Julião Estevão

Métodos de Estimação Pontual

Licenciatura em Ensino de Matemática

Universidade Uni Pungue

Tete
2024

1
 Julião Estevão

Métodos de Estimação Pontual

Licenciatura em Ensino de Matemática

Trabalho de Inferência Estatística a ser

submetido para Avaliação.

O Docente: Eduardo F. Pita

Universidade Uni Pungue

Tete
2024

2
Indice

Introdução-----------------------------------------------------------------------------------------------------4
Objectivos-----------------------------------------------------------------------------------------------------4
Metodologia………………………………………………………………………………………4
Selecção e Avaliação de Estimadores: Critérios e Métodos--------------------------------------------5

Testes de convergência de séries numéricas e de funções ----------------------------------------------7

Considerações Finais ---------------------------------------------------------------------------------------10

Referência Bibliografica -----------------------------------------------------------------------------------11

3
Introdução
A seleção e avaliação de estimadores desempenham um papel crucial na inferência estatística, pois
influenciam diretamente a precisão e confiabilidade das estimativas obtidas a partir dos dados.
Neste trabalho de pesquisa, exploraremos os critérios comuns para escolha de estimadores,
incluindo viés, eficiência, robustez, simulação e estudos empíricos. Discutiremos também métodos
de avaliação de estimadores, destacando a importância da escolha adequada para garantir
resultados estatisticamente válidos e significativos.

Objectivo Geral

Conhecer o estudo da Selecção e Avaliação de Estimadores, Critérios e Métodos

Objectivos Específicos

 Descrever o critério e métodos de Estimadorea;

 Determinar o tamanho da amostra,
 Descrever o intervalo de confiança;

Metodologia

A metodologia é "a explicação minuciosa, detalhada, rigorosa e exacta de toda acção desenvolvida
no método de trabalho da pesquisa". Para produção do trabalho realizou-se a pesquisa bibliográfica
de livros, artigos e módulos para construção de abordagens no campo literário disponibilizados,
orientação metodológica com base nas normas de publicação de trabalhos científicos e por fim a
copilação do conteúdo de forma clara e objectiva.

4
Selecção e Avaliação de Estimadores: Critérios e Métodos

Critérios para Escolha de um Estimador

Viés: Um estimador é desejável se for não viesado, ou seja, se sua expectativa for igual ao valor
do parâmetro estimado. Estimadores com menor viés tendem a produzir estimativas mais próximas
do verdadeiro valor do parâmetro.

Eficiência: A eficiência de um estimador é uma medida de sua precisão em relação a outros

estimadores possíveis. Estimadores mais eficientes têm menor variância e, portanto, proporcionam
estimativas mais precisas do parâmetro de interesse.

Robustez: A robustez de um estimador refere-se à sua capacidade de fornecer estimativas precisas

mesmo quando as suposições subjacentes do modelo estatístico são violadas ou os dados contêm
outliers ou anomalias. Estimadores robustos são preferíveis em situações onde os dados podem ser
influenciados por perturbações.

Simulação: A simulação é uma ferramenta poderosa para avaliar o desempenho de estimadores

em diferentes cenários. Através da geração de dados simulados com características conhecidas,
podemos comparar o desempenho de diferentes estimadores em termos de viés, variância e outros
critérios relevantes.

LEHMANN afirma que os Estudos Empíricos envolvem a aplicação de estimadores a conjuntos

de dados reais para avaliar seu desempenho na prática. Esses estudos podem fornecer insights
sobre como os estimadores se comportam em situações do mundo real e ajudar na seleção do
estimador mais adequado para uma aplicação específica.

Métodos de Avaliação de Estimadores

Existem diversos métodos de avaliação de estimadores, que são utilizados para determinar quão
bem um estimador performa em relação ao verdadeiro valor do parâmetro estimado. Abaixo estão
alguns dos métodos mais comuns:

Erro Quadrático Médio (MSE): O MSE é uma medida amplamente utilizada para avaliar a
precisão de um estimador. Ele é definido como a média do quadrado da diferença entre as

5
estimativas do parâmetro e o verdadeiro valor do parâmetro. Quanto menor o MSE, melhor o
desempenho do estimador.

