INTRODUÇÃO À

INFERÊNCIA ESTATÍSTICA
Estatística II – Prof. Salvatore
O que é Estatística ?
 A estatística pode ser considerada a Ciência que se
preocupa com a organização, análise e
interpretação de dados experimentais Virgillito , S.
B., Estatística Aplicada 2004).
Ramos da Estatística
 Amostragem
 Colhe os dados das diversas variáveis segundo técnicas
apropriadas e cientificamente aceitas.
 Estatística Descritiva
 Ordena e descreve o comportamento dos dados e os
preparando-os para serem analisados.
 Probabilidades
 Calcula a probabiildade de um evento ocorrer ou se repetir
 Inferência
 Estudas as estatísticas amostrais e generaliza as conclusões
obtidas para as respectivas populações de onde as
amostras foram retiradas.
Níveis da Estatística
 Estatística Univariada (medidas de tendência central,
variabilidade, assimetria e achatamento, análise da
variância unifatorial).
 Estatística Bivariada (relação entre duas variáveis,
correlação e análise de variância dois fatores,
regressão linear uni e bi-variada).
 Estatística Multivariada ( relação entre mais de duas
variáveis, regressão múltipla, análise multivariada da
variância, Análise fatorial, análise discriminante,
correlação canônica, análise multidimentional, etc..
A estatística utiliza o método científico

1. Definição do problema.
2. Formulação de hipóteses.
3. Formulação de um plano de coleta de dados.
4. Coleta dos dados.
5. Análise e Interpretação dos dados.
6. Confirmação ou rejeição das hipóteses referentes
ao experimento, relatando as conclusões de
maneira simples permitindo a tomas decisões.
Estatística Inferencial ou Indutiva
 O que é Inferência Estatística?
 É o conjunto de técnicas matemáticas que permitem
generalizar para uma população os resultados obtidos em
amostras retiradas dessa população.
 Quais estatísticas são obtidas das amostras e que
tipo de resultados?
 Estimação de um parâmetro da população (estatística
populacional) com base em estatísticas provenientes de
dados amostrais (Problema de Estimação de parâmetros).
 Compara o valor de um parâmetro na população com base
nas medidas calculadas a partir de estatísticas de uma
amostra (Testes de Hipóteses e Testes de Significância).
O problema da Estimação
 Através de técnicas adequadas, a Estimação de parâmetros permite
avaliar o comportamento populacional através do estudo das
estatísticas das amostras.
 Quando na amostras calculamos a média, o desvio padrão, a
variância, a mediana, etc. , estes resultados se chamam ESTATÍSTICAS.
 Quando estimamos os respectivos valores dessas estatísticas na
população estas denominam-se PARÂMETROS.
Estatísticas das amostras Parâmetros na População
Estatística Média da amostra x Parâmetro média populacional 
Estatística desvio padrão s Parâmetro desvio padrão 
Variância na amostra s2 Parâmetro Variância 2
Letras minúsculas do alfabeto LATINO representam estatísticas amostrais,
enquanto letras Maiúsculas do alfabeto GREGO representam Parâmetros
populacionais.
O problema da Estimação
 Assim, as estatísticas calculadas nas amostras
levantadas de maneira científica são os resultados
que permitirão ESTIMAR os respectivos parâmetros
populacionais.
 Ex: se numa amostra de peças a média do
diâmetro delas é 16mm, qual deve ser a média da
população de onde a amostra foi retirada?
 Ex: se numa amostra de eleitores a proporção de
votos favoráveis ao candidato é 19% qual a
proporção de votos favoráveis na população?
O problema dos Testes de Hipóteses

 Uma afirmação (generalização para a população)

pode ser verdadeira ou falsa.
 Uma amostra carrega consigo as características da
população (Teorema do Limite Central) e através
dela podemos testar se a afirmação a respeito da
população é verdadeira ou falsa.
 A esta decisão sempre estará associada uma
probabilidade de ERRO.
 Conceitos Básicos
População

1. Conjunto de todos os elementos que constituem a

abrangência do estudo.
2. Quanto ao número de elementos pode ser
classificada como finita ou infinita.
3. Quanto ao número de características a serem
investigadas pode ser classificada como simples ou
composta.
4. Quanto ao grau de variabilidade das características
é classificada como homogênea ou heterogênea.

