Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula 7
xn = Σ x , E[ xn ] = µ → µ, Var[xn ]=σ / n → 0
1
n
n
i =1 i
2
Momento Amostral
Convergência em probabilidade
Exemplo:
Suponha uma variável aleatória xn que assume dois valores,
zero e n, com probabilidades (1-1/n) e (1/n), respectivamente.
Quando n aumenta , o segundo valor é menos provável.
Xn converge em probabilidade para zero.
plim xn = θ
xn é um estimador consistente de θ.
Teorema de Slutsky
Se xn é uma variável aleatória tal que plim xn = θ.
d
X n →
X
Se , e se g(Xn) é uma função continua com derivadas
d
g ( X n ) →
g (X )
Exemplo:
d
que g (x n , θ ) →
g (gn tem uma distribuição limite que é função de θ),
d
e p lim y n = θ temos que: g (x n , y n ) →
g
distribuição limite.
Aplicação do Teorema de Slutsky
Comportamento da estatística F para testar restrições em grandes amostras:
* * (e *´e * − e´e ) d χJ 2
(e ´e − e´e ) →
J = σ 2J J
F =
e´e
e´e p
(n − k ) 2 →
1
σ (n − k )
d
χJ 2
JF →
Teorema do Limite Central
Descreve o comportamento de uma variável
aleatória que envolve soma de variáveis
“Tendência para a normalidade.”
1
igual a σ2 e xn =
n
xi temos que:
=1
i
xn − µ d
n →
N (0,1)
σ
Se p lims n= σ :
x −µ d
n n → N (0,1)
sn
Teorema do Limite Central
Teorema Lindeberg-Feller :
n (x n − µn ) →
d
N (0, σ 2 )
Lindberg-Levy vs. Lindeberg-Feller
Lindeberg-Levy assume amostra aleatória – observações
possuem as mesmas média e variância.
Momento Amostral
Limite de probabilidade
n
1 1 1
E (w ) = E ( wi ) = E ( wi ) = E (w i ) = 0
n n
i =1 i =1 i =1
Limite de probabilidade
Pela decomposição da variância:
[ ( X )] + var[E (w X )]
var(w ) = E var w
= E [var (w )] + 0 (1)
X
Para calcular o primeiro termo usamos E [εε '| X ] = σ 2 I
(
var w
X
) 1 1
= E [w w '| X ] = E X ' ε X ' ε '| X =
n n
1 1 σ 2 X ' X
X ' E [εε '| X ]X = (2)
n
n n n
Limite de probabilidade
Substituindo (2) em (1) :
σ 2 X ' X
σ 2 X ' X
[ (
var(w ) = E var w
X
)] = E
=
n n
E
n n