05 - Estimacao PDF

Estimacao
Francisco Carvalho
Unidade Departamental de Matem

atica e Fsica
Francisco Carvalho (UDMF IPT)
Estimac
ao
Aulas 2011-12
1 / 39
Estimacao
1
Introducao
Estimacao pontual
Propriedades dos estimadores por pontos
Estimacao por intervalo

IC para populacoes normais: media
IC para populacoes normais: vari
ancia
IC para populacoes normais: diferenca entre medias
IC para populacoes normais: raz
ao entre vari
ancias
IC para uma populac
ao de Bernoulli: proporc
ao
IC para duas populac
oes de Bernoulli: diferenca de proporcoes
Estimac
ao
Aulas 2011-12
2 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
3 / 39
Introducao
Considere a seguinte amostra retirada de uma populacao (X1 , X2 , . . . , Xn ),

com uma determinada func
ao probabilidade
f (x| ) :
da qual se desconhece o verdadeiro valor do par
ametro .
Problema: Qual o valor com a informac
ao disponvel.
Para estimar esse valor ha necessidade de ter em consideracao: o nvel de
precisao e o grau de conifanca.
Duas formas de estimacao:
Estimacao pontual d
a primazia `
a precis
ao
Estimacao por intervalo d
a primazia ao nvel e confianca.
Estimac
ao
Aulas 2011-12
4 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
5 / 39
Estimacao pontual
Considere-se a amostra
X1 , X2 , . . . , Xn
de uma populacao com func
ao densidade
f (x| ) :
de onde se otem diversas estimativas para o par
ametro , T , T 0 , T 00 , . . ..
Estimador e uma vari
avel aleatoria, func
ao da amostra causal e
representa-se por T (X1 , X2 , . . . , Xn );
Estimativa e um valor concreto assumido pelo estimador para uma
particular amostra (x1 , x2 , . . . , xn ) e representa-se por T (x1 , x2 , . . . , xn ).
Para cada parametro existe um grande n
umero de estimadores.
Estimac
ao
Aulas 2011-12
6 / 39
Estimacao pontual
Problema: escolher o metodo, estimador, que d

a melhor estimativas para
um determinado parametro.
A qualidade do estimador s
o pode ser ajuizada, ap
os a verificacao para um
conjunto de amostras, qual a proporc
ao de valores estimados se encontram
numa vizinhanca do verdadeiro valor do par
ametro.
Dois metodos fundamentais:
o metodo dos momentos utiliza os momentos da amostra para
estimar os correspondentes momentos da populacao, e, a partir da,
estimar os parametros de interesse
o metodo da maxima verosimilhanca func
ao verosimilhanca.
Origina geralmente estimadores de melhor qualidade.
Estimac
ao
Aulas 2011-12
7 / 39
Estimacao pontual
Funcao de verosimilhanca
Se (X1 , X2 , . . . , Xn ) e uma amostra de populac
ao com funcao densidade
ao
(funcao probabilidade) f (x| )), a express
n
f (x1 , x2 , . . . , xn | ) = f (xi | ),
i =1
(x1 , x2 , . . . , xn )
Rn
e a funcao densidade (func

ao probabilidade) conjunta das variaveis que
constituem a amostra.
Fixado (x1 , x2 , . . . , xn ), a express
ao interpretada como funcao do parametro
e chamada funcao de verosimilhanca e representa-se por
n
L( |x1 , x2 , . . . , xn ) = f (xi | ),
i =1
ou simplesmente por L( ).
Estimac
ao
Aulas 2011-12
8 / 39
Estimacao pontual
Dada a amostra concreta (x1 , x2 , . . . , xn ), o metodo de maxima

verosimilhanca consiste em procurar se existe uma estimativa
= (x1 , x2 , . . . , xn ), tal que
L(|x1 , x2 , . . . , xn ) L( |x1 , x2 , . . . , xn ),
Tem-se, evidentemente, que
= (X1 , X2 , . . . , Xn )
e um estimador.
Estimac
ao
Aulas 2011-12
9 / 39
Estimacao pontual
Exemplo
Uma urna cont
em bolas pretas e bolas brancas, na proporc
ao de 3 para 1, desconhecendo-se qual
a cor predominante. A probabilidade de tirar ao acaso uma bola preta
e de 43 ou 14 consoante for
preta ou branca a cor predominante. Retirando da urna, com reposica
o, uma amostra de n
bolas, a vari
avelaleat
oria que indica o n
umero de bolas pretas na amostra tem distribuic
ao
binomial B n; 43 , ou B n; 41 . Com n = 3, procure estimar o valor desconhecido do par
ametro.
Trata-se de um problema de estimac

ao particularmente simples, visto que se tem de escolher
apenas entre duas probabilidades. Os valores observ
aveis da vari
avel X - n
umero de bolas pretas
na amostra - e as respectivas probabilidades encontram-se no quadro seguinte.
X
3
f x|
4

