da varincia
(C) X tendencioso, mas S 2 no-tendencioso para a estimao da mdia e da varincia
(D) X e S 2 so, ambos, tendenciosos para a estimao da mdia e da varincia da
(E) X e S 2 so, ambos, no-tendenciosos para a estimao da mdia e da varincia da
populao, mas apenas X consistente.
Em um conjunto de nmeros, {Xi}, de N elementos extrados de uma determinada
populao de interesse, foi utilizada a seguinte expresso como medida da disperso

=

onde a mdia aritmtica dos dados. Qual o significado estatstico correto dessa
expresso?
(A) Desvio padro no tendencioso da populao.
(B) Estimativa no tendenciosa do desvio padro da populao.
(C) Estimativa tendenciosa do desvio padro da populao.
(D) Varincia no tendenciosa da populao.
(E) Estimativa tendenciosa da varincia da populao
Qual o estimador de mxima verossimilhana da varincia de uma varivel X normalmente
distribuda obtido a partir de uma amostra aleatria simples X1, X2, X3, ..., Xn, desta varivel,
sendo m = X i / n o estimador de mxima verossimilhana da mdia?

a)
(X i m) 2
n 1
b)
(X i m) 2
n2
( X i m) 2
0, 5
c)
n 1

d) (X i m) 2
e)
(X i m) 2
n
Questo 4 SEFAZ SP 2009 [ESAF]
(Dados da questo anterior: 17, 12, 9, 23, 14, 6, 3, 18, 42, 25, 18, 12, 34, 5, 17, 20, 7, 8, 21,
13, 31, 24, 9.)
Considerando que as observaes apresentadas na questo anterior constituem uma
amostra aleatria simples X1, X2, ..., Xn de uma varivel aleatria X, determine o valor mais
prximo da varincia amostral, usando um estimador no tendencioso da varincia de X.
Considere que:
23
X
i =1
i = 388
23
X
i =1
i
2
= 8676
a) 96,85
b) 92,64
c) 94,45
d) 90,57
e) 98,73
Questo 5 BASA 2007 [CESPE]
Um programa de controle de qualidade foi implementado em uma agncia bancria. A cada
10 clientes que entram na fila para solicitar um certo tipo de servio S, um atendente
entrega um pequeno questionrio, que deve ser preenchido pelo cliente e devolvido ao
caixa do banco. Um dos quesitos monitorados diariamente a proporo de clientes que
esto satisfeitos com o atendimento de um modo geral. Em determinada semana, foram
observados os resultados mostrados na tabela a seguir.
Dia da semana 2 3 4 5 6
Nmero de clientes observados 30 40 20 50 70

proporo de clientes satisfeitos 0,9 0,8 0,9 0,8 0,6
Com base nesses dados, julgue o item que se segue.

1. A estimativa da proporo mdia de clientes satisfeitos com o atendimento de um modo
geral ao longo dessa semana superior a 0,8.
Questo 6 TJ PI 2009 [FCC]
Seja uma populao constituda pelos valores 1, 2, 3, 4, 5 e 6. Todas as amostras com
tamanho 2, sem reposio, so selecionadas. A probabilidade de que a mdia amostral seja
superior a 5 de
(A) 1/4
(B) 1/6
(C) 2/3
(D) 1/3
(E) 1/15
Questo 7 TRF 1 Regio/2001 [FCC]
Para responder questo seguinte, considere a tabela abaixo, referente distribuio
normal padro.
z F (z )
1,20 0,885
1,60 0,945
1,64 0,950
Uma mquina de empacotar leite em p o faz segundo uma normal com mdia e desvio
padro 10g. O peso mdio deve ser regulado para que apenas 5,5% dos pacotes tenham
menos do que 1000 g. Com a mquina assim regulada, a probabilidade de que o peso total
de 4 pacotes escolhidos ao acaso seja inferior a 4.040 g :
a) 0,485
b) 0,385
c) 0,195
d) 0,157
e) 0,115
Questo 8 MPU/2007 [FCC]
Se retirarmos uma amostra aleatria de 1200 observaes de uma populao com
distribuio uniforme no intervalo [17; 29], a distribuio da mdia amostral X ser,
aproximadamente,
a) uniforme com mdia 23 e varincia 12
b) normal com mdia 23 e desvio padro 0,1
c) uniforme com mdia 23 e varincia 1

d) normal com mdia 23 e desvio padro 12.

