Baixe o app para aproveitar ainda mais
Prévia do material em texto
ESTATÍSTICA Juliane Silveira Freire da Silva Estimação de parâmetros Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Expressar parâmetros populacionais. � Diferenciar estimativas tendenciosas de não tendenciosas. � Identificar as consequências dos estimadores. Introdução Neste capítulo, você identificará o que são parâmetros e estimadores. Além disso, aprenderá a identificar o que são estimadores tendenciosos e estimadores eficientes. Também, desenvolverá estratégias para identificar quais deles utilizar. Como aplicação da teoria de probabilidade aos estimadores, você aprenderá a calcular intervalos de confiança para a média e a proporção que possibilitam estimar um intervalo de valores em que esteja contido o verdadeiro parâmetro populacional, com base em uma amostra. Parâmetros populacionais Parâmetros são medidas numéricas calculadas com base nos dados de uma população. Podemos calcular alguns parâmetros, como a média populacional (μ), o desvio-padrão populacional (𝜎) e a proporção populacional (π). Observe que os parâmetros são representados por letras gregas. μ = ∑ Xi N média populacional onde: Xi: cada um dos N elementos da população; N: tamanho da população. σ = ∑(Xi – μ)2 N desvio-padrão populacional onde: Xi: cada um dos N elementos da população; μ: média populacional; N: tamanho da população. Parâmetros nem sempre são fáceis de serem calculados — seja porque nem sempre temos acesso a todos os elementos de uma população, seja porque pode ser muito oneroso coletar dados de uma população inteira, ou, ainda, porque não temos tempo para investigar todos os dados de uma população. Por esses e outros motivos, acabamos, muitas vezes, optando por coletar dados relativos às amostras derivadas de uma população de interesse. Quando calculamos as medidas numéricas de uma amostra, teremos estimativas, também chamadas de estatísticas, para os parâmetros populacionais. Na Figura 1, a seguir, há uma representação desses estimadores amostrais de parâmetros populacionais. Figura 1. Estimadores amostrais de parâmetros populacionais. Fonte: Doane e Seward (2014, p. 293). Amostra Inferência Parâmetros populacionais μ σ π Estimadores amostrais x– s p Estimação de parâmetros2 Cada estimativa será o valor particular daquela amostra para estimar o verdadeiro valor do parâmetro. Se coletarmos amostras diferentes de uma mesma população, os valores do estimador poderão mudar aleatoriamente a cada amostra coletada. Então, a distribuição dessa variável (estimador amostral) é o que chamamos de distribuição de probabilidades amostral. O valor da estimativa da média, por exemplo, será específico para cada amostra, mas a distribuição de probabilidade que descreve essa aleatoriedade com os resultados das diferentes amostras é a distribuição amostral da média da amostra. Nessa distribuição, teremos todos os resultados prováveis da estimativa da média em um intervalo de valores que a estimativa ocorre e onde estará o verdadeiro parâmetro populacional. A distribuição amostral seguirá a mesma distribuição dos dados populacionais. Se estes seguem uma distribuição normal, consequentemente, os dados amostrais provenientes dessa população também seguirão uma distribuição de probabilidades normais. A partir dessa distribuição de probabilidades amostrais (podendo ser diferente para cada um dos parâmetros) é que podermos tomar decisões sobre os parâmetros populacionais com base em estimativas amostrais. Segundo Doane e Seward (2014), um estimador é uma estatística derivada de uma amostra para inferir o valor de um parâmetro populacional. Já uma estimativa é o valor do estimador em uma amostra particular. Quando calculamos o valor de apenas uma amostra e estimamos os valores dos parâmetros por essa medida amostral, teremos uma estimativa por ponto. Claramente, nem sempre o valor calculado para a média dessa determi- nada amostra (ou qualquer outro estimador) acertará no alvo o valor real da população. Sendo assim, para estimativas de parâmetros, podemos calcular intervalos com alta probabilidade de conter o verdadeiro valor do parâmetro populacional. Podemos, também, calcular o erro cometido com esse estimador e, ainda, o tamanho mínimo para a amostra dessa estimativa. Vale lembrar que o erro e a confiança fixados no cálculo para o tamanho de amostra só serão válidos se a amostra for probabilística. Qualquer amostra só poderá resultar em um bom estimador caso ela seja coletada de forma aleatória. Jamais podemos fazer uso de amostras não probabilísticas e ten- denciosas para estimarmos parâmetros. 