Carregando
0x60Lição 7 de 10

Amostras, incerteza e intervalos de confiança

Veja como as estimativas variam de amostra para amostra, e coloque barras de erro honestas nelas.

24 min Questionário com 5 perguntas 2 exercícios de código
Ao final desta lição, você saberá
  • Explicar a variabilidade amostral e o erro-padrão
  • Ver o teorema central do limite em ação
  • Construir um intervalo de confiança, inclusive com o bootstrap

Raramente medimos todo mundo. Pegamos uma amostra e a usamos para estimar algo sobre a população - o tempo médio de entrega, a proporção de clientes satisfeitos. Uma amostra diferente daria uma resposta um pouco diferente. Essa oscilação é a variabilidade amostral, e uma boa análise a informa.

A dispersão da média amostral entre amostras repetidas é o erro-padrão: SE=σ/nSE = \sigma / \sqrt{n}. Quadruplicar o tamanho da amostra corta a incerteza pela metade.

Experimente

Até 15 XP

Tire amostras de uma população assimétrica

A população de tempos de entrega é assimétrica: a maioria é curta, e algumas são muito longas. Tire 1.000 amostras de tamanho 2 e depois mude para 20 e 50. Veja as médias amostrais se acumularem num sino estreito em torno da média verdadeira - o teorema central do limite.

População: minutos de entrega (média 15,0) - assimétrica, não tem forma de sino
Tamanho da amostra n:
Médias amostrais até agora: 0

Intervalos de confiança

Um intervalo de confiança de 95% é um intervalo construído por um método que captura o valor verdadeiro em 95% das amostras repetidas. Para uma média, uma aproximação comum é xˉ±1.96×SE\bar{x} \pm 1.96 \times SE.

Quando as fórmulas ficam complicadas (medianas, razões, amostras pequenas e assimétricas), use o bootstrap (Efron, 1979): reamostre os seus próprios dados com reposição milhares de vezes, calcule a estatística a cada vez e fique com os 95% centrais dos resultados. Só é preciso um laço.

resample.py
1import random
2random.seed(3)
3data = [12, 15, 18, 20, 21]
4print(random.choices(data, k=5))
Saída
[15, 18, 15, 20, 20]

Principais conclusões

  • As estimativas variam de amostra para amostra; o erro-padrão mede o quanto.

  • As médias amostrais ganham forma de sino conforme n cresce, mesmo vindo de populações assimétricas.

  • Informe intervalos, não só estimativas pontuais - o bootstrap funciona para quase qualquer estatística.

Quiz da aula

5 perguntas · aprovação com 4 acertos · até 50 XP

Ao passar, você conclui a aula e mantém sua sequência. As perguntas erradas voltarão em sessões de revisão.

Pratique: escreva código em Python

Escreva código Python no editor e execute os testes com exemplos. O Python roda localmente no navegador usando WebAssembly.

Exercício 1

Média, erro-padrão e um intervalo de 95%

+25 XP

Leia um array JSON de números. Imprima mean=M sd=S se=E (média com 1 casa decimal, sd e se com 2, usando statistics.stdev) e depois 95% CI: [LOW, HIGH] = mean±1.96×se\text{mean} \pm 1.96 \times se (1 casa decimal).

  • Dez deslocamentos
main.py
Carregando editor…

O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.

Exercício 2

Um intervalo de confiança por bootstrap

+25 XP

Leia um array JSON de números. Chame random.seed(1) e então, 2.000 vezes, sorteie random.choices(values, k=len(values)) e registre a statistics.mean do resultado. Ordene as 2.000 médias e imprima bootstrap 95% CI: [LOW, HIGH] usando as médias nas posições 50 e 1949 (1 casa decimal).

  • Dez deslocamentos
main.py
Carregando editor…

O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.

Dúvidas sobre esta lição

Travou em algum ponto? Pergunte. Descobriu algo? Compartilhe. Explicar também é uma ótima forma de aprender.

Carregando publicações…