Baixe o app para aproveitar ainda mais
Prévia do material em texto
Distribuições Amostrais e Estimação Pontual de Parâmetros Estimativa Pontual • A Inferência Estatística está focada em tirar conclusões acerca de um ou mais parâmetros de uma população. • Uma parte importante desse processo é obter estimativas dos parâmetros. • X é uma Variável Aleatória (VA). • X1, X2, …, Xn é uma Amostra Aleatória (AA) de tamanho n. Estimativa Pontual Estimativa Pontual • Parâmetro Ex.: (média) e 2 (variância) • Estimador Pontual de Ex.: (média amostral) e S2 (variância amostral) • Estimativa Pontual de (valor numérico) Ex.: e Estimativa Pontual Exemplo: Suponha que a variável aleatória X seja normalmente distribuída, com uma média desconhecida . Se x1 = 25, x2 = 30, x3 = 29 e x4 = 31, então a estimativa pontual de é Distribuições Amostrais e Teorema Central do Limite • Estatística: qualquer função das observações em uma Amostra Aleatória. Ex.: se X1, X2, …, Xn é uma Amostra Aleatória (AA) de tamanho n, então e S2 são estatísticas. • Distribuição Amostral: distribuição de probabilidades de uma estatística. Ex.: a distribuição de probabilidades de é chamada de distribuição amostral da média. • A distribuição amostral de uma estatística depende da distribuição da população, do tamanho da amostra (n) e do método de seleção da amostra. Distribuições Amostrais e Teorema Central do Limite • Distribuição amostral da média da amostra: Suponha que uma AA de tamanho n seja retirada de uma população normal com média e variância 2. Funções lineares de variáveis aleatórias distribuídas normal e independentemente são também distribuídas normalmente. Então a média da amostra Tem distribuição normal com média e variância Distribuições Amostrais e Teorema Central do Limite • Outras distribuições amostrais e suas aplicações serão ilustradas extensivamente nas seções referentes a Intervalos Estatísticos e Testes de Hipóteses! Distribuições Amostrais e Teorema Central do Limite • Teorema Central do Limite (TCL): Se X1, X2, …, Xn é uma Amostra Aleatória (AA) de tamanho n, retirada de uma população (finita ou infinita), com média e variância 2, e se for a média da amostra então a forma limite da distribuição de quando n (na prática n ≥ 30), é a distribuição normal padrão. Se n < 30, o TCL se aplicará, se a distribuição da população não for muito diferente da normal. Distribuições Amostrais e Teorema Central do Limite Exemplo: Distribuições das pontuações médias obtidas em arremessos de dados. Distribuições Amostrais e Teorema Central do Limite Exemplo: Suponha que uma VA X tenha uma distribuição contínua uniforme Encontre a distribuição da média amostral de uma AA de tamanho n = 40. A média e a variância de são = 5 e 2 = (6 – 4)2/12 = 1/3. O TCL indica que a distribuição de é aproximadamente normal com média e variância . Distribuições Amostrais e Teorema Central do Limite Exemplo: Conceitos Gerais de Estimação Pontual • Tendência de um Estimador: Um estimador do parâmetro é não tendencioso quando: Conceitos Gerais de Estimação Pontual Exercício: Suponha que X seja uma VA com média e variância 2. Seja X1, X2, …, Xn uma AA de tamanho n, de uma população representada por X. Mostre que a média da amostra e a variância da amostra S2 são estimadores não tendenciosos de e 2, respectivamente. Conceitos Gerais de Estimação Pontual • Consistência de um Estimador: Um estimador é consistente se as seguintes propriedades são satisfeitas: limn E( ) = limn V( ) = 0 Conceitos Gerais de Estimação Pontual Exercício: Suponha que X seja uma VA com média e variância 2. Seja X1, X2, …, Xn uma AA de tamanho n, de uma população representada por X. Seja a média da amostra um estimador de . Verifique a consistência de . Conceitos Gerais de Estimação Pontual • Variância de um Estimador: Se considerarmos estimadores não tendenciosos do parâmetro , o que tiver menor variância é o mais eficiente. Conceitos Gerais de Estimação Pontual Exercício: Suponha que X seja uma VA com