Escolar Documentos
Profissional Documentos
Cultura Documentos
Licenciatura em Economia
2 / 50
Estimação Pontual
3 / 50
Estimador versus Estimativa
Estimador
Um estimador é uma função da amostra aleatória (X1 , X2 , ..., Xn ).
Esta função não envolve parâmetros desconhecidos. Um estimador
é uma variável aleatória. Um parâmetro pode ter vários
estimadores.
Estimativa
Uma estimativa é o valor concreto assumido pelo estimador para
uma amostra em particular (x1 , x2 , ..., xn ). Para cada estimador
podemos obter várias estimativas, uma por cada amostra observada.
4 / 50
Por exemplo:
X ∼ N(µ, σ)
Θ = (θ1 , θ2 ) = (µ, σ), θ̂1 ≡ µ̂=? e/ou θ̂2 ≡ σ̂ =?
X ∼ B(1, p)
θ = p , θ̂ ≡ p̂ =?
X ∼ P(λ)
θ = λ, θ̂ ≡ λ̂=?
5 / 50
Alguns Estimadores Pontuais
I Estimador da variância σ 2
n
2 2 1
(Xi − X )2
X
σ̂ = S =
n−1
i=1
ou?
n
1
σ̃ 2 = (Xi − X )2
X
n
i=1
6 / 50
SejaX ∼ B(1, p) e (X1 , X2 , · · · , Xn ) uma amostra aleatória.
Pn
Y = Xi ∼ B(n, p)
i=1
I Estimador da proporção p
Y
P̂ = X̄ = n
7 / 50
Propriedades dos Estimadores
8 / 50
Propriedades dos Estimadores
9 / 50
Propriedades dos Estimadores - Não enviesamento
Exemplos:
Seja X ∼ N (µ, σ) e (X1 , X2 , ..., Xn ) uma amostra aleatória dessa
população.
µ̂ = X̄ um estimador não enviesado para µ?
n
1
σ̂ 2 (Xi − X )2 é um estimador não enviesado para σ2 ?
P
= n−1
i=1
n
1
σ̃ 2 = (Xi − X )2 é σ2 ?
P
E um estimador não enviesado para
n
i=1
10 / 50
Propriedades dos Estimadores - Eciência
Exemplo:
Seja X ∼ N (µ, σ) e (X1 , X2 , ..., Xn ) uma amostra aleatória dessa
população.
n n
1 1
σ̂ 2 = (Xi − X )2 σ̃ 2 = (Xi − µ)2
P P
Sejam e dois estimadores
n−1 n
i=1 i=1
2
para σ . Qual o melhor?
11 / 50
Propriedades dos Estimadores - Suciência
n n
1 1
σ̂ 2 = S 2 = (Xi − X )2
X X
µ̂ = X = Xi e
n n−1
i=1 i=1
12 / 50
Propriedades dos Estimadores - Não enviesamento assintótico
i não
I Um estimador θ̂n hdiz-se enviesado assintoticamente
quando, lim E θ̂n = θ
n→+∞
Exemplo:
Seja X ∼ N (µ, σ) e (X1 , X2 , ..., Xn ) uma amostra aleatória dessa
população.
n
1
σ̂ 2 = (Xi − X )2 é um estimador enviesado, mas é não
P
n
i=1
enviesado assintoticamente.
13 / 50
Propriedades dos Estimadores - Consistência
14 / 50
Propriedades dos Estimadores - Consistência
Exemplo:
Seja X ∼ B(1, p) e (X1 , X2 , ..., Xn ) uma amostra aleatória dessa
população. Considere o estimador
n−1
1 X
T = Xi
n
i=1
15 / 50
Propriedades dos Estimadores - Eciência assintótica
Exemplo:
Seja X ∼ B(1, p) e (X1 , X2 , ..., Xn ) uma amostra aleatória dessa
população. Considere os estimadores para p
n−1 n
1 X 1 X
p̂ = Xi e p̃ = Xi
n n
i=1 i=1
16 / 50
Propriedades dos Estimadores - Exercício
n
P
Xi
i=1 X1 + Xn
λ̂ = e λ̃ =
n 2
17 / 50
Métodos de Estimação
18 / 50
Métodos de Estimação: Método dos momentos (Karl Pearson, 1902)
19 / 50
Um Exemplo
θ = (µ, σ 2 ); θ1 = µ e θ2 = σ 2
E [X ] = µ e E [X 2 ] = µ2 + σ 2
µ = n1 i=1 XP
Pn
i µ̂ = X
⇒
µ2 + σ 2 = n1 i=1 Xi2 b2 = n1 i=1 (Xi − X )2
n Pn
σ
n−1 2
µ̂ = X σ̂ 2 = n S
20 / 50
Método de Máxima Verosimilhança
I São consistentes;
21 / 50
Método de Máxima Verosimilhança
n
Y
f (x1 , x2 , ..., xn ; θ) = f (xi ; θ) .
