Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1. Introduo
2. Teorema Central do Limite
3. Conceitos de Estimao Pontual
Distribuio Amostral e Estimao
4. Mtodos de Estimao Pontual
Pontual de Parmetros 5. Referncias
Populao e Amostra
Populao:
Conjunto de elementos que apresentam pelo menos
Introduo uma caracterstica em comum
Populao Alvo:
Populao de interesse da pesquisa
Amostra:
Qualquer subconjunto no vazio da populao
1
Tcnicas de Amostragem
INFERNCIA
amostra representativa
ESTATSTICA
Amostra que representa toda a populao da
melhor maneira possvel
EXTRAO
DE AMOSTRAS PROBABILIDADE A representatividade depende de:
ALEATRIAS ESTATSTICA
DESCRITIVA
Metodologia adotada para seleo da amostra
Amostra CARACTERSTICAS Tamanho da amostra
DA
AMOSTRA
2
Erro Amostral Erro Noamostral
Inferncia Estatstica
Estimao de Parmetros
Definio:
Procedimentos generalizar caractersticas de Estimao Pontual
populao a partir da informao contida na amostra.
Estimao Intervalar
Baseia-se na Teoria de Probabilidades Intervalos de Confiana
reas:
Estimao de parmetros
Testes de hipteses.
3
Teste de Hipteses
Conceitos Fundamentais
Parmetro: Estatstica:
Quantidades de interesse da populao Qualquer funo da amostra que no dependa de
Em geral, desconhecidas parmetros desconhecidos
Mdia de uma populao () Exemplo : Algumas estatsticas da amostra aleatria
Desvio-padro de uma populao () X1, X2, ..., Xn:
Representadas por letras gregas X(1) = mn(X1, X2, ..., Xn)
Notao para estimador qualquer: X(n) = mx(X1, X2, ..., Xn)
4
Distribuio amostral: Espao paramtrico ()
Distribuio de probabilidades de uma estatstica Conjunto em que o parmetro toma valores
Exemplo: Exemplo: Seja a amostra aleatria X1, X2, ..., Xn da
Distribuio amostral da mdia varivel X ~ N(, 2)
Parmetros da distribuio amostral da mdia Se 2=1, ento = o parmetro desconhecido e
= {, < < }
Se = 0, ento = 2 o parmetro desconhecido e
= {2, 2 > 0}
5
Teorema Central do Limite
quando n .
Exemplo Simulao
Comentrios:
A aproximao normal para a mdia amostral Populao exponencial com mdia 1:
depende do tamanho da amostra =1
Com populao contnua, unimodal e simtrica, na Gerao de 10.000 valores dessa populao
maioria dos casos, o TCL trabalha bem para Amostra de tamanho 1 (n = 1)
pequenas amostras (n = 4, 5).
Em muitos casos de interesse prtico, a aproximao
normal ser satisfatria para n 30
Se n < 30, o TCL funcionar se a distribuio da
populao no for muito diferente da normal
6
Amostra n =1 Amostra n = 2
Exemplo Simulao
Amostras de tamanhos 2, 4, 10 e 20
Populao com densidade em U:
f(x) = 12 (x 0,5)2
Gerao de 10.000 valores dessa populao
Amostra de tamanho 1 (n = 1)
7
Amostra n =1 Amostras de tamanhos 2, 4, 10 e 20
8
Caso 2: populaes no normais com tamanhos Distribuio Amostral Aproximada de
amostrais maiores que 30 Diferena de Mdias Amostrais
Pode-se usar o TCL para aproximar a distribuio Suponha:
amostral da diferena:
Duas populaes independentes, com mdias 1 e 2
e varincias 12 e 22
Amostras aleatrias independentes de tamanhos n1 e
n2 dessas populaes
9
Propriedades de um Estimador Vcio
10
Varincia de Estimador
Estimador de Varincia Mnima
^ ^
1 e 2 estimadores no-viciados de
Varincias diferentes Se considerarmos todos os estimadores no-
tendenciosos de , aquele com a menor varincia
ser chamado de estimador no-tendencioso de
varincia mnima
Esse estimador o mais provvel, dentre todos os
no-viciados, para produzir uma estimativa que seja
prxima do valor verdadeiro
^ ^
Var(1) < Var(2)
mais provvel que ^1 produza uma estimativa mais
prxima do valor verdadeiro de
11
Quando o estimador seguir uma distribuio normal, Quadro comparativo:
podemos estar confiantes que o valor verdadeiro do
parmetro estar entre dois erros-padro da
estimativa
Para grandes valores de n este um resultado til
Nos casos em que o estimador no-viciado e no
normalmente distribudo
Estimativa do parmetro, em no mximo 6% das vezes, se
desviar do valor verdadeiro tanto quanto 4 erros-padro
Consistncia
Exemplos:
^ A mdia amostral consistente para estimar a mdia
Um estimador consistente se medida em verdadeira
que o tamanho amostral aumenta, seu valor O primeiro item coletado da amostra no
esperado converge para o parmetro de interesse consistente para estimar a mdia populacional.
e sua varincia converge para zero.