3Estimação de parâmetros Estimativas tendenciosas e não tendenciosas Mas o que é uma estimativa tendenciosa? Chamamos uma estimativa de ten- denciosa, ou estimador viciado e estimador enviesado, quando esta subestimar ou superestimar o valor do parâmetro. Vício é a diferença entre a média da estatística (estimador) e o verdadeiro valor do parâmetro populacional. A Figura 2 ilustra a diferença entre um estimador tendencioso e não tendencioso. Figura 2. Ilustração de estimadores tendenciosos e não tendenciosos. Estimador não tendencioso Estimador tendencioso Segundo Doane e Seward (2014), a média amostral (x–) e a proporção amostral (p) são estimadores não viciados da μ e da π, respectivamente. Mas podemos encontrar estimadores viciados quando consideramos o desvio-padrão amostral e o desvio-padrão populacional. μ = ∑Xi N média populacional x– = ∑xi n média amostral � = X N proporção populacional p = x n proporção amostral Estimação de parâmetros4 σ = ∑(Xi – μ)2 N desvio-padrão populacional s = ∑(xi – x–)2 n – 1 desvio-padrão amostral Estimativas eficientes Um estimador é dito eficiente frente aos demais possíveis dentre as amostras oriundas da mesma população. Será aquele que tiver a menor variabilidade. Ou seja, se dois estimadores tiverem a mesma média, o estimador mais efi- ciente será aquele com a menor variância. O outro estimador será considerado ineficiente, conforme ilustrado na Figura 3. Figura 3. Ilustração de estimadores eficientes e não eficientes, ambos não viciados. Estimador e�ciente Estimador não e�ciente Como existe essa variabilidade, podemos, então, estimar o erro que estamos cometendo com essa estimativa. Quando estamos estimando a média popula- cional (μ) pela média amostral (x–), cometemos o erro amostral: a probabilidade é de 1 – α de que a estimativa vá diferir para mais ou para menos do valor populacional por, no máximo, um erro de: E = zα/2 ∙ σ √n 5Estimação de parâmetros onde: E: erro máximo de estimativa; 𝜎: desvio-padrão populacional; n: tamanho da amostra; zα/2: valor da tabela normal padrão. Na Figura 4, pode ser visualizada a distribuição amostral da média. Figura 4. Distribuição amostral da média. Fonte: Freund (2006, p. 272). 1 – α α/2 α/2 x– μ zα/2 ∙ σ √n No Quadro 1, a seguir, apresentamos os valores para os principais níveis de significância. 1 – α α/2 zα/2 1 – 0,1 = 0,90 = 90% 0,05 1,645 1 – 0,05 = 0,95 = 95% 0,025 1,960 1 – 0,01 = 0,99 = 99% 0,005 2,575 Quadro 1. Valores da tabela normal para os principais níveis de significância Estimação de parâmetros6 Uma financeira coletou uma amostra aleatória de 100 pessoas para estimar o valor médio de endividamento de seus clientes. Com base em pesquisas anteriores, sabe-se que o desvio-padrão populacional é de R$ 630,00 (σ = 630,00). Com uma probabilidade de 95%, qual seria o erro máximo para a estimativa? E = 1,960 · = 123,48630 √100 Com uma confiança de 95%, podemos afirmar que o erro máximo dessa estimativa é de 123,48. Precisamos observar que nem sempre sabemos o verdadeiro valor do desvio-padrão populacional. Aliás, muito raramente teremos esse valor, pois, se tivéssemos facilmente o desvio-padrão populacional, já saberíamos o valor da média populacional. Assim sendo, é admissível utilizarmos o desvio-padrão amostral comoestimativa do desvio-padrão populacional, sempre que tivermos um tamanho da amostra igual ou superior a 30. Consequências dos estimadores Como consequências das propriedades dos estimadores, quando temos uma distribuição de probabilidades para os possíveis resultados de amostras alea- tórias, podemos calcular intervalos de confiança que contenham o verdadeiro valor do parâmetro populacional e uma confiança associada a esse intervalo. Podemos, também, calcular tamanhos mínimos de amostras para que os dados amostrais sejam representativos de toda uma população. A distribuição de probabilidades associada aos dados da nossa população é que nos dará a confiança necessária tanto para os intervalos de confiança quanto para o tamanho mínimo de amostras. Leva-se em consideração o teorema do limite central. Intervalos de confiança Podemos calcular um intervalo de variação para a média amostral, que terá uma probabilidade definida de conter o verdadeiro valor do parâmetro populacional. Isso é possível porque temos uma distribuição associada aos dados po- pulacionais e amostrais. Utilizaremos a distribuição normal para esses in- tervalos e teremos uma confiança fixada de acordo com essa distribuição de probabilidades. 