Inf M3

Inferência Estatı́stica: Estimação Pontual
Profª.: Fernanda Clotilde
Aula preparada para turma de Inferência Estatı́stica

do Departamento de Estatı́stica da Universidade Estadual da Paraı́ba.
Campina-Grande
Agosto de 2023
1 / 28
Estimação Pontual
Objetivo: Obter um valor plausı́vel para θ a partir da amostra.
De forma mais detalhada:

O objetivo da estimação pontual é encontrar um valor plausı́vel para θ
(vetor de parâmetros ou escalar) que indexa a distribuição de X , dada
por f (x, θ).
f (x, θ) possui forma funcional conhecida, porém, depende de θ que é

desconhecido.
Esse valor plausı́vel para θ é obtido com base na amostra observada.
2 / 28
Definição 1: Seja θ um parâmetro, o conjunto em que θ toma valores é

denominado Espaço Paramétrico, representado por Θ.
Exemplo 1: Sejam X1 , X2 , . . . , Xn uma amostra aleatória da variável

aleatória X ∼ N(µ, σ 2 ), então
(i) se σ 2 = 1, temos que θ = µ é o parâmetro desconhecido e
Θ = {µ, −∞ < µ < ∞};
(ii) se µ = 0, temos que θ = σ 2 é o parâmetro desconhecido e
Θ = {σ 2 , σ 2 > 0};
(iii) se µ e σ 2 são ambos desconhecidos, temos que

θ = (µ, σ 2 ) e
Θ = {(µ, σ 2 ), −∞ < µ < ∞ e σ 2 > 0};
3 / 28
Definição 2: Um Estimador para θ é qualquer estatı́stica que assuma

valores em Θ.
Observações:
Geralmente, denotamos os estimadores com acento circunflexo:
θ̂ = T (X1 , . . . , Xn ) = T (X ).
e
Um estimador é o que antes chamamos de estatı́stica, porém
associado a um parâmetro populacional.
Ou seja,
se θ̂ é um estimador ⇒ θ̂ é um estatı́stica;
se T (X ) é uma estatı́stica ⇏ T (X ) é um estimador.
e e
Definição 3: Estimativa é o valor assumido pelo estimador θ̂ em uma

particular amostra.
4 / 28
Exemplo 2: Estamos interessados na média (µ) e na variância (σ 2 ) das

alturas de jovens com idade entre 15 e 18 anos de certa cidade. Vamos
coletar uma amostra para tirar conclusões. Suponha que escolhemos ao
acaso 10 jovens.
Possı́veis estimadores para µ: Possı́veis estimadores para σ 2 :

n
1 X
σ̂12 = S2 = (Xi − X )2 ;
X(n) + X(1) n−1
µ̂1 = ; i=1
2 n
µ̂2 = X1 ; 1X
σ̂22 = (Xi − X )2 ;
n n
1X i=1
µ̂2 = X = Xi .
X(n) − X(1) 2

n
i=1 σ̂32 = .
2
5 / 28
Supondo que dispomos da seguinte amostra observada (em metros):
1, 65 1, 57 1, 72 1, 66 1, 71
1, 74 1, 81 1, 68 1, 60 1, 77
Logo,
As estimativas para µ seriam: As estimativas para σ 2 seriam:
µ̂1 = 1, 69; σ̂12 = 0, 006;

µ̂2 = 1, 65; σ̂22 = 0, 005;
µ̂2 = 1, 69. σ̂32 = 0, 014.
6 / 28
Propriedades de Um Bom Estimador
Tendo o interesse de estimar θ ou uma função de θ, digamos g (θ), dese-

jamos sempre encontrar um estimador considerado razoável estes.
↱
Mas como saber o que é razoável neste caso?
↱
Para isso iremos abordar agora as principais propriedades de um bom
estimador!!
7 / 28
Estimador Não Viciado
Definição 3: Um estimador θ̂ é dito ser não-viciado (ou não-viesado)

para θ se o vı́cio (ou viés)
B(θ̂) = E (θ̂) − θ (1)
for igual a zero, ∀ θ ∈ Θ. Ou seja,
E (θ̂) = θ .
Se limn→∞ B(θ̂) = 0, ∀ θ ∈ Θ, dizemos que o estimador θ̂ é

assintoticamente não-viciado para θ.
8 / 28
Exemplo 3: Seja X1 , . . . , Xn uma amostra aleatória de X ∼ N(µ, σ 2 ). Ou

seja, E (X ) = µ e Var (X ) = σ 2 . Mostre que
X é um estimador não-viciado para µ
e σ̂ 2 é uma estimador viciado viciado para σ 2 .
1
Pn
Sendo σ̂ 2 = n i=1 (Xi − X )2 .
9 / 28
Estimador Consistente
Consistência
Definição 4: Seja X1 , . . . , Xn uma a.a. da distribuição da variável aleatória