e) normal com mdia 23 e desvio padro 1.
Certa populao em estudo tem = 47 e = 12. Se forem realizadas 500 amostras

Questo 9 GDF SEJUS 2010 [UNIVERSA]
aleatrias de tamanho 25, quantas dessas amostras se espera que tenham mdia maior do
que 50?
(A) 37.
(B) 49.
(C) 53.
(D) 65.
(E) 77.
Questo 10 Ministrio da Sade/2007 [FCC]
Para responder questo seguinte, considere, dentre os dados abaixo, aqueles que julgar
apropriados. Se Z tem distribuio normal padro, ento:
P ( Z > 2) = 0,023 ; P (0 < Z < 1,6) = 0,445 ; P ( Z < 1) = 0,84 ; P (0 < Z < 2,33) = 0,49
Suponha que o peso de crianas de 10 anos, numa determinada populao, tenha
distribuio normal com mdia desconhecida e desvio padro 4 kg. A probabilidade de
que o peso mdio de uma amostra aleatria simples de 100 crianas, selecionadas desta
populao, difira por mais de 400 gramas de , aproximadamente, igual a:
a) 0,10
b) 0,16
c) 0,20
d) 0,27
e) 0,32
probabilidade ou X = 1 com 50% de probabilidade. A mdia, , de quatro realizaes de X,

A distribuio de probabilidades da varivel aleatria X tal que X = -1 com 50% de
sucessivas e independentes, uma varivel aleatria de mdia e desvio padro,

respectivamente, iguais a
(A) 0 e 2
(B) 0 e 1
(C) 1 e 0.5
(D) 1 e 0
(E) 0 e 0.5


Apesar de uma caracterstica numrica supostamente possuir distribuies com varincias
diferentes em duas populaes distintas, deseja-se testar a hiptese estatstica da igualdade
das duas mdias. Assim, da primeira populao retira-se uma amostra aleatria simples de
tamanho 9 e da segunda populao retira-se outra amostra aleatria simples independente
de tamanho 16. A caracterstica medida na amostra da primeira populao tem mdia 83 e
desvio-padro amostral 7, enquanto a caracterstica medida na amostra da segunda
populao tem mdia 81 e desvio-padro amostral 8. Obtenha o valor mais prximo do erro
padro da diferena estimada entre as mdias.
a) 1,05.
b) 1,92.
c) 2,26.
d) 2,82.
e) 3,07.
Questo 13 SENADO 2008 [FGV]
Seja X1,X2, ...,Xn uma coleo de variveis aleatrias independentes e identicamente
$ =
distribudas tal que
-DE = 10
E
&| | < 1 0,99 I

Considere a seguinte desigualdade:
Com
1
/
=

Usando o Teorema Central do Limite e fazendo I J . a inversa da distribuio acumulada

da normal padro, o menor valor de n de modo a assegurar a validade da desigualdade em
a) 10 2I J 0,993
(I) :
b) 10 2I J 0,9953
c) 10 2I J 0,993
d) 100 2I J 0,9953
e) 100 2I J 0,993
Um processo segue uma distribuio normal, com mdia 15 e desvio-padro 2, ou

~15,2
seja,

Sobre uma amostra de tamanho 36 (), analise as afirmativas a seguir:

I. Dado que X normal, () tambm normal.
II. A mdia amostral difere da populao pelo fator = 4 , no qual 4 a
III. apresenta desvio-padro de 1/3.