10
 Conceitos Básicos
População

1. Conjunto de todos os elementos que constituem a

abrangência do estudo.
Exemplo:
Os alunos desta turma podem ser unidades
populacionais, caso a investigação seja alusiva à
turma, ou unidades amostrais caso a abrangência
seja todos os alunos da faculdade.

11
 Conceitos Básicos
População

2. Quanto ao número de elementos pode ser

classificada como finita ou infinita.

Lógica
Não há um número a partir do qual uma população
seja caracterizada como finita ou infinita, mas
consideramos a população como FINITA caso a razão
n/N > 0,05, onde n é o tamanho da amostra e N o
da população.
12
 Conceitos Básicos
População

3. Quanto ao número de características a serem

investigadas pode ser classificada como simples ou
composta.

Exemplo
Caso a característica a ser investigada seja renda, a
população é dita como simples.
Caso, além da renda, outra(s) característica(s) entrem
no escopo do estudo, a população passa a ser
considerada composta.
13
 Conceitos Básicos
População

4. Quanto ao grau de variabilidade das características

é classificada como homogênea ou heterogênea.

Exemplo
A distribuição das idades dos alunos desta turma tem
coeficiente de variação de 12% (homogênea),
enquanto a do ano passado tinha uma dispersão
relativa de 49% (heterogênea).

14
 Conceitos Básicos
População

 Por que é importante classificar a população?

Resposta:
Diferentes tipos de população levam a planos de
amostragem diferentes.
Exemplo
Se uma população é homogênea, consideramos um único
conjunto de unidades. Se a população é heterogênea,
devemos estratificar as unidades em grupos homogêneos.

15
 Conceitos Básicos
Amostra

1. É um subconjunto da população.
2. Conveniente para se fazer inferências sobre
populações infinitas.
3. Conveniente, também, em situações de testes
destrutivos.
4. A precisão dos resultados depende da combinação
entre custo-tempo-precisão.

16
 Conceitos Básicos
Amostra

1. É um subconjunto da população.

Exemplos
– Os alunos desta turma constituem uma amostra de
todos os alunos da faculdade.
– João, Marcela, Ricardo e Sandra são unidades da
amostra dos alunos desta turma.

17
 Conceitos Básicos
Amostra

2. Conveniente para se fazer inferências sobre

populações infinitas.
Exemplo

Se uma zona eleitoral tiver o perfil da população de

eleitores de um estado, basta pesquisar os resultados
daquela zona para se conhecer a distribuição de
votos dos candidatos do estado.

18
 Conceitos Básicos
Amostra

3. Conveniente, também, em situações de testes

destrutivos.
Exemplos
– Não precisamos retirar todo o nosso sangue para
saber a quantidade de glóbulos brancos no corpo.
Basta coletarmos uma amostra de sangue.
– Não precisamos quebrar todos os tijolos produzidos
para saber o ponto de esmagamento. Basta obtermos
essa informação a partir de uma amostra.

19
 Conceitos Básicos
Amostra

4. A precisão dos resultados depende da combinação

entre custo-tempo-precisão.

Lógica
Há que se hierarquizar as prioridades entre esses elementos.
Maior precisão aumenta o custo de coleta e o tempo para a
obtenção dos dados.

20
Conceitos Básicos
Tipos de Amostras

 As amostras podem ser classificadas como:

 Aleatórias
ou Probabilísticas (Simples, Estratificada, por
Conglomerados, etc).
 Não probabilísticas (Intencional, Conveniência, etc).
 A escolha do tipo da amostra depende do tipo da
população e do objeto de estudo.

21
Conceitos Básicos
Amostras Aleatórias ou Probabilísticas

 Uma amostra é dita ser probabilística, ou aleatória,

quando cada elemento da população tiver a mesma
probabilidade de ser selecionado.
 Para a seleção das unidades amostrais é utilizado um
procedimento que garanta a aleatoriedade da inclusão
dessas unidades de modo a evitar algum tipo de viés.
 Exemplo: sorteio com auxílio de tabelas de números
aleatórios.