X que depende do parâmetro θ. Dizemos que o estimador θ̂ é consistente
para θ se
lim P(|θ̂ − θ| > ε) = 0, ∀ ε > 0. (2)

n→∞
Esse tipo de convergência é chamada de Convergência em Probabili-

dade.
10 / 28
Estimador Consistente
Proposição: Um estimador θ̂ de θ é consistente se
lim E (θ̂) = θ e lim Var (θ̂) = 0.

n→∞ n→∞
Exemplo 4: Vimos que S 2 é não-viciado para σ 2 . Mostre que para

X1 , . . . , Xn uma amostra aleatória de X ∼ N(µ, σ 2 ), S 2 também é um
estimador consistente para σ 2 .
11 / 28
Erro Quadrático Médio
Um dos critérios comumentes utilizados para avaliar o desempenho dos

estimadores é o Erro Quadrático Médio (EQM).
Definição 5: O Erro Quadrático Médio de um estimador θ̂ do parâmetro

θ é dado por
EQM(θ̂) = E [(θ̂ − θ)2 ]. (3)
Temos que
EQM(θ̂) = Var (θ̂) + [B(θ̂)]2 . (4)
No caso em que θ̂ é um estimador não-viciado para θ, temos então

que EQM(θ̂) = Var (θ̂).
12 / 28
O EQM é comumente empregado na comparação de estimadores.
Dizemos que θ̂1 é melhor que θ̂2 se
EQM(θ̂1 ) ≤ EQM(θ̂2 ),
em pelo menos uma desigualdade estrita ∀ θ.
Assim, se existir um estimador θ̂∗ tal que, ∀ θ̂ de θ com θ̂ ̸= θ̂∗

tivermos
EQM(θ̂∗ ) ≤ EQM(θ̂),
então θ̂∗ é dito ser ótimo para θ.
13 / 28
Se ambos os estimadores θ̂∗ e θ̂ forem não-viciados então, θ̂∗ é dito

ser o estimador não viciado de variância uniformemente mı́nima se
Var (θ̂∗ ) ≤ Var (θ̂),
com pelo menos uma desigualdade estrita.
14 / 28
Exemplo 5: Seja X1 , X2 , X3 uma a.a. da variável aleatória X com E (X ) =

θ e Var (X ) = 1. Considere os estimadores
X1 + X2 + X3 1 1 1
θ̂1 = e θ̂2 = X1 + X2 + X3 .
3 2 4 4
A partir do EQM determine qual é o melhor estimador.
15 / 28
Exemplo 6: Seja X1 , . . . , Xn uma amostra aleatória de X ∼ N(µ, σ 2 ).

Vimos que σ̂ 2 é um estimador viciado para σ 2 , enquanto S 2 é não-viciado
para σ 2 . Compare agora esses estimadores em termos do EQM.
Lembrando que:
n n
1X 1 X
σ̂ 2 = (Xi − X )2 e S2 = (Xi − X )2 .
n n−1
i=1 i=1
16 / 28
Estimadores Eficientes
Veremos agora a noção de estimador eficiente, como sendo aquele que

atinge o limite inferior da variância dos estimadores não-viciados.
Definição 6: Chamamos de Eficiência de um estimador θ̂, não-viciado,

para o parâmetro θ, o quociente
LI (θ)
e(θ̂) = , (5)
Var (θ̂)
em que LI (θ) é o Limite Inferior da Variância dos Estimadores Não-