mdia populacional e n o nmero de observaes na amostra.
Assinale
a) se apenas a afirmativa I estiver correta.
b) se apenas as afirmativas I e II estiverem corretas.
c) se apenas as afirmativas II e III estiverem corretas.
d) se apenas as afirmativas I e III estiverem corretas.
e) se todas as afirmativas estiverem corretas.
Ateno: Para resolver questo, use, dentre as informaes dadas a seguir, as que julgar
apropriadas.
Se Z tem distribuio normal padro, ento:
P(Z < 1) = 0,84, P(Z < 1,28) = 0,90, P(Z < 2) = 0,977, P(Z < 2,88) = 0,998
O
Considere as variveis aleatrias Xi: N(10, 4), i = 1, 2, 3, 4, independentes. Seja
=
4
Nessas condies, o valor D tal que & > D = 0,9 igual a
a) 7,16.
b) 7,44.
c) 7,56.
d) 7,85.
e) 8,72.
Questo 16 TCU 2008 [CESPE]
Uma agncia de desenvolvimento urbano divulgou os dados apresentados na tabela a
seguir, acerca dos nmeros de imveis ofertados (X) e vendidos (Y) em determinado
municpio, nos anos de 2005 a 2007.

Com respeito ao texto, considere que cada imvel ofertado em determinado ano seja
classificado como vendido ou no-vendido, e, a um imvel e classificado como vendido seja
atribudo um valor Z = 1, e, ao imvel classificado como no-vendido, seja atribudo um
valor Z = 0. Supondo-se que as classificaes dos imveis como vendido ou no-vendido em
um dado ano possam ser consideradas como sendo realizaes de uma amostragem
aleatria simples, julgue os itens a seguir.
Considerando os dados de 2007, a estimativa da probabilidade P(Z = 1) igual a 0,35, e o
erro-padro dessa estimativa superior a 0,01 e inferior a 0,02.
Questo 17 TJ PAR 2009 [FCC]
Uma empresa tem um total de 200 cabos em estoque. Uma experincia com 64 deles,
selecionados ao acaso, apresentou uma tenso de ruptura mdia de 2.000 kg. Consideram-
se as tenses de ruptura dos cabos normalmente distribudas com desvio padro
populacional igual a 100 kg. Para um nvel de significncia na distribuio normal padro
(Z) a probabilidade P(Z > 1) = / 2 . A amplitude do intervalo de confiana de (1 ) para a
136
tenso de ruptura mdia (em kg), considerando k = :
199
(A) 12,5 k 1
(B) 20 k 1
(C) 12,5 k
(D) 20 k
(E) 25 k
Questo 18 Senado 2008 [FGV]

A razo das varincias do estimador de proporo numa populao de tamanho N, sob os
esquemas de amostragem aleatria simples de tamanho n com reposio e sem reposio
:
(A) 1.
(B) n/N.
(C) N/n.
(D) (N-1)/(N-n).
(E) (N-n)/(N-1).

Questo 19 TRT 4 REGIO [FCC]
amostra aleatria sem reposio de n elementos. Sabendo-se que a mdia amostral

Uma populao possui 15 elementos e tem varincia 2 . Desta populao retira-se uma
2
desses n elementos tem varincia igual a , o valor de n dado por
28
(A) 5
(B) 10
(C) 14
(D) 25
(E) 28

Em uma populao de 100 elementos, com varincia populacional 50, foram tomadas
amostras casuais simples de tamanho 10. Nestas condies, as varincias da mdia amostral
na amostragem, com e sem reposio, so respectivamente
a) 1/5 e 90/99
b) 2 e 90/99
c) 4 e 450/99
d) 5 e 200/99
e) 5 e 450/99
Questo 21 MINISTRIO DA INTEGRAO NACIONAL 2012 [ESAF]
populao finita de tamanho 500. Sendo = 100 a varincia da populao, determine o

Considere uma amostra aleatria simples de tamanho 50 extrada sem reposio de uma
valor mais prximo da varincia da mdia amostral.