Viés: O viés de um estimador é a diferença entre o valor esperado das estimativas e o verdadeiro
valor do parâmetro. Estimadores com viés próximo de zero são considerados preferíveis, pois
tendem a produzir estimativas não tendenciosas do parâmetro.

Variância: A variância de um estimador é uma medida de sua dispersão em torno de seu valor
esperado. Estimadores com menor variância são geralmente considerados mais precisos, pois
tendem a produzir estimativas mais consistentes do parâmetro.

Intervalos de Confiança: Os intervalos de confiança são usados para quantificar a incerteza em

torno de uma estimativa. Estimadores que produzem intervalos de confiança mais estreitos e mais
precisos são considerados melhores.

Quando a variância é conhecida

Segundo AFONSO & NUNES Se a distribuição da população é Normal e a variância 𝜎 2 é

conhecida, então a variável fulcral a utilizar na construção do intervalo de confiança é:

𝑥̅ −𝜇
Z= 𝜎 ~𝑁(0; 1)
√𝑛

Se a distribuição da população não for Normal, mas a amostra for de grande dimensão, então 𝑍 ~
∘ 𝑁(0; 1). Em ambos os casos o I. C., de amplitude mínima, para 𝜇 é obtido da seguinte forma: 𝑃
(𝑧𝛼 2 < 𝑋 − 𝜇 𝜎 √𝑛 < 𝑧 1− 𝛼 2 ) = 1 − 𝛼 ⇔ 𝑃 (𝑋 − 𝑧 1− 𝛼 2 𝜎 √𝑛 < 𝜇 < 𝑋 − 𝑧𝛼 2 𝜎 √𝑛 ) = 1 − 𝛼,

Comparação com Estimadores de Referência: Em alguns casos, existe um estimador conhecido

como "padrão-ouro" ou referência. Comparar o desempenho de um novo estimador com este
estimador de referência pode fornecer insights sobre sua precisão e confiabilidade.

Bootstrap: Bootstrap é uma técnica de reamostragem que pode ser usada para estimar a
distribuição amostral de um estimador e calcular intervalos de confiança. O uso do bootstrap pode
ajudar a avaliar a variabilidade de um estimador e sua robustez em relação às distribuições não
normais ou a dados com amostras pequenas.

6
Cross-Validation: A validação cruzada é uma técnica comum em aprendizado de máquina e
modelagem estatística, que pode ser adaptada para avaliar estimadores. Ela envolve a divisão dos
dados em conjuntos de treinamento e teste, e o uso do conjunto de teste para avaliar o desempenho
do estimador.

DAVISON (1997) define simulação como uma abordagem poderosa para avaliar estimadores em
cenários controlados. Gerando dados simulados com características conhecidas, é possível
comparar o desempenho de diferentes estimadores em termos de viés, variância e outras métricas
relevantes.

Esses métodos de avaliação de estimadores são amplamente utilizados na prática estatística para
selecionar o estimador mais adequado para uma determinada aplicação e garantir estimativas
precisas e confiáveis dos parâmetros de interesse.

Erro Quadrático Médio (MSE): O MSE é uma medida comum de desempenho de um estimador,
calculada como a média do quadrado da diferença entre as estimativas e os valores verdadeiros do
parâmetro. Estimadores com menor MSE são preferíveis.

Intervalos de Confiança: Intervalos de confiança são uma maneira de quantificar a incerteza em

torno de uma estimativa. Estimadores que produzem intervalos de confiança mais estreitos e mais
precisos são considerados melhores.

Comparação com o "Padrão-Ouro": Em alguns casos, pode haver um estimador conhecido como
o "padrão-ouro" ou referência. Comparar estimadores com este padrão pode ajudar a avaliar sua
precisão e confiabilidade.

