Baixe o app para aproveitar ainda mais
Prévia do material em texto
Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Amostra Aleato´ria Definic¸a˜o: Dizemos que uma colec¸a˜o de v.a. X1, ...,Xn e´ independente e ideˆntica (i.i.d.) se Xi e´ independente de Xj , ∀i 6= j , e Xi ∼ f , 1 ≤ i , j ≤ n. Aqui, f denota a distribuic¸a˜o comum de X1, ...,Xn. Definic¸a˜o: Uma amostra aleato´ria simples (a.a.) de tamanha n e´ uma colec¸a˜o de varia´veis aleato´rias X1, ...,Xn i.i.d. Notac¸a˜o: Denotamos os vetores amostral e de observac¸o˜es por X = (X1, ...,Xn) e x = (x1, ..., xn), respectivamente. Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Estat´ısticas Definic¸a˜o: Uma estat´ıstica T e´ uma caracter´ıstica exclusiva de uma amostra aleato´ria X1, ...,Xn. Ou seja, se X1, ...,Xn e´ uma a.a., T = T (X) = T (X1, ...,Xn) e´ uma estat´ıstica. Exemplos: Considere as seguintes estat´ısticas 1. T1 = X¯n = 1 n n∑ i=1 Xi = X1 + ...+ Xn n ; 2. T2 = X(1) = min{X1, ...,Xn}; 3. T3 = X(n) = max{X1, ...,Xn}; 4. T4 = X(i) e´ o i-e´simo valor da amostra ordenada X(1), ...,X(n). Obs.: Note que, uma estat´ıstica T e´ uma varia´vel aleato´ria. Certamente, e´ de interesse saber qual e´ sua distribuic¸a˜o. Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Paraˆmetros Definic¸a˜o: Um paraˆmetro θ e´ uma quantidade desconhecida de uma populac¸a˜o ou de uma distribuic¸a˜o. Exemplos: (a) A altura me´dia θ1 = µp dos indiv´ıduos de uma populac¸a˜o; (b) A variabilidade θ2 = σ 2 p dos pesos de indiv´ıduos adultos de uma populac¸a˜o; (c) A proporc¸a˜o populacional θ3 = p de mulheres; etc. Obs.: As estat´ısticas sa˜o utilizadas para “estimar” os paraˆmetros populacionais. Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Estimadores Definic¸a˜o: Um estimador Θˆ de uma paraˆmetro θ e´ uma estat´ıstica, ou seja, Θˆ = Θˆ(X) = Θˆ(X1, ...,Xn). Definic¸a˜o: Uma estimativa θˆ de um paraˆmetro θ e´ o valor do estimador Θˆ obtido a` luz dos dados, ou seja, θˆ = Θˆ(X = x) = Θˆ(x1, ..., xn). Exemplo: Considere uma populac¸a˜o X com me´dia µ e variaˆncia σ2 e seja X1, ...,Xn uma a.a. de X . Enta˜o, a me´dia amostral µˆ = X¯ = n∑ i=1 Xi n e´ um estimador de µ e a variaˆncia amostral σˆ2 = S2 = n∑ i=1 (Xi − X¯ )2 n − 1 e´ um estimador de σ 2. Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Estat´ısticas Exemplo: Seja p a proporc¸a˜o de indiv´ıduos fumantes do Distrito Federal. 1◦ Planejamento de Experimento: Obter uma amostra aleato´ria simples X1, ...,Xn de tamanho n = 100; 2◦ Ao i-e´simo indiv´ıduo Xi da amostra, i = 1, ..., 100, sera´ associado o nu´mero 1 se a pessoa for fumante e 0 se na˜o for; 3◦ Utilizar o estimador pˆ = X1+...+X100 100 (pˆ e´ a proporc¸a˜o amostral de fumantes); 4◦ Experimento: Uma vez que os dados sa˜o coletados, pˆ assume um valor p0, que estima p, ou seja, p0 = pˆ(x1, ..., x100). Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Distribuic¸a˜o Amostral Observc¸a˜o: Note que, da maneira como o experimento do exemplo anterior foi planejado, a estat´ıstica pˆ , e´ uma varia´vel aleato´ria, uma vez que pˆ pode assumir valores diferentes para cada realizac¸a˜o do experimento. Genericamente, uma estat´ıstica T (na˜o necessariamente pˆ = X1+...+X100100 ) possui uma distribuic¸a˜o, que sera´ chamda de distribuic¸a˜o amostral de T. Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Distribuic¸a˜o Amostral Exemplo: Com o intuito de avaliar a honestidade de uma moeda, planeja-se lanc¸a´-la 50 vezes, sendo cada lanc¸amento independente dos demais. Seja, Xi = 1, se o resultado for cara,0, se o resultado for coroa, onde 1 ≤ i ≤ 50. Consideres que p = P(Xi = 1). Assim, a varia´vel Y = 50∑ i=1 Xi = nu´mero de caras nos 50 lanc¸amentos. Note que, Y e´ uma v.a. que pode assumir os valores {0, 1, 2, ..., 50}. Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Distribuic¸a˜o Amostral (continuac¸a˜o) Observamos que Y = 50∑ i=1 Xi ∼ bin(50, p), pois e´ uma soma de bernoullis independentes e ideˆnticas. Y sera´ a estat´ıstica utilizada para avaliar a honestidade da moeda. Se a moeda for honesta p = 12 . Definimos, pˆ = Yn , e a` partir de pˆ, estimamos p. Supondo que foram observadas 30 caras nos 50 lanc¸amentos, p0 = pˆ(x1, · · · , xn) = 3050 = 0, 6. Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Aplicac¸a˜o e Exemplos de Distribuic¸a˜o Amostral (continuac¸a˜o) Qual a importaˆncia de saber a distribuic¸a˜o de Y ? Para avaliar se a ocorreˆncia de 30 caras em 50 lanc¸amentos nos traz evideˆncias da honestidade da moeda ou na˜o. Assumindo que a moeda e´ honesta, ou seja, p = 12 , temos P(Y = 30|n = 50; p = 0, 5) = 50 30 (0, 5)30(0, 5)20 = 0, 042. Pode-se mostrar que, P(Y ≥ 30|n = 50, p = 0, 5) = 0, 08. Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Distribuic¸a˜o Amostral (continuac¸a˜o) Assim, se a moeda for honesta, a probabilidade de ocorrer ao menos 30 caras em 50 lanc¸amentos e´ de aproximadamente 8%. Essa probabilidade e´ uma evideˆncia forte o suficiente contra a honestidade da moeda? Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Distribuic¸a˜o Amostral Proposic¸a˜o: Seja X uma populac¸a˜o com me´dia µ e variaˆncia σ2. Seja X1, ...,Xn uma a. a. de X . Enta˜o, (i) E ( X¯n ) = µ, (ii) Var ( X¯n ) = σ 2 n , onde X¯n = X1+...+Xn n . Exemplo: Seja X uma populac¸a˜o, X ∼ ber(0, 3). Sejam X1,X2,X3 a.a. de X . Enta˜o, E ( X¯3 ) = 3%; Var ( X¯3 ) = 0,213 = 7% Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Teorema Limite Central Teorema (Teorema Limite Central) Seja X uma populac¸a˜o com me´dia µ e variaˆncia σ2. Seja X1, ...,Xn uma a.a. de X . Enta˜o, X¯n ∼ N ( µ, σ2 n ) , quando n for suficientemente grande (n ≥ 30). Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Teorema Limite Central Exemplo: Seja X uma populac¸a˜o, com X ∼ exp(2). Considere uma a.a. X1, ...,X100 de X . Enta˜o, Xi ∼ exp(2): fXi (x) = 2e−2xI(x>0); E (Xi ) = 1 2 ; Var (Xi ) = 1 4 . Suponha que Xi e´ o tempo de vida de um transistor em horas. Desejamos estudar o estimador X¯100. Sabemos que E ( X¯100 ) = 12 e Var ( X¯100 ) = 1/4100 = 1 400 . Pelo T.L.C., temos X¯100 ∼ N ( 1 2 , 1 400 ) Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Teorema Central do Limite Teorema (Teorema Limite Central-2◦ Versa˜o) Seja X uma populac¸a˜o com me´dia µ e variaˆncia σ2. Seja X1, ...,Xn uma a.a. de X . Enta˜o, Z = X¯n − µ σ/ √ n ∼ N(0, 1) se n e´ suficientemente grande (n ≥ 30). Notas de Aula do Prof. Lucas Moreira EST/UnB Estat´ısticas Paraˆmetros Distribuic¸a˜o Amostral TLC Teorema Central do Limite Exemplo (continuac¸a˜o): Retomando o exemplo dos transistores: X¯100−(1/2) (1/2)/ √ 100 ∼ N(0, 1) Logo, P ( X¯100 ≤ x ) = P ( X¯100 − (1/2) (1/2)/ √ 100 ≤ x − (1/2) (1/2)/ √ 100 ) = P (Z ≤ 10(2x − 10)) P ( X¯100 ≥ x ) = 1− P (X¯100 ≤ x) = 1− P ( X¯100 − (1/2) (1/2)/ √ 100 ≤ x − (1/2) (1/2)/ √ 100 ) = 1− P (Z ≤ 10(2x − 10))Notas de Aula do Prof. Lucas Moreira EST/UnB Estatísticas Parâmetros Distribuição Amostral TLC
Compartilhar