Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIEˆNCIAS SOCIAS APLICADAS DEPARTAMENTO DE ECONOMIA Introduc¸a˜o a` Econometria Professor: Erik Alencar de Figueireˆdo Aula 3 5 Jan 2008 5:56 p.m. Revisa˜o de Estat´ıstica I 0. INTRODUC¸A˜O O objetivo desta aula e´ apresentar noc¸o˜es ba´sicas da teoria da probabilidade, concentrando-se nos axiomas, no conceito de varia´vel aleato´ria, valor esperado e variaˆncia, bem como destacar algumas distribuic¸o˜es estat´ısticas e a noc¸a˜o do teste de hipo´tese. 1. TEORIA DA PROBABILIDADE Pierre Laplace propoˆs a seguinte definic¸a˜o para a probabilidade: Definic¸a˜o 1: Se um experimento aleato´rio e´ composto por N eventos exclusivos e igualmente poss´ıveis e NA representa a ocorreˆncia de um evento A, enta˜o a probabilidade de A e´ definida como: P (A) = NA N Vejamos uma ilustrac¸a˜o para este conceito. Considere o conjunto dos poss´ıveis resultados para o jogo de duas moedas: S = {(C,K), (K,C), (C,C), (K,K)}, N = 4. Onde C representa “cara” e K “coroa”. Defina A como os eventos onde observa-se pelo menos uma cara. Assim, A = {(C,K), (K,C), (C,C)}. Neste caso, NA = 3, sendo assim, a probabilidade de A sera´ P (A) = 34 . Esta abordagem, ilustrada a partir deste exemplo simples, e´ conhecida como definic¸a˜o cla´ssica da probabilidade. Entretanto, na˜o ob- stante a` sua importaˆncia, esta definic¸a˜o possui uma limitac¸a˜o importante: ela e´ aplicada apenas a`s situac¸o˜es onde existam apenas um nu´mero finito de poss´ıveis resultados. Digamos que o jogo possua a seguinte regra: joga-se a moeda ate´ que a coroa aparec¸a. Desta forma, poder´ıamos ter S = {(K), (C,K), (C,C,K), (C,C,C,K), ...}. Neste caso, como calcular as probabilidades a partir da abordagem cla´ssica? Duas alternativas sa˜o propostas: as abordagens “frequ¨eˆntista” e “subjetiva”. O argumento ba´sico da teoria frequ¨eˆntista e´ que a probabilidade na˜o pode ser restrita a uma situac¸a˜o de simetria (igualmente poss´ıvel) e sim a partir da estabilidade observada em frequ¨eˆncias emp´ıricas. Por exemplo, no caso do jogo das moedas a probabilidade do evento A = {C} sera´ 12 , na˜o por conta da simetria entre os eventos igualmente poss´ıveis. A probabilidade sera´ 12 , pois se a moeda for jogada um grande nu´mero de vezes, a frequ¨eˆncia de ocorreˆncia de A convergira´ para este nu´mero. Ou seja, lim n→∞ ( nA n ) = PA. Ja´ a abordagem subjetiva incorpora as informac¸o˜es a priori a respeito da ocorreˆncia do evento. Ou seja, o pesquisador baseia-se em experieˆncias passadas criando um “banco” de resultados, estas informac¸o˜es Introduc¸a˜o a` Econometria - Aula 3 pa´gina 2 sa˜o introduzidas no ca´lculo da probabilidade do evento a partir da regra de Bayes. Por conta disso, este procedimento e´ conhecido como abordagem bayesiana da probabilidade. 