Baixe o app para aproveitar ainda mais
Prévia do material em texto
Probabilidade e Estatística Felipe Guimarães Pacheco Inferência estátística é o processo pelo qual podemos tirar conclusões a parir de uma população usando uma amostra, isto é, informações de um conjunto menor. População é todos os casos os quais o pesquisador quer fazer inferências. Amostra é um subconjunto da população usado para se obter informação acerca do todo. O conjunto Θ aonde θ assume valores denominado espaço paramétrico. Podemos esti- mar o parâmetro θ usando a informação de nossa amostra. Este número é chamado de estimador. 1 Estimadores de Máxima Verossimilhança O princípio de máxima versossimilhança é um dos procedimentos usados para se obter estimadores. Consideremos uma população e uma variável aleatória X,relacionada a essa população, com função de probabilidade (se X é uma variável aleatória discreta) ou fun- ção densidade de probabilidade (se X é uma variável aleatória contínua) f(x, θ), sendo θ o parâmetro desconhecido. Retiremos uma amostra aleatória simples de X, de tamanho n, X1, . . . , Xn, e sejam x1, . . . , xn os valores efetivamente observados. A função de verossimilhança L é definida por L(θ;x1, . . . , xn) = f(x1; θ)× . . .× f(xn; θ) = n∏ i=1 f(xi; θ). (1) Se X é uma variável aleatória discreta com função de distribuição p(x, θ), a função de verossimilhança é dada por L(θ;x1, . . . , xn) = p(x1; θ)× . . .× p(xn; θ) = n∏ i=1 p(xi; θ) (2) que deve ser interpretada como uma função de θ. O estimador de máxima verossimilhança de θ é o valor que maximiza L(θ;x1, . . . , x− n). Em muitos casos, o estimador de máxima verossimilhança pode ser encontrado se- guindo os passos abaixo: 1. Encontrar a função de verossimilhança; 2. Aplicar a função ln; 3. Derivar em relação ao parâmetro θ ; 1 4. Igualar o resultado a zero. 5. Verificar que este estimador é ponto de máximo. 2 Distribuição de Bernoulli Seja X uma variável aleatória com distribuição Bernoulli(p). Tomemos uma amostra aleatória X1, . . . , Xn de X. Como X ∼ Bernoulli(p), a função de probabilidade de X é: fp(x) = p x(1− p)1−x (3) Desta forma, a função de verossimilhança é dada por L(p;x1, ..., xn) = n∏ i=1 pxi(1− p)1−xi = p ∑n i=1 xi(1− p) ∑n i=1 xi (4) Aplicando a função logaritmo natural (ln) na função de verossimilhança L(p;x1, . . . , xn), temos que: lnL(p;x1, ..., xn) = n∑ i=1 xiln(p) + n∑ i=1 (1− p)ln(1− p) (5) Derivando em relação a p, segue que: dlnL(p;x1, ..., xn) dp = (1− p) n∑ i=1 xi − p n∑ i=1 (1− xi) p(1− p) (6) Igualando o resultado a zero, obtemos que: (1− pˆ) n∑ i=1 xi − pˆ n∑ i=1 (1− xi) p(1− pˆ) = 0 (7) pˆ = 1 n n∑ i=1 xi = X¯ (8) 2 3 Distribuição de Poisson Seja X uma variável aleatória com distribuição de Poisson e parâmetro λ. Tomemos uma amostra aleatória X1, . . . , Xn independente e igualmente distribuída de X. Como X ∼ Poisson(λ), a função de probabilidade de X é: fλ(x) = λxe−λ x! , k ∈ N (9) Desta forma, a função de verossimilhança é dada por: L(p;x1, ..., xn) = n∏ i=1 λxie−λ xi! (10) Ou seja: L(p;x1, ..., xn) = 1 n∏ i=1 x1! λ n∑ i=1 xi e−nλ (11) Aplicamos a função logaritmo natural (ln) na função de verossimilhança L(λ;x1, . . . , xn). Desta forma, temos que: lnL(p;x1, ..., xn) = ln ( 1∏n i=1 x1! ) + ∑ i=1 nxilnλ− nλ (12) e, derivando em relação a λ, segue que: dlnL(p;x1, ..., xn) dλ = 1 λ ∑ i=1 nxi − n (13) Igualando o resultado a zero, segue que: 1 λˆ n∑ i=1 xi − n = 0 (14) λˆ = ∑ i=1 xi n = X¯ (15) Portanto, concluímos que λˆ = X é um estimador de máxima