UNIVERSIDADE FEDERAL DO PARAN

SETOR DE CINCIAS EXATAS

DEPARTAMENTO DE ESTATSTICA





APOSTILA DA DISCIPLINA
INFERNCIA ESTATSTICA I

CURSO DE ESTATSTICA




















Prof. Paulo Ricardo Bittencourt Guimares










1
O
SEMETRE DE 2003




2



PLANO DE ENSINO



Ficha n 2



Disciplina: Inferncia Estatstica I

Cdigo: CE209
Turma : A

Curso : Estatstica - 3
o
perodo
Professor responsvel: Paulo Ricardo
Bittencourt Guimares
Pr-requisito: CE203+CE205+CM008





Programa:

I - Conceitos Bsicos
1.1. Definio de Estatstica, Populao alvo, Amostra aleatria, estatstica e
momentos amostrais. 1.2. Amostragem da distribuio normal: distribuies Qui-
quadrado, t de Student e F de Snedecor, principais resultados.

II - Suficincia
2.1. Definio de estatstica suficiente. 2.2. Teorema da Fatorao. 2.3. Famlia
exponencial uniparamtrica.

III - Propriedades dos Estimadores Pontuais
3.1. Estimao pontual: definio de estimador e estimativa. 3.2. Definio de
Consistncia, desigualdade de Tchebychev. 3.3. Definio de Erro Mdio Quadrtico e
estimador no-viciado.

IV - Mtodos de Estimao
4.1. Mtodo da Mxima Verossimilhana. 4.2. Mtodo dos Momentos. 4.3.
Mtodo dos mnimos Quadrticos.

V - Propriedades timas dos Estimadores
5.1. Definio de estatstica completa e estatstica tima. 5.2. Teorema de
Lehmann-Scheff: estimador UMVU. 5.3. Invarincia na locao e na escala.







3

Referncias Bibliogrficas:

1. Mood, A.M., Graybill, F.A., Boes, D.C. (1974). Introduction to the theory of
Statistics. 3 ed. New York: McGraw Hill

2. Hogg & Craig Introduction to Mathematical Statistical.

3. Bickel, P. J., Doksum, K.A. Mathematical Statistics, Holden Day Inc.

4. Kreyszig, E. (1970). Introductory Mathematical Statistics. John Wiley & Sons.

5. Rohatgi, V.K. (1976). An Introduction to Probability Theory and Mathematical
Statistics. John Wiley & Sons



4

NDICE

I CONCEITOS BSICOS............................................................................................... 5
1.1 INTRODUO................................................................................................... 5
1.2 NOES DE POPULAO E AMOSTRA........................................................ 6
1.3 ESTATSTICA : MOMENTOS AMOSTRAIS................................................... 7
1.4 AMOSTRAGEM DA DISTRIBUIO NORMAL............................................. 9
II SUFICINCIA............................................................................................................ 13
2.1 INTRODUO................................................................................................... 13
2.2 DEFINIO: ESTATSTICA SUFICIENTE:................................................... 13
2.3 TEOREMA DE NEYMAN-FISHER OU TEOREMA DA FATORIZAO... 16
2.4 FAMLIA EXPONENCIAL UNIPARAMTRICA.......................................... 18
2.5 FAMLIA EXPONENCIAL K-PARAMTRICA............................................. 19
III MODELOS PARAMTRICOS ................................................................................ 20
3.1 CONCEITO......................................................................................................... 20
3.2 DEFINIES...................................................................................................... 20
IV ESTIMAO........................................................................................................... 21
4.1 ESTIMAO POR PONTO............................................................................... 21
4.2- PROPRIEDADES DOS ESTIMADORES PARAMTRICOS ........................ 22
4.2.1- Consistncia ................................................................................................ 22
4.2.2.- Estimadores No-viciados.......................................................................... 23
4.3 MTODOS DE ESTIMAO........................................................................... 24
4.3.1 Mtodo da Mxima Verossimilhana (Fisher) .......................................... 24
4.3.3. Mtodo dos Mnimos Quadrados (Gauss) ................................................ 27
4.4 ESTIMADORES NO-VICIADOS UNIFORMEMENTE DE MNIMA
VARINCIA (UMVU) E INTERVALOS DE CONFIANA................................. 28
4.4.1 Estatsticas Completas ............................................................................... 28
4.4.2 Estimadores UMVU.................................................................................. 29







5


I CONCEITOS BSICOS

1.1 INTRODUO


Latim: INFERENTIA
Ato de inferir (tirar por concluso).
Admite-se uma proposio como verdadeira, que no seja conhecida diretamente,
atravs da relao dela com outras proposies j sabidamente verdadeiras.


Casos especiais: Inferncia Dedutiva (certa).
Inferncia Indutiva (incerta, h um nvel de probabilidade envolvido).


Ex.:
Dedutiva: Premissa principal - um dos ngulos de um tringulo retngulo tem sempre
90.
Premissa secundria - um tringulo retngulo.
Concluso: T tem um ngulo de 90 (particular geral).

Indutiva: 10
7
sementes so plantadas, deseja-se saber quantas daro flores brancas e
quantas vermelhas. H um nvel de probabilidade envolvido para cada flor
(cor) (geral particular).



A ESTATSTICA

Usualmente, impraticvel observar toda uma populao, seja pelo custo alto seja
por dificuldades operacionais. Examina-se ento uma amostra, de preferncia
bastante representativa, para que os resultados obtidos possam ser generalizados para
toda a populao. Um experimento pode ter por finalidade a determinao da
estimativa de um parmetro de uma funo. Toda concluso tirada por amostragem,
quando generalizada para a populao, apresentar um grau de incerteza. Ao
conjunto de tcnicas e procedimentos que permitem dar ao pesquisador um grau de
confiabilidade nas afirmaes que faz para a populao, baseadas nos resultados das
amostras, damos o nome de Inferncia Estatstica


OBJETIVOS PRINCIPAIS

a) Planejar o processo amostral e experimental;
b) Obter inferncias sobre a populao;
c) Estabelecer nveis de incerteza envolvidos nessas inferncias.



6


1.2 NOES DE POPULAO E AMOSTRA

DEF.1 : POPULAO ALVO a totalidade de elementos que esto sob discusso e
das quais se deseja informao.

EXEMPLO 1:- Suponha que se tenha armazenado num depsito 10 milhes de
sementes de flores das quais sabe-se que produzem flores brancas e vermelhas. Os 10
milhes de sementes a populao e deseja-se a informao: quantas destes 10
milhes de sementes produzem flores brancas ?.

DEF. 2: AMOSTRA ALEATRIA: Sejam as variveis [X
1
,

X
2
, ... ,X
n
] que tm a
densidade conjunta ) ,..., , (
2 1 ,..., ,
2 1
n x x x
x x x f
n
que fatora nas densidades marginais
seguintes:
) ( )... ( ). ( ) ,..., , ( ) (
2 1 2 1 ,..., ,
2 1 2 1
n x x x n x x x x
x f x f x f x x x f x f
n n


com f(.) sendo a densidade comum a todas as X
i
. Ento (X
1,
X
2
, ... , X
n
) definida como
amostra aleatria (a.a.) de tamanho n da populao com densidade f (.).

Nota: Um valor especfico da a.a. X
1
;...;X
n
denotado por x
1
;x
2
;...;x
n
.