7Estimação de parâmetros Existem valores que são mais comuns para o cálculo dos intervalos de confiança: 90%, 95% e 99%. Os valores das probabilidades associadas a esses níveis de confiança são os seguintes: 90% de confiança → z0,05 = 1,645 95% de confiança → z0,025 = 1,960 99% de confiança → z0,005 = 2,575 O intervalo de confiança para estimar uma média é descrito a seguir: x– ± zα/2 ∙ σ √n com o desvio-padrão populacional conhecido x– ± tα/2; n – 1 ∙ s √n com o desvio-padrão populacional desconhecido Observe que, ao invés de utilizarmos a distribuição normal para o intervalo de confiança com o desvio-padrão desconhecido, tomamos a distribuição t-stu- dent, observando o α/2 e n–1 graus de liberdade. Vale ressaltar que, para n ≥ 30, os valores da distribuição t e da distribuição normal igualam-se. Observe a Figura 5, a seguir. Figura 5. Comparação distribuição t e distribuição normal. Fonte: Doane e Seward (2014, p. 306). A distribuição t tem o mesmo formato da distribuição normal, mas, para n menor do que 30, existe uma pequena diferença no formato, ocasionada pelo tamanho da amostra. Veja a tabela da Figura 6. Estimação de parâmetros8 Figura 6. Distribuição t-student. Para encontrar o valor tabelado, cruzamos a coluna de alfa escolhido com a linha dos graus de liberdade. Nesse caso do número de graus de liberdade, precisamos fazer n–1. 9Estimação de parâmetros Suponha que a financeira coletou uma amostra de 100 clientes e questionou sobre o valor de endividamento deles, obtendo como resultado uma média amostral de R$ 2.350,00 e um desvio-padrão amostral de R$ 590,00. Obtenha o intervalo de confiança de 95% para a média. x– = 2350,00 s = 590,00 n = 100 t0,025;99 = 1,960 x– ± tα/2 ;n – 1 · = 2350 ± 1,960 · 2350 ± 115,64 [2234,36; 2465,64] s √n 590 √100 Com 95% de confiança, a verdadeira média populacional para o valor médio de endividamento estará entre R$ 2.234,36 e R$ 2.465,64. De acordo com o intervalo, podemos calcular o tamanho mínimo de amostra para quando queremos estimar a média populacional, isolando o n na equação do erro máximo amostral. Esse valor nos fornecerá um tamanho de amostra mínimo para que a amostra seja representativa da população, caso coletada de forma aleatória. n = zα/2 ∙ σ E( )2 Por exemplo, qual seria o tamanho mínimo de amostra com uma confiança de 95%, no caso de uma pesquisa com consumidores para investigar o valor gasto com presentes no dia dos namorados. Sabe-se que o desvio-padrão populacional da pesquisa no ano anterior foi de R$ 65,00. Os pesquisadores querem errar, no máximo, em R$ 10,00. Estimação de parâmetros10 z0,025 = 1,96 σ = 65,00 E = 10,00 n = zα/2 ∙ σ E( ) ( )2 2 = = 162,3 = 1631,96 · 65 10 Vale ressaltar que, no caso do tamanho mínimo de amostra, sempre se arredonda para cima, independentemente de regras de arredondamento. Podemos calcular, também, um intervalo de variação para a proporção amostral. A teoria é semelhante à empregada no intervalo de confiança para a média. Os cálculos são realizados de acordo com a equação a seguir. p ± zα/2 · p ∙ (1 – p) n onde: p: proporção amostral n: tamanho da amostra Zα/2 : valor tabela normal padrão Assim como podemos calcular o tamanho mínimo de amostra para estimar uma média, também podemos calcular o tamanho mínimo de amostra para estimar uma proporção. A fórmula do tamanho mínimo de amostra também é derivada da fórmula do erro máximo amostral para a proporção. Ainda temos o intervalo de variação para o desvio-padrão de uma amostra retirada de uma população que segue uma distribuição normal. n = zα/2 2 ∙ p(1 – p) E2 Quando não conhecemos o verdadeiro valor da proporção populacional, utilizamos o p = 0,5. Assim, podemos superestimar o tamanho da amostra, já que a proporção não é conhecida. 11Estimação de parâmetros Suponha que você deseja estimar a proporção de clientes satisfeitos com determinado produto da sua empresa. Deseja-se cometer um erro máximo de estimação de 3%, com uma confiança de 90%. Qual seria o tamanho mínimo de amostra para estimar essa proporção? zα /2 = 1,645 p = 0,5 pois o p é desconhecido E = 0,03 precisamos tirar do percentual n = zα/2 2 · p(1 – p) E2 = 1,6452 · 0,5 · (1 – 0,5) 0,032 = 752 DOANE, D. P.; SEWARD, L. E. Estatística aplicada à administração e economia. 4. ed. Porto Alegre: AMGH; Bookman, 2014. 840 p. FREUND, J. E. Estatística aplicada: economia, administração e contabilidade. 11. ed. Porto Alegre: Bookman, 2006. 536 p. Leitura recomendada SPIEGEL, M. R.; STEPHENS, L. J. Estatística. 4. ed. Porto Alegre: Bookman, 2009. 600 p. (Coleção Schaum). Estimação de parâmetros12 Conteúdo:
Compartilhar