Baixe o app para aproveitar ainda mais
Prévia do material em texto
1. ESPERANÇA MATEMÁTICA (VALOR ESPERADO) Seja X uma v.a. com densidade f(X) e seja u(X) uma função qualquer. O valor esperado de u(X) é: 1.1 Teorema: Linearidade do Valor Esperado Sejam a e b constantes e u, v funções quaisquer de X, Então: em particular 2. VARIANCIA DE UMA VARIAVEL ALEATÓRIA Em particular VAR(a) = 0 2.1 Média e variância de uma função linear de uma v.a. Seja , com a e b constantes e Y e X são v.a. Como a média e variância de Y e X se relacionam? 2.2 Atenção: Sejam X e Y v.a., então: VAR(X + Y) = VAR(X) + VAR(Y) + 2.COV(X,Y) VAR(X - Y) = VAR(X) + VAR(Y) - 2.COV(X,Y) 2.3Fórmula alternativa ! VAR(X) = media dos quadrados – quadrado da média. Exemplo1: Em um jogo de azar temos o número de certos de cada individuo. I1 = 2, I2 = 1, I3 = 0. Qual a média de acertos e a variância? e Exemplo 2; Um aluno muito fraco na escola tem as seguintes notas: MAT = 3, FIS = 2, POR = 4, ING = 1. Qual a media e a variância das notas do aluno. = 1,25 Dp(X) = 1,12 3. COVARIANCIA. 3.1 Relação entre duas variáveis A covariância pode ser entendida como uma variância conjunta entre duas variáveis. A covariância entre duas variáveis é influenciada pela importância que uma variável tem sobre a outra, de tal modo que duas variáveis independentes têm covariância zero. Mas a recíproca não é verdadeira. média dos produtos – produto das médias. Propriedades. Exemplo: A tabela abaixo traz o consumo e a taxa de juros básica estabelecida em um país. 4. COEFICIENTE DE VARIAÇÀO É obtido retirando-se o efeito dos valores de cada uma das variáveis sobre a covariância. Isto é feito dividindo-se esta última pelos desvios-padrão das variáveis. 4.1 Propriedade: Os valores do coeficiente de variação variam no intervalo [-1, 1] Exercícios 1) Determine cada item abaixo, sabendo que X e Y são v.a. e que , , , a) b) c) d) VAR(2X) e) VAR(Y +6) f) dp(5X) + dp(6Y) 2) Dadas as variáveis aleatórias X, Y e Z, sendo: VAR(X) = 4 COV(Y, Z) = -3 VAR(Y) = 9 X e Y independentes VAR(Z) = 1 X e Z independentes Calcule: VAR(X +Y) VAR(X – Y) VAR(2X + 3Y) VAR(4X -2) CORR(X, Y) COV(4Z, 5Y) 3) O coeficiente de correlação entre X e Y é 0,6. W = 3+4X e Z= 2 – 2Y, determine o coeficiente de correlação entre W e Z. ESTIMADORES NÃO VIESADOS (NÃO VICIADOS) A 1ª propriedade (desejável) de um estimador é que este estimador, na média, acerte o valor certo. Isto é, se pudéssemos repetir a experiência um numero de vezes muito grande, o valor médio das estimativas encontradas em cada experimento seria o valor correto do parâmetro populacional. A esperança do estimador deve ser o parâmetro populacional, o primeiro acerta o valor do último. Se isso ocorre, dizemos que o estimador é não viesado. Se, entretanto o estimador erra, em média, dizemos que ele é viesado. E a definição de viés é : Perguntas: 1. A média amostral é um estimador não viesado da média populacional? [espaço para demonstração] 2. A média ponderada é um estimador não viesado da média populacional? 3. Um professor muito rigoroso?? Um professor decidiu calcular a média das notas de seus alunos criando uma nova média de notas: . Parece claro que este estimador joga a média para baixo! Mostre que este estimador é viesado e calcule o seu viés. VARIANCIA DE ESTIMADORES: ESTIMADORES EFICIENTES Não basta que um estimador acerte na média. É desejável que, além disso, ele seja o mais preciso possível, não disperse muito ou, em outras palavras, tenha a menor variância possível. Um estimador é dito eficiente se; for não viesado e entre os estimadores não viesados, tenha a menor variância Portanto, para conhecermos as propriedades de um estimador, convém calcular a variância. Para a média amostral, a variância é dada por: Exemplo: Para o estimador , determine sua variância. Conclusões: ............. Entre dois estimadores não viesados, dizemos que é mais eficiente o que apresenta menor variância. Mas se comparamos dois estimadores quaisquer? Como comparar? Definimos o erro quadrático médio como a diferença entre o valor do estimador e do parâmetro ao quadrado. Assimpara um estimador , temos: Como é um parâmetro, é portanto uma constante. E : �� EMBED Equation.3 O erro quadrado do estimador tem duas componentes: o estimador erra o valor do prametro em função do quanto varia (sua variância) e ainda, quando for o caso, pelo fato de não acertar na media (ser viesado). Para dois estimadores quaisquer, e , se tem menor erro quadrático médio do que , então é relativamente mais eficiente do que . Para dois estimadores não viesados, dizer que o erro quadrático médio é menor equivale a dizer que a variância é menor. Exemplo: Determine qual dos estimadores da média dados abaixo é relativamente mais eficiente. MELHOR ESTIMADOR LINEAR NÃO VIESADO Uma terceira propriedade desejável de um estimador é que ele seja um MELNV. Para ser um MELNV o estimador tem que: Ser não viesado; Ser linear Entre estes, apresentar a menor variância. A estimação por máxima verossimilhança O principio da estimação por máxima verossimilhança é o seguinte: se soubermos qual é a distrbuicao de probabiidade da população, os valores dos parâmetros a serem estimados serão aqueles que a maximização a chance ( a probabilidade) de que os valores obtidos na amostragem sigam, de fato, a distribuição em questão. Seja uma f.d.p dada por . A função de verossimilhança será: a partir da função de verossimilhança podemos encontrar o estimador de máxima verossimilhança. Ele é obtido a partir da maximização de , que é feita através da equação Para facilitar os cálculos é mais eficiente derivar a função log verossimilhança. Definida por Exemplo: Suponha que obtemos uma amostra aleatória de tamanho n = 5 com densidade Poisson com media . Os valores observados na amostra são: , , , , Encontre o estimador de máxima verossimilhança _1302274498.unknown _1302278527.unknown _1302279354.unknown _1302279901.unknown _1302280003.unknown _1302280052.unknown _1302280069.unknown _1302280079.unknown _1302280036.unknown _1302279960.unknown _1302279693.unknown _1302279724.unknown _1302279576.unknown _1302278621.unknown _1302278794.unknown _1302278810.unknown _1302278651.unknown _1302278583.unknown _1302278611.unknown _1302278557.unknown _1302275982.unknown _1302277821.unknown _1302277983.unknown _1302278133.unknown _1302277861.unknown _1302277446.unknown _1302277557.unknown _1302276934.unknown _1302274845.unknown _1302275642.unknown _1302275834.unknown _1302275410.unknown _1302274791.unknown _1302274807.unknown _1302274769.unknown _1302198660.unknown _1302199626.unknown _1302200507.unknown _1302202343.unknown _1302202455.unknown _1302200545.unknown _1302200571.unknown _1302200088.unknown _1302200239.unknown _1302199916.unknown _1302198895.unknown _1302198935.unknown _1302198847.unknown _1302196965.unknown _1302197406.unknown _1302197518.unknown _1302197136.unknown _1302197206.unknown _1302196882.unknown _1302196941.unknown _1302196723.unknown
Compartilhar