UFPE - Universidade Federal de Pernambuco

Departamento de Estatstica
Disciplina: ET-406 Estatstica Econmica
Professor: Waldemar A. de Santa Cruz Oliveira Jnior

Estimadores e Suas Propriedades

Podemos dividir a estatstica em trs grandes reas

1 Conceitos Bsicos
Denio 1.1

Populao:

Conjunto de valores de uma caracterstica (observvel) associada a uma

coleo de indivduos ou objetos de interesse. (Bolfarine

Denio 1.2

&

Sandoval).

Parmetro: uma caracterstica numrica da populao. Exem-

plo: mdia, varincia, mximo, etc.

Denio 1.3

Amostra: qualquer subconjunto da populao.

Denio 1.4

Estatstica: uma caracterstica numrica da amostra. Exem-

plo: mdia amostral, varincia amostral, mximo da amostra, etc.

Podemos dizer que o objetivo principal da Inferncia Estatstica a partir

de uma amostra especicar valores para o parmetro da populao.

Denio 1.5

Espao Paramtrico: dado um modelo estatstico especicado

por um parmetro

dene-se como espao paramtrico

possveis valores que o parmetro

Exemplo 1.1

o conjunto dos

pode assumir.

Considere uma amosrta de VA's

(X1 , , Xn )

independentes

e identicamente distribudas, pertencente as seguintes populaes:

2

N (, ), = {

Bin(n, p), = {

exp(), = {

Obs: Durante o curso vamos sempre considerar que uma amostra composta de VA's independentes e identicamente distribudas.

J vimos a denio de estatstica, porm, em outras palavras, podemos

dizer que uma estatstica T (X1 , , Xn ) uma funo da amostra nos reais
T : (X1 , , Xn ) R.

Exemplo:

Denio 1.6

Se a estatstica

conjunto paramtrico

T (X1 , , Xn )

assume valores apenas no

ento, dizemos que ela um estimador para

Exemplo:
2

 comum representar um estimador para um parmetro , , , usando

b ,
b
,
b, etc.

um chapeu ,

Denio 1.7

Estimativa: um particular valor do estimador.

Exemplo:

Distribuies Amostrais

Denio 2.1

A distribuio amostral de uma estatstica

formados pelas possveis estimativas de

Exemplo 2.1

Considere o comjunto

o conjunto

e suas respectivas probabilidades.

X = {2, 4, 8, 10} e a estatstica T (X1 , X2 ) =

T dada por

X1 +X2
. Ento, a distribuio amostral de
2

Como podemos observar uma estatstica uma VA, assim, podemos calcular seu valor esperado e sua varincia.

Exemplo 2.2

Exemplo: Encontre a esperana e a varincia da estatstica

do exemplo anterior.

Exemplo 2.3

Exemplo: Consirenado os dois ltimos exemplos, compare a

mdia e a varincia populacional com a amostral.

Observe que as mdias so iguais e a varincia amostral metade da

populacional. Isto no coincidncia, deve-se ao seguinte teorema:

Teorema 2.1
de

X uma VA, X1 , , Xn
Var[X] = 2 , ento,

Sejam

X, E[X] =

=
E[X]

uma amostra aleatria simples

=
Var[X]

2
.
n

Dem.

Um resultado mais geral foi visto no corolrio do Teorema do Limite

Central, o qual base para muitos resultados na inferncia estatstica.

Corolrio do Teorema do Limite Central Sejam X1 , , Xn

veis aleatrias independentes e indenticamente distribudas, tais que,

e Var[Xi ] = 2 , com i = 1, , n. Ento,

vari-

E[Xi ] =

D
X
Z=
N (0, 1).
2
n

Ou ainda,

Ou seja,

n(X ) D
N (0, 1).
Z=

Exemplo 2.4

aproximadamente uma normal padro.

8).
P (6 X
8) = 0, 01?
P (6 X
cule a

Exemplo 2.5

i.i.d

X1 , , X16 (5, 9). Caltamanho n da amsotra para que

Considere uma amostra de VA's

Qual deveria ser o

Uma moeda tem probabilidade

de aparecer cara em um lan-

amento. Encontre a distribuio amosrtal da proporo de caras que aparece

em

lanamentos desta moeda.

Denio 2.2
e()

Dada uma amostra de VA's

do estimador

b do

parmetro

(X1 , , Xn ),

a diferena entre a estimativa desse

estimador baseada na amostra e o parmtero. Ou seja,

Exemplo 2.6

o Erro Amostral

Dada uma amostra de VA's

e() = b .
i.i.d

(X1 , , Xn ) (, 2 ),

ento,

o erro amostral da mdia tem aproximadamente distribuio normal com

2
mdia zero e varincia /n.

