Escolar Documentos
Profissional Documentos
Cultura Documentos
TEOREMA DE GAUSS
TEOREMA DE LIMITE CENTRAL
INFERENCIA E INTERVALO DE CONFIANÇA
TESTE DE HIPOTESE
TEOREMA DE GAUSS
TEOREMA DE LIMITE CENTRAL
INFERENCIA E INTERVALO DE CONFIANÇA
TESTE DE HIPOTESE
Trabalho de pesquisa
científica, de caracter avaliativo,
apresentado na disciplina de
Econometria que tem como
regente a doutora Quiniteria
Gabriel
4.2.1 Instruções..................................................................................................... 9
6. Conclusão .............................................................................................................. 23
Antes dos anos 1913, que foi um ano em que não existia a econometria e a aplicação
das fórmulas matemáticas e estatísticas na econometria, tornava-se trabalhoso para um
economista fazer previsões sobre as variáveis económicas. Com a introdução da econometria
tornou-se mais eficiente fazer previsões sobre as variáveis económicas e ela e usada ate os dias
de hoje.
O presente trabalho aborda acerca dos seguintes temas, teorema de gauss, teorema
de limite central, inferência no sentido de testes de hipótese e de intervalos de confiança, esses
conteúdos são muito importantes para um econometrista pois eles contribuem muito para
analise de dados econométricos e que tem uma ferramenta fundamental para tomada de
decisões nos ramos da macroeconomia e microeconomia.
1.1 Objectivos
1.1.1 Objectivo geral
Avaliar as Ferramentas Matemáticas e Estatísticas para tomada de decisões no campo
da economia.
1
1.2 Metodologia
O presente trabalho é de pesquisa qualitativa, que foi feita através da consulta do material
bibliográfico relativo aos temas.
2
2. Teorema de Gauss ou Teorema da divergência
∬ ∫(𝑑𝑖𝑣 𝐹) dxdydz = ∬ 𝐹 ∙ 𝑛 𝑑𝑆
S
𝑽
Seja X1, X2, X3…. Xn uma amostra aleatória de tamanho n de uma população (finita
ou infinita), com média 𝜇 e variância 𝜎 2 finita. Então:
1
MINHOS, Feliz. Analise Matemática. Sd. P. 203.
2
MAHALUÇA, Filipe António. Estatística Aplicada. 2016. P. 168.
3
𝑥̅ − 𝜇
𝑍= ~ 𝑁(0,1) 𝑛 → ∞
𝜎/√𝑛
Em qualquer dos casos, a distribuição amostral das médias tem média igual à média
da população.
A distribuição amostral das médias tem uma variância igual a 1/n vezes a variância da
população e um desvio padrão igual ao desvio padrão da população dividido pela raiz quadrada
de n.
𝜎2
𝜎𝑥̅2 = variância das médias amostrais
𝑛
𝜎
𝜎𝑥̅ = desvio das médias amostrais
√𝑛
De ressaltar que o desvio padrão da distribuição amostral das médias amostrais, 𝜎𝑥̅ ,
também é chamado de erro padrão da média.
3
LARSON, Ron e FARBER, betsy. Estatistica aplicada 6a edição. Pearson Education do Brasil, 2015.
P.247.
4
4. Inferência e Intervalo de confiança
Por exemplo, um clube de xadrez quer estimar o QI medio de seus membros. A media
de uma amostra aleatória dos membros e 115. Como essa estimativa consiste em um único
número representado por um ponto em uma linha numerada, ele e chamado de estimativa
pontual.
4
SAMPAIO, Nilo e FONSECA, Bernardo, ASSUMPÇÃO, Alzira. Estatística Inferencial. 1a edição.
editora Poisson. P.7.
5
4.1 Intervalos de confiança para a media 𝝈 conhecido)
Para Ron LARSON e Betsy FARBER5, uma estimativa pontual e um valor único
estimado para um parâmetro populacional. A estimativa pontual menos tendenciosa (viesada)
da média populacional 𝜇 e a media amostral 𝑥̅ .
30 26 33 26 26 33 31 31 21 37
27 20 34 35 30 24 38 34 39 31
22 30 23 23 31 44 31 33 33 26
27 28 25 35 23 32 29 31 25 27
Solução
5
LARSON, Ron e FARBER, betsy. Estatística aplicada 6a edição. Pearson Education do Brasil, 2015.
P.277.
6
A média amostral dos dados é
∑𝑥 1,184
𝑥̅ = = = 29,6
𝑛 40
Então, a estimativa pontual para o número médio de horas semanais trabalhadas por
funcionários de mercearias nesse condado é de 29,6 horas.
Embora possamos supor que a estimativa pontual do exemplo acima exposto não
seja igual a média real da população, provavelmente esta muito próxima dela. Para formar uma
estimativa intervalar, use a estimativa pontual como o centro do intervalo e depois adicione e
subtraia uma margem de erro. Por exemplo, se a margem de erro for 2,1, então uma estimativa
intervalar seria dada por 29,6 ± 2,1 ou 27,5 < 𝜇< 31,7 para estimar um parâmetro populacional.