No exemplo das 10
7
sementes, pode-se ter:
flor - branca valor 0
- vermelha valor 1

X
i
= 0 se branca
1 se vermelha

Assim, uma a.a. (n = 50) pode ser: x
1
= 0; x
2
= 1; ...; x
50
= 0


EXEMPLO 2:- No exemplo tomado, pode-se associar 1 a flor branca e 0 a flor
vermelha, ento existe um nmero associado a cada elemento da populao. Se a
amostragem de sementes feita de tal forma que as variveis X
1,
X
2
, ... ,X
n
so
independentes e tm a mesma densidade a amostra dita aleatria.


DEF. 3: POPULAO AMOSTRADA: Seja [X
1
,

X
2
, ... ,X
n
] a.a. da populao com
densidade f (.), ento esta populao chamada populao amostrada.

Resultados com base na a.a. s so vlidas para a populao amostrada, a menos que a
populao alvo seja a populao amostrada.







7

EXEMPLO 3: Suponha que um socilogo deseja entender os hbitos religiosos dos
homens com 20 anos de idade em certo pas. Ele extrai uma amostra de homens com 20
anos de uma grande cidade para estudar. Neste caso tem-se:

Populao alvo: homens com 20 anos do pas;
Populao amostrada: homens com 20 anos da cidade grande amostrada.

Ento ele pode fazer concluses vlidas apenas para os elementos da grande cidade
(populao amostrada), mas pode usar o seu julgamento pessoal para extrapolar os
resultados obtidos para a populao alvo, com muita cautela e certas reservas.

EXEMPLO 4:- Um pesquisador agrcola est estudando a produo de certa variedade
de trigo em determinado estado. Ele tem a sua disposio 5 fazendas, espalhadas pelo
estado, nas quais ele pode plantar trigo e observar a produo. A populao amostrada,
neste caso, consiste das produes de trigo nestas 5 fazendas, enquanto a populao alvo
consiste das produes de trigo em todas as fazendas do estado.

1.3 ESTATSTICA : MOMENTOS AMOSTRAIS

DEF. 4: ESTATSTICA:

Uma estatstica uma funo das variveis observveis, e por si prpria uma varivel
observvel que no contm qualquer parmetro desconhecido.
EXEMPLO 5: Seja a a.a. [X
1
,

X
2
, ... ,X
n
]. A mdia amostral x =
n
x
n
i
i
1
uma
estatstica.
EXEMPLO 6: Seja a

v.a X ~ N(,
2
) com e
2
desconhecidos, ento x - no
estatstica porque no observvel, funo do parmetro
desconhecido .

EXEMPLO 6: Seja uma v.a. com distribuio N(;
2
). Quais so Estatsticas?

a) X
2
- d) X-4

b)
X

2
e) X - logX
3


c) X
2
-3





8

DEF.5: MOMENTOS AMOSTRAIS
Seja [X
1
,

X
2
, ... ,X
n
] uma a.a. da densidade f
X
(x). Ento, o k-simo momento amostral
definido por:
M
k
=

n
i
n
1
1
x
k
i

OBS 1: Se k=1 M
1
= X =

n
i
i
x
n
1
1
(mdia amostral)
E, o k-simo momento amostral em torno de X definido por

M
k
=

n
i
n
1
1
(x
i
- x )
k

OBS 2: Momentos amostrais so exemplos de estatsticas.


RESULTADO 1:
Seja [X
1
,

X
2
, ... ,X
n
] uma a.a. da populao com densidade f
x
(x). Ento, a esperana do
k-simo momento amostral igual ao k-simo momento populacional, isto :
E(M
k
) =
k
= E(x
k
)
e tambm,
V(M
k
) =
n
1
[E(x
k 2
) [E(x
k
)
2
] =
n
1
[
2k
(
k
)
2
] , se M
2k
existe.

EXERCCIO 1 : Prove o resultado anterior.

DEF.6.: VARINCIA AMOSTRAL
Seja [X
1
,

X
2
, ... ,X
n
] uma

a.a. da densidade f
x
(x), ento
2
1
2
) (
1
1

n
i
i
x x
n
s
definida como varincia amostral.

OBS: Tanto s
2
quanto M
2
=
2
medem a disperso da amostra, contudo s
2
melhor que
2
porque E(s
2
) = m
2
=
2
, enquanto E(M
2
) = E(
2
) m
2
=
2



RESULTADO 2: Seja [X
1
,

X
2
, ... ,X
n
] uma a.a. da densidade f
x
(x), que tem mdia e
varincia finita
2
, ento :
) (x E e V( x ) =
2
x
=
n
2

EXERCCIO 2: Prove o resultado 2.


RESULTADO 3: Seja [X
1
,

X
2
, ... ,X
n
] uma a.a. da densidade f
x
(x) e seja s
2
a varincia
amostral, ento
E(s
2
) =
2
e V(s
2
) =

,
_

4
4
1
3 1

n
n
n

EXERCCIO 3: Prove a primeira parte do resultado 3.


9

1.4 AMOSTRAGEM DA DISTRIBUIO NORMAL

RESULTADO 4: Seja x a mdia amostral da a.a. [X
1
,

X
2
, ... ,X
n
] da distribuio N
(,
2
). Ento x N (,
2
/n).

Uma v.a. X normalmente distribuda se sua f ( ) dada por:

f x f x e X X
x
( ) ( ; , )
( )

1
2
2
1
2
2
, e X R, >0


REVISO: FUNO GERADORA DE MOMENTOS

) ( ) (
tx
X
e E t


Seja Y = ax + b ) ( . ) ( at e t
X
bt
Y


) ( ) , (
2 1
2 1 ,
Y t X t
Y X
e E t t
+


Sejam as v.as X e Y. Elas sero independentes se e somente se:

) ( ) ( ) , (
2 1 2 1 ,
t t t t
Y X Y X



EXERCCIO 4: Prove o resultado 4.

DEF. 7: DISTRIBUIO QUI-QUADRADO (
2
)
Se X uma v.a com densidade f
ax
(x) =
x
e x
2
1
1
2
2
2
2
1
) (
1

,
_

, x > 0, ento X dita ter

distribuio qui-quadrado com graus de liberdade, onde um inteiro positivo.

OBS.: Se X ~
2

E(X) = e V(X) = 2

RESULTADO 5: Se as v.as X
i
, i = 1,2,..., n so normais e independentemente
distribudas com mdia , e varincia
2
i
, ento a v.a

,
_

n
i i
i i
x
U
1
2

~
2
n
x .

EXERCCIO 5: a) Prove o resultado citado na observao anterior.
b) Prove o resultado 5.






10

RESULTADO 6 : Se [z
1
, z
2
,..., z
n
] uma a.a. de uma distribuio N( 0,1), ento :
(i) z ~ N ) , 0 (
1
n

(II) z e

n
i
i
z z
1
2
) ( so independentes
(III)

n
i
i
z z
1
2
) ( ~
2
1 n
x

COROLRIO : Se
2
1
2
) (
1
1

n
i
i
x x
n
s a varincia amostral de uma N(,
2
), ento
2
2
) 1 (

s n
U

tem uma distribuio
2
1 n
.

EXERCCIO 6: a) Prove o resultado 6.
b) Prove o corolrio do resultado 6.

