Estimação de intervalos

Eduardo F. Mendes

FGV/EMAp

July 18, 2016

 Motivação

Considere uma amostra aleatória X = (X1 , ..., Xn ) de Pθ , e um estimator

T = T (X) de q(θ).

Qual o erro do nosso estimador?

 Motivação

Considere uma amostra aleatória X = (X1 , ..., Xn ) de Pθ , e um estimator

T = T (X) de q(θ).

Qual o erro do nosso estimador?

• Pesquisadores normalmente apresentam estimadores como T (X) ± a.

• Mesmo que a seja exato, não temos garantia que o intervalo
[T (x) − a; T (x) + a] de fato conterá o valor populacional de q(θ).
• Podemos, ao menos, construir um intervalo que contenha q(θ) com
certa probabilidade.
 Exemplo: N(θ, σ 2 ) com σ 2 conhecido.

Considere o estimador T (X) = X̄, onde X̄ ∼ N(θ, σ 2 /n).

Qual a probabilidade de um intervalo X̄ ± a conter o parâmetro θ?

 Exemplo: N(θ, σ 2 ) com σ 2 conhecido.

Considere o estimador T (X) = X̄, onde X̄ ∼ N(θ, σ 2 /n).

Qual a probabilidade de um intervalo X̄ ± a conter o parâmetro θ?

 √ √   √ 

n X̄ − θ n n
P |X̄ − θ| ≤ a = P −a ≤ √ ≤a = 1 − 2Φ −a ,
σ σ/ n σ σ
onde Φ(·) é a CDF da normal padrão.
Fazendo a = z1−α/2 √σn , obtemos
 
σ
P |X̄ − θ| ≤ z1−α/2 √ = 1 − α.
n
 Exemplo: N(θ, σ 2 ) com σ 2 conhecido.

Considere o estimador T (X) = X̄, onde X̄ ∼ N(θ, σ 2 /n).

Qual a probabilidade de um intervalo X̄ ± a conter o parâmetro θ?

 √ √   √ 

n X̄ − θ n n
P |X̄ − θ| ≤ a = P −a ≤ √ ≤a = 1 − 2Φ −a ,
σ σ/ n σ σ
onde Φ(·) é a CDF da normal padrão.
Fazendo a = z1−α/2 √σn , obtemos
 
σ
P |X̄ − θ| ≤ z1−α/2 √ = 1 − α.
n

O intervalo aleatório X̄ ± z1−α/2 √σn contém o parâmetro θ com

probabilidade 1 − α, para todo o θ ∈ Θ.
 Intervalo de confiança

Intervalo de confiança
Um intervalo aleatório [L(X), U(X)], com L(x) ≤ U(x) ∀x, é um
intervalo de confiança com nı́vel 1 − α para q(θ) se

Pθ (θ ∈ [L(X), U(X)]) ≥ 1 − α, ∀θ ∈ Θ.
 Intervalo de confiança

Intervalo de confiança
Um intervalo aleatório [L(X), U(X)], com L(x) ≤ U(x) ∀x, é um
intervalo de confiança com nı́vel 1 − α para q(θ) se

Pθ (θ ∈ [L(X), U(X)]) ≥ 1 − α, ∀θ ∈ Θ.

• Pθ (θ ∈ [L(X), U(X)]) é chamado de probabilidade de cobertura.

• (1 − α) é chamado do nı́vel de confiança do intervalo.
• O intervalo de confiança não é único.
• O coeficiente de confiança de [L(X), U(X)] é definido como

inf Pθ (θ ∈ [L(X), U(X)]).

θ∈Θ

Porém esta quantidade pode ser 0.