Os estudos empíricos são uma abordagem valiosa para a avaliação de estimadores, pois envolvem
a aplicação prática de diferentes estimadores a conjuntos de dados reais. Esses estudos permitem
avaliar o desempenho dos estimadores em condições do mundo real e fornecer insights sobre sua
eficácia em situações específicas. Abaixo estão algumas etapas comuns em estudos empíricos para
avaliação de estimadores:

7
Seleção dos Estimadores: Primeiramente, é necessário selecionar uma variedade de estimadores
para avaliação. Isso pode incluir estimadores com diferentes propriedades, como estimadores não
viesados, robustos ou eficientes. Estimadores de referência também podem ser incluídos para
comparação.

Seleção dos Conjuntos de Dados: Os conjuntos de dados utilizados nos estudos empíricos devem
ser representativos do problema em questão e abranger uma variedade de cenários possíveis. É
importante considerar a heterogeneidade dos dados, incluindo diferentes tamanhos de amostra e
distribuições.

Implementação dos Estimadores: Os estimadores selecionados são então implementados e

aplicados aos conjuntos de dados escolhidos. É importante garantir uma implementação correta e
consistente de cada estimador para garantir resultados comparáveis.

Análise dos Resultados: Uma vez que os estimadores foram aplicados aos conjuntos de dados, os
resultados são analisados. Isso pode incluir a comparação das estimativas produzidas pelos
diferentes estimadores, bem como a avaliação de métricas de desempenho, como viés, variância,
MSE e intervalos de confiança.

Validação Cruzada: A validação cruzada pode ser utilizada como uma técnica adicional para
avaliação de estimadores. Isso envolve dividir os dados em conjuntos de treinamento e teste e
avaliar o desempenho dos estimadores no conjunto de teste. Essa abordagem ajuda a avaliar a
capacidade de generalização dos estimadores para novos dados.

Considerações Estatísticas: Ao interpretar os resultados dos estudos empíricos, é importante

considerar questões estatísticas, como a significância estatística das diferenças observadas entre
os estimadores e a possibilidade de viés de seleção.

Relatório dos Resultados: Os resultados dos estudos empíricos devem ser claramente relatados,
incluindo detalhes sobre os conjuntos de dados utilizados, os estimadores testados, os métodos de
análise e as conclusões alcançadas. Isso permite que outros pesquisadores avaliem e reproduzam
os resultados.

8
Repetição e Refinamento: Em alguns casos, pode ser necessário repetir os estudos empíricos com
diferentes conjuntos de dados ou estimadores adicionais para confirmar e refinar as conclusões
alcançadas.

9
Considerações Finais

A seleção e avaliação de estimadores são processos fundamentais na prática estatística. Ao

considerar critérios como viés, eficiência, robustez, simulação e estudos empíricos, os
pesquisadores e analistas podem escolher estimadores adequados que produzam estimativas
precisas e confiáveis. No entanto, é importante reconhecer que nenhum estimador é perfeito em
todas as situações, e a escolha do estimador mais apropriado depende do contexto específico e das
características dos dados em questão.

Os estudos empíricos são uma ferramenta valiosa para avaliar a adequação e o desempenho dos
estimadores na prática. Eles fornecem insights úteis que podem orientar a seleção de estimadores
para diferentes aplicações e contribuir para o avanço da teoria estatística e da prática científica.

10
Referências Bibliograficas

1. CASELLA, G., & Berger, R. L. (2002). Statistical inference. Duxbury Press.

2. LEHMANN, E. L., & Casella, G. (1998). Theory of point estimation. Springer Science &
Business Media.
3. VAN der Vaart, A. W. (2000). Asymptotic statistics (Vol. 3). Cambridge University Press.
4. DAVISON, A. C., & Hinkley, D. V. (1997). Bootstrap methods and their application.
Cambridge university press.
5. AFONSO, Anabela & NUNES Probabilidade e Estatística (Aplicações e Soluçoes) Evora
2019.

11