Exemplo 2.7

Sejam

X1 , , X n

uma seuncia de VA's independentes e

10 e varincia 16. Encontre o tamanho

probabilidade 0, 9 o mdulo do erro amostral

identicamente distribudas com mdia

de uma amostra para que com
seja menor que

Exemplo 2.8

2.
Sejam

X1 , , X n

uma seuncia de VA's independentes e

e varincia 2 . Encontre o tamanho

identicamente distribudas com mdia

de uma amostra para que com probabilidade

menor que

o mdulo do erro amostral seja

Propriedades dos Estimadores

Nosso objetivo neste curso ser encontrar bons estimadores. Mas, o que
um estimador bom? Para responder esta pegunta vejamos o exemplo 11.2
pag 290 do livro Estatstica Bsica (Bussab & Morettin). A gura abaixo
uma cpia da pgina 291 do mesmo livro e representa o resultado de 15 tiros
dados por 4 ries diferentes.

A acurcia mede a proximidade de cada observao do valor alvo que se

procura atingir. A preciso mede a proximidade de cada observao da mdia
de todas as observaes. (Bussab

Denio 3.1
todo

&

Morettin)

b = ,
dito no-viesado para , se E[]
b = E[]
b chamada de vis.
B ()

Um estimador

E a diferena

para

Exemplo 3.1

A mdia amostral

um estimador no-viesado para

E[X].

Exemplo 3.2

O estimador

b2 =

i=1

(Xi )2
um estimador no-viesado
n

para a varincia.

Exemplo 3.3

O estimador

b2 =

n
i=1

2
(Xi X)
um estimador viesado para
n

a varincia.

Exerccio: Faa uma transformao neste ltimo estimador para que ele passe
a ser no-viesado.

Denio 3.2
parmetro

O Erro Quadrado Mdio EQM

[ de um] estimador

denido como

Exemplo 3.4

b ) = E (b )2 .
EQM(,

Seja a mdia amostral e

b2 =

i=1 (xi

x)2 /n,

b para

um

estimadores

para a mdia e a varincia populacional, encontre o erro quadrado mdio

desses estimadores.

Exemplo 3.5

(
)2
b ) = Var[]
b + B ()
b .
EQM(,

Denio 3.3

Uma sequncia de estimadores

tente se

limn E[Tn ] =

Exemplo 3.6

T1 , T2 , , Tn
limn Var[Tn ] = 0.

A mdia amostral

de

consis-

um estimador consistente de

E[X].

Exemplo 3.7

Sejam

i.i.d

X1 , , Xn N (, 2 ),

um estimador consistente de

2.

(Obs.:

(n1)S 2
2

ento,

S2 =

2(n1) ).

n
i=1

2
(Xi X)

n1

Exemplo 3.8

no um estimador

Denio 3.4
metro

i.i.d

X1 , , Xn N (, 2 ),
2
consistente de .

Sejam

Sejam

T1

ento, dizemos

Exemplo 3.9

b2

ento,

b2 =

n
i=1

2
(Xi X)
n

T2 dois estimadores no-viesados para um parque T1 mais eciente que T2 , se Var[T1 ] < Var[T2 ].
e

mais eciente para

S 2.

que

4 Estimao Pontual
Na seo anterior estudamos critrios para avaliar a qualidade de um estimador. Nesta seo veremos trs mtodos para obter estimadores, a saber:
mtodo dos momentos, mtodo de mxima verossimilhana e mtodo de mnimos quadrados. Esses trs mtodos so considerados pontuais porque os
estimadores produzem estimativas para os parmetros. Na estimao intervalar, estuadada na seo seguinte, determinaremos um intervalo que com
uma certa probabilidade contem o parmetro a ser estimado.
4.1

Mtodo do Moemntos

Denio 4.1

k -simo

momento populacional de uma VA

(X1 , , Xn )

momento amostral denido por

n
i=1

mk =

Denio 4.2

Seja

Xik

= (1 , , r ),

dado por

xk f (x)dx.

k = E[X ] =
Considere uma amostra aleatria

ento,

obtido pelo mtodo dos momentos para

desta varivel

X,

k -simo

.
b = (b1 , , br )

o estimador

se ele o conjunto de solues das

equaes

mk = k ,
com

k = 1, 2, , r.

Exemplo 4.1

X N (, 2 ),
e 2.

Considere a VA

mentos os estimadores para a

obtenha pelo mtodo dos mo-

Exemplo 4.2

X (, 2 ),
e 2.