verossimilhança para o parâmetro λ. 3 4 Distribuição Normal Seja X uma variável aleatória com distribuição Normal com média µ e variância σ2. To- memos uma amostra aleatória independente e igualmente distribuída X1, . . . , Xn de X. Qual o estimador de máxima verossimilhança para θ = (µ, σ2)? Como X ∼ N(µ, σ2), a função densidade de X é: fµ,σ2(x) = 1√ 2piσ2 exp [ −1 2 ( x− µ σ )2] ,−∞ < x <∞ (16) Assim, a função de verossimilhança é dada por: L(µ;σ2, x1..., xn) = n∏ i=1 1√ 2piσ2 exp [ −1 2 ( xi − µ σ )2] (17) Ou seja, L(µ;σ2, x1..., xn) = (2pi) −n 2 ( σ2) −n 2 exp [ −1 2 n∑ i=1 ( xi − µ σ 2 )] (18) Para encontrar o estimador de máxima verossimilhança para θ = (µ, σ2) devemos en- contrar os valores de µ e σ2 para os quais a função de verossimilhança, L(µ, σ2;x1, . . . , xn), é máxima. Para isso primeiramente aplicaremos a função ln: lnL(µ;σ2, x1..., xn) = −n 2 ln (2pi) − n 2 ln ( σ2) − 1 2 n∑ i=1 (xi − µ)2 σ2 (19) Agora vamos derivar em relação a µ: ∂lnL(µ;σ2, x1..., xn) ∂µ = − 2 2σ2 n∑ i=1 (xi − µ)(−1) (20) ∂lnL(µ;σ2, x1..., xn) ∂µ = n∑ i=1 ( xi − µ σ2 ) (21) Igualando o resultado a zero obtemos: n∑ i=1 ( xi − µ σ2 ) = 0⇔ 1 σ2 n∑ i=1 (xi − µˆ) = 0⇔ n∑ i=1 (xi − µˆ) = 0⇔ nµˆ = n∑ x=1 xi ⇔ µˆ = x¯(22) 4 E então, o possível estimador de máxima verossimilhança da média populacional µ é X. Basta avaliar agora se realmente x é ponto de máximo. Para isto, ∂2L(µ;σ2, x1..., xn) ∂µ2 = ∂2 ∂µ2 [ 1 σ2 n∑ i=1 (xi − µ) ] = − n σ2 < 0 (23) Assim, concluimos que x é realmente um ponto de máximo e, portanto, o estimador de máxima verossimilhança para µ é µˆ = X. Vamos agora encontrar o estimador de máxima verossimilhança para a variância σ2. Para isso, derivamos a função em relação a σ2: ∂lnL(µ;σ2, x1..., xn) ∂µ2 = − n 2σ2 + 1 2 n∑ i=1 ( xi − µ σ2 ) (24) Igualando a zero, temos que: − n 2σ2 + 1 2 n∑ i=1 ( xi − µ σ2 ) = 0⇔ −n+ n∑ i=1 (xi − µ)2 σ2 = 0⇔ σ¯2 = (n− 1) n s2 (25) Como, ∂2L(µ;σ2, x1..., xn) ∂(σ2)2 = 1 (σ2)2 ( n 2 − (n− 1)s 2 σ2 ) (26) que avaliado em σˆ2 = (n− 1)s2 n é tal que: ∂2L(µ;σ2, x1..., xn) ∂(σ2)2 = n 2 1 σˆ 2 < 0 (27) Portanto, o estimador de máxima verossimilhança para σ2 é σˆ2 = (n− 1) n s2, onde s2 = ∑n i=1(xi − µ)2 n− 1 . 5 Distribuição Exponencial Seja X uma variável aleatória com distribuição exponencial e parâmetro λ. Tomemos uma amostra aleatória X1, . . . , Xn independente e igualmente distribuída de X. Como X ∼ Bernoulli(p), a função densidade de X é: fX(x) = λe −λx (28) Assim, a função de verossimilhança é dada por: 5 L(x1..., xn|λ) = n∏ i=1 λe−λxi (29) Ou seja, L(x1..., xn|λ) = λne −λ n∑ n=1 xi (30) Para encontrar o estimador de máxima verossimilhança para θ = (µ, σ2) devemos en- contrar os valores de µ e σ2 para os quais a função de verossimilhança, L(µ, σ2;x1, . . . , xn), é máxima. Para isso primeiramente aplicaremos a função ln: lnL(x1..., xn|λ) = nlnλ− λ n∑ i=1 xi (31) Agora vamos derivar em relação a λ: ∂lnL(x1..., xn|λ) ∂λ = n λ − n∑ i=1 xi (32) Igualando o resultado a zero obtemos: n λˆ − n∑ i=1 xi = 0 (33) λˆ = n n∑ i=1 xi = 1 X¯ (34) 6 Referências ACTION, Portal. Estimadores de Máxima Verossimilhança. Disponível em:< http://www.portalaction.com.br/533- 2-estimadores-de-m EHLERS, Ricardo. Interferência Estatística. Departamento de Estatística, Universidade Federal do Paraná, s/p, ano 2003-2006. MSPC: Informações Técnicas. Probabilidades e estatística III-35: Estimador pontual - Método da máxima verossimilhança. Disponível em:< http://www.mspc.eng.br/matm/probest335.shtml > Acessoem : 19deJAN2015. 6
Compartilhar