1

Ministério da Educação
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
Câmpus Curitiba
Diretoria de Graduação e Educação Profissional
Departamento Acadêmico de Estatística

Disciplina: Probabilidade e Estatística (MA70H) - Turma: - Profª Silvana Heidemann Rocha

Estudante: __________________________________________Código: ______________

MÉTODOS PARA SE OBTER ESTIMADOR PONTUAL

O estimador pontual é utilizado para estimar o respectivo parâmetro da distribuição de

probabilidade da variável aleatória sob estudo.

• Principais métodos para estimar pontualmente parâmetros de distribuições probabilísticas

o Método dos Momentos
o Método da Máxima Verossimilhança
o Método dos Mínimos Quadrados

Após obter o estimador pontual, testa-se se ele é um "bom estimador", isto é, se o estimador pontual
satisfaz as seguintes propriedades:

o Suficiência e Completude (estimador suficiente e completo)

o Consistência (estimador consistente)
o Eficiência (estimador eficiente)
o Ausência de vício (estimador não viciado)
o Menor Erro Quadrático

Observação
Dizer " X1, X2, ... , Xn é uma amostra aleatória da v.a. X " é o mesmo que dizer " Seja 𝑋 um vetor
aleatório da v.a. X, em que 𝑋 = (X1, X2, ... , Xn ), e cada Xi segue o mesmo modelo probabilístico da variável
aleatória X, sendo que cada Xi também é considerado uma v. a.".
O símbolo Xi representa todos os valores da v. a. X que ocupam a posição i , quando se considera
todas as amostras aleatórias de um mesmo tamanho n, obtidas pelo mesmo processo de amostragem.
Aqui, para representar um vetor aleatório utilizamos o símbolo 𝑋 , tendo em vista não termos
conseguido escrever o símbolo ~ embaixo do X, devido ao programa computacional utilizado. Em
Estatística, é mais comum representar um vetor aleatório colocando o símbolo ~ embaixo do X.
 2

1) MÉTODO DOS MOMENTOS PARA SE OBTER ESTIMADOR PONTUAL

Definições
Momento populacional
Seja X uma variável aleatória (v.a.) com função densidade de probabilidade (f.d.p.) ou
função de probabilidade (f.p.) 𝑓𝑋 (𝑥, 𝜃), com 𝜃 = (𝜃1 , 𝜃2 , … , 𝜃𝑘 ). Definimos o j-ésimo momento
populacional ao redor de zero por :
𝜇𝑗′ = 𝐸(𝑋𝑗 ), 𝑗 ∈ 𝑁 ∗ .

Momento amostral
Seja X1, X2, ... , Xn uma amostra aleatória da v.a. X que tem f.d.p. ou f.p. 𝑓𝑋 (𝑥, 𝜃), sendo
𝜃 = (𝜃1 , 𝜃2 , … , 𝜃𝑘 ). Definimos o j-ésimo momento amostral ao redor de zero por :
1 𝑗
𝑀𝑗′ = 𝑛 ∑𝑛𝑖=1 𝑋𝑖 , 𝑗 ∈ 𝑁 ∗ .

Estimador de momentos (ou estimador pontual obtido pelo método dos momentos)
Diz-se que o vetor de estimadores 𝜃̂ = (𝜃̂1 , 𝜃̂2 , … , 𝜃̂𝑘 ) é estimador de momentos do vetor
de parâmetros 𝜃 = (𝜃1 , 𝜃2 , … , 𝜃𝑘 ), se cada 𝜃̂𝑗 for solução das k seguintes equações:
𝜇𝑗′ = 𝑀𝑗′ , j =1,2,...,k.

Observação: Ao fazer a igualdade 𝜇𝑗′ = 𝑀𝑗′ , substituímos 𝜇𝑗′ por 𝜇̂ 𝑗′ .

Exemplo1: Seja 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) uma amostra aleatória da v.a. X ~ Exponencial (𝜆). Obter o
estimador de momentos para 𝜆.
Solução:
Como há um só parâmetro para ser estimado, em geral, é necessário apenas o primeiro momento.
Assim:
1
𝜇1′ = 𝐸(𝑋 1 ) = 𝐸(𝑋) = . (1º momento populacional ao redor de zero)
𝜆
1 1
𝑀1′ = ∑𝑛𝑖=1 𝑋𝑖1 = ( 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ) = 𝑋 . (1º momento amostral ao redor de zero)
𝑛 𝑛

Fazendo 𝜇𝑗′ = 𝑀𝑗′ , vem:

1 1
̂ = 𝑋 ⇒ 𝜆̂ =
𝜆 𝑋
Logo, o estimador de momentos do parâmetro 𝜆 em X ~ Exponencial (𝜆) é o inverso da média
1
amostral, isto é, .
𝑋
 3

Exemplo2: Seja 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) uma amostra aleatória da v.a. X ~ Poisson (𝜆). Obter o
estimador de momentos para 𝜆 (ou seja, obter o estimador pontual para 𝜆, pelo método dos momentos).

Exemplo3: Seja 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) uma amostra aleatória da v.a. X ~ N (𝜇, 𝜎 2 ). Obter o

estimador de momentos para 𝜃 = (𝜇, 𝜎 2 ).

