Beruflich Dokumente
Kultur Dokumente
Florianpolis, SC
2014
Florianpolis, SC
2014
Prefcio
Este texto foi preparado para um mini-curso de mesmo
ttulo no III Colquio de Matemtica da Regio Sul. O minicurso tem como objetivos apresentar conceitos bsicos da inferncia estatstica e mostrar ao estudante de Matemtica que a
rea de Estatstica pode ser interessante para a continuao de
seus estudos em nvel de ps-graduao.
O texto baseado no livro Introduo Inferncia Estatstica dos dois primeiros autores. Selecionamos alguns tpicos capazes de ilustrar alguns conceitos centrais da teoria estatstica. Inclumos tambm uma seo preliminar em que alguns
conceitos de probabilidade so introduzidos para tornar o texto
razoavelmente autocontido.
Agradecemos ao Comit Cientfico e ao Comit Local
pela oportunidade de ministrar esse mini-curso e de divulgar
a Estatstica entre os estudantes de Matemtica. Em particular,
agradecemos ao Professor Artur Lopes pela sugesto de submeter
este mini-curso apreciao da organizao do Colquio.
Os autores
Sumrio
Introduo . . . . . . . . . . . . . . . . . . .
Conceitos Bsicos . . . . . . . . . . . . . . .
1.1
Preliminares . . . . . . . . . . . . . . . . . . .
1.2
Modelos estatsticos . . . . . . . . . . . . . . .
18
1.3
Problemas estatsticos
. . . . . . . . . . . . .
21
1.4
23
Estimao Pontual . . . . . . . . . . . . . . .
27
2.1
Estatsticas Suficientes . . . . . . . . . . . . .
27
2.2
Propriedades de estimadores . . . . . . . . . .
33
2.2.1
34
2.2.2
Estimadores eficientes . . . . . . . . . . . . . .
37
2.2.3
2.2.4
Estimadores consistentes . . . . . . . . . . . .
42
2.3
42
2.3.1
45
2.3.2
O Caso Multiparamtrico . . . . . . . . . . . .
48
Estimao Intervalar . . . . . . . . . . . . . .
51
3.1
51
3.2
54
3.2.1
54
3.2.2
55
3.3
57
59
Referncias . . . . . . . . . . . . . . . . . . .
61
Introduo
Estatstica uma disciplina muito ampla com aplicaes
nas mais diversas reas. Engloba o planejamento de experimentos, a obteno, organizao, resumo e visualizao de dados,
bem como a chamada inferncia estatstica.
Inferncia estatstica, que o foco deste texto, compreende o uso de dados amostrais para se chegar a concluses acerca
de alguma caracterstica da populao, real ou hipottica, da
qual os dados foram extrados. H diversos enfoques utilizados
em inferncia estatstica, sendo os principais o enfoque frequentista, ou clssico, e o bayesiano.
Este texto apresenta alguns conceitos fundamentais da
inferncia estatstica. No procura ser abrangente pois foi escrito para servir de base a um mini-curso de quatro horas. Dada
a limitao de tempo, foram escolhidos alguns tpicos e outros,
embora relevantes, foram omitidos. Em particular, deve ser ressaltado que o texto trata apenas do enfoque frequentista.
O material apresentado a seguir est organizado da seguinte forma. No Captulo 1, fazemos uma breve reviso de conceitos bsicos de probabilidade que sero utilizados ao longo do
texto. Os conceitos de modelos e problemas estatsticos, amostras, estatsticas e estimadores so tambm introduzidos. Os Captulos 2 e 3 tratam de estimao pontual e intervalar respectivamente. Testes de hipteses no so tratados neste livro. O
livro se encerra com algumas consideraes finais e notas bibliogrficas.
1 Conceitos Bsicos
1.1 Preliminares
Na prtica, comum estarmos diante de situaes ou experimentos que envolvem incertezas. Experimentos que, ao serem
repetidos nas mesmas condies, no produzem necessariamente
o mesmo resultado so denominados experimentos aleatrios. O
conjunto de todos os resultados possveis de um experimento
aleatrio chamado de espao amostral (), que pode ser finito
ou infinito. O espao amostral infinito e enumervel se tiver
um nmero infinito de elementos e puder ser colocado em correspondncia biunvoca com o conjunto dos nmeros naturais.
infinito no enumervel se no nem finito e nem infinito
enumervel.