 Dualidade com Teste de Hipótese
Exemplo: N(θ, σ 2 ) com σ 2 conhecido

Seja X1 , ..., Xn uma amostra iid com X1 ∼ N(θ, σ 2 ). Considere o teste

H0 : θ = θ0 vs H1 : θ 6= θ0 . Dado um √ tamanho α, este teste possui região
de aceitação {x : |x̄ − θ0 | ≤ z1−α/2 σ/ n}. Portanto, aceitamos H0 se
σ σ
x̄ − z1−α/2 √ ≤ θ0 ≤ x̄ − z1−α/2 √
n n
 Dualidade com Teste de Hipótese
Exemplo: N(θ, σ 2 ) com σ 2 conhecido

Seja X1 , ..., Xn uma amostra iid com X1 ∼ N(θ, σ 2 ). Considere o teste

H0 : θ = θ0 vs H1 : θ 6= θ0 . Dado um √ tamanho α, este teste possui região
de aceitação {x : |x̄ − θ0 | ≤ z1−α/2 σ/ n}. Portanto, aceitamos H0 se
σ σ
x̄ − z1−α/2 √ ≤ θ0 ≤ x̄ − z1−α/2 √
n n

Dado que o teste possui Pθ0 (aceitar H0 ) = 1 − α para todo θ0 ∈ Θ,

 √ 

Pθ0 (aceitar H0 ) = Pθ0 θ0 ∈ X̄ ± z1−α/2 σ/ n
 √ 

= Pθ θ ∈ X̄ ± z1−α/2 σ/ n = 1 − α.
 Dualidade com Teste de Hipótese
Exemplo: N(θ, σ 2 ) com σ 2 conhecido

Seja X1 , ..., Xn uma amostra iid com X1 ∼ N(θ, σ 2 ). Considere o teste

H0 : θ = θ0 vs H1 : θ 6= θ0 . Dado um √ tamanho α, este teste possui região
de aceitação {x : |x̄ − θ0 | ≤ z1−α/2 σ/ n}. Portanto, aceitamos H0 se
σ σ
x̄ − z1−α/2 √ ≤ θ0 ≤ x̄ − z1−α/2 √
n n

Dado que o teste possui Pθ0 (aceitar H0 ) = 1 − α para todo θ0 ∈ Θ,

 √ 

Pθ0 (aceitar H0 ) = Pθ0 θ0 ∈ X̄ ± z1−α/2 σ/ n
 √ 

= Pθ θ ∈ X̄ ± z1−α/2 σ/ n = 1 − α.
 √ 
Logo, X̄ ± z1−α/2 σ/ n é um intervalo de confiança de nı́vel 1 − α para
θ.
 Dualidade com Teste de Hipótese
Relação entre região de aceitação e intervalo de confiança

Para cada θ0 ∈ Θ, defina A(θ0 ) a região de aceitação de um teste nı́vel α

para H0 : θ = θ0 . Para cada x ∈ X , defina um conjunto C (x) ⊆ Θ
através de
C (x) = {θ0 : x ∈ A(θ0 )}.
O conjunto aleatório C (X) é um conjunto de confiança nı́vel 1 − α para θ.
 Dualidade com Teste de Hipótese
Relação entre região de aceitação e intervalo de confiança

Para cada θ0 ∈ Θ, defina A(θ0 ) a região de aceitação de um teste nı́vel α

para H0 : θ = θ0 . Para cada x ∈ X , defina um conjunto C (x) ⊆ Θ
através de
C (x) = {θ0 : x ∈ A(θ0 )}.
O conjunto aleatório C (X) é um conjunto de confiança nı́vel 1 − α para θ.
Alternativamente, seja C (X) um conjunto de confiança nı́vel 1 − α. Para
qualquer θ0 ∈ Θ, defina

A(θ0 ) = {x : θ0 ∈ C (x)}.

Então A(θ0 ) é a região de aceitação de um teste nı́vel α para H0 : θ = θ0 .

