Escolar Documentos
Profissional Documentos
Cultura Documentos
Estimação II
Lı́gia Henriques-Rodrigues
MAE0229 – 1º semestre 2018
1 / 11
2.2 Métodos de obtenção de estimadores
2 / 11
Método dos momentos
Seja (X1 , . . . , Xn ) uma amostra aleatória de uma v.a. X com função densidade fθ .
3 / 11
Definição: Sendo θ = (θ1 , . . . , θr )T , dizemos que θ̂1 , θ̂2 , . . . , θ̂r são estimadores
obtidos pelos método dos momentos, se eles forem soluções das equações,
mk = µk , k = 1, 2, . . . , r .
β̂M = X .
4 / 11
Exemplo 2: Seja X uma v.a. com média µ e variância σ 2 .
µ1 = E (X ) = µ e µ2 = E (X 2 ) = σ 2 + µ2 .
µ̂M = X
n
2 1X 2 2
σ̂M = m2 − m12 = Xi − X = σ̂ 2 = SX2 .
n
I =1
5 / 11
Método da máxima verossimilhança
Seja (X1 , . . . , Xn ) uma amostra aleatória de uma v.a. X com função densidade fθ .
6 / 11
No caso discreto, seja (X1 , . . . , Xn ) uma amostra aleatória de uma v.a. X com
função de probabilidade Pθ (X = x). A função de verossimilhança é definida por
n
Y
L(θ) = Pθ (X1 = x1 ) × . . . × Pθ (Xn = xn ) = Pθ (Xi = xi ).
i=1
7 / 11
Exemplo: Considere o modelo Bernoulli com probabilidade de sucesso p, e uma
amostra aleatória de dimensão n. Determine o estimador de MV de p.
Resolução: Neste caso, a função de verossimilhança é dada por,
n
Y Pn Pn
L(p) = p xi (1 − p)1−xi = p i=1 xi
(1 − p)n− i=1 xi
.
i=1
8 / 11
Propriedades dos estimadores de máxima verossimilhança
9 / 11
Método dos mı́nimos quadrados
Y = g (X ; θ) + ε,
onde ε ∼ N(0, σ 2 ) e E (Y |x) = g (x; θ), para todo o valor de x. Defina-se a função
n
X n
X 2
S(θ) = ε2i = (Yi − g (Xi ; θ)) ,
i=1 i=1
10 / 11
Exemplo: Considere o modelo Y = θX + ε e determine o EMQ de θ.
n
X 2
S(θ) = (Yi − θXi )
i=1
n
dS(θ) X
= (Yi − θXi ) (−2Xi ) = 0
dθ
i=1
Obtidas as amostras: X : 1,2; 1,5; 1,7; 2,0; 2,6, e Y : 3,9; 4,7; 5,6; 5,8; 7,0.
Determine uma estimativa de MQ de θ.
51, 05
θ̂MQ = = 2, 94
17, 34
11 / 11