1
f x|
4
0
1
64
1
9
64
2
27
64
3
27
64
27
64
27
64
9
64
1
64
Estimac
ao
Aulas 2011-12
10 / 39
Estimacao pontual
Quando se observa X = 0, o m
etodo de m
axima verosimilhanca prop
oe para estimativa da
probabilidade (par
ametro) o valor 14 e n
ao o valor 34 , porquanto
f
0|
1
4

1
3
3
27
1
> f 0|
= P X = 0| =
=
= P X = 0| =
=
4
64
4
4
64
Com efeito,
e mais prov
avel que uma amostra com zero bolas pretas seja procedente da urna
e mais verosmil que = 34 . Em geral, o
com predomin
ancia de bolas brancas, isto
e, = 41
estimador de m
axima verosimilhanca pode escrever-se
= (X ) =
1
4
(X = 0,1)
3
4
(X = 2,3)
Este estimador selecciona para cada possvel valor de X o valor do par

ametro , tal que
f (x|) f (x| ),
Estimac
ao
1 3
,
4 4
Aulas 2011-12
11 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
12 / 39
Propriedades
Estimador centrado
Um estimador T = T (X1 , X2 , . . . , Xn ) para o par
ametro diz-se centrado
ou n
ao enviesado quando
E (T ) =
Env (T ) = E (T )
Facilmente se demonstra que, caso exista valor esperado, X e um
estimador centrado para , qualquer que seja a populacao, uma vez que
E (X ) = .
Estimac
ao
Aulas 2011-12
13 / 39
Propriedades
Do mesmo modo, desde que exista vari

ancia
E (S 2 ) =
n1 2
onde o enviesamento da estimativa da vari

ancia,
Env (S 2 ) = E (S 2 ) 2 =
2
n
e uma funcao decrescente em func

ao de n. Por este motivo e quando a
amostra e pequena, e usual utilizar a vari
ancia corrigida, assim
2
02
E (S ) = .
Estimac
ao
Aulas 2011-12
14 / 39
Propriedades
Eficiencia
Sejam T = T (X1 , X2 , . . . , Xn ) e T 0 = T 0 (X1 , X2 , . . . , Xn ) dois estimadores
centrados para . O estimador T e mais eficiente do que T 0 quando,
Var (T ) Var (T 0 ),
O estimador T e o mais eficiente quando essa relac

ao se verifica qualquer
0
que seja outro estimador T centrado para
Estimac
ao
Aulas 2011-12
15 / 39
Propriedades
Teorema
Seja (X1 , X2 , . . . , Xn ) uma amostra causal de populacao com funcao
densidade (probabilidade) f (x| ), satisfazendo certas condicoes de
regularidade, e seja T = T (X1 , X2 , . . . , Xn ) um estimador centrado de .
Ent
ao,
1
Var (T )
n( )
onde
( ) = E
(
lnf (X | )
2 )
= E
Estimac
ao

2 lnf (X | )
2

Aulas 2011-12
16 / 39
Propriedades
A Tabela apresenta o valor de ( ) para as distribuic
oes mais conhecidas
Distribuicao
X B(k; )(k conhecido)
Quantidade de informacao de Fisher

k
( ) =
[1 ]
X Po( )
( ) =
X N( ; 2 )( 2 conhecido)
( ) =
1
2
X N( ; 2 )( conhecido)
( 2 ) =
Estimac
ao
1
2 4
Aulas 2011-12
17 / 39
Propriedades
Conhecido o limite inferior dado pela desigualdade de Frechet-Cramer-Rao,