 Exercı́cios propostos

• Seja X1 , ..., Xn uma amostra aleatória de uma distribuição N(θ, σ 2 )

(σ 2 desconhecido). Construa um intervalo de confiança de um lado,
invertendo
√ a hipótese do teste H0 : θ = θ0 vs H1 : θ < θ0 .(Dica:
n(X̄ − µ)/S ∼ tn−1 .)
• Seja X1 , ..., Xn uma amostra aleatória de uma distribuição Poisson
P(θ). Construa um intervalo de confiança para θ invertendo a
estatı́stica de teste de razão de verossimilhança para H0 : θ = θ0 vs
H1 : θ 6= θ0 .(Dica: Você talvez precise olhar para distribuição
assintótica)
• Seja X1 , ..., Xn uma amostra aleatória de uma distribuição Bernoulli
com parâmetro p. Construa um intervalo de confiança para p
invertendo uma estatı́stica de teste para H0 : p = p0 vs H1 : p 6= p0 .
 Método do pivot
Exemplo: Uniforme U[0, θ]

Seja X1 , ..., Xn uma amostra iid com X1 ∼ U(0, θ), e Y = maxi Xi o

estimador de máxima verossimilhança de θ. Desejamos construir um
intervalo de confiança para θ.
 Método do pivot
Exemplo: Uniforme U[0, θ]

Seja X1 , ..., Xn uma amostra iid com X1 ∼ U(0, θ), e Y = maxi Xi o

estimador de máxima verossimilhança de θ. Desejamos construir um
intervalo de confiança para θ.
Sabemos que fY (y ) = ny n−1 θ−n , y ∈ [0, θ]. Logo, considerando um
intervalo [Ya, Yb], 1 ≤ a < b, obtemos
 
1 Y 1
P(Ya ≤ θ ≤ Yb) = P ≤ ≤ = a−n − b −n .
b θ a
 Método do pivot
Exemplo: Uniforme U[0, θ]

Seja X1 , ..., Xn uma amostra iid com X1 ∼ U(0, θ), e Y = maxi Xi o

estimador de máxima verossimilhança de θ. Desejamos construir um
intervalo de confiança para θ.
Sabemos que fY (y ) = ny n−1 θ−n , y ∈ [0, θ]. Logo, considerando um
intervalo [Ya, Yb], 1 ≤ a < b, obtemos
 
1 Y 1
P(Ya ≤ θ ≤ Yb) = P ≤ ≤ = a−n − b −n .
b θ a

Considerando um intervalo [Y + a, Y + b], 0 ≤ a < b, obtemos

 n
 a n b
P(Y + a ≤ θ ≤ Y + b) = 1 − − 1− ,
θ θ

que depende de θ e possui coeficiente de confiança 0.

 Método do pivot
Definição

Pivot
Uma variável aleatória Q(X, θ) é um pivot se sua distribuição não
depende de θ.
 Método do pivot
Definição

Pivot
Uma variável aleatória Q(X, θ) é um pivot se sua distribuição não
depende de θ.
• Não existe uma estratégia geral para achar pivots.
• Frequentemente, diferenças são pivots para parâmetro de localização
e razões para os parâmetros de escala.
• Em geral, suponha que a pdf de uma estatı́stica T pode ser expressa
como  
∂ 
f (t; θ) = g(Q(t; θ))  Q(t, θ) ,
∂t
para Q(·; θ) monotônico, então Q(t; θ) é um pivot.
 Método do pivot
Dado um pivot, como constuı́mos um conjunto de confiança?

Suponha que encontremos a < b tal que

Pθ (a ≤ Q(X; θ) ≤ b) ≥ 1 − α.

Então, podemos utilizar a dualidade com o teste de hipótese para obter

A(θ0 ) = {x : a ≤ Q(x, θ0 ) ≤ b} ⇔ C (x) = {θ : a ≤ Q(x; θ) ≤ b}.

• Q(x; ·) é uma função crescente de θ ⇒ C (x) = [L(x, a); U(x, b)].

• Q(x; ·) é uma função decrescente de θ ⇒ C (x) = [L(x, b); U(x, a)].
 Método do Pivot
Exemplo: Exponencial E(θ)

Seja X1 , ...,
PX n uma amostra aleatória de uma população E(θ). Sabemos
n
que T = i=1 Xi é uma estatı́stica suficiente para θ e que T ∼ Γ(n, θ),
i.e.
(t/θ)n−1 e −t/θ
fT (t; θ) = .
θΓ(n)n
 Método do Pivot
Exemplo: Exponencial E(θ)

Seja X1 , ...,
PX n uma amostra aleatória de uma população E(θ). Sabemos
n
que T = i=1 Xi é uma estatı́stica suficiente para θ e que T ∼ Γ(n, θ),
i.e.
(t/θ)n−1 e −t/θ
fT (t; θ) = .
θΓ(n)n
Vamos utilizar Q(T ; θ) = 2T /θ, que possui distribuição

Q(T , θ) ∼ Γ(n, θ(2/θ)) = Γ(n, 2) ≡ χ22n .