Exemplo 1.1.1. Uma moeda lanada duas vezes. Em cada
lanamento pode ocorrer cara (c) ou coroa (
c). O espao amostral
o conjunto = {cc, c
c, cc, cc} e finito.
Exemplo 1.1.2. Uma moeda lanada sucessivamente at que
aparea cara pela primeira vez. O espao amostral o conjunto
= {cc, cc, ccc, ...} e infinito enumervel.
Exemplo 1.1.3. Escolhemos uma lmpada de um processo de
fabricao e observamos o tempo at queimar. O espao amostral
o conjunto dos nmeros reais no negativos, ou seja, = {x :
x <, x 0} e infinito no enumervel.
Subconjuntos A, B, C, . . . do espao amostral so cha-
10
mados de eventos e de interesse calcular a chance ou probabilidade de ocorrncia desses eventos. Uma funo P que atribui
valores numricos aos eventos de um espao amostral chamada
de probabilidade se satisfaz as seguintes condies:
(a) 0 P[A] 1, para todo A ;
(b) P[] = 1;
(c) P[
i=1 Ai ] =
i=1
Dados dois eventos A e B de um mesmo espao amostral com P[B] > 0, a probabilidade condicional de A dado que
ocorreu B denotada por P[A|B] e definida por
P[A|B] =
P[A B]
.
P[B]
1.1. Preliminares
11
i = 1, 2, 3, . . . .
12
(b)
f (x)dx = 1.
As variveis aleatrias discretas e contnuas so carac-
P[X1 = x1 , . . . , Xn = xn ].
xj ,j6=i
Se os componentes so variveis aleatrias contnuas, denominase o vetor X de vetor aleatrio contnuo. Um vetor aleatrio
contnuo se existe uma funo f : <n <+ tal que
Z x1
Z xn
F (x) =
...
f (y)dy1 dy2 . . . dyn .
1.1. Preliminares
13
fXi (xi ) =
...
As propriedades do vetor aleatrio discreto ou contnuo so anlogas s dos repectivos casos unidimensionais.
Sejam X1 e X2 duas variveis aleatrias discretas (contnuas) com f.p. (f.d.p.) conjunta fX1 ,X2 (x1 , x2 ). Seja x1 um ponto
no suporte de X1 , ou seja, x1 tal que fX1 (x1 ) > 0. A funo
de probabilidade condicional de X2 dado X1 = x1 definida por
fX1 ,X2 (x1 , x2 )
.
fX1 (x1 )
Um conceito importante o de independncia entre variveis aleatrias. As variveis aleatrias X1 , X2 , . . . , Xn so independentes se e somente se para todo (x1 , x2 , . . . , xn ),
f (x1 , x2 , . . . , xn ) = f (x1 )f (x2 ) . . . f (xn ).
As principais medidas utilizadas para resumir o comportamento de uma varivel aleatria so a mdia e a varincia.
Para variveis aleatrias discretas, o valor esperado, esperana
matemtica ou mdia de X dada por
E[X] = =
xi P[X = xi ].
i=1
Para variveis aleatria contnuas X com f.d.p. f (x) o valor esperado dado por
Z
E[X] = =
xf (x)dx.
14
g(xi )P[X = xi ]
i=1
no caso discreto e
Z
E[g(X)] =
g(x)f (x)dx
Var[aX + b] = a2 Var[X].
1.1. Preliminares
15
(x)2
1
e 22 ,
2
< x < ,
Var[X] = 2 .
que podem ser calculadas usando uma tabela da distribuio normal padro. A distribuio normal comumente utilizada para
descrever variveis como peso, altura, presso arterial, quociente
de inteligncia, etc.