2. ABORDAGEM AXIOMA´TICA O ponto de partida para a abordagem axioma´tica e´ a definic¸a˜o de experimento aleato´rio: Definic¸a˜o 2: Um experimento aleato´rio, denotado por E, que satisfaz as seguintes condic¸o˜es: (i) todos os poss´ıveis e distintos resultados sa˜o conhecidos a priori e; (ii) pode ser repetido sob condic¸o˜es ideˆnticas. Neste contexto, a abordagem axioma´tica pode ser vista como uma formalizac¸a˜o do conceito de experi- mento aleato´rio. Definic¸a˜o 3: O espac¸o amostral, denotado por S, e´ definido como o conjunto de todos os poss´ıveis resultados do experimento E. Os elementos de S sa˜o denomindados de eventos elementares. Exemplo: Considere o experimento E de jogar duas moedas e obervar sua face. Desta forma, o espac¸o amostral de E sera´: S = {(C,K), (K,C), (C,C), (K,K)}, onde (C,K),(K,C),(C,C),(K,K) sa˜o os eventos elementares de S. Sendo assim, a probabilidade e´ definida como um conjunto de func¸o˜es que satisfazem os seguintes axiomas: Axioma 1: P (A) ≥ 0; Axioma 2: P (S) = 1; Axioma 3: P ( ⋃∞ i=1Ai) = ∑∞ i=1 P (Ai) se {Ai}∞i=1 e´ uma sequ¨eˆncia de eventos exclusivos (Ai ∩Aj =Ø); Destacam-se algumas propriedades importantes: P1: P (A) = 1− P (A); P2: P (Ø)= 0; P3: se A1 ⊂ A2, P (A1) ≤ P (A2); P4: P (A1 ∪A2) = P (A1) + P (A2)− P (A1 ∩A2); P5: se {An}∞n=1 e´ uma sequ¨eˆncia mono´tona, enta˜o P (limn→∞An) = limn→∞ P (An). 2.1. Probabilidade Condicional O ca´lculo da probabilidade condicional e´ efetuado de acordo com a seguinte fo´rmula: PA(A1) = P (A1|A) = P (A1 ∩A) P (A) . Vejamos, seja A1 = {(C,K)} e A = {(C,K), (C,C)}, sabendo que P (A1) = 14 , P (A) = 12 , P (A1 ∩A) = P ({(C,K)}) = 14 , enta˜o: PA(A1) = P (A1|A) = 1/41/2 = 1/2 Da fo´rmula apresentada deduz-se que: Introduc¸a˜o a` Econometria - Aula 3 pa´gina 3 P (A1 ∩A2) = P (A1|A2)P (A2) P (A1 ∩A2) = P (A2|A1)P (A1), se, P (A2|A1) = P (A1), enta˜o A1 e A2 sa˜o independentes. 3. VARIA´VEL ALEATO´RIA O resultado de um experimento aleato´rio e´ denominado de varia´vel aleato´ria (va’s). Geralmente, as va sa˜o representadas por letras maiu´sculas, enquanto seus valores observados sa˜o indicados por letras minu´sculas. Uma va pode ser discreta ou cont´ınua. No caso discreto a va assumira´ um nu´mero finito de valores. Ja´ no caso cont´ınuo ela podera´ assumir qualquer valor dentro de um intervalo cont´ınuo. Exemplos: a) Se definirmos a va X como a soma dos nu´meros que aparecem no jogo de dois dados, enta˜o X assumira´ os valores: 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12. Ou seja, X sera´ uma va discreta; b) Caso a va Y seja definida como a altura de um aluno desta sala. Neste caso, Y sera´ uma va cont´ınua, dado que ela pode assumir qualquer valor dentro de um determinado intervalo. Vejamos agora a associac¸a˜o entre a va e as distribuic¸o˜es de probabilidade. Vamos iniciar com o caso