 Método do Pivot
Exemplo: Exponencial E(θ)

Seja X1 , ...,
PX n uma amostra aleatória de uma população E(θ). Sabemos
n
que T = i=1 Xi é uma estatı́stica suficiente para θ e que T ∼ Γ(n, θ),
i.e.
(t/θ)n−1 e −t/θ
fT (t; θ) = .
θΓ(n)n
Vamos utilizar Q(T ; θ) = 2T /θ, que possui distribuição

Q(T , θ) ∼ Γ(n, θ(2/θ)) = Γ(n, 2) ≡ χ22n .

Logo, Q(T ; θ) é um pivot e podemos construir um intervalo de confiança

c(t) = {θ : 2t/b ≤ θ ≤ 2t/a} ,

onde a < b são valores crı́ticos satisfazendo P(a ≤ χ22n ≤ b) = 1 − α,

para algum α.
 Intervalos Assintóticos
Baseados no estimador de máxima verossimilhança

ˆ
Sob condições, sabemos que o estimador de máxima verossimilhança q(θ)
de q(θ) é aproximadamente Normal em grandes amostras:
√ a
n(q(θ̂) − q(θ)) ∼ N(0, q̇(θ)′ I(θ)−1 q̇(θ)),

onde q̇(θ) = (∂/∂θ)q(θ) e I(θ) é a matriz de informação baseada em X1 .

 Intervalos Assintóticos
Baseados no estimador de máxima verossimilhança

ˆ
Sob condições, sabemos que o estimador de máxima verossimilhança q(θ)
de q(θ) é aproximadamente Normal em grandes amostras:
√ a
n(q(θ̂) − q(θ)) ∼ N(0, q̇(θ)′ I(θ)−1 q̇(θ)),

onde q̇(θ) = (∂/∂θ)q(θ) e I(θ) é a matriz de informação baseada em X1 .

Logo,
√
n(q(θ̂) − q(θ))
Q(x; θ) = q ∼ N(0, 1),
q̇(θ)′ In (θ̂)−1 q̇(θ̂)
onde In (θ) é um estimador consistente de I(θ), é pivotal.
 Intervalos Assintóticos
Baseada em testes de hipótese

Podemos utilizar a distribuição assintótica das estatı́sticas de teste para

construir intervalos de confiança.
 Intervalos Assintóticos
Baseada em testes de hipótese

Podemos utilizar a distribuição assintótica das estatı́sticas de teste para

construir intervalos de confiança.
O teste do escore para a hipótese H0 : q(θ) = q(θ0 ) produz um intervalo
melhor do que o construı́do usando a distribuição do MLE (equivalente
ao intervalo usando o teste de Wald).
Construı́mos a estatı́stica de teste
a
LM(x; θ) = In (θ0 )−1/2 S(θ0 ; x) ∼ N(0, 1),

onde S(θ; x) é a estatı́stica de escore.

 Intervalos Assintóticos
Baseada em testes de hipótese

Podemos utilizar a distribuição assintótica das estatı́sticas de teste para

construir intervalos de confiança.
O teste do escore para a hipótese H0 : q(θ) = q(θ0 ) produz um intervalo
melhor do que o construı́do usando a distribuição do MLE (equivalente
ao intervalo usando o teste de Wald).
Construı́mos a estatı́stica de teste
a
LM(x; θ) = In (θ0 )−1/2 S(θ0 ; x) ∼ N(0, 1),

onde S(θ; x) é a estatı́stica de escore.

Escolhemos Q(x, θ) = LM(x, θ), e um intervalo de confiança nı́vel α
possui o formato

C (x) = {θ : |Q(x, θ)| < z1−α/2 }.