deve comparar-se a variancia do estimador centrado em analise com este
limite: caso sejam iguais, tem-se a garantia de que n
ao existe qualquer
outro estimador centrado de vari
ancia inferior, sendo portanto, o estimador
em analise o mais eficiente; no caso contr
ario, o quociente
[n( )]1
Var (T )
fornece uma indicacao sobre a eficiencia relativa do estimador T em
relacao ao hipotetico estimador de vari
ancia igual ao limite inferior da
desigualdade.
Estimac
ao
Aulas 2011-12
18 / 39
Propriedades
O conceito de eficiencia est
a associado a estimadores centrados, mas nem
sempre os estimadores o s
ao, ou n
ao e possvel, determinar se o e ou nao.
necessario entao um criterio mais geral para o uso em estimadores
E
enviesados. O criterio mais comum e o uso do erro quadratico medio
(EQM).
Definicao
Seja T = T (X1 , X2 , . . . , Xn ) um estimador para o par
ametro . O erro
quadratico medio de T e dado por

ou
EQM(T ) = Var (T ) + [Env (T )]2
EQM(T ) = E (T )2
Dados dois estimadores T1 e T2 , o estimador T1 ser

a melhor que T2 se
EQM(T1 ) EQM(T2 ).
Quando o estimador e centrado, o enviesamento e nulo,
EQM(T ) = Var (T ).
Estimac
ao
Aulas 2011-12
19 / 39
Propriedades
Definicao
Um estimador Tn = T (X1 , X2 , . . . , Xn ) diz-se consistente em media
quadratica se

lim E (Tn )2 = 0

n+
Definicao
Um estimador Tn = T (X1 , X2 , . . . , Xn ) diz-se (simplesmente) consistente
quando, qualquer que seja o n
umero real > 0,
lim P ( < Tn < + ) = 1
n+
Tn
plimTn =
Estimac
ao
Aulas 2011-12
20 / 39
Propriedades
Teorema
S
ao condicoes suficientes para que Tn seja estimador (simplesmente)
consistente
lim E (Tn ) =
n+
lim Var (Tn ) = 0
n+
Estimac
ao
Aulas 2011-12
21 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
22 / 39

Intervalo aleatorio e intervalo de confianca
Seja (X1 , X2 , . . . , Xn ) uma amostra causal de uma populacao com funcao
densidade f (x| ), com
Considerem-se duas estatsticas, T1 (X1 , X2 , . . . , Xn ) e T2 (X1 , X2 , . . . , Xn ),
T1 < T2 , tais que P(T1 < < T2 ) = 1 , , 0 < < 1 onde nao
depende de .
Um intervalo aleatorio para e um intervalo [T1 ; T2 ] nestas condicoes.
Dada a amostra particular (x1 , x2 , . . . , xn ), sejam t1 = T1 (x1 , x2 , . . . , xn ) e
t2 = T2 (x1 , x2 , . . . , xn ) os valores assumidos pelas estatsticas T1 e T2 ,
respectivamente.
ao do intervalo aleatorio
Qualquer intervalo [t1 ; t2 ], que seja concretizac
[T1 ; T2 ], chama-se intervalo de confianca a (1 ) 100% para .
O valor 1 traduz o grau ou coeficiente de confianca do intervalo [t1 ; t2 ]
Para efeitos praticos ao valor de denominar-se-
a de nvel de significancia.
Estimac
ao
Aulas 2011-12
23 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
24 / 39
Intervalo de confianca para a media

Quando a variancia e conhecida,
Z (X1 , X2 , . . . , Xn , ) =
N(0; 1)
onde este resultado e a vari

avel fulcral a utilizar de onde se deduz

x z( 2 )
; x + z( 2 )
n
n
com z( 2 ) a verificar (z( 2 ) ) = 1 2 .
Atendendo a que a distribuic
ao de Z e simetrica `
a origem, verifica-se que a
amplitude do intervalo e dada por 2z( 2 ) n .
Estimac
ao
Aulas 2011-12
25 / 39

Exemplo
Seja X o tempo, em minutos, que certa tarefa leva a executar. Admita-se que X tem
distribuic
ao N( ; 2 ) e que a experi
encia anterior permitiu determinar, com boa aproximc
ao,
que = 2 minutos.
1
Observada uma amostra de dimens

ao 16, com m
edia x = 12,5, construa um intervalo de
confianca a 95% para .
Como 1 = 0,95, tem-se z( ) = z0,025 = 1,96, donde o intervalo
2

2
2
12,5 1,96 ; 12,5 + 1,96
= [11,52; 13,48]
16
16
2
Desejando estimar-se atrav

es de um intervalo de confianca, qual a dimens
ao da amostra
de tempos que deve observar-se para garantir que a amplitude do intervalo obtido
e
inferior a 0,5 minutos?
Pretende-se determinar o menor valor de n tal que
2z( ) < 0,5 n >

2
n
2z
( 2 )
0,5
2
n > 245,86
escolhendo-se, portanto, n = 246.

