Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
• Estimação Pontual
População Parâmetro
1
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
Amostra Estimador
∑X
o chapéu significa média da
Se X1, X2, ..., Xn são independentes, temos que estamos i amostra ou
estimando µ
uma Amostra Aleatória Simples ⇒ AAS. µˆ = X = i =1
. média
amostral
n
• Estimador x Estimativa
Distribuição Amostral
Quando substituímos no estimador os
valores observados de X1, X2, ..., Xn,
obtemos uma estimativa do parâmetro. A distribuição amostral de um estimador
é a sua distribuição de probabilidade.
Exemplo 5.1 (cont.) - Considere a amostra
observada de tamanho 5: x1 = 180, x2 = 175, Ela representa o comportamento dos valores
x3 = 187, x4 = 173 e x5 = 185 (cm). assumidos pelo estimador em amostras
repetidas ⇒ isto significa: considerando
5
∑x
A estimativa de µ é: µˆ = x =
i
i =1
= 180. todas as amostras de tamanho n possíveis.
5
2
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
distribuição de µˆ 1
P(µ − ε < µˆ < µ + ε),
distribuição de µˆ 2
para um ε arbitrário, > 0.
µ-ε µ µ+ε
• Erro Padrão
• Estimador Eficiente
3
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
assintoticamente
não viciado.
ou 2) É viciado, mas:
Tecnicamente, dizemos que θ̂ converge
em probabilidade para o parâmetro θ. Lim B(θˆ ) = 0 e Lim V(θˆ ) = 0.
n →∞ n →∞
∑ (X − X ) ∑ X − nX
2 2 2
i i
σˆ * =
2 i =1
= i =1
.
Este importante resultado da estatística n n
é chamado Lei dos Grandes Números.
Problema:
Estimadores e suas Propriedades -
o estimador acima é viciado.
Prof. Eduardo Lima Campos.
n n n n
∑ (X − X) 2
∑X 2
− nX 2 ∑ (x i − x)2 ∑x 2
i − nx 2
i i
σ̂ = s =
2 2 i =1
= i =1 =
S2 = i =1
= i =1
. n −1 n −1
n −1 n −1 (180) 2 + (175) 2 + (187) 2 + (173) 2 + (185) 2 − 5 * (180) 2
= 37.
4
Este estimador é chamado variância amostral.
S = S2 é chamado desvio padrão amostral.
σ̂ = s = 37 = 6,0828.
4
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
λ 2e − λ
0,25
P(X = 2) = . 0,2
2! 0,15
0,1
0,05
5
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
0,01
0,64
1,27
1,9
2,53
3,16
3,79
4,42
5,05
5,68
6,31
6,94
7,57
8,2
8,83
9,46
10,1
10,7
11,4
12
12,6
13,2
13,9
14,5
Função de Verossimilhança:
E no caso de uma AAS de tamanho n>1?
O produto é por causa da
independência (AAS)
n
A idéia é a mesma, só que agora a função de P(X1 = x1 , X2 = x 2 ,...,Xn = x n ) = ∏ P(Xi = xi ),
verossimilhança é a distribuição conjunta i =1
da amostra, encarada como função de λ. ∀(x1,x2,...,xn).
L(θ)
6
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
n xi
∑ xi
∑ − nλ l`(λ) = i =1
−n
λ e n
i=1
λ
l(λ) = ln n = ∑ x ln λ − nλ + c
i =1 i
∏ x i!
i =1
n λˆ MV = X.
∑ xi
cuja solução é: λ = i =1
= x.
n
7
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
−λ ∑x −λ ∑x
n n
A função de verossimilhança segue
n ln(λ ) − λ∑ x i .
a mesma lógica do caso discreto: n
i =1
n
L(λ) = ∏ f (x i ) = Derivando e igualando a zero :
i=1
n
−λ ∑xi n n n 1
l`( λ ) = − ∑ xi = 0 ⇔ λ = n = .
n
∏λe = λn e
−λx i i=1
. λ i =1
i=1 ∑ xi x i =1
Obtenha o EMV de p.
1
λˆ MV = .
X R:
p̂ MV = X.
p (1 − p) p(1 − p)
= 0 ⇔ p = i=1 .
n ∑ (X i −X ) 2
Normal : µˆ MV = X e σ 2MV = i =1
.
n
8
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
n
- aos respectivos momentos amostrais.
9
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
Possivelmente haverá o
O que a estimativa de µ permite chamado erro de estimação:
concluir acerca do valor real de µ?
x − µ.
10
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
0,25
z2 α Este valor é uma cota
n= 2
. superior para n.
f(P) = p*(1-p)
4ε
0,2 2
0,15
0,1
0,36
0,42
0,48
0,54
0,66
0,72
0,78
0,84
0,96
0,3
0,6
0,9
11
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
σ σ
IC100(1−α )% (µ) = x − z α ; x + zα . σ2
2 n 2 n X ~ N(µ, ).
grau de confiança do IC
n
(90, 95 ou 99 %).
k tal que p(Z>k) = α/2, sendo Z ~ N(0,1). Ocorre que, na prática, σ2 não é conhecida
Obs - Note que o IC, neste caso, é: e, portanto, terá que ser estimada.
[estimativa – ε; estimativa + ε]
X −µ X −µ
, T= ~ t n−1.
σ/ n S/ n
distribuição t de Student
a distribuição não é mais Normal. com n-1 graus de liberdade
12
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos
Solução:
Da amostra: x = 180 e s = 6,0828.
13