DEF. 8: DISTRIBUIO
Se a v.a X tem a densidade abaixo, ento X definida como uma v.a com distribuio
com
1
e
2
graus de liberdade.
f
X
( x ) =
( )
( ) [ ]
2
2
2
2
1
2 1
2 1
2 1
2
1
1
2
1
1
2 2
2

,
_

,
_

,
_

,
_

x
x
x > 0

RESULTADO 7: Seja U uma v.a com distribuio
2
com
1
graus de liberdade e seja
V uma v.a
2
com
2
graus de liberdade, v.as independentes. Ento a v.a X
2
1

V
U
tem
distribuio com
1
e
2
graus de liberdade.

COROLRIO: Se [X
1
,

X
2
, ... ,X
m+1
] uma a.a. de tamanho m + 1 de uma populao
N(
2
,
x x
) e se [Y
1
, Y
2
,..., Y
n+1
] uma a.a. de tamanho n +1 de uma populao
N(
2
,
y y
) e se as duas amostras so independentes, ento :

2
1
1
2
) (

m
i
i
x x
U ~
2
m
, V
2
1
1
2
) (

n
i
i
y y
~
2
n
, tal que

n
i
i
n
i
i
n y y
m x x
1
2
1
2
/ ) (
/ ) (
~
m, n
.
EXERCCIO 7: a) Prove o resultado 7
b) Prove o corolrio do resultado 7.

RESULTADO 8: Seja X uma v.a
2 1
,
, ento :
E(X) =
2
2
2

2
>2 e V(X) =
) 4 ( ) 2 (
) 2 ( 2
2
2
2 1
2 1
2
2

+



2
> 4



11

EXERCCIO 8: Prove o resultado 8.


CARACTERSTICAS DA DISTRIBUIO F

i) Distribuio Assimtrica;
ii) Depende de m e n para sua caracterizao;
iii) H uma relao entre t
k
e F
(1;k)
: t
2
k
= F
(1;k)

iv) Esperana e Varincia
E[x] =
n
n 2
; (n > 2) e V[x] =
2 2
2 4
2
2
n m n
m n n
( )
( ) ( )
+

; (n > 4)
v) F
1- (m;n)
=
1
F n m ( ; )




APLICAES
- Anlise de Varincia (ANOVA)
- Teste de Homogeneidade de Varincias



DEF.9: DISTRIBUIO t DE STUDENT


A distribuio "t" estuda os casos de pequenas amostras (n<30) e/ou quando se
desconhece a varincia populacional (
2
). Assim, faz-se necessrio estimar
2
atravs da
estatstica S
2
, funo da a.a. X
1
;...;X
n
.
O Teorema do Limite Central mostra que a distribuio amostral da mdia tem
distribuio N(;
2
/n), quando n grande. Logo, a estatstica Z

) 1 ; 0 ( ~ N
n
X
Z

Agora, se usarmos a estatstica S
2
e n for pequeno, Z no ter mais distribuio Normal.
Qual ser ser ento a nova distribuio?
O estatstico W.S.Gosset ("The Probable Error of Mean" Biometrika, 1.908), sob
pseudnimo de Student, obteve uma distribuio exata para nova estatstica, denotada
por "t"de Student:


t
X
S
n

; S
2
um estimador imparcial de
2
.

Esta distribuio definida pela razo entre uma v.a com distribuio Normal Padro e


12

a raiz quadrada de uma v.a com distribuio Qui-quadrado, ou seja, X =

U
Z
, com Z e
U independentes. Desta forma X tem distribuio t de Student com f.d.p :
2 / ) 1 (
2
1
1 1
2
] 2 / ) 1 [(
) (
+

,
_

,
_

x
x f
X

RESULTADO 9: Se Z ~ N(0,1) e U ~
2

e so independentes, ento X =

U
Z
~t

.

EXERCCIO 9: Prove o resultado 9.

RESULTADO 10: Se X uma v.a com distribuio t

, ento:
E(X) = 0 e V(X) =
2

, > 2.

EXERCCIO 10: Prove o resultado 10.



Algumas funes geradoras de momento (f.g.m.):

01) Normal
M
x
(t) =
( )
e
t t . . . +
2 2
(0;1) M
x
(t) = e
t
2
2
= E(e
tx
)

02) Qui-quadrado
M
x
(t) =
1
1 2
2

_
,

t
k
, t <

03) t de Student
No existe!!

04) F de Snedecor
No existe!!


Outros resultados:
Bernoulli ~Binomial
Poisson ~Poisson ( )
Exponencial ~Gamma (n; )




13

II SUFICINCIA
2.1 INTRODUO
CONCEITO
Dada uma populao com f.p. ou f.d.p pertencente a classe f

= {f
X
(x| ) ; } onde
o espao paramtrico, um estimador ou uma estatstica, T = t(X
1
,X
2
,...,X
n
), pode ser
interpretada como o procedimento destinado a retirar da a.a., (X
1
,X
2
,...,X
n
), informao
sobre o valor desconhecido do parmetro . Esta estatstica existindo, chamada de
suficiente para . Assim uma estatstica suficiente permite um resumo das informaes
trazidas pela amostra, ou seja, resume os dados sem perder nenhuma informao sobre o
parmetro . Portanto, conhecida uma estatstica suficiente, os dados da amostra passam
a ser irrelevantes, pois nada mais dizem sobre , ficaram exaustos quando se calculou a
estatstica T suficiente.

2.2 DEFINIO: ESTATSTICA SUFICIENTE:
Seja [X
1
,

X
2
, ... ,X
n
] uma a.a. da populao com f.p. ou f.d.p na classe f

= {f
X
(x|);
}; uma estatstica T suficiente para se e somente se a distribuio de (X
1
, X
2
,...
, X
n
) condicionada por T=t no depender de , para qualquer que seja o valor t do
domnio de T.

EXERCCIOS :
1) Seja [ X
1
, X
2
, X
3
] uma a.a. de uma populao de Bernoulli com parmetro .

a) A v.a. X
i
discreta ou contnua? Por qu?

X
i
~b(1; ) f x X i i ( )
( )

x x
i
i
1
1

,
(0;1)
(x)

Discreta, pois seu domnio um conjunto enumervel finito.

b) Qual o espao amostral da amostra X
1
; X
2
;X
3
?

N
S
= 2
n
= 2
3
= 8
S = {(0;0;0); (0;0;1);...;(1;1;1)}

c) Qual a distribuio de prob. conjunta de [X
1
; X
2
;X
3
]?

( ) ( ) f f x f x X Xn
n
1
1
;...; ( ) ... ; * * =
( )

x x
1
1
1
1

( )

x x
2
2
1
1

...
( )

x x
n
n
1
1

( )

x n x i i

1

d) Qual o espao amostral de (espao paramtrico)?
= {: 0 < < 1}







14

e) Seja a estatstica T=X
i
, representando o n de sucessos do conjunto de n
observaes. Qual a distribuio da v.a. T?

f
T
(t) =
n
t
t n t

_
,


( ) 1

Prove atravs da funo geradora de momentos (f.g.m.)
Bern. = M
x
(t) = + (1-)e
t

Bin.= M
x
(t) = [ + (1-)e
t
]
n


f) Qual a prob. de ocorrncia do resultado { x
1
;x
2
;...;x
n
.} condicionado T=t?

P[X/T=t] = P[X
1
=x
1
;...;X
n
=x
n
/T=t] =
}
P[X = x ,..., X = x / T = t]
P[T = t]
1 1 n n
xi
=


x n x
t n t
i i
n
t

_
,

( )
( )
1
1
=
1
n
t

_
,

g) A Est. T= x
i
suficiente para (estimar) ?