A figura que se segue é uma ilustração da estimativa pontual e estimativa intervalar.
Antes de encontrar uma margem de erro para uma estimativa intervalar, devemos
primeiro determinar quão confiante você precisa estar de que sua estimativa intervalar contenha
a media populacional 𝜇.
6
LARSON, Ron e FARBER, betsy. Estatistica aplicada 6a edição. Pearson Education do Brasil, 2015.
P.278.
7
Segundo Ron LARSON e Betsy FARBER7, o nível de confiança c é a probabilidade
de que a estimativa intervalar contenha o parâmetro populacional, supondo que o processo de
estimação é repetido um grande número de vezes.
Figura: Área sob a curva normal padrão representando o nível de confiança (c).
Figura: Detalhamento das áreas sob a curva normal padrão em função dos valores críticos.
7
LARSON, Ron e FARBER, betsy. Estatistica aplicada 6a edição. Pearson Education do Brasil, 2015.
P.279.
8
A diferença entre a estimativa pontual e o valor real do parâmetro é chamada de erro
de amostragem ou erro amostral. Quando 𝑥̅ é estimado, o erro de amostragem é a diferença de
𝑥̅ − 𝜇. Na maioria dos casos, é claro, m é desconhecido e x varia de amostra para amostra.
Entretanto, você pode calcular o valor máximo para o erro quando souber o nível de confiança
e a distribuição amostral da variável.
Usando uma estimativa pontual e uma margem de erro, você pode construir uma
estimativa intervalar de um parâmetro populacional tal como 𝜇. Essa estimativa intervalar e
chamada de intervalo de confiança.
Um intervalo de confiança c para a média populacional 𝜇 é:
𝑥̅ - E < 𝜇 < 𝑥̅ + E
A probabilidade de que o intervalo de confiança contenha 𝜇 é igual a c, assumindo
que o processo de estimação é repetido um grande número de vezes.
4.2.1 Instruções
9
4. Calcular a margem de erro E. E = zc
5. Calcular os limites inferior e superior e construir o intervalo de confiança.
Limite inferior: 𝑥̅ - E
Limite superior: 𝑥̅ + E
Intervalo: 𝑥̅ - E < 𝜇< 𝑥̅ + E
Após construir um intervalo de confiança, é importante que você interprete os
resultados corretamente.
4.2.2 Tamanho da amostra
10
aproximadamente normalmente distribuída), a variável média amostral comporta-se tal qual
outro modelo, a distribuição t.
Para Ron LARSON e Betsy FARBER8, se a distribuição de uma variável aleatória x
for, no mínimo, aproximadamente normal, então a média amostral distribui-se tal qual a
estatística
𝑥̅ − 𝜇
𝑡=
𝑠/√𝑛
denominada distribuição t.
Valores críticos de t são denotados por tc. Apresentamos a seguir diversas
propriedades da distribuição t.
1. A média, a mediana e a moda da distribuição t são iguais a 0.
2. A distribuição t tem forma de sino e é simétrica em relação à média.
3. A área total sob a curva da distribuição t é igual a 1.
4. As caudas na distribuição t são “mais grossas” que as da distribuição normal padrão.
5. O desvio padrão da distribuição t varia com o tamanho da amostra, mas é maior que
1.
6. A distribuição t é uma família de curvas, cada uma determinada por um parâmetro
chamado de graus de liberdade. Os graus de liberdade (algumas vezes abreviados
como g.l.) são o número de escolhas livres deixadas depois que uma estatística amostral tal
como 𝑥̅ é calculada. Quando usamos a distribuição t para estimar uma média populacional, os
graus de liberdade são iguais ao tamanho da amostra menos um.
𝑔. 𝑖 = 𝑛 − 1 𝐺𝑟𝑎𝑢𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑑𝑎𝑑𝑒
7. Conforme os graus de liberdade aumentam, a distribuição t se aproxima da
distribuição normal, conforme mostrado na Figura que se segue a partir dos 30 g.l., a
distribuição t tende a se aproximar da distribuição normal padrão.
8
LARSON, Ron e FARBER, betsy. Estatistica aplicada 6a edição. Pearson Education do Brasil, 2015.
P.289.
11
4.4 Intervalos de confiança e distribuições t
12
Intervalo: 𝑥̅ - E < 𝜇 < 𝑥̅ + E
13
𝑝̂𝑞̂
5. Calcular a margem de erro E. 𝐸 = 𝑍𝑐 √ 𝑛
2
(𝑛 − 1)𝑠 2
𝑥 =
𝜎2
14
resulta uma distribuição qui-quadrado com n – 1 graus de liberdade, para amostras de
qualquer tamanho n > 1. A seguir algumas propriedades da distribuição qui-quadrado.