média e variância 2. Seja X1, X2, …, Xn uma AA de tamanho n, de uma população representada por X. Seja a média da amostra um estimador de . Qual é a variância de ? Conceitos Gerais de Estimação Pontual • Erro Padrão de um Estimador: Erro Padrão de : Erro Padrão estimado de : Conceitos Gerais de Estimação Pontual • Erro Médio Quadrático (EMQ) de um Estimador: EMQ ( ) = E[( – )2] = V( ) + (tendência)2 Se considerarmos estimadores do parâmetro , o que tiver menor EMQ é o mais eficiente. Conceitos Gerais de Estimação Pontual • Eficiência Relativa: Conceitos Gerais de Estimação Pontual Exercício: Suponha que X seja uma VA com média e variância 2. Seja X1, X2, …, Xn uma AA de tamanho n, de uma população representada por X. Seja a média da amostra um estimador de . Qual é o EMQ de ? Método dos Momentos • Consiste em igualar os momentos populacionais aos correspondentes momentos amostrais. • Seja X1, X2, …, Xn uma AA de distribuição de probabilidades f(x), em que f(x) pode ser contínua ou discreta. • O k-ésimo momento da população é E(Xk), k = 1, 2, … • O correspondente k-ésimo momento da amostra é , k = 1, 2, … • Seja X1, X2, …, Xn uma AA de distribuição de probabilidades com m parâmetros desconhecidos . . • Os estimadores de momento são encontrados igualando os m primeiros momentos da população aos m primeiros momentos da amostra e resolvendo as equações resultantes para os parâmetros desconhecidos. Método dos Momentos Exercício: Estimador de Momento da Distribuição Exponencial Suponha que X1, X2, …, Xn seja uma AA proveniente de uma distribuição exponencial, com parâmetro l. Encontre o estimador de momento de l. Método dos Momentos Exercício: Estimativa de Momento da Distribuição Exponencial Suponha que o tempo de falha de um módulo eletrônico usado em um controlador de motor de automóvel seja testado em uma temperatura elevada, de modo a acelerar o mecanismo de falha. O tempo de falha é exponencialmente distribuído. Oito unidades são selecionadas aleatoriamente e testadas, resultando nos seguintes tempos (em horas) de falha: x1 = 11,96; x2 = 5,03; x3 = 67,40; x4 = 16,07; x5 = 31,50; x6 = 7,73; x7 = 11,10; x8 = 22,38 Encontre a estimativa de momento de l. Método dos Momentos Exercício: Estimador de Momento da Distribuição Normal Suponha que X1, X2, …, Xn seja uma AA proveniente de uma distribuição normal, com parâmetros e 2. Encontre os estimadores de momento de e 2. Método dos Momentos Exercício 7-39: Sejam X1, X2, …, Xn uniformemente distribuídos no intervalo 0 a a. Mostre que o estimador de momento de a é . Ele é um estimador não tendencioso? Discuta quão razoável é esse estimador. Método da Máxima Verossimilhança • A ideia geral do método da máxima verossimilhança é encontrar o valor do parâmetro para o qual a amostra observada é mais provável. • Suponha X uma variável aleatória com distribuição de probabilidades f(x|), em que seja o parâmetro desconhecido. • Sejam X1, X2, …, Xn os valores observados na AA de tamanho n. • Então, a função de verossimilhança da amostra é: • O Estimador de Máxima Verossimilhança (EMV) de é o valor de maximiza a função L(). • O EMV de é obtido derivando L() em relação a e igualando a 0. • Para facilitar a solução, pode-se utilizar a função de log-verossimilhança: ln L()Método da Máxima Verossimilhança Método da Máxima Verossimilhança Método da Máxima Verossimilhança Método da Máxima Verossimilhança • Propriedades do EMV: Se for um EMV de θ, então: 1. é um estimador aproximadamente não tendencioso para θ 2. a variância de é aproximadamente tão pequena quanto a variância que poderia ser obtida com qualquer outro estimador 3. tem distribuição Normal aproximada Assim, (1) e (2) garantem que o EMV é um estimador eficiente e (3) mostra porque é um método de estimação tão utilizado Método da Máxima Verossimilhança • Propriedade da invariância: Método da Máxima Verossimilhança Seja X distribuído uniformemente no intervalo 0 a a. Encontre o estimador de máxima verossimilhança de a.
Compartilhar