Como P[x/ x
i
= t] =
1
n
t

_
,

no depende de , ento T uma ESTATSTICA

SUFICIENTE!!


2) Na situao do exerccio anterior, seja T
0
= X
1
+ X
3
.


a) Qual a distribuio de T?

T ~b(2; )


b) A estatstica T suficiente?

P[x/T=t] =
P[X = x , X = x , X = x / + X = t]
P[T = t]
1 1 2 2 3 3 1 3 X
=
=


x x x x t x t x
t t
t
1 1 2 2 1 1
1 1 1
2
1
1 1 1
2
( ) ( ) ( )
( )
( )

_
,

=


15

=


x t t
t t
t
2 2
1
2
1
3
2
+ +

_
,

( )
( )
( )
=

x x
t
2 2
1
2
1
( )

_
,

; Portanto T no suficiente!

3) INSPEO POR AMOSTRAGEM: Uma mquina produz n itens sucessivamente.
Cada item produzido bom com probabilidade e defeituoso com probabilidade 1-,
onde um parmetro desconhecido. Suponha que no h dependncia entre a
qualidade dos itens produzidos e seja X
i
= 1 se o i-simo item bom e X
i
= 0 em caso
contrrio.

a) Qual a distribuio de probabilidade da v.a X
i
?
b) Qual a distribuio de probabilidade da v.a T =

n
i
i
X
1
?
c) Determine a distribuio conjunta de X = [X
1
, X
2
,..., X
n
].
d) Verifique se a estatstica T =

n
i
i
X
1
suficiente para .

4) No contexto do exerccio 1, verifique se a estatstica S = X
1
.X
2
+ X
3
suficiente para
estimar , seguindo a seqncia de itens seguinte:

a) Qual o contradomnio da v.a S ? Relacione os eventos e o contradomnio de S.
b) Calcule P (X
1
=x
1
,X
2
=x
2
,X
3
=x
3
) para todos os 8 termos [X
1
,X
2
,X
3
]. Construa
uma tabela que mostre tudo que pedido.
c) Calcule P(S=0), P(S=1) e P(S=2), ou seja, determine a distribuio de
probabilidade de S, P(S=s). Construa uma tabela que mostre os valores.
d) Calcule a distribuio conjunta de X = [X
1
,X
2
,X
3
] condicionada a S = s.
e) Qual a concluso que se pode tirar sobre S ?

5) Seja [X
1
, X
2
,..., X
n
]uma a.a. de uma populao Poisson P() onde > 0. Mostre
diretamente que

n
i
i
X
1
uma estatstica suficiente para , respondendo os itens :
a) A v.a X
i
discreta ou contnua ? Por qu ?
b) Escreva a f.p. da v.a X
i
.
c) Escreva a f.p. conjunta para
x
= [X
1
, X
2
,..., X
n
].
d) Calcule a probabilidade conjunta de X , condicionada a T = t.
e) O que se conclui sobre T =

n
i
i
X
1
.









16

2.3 TEOREMA DE NEYMAN-FISHER OU TEOREMA DA FATORIZAO
Seja uma a.a. [X
1
,

X
2
, ... ,X
n
] de uma distribuio f(x;), . A estatstica T(X)
suficiente para se e somente se existe funo g(t, ), definida para todo t e para todo
, e h(X) definida em R
n
tal que :
P(X,) = g(T(X),).h(X)

Exemplos:
01) X
i
~Bernoulli (); amostra = [x
1
,x
2
,x
3
]. T=X suficiente?
( )
( ) ( ) ( ) ( )
f x f x X
x
x
x
x
i
n
x
i
i
i
i
i
~
~
, , .

_
,

1
1 3
1
3
3
1 1
1
1



( ) ( )
( )
g t
h x x
x
n
i
; .
;...;

_
,

'

1
1
1
3
1
depende da amostra apenas atrav s de t.
independe de , assim T suficiente



02) X
i
~N(;
2
), - < < +,
2
conhecido.

f x e X
x
( )
( )

1
2
2
1
2
2

Pelo teorema tem-se:

( )
f x e e X
X
i
n
n
X
~
~
( ) ( )
; . .
*

_
,

1
2
1
2
2
2
2
2
2
1
2


Mas (X-)
2
= [(X-X)-( -X)]
2
= [(X-X)
2
-2(X-X)( -X)+( -X)
2
]=

= (X-X)
2
-2(X-X)( -X)+( -X)
2
= (X-X)
2
+n( -X)
2


( )

_
,

+
*
~ ~
[ ( ) ( ) ]
; . ( ; ). ( ;...; )
*
f x e g t h x x
X
n
X X n X
n

1
2
1
2
1
2
2 2


X uma estatstica suficiente para .








EXERCCIOS:


17

1)PROCESSO DE POISSON
Suponha que as chegadas de n consumidores em um servio sejam contadas
seguindo um Processo de Poisson com parmetro de chegada . Seja X
i
o tempo de
espera at a chegada do i-simo consumidor.
a) Qual a distribuio do tempo de espera X
i
?
b) Escreva de maneira formal a f.d.p da v.a X
i
.
c) Escreva a f.d.p da v.a X
i
usando a funo indicadora I, que vale 1 quando X > 0 e
0 em caso contrrio (contradomnio de X
i
).
d) Qual a funo densidade conjunta da a.a. (X
1
, X
2
,...,X
n
) da populao X ~ E ()
?
e) Verifique se a estatstica T =

n
i
i
X
1
suficiente para , usando o Teorema de
Neyman-Fisher.

2) Seja ( X
1
, X
2
, ... , X
n
) a.a. de uma populao com f.p. P ().

a) Escreva a f.p. da varivel aleatria X.
b) Escreva a f.p. da v.a X, usando a funo indicadora I (que descrever o
contradomnio de X).
c) Qual a f.p. conjunta da a.a. [ X
1
, X
2
,..., X
n
] ?
d) Determine usando o teorema de Neyman-Fischer a estatstica suficiente para .

3) Seja [X
1
, X
2
,..., X
n
] uma a.a. de uma distribuio N (0,
2
), 0 < < .

a) Escreva a f.d.p da varivel aleatria X.
b) Escreva a f.d.p da v.a X usando a varivel indicadora I para o seu domnio.
c) Qual a funo de densidade conjunta da a.a. [X
1
,X
2
,...,X
n
]?
d) Qual a estatstica suficiente para ?

4) Seja [X
1
, X
2
,..., X
n
] uma a.a. de tamanho n de uma distribuio geomtrica com
parmetro , G().

a) Escreva a f.p. da varivel aleatria X
i
.
b) Escreva a f.p. da varivel aleatria X
i
, usando a varivel indicadora para o seu
contradomnio.
c) Qual a f.p. conjunta da a.a. (X
1
, X
2
,..., X
n
)?
d) Determine a estatstica suficiente para estimar .

5) Seja [X
1
, X
2
,...,X
n
] uma a.a. de uma distribuio U [0, ].

a) Escreva a f.d.p da varivel aleatria X.
b) Escreva a f.d.p da v.a X
i
usando a varivel indicadora I para o seu
contradomnio.
c) Qual a funo densidade conjunta da a.a. [X
1
,X
2
,...,X
n
]?
d) Determine a estatstica suficiente para .