Distribuio exponencial. Dizemos que X tem distribuio
exponencial com parmetro , que denotamos por X Exp(),
se a f.d.p de X dada por
f (x|) = ex ,
x > 0,
16
A distribuio exponencial comumente empregada para descrever tempo de vida de equipamentos. A distribuio exponencial
tem a bem conhecida propriedade da falta de memria, ou seja,
P[X > s + t|X > s] = P[X > t], para todo s, t 0.
Distribuio de Bernoulli. Dizemos que a varivel aleatria
X tem distribuio de Bernoulli com parmetro , que denotamos por X Bernoulli(), se sua f.p. dada por
,
se x = 1,
f (x|) =
1 , se x = 0.
A mdia e a varincia de X so dadas por
E[X] =
Var[X] = (1 ).
Var[X] = n(1 ).
1.1. Preliminares
17
e x
,
x!
x = 0, 1, . . . ,
1
I[0,] (x),
1, se 0 x ,
0, caso contrrio.
Var[X] =
2
.
12
18
1
y /21 ey/2 ,
2/2 (/2)
y > 0,
Var[X] = 2.
(( + 1)/2)
(/2)
(+1)/2
y2
1+
,
< y < ,
Var[X] =
.
2
19
x A,
(1.1)
ou seja,
Z
exp{c()T (x) + S(x)}dx = exp{d()},
A
20
x
1x
+ log(1 ) ,
f (x|) = (1 )
= exp x log
1
x {0, 1}. Portanto, a distribuio de X pertence famlia
exponencial unidimensional com
c() = log
, d() = log(1 ),
1
T (x) = x,
S(x) = 0,
A = {0, 1}.
S(x) =
d() =
2
,
2
x2
log 2,
2
A = <.
Definio 1.2.3. Dizemos que a distribuio da varivel aleatria (ou do vetor aleatrio) X pertence famlia exponencial de
dimenso k se a f.d.p. ou a f.p. de X dada por
f (x|) = exp
k
nX
o
cj ()Tj (x) + d() + S(x) ,
j=1
1
x A, (1.2)
21
2
1
= exp 2 x2 + 2 x 2 log 2 log 2 ,
2
2
2
f (x|) =
T2 (x) = x2 ,
1
log 2 ,
2 2
2
c1 () =
,
2
S(x) = log
c2 () =
2,
1
,
2 2
A = <.
22
23
construdo.
No presente texto, abordaremos exclusivamente problemas de estimao, tanto pontual quanto intervalar.
n
Y
i=1
X(n) = max(X1 , . . . , Xn ),
24
X
1X
e = med(X1 , . . . , Xn ), X = 1
X
Xi ,
b2 =
(Xi X)2 ,
n i=1
n i=1
em que min(.), max(.) e med(.) denotam, respectivamente, o
b2
mnimo, o mximo e a mediana amostrais. Note que X e
denotam, respectivamente, a mdia e a varincia amostrais.
Definio 1.4.5. Qualquer estatstica que assume valores somente no espao paramtrico um estimador de .
Em outras palavras, um estimador de qualquer funb
o da amostra, b = (X)
digamos, que assume valores apenas
em , e usada para estimar o parmetro desconhecido. O valor
b
do estimador calculado na amostra observada x, ou seja (x),
chamado de estimativa de .
Em muitas situaes, o interesse estimar uma funo
g(). Por exemplo, em um modelo normal, que especificado
por dois parmetros, mdia () e varincia ( 2 ), o interesse do
pesquisador pode estar focado na mdia e, neste caso, 2 visto
como um parmetro de pertubao, ou seja, necessrio especificao do modelo mas no de interesse. Aqui, = (, 2 ) e
g() = .
Definio 1.4.6. Qualquer estatstica que assume valores somente no conjunto dos possveis valores de g() um estimador
de g().
Finalizamos esta seo apresentando um teorema que
fornece resultados utilizados em inferncia para populaes normais.