a) 1,6
b) 1,8
c) 2,0
d) 2,2
e) 2,4
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
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
Quando se lana uma certa moeda, a probabilidade de o resultado ser cara p. A moeda foi
lanada dez vezes, sucessivas e independentes, e o resultado foi de 2 caras e 8 coroas.
Tendo em vista este experimento, a estimativa de mxima verossimilhana de p
(A) 0.2
(B) 0.25
(C) 0.3
(D) 0.35
(E) 0.4
Questo 25 CAPES 2008 [CESGRANRIO]
Considere as asseres a seguir.
A mdia amostral sempre um estimador no viciado para a mdia de uma populao.
PORQUE
O erro padro do estimador no viciado para a mdia de uma populao maior do que a
varincia da populao.
Analisando-se as asseres, conclui-se que
(A) as duas asseres so verdadeiras, e a segunda uma justificativa correta da primeira.
(B) as duas asseres so verdadeiras, e a segunda no uma justificativa correta da
primeira.
(C) a primeira assero verdadeira, e a segunda falsa.
(D) a primeira assero falsa, e a segunda verdadeira.
(E) a primeira e a segunda asseres so falsas.
Questo 26 MP RO 2005 [CESGRANRIO]
Com base em uma amostra aleatria simples (X1, X2,..., Xn) de uma populao de mdia
conhecida , um estimador no viciado da varincia da populao :

( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
a)
n2
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
b)
n 1
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
c)
n
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
d)
n +1
( X 1 ) 2 + ( X 2 ) + ... + ( X n )
2 2
e)
n+2
Questo 27 MPE PE/2006 [FCC]
Com relao teoria geral da amostragem, incorreto afirmar que:
a) Quanto menor o erro padro da estimativa, menor ser a confiabilidade e a preciso da
estimativa.
b) Em uma amostra por conglomerados a populao dividida em sub-populaes distintas.
c) A realizao de uma amostragem aleatria simples s possvel se o pesquisador possuir
uma lista completa de cada unidade amostral.
d) Um estimador considerado no viciado quando sua esperana igual ao valor
populacional que est sendo pesquisado.
e) Amostragem estratificada consiste na diviso de uma populao em grupos segundo
alguma caracterstica conhecida. Os estratos da populao devem ser mutuamente
exclusivos.
Questo 28 MPU 2007 [FCC]
Com relao teoria geral da amostragem, correto afirmar que:
a) na amostragem aleatria simples, a seleo das unidades amostrais s pode ser realizada
sem reposio.
b) a amostragem por conglomerados em geral mais eficiente e menos econmica quando
comparada com o mtodo de amostragem aleatria simples.
c) na amostragem estratificada, os estratos da populao no necessitam ser mutuamente
exclusivos.
d) o aumento do tamanho da amostra tem como conseqncia o aumento do erro padro
das estimativas
e) o vis ou vcio de um estimador de um parmetro a diferena entre o seu valor
esperado e o valor do parmetro.
Questo 29 CGU 2008. [ESAF]
Seja T um estimador de um parmetro de uma populao. Se E (T ) = , diz-se que T
um estimador de :

a) eficiente
b) no enviesado
c) consistente
d) de mnimos quadrados
e) de mxima verossimilhana
Questo 30 TRE PI 2009 [FCC]
Seja (X1, X2, X3) uma amostra aleatria simples de uma distribuio normal com mdia .
Foram obtidos 3 estimadores para :
X1 + X 2 + X 3
Y1 =
3
Y2 = 2 X 1 + X 2 3 X 3
Y3 = X1 + 2X 2 2X 3
Ento, APENAS
(A) Y1 no viesado.
(B) Y1 e Y3 so no viesados.
(C) Y1 e Y3 so viesados.
(D) Y1 e Y3 so viesados.
(E) Y2 e Y3 so viesados.
Seja (X, Y, Z) uma amostra aleatria de tamanho 3 extrada, com reposio, de uma
?
populao normal de mdia diferente de zero. Dado que o estimador
$= + + U9
2 3
sendo U um parmetro real, para a mdia no viesado, ento o valor de U tal que
a) U 0,10.
b) 0,10 < U 0,20.
c) 0,20 < U 0,30.
d) 0,30 < U 0,40.
e) U > 0,40.
Com base em uma amostra aleatria ( x1 , x 2 ,..., x n ) o estimador de mxima verossimilhana
e x
do parmetro na distribuio de Poisson, P ( X = x ) = para x = 0,1,2,... a:
x!
(A) mdia quadrtica da amostra.
(B) mdia geomtrica da amostra.