Viciados de θ.
17 / 28
Temos que e(θ̂) = 1, quando LI (θ) = Var (θ̂).
Ou seja, quando a variância de θ̂ coincide com o limite inferior da variância

dos estimadores não-viciados de θ, dizemos então que θ̂ é eficiente para
estimar θ.
Veremos que
1
LI (θ) = 2 (6)
∂ log f (x,θ)
nE ∂θ
quando certas condições de regularidades estão satisfeitas.
18 / 28
Condições de Regularidades:
As condições de regularidade são basicamente duas:
O suporte da distribuição, ou seja, A(x) = {x, f (x, θ) > 0}

independe de θ.
É possı́vel a troca das ordens das operações de derivação e

integração (somas) sob a distribuição da variável aleatória X .
19 / 28
Exemplo 7: Seja X1 , . . . , Xn uma amostra aleatória de X ∼ N(µ, σ 2 ), em

que σ 2 é conhecido. Mostre que X é um estimador eficiente para µ.
20 / 28
Exemplo 8: Seja X1 , . . . , Xn uma amostra aleatória de X ∼ Poisson(λ).

Mostre que X é um estimador eficiente para λ.
21 / 28
∂ log f (x,θ)
Definição 7: A quantidade ∂θ é chamada de Função Escore.
Resultado 1: Sob as condições de regularidade

∂ log f (x, θ)
E = 0. (7)
∂θ
Definição 8: A quantidade
" 2 #
∂ log f (x, θ)
IF (θ) = E (8)
∂θ
é denominado de Informação de Fisher de θ.
IF (θ): é a informação esperada que X tem sobre θ.
22 / 28
Como consequência do Resultado 1, temos:

∂ log f (x, θ)
IF (θ) = Var . (9)
∂θ
Resultado 2: Sob as condições de regularidade:

" 2 # 2
∂ log f (x, θ) ∂ log f (x, θ)
E = −E . (10)
∂θ ∂θ2
23 / 28
Resultado 3: Se X1 , . . . , Xn é uma amostra aleatória da variável aleatória

X com fdp (ou fp) f (x, θ) e informação de Fisher IF (θ), então a In-
formação Total de Fisher de θ (IFn (θ)) correspondente a amostra obser-
vada é a soma das somas das informações de Fisher das n observações da
amostra. Ou seja,
IFn (θ) = nIF (θ). (11)
24 / 28
Teorema: (Desigualdade da Informação) Quando as condições de regu-

laridade estão satisfeitas, a variância de qualquer estimador não-viciado θ̂
do parâmetro θ satisfaz a desigualdade
1
Var (θ̂) ≥ (12)
nIF (θ)
chamada de Limite Inferior de Cramés-Rao.
É válido salientar que a desigualdade da informação não é um

método de construção de estimadores. Ela apenas possibilita
verificar se determinado estimador é eficiente ou não.
25 / 28
Teorema: Seja X1 , . . . , Xn uma amostra aleatória da variável aleatória X

com fdp f (x, θ) para a qual as condições de regularidade estão satisfeitas.
Seja γ̂ um estimador não-viciado de g (θ). Então,
[g ′ (θ)]2
Var (γ̂) ≥ . (13)
nIF (θ)
26 / 28
Exemplo 9: Seja X1 , . . . , Xn uma amostra aleatória de X , variável

aleatória com distribuição Gama de parâmetros α > 0 e β > 0, tal densi-
dade de X é
1 1
f (x, β, α) = x α−1 e − β x , x > 0.
β α Γ(α)
Admita que α é conhecido e que são válidas as condições de regularidades.
(a) Mostre que β̂ = X /α é um estimador não-viciado de β.

(b) Determine LI (β) e LI (g (β)), com g (β) = Var (X ).
(c) β̂ = X /α é um estimador eficiente de β?
(d) β̂ = X /α é um estimador consistente de β?
27 / 28

Inf M3

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Inf M3

Enviado por

Direitos autorais:

Formatos disponíveis

Inferência Estatı́stica: Estimação Pontual

Inferência Estatı́stica: Estimação Pontual

Profª.: Fernanda Clotilde

Aula preparada para turma de Inferência Estatı́stica

Objetivo: Obter um valor plausı́vel para θ a partir da amostra.

De forma mais detalhada:

f (x, θ) possui forma funcional conhecida, porém, depende de θ que é

Esse valor plausı́vel para θ é obtido com base na amostra observada.