 Exercı́cios propostos

• Seja X1 , ..., Xn uma amostra aleatória de uma população N(µ, σ).

Encontre um intervalo de confiança de nı́vel 1-α para σ 2 utilizando o
método do pivot.
• Seja X1 , ..., Xn uma amostra aleatória de uma distribuição Poisson
P(θ). Construa um intervalo de confiança para θ invertendo uma
estatı́stica de teste para H0 : θ = θ0 vs H1 : θ 6= θ0 .
• Seja X1 , ..., Xn uma amostra aleatória de uma distribuição Bernoulli
com parâmetro p. Construa um intervalo de confiança para p
invertendo uma estatı́stica de teste para H0 : p = p0 vs H1 : p 6= p0 .
 Avaliação de estimadores de intervalos

• Estimadores pontuais: erro médio quadrático

• Estimadores de Intervalos: ?
 Avaliação de estimadores de intervalos

• Estimadores pontuais: erro médio quadrático

• Estimadores de Intervalos: ?
O que esperamos de um bom intervalo?
 Avaliação de estimadores de intervalos

• Estimadores pontuais: erro médio quadrático

• Estimadores de Intervalos: ?
O que esperamos de um bom intervalo?
Que ele seja pequeno e possua uma grande probabilidade de cobertura.
 Avaliação de estimadores de intervalos

• Estimadores pontuais: erro médio quadrático

• Estimadores de Intervalos: ?
O que esperamos de um bom intervalo?
Que ele seja pequeno e possua uma grande probabilidade de cobertura.
• Probabilidade de cobertura é medida através do coeficiente de
confiança.
• O tamanho é medido através do comprimento do intervalo ou
volume do conjunto.
• Outras medidas podem ser utilizadas, mas focaremos apenas nessas
duas.
 Tamanho e Prob. de Cobertura
Exemplo: Normal N(µ, σ 2 ) com σ conhecido

Seja X1 , ..., Xn uma amostra aleatória N(µ, σ 2 ) com σ conhecido.

Desejamos construir um intervalo de confiança para µ. Usando o método
do pivot, obtemos o intervalo de confiança com nı́vel 1 − α,
 
σ σ
µ : x̄ − b √ ≤ µ ≤ x̄ + a √ .
n n
 Tamanho e Prob. de Cobertura
Exemplo: Normal N(µ, σ 2 ) com σ conhecido

Seja X1 , ..., Xn uma amostra aleatória N(µ, σ 2 ) com σ conhecido.

Desejamos construir um intervalo de confiança para µ. Usando o método
do pivot, obtemos o intervalo de confiança com nı́vel 1 − α,
 
σ σ
µ : x̄ − b √ ≤ µ ≤ x̄ + a √ .
n n

Qual a melhor escolha para a e b com 1 − α = .95?

 Tamanho e Prob. de Cobertura
Exemplo: Normal N(µ, σ 2 ) com σ conhecido

Seja X1 , ..., Xn uma amostra aleatória N(µ, σ 2 ) com σ conhecido.

Desejamos construir um intervalo de confiança para µ. Usando o método
do pivot, obtemos o intervalo de confiança com nı́vel 1 − α,
 
σ σ
µ : x̄ − b √ ≤ µ ≤ x̄ + a √ .
n n

Qual a melhor escolha para a e b com 1 − α = .95?

a b Probability b−a
-1.34 2.33 P(Z < a) = .09, P(Z > b) = .01 3.67
-1.44 1.96 P(Z < a) = .075, P(Z > b) = .025 3.40
-1.65 1.65 P(Z < a) = .05, P(Z > b) = .05 3.30

Escolhendo o intervalo que divide α igualmente, que é ótimo neste caso,

não é sempre a melhor opção.
 Tamanho e Prob. de Cobertura
Um resultado para distribuições unimodais

Teorema
Seja f (x ) uma p.d.f. unimodal. Se o intervalo [a, b] satisfaz
Rb
i. a f (x )dx = 1 − α,
ii. f (a) = f (b) > 0, e
iii. a ≤ x ∗ ≤ b onde x ∗ é a moda de f (x ),
então [a, b] é o intervalo mais curto que satisfaz (i).
 Tamanho e Prob. de Cobertura
Um resultado para distribuições unimodais

Teorema
Seja f (x ) uma p.d.f. unimodal. Se o intervalo [a, b] satisfaz
Rb
i. a f (x )dx = 1 − α,
ii. f (a) = f (b) > 0, e
iii. a ≤ x ∗ ≤ b onde x ∗ é a moda de f (x ),
então [a, b] é o intervalo mais curto que satisfaz (i).