Teorema 1.5.1. Seja (X1 , . . . , Xn ) uma amostra aleatria de
tamanho n da distribuio N (, 2 ). Ento
25
(i) X e S 2 so independentes,
(n1)S 2
2n1 ,
2
tn1 ,
(iii) n(X)
S
(ii)
em que X =
Pn
i=1
Xi /n e S 2 =
Pn
i=1 (Xi
27
2 Estimao Pontual
2.1 Estatsticas Suficientes
Seja X = (X1 , . . . , Xn ) uma amostra aleatria da varivel aleatria X com f.d.p ou f.p. f (x|). Inferncias sobre o
parmetro so feitas com base em alguma estatstica, ou seja,
uma funo dos dados. Certas estatsticas guardam toda a informao que a amostra contm sobre o parmetro. Em outras
palavras, possibilitam o resumo dos dados sem perda de informao sobre . Nesse caso, o conhecimento apenas da estatstica
(e no necessariamente da amostra completa) suficiente para
que sejam feitas inferncias sobre . A seguir apresentamos a
definio formal de estatstica suficiente.
Definio 2.1.1. Dizemos que a estatstica T = T (X) suficiente para se a distribuio condicional de X dado T for
independente de .
Exemplo 2.1.1. Amostra aleatria de Bernoulli(). Seja
(X1 , . . . , Xn ) uma amostra aleatria da distribuio de BernoulPn
li(). Verifiquemos se a estatstica T = i=1 Xi suficiente para
. De acordo com a Definio 2.1.1, T suficiente para se
a probabilidade condicional P[X1 = x1 , . . . , Xn = xn |T = t]
for independente de , para todo t = 0, 1, . . . , n. Temos, para
xi {0, 1}, i = 1, . . . , n, e t = 0, . . . , n,
P[X1 = x1 , . . . , Xn = xn |T = t] =
(
Pn
0,
se
i=1 xi 6= t,
P[X1 =x1 ,...,Xn =xn ] , se Pn x = t.
i=1 i
P[T =t]
(2.1)
28
Se
Pn
i=1
xi = t, temos
P[X1 = x1 , . . . , Xn = xn |T = t] =
P[X1 = x1 ] . . . P[Xn = xn ]
n t
nt
t (1 )
x1 (1 )1x1 . . . xn (1 )1xn
=
n t
nt
t (1 )
t (1 )nt
1
= n ,
t (1 )nt
t
n
t
suficiente para .
A Definio 2.1.1 apenas permite verificar se determinada estatstica ou no suficiente. Contudo, no pode ser utilizada como um mtodo para obteno de estatsticas suficientes.
Um procedimento para a obteno de estatsticas suficientes o
29
n
Y
f (xi |),
(2.2)
i=1
(2.3)
30
Como
(
P[X = x|T (X) = t] =
0,
se T (x) 6= t
P [X=x,T (X)=t] , se T (x) = t,
P [T (X)=t]
P [X = x]
P [X = x, T (X) = t]
=
P [T = t]
P [T = t]
h(x)g (t)
h(x)
=P
,
{x;T (x)=t} h(x)g (t)
{x;T (x)=t} h(x)
=P
= P [X = x, T (x) = t]
= P [X = x|T (x) = t]P [T (X) = t] = h(x)g (t),
n
Y
e xi
i=1
xi !
i=1 xi !
en
= Qn
Pn
i=1
Pn
i=1
i=1
xi !
xi
xi ,
e g (T (x)) = en
> 0.
Pn
i=1
Pn
xi
i=1
Xi uma
31
n
Y
1
i=1
I[0,] (xi ) =
1
I[0,] (x(n) )I[0,x(n) ] (x(1) ), > 0,
n
em que x(1) = min(x1 , . . . , xn ) e x(n) = max(x1 , . . . , xn ). Portanto, pelo critrio da fatorao, X(n) = max(X1 , . . . , Xn ) uma
estatstica suficiente para .
Exemplo 2.1.5. Amostra aleatria de N (, 2 ), 2 conhecido. Seja X = (X1 , . . . , Xn ) uma amostra aleatria da distribuio N (, 2 ). Suponhamos que 2 seja conhecido (fixado).
