Baixe o app para aproveitar ainda mais
Prévia do material em texto
Disciplina: Probabilidade e Estatitística Fidel Ernesto Castro Morales Universidade Federal do Rio Grande do Norte Escola de Ciência e Tecnologia Estimação de parâmetros Definição (População) Uma população consiste na totalidade das observações em que estamos interessados. Exemplo 1 I Seja X uma v.a. que determina o pH de um determinado composto químico. I Seja X uma v.a. que determina a profundidade de um lago. I Seja X uma v.a. que determina a estatura de uma população de pessoas. I Seja X uma v.a. que determina o peso de uma população de pessoas. Definição (Amostra) Uma amostra é um subconjunto de observações selecionadas a partir de uma população. Definição (Amostra aleatória) As variáveis aleatórias X 1 ,X 2 , · · · ,X n são uma amostra aleatória de tamanho n, se a) os X i �s forem variáveis aleatórias independentes e (b) cada X i tiver a mesma distribuição de probabilidades. Definição (Estatística) Uma estatística é qualquer função das observações em uma amostra aleatória. Exemplo 2: I h(X 1 , · · · ,X n ) = 1 n ∑ n i=1 Xi . I ? I ? Definição (Estimativa) Uma estimativa pontual de algum parâmetro θ da população é um único valor numérico Eˆ de uma estatística Θˆ. Exemplo 3: I Considere a seguinte amostra de observações no módulo de elasticidade (GPa) de espécimes da liga AZ91D de um processo de fundição: 44.2, 43.9, 44.7, 44.2, 44.0, 43.8, 44.6, 43.1. Assuma que as observações sejam o resultado de uma amostra aleatória X 1 , · · · ,X 8 da distribuição da população de modulo elastico sob tais circunstancias. Estime a variância da população. Propriedades de estimadores Definição (Estimadores não tendenciosos) O estimador Θˆ é um estimador não tendencioso para o parâmetro θ, se E (Θˆ) = θ. (1) Se o estimador for tendencioso, então a diferença E (Θˆ)− θ, é chamada de tendência do estimador Θˆ. Exemplo 4 Suponha que seja X uma v.a. com média µ e variância σ2. Faça ser X 1 , · · · ,X n uma amostra aleatória de tamanho n de uma população representada por X . Mostre que a média amostral X¯ e a variância amostral S 2 são estimadores não tendenciosos de µ e σ2, respectivamente. Exemplo 5 I Mostre que ∑ n i=1(Xi − X¯ )2/n é um estimador tendencioso de σ2. I Encontre que tão tendencioso é o estimador I Que acontece com a tendenciosidade à medida que o tamanho da amostra aumenta? Exemplo 6 Faça X 1 , · · · ,X n denotar uma amostra aleatória, proveninte de uma população tendo média µ e variância σ2. Considere os seguintes estimadores de µ: θ 1 = X 1 + X 2 + · · ·+ X 7 7 , θ 2 = 2X 1 − X 6 + X 4 2 , Os dois estimadores são não tendenciosos? Variância de um Estimador Definição (Estimador não tendencioso de variância mínima) Se consideramos todos os estimadores não tendenciosos de θ, aquele com a menor variância será chamado de estimador não tendencioso de variância mínima (ENTVM). Teorema Se X 1 , · · · ,X n for uma amostra aleatória de tamanho n, proveniente de uma distribuição normal com média µ e variância σ2, então a média amostral X¯ , será o ENTVM para µ. Exemplo 7 Faça X 1 , · · · ,X n denotar uma amostra aleatória, proveninte de uma população tendo média µ e variância σ2. Considere os seguintes estimadores de µ: θ 1 = X 1 + X 2 + · · ·+ X 7 7 , θ 2 = 2X 1 − X 6 + X 4 2 , Qual é o melhor estimador? Erro-padrão Definição (Erro-padrão) O erro-padrão de um estimador Θˆ é o seu desvio-padrão, dado por σΘˆ = √ V (Θˆ). Se o erro-padrão envolver parâmetros desconhecidos que possam ser estimados, então a substituição daqueles valores em σθˆ produzirá um erro-padrão estimado, denotado por σˆθˆ. Exemplo: Ache o erro-padrão dos estimadores dos exemplos anteriores. Definição (Erro Quadrático Médio) O erro quadratico médio de um estimador Θˆ do parâmetro θ é definido como EQM(Θˆ) = E (Θˆ− θ)2. Exemplo 8 Faça X 1 , · · · ,X n denotar uma amostra aleatória, proveninte de uma população tendo média µ e variância σ2. Considere os seguintes estimadores de µ: θ 1 = X 1 + X 2 + · · ·+ X 7 7 , θ 2 = 2X 1 − X 6 + X 4 2 , Ache o erro quadrático médio dos estimadores anteriores? Definição (Consistência) Um estimador θˆ é consistente, se, à medida que o tamanho da amostra aumenta, seu valor esperado converge para o parametro de interesse e sua variância converge para zero. Ou seja, θˆ é consistente se as duas propriedades seguintes são satisfeitas: lim n→∞E (θˆ) = θ, lim n→∞Var(θˆ) = 0. Exemplo 9 Suponha que seja X uma v.a. com média µ e variância σ2. Faça ser X 1 , · · · ,X n uma amostra aleatória de tamanho n de uma população representada por X . O estimador X¯ é consistente? Definição (Eficiência) Dados dois estimadores θˆ 1 e θˆ 2 , não tendenciosos para um parâmetro θ, dizemos que θ 1 é mais eficiente do que θ 2 se Var(θˆ 1 ) < Var(θˆ 2 ). Exemplo 10 Faça X 1 , · · · ,X n ser uma amostra aleatória de tamanho n, com média µ e variância σ2. I Mostre que X¯ 2 é um estimador tendencioso para µ2. I Encontre o quão tendencioso é esse estimador. I O que acontece com a tendenciosidade à medida que o tamanho da amostra aumenta? Exemplo 11 Considere uma amostra aleatória X 1 , · · · ,X n da fdp f (x ; θ) = 0.5(1+ θx) − 1 ≤ x ≤ 1, em que −1 ≤ θ ≤ 1. Mostre que θˆ = 3X¯ é um estimador não tendencioso de θ. Método da máxima verossimilhaça Definição Suponha que X seja uma v.a. com distribuição de probabilidade f (x ; θ) em que θ é um único parâmetro desconhecido. Faça x 1 , . . . , x n serem valores observados na amostra aleatória de tamanho n. Então a função de verossimilhança da amostra é L(θ) = f (x 1 ; θ) · . . . · f (x n ; θ). Note que a função de verossimilhança é agora uma função somente do parâmetro desconhecido θ. O estimador de máxima verossimilhança de θ é o valor de θ que máximiza a função de verossimilhança L(θ). Exemplo 12 Seja X uma v.a. de Bernoilli. A função de distribuição de probabilidade é f (x ; p) = px(1− p)1−x , para x = 0, 1. Ache o estimador de máxima verossimilhança de p, para uma amostra aleatória de tamanho n. Exemplo 13 Seja X 1 , . . . ,X n uma amostra aleatória de tamanho n de uma população normal com média µ e desvio padrão σ. Para uma amostra observada x 1 , . . . , x n ache o estimador de máxima verossimilhança para µ e σ2. Exemplo 14 Seja X 1 , . . . ,X n uma amostra aleatória de tamanho n de uma população exponencial com parâmetro λ. Para uma amostra observada x 1 , . . . , x n ache o estimador de máxima verossimilhança para λ. Exemplo 15 Seja X 1 , . . . ,X n uma amostra aleatória de tamanho n de uma população uniforme [0,a]. Para uma amostra observada x 1 , . . . , x n ache o estimador de máxima verossimilhança para a. Propriedades do Estimador de máxima verossimilhança Sob condições muito gerais e não restritivas, quando uma amostra de tamanho n for grande e se θˆ for um estimador de máxima verossimilhança do parâmetro θ, então I θˆ é um estimador aproximadamente não tendencioso para θ, I o estimador θ tem variância mínima, I θ tem distribuição normal aproximada. A propriedade de invariância Sejam θˆ 1 , . . . , θˆ k estimadores de máxima verossimilhança dos parâmetros θ 1 , . . . , θ k . Então o estimador de máxima verossimilhança de qualquerfunção h(θ 1 , . . . , θ k ) desses parâmetros é a mesma função h(θˆ 1 , . . . , θˆ k ) dos estimadores θˆ 1 , . . . , θˆ k . Exemplo 16 Seja X 1 , . . . ,X n uma amostra aleatória de tamanho n de uma população normal com média µ e desvio padrão σ. Para uma amostra observada x 1 , . . . , x n ache o estimador de máxima verossimilhança para σ. Distribuições amostrais Definição A Distribuição de probabilidade de uma estatistística é chamada de uma distribuição amostral. Resultado: Se X 1 , . . . ,X n é uma amostra aleatória de X ∼ N(µ, σ2), então X¯ ∼ N(µ, σ2/n). Que acontece com X¯ quando X não tem distribuição normal e n→∞? Motivação. Sejam X 1 ,X 2 , ... i.i.d. Bernoulli(p). Nosso interesse é saber S n − E (S n )√ Var(S n ) D−→? quando, n→∞. O Teorema Central do Limite Corolário Sejam X 1 ,X 2 , . . . i.i.d. tais que E (X n ) = µ e Var(X n ) = σ2, onde 0 < σ2 <∞, então X¯ − µ σ/ √ n D−→ N(0, 1), n→∞.
Compartilhar