i=1
Qn
L (θ; x) = L (θ; x1 , x2 , ..., xn ) = i=1 f (xi ; θ)
23 / 50
Método de Máxima Verosimilhança
∂L(θ;x) ∂ ln L(θ;x)
∂θ1 =0
∂θ1 =0
∂L(θ;x) ∂ ln L(θ;x)
∂θ2 =0 ou
∂θ2 =0
...
...
∂L(θ;x) ∂ ln L(θ;x)
∂θk =0 ∂θk =0
∂ 2 L(θ̂;x) ∂ 2 ln L(θ̂;x)
∂θi2
<0 ou
∂θi2
< 0, para i = 1, 2, ..., k.
24 / 50
Método de Máxima Verosimilhança - Exercícios
25 / 50
Método de Máxima Verosimilhança - Resolução dos Exercícios
1º A função de verosimilhança é dada por
n n
n
P P
x n− x
L (p; x1 , x2 , ..., xn ) =
Y
p i (1 − p)
x 1−xi = p i=1 i (1 − p) i=1 i ;
i=1
d 2 ln L (p; x)
1 n n
1
< 0, ∀ p.
X X
=− xi − n − xi
dp 2 p 2 i=1 i=1
(1 − p)2
2º
(xi − µ)2
n/2
2
1 n
ln L µ, σ ; x
X
= ln exp − =
2πσ2
i=1
2σ2
n 2
n
(xi − µ)2
n
− ln 2π − ln σ −
X
= .
2 2 i=1
2σ2
3º
∂ ln L µ, σ 2 ; x
1 P
n
0 (xi − µ) = 0
=
σ 2 i=1
∂µ
∂ ln L µ, σ 2 ; x
⇔ n 1 n
(xi − µ)2 =
0
P
− +
0 2σ2 2 (σ2 )2 i=1
=
∂σ 2
1
n
P
µ̂ = xi = x̄
n i=1
⇔ 1 P n
σ̂ 2 = (xi − x̄)2
n i=1
27 / 50
Método de Máxima Verosimilhança - Resolução dos Exercícios
∂ 2 ln L µ, σ 2 ; x
= − n2 < 0, ∀ θ.
∂µ 2 σ
∂ 2 ln L µ, σ 2 ; x
n − 16
Pn 2 n 0
=
2σ 4 i=1 (xi − µ) θ=θ̂ = − 2σ̂ 4 <
∂ (σ 2 )2 σ
θ=θ̂
Logo,
1 n
X
µ̂ = Xi = X̄ .
n i=1
2 1 n
X 2 2
σ̂ = Xi − X̄ =S
n i=1
28 / 50
Estimação Intervalar
29 / 50
Estimação Intervalar
30 / 50
Estimação Intervalar
31 / 50
Método de construção do Intervalo de Conança
32 / 50
Intervalo de Conança para a Média
√ X −µ
Z= n ∼ N(0, 1) Z é uma variável fulcral para µ
σ
σ σ
P(X − z1− α2 √ < µ < X + z1− α2 √ ) = 1 − α
n n
33 / 50
Intervalo de Conança para a Média
σ σ
X − z1− α2 √ , X + z1− α2 √
n n
X̄ − E , X̄ + E
34 / 50
Intervalo de Conança para a Média
35 / 50
o
√
X - temperatura do corpo humano ( C ), X ∼ N (µ, 0.85)
n = 75, x̄ = 36.8o C
Para 90% de conança:
(1 − α = 0.9 ⇒ α = 0.1 ⇒ α
2 = 0.05 ⇒ 1− α
2 = 0.95)
σ σ
IC90% (µ) = x̄ − z0.95 √ ; x̄ + z0.95 √
n n
# √ √ "
0.85 0.85
= 36.8 − 1.645 √ ; 36.8 + 1.645 √
75 75
o
Como 37 C está nos intervalos a 95% e 98% de conança, podemos
admitir que a convicção está correta para estes níveis de conança.