Temos que
n
Y
(xi )2
1
e 22
2
i=1
n P
(xi )2
n
1
=
e i=1 22
2
n
Pn
n2
2
1
1
=
e 22 i=1 xi e 22 + 2
2
L(; x) =
Pn
i=1
xi
Pn
,(2.4)
i=1
Xi
2 ,
e 2
n
Pn
o critrio da fatorao garante que a estatstica T = ( i=1 Xi ,
Pn
2
2
i=1 Xi ) (conjuntamente) suficiente para (, ).
g (t1 (x), t2 (x)) =
32
Definio 2.1.2. Dizemos que duas estatsticas T1 e T2 so equivalentes se existir uma relao 1:1 entre elas.
Em outra palavras, T1 e T2 so equivalentes se T1 puder
ser obtida a partir de T2 e vice-versa. Nesse caso, temos que, se
T1 suficiente para , ento T2 tambm suficiente para .
Exemplo 2.1.7. Amostra aleatria de N (, 2 ), 2 conhePn
cido. Vimos que T1 = i=1 Xi suficiente para . Como T1
Pn
equivalente a T2 = i=1 Xi /n = X, temos que T2 = X tambm
suficiente para .
Exemplo 2.1.8. Amostra aleatria de N (, 2 ). No difPn
Pn
cil verificar que T1 = ( i=1 Xi , i=1 Xi2 ) e T2 = (X, S 2 ) so
equivalentes. Como T1 suficiente para = (, 2 ) (Exemplo
2.1.6), temos que T2 tambm suficiente para .
Na famlia exponencial unidimensional possvel obter estatsticas suficientes unidimensionais. De fato, seja X =
(X1 , . . . , Xn ) uma amostra aleatria de tamanho n da varivel
aleatria X, com f.d.p. ou f.p. na famlia exponencial unidimensional (1.1). Ento, a distribuio conjunta de X dada por
em que T (x) =
i=1 T (xi ), c () = c(), d () = nd() e
P
n
S (x) = i=1 S(xi ), que da famlia exponencial unidimensio-
Pn
i=1
S(xi )
e g (T (x)) = ec()
Pn
i=1
T (xi )+nd()
Pn
i=1
T (Xi )
33
X
cj ()Tj (x) + d () + S (x) ,
f (x1 , . . . , xn |) = exp
j=1
onde Tj (x) =
Pn
i=1
(T1 , . . . , Tk )
Pn
i=1
S(xi ),
conjuntamente sufici-
ente para .
Exemplo 2.1.9. Amostra aleatria de N (, 2 ). Aqui =
(, 2 ) e
(x)2
1
e 22
2
1 2
2
1
2
= exp 2 x + 2 x 2 log log 2 ,
2
2
2
f (x|) =
T2 (x) = x2 ,
c1 () =
,
2
c2 () =
1
,
2 2
1
2
log
,
S(x)
=
log
2, A = <.
2 2
2
A distribuio de uma amostra aleatria da densidade acima
d() =
34
para todo ,
b = 0, para todo .
ou seja B[]
H situaes em que o estimador possui um vis que
decresce medida que o tamanho da amostra cresce. Ou seja,
espera-se que, em amostras grandes, o vis de b seja muito pequeno. Formalmente, temos a seguinte definio.
35
para todo .
Exemplo 2.2.1. Amostra aleatria de populao com mdia e varincia 2 . Seja X = (X1 , . . . , Xn ) uma amostra
aleatria da varivel aleatria X com E[X] = e Var[X] = 2 .
Temos que
"
#
n
n
1X
1X
Xi =
E[Xi ] =
E[X] = E
n i=1
n i=1
e
Var[X] =
n
2
1 X
Var[X
]
=
.
i
n2 i=1
n
(n 1) 2
B[b
2 ] =
2
.
n
Portanto,
b2 um estimador viciado de 2 , mas assintoticamente no viciado, ou seja, medida que o tamanho da amostra
aumenta, seu vcio diminui. O vis de
b2 pode ser corrigido pela
multiplicao pelo fator n/(n 1), o que resulta no estimador
n
S2 =
n
1 X
b2 =
(Xi X)2 ,
n1
n 1 i=1
36
Estimadores no viciados podem ser comparados atravs de suas varincias, que so medidas de variabilidade das estimativas em torno do parmetro a ser estimado em amostras
repetidas. No entanto, se a comparao envolve ao menos um
estimador viciado, mais adequado utilizar o erro quadrtico
mdio.