univariado discreto. Vimos que a va X pode assumir um conjunto de valores x1, x2, ..., xk e estes, por sua vez, esta˜o associados a probabilidades p1, p2, ..., pk. Neste caso a func¸a˜o de densidade de probabilidade (FDP) sera´: f(x) = P (X = xi), i = 1, 2, ..., n, ... f(x) = 0, x 6= xi Desta forma, considerando ainda o exemplo “a”, onde a va X representa a soma dos nu´meros observados na face dos dois dados, teremos, x = 2 3 4 5 6 7 8 9 10 11 12. Suas respectivas probabilidades sera˜o: f(x) = ( 1 36 )( 2 36 )( 3 36 )( 4 36 )( 5 36 )( 6 36 )( 5 36 )( 4 36 )( 3 36 )( 2 36 )( 1 36 ) . Para o caso cont´ınuo as seguintes condic¸o˜es sa˜o requeridas: f(x) ≥ 0∫ ∞ −∞ f(x)dx = 1 ∫ b a f(x)dx = P (a ≤ x ≤ b), onde f(x)dx representa o elemento de probabilidade e P (a ≤ x ≤ b) a probabilidade de X se encontrar no intervalo ab. Sabemos que no caso cont´ınuo a probabilidade de X assumir um valor espec´ıfico e´ zero. Exemplo: Introduc¸a˜o a` Econometria - Aula 3 pa´gina 4 Considere a seguinte func¸a˜o de densidade: f(x) = 1 9 x2, 0 ≤ x ≤ 3 Note que f(0) = 1 9 02 = 0 f(1) = 1 9 12 = 0, 111... f(3) = 1 9 32 = 1. Logo, f(x) ≥ 0, ∀x ∈ (0, 3). Em segundo lugar, sabemos que a integral de f(x) sera´:∫ f(x)dx = 1 27 x3 1 27 x3|30 = 1 27 33 − 1 27 03 = 1. Digamos que se queira observar a probabilidade de se encontrar um x ∈ (0, 1), enta˜o:∫ f(x)dx = 1 27 x3, 1 27 x3|10 = 1 27 13 − 1 27 03 = 1 27 . Vejamos a func¸a˜o de densidade de probabilidade conjunta. Sejam X e Y duas va’s discretas, enta˜o: f(x, y) = P (X = x;Y = y) f(x, y) = 0, X 6= x, Y 6= y. Esta func¸a˜o e´ conhecida como func¸a˜o de densidade de probabilidade conjunta discreta, ou seja, ela fornece a probabilidade de X assumir o valor x e Y assumir o valor y. Considere agora a func¸a˜o de densidade de probabilidade marginal discreta: f(x) = ∑ y f(x, y), ou seja, a marginal de X, da mesma forma: f(y) = ∑ x f(x, y), e´ a marginal de Y . Ja´ a func¸a˜o de densidade de probabilidade condicional e´ dada por: f(x|y)= P (X = x|Y = y). As FDP’s condicionais podem ser obtidas por: f(x|y) = f(x, y) f(y) , Introduc¸a˜o a` Econometria - Aula 3 pa´gina 5 e, f(y|x) = f(x, y) f(x) , ou seja, como a raza˜o entre a FDP conjunta e a FDP marginal de outra varia´vel. Estes conceitos conduzem ao resultado da independeˆncia estat´ıstica: f(x, y) = f(x)f(y), ou seja, as varia´veis aleato´rias sera˜o consideradas independentes se a FDP conjunta puder ser expressa como o produto das FDP’s marginais. 4. CARACTERI´STICAS DAS DISTRIBUIC¸O˜ES DE PROBABILIDADE Valor esperado O valor esperado de um va discreta X, denominado E(X), e´ definido por: E(X) = ∑ x xf(x), onde f(x) e´ a FDP de X. Exemplo: Considere o exemplo do jogo dos dados discutido anteriormente, assim: E(X) = 2 ( 1 36 ) + 3 ( 2 36 ) + ...