1. Todos valores de 𝑋 2 são maiores ou iguais a 0.
2. A distribuição qui-quadrado é uma família de curvas, cada uma determinada pelos
graus de liberdade. Para construir um intervalo de confiança para 𝜎², use a distribuição qui-
quadrado com graus de liberdade iguais ao tamanho da amostra menos um.
𝑔. 𝐼 = 𝑛 − 1 graus de liberdade
3. A área total abaixo de cada curva da distribuição qui-quadrado é igual a 1.
4. A distribuição qui-quadrado é assimétrica positiva.
5. A distribuição qui-quadrado é diferente para cada número de graus de liberdade.
Conforme os graus de liberdade aumentam, a distribuição qui-quadrado se aproxima de uma
distribuição normal.
15
(𝑛 − 1)𝑠 2 (𝑛 − 1)𝑠 2
√ < 𝜎 < √
𝑋𝑅2 𝑋𝐿2
(𝑛 − 1)𝑠 2 (𝑛 − 1)𝑠 2
√ < 𝜎 < √
𝑋𝑅2 𝑋𝐿2
5. Teste De Hipóteses
16
São dois os tipos de erros que podemos cometer na realização de um teste de
hipóteses:
1. Rejeitar a hipótese 𝐻0, quando ela é verdadeira.
2. Não rejeitar a hipótese 𝐻0, quando ela é falsa
A tabela que se segue demonstra de uma maneira resumida as situações acima
descritas:
Aceitar 𝐻𝑂 Rejeitar Ho
𝐻𝑜 Verdadeira Decisão correta Erro tipo I
𝐻𝑜 Falsa Erro tipo II Decisão correta
5.1 Teste T
GUJARATI e PORTER 12estabelecem que a ideia fundamental por trás dos testes de
significância é a de um teste estatístico (estimador) e a distribuição amostral dessa estatística
10
SAMPAIO, Nilo et all. Op. Cit. P.34.
17
sob a hipótese nula. A decisão de aceitar ou rejeitar H0 é tomada com base no valor do teste
estatístico dos dados disponíveis.
𝛽̂ 2 − 𝛽̂ 2
𝑡=
𝑒𝑝 (𝛽̂ 2)
Valor estimado de beta distante de zero é evidência contra a hipótese nula, mas devemos
ponderar pelo erro amostral. Como o erro-padrão de βj é uma estimativa do desvio-padrão de
βj, o teste t mede quantos desvios-padrão estimados βj está afastado de zero. Isso é o mesmo
que testar se a média de uma população é zero, usando a estatística t padrão.
5.2 O Teste F
Não podemos empregar o conhecido teste t para verificar a hipótese conjunta de que
os verdadeiros coeficientes parciais angulares são simultaneamente iguais a zero. No entanto,
essa hipótese conjunta pode ser verificada pela técnica da análise de variância.
18
De acordo com Jeffrey WOOLDRIDGE 13
o teste F também é conhecido como razão F
ou estatística F e podemos defini-la da seguinte maneira:
(𝑆𝑄𝑅𝑟 − 𝑆𝑄𝑅𝑖𝑟 )/𝑄
𝐹=
𝑆𝑄𝑅𝑖𝑟 /(𝑛 − 𝑘 − 1)
13
WOOLDRIDGE, Jeffrey M. “Introdução à econometria: uma abordagem moderna”. São Paulo:
CengageLearning, 2008. P.137.
19
5.2.2 Forma R-Quadrado Da Estatística F
14
WOOLDRIDGE, Jeffrey M. “Introdução à econometria: uma abordagem moderna”. São Paulo:
CengageLearning, 2008. P.144.
20
➢ Apresentar resultados em equações sou tabelas (indicar variável dependente, além de
independentes na 1ª coluna).
➢ Mostrar SQRe erro-padrão (Root MRE), mas não é crucial.
5.4 O valor P
15
GUJARATI, Damodar N. & PORTER, Dawn C. Op. Cit. P. 142.
21
É preferível deixar ao leitor a decisão de rejeitar ou não a hipótese nula a um dado
valor p. Se, em uma aplicação, o valor p em um teste estatístico for de 0,145% ou 14,5% e se
o leitor desejar rejeitar a hipótese nula neste (exato) nível de significância, que assim seja. Não
há nada de mau em arriscar estar errado em 14,5% das vezes se você rejeitar a hipótese nula
verdadeira. Do mesmo modo, como em nosso exemplo salários-escolaridade, não há nada de
errado se o pesquisador escolher um valor p de 0,02% e não correr o risco de estar errado mais
do que 2 em 10 mil vezes. Afinal, alguns pesquisadores podem ser adeptos ao risco e outros
avessos a ele.
22
6. Conclusão
No que diz respeito aos testes de hipótese t pode se dizer que são mais fáceis de
serem obtidas do que o teste F, porque, estatística t é mais flexível para testar uma única
hipótese, porque pode ser usada para testar alternativas unilaterais.
.
23
7. Referencias Bibliográficas
24