22
Conceitos Básicos
Amostras Aleatórias ou Probabilísticas

 As unidades amostrais podem ser selecionadas SEM ou

COM reposição das unidades.
 No primeiro caso cada unidade só pode entrar na
amostra uma única vez, enquanto no segundo pode entrar
quantas vezes ela vier a ser selecionada.
 Quando o processo de seleção é COM reposição a
população é considerada infinita.
 Nesse curso serão consideradas apenas amostras
aleatórias simples extraídas de população infinita.

23
Conceitos Básicos
Amostras Aleatórias ou Probabilísticas

De uma população de tamanho N, podemos

selecionar:

 N
  Amostras sem reposição
n
n
N Amostras com reposição

24
Conceitos Básicos
Amostras Aleatórias ou Probabilísticas

 De uma população com 10 unidades, podemos

selecionar o seguinte número de amostras diferentes
de tamanho 2 (duas unidades):
Amostras sem reposição
 N  10  10!
       45
 n   2  2! (10  2)!
Amostras com reposição

N  10n 2

25
 Amostragem
 Probabilística
 Aleatória Simples
 Estratificada
 Sistemática
 Por conglomerado
 Múltiplos Estágios
 Não-probabilística
 Por conveniência
 Intencionais
 Por quotas
 Bola de Neve
 Amostras
 Com reposição: o elemento selecionado para a
amostra é re-inserido na população depois de cada
amostragem e assim, poderá ser selecionado
novamente.
 Sem reposição: o elemento selecionado para aquela
amostra específica, não é re-inserido na população
para novas amostras.
 Probabilística
 Amostragem Aleatória Simples
 Assim chamada quando cada objeto ou pessoa
integrante da amostra tem a mesma probabilidade de
ser selecionado.
 Este tipo de amostragem é muito utilizada em
pesquisas de exploração, segmentação e
participação percentual em mercados.
Seleção aleatória simples
através do Excel
 Gera-se uma tabela de
números aleatórios entre um
mínimo e máximo que
possam conter todos os
elementos da amostra.
 Selecionam-se os elementos
os dois, três ou quatro
primeiros números da tabela
gerada automaticamente.
 A posição ordinal dos
números selecionados
indicará qual elemento da
população integrará a
mostra.
 Probabilística
 Sistemática
É aquela amostra colhida através da imposição de um
sistema de escolha. Exemplo: dentro de um hospital e
dentro de uma secção destinadas a doentes de certa
patologia clínica, escolhem-se os pacientes de cada
terceiro quarto, havendo assim chances de termos
pacientes de quartos pares ou ímpares.
Probabilística Sistemática
 Extraiu-se uma amostra a cada 6
elementos ordinais.
 Probabilística
 Estratificada
 Uma vez montada a amostra aleatória simples, pode ser
conveniente estudar uma característica de segunda ordem
mas de interesse. Por exemplo numa amostragem aleatória
simples sobre móveis utilizados num escritório, pode ser
conveniente ouvir as opiniões das, mulheres, canhotos,
pessoas entre certa faixa etária, etc..
 Pode então ocorrer uma estratificação simples ou
proporcional ao tamanho da amostra principal.
Probabilística Estratificada proporcional

 Neste caso o observador seleciona o percentual que deseja (segundo sua

experiência, tipo de estimativa a ser feita e tamanho da amostra exigida
para minimizar o erro-padrão de estimativa) em cada estrato da população
de forma que a amostra seja representativa para o evento em estudo.
 Probabilística Estratificada
inversamente proporcional

 Neste caso o número de elementos de cada extrato da população será proporcional

ao tamanho total do extrato.
 Essa proporção é obtida dividindo-se a proporção do tamanho do grupo em
relação ao total pelo total das proporções.
 Então cada extrato terá uma participação percentual sobre o total da amostra que
é previamente definida. Notar que os grupos menores têm participação em maior
número na amostra.
 Probabilística
 Conglomerados
 Eles são montados a partir da população e as amostras são
constituídas de elementos de um certo conglomerado.
 Não confundir com Estratificada.