Considere a VA

mentos os estimadores para a

obtenha pelo mtodo dos mo-

Observao: Podemos ter mais um estimador para o mesmo parmetro.

Exemplo 4.3

Considere a VA

X exp(),

obtenha pelo mtodo dos mo-

mentos os estimadores para a mdia e a varincia.

Exemplo 4.4

Considere a VA

momentos o estimador para

4.2

X P oisson(),

obtenha pelo mtodo dos

Mtodo dos Mnimos Quadrados

Dada uma sequncia de VAs (X, Y ) = {(X1 , Y1 ), (Xn , Yn )}, neste mtodo
supomos que a VA Y pode ser explicada pela VA X atravs de um modelo
da forma
Y = g(X|) + ,

em que um erro aleatrio.

Assim, o estimador de mnimos quadrados bMQ denido como que minimiza a soma dos quadrados dos erros S() = ni=1 2i . Portanto, o mtodo
de mnimos quadrados resume-se a encontrar que minimiza a funo
S() =

i=1

Exemplo 4.5

2i

(Yi g(Xi |))2 .

i=1

Coma base na amostra

(X, Y ) = {(2, 6), (3, 9), (5, 15)} de do modelo

termine a estimativa de mnimos quadrados para o parmtero

Y = X.

Exemplo 4.6

do modelo

Encontre o estimador de mnimos quadrados para o parmtero

Y = X.

4.3

Mtodo de Mxima Verossimilhana

Este mtodo um dos mais utilzado e foi proposto por Ronald Aylmer Fisher
quando ainda cursava o seu terceiro ano da graduao. Basicamente a ideia
escolher dentre todos o que maximiza a funo de densidade conjunta
da amostra.

Denio 4.3

Considere uma sequncia de VA's

X = (X1 , , Xn ) idenf (Xi |), no caso

ticamente distribudas, cada uma com funo de densidade

contnuo, e funao de probabilidade

minadas pelo parmetro

p(Xi |)

no caso discreto, ambas deter-

A funo de verossimilhana

L(|X)

da amostra

denida como a funo de densidade (ou de probabilidade) xada na

amostra e tendo como argumento o parmetro

Ou seja, dado que as VA's

so independentes, temos que

L(|X) =

f (Xi |)

ou

L(|X) =

i=1

Exemplo 4.7

Encontre a funo de verossimilhana de uma amostra nor-

n.

Encontre a funo de verossimilhana de uma amostra alea-

tria simples de tamanho 2 retirada da populao

2) = p1 , P (X = 4) = p2

Denio 4.4
como

p(Xi |).

i=1

mamalmente distribuda de tamanho

Exemplo 4.8

X{2, 4, 6},

cuja

P (X =

P (X = 6) = p3 .

O Estimador de Mxima Verossimilhana

bM V

denido

que maximiza a funo de verossimilhana.

Exemplo 4.9

Considere a VA

X exp(), obtenha pelo mtodo de mxima

.

verossimilhana o estimador para

Denio 4.5

Devido a complexidade de trabalhar com um produto de fun-

es comum usar o logaritmo desse produto.

log-verossimilhana

l()

Assim, dene-se a funo

como o logaritmo da funo verossimilhana.

seja,

l() = log(L(|X)).

Ou

Obs: que maximiza a funo verossimilhana o mesmo que maximiza

a funo escore.

Exemplo 4.10

Considere a VA

X exp(),

usando a funo escore obte-

nha pelo mtodo de mxima verossimilhana o estimador para

Exemplo 4.11

xima verossimilhana o

Exemplo 4.12

X N (, 2 ),
2
estimador para e .

Considere a VA

mxima verossimilhana o

Exemplo 4.13

obtenha pelo mtodo de m-

X Bernoulli(p),
estimador para p.

Considere a VA

Considere a VA

obtenha pelo mtodo de

X Binomial(n, p),
p.

obtenha pelo mtodo

de mxima verossimilhana o estimador para

Referncia Bibliogrca:
Bofarine, H., & Sandoval, M. C. (2001), Introduo Inferncia Estatstica, Sociedade Brasileira de Matemtica.
Bussab, W. O. & Morettin, P. A. (2002), Estatstica Bsica, 5a Edio,
Editora: Saraiva.
Meyer, P. (1969), Probabilidade: Aplicaes Estatstica. Ao Livro Tcnico.
Mood, A.M.; Graybell, F.A. & Boes, D.C. Introduction to the Theory of
Statistics, 3a Edition, McGraw-Hill, Singapore: 1974.

10