Escolar Documentos
Profissional Documentos
Cultura Documentos
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
,
_
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
_
,
_
,
=
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
'
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)) =
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
[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
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
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 .