O que é um intervalo de confiança?
Um intervalo de confiança oferece um intervalo de valores plausíveis para um parâmetro populacional desconhecido, construído a partir de dados amostrais. O nível de confiança não descreve uma probabilidade sobre o parâmetro: ele descreve a confiabilidade do procedimento usado para construir o intervalo. Veja nosso guia mais amplo sobre estimação pontual e intervalos de confiança para a visão completa.
Definição
Um intervalo de confiança (IC) é um intervalo \([L, U]\) construído a partir de dados amostrais tal que, se o procedimento de amostragem e construção fosse repetido muitas vezes, uma proporção especificada dos intervalos resultantes conteria o verdadeiro parâmetro populacional. Sua estrutura geral é:
\[\text{IC} = \text{Estimativa pontual} \pm \text{Margem de erro}\]
Para uma média populacional \(\mu\), as formas específicas são:
\[\bar{X} \pm z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}} \quad \text{(quando } \sigma \text{ é conhecido)}\]
\[\bar{X} \pm t_{\alpha/2,\, n-1} \cdot \frac{S}{\sqrt{n}} \quad \text{(quando } \sigma \text{ é desconhecido, que é quase sempre o caso)}\]
O termo \(z_{\alpha/2} \cdot \sigma/\sqrt{n}\) (ou o equivalente com \(t\)) é a margem de erro: metade da amplitude do intervalo.
⚠️ A interpretação errada mais comum dos intervalos de confiança
Errado: “Há 95% de probabilidade de que a verdadeira média esteja no intervalo \([68{,}0;\, 72{,}0]\).”
Correto: “Se repetíssemos este estudo muitas vezes e construíssemos um IC de 95% a cada vez, aproximadamente 95% desses intervalos conteriam a verdadeira média.”
A distinção importa porque \(\mu\) é uma constante fixa (desconhecida), não uma variável aleatória. Uma vez que você calculou o intervalo, ou ele contém \(\mu\) ou não: a probabilidade é 0 ou 1. Os 95% se referem à frequência de longo prazo do procedimento, não a nenhum intervalo específico.
Na estatística bayesiana, os intervalos de credibilidade têm, sim, uma interpretação probabilística direta. Os intervalos de confiança frequentistas não têm.
Como os intervalos de confiança se parecem na prática
A maioria dos intervalos (verdes) contém o verdadeiro \(\mu = 50\). Alguns poucos (vermelhos) não: isso é esperado. Em um grande número de repetições, exatamente 95% cobririam \(\mu\).
Nível de confiança e amplitude do intervalo
O nível de confiança \((1-\alpha)\) controla o compromisso entre certeza e precisão:
- Nível de confiança maior: intervalo mais amplo, mais certeza de conter \(\mu\), menos informativo.
- Nível de confiança menor: intervalo mais estreito, mais preciso, mas mais propenso a não capturar \(\mu\).
Para os mesmos dados (\(\bar{x} = 70\), \(S = 10\), \(n = 100\)):
- IC de 90%: \(70 \pm 1{,}66\) = \([68{,}34;\, 71{,}66]\)
- IC de 95%: \(70 \pm 1{,}98\) = \([68{,}02;\, 71{,}98]\)
- IC de 99%: \(70 \pm 2{,}63\) = \([67{,}37;\, 72{,}63]\)
Mais confiança exige uma rede mais ampla.
Fatores que afetam a amplitude do intervalo
A margem de erro \(t_{\alpha/2} \cdot S/\sqrt{n}\) depende de três coisas:
- Nível de confiança: um \((1-\alpha)\) maior dá um \(t_{\alpha/2}\) maior e intervalos mais amplos.
- Tamanho da amostra \(n\): um \(n\) maior reduz a margem de erro na proporção de \(1/\sqrt{n}\).
- Variabilidade \(S\): dados mais variáveis dão intervalos mais amplos.
Para reduzir a margem de erro à metade, você precisa quadruplicar o tamanho da amostra.
Um hospital registra o tempo de internação de 25 pacientes: \(\bar{x} = 6{,}4\) dias, \(S = 3{,}1\) dias. Construa um IC de 95% para \(\mu\).
Como \(\sigma\) é desconhecido, use a distribuição \(t\) com \(n - 1 = 24\) graus de liberdade.
Valor crítico: \(t_{0{,}025,\, 24} = 2{,}064\).
Margem de erro: \(2{,}064 \times 3{,}1/\sqrt{25} = 2{,}064 \times 0{,}62 = 1{,}28\).
\[\text{IC} = 6{,}4 \pm 1{,}28 = [5{,}12;\; 7{,}68] \text{ dias}\]
Temos 95% de confiança de que o tempo médio real de internação está entre 5,1 e 7,7 dias. Isso não significa que há 95% de probabilidade de que \(\mu\) esteja neste intervalo específico: significa que o procedimento que gerou este intervalo tem sucesso 95% das vezes.
Conexão com os testes de hipóteses
Um intervalo de confiança de \((1-\alpha)\) para \(\mu\) está diretamente relacionado a um teste bilateral no nível de significância \(\alpha\):
- Se \(\mu_0\) cai dentro do IC, o teste \(H_0: \mu = \mu_0\) não é rejeitado no nível \(\alpha\).
- Se \(\mu_0\) cai fora do IC, o teste é rejeitado no nível \(\alpha\).
O IC e o teste de hipóteses sempre dão a mesma conclusão. O IC costuma ser mais informativo porque mostra toda a faixa de valores plausíveis, não apenas uma decisão binária de rejeitar ou não rejeitar.
💡 Diretrizes práticas para intervalos de confiança
- Quando \(\sigma\) é desconhecido (praticamente sempre): use a distribuição \(t\), não \(z\).
- Para proporções: use \(\hat{p} \pm z_{\alpha/2}\sqrt{\hat{p}(1-\hat{p})/n}\), e verifique se \(n\hat{p} \geq 10\) e \(n(1-\hat{p}) \geq 10\).
- Mais amplo não é sempre melhor: um IC muito amplo significa pouca precisão. Reporte tanto o intervalo quanto o tamanho da amostra para que os leitores possam avaliar a precisão.
- Não diga “a probabilidade de que \(\mu\) esteja no intervalo é 95%”. Diga “temos 95% de confiança” ou “o procedimento captura \(\mu\) 95% das vezes”.