18



6) Seja [X
1
,X
2
,...,X
n
] a.a., onde X
i
uma v.a i.i.d. N(,
2
), com ambos os parmetros
desconhecidos. Seja = [,
2
].

a) Escreva a f.d.p da varivel aleatria X
i
.
b) Escreva a f.d.p da varivel aleatria X
i
usando a varivel indicadora I para o seu
contradomnio.
c) Qual a funo de densidade conjunta da a.a. (X
1
,X
2
,...,X
n
)?
d) Determine usando o T. de Neyman-Fischer a estatstica suficiente para =
[,
2
].

2.4 FAMLIA EXPONENCIAL UNIPARAMTRICA
Uma v.a. em R possui distribuio da famlia exponencial uniparamtrica se a sua f.p.
ou f.d.p da forma f(x|) = exp{c()T(x) + d() + S(x)}.I
A
(x), onde , intervalo
aberto de R e o conjunto A = {x| f(x|) > 0 } independente de .

EXEMPLO 1 :A distribuio binomial, b(n,), pertence a famlia exponencial, pois :
f(x|) = ( ) ( ) ( )

'

1
]
1

+ +

,
_

,
_

1 ln ln ln exp 1 x n x
x
n
x
n
x n x
I
N
*
(x)
( ) ( )

'

1
]
1

+ +

,
_

1 ln 1 ln ln ln exp x n x
x
n
I
N
*
(x)
f(x|) ( ) ) ( 1 ln
1
ln ln exp x I n x
x
n
N

'

1
]
1

,
_

f(x|) ( ) ) ( ln 1 ln
1
ln exp
) (
) (
) (
x I
x
n
n x
N
x S
d
x T

'

1
1
1
1
]
1

,
_

+ +

3 2 1
43 4 2 1
43 4 2 1

EXEMPLO 2: A distribuio U [0, ] no pertence a famlia exponencial, pois :
f
X
(x) =

1
0 X
f
X
(x) = exp{-ln} no corresponde a forma de famlia exponencial, uma vez que o
limite na extremidade b depende de .

Se [X
1
, X
2
,...,X
n
] uma a.a. de uma populao com f.p. ou f.d.p da famlia exponencial,
ento a estatstica T(X) uma estatstica suficiente para , pelo Teorema de Fatorizao.

EXERCCIOS:
1) Seja [X
1
, X
2
,...,X
n
] uma a.a. de uma distribuio normal N(,) com fixo e
conhecido.
a) Escreva a funo densidade de probabilidade conjunta.
b) Escreva a f.d.p conjunta na forma da famlia exponencial.
c) Identifique as funes c(), T(x), d() e S(x).


19

d) Qual a estatstica suficiente para ?

2) Suponha [X
1
, X
2
,...,X
n
] uma a.a. de uma populao com uma das seguintes
densidades. Ache a estatstica suficiente para , com a fixo, e identifique c(), T(x),
d() e S(x).

a) Beta(,1)
b) Weibull(,a)
c) Paretto (,a)

2.5 FAMLIA EXPONENCIAL K-PARAMTRICA
A famlia de distribuies {P

; } dita famlia exponencial com k parmetros ou

k-paramtrica, se existem as funes de valor real c
1
, c
2
,..., c
K
e d(), e ainda T
1
, T
2
,...,
T
K
funes de varivel real, e tambm S, definidas em R
n
e um conjunto A R
n
tal que
a f.d.p (ou f.p.) de P

pode ser escrita na forma :

p(x,) = ) ( ) ( ) ( ) ( ) ( exp
1
x I x S d x T c
A
K
i
i i

'

1
]
1

+ +

e pelo Teorema da Fatorizao o vetor T(x) = [T
1
(x),..., T
K
(x)] suficiente para = (
1
,

2
,...,
K
).

EXERCCIOS :
1) Seja ( X
1
, X
2
,..., X
n
) uma a.a. de uma distribuio N(,
2
), onde
1
]
1

.
a) Qual o espao paramtrico do parmetro ?
b) Escreva a f.d.p de X
i
.
c) Escreva a f.d.p conjunta da amostra.
d) Escreva a f.d.p conjunta na forma da famlia exponencial.
e) Qual a estatstica suficiente para ?

2) Seja (X
1
,X
2
,...,X
n
) uma a.a. de uma distribuio (,), onde
1
]
1

o vetor de
parmetros.

a) Qual o espao paramtrico de ?
b) Escreva a f.d.p da v.a X
i
.
c) Escreva a f.d.p conjunta da amostra.
d) Escreva a f.d.p conjunta na forma da famlia exponencial e identifique c
i
(),
T
i
(x), d() e S(x).
e) Qual a estatstica suficiente para ?


20


III MODELOS PARAMTRICOS
3.1 CONCEITO
Quando se usa a designao paramtrico, o significado do termo o de que a forma da
f.p. ou f.d.p da v.a. foi especificada a priori e no posta em questo. Alm disto tem-se
que:

as inferncias dizem respeito a um nmero finito de parmetros;
as inferncias dependem da forma especificada para a f.d.p. ou f.p.

3.2 DEFINIES
1
a.
)

Espao paramtrico o conjunto de todos os valores que o parmetro pode
assumir.
2
a.
) Uma parametrizao chamada identificvel quando para parmetros diferentes
tem-se f.d.ps ou f.ps diferentes ou seja para
1

2
tem-se
2 1

P P .

EXEMPLO 1
No modelo X ~ N(,
2
), o parmetro possui o espao paramtrico = { R}.

EXEMPLO 2
O modelo X ~ N(,
2
) tem o parmetro = [,
2
] com espao paramtrico =
{(,
2
) < < , > 0}

EXERCCIOS
1) Uma gelogo mede os dimetros de um grande nmero, n, de seixos em um leito de
um riacho. Consideraes tericas o conduz a acreditar que o logaritmo do dimetro
da pedra possui distribuio N(,
2
). Ele deseja usar suas observaes para obter
alguma informao sobre e
2
, mas no tem conhecimento nenhum da magnitude
dos dois parmetros.

a) Escreva se o modelo a ser usado pelo gelogo paramtrico ou no e o porqu.
b) Escreva o espao paramtrico do parmetro = (,
2
).
c) Sabendo-se que uma parametrizao chamada de identificvel quando para
1


2
tem-se f(x,
1
) f(x,
2
), escreva se a parametrizao do modelo
identificvel.

2) Seja [X
1
, X
2
,...,X
n
] n determinaes de uma constante (fsica). Um modelo
sugerido para a v.a. X
i
X
i
= +
i
, i = 1, 2,..., n, onde
i
pode ser considerado como
erro de medida (instrumento, pessoa, etc.). A constante fsica conhecida na Fsica
como o verdadeiro valor. As condies para
i
so :
1 ) A distribuio de
i
independente de ;
2 ) A distribuio de
i
simtrica e contnua em torno de 0 ;
3 ) Os
i
so identicamente distribudos ;
4 )
i
independente de
j
para i j ;


21

5 )
i
~ N(0,
2
);
6 )
2
conhecida (varincia da populao).

Pede-se:
a) O modelo paramtrico?
b) A parametrizao identificvel ?
c) Supondo que o instrumento de medida seja viciado para o lado positivo por 0,1.
A parametrizao identificvel ?
d) Supondo que o instrumento de medida seja viciado, mas com vcio b
desconhecido. O modelo identificvel ?
e) Qual o espao paramtrico de , desconsiderando as suposies dos itens c e d ;
desconsiderando somente o item d e no desconsiderando item nenhum ?