Definição 1: Seja θ um parâmetro, o conjunto em que θ toma valores é

Exemplo 1: Sejam X1 , X2 , . . . , Xn uma amostra aleatória da variável

(i) se σ 2 = 1, temos que θ = µ é o parâmetro desconhecido e

Θ = {µ, −∞ < µ < ∞};

(ii) se µ = 0, temos que θ = σ 2 é o parâmetro desconhecido e

(iii) se µ e σ 2 são ambos desconhecidos, temos que

Θ = {(µ, σ 2 ), −∞ < µ < ∞ e σ 2 > 0};

Definição 2: Um Estimador para θ é qualquer estatı́stica que assuma

Definição 3: Estimativa é o valor assumido pelo estimador θ̂ em uma

Exemplo 2: Estamos interessados na média (µ) e na variância (σ 2 ) das

Possı́veis estimadores para µ: Possı́veis estimadores para σ 2 :

Supondo que dispomos da seguinte amostra observada (em metros):

As estimativas para µ seriam: As estimativas para σ 2 seriam:

µ̂1 = 1, 69; σ̂12 = 0, 006;

Propriedades de Um Bom Estimador

Tendo o interesse de estimar θ ou uma função de θ, digamos g (θ), dese-

Estimador Não Viciado

Definição 3: Um estimador θ̂ é dito ser não-viciado (ou não-viesado)

B(θ̂) = E (θ̂) − θ (1)

for igual a zero, ∀ θ ∈ Θ. Ou seja,

Se limn→∞ B(θ̂) = 0, ∀ θ ∈ Θ, dizemos que o estimador θ̂ é

Exemplo 3: Seja X1 , . . . , Xn uma amostra aleatória de X ∼ N(µ, σ 2 ). Ou

X é um estimador não-viciado para µ

e σ̂ 2 é uma estimador viciado viciado para σ 2 .

Definição 4: Seja X1 , . . . , Xn uma a.a. da distribuição da variável aleatória

lim P(|θ̂ − θ| > ε) = 0, ∀ ε > 0. (2)

Esse tipo de convergência é chamada de Convergência em Probabili-

Proposição: Um estimador θ̂ de θ é consistente se

lim E (θ̂) = θ e lim Var (θ̂) = 0.

Exemplo 4: Vimos que S 2 é não-viciado para σ 2 . Mostre que para

Erro Quadrático Médio

Um dos critérios comumentes utilizados para avaliar o desempenho dos

Definição 5: O Erro Quadrático Médio de um estimador θ̂ do parâmetro

EQM(θ̂) = E [(θ̂ − θ)2 ]. (3)

EQM(θ̂) = Var (θ̂) + [B(θ̂)]2 . (4)

No caso em que θ̂ é um estimador não-viciado para θ, temos então

O EQM é comumente empregado na comparação de estimadores.

Dizemos que θ̂1 é melhor que θ̂2 se

em pelo menos uma desigualdade estrita ∀ θ.

Assim, se existir um estimador θ̂∗ tal que, ∀ θ̂ de θ com θ̂ ̸= θ̂∗

Se ambos os estimadores θ̂∗ e θ̂ forem não-viciados então, θ̂∗ é dito

Var (θ̂∗ ) ≤ Var (θ̂),

com pelo menos uma desigualdade estrita.

Exemplo 5: Seja X1 , X2 , X3 uma a.a. da variável aleatória X com E (X ) =

Exemplo 6: Seja X1 , . . . , Xn uma amostra aleatória de X ∼ N(µ, σ 2 ).

Veremos agora a noção de estimador eficiente, como sendo aquele que

Definição 6: Chamamos de Eficiência de um estimador θ̂, não-viciado,

em que LI (θ) é o Limite Inferior da Variância dos Estimadores Não-

Temos que e(θ̂) = 1, quando LI (θ) = Var (θ̂).

Ou seja, quando a variância de θ̂ coincide com o limite inferior da variância

quando certas condições de regularidades estão satisfeitas.

As condições de regularidade são basicamente duas:

O suporte da distribuição, ou seja, A(x) = {x, f (x, θ) > 0}

É possı́vel a troca das ordens das operações de derivação e

Exemplo 7: Seja X1 , . . . , Xn uma amostra aleatória de X ∼ N(µ, σ 2 ), em