(C) mdia harmnica da amostra.

(D) mdia aritmtica da amostra.
(E) mediana da amostra.
Suponha que a amostra 2; 1; 4; 6; 12 seja proveniente de uma populao com funo de
densidade f(x) = 1/, 0 < x < . Os estimadores de mxima verossimilhana da mdia e da
varincia da populao so dados, respectivamente, por
a) 5 e 10
b) 5 e 12
c) 6 e 12
d) 6 e 10
e) 5 e 12,6
Questo 34 TRF 2 2007 [FCC]

Seja X uma populao normal, com mdia , varincia 2 e mediana . Seja Xi, i = 1, 2, ... n,
e md, respectivamente mdia e mediana de Xi, i = 1, 2, ... n, e

uma amostra aleatria simples da populao X, considere as seguintes estatsticas:
/

=
1

/
R =

Considere as seguintes afirmaes sobre estas estatsticas:
II. um estimador consistente para .

I. S2 um estimador no viciado de 2.
III. R tem varincia menor do que S2.

IV. , como estimador de , mais eficiente do que md.
Est correto o que se afirma em

a) I e II, apenas.
b) I, II e III, apenas.
c) I, II e IV, apenas.
d) II, III e IV, apenas.
e) I, II, III e IV.

8. GABARITO
1 b 13 b 25 c
2 c 14 d 26 c
3 e 15 e 27 a
4 a 16 certo 28 e
5 errado 17 e 29 b
6 e 18 d 30 b
7 e 19 b 31 b
8 b 20 e 32 d
9 c 21 b 33 c
10 e 22 e 34 e
11 e 23 b
12 e 24 a

9. TABELA I DISTRIBUIO NORMAL
PROBABILIDADE DE Z ESTAR ENTRE 0 E Z0

Segunda casa decimal de Z0
Z0 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990

Estatistica - Vitor - Menezes - Aula 12 PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Estatistica - Vitor - Menezes - Aula 12 PDF

Загружено:

Авторское право:

Доступные форматы

Curso Regular de Estatstica

Prof Vtor Menezes Aula 12

AULA 12: Estimadores pontuais e distribuies

1. ESTIMADORES PONTUAIS .............................................................................................................. 2

Prof. Vtor Menezes www.estrategiaconcursos.com.br 1

Considere uma pesquisa salarial envolvendo alguns moradores de um bairro.

Salrio dos moradores do bairro amostra com dez salrios:

O conjunto dos salrios de todos os moradores a nossa populao. Qualquer subconjunto

Queremos descobrir o salrio mdio dos moradores do bairro. A grandeza de interesse

Prof. Vtor Menezes www.estrategiaconcursos.com.br 2

Nesse segundo caso, a partir de uma amostra, procurou-se estabelecer um intervalo de

Por enquanto, vamos nos concentrar na estimativa por ponto.

O motivo de se fazer uma amostragem o fato de haver alguma dificuldade em analisar

1.1. Estimador para a mdia

Usamos a mdia amostral () para estimar a mdia populacional ()

importante padronizarmos nossa linguagem.

Prof. Vtor Menezes www.estrategiaconcursos.com.br 3

vamos usar o smbolo .

Pegamos o dado de seis faces e lanamos trs vezes, obtendo: 6, 2, 3.

J a amostra que fizemos, entrevistando 10 pessoas, resultou em uma mdia de R$

Prof. Vtor Menezes www.estrategiaconcursos.com.br 4

1.2. Estimador para a varincia

Usamos a varincia da amostra (s2) para estimar a varincia da populao (  ).

Se o exerccio pedir o estimador no-viciado, usamos  1 no denominador:

Prof. Vtor Menezes www.estrategiaconcursos.com.br 5

smbolo V(X). Outro smbolo possvel nos exerccios Var(X).

tendencioso, necessrio que o denominador seja  1.

estimador de mxima verossimilhana da varincia utilizamos  no denominador (em vez de

a) O estimador no tendencioso aquele em que temos  1 no denominador.