+ 12 ( 1 36 ) = 7. O valor esperado de uma va cont´ınua X sera´: E(X) = ∫ ∞ −∞ xf(x)dx, onde a u´nica diferenc¸a para o caso discreto reside na considerac¸a˜o da integral no lugar do somato´rio. Exemplo: No caso da func¸a˜o f(x) = 19x 2, 0 ≤ x ≤ 3, este valor sera´: E(X) = ∫ 3 0 x ( 1 9 x2 ) dx E(X) = 1 9 ∫ 3 0 ( x3 ) dx E(X) = 1 9 ( x4 4 )∣∣∣∣∣ 3 0 E(X) = 1 9 ( 34 4 ) − 1 9 ( 04 4 ) = 2, 25. Propriedades dos valores esperados Para uma constante b: E(b) = b. Introduc¸a˜o a` Econometria - Aula 3 pa´gina 6 Se a e b forem constantes: E(aX + b) = aE(X) + b. Se X e Y forem va’s independentes: E(XY ) = E(X)E(Y ). Variaˆncia Se X e´ uma va com E(X) = µ, enta˜o a dispersa˜o dos valores de X em torno de sua me´dia pode ser medida pela variaˆncia, que e´ definida por: V ar(X) = σ2X = E(X − µ)2. A raiz quadrada positiva de σ2X , σX , e´ definida como desvio padra˜o. Na forma discreta, a variaˆncia e´ definida por: V ar(X) = ∑ x (X − µ)2f(x), na forma cont´ınua ela sera´: V ar(X) = ∫ ∞ −∞ (X − µ)2f(x)dx. Por vezes, a variaˆncia e´ calculada da seguinte forma: var(X) = E(X − µ)2 var(X) = E(X2 − 2Xµ+ µ2) var(X) = E(X2)− E(2Xµ) + E(µ2)) var(X) = E(X2)− 2E(X)E(X) + E(X)2 var(X) = E(X2)− 2E(X)2 + E(X)2 var(X) = E(X2)− E(X)2. Exemplo: No caso da func¸a˜o f(x) = 19x 2, 0 ≤ x ≤ 3, a variaˆncia sera´: E(X2) = ∫ 3 0 x2 ( 1 9 x2 ) dx E(X2) = 1 9 ∫ 3 0 ( x4 ) dx E(X2) = 1 9 ( x5 5 )∣∣∣∣∣ 3 0 E(X2) = 1 9 ( 35 5 ) − 1 9 ( 05 5 ) = 5, 40. Como E(X) = 2, 25, enta˜o: var(X) = 5, 40− (2, 25)2 = 5, 40− 5, 06 = 0, 34. Propriedades da variaˆncia A variaˆncia de uma constante e´ zero. Introduc¸a˜o a` Econometria - Aula 3 pa´gina 7 Se a e b forem constantes: var(aX + b) = a2var(X). Se X e Y forem va’s independentes: var(X + Y ) = var(X) + var(Y ). Se X e Y forem va’s independentes e a e b forem constantes: var(aX + bY ) = a2var(X) + b2var(Y ). 5. MOMENTOS SUPERIORES DAS FDP’s Na sec¸a˜o anterior foram discutidos os conceitos de esperanc¸a e variaˆncia comomomentos da distribuic¸a˜o de uma va. Consideremos agora os momentos superiores de uma f(x) como uma forma de captar importantes caracter´ısticas desta func¸a˜o. Terceiro momento E(X − µ)3. Quarto momento E(X − µ)4. Em termos gerais define-se o r-e´simo momento como: E(X − µ)r. O terceiro e o quarto momento servem para estudar a “apareˆncia da distribuic¸a˜o”, ou mais es- pec´ıficamente, sua assimetria S (auseˆncia de simetria) e a sua curtose K (ou seja, a elevac¸a˜o ou achata- mento). Seus ca´lculos podem ser obtidos a partir das seguintes fo´rmulas: S = [E(X − µ)3]2 [E(X − µ)2]3 , K = E(X − µ)4 [E(X − µ)2]2 . 