Estimac
ao
Aulas 2011-12
26 / 39

Quando a dimensao da amostra e razoavelmente grande, mesmo com
desconhecido, pode-se substituir pelo seu estimador S 0 , pelo que o
intervalo de confianca pode ser escrito como

s0
s0
x z( 2 ) ; x + z( 2 )
n
n
No entanto quando a vari
ancia e desconhecida e a dimensao e pequena
(n < 30), entao a deducao do intervalo de confianca nestas condicoes leva
a

s0
s0
x t( 2 )
; x + t( 2 )
n
n
com t( 2 ) a verificar P(T > t( 2 ) ) = 2 .
Estimac
ao
Aulas 2011-12
27 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
28 / 39
Intervalo de confianca para a variancia

Quando se procura construir um intervalo de confianca para a variancia,
2 , de uma populacao normal, a variavel fulcral a usar e,
(n 1)S 02
2
(n1)
2
Para um determinado grau de confianca, e possvel determinar dois
valores, q1 e q2 , tais que
P(Q < q1 ) = P(Q > q2 ) =

2
N
ao sendo a distribuicao do qui-quadrado simetrica, esta solucao nao
origina os intervalos de amplitude mnima. Tem-se entao

(n 1)S 02
< q2 = 1
P q1 <
2
Q=
de onde se deduz o intervalo de confianca que aparace sob a forma de

(n 1)s 02 (n 1)s 02
;
q2
q1
Estimac
ao
Aulas 2011-12
29 / 39
Intervalo de confianca para a variancia

Exemplo
Suponha que o tempo de vida (em horas) de componentes electr
onicos produzidos segundo
determinado processo de fabrico tem distribuic
ao normal. Obtida uma amostra causal de n = 20
componentes da produc
ao de determinado dia, verificou-se a durac
ao das mesmas e
obtiveram-se os seguintes resultados: x = 1832 e s 0 = 497. Determine um intervalo de confianca
a 90% para a vari
ancia, 2 , do tempo de vida dos componentes electr
onicos.
Com
= 0,05 e n 1 = 19, retira-se da tabela

2
q1 = 10,1170
q2 = 30,1435
donde se pode escrever o intervalo sob a forma
(19 4972 (19 4972

;
30,1435
10,1170
2 [155694,3; 463889,6]
Estimac
ao
Aulas 2011-12
30 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
31 / 39
Intervalo de confianca para a diferenca de medias

Quando as infer
encias dizem respeito a par
ametros de duas populaco
es normais, N(1 , 12 ) e
N(2 , 22 ), de duas amostras independentes de dimens
ao m e n, respectivamente, h
a interesse
em construir intervalos de confianca para a diferenca entre as m
edias das duas populaco
es
1 2 .
quando as vari
ancias s
ao conhecidas
Z=
(X 1 X 2 ) (1 2 )
q
N(0; 1)
12
22
m + n
de onde se pode construir o intervalo de confianca para a diferenca de m

edias
(x 1 x 2 ) z
12 22
+
; (x 1 x 2 ) + z
2
m
n
12 22
+
m
n
populaco
es n
ao normais, e dimens
ao das amostras razoavelmente grande, temos a
aproximac
ao dada por
(X 1 X 2 ) (1 2 ) a
q
Z=
N(0; 1)
12
22
m + n
de onde se deduz o mesmo intervalo de confianca.

Estimac
ao
Aulas 2011-12
32 / 39
Intervalo de confianca para a diferenca de medias

vari
ancias serem desconhecidas, mas iguais, e amostras de pequenas dimens
oes
(X 1 X 2 ) (1 2 )
q
t(m+n2)
(m1)S102 +(n1)S202
+ n1
m+n2
1
m
do qual se constr
oi o intervalo de confianca
(x 1 x 2 ) t
1
1
+
m n
(m 1)s102 + (n 1)s202
m+n2
vari
ancias desconhecidas e as amostras s
ao de pequenas dimens
oes
(X1 X2 ) (1 2 )
q
t(v )
S202
S102
m + n
onde
v=
1
m1
s102
m
s102
m
2
s202
n
2
1
+ n1
s202
n
2
de onde se pode construir o intervalo de confianca

s
s102 s202
+
(x 1 x 2 ) t(v) ( )
2
m
n
Estimac
ao
Aulas 2011-12
33 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
34 / 39
Intervalo de confianca para a razao de variancias
Um outro problema com interesse quando se pretende comparar

estimativas retiradas de duas populac
oes normais, em que as amostras sao
independentes, com m e n elementos, respctivamente, e determinar o
intervalo de confianca para a raz
ao das suas vari
ancias. A vari
avel fulcral a
utilizar sera
S102 22
F (m 1, n 1)
S202 12
Desta expressao pode-se construir um intervalo de confianca dado por