Prof. Vtor Menezes www.estrategiaconcursos.com.br 6

  1 + 0 + 1

b) O estimador de mxima verossimilhana aquele com  no denominador.

Questo 1 SEFAZ RJ 2008 [FGV]

(A) X e S 2 so, ambos, no tendenciosos para a estimao da mdia e da varincia da

Resumindo: h diversos tipos de estimadores. Por hora, ainda no sabemos exatamente o

Prof. Vtor Menezes www.estrategiaconcursos.com.br 7

Se o exerccio no falar nada, utilize n 1 . Este o estimador mais utilizado. Ele no

Questo 2 PETROBRAS 2010 [CESGRANRIO]

Questo 3 CGU 2008 [ESAF]

Prof. Vtor Menezes www.estrategiaconcursos.com.br 8

Questo 4 SEFAZ SP 2009 [ESAF]

Prof. Vtor Menezes www.estrategiaconcursos.com.br 9

A varincia (com n no denominador), dada por:

1.3. Estimador para uma proporo

Usamos a proporo amostral (! ) para estimar a proporo populacional (p)

Prof. Vtor Menezes www.estrategiaconcursos.com.br 10

Questo 5 BASA 2007 [CESPE]

Nmero de clientes observados 30 40 20 50 70

proporo de clientes satisfeitos 0,9 0,8 0,9 0,8 0,6

Com base nesses dados, julgue o item que se segue.

Prof. Vtor Menezes www.estrategiaconcursos.com.br 11

A proporo de clientes satisfeitos na amostra :

- Usamos a mdia amostral para estimar a mdia populacional ( X um estimador de );

2. DISTRIBUIO AMOSTRAL DA MDIA

2.1. # como uma varivel aleatria

Prof. Vtor Menezes www.estrategiaconcursos.com.br 12

S que os instantes em que realizamos a amostragem foram aleatoriamente escolhidos. Se,

Ou tambm seria possvel ter obtido uma terceira mdia X 3 = 2,051C.

 pode ser vista como uma varivel aleatria

dividimos por n. Nesse caso, dizemos que  uma estatstica.

Questo 6 TJ PI 2009 [FCC]

Prof. Vtor Menezes www.estrategiaconcursos.com.br 13

Vejam como o exerccio explora  como uma varivel aleatria.

Usamos a mdia amostral () para estimar a mdia populacional ()

vamos usar o smbolo .

Usamos a varincia da amostra (s2) para estimar a varincia da populao ( ).

Se o exerccio pedir o estimador no-viciado, usamos 1 no denominador:

tendencioso, necessrio que o denominador seja 1.

estimador de mxima verossimilhana da varincia utilizamos no denominador (em vez de

a) O estimador no tendencioso aquele em que temos 1 no denominador.

1 + 0 + 1

b) O estimador de mxima verossimilhana aquele com no denominador.

pode ser vista como uma varivel aleatria

dividimos por n. Nesse caso, dizemos que uma estatstica.

Vejam como o exerccio explora como uma varivel aleatria.

A cada possvel amostra de tamanho 2, assume um valor diferente.

Ou seja, se pensarmos em todas as possveis amostras de tamanho 2, varia, uma

possvel demonstrar que tem esperana igual a e varincia igual a .

$ = 2$ + $ + + $/ 3

Finalmente, vejamos a varincia de :

- = 2- + - + + -/ 3

O detalhe o seguinte. No desenvolvimento da varincia de usamos o fato de que X1, X2,

29 17 12

Certa populao em estudo tem = 47 e = 12. Se forem realizadas 500 amostras

Alm disso, tem desvio padro dado por:

transformao que converte a varivel em estudo () na varivel normal padro:

&0 < 9 < 1,25 = 39,44%

&9 > 1,25 = 50% 39,44% = 10,56%

probabilidade ou X = 1 com 50% de probabilidade. A mdia, , de quatro realizaes de X,

$ = 1 & = 1 + 1 & = 1

$ = 1 0,5 + 1 0,5 = 0

$ = 1 & = 1 + 1 & = 1 = 1 0,5 + 1 0,5 = 1

- = $ $ = 1 0 = 1