3) O nmero de ovos postos por um inseto segue uma distribuio de Poisson com
media desconhecida. Uma vez botado, cada ovo tem uma chance desconhecida p
de chocar e o ato de chocar um ovo independente do chocamento dos outros. Um
entomologista estuda o conjunto de n de tais insetos, observando ambos o nmero de
ovos botados o nmero de ovos chocados para cada ninho.

a) modelo paramtrico, por qu?
b) Escreva o espao paramtrico do parmetro (,p).
c) A parametrizao identificvel ?
d) Qual a expresso da funo distribuio de probabilidade correspondente a cada
uma das v.as envolvidas no estudo ?


IV ESTIMAO
4.1 ESTIMAO POR PONTO

A estimao pontual (por ponto) consistir simplesmente em, falta de
melhor informao, adotar a estimativa disponvel como sendo o valor do parmetro. A
idia , em sua essncia, extremamente simples, porm a qualidade dos resultados ir
depender fundamentalmente da conveniente escolha do estimador. Assim, dentre os
vrios estimadores razoveis que poderemos imaginar para um determinado parmetro,
devemos ter a preocupao de escolher aquele que melhor satisfaa s propriedades de
um bom estimador.

Considere a famlia das f.d.p. ou f.p. {f
X
(x,)}. Pode ocorrer do
experimentador necessitar selecionar um membro desta famlia como sendo a f.d.p. ou
f.p. da varivel aleatria X. Isto , ele necessita de uma estimativa por ponto do
parmetro . Seja [X
1
, X
2
,...,X
n
] uma a.a. da distribuio que tem como f.d.p. (f.p.) um
membro da famlia {f
X
(x,)}. Nosso problema definir uma estatstica T(X) de
maneira que [X
1
, X
2
,...,X
n
] so os valores experimentais observados, ento o nmero
T(X) uma boa estimativa pontual de .




22

EXEMPLO :
Seja [X
1
, X
2
,...,X
n
] uma a.a. da distribuio com f.d.p. .
x x
x f


1
) 1 ( ) ( x = 0,1
A estimativa T(X) = x =

n
i
i
x
n
1
1
um bom estimador do parmetro .

4.2- PROPRIEDADES DOS ESTIMADORES PARAMTRICOS
4.2.1- Consistncia
DEF. 1 Um estimador T
n
(X) consistente para estimar o parmetro quando, a medida
que, se aumenta o tamanho n da a.a. x, consegue-se uma maior preciso na estimativa
ou seja, para T
n
(X) = T(x
1
,x
2
, ... ,x
n
) e um , real positivo arbitrariamente pequeno, n >
n tem-se P(- < T
n
< +)>P(- < T
n
< -). Assim um estimador T
n
(X) dito
consistente se,

n
limP(T
n
- < )= 1 > 0

DESIGUALDADE DE TCHEBYCHEV

P[XE(X) ]
2
) (

X V
> 0
P[X E(X) < ] 1-
2
) (

X V
> 0

EXERCCIO 1:
Prove que a mdia amostral, x , de uma a.a. de uma populao (distribuio) com mdia
e varincia
2
estimador consistente do parmetro ..

TEOREMA DAS CONDIES PARA CONSISTNCIA DE UM ESTIMADOR

As condies gerais para consistncia de um estimador so:

n
limE[T
n
(X)] =

n
limV[T
n
(X)] = 0
so suficientes para que a estatstica T
n
(x) seja estimador consistente do parmetro .

EXERCCIO 2
Verifique aplicando as condies dadas no teorema anterior e tambm o conceito de
convergncia em probabilidade se os estimadores seguintes so consistentes .

a) X ~ N(,
2
), T
n
(X) = x como estimador de (parmetro mdia populacional)
b) X ~ N(,
2
), T
n
(X) = s
2
=
1
) (
1
2

n
x x
n
i
i
como estimador de
2
(parmetro varincia
populacional).


23

c) X ~R(
2
) Distribuio Rayleig, T
n
(x) =
n
x
n
i
i
2
1
2

para o parmetro
2

d) X~ (4,1/), T
n
(x) =
n
x
n
i
i
4
1

como estimador de .

4.2.2.- Estimadores No-viciados

DEF. 2: Quando estimamos o parmetro ou uma funo do parmetro, q(), usando
como estimador a estatstica T(X), onde X = [X
1
, X
2
,...,X
n
] uma a.a., temos que uma
medida do desempenho do estimador pode ser dada pelo erro mdio quadrtico:

R(,T) = E[T(X) q()]
2


Que pode ser colocada na forma R(,T) = V(T(X)) + b
2
(,T), onde b
2
(,T) o quadrado
do vcio do estimador para o parmetro .

EXERCCIO 3
Prove que o erro mdio quadrtico, definido acima como a esperana do quadrado do
desvio da estatstica em relao ao parmetro, pode ser decomposto na forma acima
especificada.

importante observar que:
A varincia V(T(X)) mede como os valores de T(X) esto dispersos em torno do
centro E(T(X)), isto define a preciso da estatstica.
O vcio b(T,) = E(T(X) q() mede quanto e em qual direo o centro da
distribuio de T(X) (valor esperado) est fora do verdadeiro valor q(), isto define a
acurcia da estatstica.

DEF. 3 Se a estatstica T(X) que estima o parmetro q() tal que R(,T) = V(T(X)),
ento T(X) chamado de estimador no viciado de q().

DEF. 4 Dados os estimadores T(X) e S(X) do parmetro q(), S(X) ser estimador
inadmissvel de q() se R(,T) < R(,S) .

EXERCCIO 4:
Suponha que X seja uma a.a. de tamanho n de uma populao N(,
2
) e considere os
estimadores dos parmetros e
2
, respectivamente x e
2
=
n
x x
n
i
i

1
2
) (
.
a) Calcule o valor da esperana e varincia de x .
b) Calcule o vcio e o erro mdio quadrtico de x .
c) Calcule o valor da esperana e varincia de
2
.
d) Calcule o vcio e o erro mdio quadrtico de
2
.



24

EXERCCIO 5:
Suponha que [X
1
,X
2
, ...,X
n
] seja uma a.a. de uma populao P().
a) Verifique se o estimador x do parmetro no viciado.
b) Existe algum outro estimador no viciado para ? Qual ?

EXERCCIO 6:
Suponha que [X
1
,X
2
, ...,X
n
] seja uma a.a. de uma populao b(1,).
a) Verifique se o estimador x do parmetro (proporo de sucessos) no-viciado.
b) Verifique se o estimador s
2
=
1
) (
1
2

n
x x
n
i
i
do parmetro
2
= (1-) (varincia
populacional) no-viciado.

EXERCCIO 7:
Suponha que [X
1
,X
2
, ...,X
n
] seja uma a.a. de uma populao N(,
2
). Determine um
estimador suficiente, no-viciado e consistente para cada um dos parmetros e
2
(considere os casos de conhecido ou no).

EXERCCIO 8:
Suponha que [Y
1
,Y
2
, ... ,Y
n
] seja uma a.a. de uma populao b(1,). Determine um
estimador suficiente, no-viciado e consistente para cada um dos parmetros = n e

2
= n(1-) que correspondem a mdia e a varincia da v.a. Y que conta o nmero de
sucessos nessas n provas Bernoulli.

OBS. Uma propriedade fundamental dos estimadores a suficincia que foi abordada
anteriormente e outra fundamental a da eficincia ou varincia mnima que ser
vista adiante.