6. DISTRIBUIC¸O˜ES DE PROBABILIDADE Distribuic¸a˜o Normal Diz-se que uma va cont´ınuaX se distribui de acordo com uma Normal (gaussiana) se sua FDP apresentar a seguinte forma: f(x) = 1 σ √ 2pi exp ( − (x− µ) 2 2σ2 ) , −∞ < x <∞. onde µ e σ2 sa˜o, respectivamente, a me´dia e a variaˆncia da distribuic¸a˜o. A distribuic¸a˜o Normal possui as seguintes propriedades: a) e´ sime´trica em torno da me´dia; b) aproximadamente 68% da a´rea sob a curva normal se encontra entre os valores µ ± σ, cerca de 95% da a´rea se encontra entre µ± 2σ e cerca de 99,7% da a´rea se encontra entre µ± 3σ. c) a distribuic¸a˜o depende dos paraˆmetros µ e σ2 de modo que, uma vez determinados os seus valores, a probabilidade de X se encontrar dentro de um intervalo podera´ ser determinada a partir do uso das tabelas Introduc¸a˜o a` Econometria - Aula 3 pa´gina 8 de distribuic¸a˜o. Para tanto, sera´ necessa´rio transformar a va X normalmente distribu´ıda em uma varia´vel normalmente padronizada Z, ou seja, Z = x− µ σ Neste caso, a nova varia´vel Z possuira´ me´dia 0 e variaˆncia 1, e sua FDP sera´: f(Z) = 1√ 2pi exp ( − 1 2 Z2 ) Por convenc¸a˜o, uma varia´vel normalmente distribu´ıda e´ representada por X ∼ N(µ, σ2), no caso da varia´vel padronizada sua representac¸a˜o sera´: X ∼ N(0, 1). Exemplo: Suponha que X ∼ N(8, 4). Qual a probabilidade de X vir a assumir um valor entre x1 = 4 e x2 = 12? Para realizar este ca´lculo, vamos transformar a X em uma varia´vel padronizada: Z1 = x1 − µ σ = 4− 8 2 = −2 Z2 = x2 − µ σ = 12− 8 2 = 2 Observando na Tabela constata-se que Pr(0 ≤ Z ≤ 2) = 0, 4772. Enta˜o, por simetria, Pr(−2 ≤ Z ≤ 0) = 0, 4772. Logo, a probabilidade de X assumir um valor entre 4 e 12 sera´ 0,4772+0,4772=0,9544. d) Teorema do Limite Central Suponha uma sequ¨eˆncia de va’s X1, X2, ..., Xn com me´dia µ e variaˆncia σ2. Considere um estimador para me´dia amostral dado por: X = ∑ Xi n . Enta˜o, conforme n→∞, X P7−→N ( µ, σ2 n ) ; e) uma distribuic¸a˜o Normal e´ caracterizada por uma assimetria igual a zero e uma curtose igual a 3. Uma das formas de se testar a normalidade de uma FDP e´ fornecida pelo teste de Jarque-Bera: JB = n [ S2 6 + (K − 3)2 24 ] . onde JB se distribui de acordo com uma Qui-Quadrado (χ2) com 2 graus de liberdade. Distribuic¸a˜o Qui-Quadrado (χ2) Sejam Z1, Z2, ..., Zn varia´veis Normais padronizadas inependentes, enta˜o: Z = k∑ i=1 Z2i ∼ χ2k onde k representa o nu´mero de varia´veis independentes na soma anterior. A distribuic¸a˜o χ2 e´ assime´trica e sua assimetria dependera´ do nu´mero de graus de liberdade. Sua me´dia sera´ igual a k e sua variaˆncia igual a 2k. Exemplo: Introduc¸a˜o a` Econometria - Aula 3 pa´gina 9 Qual a probabilidade de se obter um valor de χ2 maior do que 20, dados 10 graus de liberdade? De acordo com a tabela, a probabilidade de se obter um valor superior a 20,4831 e´ de 0,025. Distribuic¸a˜o t-student (t) Se temos duas varia´veis independentes uma, Z1, e´ normalmente padronizada e a outra, Z2, segue uma distribuic¸a˜o χ2, enta˜o: t = Z1√ (Z2/k) segue uma t-student com k graus de liberdade. Assim como a Normal, a t-student e´ sime´trica so´ que mais achatada. Entretanto, na medida em que seus graus de liberdade crescem ela se aproxima de uma Normal. Sua me´dia e´ zero e sua variaˆncia e´ igual a k/(k − 2). Distribuic¸a˜o de Fisher (F ) Se temos duas varia´veis independentes Z1 e Z2 cada uma distribu´ıda de acordo com uma χ2, com k1 e k2 graus de liberdade, enta˜o: F = F1/k1 F2/k2 ∼ Fk1,k2 . Ou seja, a raza˜o entre estas varia´veis segue uma distribuic¸a˜o F com k1 e k2 graus de liberdade. Seu valor me´dio sera´ k2/(k2 − 2) para k2 > 2. Sua variaˆncia sera´ 2k22(k1 + k2 − 2) k1(k2 − 2)2(k2 − 4) . 7. INFEREˆNCIA ESTATI´STICA A ana´lise do comportamento de uma va envolve duas etapas. Primeiro, admite-se que o seu Processo Gerador segue uma determinada FDP. Segundo, busca-se, a partir de enta˜o, inferir os paraˆmetros desta distribuic¸a˜o. Por exemplo, digamos que X segue uma Normal. Como demonstrado na sec¸a˜oanterior a distribuic¸a˜o Normal depende de dois paraˆmetros, quais sejam, a me´dia e a variaˆncia, geralmente desconhecidos. Neste ponto, entra a infereˆncia estat´ıstica, ou seja, o procedimento utilizado para estimar inco´gnitas. O processo de estimac¸a˜o envolve a selec¸a˜o de uma amostra aleato´ria de tamanho n. Exemplo: suponha que a va X possua uma FDP f(x; θ), onde θ representa o paraˆmetro da distribuic¸a˜o. Digamos que a forma funcional da FDP e´ conhecida, uma distribuic¸a˜o de Cauchy por exemplo.1 Sendo assim, seleciona-se uma amostra aleato´ria de tamanho n e emprega-se um me´todo de infereˆncia de modo a fornecer uma estimativa para θ, isto e´: θˆ = f(x1, x2, ..., xn). onde θˆ e´ conhecido como a estat´ıstica ou estimador para o verdadeiro paraˆmetro populacional θ. Note que θˆ pode ser tratado como uma varia´vel aleato´ria, dado que ele e´ uma func¸a˜o dos dados amostrais. isto posto, surge uma pergunta: como definir qual e´ o melhor estimador para o paraˆmetro θ? Em geral, a comparac¸a˜o entre os diversos estimadores e´ realizada a partir de algumas caracter´ısticas ba´sicas, destacando-se: a) auseˆncia de vie´s: E(θˆ) = θ, ∀θi ∈ Θ. Ou seja, a esperanc¸a do paraˆmetro estimado e´ igual ao paraˆmetro populacional para todos os paraˆmetros θ pertencentes ao espac¸o parame´trico Θ; b) variaˆncia mı´nima: var(θˆ) ≤ var(θˆi), ∀θˆi. 1 Isto e´: f(x; θ) = 1/θ(1 + x2), −∞ < x <∞. Introduc¸a˜o a` Econometria - Aula 3 pa´gina 10 O estimador θˆ possuira´ a menor variaˆncia dentre todos os estimadores θˆi. A unia˜o das propriedades “a” e “b” e´ conhecida por eficieˆncia; c) consisteˆncia: lim n→∞Pr(|θˆn − θ| > ²) = 0, ² > 0. Ou seja, a medida em que se aumenta a amostra n, o paraˆmetro θˆn converge em probabilidade para o paraˆmetro populacional. d) melhor estimador na˜o-viesado: Se θˆ1 e θˆ2 forem dois estimadores na˜o viesados de θ, e a variaˆncia de θˆ1 for menor igual a de θˆ2, enta˜o θˆ1 sera´ um estimador na˜o-viesado de variaˆncia mı´nima; e) linearidade: Diz-se que um estimador θˆ e´ linear se ele for uma func¸a˜o linear das observac¸o˜es amostrais; e) melhor estimador linear na˜o-viesado: Se θˆ for linear, na˜o-viesado e apresentar varia˜ncia mı´nima (eficiente), ele sera´ denominado de melhor estimador linear na˜o-viesado MELNV. 