1
S12
S12
1
;
Fm1,n1 ( 2 ) S22 Fm1,n1 (1 2 ) S22
Estimac
ao
Aulas 2011-12
35 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
36 / 39
Intervalo de confianca para a proporcao

A solucao deste problema est
a associado `
a distribuic
ao binomial. Sendo Y
a soma de n variaveis aleatorias independentes com distribuicao de
Bernoulli, logo Y B(n; p), e

n y
P(Y = y ) =
p (1 p)ny
y
No caso de uma populacao de Bernoulli e para uma amostra de grandes
dimensoes, a variavel
X p a
q
N(0; 1)
p(1p)
n
onde X =
y
n
pelo que o intervalo de confianca passa a ser

#
"
r
r
p (1 p)
p(1 p)
; p + z 2
p z 2
n
n
Estimac
ao
Aulas 2011-12
37 / 39
Outline
1
Introducao
Estimacao pontual

ancia
ao entre vari
ancias
IC para uma populac
ao
Estimac
ao
Aulas 2011-12
38 / 39
Intervalo de confianca para a diferenca de proporcoes
O procedimento e analogo como nas alneas anteriores, pelo que

s
p1 (1 p1 ) p2 (1 p2 )
+
(
p1 p2 ) z( )
2
n1
n2
Estimac
ao
Aulas 2011-12
39 / 39

05 - Estimacao PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

05 - Estimacao PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Estimacao

Unidade Departamental de Matem

Francisco Carvalho (UDMF IPT)

Propriedades dos estimadores por pontos

Estimacao por intervalo

Francisco Carvalho (UDMF IPT)

Propriedades dos estimadores por pontos

Estimacao por intervalo

Francisco Carvalho (UDMF IPT)

Considere a seguinte amostra retirada de uma populacao (X1 , X2 , . . . , Xn ),

Francisco Carvalho (UDMF IPT)

Propriedades dos estimadores por pontos

Estimacao por intervalo

Francisco Carvalho (UDMF IPT)

Francisco Carvalho (UDMF IPT)

Problema: escolher o metodo, estimador, que d

Francisco Carvalho (UDMF IPT)

e a funcao densidade (func

Dada a amostra concreta (x1 , x2 , . . . , xn ), o metodo de maxima

Tem-se, evidentemente, que

Francisco Carvalho (UDMF IPT)

Trata-se de um problema de estimac

Francisco Carvalho (UDMF IPT)

Este estimador selecciona para cada possvel valor de X o valor do par

Francisco Carvalho (UDMF IPT)

Propriedades dos estimadores por pontos

Estimacao por intervalo

Francisco Carvalho (UDMF IPT)

Francisco Carvalho (UDMF IPT)

Do mesmo modo, desde que exista vari

onde o enviesamento da estimativa da vari

e uma funcao decrescente em func

Francisco Carvalho (UDMF IPT)

O estimador T e o mais eficiente quando essa relac

Francisco Carvalho (UDMF IPT)

Francisco Carvalho (UDMF IPT)

Quantidade de informacao de Fisher

Francisco Carvalho (UDMF IPT)

Conhecido o limite inferior dado pela desigualdade de Frechet-Cramer-Rao,

Francisco Carvalho (UDMF IPT)

Dados dois estimadores T1 e T2 , o estimador T1 ser

Francisco Carvalho (UDMF IPT)

lim Var (Tn ) = 0

Francisco Carvalho (UDMF IPT)

Propriedades dos estimadores por pontos

Estimacao por intervalo

Francisco Carvalho (UDMF IPT)

Estimacao por intervalo

Propriedades dos estimadores por pontos

Estimacao por intervalo

Francisco Carvalho (UDMF IPT)

Intervalo de confianca para a media

onde este resultado e a vari

Intervalo de confianca para a media

Observada uma amostra de dimens

Desejando estimar-se atrav

2z( ) < 0,5 n >

escolhendo-se, portanto, n = 246.

Intervalo de confianca para a media

com t( 2 ) a verificar P(T > t( 2 ) ) = 2 .

Francisco Carvalho (UDMF IPT)

Propriedades dos estimadores por pontos

Estimacao por intervalo