EXERCCIO 9:
Descreva as quatro propriedades fundamentais dos estimadores: suficincia,
consistncia, no-tendenciosidade e eficincia (estimador de varincia mnima).
4.3 MTODOS DE ESTIMAO

A evoluo da Estatstica atravs do tempo provocou o aparecimento de vrias
metodologias para construo de estimadores de parmetros.

4.3.1 Mtodo da Mxima Verossimilhana (Fisher)

Este mtodo foi desenvolvido por Fisher a partir de uma idia original de Gauss.

Seja a a.a. X = [X
1
,X
2
, ...,X
n
] de uma populao (distribuio), com X
i
i.i.d., e com f.p.
ou f.d.p. pertencente a famlia p(x
i
,) e se deseja estimar o parmetro . A funo
conjunta p(X,) representa a probabilidade (ou a f.d.p.) de ocorrer o vetor X= [X
1
,X
2
,
...,X
n
], quando o valor do parmetro . Assim poderamos fixar a amostra X e procurar
o valor de que maximiza a probabilidade de ocorrer esta amostra X.


25

DEF. 5: O estimador

(X) o estimador de mxima verossimilhana (EMV) de ,

quando p[X,

(X)] = max p(X,) .

EXEMPLO 2
Suponha que pode assumir os valores 1 ou 0 e que p(x,) dada pelo quadro abaixo:
x 0 1
0 0,3 0,6
1 0,7 0,4
1,0 1,0

O estimador EMV de quando x = 0

(x) = 1, porque maximiza a probabilidade

de x = 0 ocorrer (0,6);
O estimador EMV de quando x = 1

(x) = 0, porque maximiza a probabilidade

de x = 1 ocorrer (0,7).

DEF.6: FUNO DE VEROSSIMILHANA
A funo p(,X) chamada de funo de verossimilhana quando na funo da
distribuio fixamos o valor de X e fazemos variar , de forma que L(X,

(X)) =
p(X,

(X)) = max{p(X,

(X); } = L(X,

(X,)).

CLCULO DO ESTIMADOR DE MXIMA VEROSSIMILHANA

Para determinar o EMV do parmetro basta achar o valor de que maximiza a funo
p(X,), fixado X. Como a funo n(p(X,)) no decrescente (montona crescente),
maximizar p(X,) o mesmo que maximizar n[p(X,)]. Assim, se o EMV

existe,
deve verificar

)] , ( [ x p n
= 0 , uma vez que se supe que exista derivada parcial em
relao a .

EXERCCIO 9
Seja X = [X
1
,X
2
, ...,X
n
] uma a.a. de uma distribuio b(1,).
a) Escreva a f.p. da v.a. X
i
;
b) Escreva a distribuio (conjunta) da amostra;
c) Escreva a funo de verossimilhana da a.a.;
d) Qual o valor de que maximiza a funo de verossimilhana ?

OBS. Nem sempre possvel achar o EMV por derivada, ento temos que analisar a
funo (funo no-crescente).

EXERCCIO 10
Seja a v.a. X ~ U(0,), onde um parmetro positivo e desconhecido. Determine o
EMV de .

EXERCCIO 11:
Seja X o nmero de consumidores que chegam em um Servio e que so observados por
hora, em n horas. Se as chegadas formam um Processo de Poisson, ento X ~ P(), onde
representa o nmero esperado de chegadas em uma hora ou equivalentemente, a taxa


26

de chegadas. Na prtica desconhecido e ns desejamos estima-lo, usando os valores
observados de X (amostra). Determine o EMV de .

EXERCCIO 12
Seja X uma caracterstica fsica de interesse que segue a distribuio N(,
2
). Suponha
que no se conhece os parmetros e
2
, e se deseja estima-los com base no conjunto
de observaes X = [X
1
,X
2
, ...,X
n
]. Determine os estimadores EMV destes parmetros.

4.3.2 Mtodos dos Momentos (K. Pearson)

Seja uma a.a. X = [X
1
,X
2
, ...,X
n
] de uma populao com f.p. ou f.d.p. dependendo de k
parmetros
1
,
2
, ...
k
. Os momentos ordinrios da populao m
j

=

, (x f x
j

1
,
2
, ...

k
)dx , se existirem, so funes dos k parmetros m
j
= f(
1
,
2
, ...
k
) j = 1,2,3, ....
Considere, tambm, os momentos ordinrios da amostra, M
j
=
n
x
n
i
j

1
j = 1,2,3, ....,
forme o sistema de equaes:
M
j
= m
j
= f(
1
,
2
, ...
k
) j = 1,2,3, ...

e admita que tem soluo nica,
j

(X
1
,X
2
, ..., X
n
) j = 1,2,3, ....,k. Ento, estes k
estimadores, soluo do sistema de equaes, so os estimadores dos parmetros pelo
Mtodo dos Momentos.

OBS. Os estimadores obtidos pelo Mtodo dos Momentos so em geral consistentes e
possuem distribuio assinttica Gaussiana, porm no so assintoticamente mais
eficientes do que os estimadores de mxima verossimilhana.

EXERCCIO 13:
Seja X = [X
1
,X
2
, ...,X
n
] amostra aleatria de uma populao Bernoulli, b(1,).
Determine o estimador de pelo Mtodo dos Momentos.

EXERCCIO 14
Seja X = [X
1
,X
2
, ...,X
n
] amostra aleatria de uma populao (,). Determine os
estimadores dos parmetros pelo Mtodo dos Momentos.

EXERCCIO 15
Considere n sistemas com tempos de falha X = [X
1
,X
2
, ...,X
n
]. Assumindo que as v.as
X
i
so i.i.d. com distribuio (), determine:

a) O estimador de pelo Mtodo dos Momentos;
b) Um estimador de diferente do anterior;
c) Um estimador da probabilidade P(X
i
> 1);
d) Um estimador da probabilidade P(X
i
<1).




27

4.3.3. Mtodo dos Mnimos Quadrados (Gauss)

Toda observao aleatria pode ser escrita na forma do modelo

Y
i
= g
i
(
1
,
2
, ...,
k
) +
i
i = 1,2, ...., n,

onde a primeira parcela corresponde a parte sistemtica do modelo e a segunda parcela
a parte estocstica. As funes g
i
so conhecidas e os nmeros reais
1
,
2
, ... ,
k
so
desconhecidos (parmetros), podendo variar livremente no conjunto
k
. A parte
estocstica
i
deve satisfazer pelo menos aproximadamente as seguintes restries:


i
uma v.a. com E(
i
) = 0 i = 1,2, ... n

i
uma v.a. com varincia constante V(
i
) =
2
i = 1,2, .... ,n
Os erros
i
so no-correlacionados, cov(
i
, j) = 0.

O mtodo consiste em estimar pelo estimador que minimiza a Soma dos Quadrados do
Erros (resduos): SQR =

n
i 1
( Y
i
- g
i
(
1
,
2
, ...,
k
))
2
=

n
i
i
1
2



Os estimadores de mnimos quadrados so obtidos resolvendo o sistema de equaes:

n
i
i i
g y
1
2
0 )] ( [

j = 1,2, .... ,k
Estas equaes so denominadas de equaes normais.


EXERCCIO 16
Seja o modelo linear especificado por Y
i
=
1
+
2
X
i
+
i
Determinar os estimadores de
mnimos quadrados dos parmetros
1
e
2
, com base em n observaes (Y
i
, X
i
).

EXERCCIO 17
Resolver o exerccio anterior considerando um modelo genrico com p parmetros e n
> p observaes. Assuma o tratamento matricial.

