Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INTRODUÇÃO
- METODO: COMPUTER-INTENSIVE
- CONCEITOS BASICOS
θ: característica populacional
# { y j ≤ y}
Fˆ ( y ) =
n
- FUNÇÃO ESTATÍSTICA
θ = t (F )
Fˆ → F ⇒ T = t ( Fˆ ) → θ = t ( F ) em probabilidade(consistência)
Erro padrão de x =
s
, s 2
=
∑ (x i − x)2
n n −1
ep(T ) = var(T )
epˆ (T ) = var̂(T )
BOOTSTRAP
- ALGORITMO BOOTSTRAP:
- RÉPLICA BOOTSTRAP:
θˆ ∗ (b) = s ( x ∗b ), b = 1, L B.
[3] estime o erro padrão ep F (θˆ) pelo desvio padrão
amostral das B réplicas:
1
1 B ˆ∗ 2
epˆ B = ∑
B − 1 b =1
(θ (b) − θˆ ∗ (•)) 2 ,
estimador bootstrap não
paramétrico, onde
1 B ˆ∗
θˆ ∗ (•) = ∑θ (b)
B b=1
BOOTSTRAP PARAMÉTRICA
X → F, F: FDA
Fˆ par
: estimador de F obtido deste modelo.
θˆ : estimador do parâmetro θ.
*
ep Fˆ (θˆ )
par
Suponha F ~ N 2 ( µ ,ν ) , n = 15
onde
µ 2 2
y σ
µ = , ν = 2y
σ simétrica
yz
2
µ σ zy σ
z z
y
Estimamos µ por µ̂ = e V por
z
1 ∑ ( y i − y ) ∑ ( y − y )( z − z )
2
ˆ
V = i i
14 • ∑ ( z − z )
i
2
Fˆ → N 2
( µˆ ,Vˆ ) : estimador paramétrico de F
norm
θˆ = corrˆ( y, Z ) .
Fˆ Fˆ
∗1 ∗B
= → ( x ,L, x )
par norm
epˆ B
= 0,124 (0,131: estimador não paramétrico)
ESTIMADOR BOOTSTRAP DO VIÉS
~
(x1, x2, ..., xn) ~ F; θ=t(F). θ = s ( x)
CONSIDERE O ESTIMADOR θˆ = t ( Fˆ ).
~
O viés de θ = s( x) é definido por
viés F = E F
( s ( x)) − t ( F )
Exemplo:
a) t(F) = µ, s( x) = x , viés Fˆ
=0
b) s( x) = ∑
( xi − x ) 2 1 1
n
; viés[s ( x)] = − σ 2 ; neste caso,
n
viés Fˆ
=−
n2
∑ (x i − x)2
As concentrações:
E (novo) − E (antigo)
FDA: ≤ 0,20 critério
E (antigo) − E ( placebo)
E (novo) − E (antigo)
Parâmetro: θ =
E (antigo) − E ( placebo)
Considere:
zi = medidas com o “antigo” – medidas com o “placebo”
yi = medidas com o “novo” – medidas com o “antigo”
E F ( y)
θ = t(F ) =
EF ( z)
∑
8
y yi / 8
θˆ = t ( Fˆ ) = = i =1
= −0,0713
∑
8
Z z /8
i =1 i
viesˆ400 0,0043
⇒ = = 0,041 , portanto viés sob controle.
epˆ 400 0,105
CORREÇÃO DE VIÉS
Tomando
Exemplo(hormônio):
Observações:
INTERVALO DE CONFIANÇA
x = ( x1 ,L , x n ) ~ F e θˆ = t ( Fˆ )
()
ep̂ θˆ : algum estimador do ep(θˆ) , baseado por ex, em
réplicas jackknife ou bootstrap.
Então, sob determinadas condições,
θˆ →
D
N (θ , epˆ (θˆ)), n → ∞
Ou
θˆ − θ
•
→ N (0,1) (8)
epˆ (θˆ)
Assim, [θˆ − Z (1−α ) epˆ , θˆ + Z (1−α ) epˆ ] é o IC padrão com C.C. igual
a 1-2 α .
θˆ − θ
Z = ~ t n −1 (9)
epˆ
E o IC fica
[θˆ − t n −1
(1−α )
epˆ , θˆ + t n −1
(1−α )
epˆ ]
INTERVALO BOOTSTRAP-t
θˆ ∗ (b) − θˆ
Z ∗ (b) =
epˆ ∗ (b)
# {Z ∗ (b) ≤ tˆ (α ) } / B = α
[θˆ − tˆ (α )
epˆ , θˆ + tˆ (1−α ) epˆ ]
Ex: se B=1000, a estimativa do 5%-percentil ( tˆ (5%) ) é 0
50º. maior valor dos Z ∗ (b) .
Intervalo percentil
x ∗ : dados bootstrap
θˆ ∗ = s( x ∗ ) : réplicas bootstrap
Ĝ ∗ : FDA de θˆ ∗
[θˆ inf ] [
, θˆsup = Gˆ −1 (α ), Gˆ −1 (1 − α ) ]
OBSERVAÇÕES:
Ex. Ratos:
Tabela 1: dados
x−y 30,63
x − y = 30,63 e = = 1,05 (no)
dp ( x − y ) 28,93
B = 100 → epˆ (m1 ) = 11,54, epˆ (m2 ) = 36,36 → epˆ boot = (36,35) 2 + (11,54) 2 = 38,14
48
Estatística para teste: = 1,26
38,14
IC:
Media dos ratos tratados: θˆ = 86,86 e epˆ = 25,24
IC padrão(γ=0,90):
[86,86-1,65*25,24; 86,86+1,65*25,24] =
[45; 128,4]
B=1000 réplicas: θˆ ∗ =?
PROCEDIMENTO:
[θˆ
%,inf ] [
; θˆ%,sup = θˆB∗(α ) ; θˆB∗(1−α ) ]
Exemplo: x1, x2, ..., x10 ~ N(0,1)
θ = e µ , µ = média populacional ⇒ θ = e 0 = 1
IC padrão: 1,25 ± 1,96 ∗ epˆ 1000 = 1,25 ± 1,96 ∗ 0,34 = [0,59; 1,92]
∗
B=1000 réplica → θˆ ∗ = e x
[0,75; 2,07]