Definio 2.2.4. O erro quadrtico mdio (EQM) de um estimador b do parmetro dado por
b = E[(b )2 ],
EQM[]
Note-se que
b = E[{(b E[(])
b + (E[]
b )}2 ]
EQM[]
b 2 ] + 2E[(b E[(])](E[
b
b )
= E[(b E[(])
]
b )2
+ (E[]
b 2 ] + (E[]
b )2
= E[(b E[(])
b + B[]
b 2.
= Var[]
b = 0,
Logo, se b um estimador no viciado para , ou seja, se B[]
o erro quadrtico mdio de b se reduz sua varincia.
Exemplo 2.2.2. Amostra aleatria de N (, 2 ). Conforme
visto no Exemplo 2.2.1,
b2 um estimador viciado de 2 enquanto que S 2 no viciado. Por outro lado, temos que
EQM[S 2 ] = Var[S 2 ] =
e
EQM[b
2 ] =
2 4
n1
2 4
3n 1
1
.
n1
2n2
Note-se que
b2 , apesar de ser um estimador viciado, apresenta
EQM menor que o estimador S 2 .
37
LI() =
nE
log f (X|)
2 ,
(2.5)
1
(x )2
log 2
.
2
2 2
Portanto,
log f (x|)
(x )
=
.
(2.6)
38
Assim,
"
2 #
(X )2
1
1
log f (X|)
=E
= 4 Var[X] = 2 .
E
2
,
n
(2.7)
(2.8)
vale em geral quando as condies de regularidade esto satisfeitas. Portanto, o valor esperado da funo escore sempre nulo.
Definio 2.2.7. A quantidade
"
2 #
log f (X|)
IF () = E
,
39
2
Uma outra propriedade relevante estabelece que, para uma amostra aleatria (X1 , . . . , Xn ) da varivel aleatria X com f.d.p
ou f.p. f (x|) e informao de Fisher IF (), a informao total
de Fisher de correspondente amostra observada a soma
da informao de Fisher das n observaes da amostra. De fato,
sendo
L(; x) = f (x|) =
n
Y
f (xi |)
i=1
2
= E
" n
#
X 2 log f (Xi |)
i=1
n
X
2
log f (Xi |)
= nIF (),
=
E
2
i=1
1
.
nIF ()
40
no eficiente. ento importante que sejam estabelecidos mtodos para construo de estimadores que tenham boas propriedades.
(2.9)
para todo .
a estatstica T =
Pn
i=1
41
Consideremos
S=
1, se X1 = 0,
0, caso contrrio.
t!
e(n1) ((n 1))t
e
=
t!
en (n)t
n1
n
t
.
Portanto,
b =
n1
n
Pni=1 Xi
42
Exemplo 2.2.6. Amostra aleatria de populao com mdia e varincia 2 . Da desigualdade de Chebyshev (veja James [6]) temos que
P[|X | > ]
2
,
n2
o que leva a
limn P[|X | > ] = 0,
e, portanto, X um estimador consistente para .
43
(2.11)
44
1 X
l(; x) = n log( 2) 2
(xi )2 ,
2 i=1
(xi
b) = 0.
i=1
b=
1X
Xi = X.
n i=1
Pn
i=1
xi
(1 )n
Pn
i=1
xi
0 < < 1.
Assim,
l(; x) =
n
X
i=1
xi log +
n
X
!
xi
log(1 ).
i=1
= 0.
b
1 b
45
46
1
(1 ),
n
47
1
a
b
n( ) N 0,
,
(2.12)
IF ()
48
b g()) N
n(g()
0,
(g 0 ())2
IF ()
,
(2.13)
b e ) N (0, e2 ),
n(g()
49
i = 1, . . . , k.
n
X
n
(xi )2
log(2 2 )
.