36 / 50
Um intervalo de conança deverá ser estimado de modo a possuir uma
amplitude pequena.
Como diminuir a amplitude do intervalo?
37 / 50
Intervalo de Conança para a Média
S S
P(X − tn−1,1− α2 √ < µ < X + tn−1,1− α2 √ ) = 1 − α
n n
S S
X − tn−1,1− α2 √ , X + tn−1,1− α2 √
n n
s s
IC95% (µ) = x̄ − t(15,0.975) √ ; x̄ + t(15,0.975) √
n n
20 20
= 300 − 2.131 √ ; 300 + 2.131 √
16 16
= ]300 − 10.655; 300 + 10.655[ = ]289.345; 310.655[
39 / 50
Intervalo de Conança para a Variância
(n−1)S 2
χ2 = σ2 ∼ χ(n−1)
(n − 1)S 2
P(a < < b) = 1 − α
σ2
Resolvendo as desigualdades em ordem ao parâmetro de interesse resulta,
(n − 1)S 2 (n − 1)S 2
;
χ2n−1;1− α χ2n−1; α
2 2
40 / 50
Intervalo de conança para a variância σ2
X ∼ N (µ, σ)
(n − 1) S 2 (n − 1) S 2
# "
2
IC100×(1−α)% (σ ) = ;
χ2n−1,1− α χ2n−1, α
2 2
41 / 50
X - procura diária do produto, X ∼ N (µ, σ)
n = 16, x̄ = 300, s = 20
Para 99% de conança:
(1 − α = 0.99 ⇒ α = 0.01 ⇒ α
2 = 0.005 ⇒ 1− α
2 = 0.995)
(n − 1) s 2 (n − 1) s 2
# "
2
IC99% (σ ) = ;
χ2(15,0.995) χ2(15,0.005)
15 × 20
2 15 × 202
= ;
32.801 4.601
42 / 50
Intervalo de Conança para a Proporção
Z= qP̂−p ∼N(
˙ 0, 1), n ≥ 30
p(1−p)
n
s s
P̂(1 − P̂) P̂(1 − P̂)
P P̂ − z1− α2 < p < P̂ + z1− α2 =1−α
n n
s s
P̂(1 − P̂) P̂(1 − P̂)
P̂ − z1− α2 , P̂ + z1− α2
n n
43 / 50
Margem de Erro dos Intervalo de Conança
I σ2 S
desconhecida: m.e.=tn−1,1− α √
2 n
I σ2 desconhecida e n ≥ 30: S
m.e.=z1− α √
2 n
44 / 50
Margem de Erro dos Intervalo de Conança
Questões:
1. Qual a dimensão da amostra a considerar de modo a que a margem de
erro associada ao IC para µ (considerando σ2 conhecida e desconhecida)
seja inferior a k?
45 / 50
Intervalo de Conança para a Diferença de Médias
s s
σ12 σ22 σ12 σ2
X1 − X2 − z1− α2 + ; X1 − X2 + z1− α2 + 2
n1 n2 n1 n2
46 / 50
Intervalo de Conança para a Diferença de Médias
com
s
(n1 − 1)S12 + (n2 − 1)S22
r
∗ 1 1
S = +
n1 + n2 − 2 n1 n2
47 / 50
Intervalo de Conança para a Diferença de Médias
s s
S12 S22 S12 S22
X1 − X2 − z1− 2
α + ; X1 − X2 + z1− 2
α +
n1 n2 n1 n2
48 / 50
Intervalo de Conança para a Diferença de Proporções
Pˆ1 − Pˆ2 − z1− α2 P ∗ ; Pˆ1 − Pˆ2 + z1− α2 P ∗
com
s
Pˆ1 (1 − Pˆ1 ) Pˆ2 (1 − Pˆ2 )
P∗ = +
n1 n2
49 / 50
Intervalo de Conança para a Comparação de Variâncias
1 S12 1 S12
;
Fn1 −1,n2 −1;1− α2 S22 Fn1 −1,n2 −1; α2 S22
σ12
é o intervalo de conança a (1 − α) × 100% para σ22
.
50 / 50