O estimador consistente se e
12
Erro Quadrtico Mdio
Estimadores tendenciosos podem ser preferveis a
^ estimadores no-tendenciosos se tiverem EQM menor
O erro quadrtico mdio de um estimador do
parmetro definido como:
13
Exemplo:
Eficincia No caso de amostra proveniente de distribuio
Normal.
^ ^
Dados dois estimadores 1 e 2, no viciados Mdia amostral e mediana amostral so no viciadas para
^
para um parmetro , dizemos que 1 mais estimar a mdia populacional:
^ ^ e
eficiente que 2 se Var[1] < Var[2]. Mdia amostral e mediana amostral so consistentes para
estimar a mdia verdadeira
e
14
Momentos
Mtodo dos Momentos
Seja X1, X2, ..., Xn uma amostra aleatria de
Ideia geral: populao com distribuio de probabilidades
Igualar os momentos da populao (definidos em expressa por f(x) (funo de probabilidade, se X
termos de esperanas) aos correspondentes for discreta ou funo de densidade de
momentos da amostra probabilidades, se X for contnua)
Os momentos da populao so funes de k-simo momento populacional
parmetros desconhecidos
Essas equaes so resolvidas de modo a se obter k-simo momento da amostra
estimadores dos parmetros desconhecidos
com k = 1, 2, ...
15
Exemplo Estimador de Momento da Normal
Tempo de falha de mdulo eletrnico de motor Amostra aleatria oriunda de populao normal,
Amostra: com parmetros e 2.
n=8 Momentos da normal:
(11,96; 5,03; 67,40; 16,07; 31,50; 7,73; 11,10; 22,38)
Mdia amostral: 21,65
Estimativa de momento de :
Estimador de momentos:
Amostra aleatria oriunda de populao normal, Continuao exemplo 7.6 Tempos de falha
com parmetros r e .
Momentos da gama:
Estimador de momentos:
16
Mtodo da Mxima Verossimilhana No conhecemos p0, mas podemos considerar o
cenrio em p0 = .
Exemplo de Motivao: Sob esta particular condio, a probabilidade de
Dados oriundos de populao binomial com gerar o dado que realmente observamos (X = 3) :
parmetros 10 e p0.
p0: constante e desconhecido
Funo de probabilidade de X:
Podemos calcular esta probabilidade sob a
condio que p0 = p
Observa-se X = 3
Objetivo:
Basear-se no dado disponvel para estimar o valor Essa funo denominada funo de
verdadeiro do parmetro verossimilhana e denotamos por L(p; 3)
17
O ponto crtico da funo um ponto no domnio de
em que a derivada zero
18
Estimador de Mxima Verossimilhana Exemplo Distribuio de Bernoulli
Funo de log-verossimilhana
Estimador de mxima verossimilhana para
amostras de Bernoulli
Proporo de sucessos na amostra
19
Exemplo Duas amostras de n= 40 com e
Estatstica de teste:
20
Exemplo Distribuio Exponencial Funo de verossimilhana da amostra
Funo de log-verossimilhana
o parmetro desconhecido a ser estimado
Exemplo
Derivada da funo de log-verossimilhana:
(Continuao Ex. 7.6)
Tempo de falha de mdulo eletrnico de motor
Estimativa de mxima verossimilhana da Amostra:
n=8
amostra x:
(11,96; 5,03; 67,40; 16,07; 31,50; 7,73; 11,10; 22,38)
Mdia amostral: 21,65
Estimativa de mxima verossimilhana de :
21
Funo de log-verossimilhana da amostra Comparao exponenciais:
Curvas das diferenas de log-verossimilhana com o
mximo em cada tamanho amostral
Mantida mesma mdia amostral de 21,65
Funo atinge mximo
para =0,0462 n mx)
l(
8 32,599
20 81,497
40 162,994
Inclinao da curva de log-
verossimilhana acentua-se com
aumento da amostra.
22
Funo de verossimilhana da amostra
Derivada da funo de log-verossimilhana:
e 2 desconhecidos
23
Estimador de mxima verossimilhana da mdia
Comentrios
e varincias verdadeiras para amostras normais
24
Complicaes no Uso da Estimao de
Exemplo Distribuio Gama
Mxima Verossimilhana
Nem sempre simples maximizar a funo de Seja X uma varivel aleatria exponencial
verossimilhana Funo de densidade de probabilidade:
Pode no ser possvel utilizar diretamente
mtodos de clculo para determinar o mximo
de L(; x) r e so os parmetros desconhecidos a serem estimados
Funo gama:
Funo de log-verossimilhana
25
Aplicao Funo de verossimilhana da amostra
26
Exemplo
Objetivo:
Estimar populao de peixes
Procedimento:
So marcados t = 200 peixes
Peixes so devolvidos ao habitat
Aguarda-se que os peixes devolvidos misturem-se
populao
So recapturados k = 400 peixes
Dos peixes recapturados, h r = 43 peixes marcados
Populao estimada: 1.860 peixes
Obs. Dados obtidos em simulao com N=2000
Populao real: 2000 (na prtica, desconhecido)
Bibliografia Recomendada
Montgomery, D. C. (LTC)
Referncias Estatstica Aplicada e Probabilidade para
Engenheiros
27