EXERCCIO 18
Foram tomadas n = 9 amostras de um solo (canteiros) que foram tratadas com diferentes
quantidades X de fsforo. Seja Y a quantidade de fsforo presente em sementes de
plantas, de 38 dias, crescidas nos diferentes canteiros. Os dados esto abaixo.

a) Determine as estimativas dos parmetros
1
e
2
da reta de mnimos quadrados com
que se pretende fazer a regresso de Y para X;
b) Determine a estimativa de mxima verossimilhana do coeficiente de correlao
que mede a associao entre X e Y, assumindo que Y e X tm distribuio
Gaussianas.
c) Desenhe um esboo do Diagrama de Disperso entre X e Y.




28

4.4 ESTIMADORES NO-VICIADOS UNIFORMEMENTE DE MNIMA
VARINCIA (UMVU) E INTERVALOS DE CONFIANA
4.4.1 Estatsticas Completas

A uma estatstica T
n
(X), ns podemos acrescentar ao conceito de suficincia (devido a
Fisher) o conceito de completitude (devido a Lehmann e Scheff) e afirmar que ela
uma estatstica tima.

DEF.7: Famlia completa de densidades: Seja [X
1
,X
2
, .... ,X
n
] uma a.a. da densidade
f(.,) com espao paramtrico , e seja T = t(X) uma estatstica. A famlia de
densidades de T definida como completa se e somente se E

[z(T)] 0
implica em P

[z(T)=0] = 1 , onde z(T) uma estatstica. E, tambm, uma

estatstica dita ser completa se e somente se sua famlia de densidades completa.
DEF.8: Uma estatstica T
n
(X) dita ser completa se a funo de valor real g(T
n
(X)) =
g(T) definida na variao de T que satisfaz a equao E

[g(T)] = 0 a funo
g(T) = 0.


EXEMPLO: Seja [X
1
,X
2
, .... ,X
n
] uma a.a. de uma distribuio Bernoulli, b(1,). A
estatstica T = X
1
X
2
no completa, pois E

[X
1
-X
2
] = 0 , mas X
1
X
2
no
0 com probabilidade 1.

EXERCCIO 19
Considere o exemplo anterior e a estatstica T =

n
i
i
X
1
. Seja z(T) uma estatstica que
funo de T e E

[z(T)] 0 . Prove que T completa, mostrando que z(T) = 0

para t = 0,1, ... ,n.


TEOREMA DE RAO-BLACKWELL
Seja [X
1
,X
2
, .... ,X
n
] uma a.a. da densidade f(.,), e seja S
1
= s
1
(X), S
2
= s
2
(X), ... ,S
k
=
s
k
(X) um conjunto de estatsticas conjuntamente suficientes. Seja a estatstica T = t(X)
um estimador no-viciado de q(). Defina T por T = E[T|S
1
,S
2
, ... ,S
k
], ento:
T uma estatstica e uma funo de estatsticas suficientes S
1
,S
2
, ... S
k
;
E

[T] = q(), isto T um estimador no-viciado de q();

V

[T] < V(T) e V

[T] < V(T) para algum a menos que T seja igual a T

com probabilidade 1.

EXERCCIO 20
Prove o resultado enunciado acima.

EXERCCIO 21
Seja [X
1
,X
2
, .... ,X
n
] uma a.a. da densidade Bernoulli, b(1,). E, seja X
1
um estimador de


29

q()= que ser assumido como T = t(X) no Teorema de Rao-Blackwell.

n
i
i
X
1
uma
estatstica suficiente para , assim usar-se- S =

n
i
i
X
1
como o conjunto de estatsticas
suficientes (de um elemento). Ento, de acordo com o Teorema de Rao-Blackwell T =
E[T|S] = E[X
1
|

n
i
i
X
1
] um estimador no-viciado de com varincia no maior do que
a de T = X
1
. Mostre que a varincia de T menor que a varincia de T = X
1
.

TEOREMA DA FAMLIA EXPONENCIAL PARA ESTATSTICAS
SUFICIENTES E COMPLETAS
Seja {P

| } uma famlia exponencial k-paramtrica dada por p(x,) =

{exp[ ) ( )]} ( ) ( ) ( ) (
1
x I x S d x T c
A
n
i
i i
+ +

. Suponha que a variao de c = [c

1
(),c
2
(), ...
,c
k
()] tenha um interior no-vazio. Ento T(x) = [T
1
(x), T
2
(x), ... ,T
k
(x)] uma
estatstica suficiente e completa .

EXERCCIO 22
Seja [X
1
,X
2
, ... ,X
n
] uma a.a. de uma populao N(,
2
) onde os parmetros so
desconhecidos. Mostre que a estatstica T(x) = [

n
i
i
X
1
, ]
1
2

n
i
i
X suficiente e completa.
4.4.2 Estimadores UMVU

TEOREMA DE LEHMANN-SCHEFF
Se T(X) uma estatstica suficiente e completa e S(X) um estimador no-viciado de
q(), ento T
*
(X) = E[S(X)|T(X)] um estimador UMVU de q(). Se V

(T
*
(X) <
, T
*
(X) o nico estimador UMVU de q().
Podemos usar o Teorema de Lehmann-Scheff na busca de estimadores UMVU de dois
modos:
Se ns podemos achar uma estatstica uma estatstica da forma h[T(X)] tal que
h[T(X)] seja um estimador no-viciado de q(), ento h[T(X)] UMVU para q().
Porqu, isto verdade ?
Se ns podemos achar algum estimador no-viciado S(X) de q(), ento
E[S(X)|T(X)] UMVU para q().


EXERCCIO 23
Seja [X
1
,X
2
, ... ,X
n
] uma a.a. de uma populao N(,
2
) onde os parmetros so
desconhecidos. Determine os estimadores UMVU de e
2
.


30


EXERCCIO 24
Seja [X
1
,X
2
, ... ,X
n
] uma a.a. de uma populao () onde o parmetro desconhecido.
a) Escreva a f.d.p da v.a. X
i
;
b) Escreva a f.d.p. da v.a. X
i
na forma da famlia exponencial;
c) Escreva a f.d.p. da a.a. ;
d) Escreva a f.d.p. da a.a. na forma da famlia exponencial;
e) Identifique alguma estatstica suficiente e completa para estimar ;
f) Determine um estimador UMVU para .

EXERCCIO 25
Seja [X
1
,X
2
, ... ,X
n
] uma a.a. de indicadores de provas binomiais com probabilidade de
sucesso.
a) Escreva a f.d.p da v.a. X
i
;
b) Escreva a f.d.p. da v.a. X
i
na forma da famlia exponencial;
c) Escreva a f.d.p. da a.a. ;
d) Escreva a f.d.p. da a.a. na forma da famlia exponencial;
e) Identifique alguma estatstica suficiente e completa para estimar ;
f) Determine um estimador UMVU para .

EXERCCIO 26
Seja [X
1
,X
2
, ... ,X
n
] uma a.a. de uma populao P() com > 0.
a) Escreva a f.d.p da v.a. X
i
;
b) Escreva a f.d.p. da v.a. X
i
na forma da famlia exponencial;
c) Escreva a f.d.p. da a.a. ;
d) Escreva a f.d.p. da a.a. na forma da famlia exponencial;
e) Identifique alguma estatstica suficiente e completa para estimar ;
f) Determine um estimador UMVU para .