Exemplo4: Seja 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) uma amostra aleatória da v.a. X ~ Γ (𝛼, 𝛽). Obter o estimador
de momentos para 𝜃 = (𝛼, 𝛽).
 4

2) MÉTODO DA MÁXIMA VEROSSIMILHANÇA PARA OBTER ESTIMADOR PONTUAL

Intuitivamente, baseia-se na seguinte ideia: Dada a amostra aleatória, verificar os valores mais
prováveis (verossímeis) para os parâmetros, no espaço paramétrico.
Ou ainda: Sabendo que diferentes parâmetros podem gerar amostras aleatórias diferentes, então de
acordo com a amostra aleatória selecionada, qual o valor do parâmetro que é o mais indicado (verossímel,
provável)?

Exemplo: Seja 𝑋 = (𝑋1 , 𝑋2 , 𝑋3 ) uma amostra aleatória n=3 de uma v.a. X ~ Bernoulli (𝜃).
1 2
Considerando que o espaço paramétrico Θ seja Θ = {3 , 3} e se for observada uma amostra (1, 0, 0), qual

o valor mais provável para 𝜃 ?

Solução:
1
1º) Se 𝜃 = 3, vem: P( (1,0,0) ) = P(𝑋1 = 1, 𝑋2 = 0, 𝑋3 = 0) = 𝑃(𝑋1 = 1)𝑃(𝑋2 = 0)𝑃(𝑋3 = 0) =
1 2 2 4
. . = 27.
3 3 3

2
2º) Se 𝜃 = 3, vem: P( (1,0,0) ) = P(𝑋1 = 1, 𝑋2 = 0, 𝑋3 = 0) = 𝑃(𝑋1 = 1)𝑃(𝑋2 = 0)𝑃(𝑋3 = 0) =
2 1 1 2
. . = 27
3 3 3
4 2
Como 27 > 27, então de acordo com a amostra que foi selecionada o valor mais provável para 𝜃 é
1
𝜃̂ = 3 .

Função de Verossimilhança (L)

Seja 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) uma amostra aleatória da v.a. X ~ 𝑓𝑋 (𝑥, 𝜃), sendo fX uma f.d.p. ou f.p. e
𝜃 = (𝜃1 , 𝜃2 , … , 𝜃𝑘 ). A função de verossimilhança associada a X é definida por
L(𝜃 /𝑥) = ∏𝑛𝑖=1 𝑓𝑋𝑖 (𝑥𝑖 , 𝜃)
Observação
A função de verossimilhança L é, em sua expressão, a função conjunta das v.a.’s componentes da
amostra aleatória. No entanto, L não é uma f.d.p. ou f.p. pois L não é função da amostra, mas uma função
do(s) parâmetro(s) obtida a partir da amostra.

Estimador de Máxima Verossimilhança

É o 𝜃 que maximiza a função de verossimilhança.

Observação
Se L não tem máximo, não há estimador de máxima verossimilhança para a distribuição de
probabilidades em estudo.
 5

Função Suporte (l)

É uma função definida pelo logaritmo neperiano da função de máxima verossimilhança.

Observação
Às vezes é difícil algebricamente encontrar o(s) máximo(s) da função de verossimilhança. Como os
valores que maximizam a função de verossimilhança são os mesmos que maximizam o logaritmo dela,
uma vez que a função logarítmica é monótona, então em geral usa-se a função suporte l, dada por
l( 𝜃) = 𝑙( 𝜃/𝑥) = 𝑙𝑛( 𝐿( 𝜃/ 𝑥) )
para encontrar os estimadores de máxima verossimilhança.

Função monótona é aquela somente crescente ou somente decrescente, no intervalo considerado.

Função escore (U)

É a derivada da função suporte (podendo ser derivada total ou derivada parcial, dependendo do
caso) isto é,
𝜃
𝜕 𝜕
U( 𝜃) = 𝜕 𝜃 ( 𝑙( 𝜃/𝑥)) = 𝜕 𝜃 ( 𝑙𝑛( 𝐿( / 𝑥) ) )

Estimador de máxima verossimilhança (conclusão):

É o 𝜃̂, tal que U(𝜃̂) = 0 e U´(𝜃̂) < 0. (isto é, ponto(s) de máximo(s) da função l)

Observação
Quando faz-se U(𝜃̂) = 0 , troca-se 𝑥 (amostra observada) por 𝑋 (todas as amostras possíveis
daquele mesmo tamanho e obtidas sob a mesma técnica de amostragem).

Exemplo1: Seja 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) uma amostra aleatória da v.a. X ~ Poisson(𝜆). Obter o

estimador de máxima verossimilhança para 𝜆.

Exemplo2: Seja 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) uma amostra aleatória da v.a. X ~ Exponencial (𝜆). Obter o
estimador de máxima verossimilhança para 𝜆.

Exemplo3: Seja 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) uma amostra aleatória da v.a. X~N(𝜇, 𝜎 2 ). Obter o estimador
de máxima verossimilhança para 𝜃 = (𝜇, 𝜎 2 ).