8. TESTE DE HIPO´TESE Como geralmente o paraˆmetro populacional θ e´ desconhecido, levanta-se uma questa˜o: sera´ que a estimativa θˆ e´ compat´ıvel com algum valor hipote´tico de θ? Ou seja, seria θ = θˆ? Esta abordagem pode ser sumarizada pelas hipo´teses: H0 : θ = θˆ (hipo´tese nula), frente a H1 : θ 6= θˆ (hipo´tese alternativa). Para testar a hipo´tese nula usamos as informac¸o˜es obtidas a partir de uma amostra. Vejamos um exemplo: Digamos que Xi ∼ N(µ, σ2) = N(µ, 6, 25). Suponha que o ca´lculo da me´dia amostral resulte em µˆ = 67, para n = 100. Considere enta˜o o seguinte teste: H0 : µ = µˆ = 69 H1 : µ 6= µˆ A pergunta relacionada ao teste e´: poderia a amostra com me´dia µˆ = 67 ter vindo de uma populac¸a˜o com me´dia 69? Intuitivamente, podemos na˜o rejeitar a hipo´tese nula se µˆ for “muito pro´ximo” de µ. Entretanto, como determinar tal “proximidade”? Uma alternativa e´ fornecida pela abordagem do intervalo de confianc¸a. Ou seja, como sabemos que Xi ∼ N(µ, σ2), enta˜o, pelo teorema do limite central, µˆ ∼ N(µ, σ2/n). Sendo assim, sera´ poss´ıvel estabelecer um intervalo de confianc¸a para µ, desta forma, se µˆ estiver inserido dentro deste intervalo de confianc¸a, enta˜o na˜o se rejeita a hipo´tese de que µ = µˆ. Sabemos que se Xi ∼ N(µ, σ2), enta˜o, Zi = µˆ− µ σ/ √ n ∼ N(0, 1). Pela tabela da distribuic¸a˜o Normal Pr(−1, 96 ≤ Zi ≤ 1, 96) = 0, 95 ou seja, Pr ( − 1, 96 ≤ µˆ− µ σ/ √ n ≤ 1, 96 ) = 0, 95, o que e´ equivalente a: Pr ( µˆ− 1, 96 σ/√n ≤ µ ≤ µˆ+ 1, 96 σ/√n ) = 0, 95. Introduc¸a˜o a` Econometria - Aula 3 pa´gina 11 Este e´ um intervalo de confianc¸a de 95% para µ. Vejamos quais os valores para este intervalo: Pr ( 67− 1, 96 2, 5/ √ 100 ≤ µ ≤ 67 + 1, 96 2, 5/ √ 100 ) = 0, 95, o que resulta em 66, 51 ≤ µ ≤ 67, 49. Logo, este intervalo na˜o inclui µ = 69. Sendo assim, a hipo´tese nula pode ser rejeitada com um n´ıvel de confianc¸a de 95%. Na lingu¨agem do teste de hipo´tese o intervalo de confianc¸a e´ denominado de regia˜o de aceitac¸a˜o e a a´rea fora deste intervalo e´ conhecida como regia˜o de rejeic¸a˜o. Os limites inferior e superior da regia˜o de aceitac¸a˜o sa˜o denominados de valores cr´ıticos. REFEREˆNCIAS [1] Gujarati, Damodar N. (2000) Econometria ba´sica. Sa˜o Paulo: Makron Books. [2] Johnston, J.; DiNardo, J. (2001). Metodos Econome´tricos. Lisboa: McGraw Hill. [3] Spanos, Aris. (1986). Statistical Foundation of Econometric Modelling. Cambridge: Cambridge Uni- versity Press.
Compartilhar