 Por exemplo dentro de um escritório pode-se querer

estudar o conglomerado de pessoas que se utilizam de
certa impressora, independente se estes são destros ou
sinistros, homens ou mulheres ou de certa faixa etária.
 Probabilística
 Múltiplos estágios
É um tipo de amostragem que se inicia nos
conglomerados populacionais e gradativamente vai
descendo a outros níveis mantendo o mesmo enfoque.
Por exemplo os utilitários de certa empresa de
aviação, numa certa rota, num certo horário, numa
certa classe, etc..
 Não-Probabilística
 Por conveniência
 São amostras retiradas de grupos definidos, exemplo os
freqüentadores da igreja aos sábados a noite, os executivos das
empresas têxteis, os militares reformados, etc.
 Estas amostras contudo, dependendo do que se quer determinar,
são bastante imprecisas e não propiciam tomada de decisão
gerencial segura.
 Exemplo se queremos saber a participação de mercado de um
tipo de tênis utilizado para a prática de futebol em quadras de
gramado sintético e elegermos o grupo dos militares reformados,
a pesquisa poderá nào ter o resultado esperado.
 Não-Probabilística
 Intencional
 Assim chamada pois a probabilidade de seleção aleatória
é minimizada, e os custos também.
 Neste tipo de amostragem não se pode facilmente
generalizar ou inferir resultados na população pois as
amostras são escolhidas ou restringem-se a certas
categorias de indivíduos ou objetos.
 A informação resultante também tem menor precisão.
 Não-Probabilística
 Por quotas
 Neste tipo de amostragem é comum termos restrições
ou imposições que a amostra de estudo tenha um
número mínimo de cada subgrupo integrante da
pesquisa.
 Estas amostras além de não muito precisas são de custo
geralmente mais elevado.
 Teorema do Limite Central
(primeira parte)

 A média das médias de todas as possíveis amostras retiradas de uma

população (média amostral) é igual, ou muito próxima à média
populacional.
 Teorema do Limite Central
(primeira parte)

 Este conceito será amplamente utilizado posteriormente, quando for necessário

construir um Intervalo de Confiança em torno da média populacional e, sendo esta
desconhecida, poderemos utilizar a média da amostra como um estimador válido.
Referências
 AAKER, David A. Pesquisa de Marketing. Atlas, São Paulo, 2004.
 ANDERSON, Rolph; BLACK, William C.; TATHAM, Ronald; HAIR Jr, Joseph. Multivariate Data Analysis. New Jersey: Prentice Hall,
1998.
 COSTA NETO, Pedro Luiz. Estatística, Correlação e Regressão. São Paulo: Edgard Blücher, 1977.
 Esags Escola Superior de Administração e Gestão - apresentações da disciplina de Estatística II, Prof. Moisés Balassiano FGV – RIO.
 FREUND, John. Estatística Aplicada. Bookmann, Porto Alegre 2000.
 HOFMANN, Rodolfo. Estatística para Economistas. 3.ed. São Paulo: Pioneira, 2001.
 Malhotra, Naresh. Marketing Research. Prentice Hall. New Jersey. 1993.
 MARTINS, Gilberto. Estatística Geral e Aplicada. Atlas, São Paulo 2002.
 MORETTIN,Luiz G. Estatística Básica. Mackron Books, São Paulo, 1999.
 SILVA, Ermes MEDEIROS. Estatística. Atlas, São Paulo 1999.
 SILVER, Mick. Estatística para Administração. Atlas, São Paulo 2000.
 STATSOFT.STATISTICA. Manual do Software. Tulsa 2000.
 SWEENEY, Dennis. Estatística Aplicada à Administração e Economia. Pioneira,São Paulo, 2003.
 TORRES, Rosane. Estudo sobre os planos amostrais das dissertações e teses em administração das faculdades de
economia,administração e contabilidade da universidade do Rio Grande do Sul:uma contribuição crítica. São Paulo 2000.
 VIRGILLITO, Salvatore Benito. Estatística Aplicada à Administração Financeira. São Paulo: Alfa Omega. 2003.
 VIRGILLITO, Salvatore Benito. Estatística Aplicada. São Paulo: Alfa Omega. 2004.
 VIRGILLITO Salvatore Benito. Pesquisa de Marketing, Uma abordagem quantitativa e qualitativa.São Paulo: Saraiva 2010.