2
2 2
i=1
Assim, a equao
n
X
l(, 2 ; x )
(xi
b)
=2
=0
2
2
i=1
50
leva ao estimador
b = X. Logo, o logaritmo da funo de verossimilhana perfilada de 2 dado por
g( 2 ; x) =
n
1 X
n
log(2 2 ) 2
(xi x)2 .
2
2 i=1
X (xi x)2
g( 2 ; x)
n
= 2 +
=0
2
2b
2b
4
i=1
que leva ao estimador
n
b2 =
1X
(Xi X)2 .
n i=1
51
3 Estimao Intervalar
Neste captulo consideramos o problema de estimao
de parmetros utilizando intervalos de confiana. Os intervalos
de confiana so obtidos a partir de variveis aleatrias especiais
chamadas de quantidades pivotais.
(3.1)
52
ny n1
,
n
y [0, ].
53
que
Z
fQ (q)dq = = 1 .
1
fQ (q)dq =
2
0
fQ (q)dq =
e
2
,
2
o que leva a
1 =
1/n
2
1/n
e 2 = 1
.
2
Como
X(n)
X(n)
X(n)
2 = P
P 1
= 1 ,
2
1
temos que
"
X(n)
1/n
(1 /2)
X(n)
(/2)
1/n
54
para cada 100 intervalos numricos construdos a partir do intervalo aleatrio, aproximadamente 100% deles contero o valor
verdadeiro de . Assim, fornece um grau de confiana de que o
intervalo de confiana obtido contenha o verdadeiro valor de .
X
,
/ n
X z/2 ; X + z/2 .
n
n
Se 2 desconhecido, temos pelo Teorema 1.5.1.(iii) que
Q(X, ) =
X
tn1
S/ n
55
(n 1)S 2
2n1
2
(n 1)S 2 (n 1)S 2
;
.
q2
q1
56
X Y (1 2 )
q
N (0, 1),
1
n1 + m
X Y (1 2 )
q
tn+m2 ,
1
Sp n1 + m
(3.2)
em que
Sp2 =
(n 1)Sx2 + (m 1)Sy2
,
n+m2
com
n
Sx2 =
1 X
(Xi X)2
n 1 i=1
e Sy2 =
1 X
(Yi Y )2 .
m 1 i=1
De fato, como
(n 1)Sx2
2n1
2
(m 1)Sy2
2m1 ,
2
57
(3.3)
Ento, do Teorema 1.5.1(iii) segue (3.2). Um intervalo de confiana para 1 2 com coeficiente de confiana , ento, dado
por
"
X Y t/2 Sp
1
1
+ ; X Y + t/2 Sp
n m
#
1
1
+
,
n m
a
b (b )
nIF ()
N (0, 1),
(3.4)
58
tria
b g() a
g()
Q(X, g()) = r
N (0, 1),
(3.5)
b 2
(g 0 ())
b
nIF ()
N (0, 1).
X(1X)
n
s
s
X z/2 X(1 X) ; X + z/2 X(1 X) .
n
n
Exemplo 3.3.2. Amostra aleatria de Exp(). Suponha que
o interesse seja estimar g() = E[X] = 1/. Como IF () = 1/2
e b = 1/X, segue de (3.5) que
Q(X, ) =
n(X 1/) a
N (0, 1),
X
o que conduz ao intervalo de confiana com coeficiente de confiana aproximado = 1 dado por
X
X
X z/2 ; X z/2 .
n
n
59
61
Referncias
[1]
H. Bolfarine, M.C. Sandoval, Introduo Inferncia Estatstica. SBM, 2. ed., Rio de Janeiro, 2010.
[2]
[3]
[4]
[5]
R.V. Hogg, J. McKean, A.T. Craig, Introduction to Mathematical Statistics. Pearson, 7. ed., 2012.
[6]
B.R. James, Probabilidade: um Curso em Nvel Intermedirio. IMPA, 3. ed., Rio de Janeiro, 2008.