Derivação (rascunho)
Considere um intervalo [a′ , b ′ ] satisfazendo (i) tal que b ′ − a′ ≤ b − a.
Precisamos olhar para o caso b ′ < a e b ′ > a. Os outros casos seguem
de formaR similar.
b′ Rb
b ′ < a: a′ f (x )dx < a f (x )dx = 1 − α.
R b′
b ′ ≥ a: a′ f (x )dx = 1 − α + ∆, and ∆ < 0.
Logo [a, b] é o intervalo mais curto que satisfaz (i).
 Tamanho e Prob. de Cobertura
Exemplos: Estatı́stica t

Considere o √
caso do intervalo normal baseado na estatı́tica
(x̄ − µ)/(S/ n) ∼ tn−1 . O intervalo para µ de menor comprimento no
formato  
s s
x̄ − b √ ≤ µ ≤ x̄ − a √ ,
n n
possui b = −a = tn−1,1−α/2 .
Se trocarmos o comprimento pelo comprimento esperado, a e b
coninuam os mesmos.
 Tamanho e Prob. de Cobertura
Menor intervalo pivotal

Considere o caso de um intervalo de confiança para o parâmetro β de

uma Γ(k, β). A estatı́stica Y = X /β ∼ Γ(k, 1) é pivotal, e podemos
encontrar um intervalo de confiança buscando as constantes a,b
satisfazendo P(a ≤ Y ≤ b) = 1 − α.
 Tamanho e Prob. de Cobertura
Menor intervalo pivotal

Considere o caso de um intervalo de confiança para o parâmetro β de

uma Γ(k, β). A estatı́stica Y = X /β ∼ Γ(k, 1) é pivotal, e podemos
encontrar um intervalo de confiança buscando as constantes a,b
satisfazendo P(a ≤ Y ≤ b) = 1 − α.
Aplicação cega do teorema anterior não oferece o menor intervalo de
confiança pois o intervalo de confiança para β baseado em Y possui a
forma
{β : (x /b) ≤ β ≤ (x /a)}
e, logo, seu comprimento é proporcional a (1/a) − (1/b).
 Tamanho e Prob. de Cobertura
Menor intervalo pivotal

Considere o caso de um intervalo de confiança para o parâmetro β de

uma Γ(k, β). A estatı́stica Y = X /β ∼ Γ(k, 1) é pivotal, e podemos
encontrar um intervalo de confiança buscando as constantes a,b
satisfazendo P(a ≤ Y ≤ b) = 1 − α.
Aplicação cega do teorema anterior não oferece o menor intervalo de
confiança pois o intervalo de confiança para β baseado em Y possui a
forma
{β : (x /b) ≤ β ≤ (x /a)}
e, logo, seu comprimento é proporcional a (1/a) − (1/b).
É possı́vel modificar o teorema anterior para encontrar o menor intervalo
pivotal neste caso.
 Otimalidade Relacionada ao Teste

Dado que existe uma correspondência um-a-um entre intervalos de

confiança e teste de hipótese, podemos relacionar otimalidade de
intervalos a otimalidade de testes.
 Otimalidade Relacionada ao Teste

Dado que existe uma correspondência um-a-um entre intervalos de

confiança e teste de hipótese, podemos relacionar otimalidade de
intervalos a otimalidade de testes.
• Esta otmalidade é relacionada a probabilidade do intervalo cobrir
valores falsos dos parâmetros.
• A probabilidade de cobertura falsa mede indiretamente o tamanho
do conjunto de confiança, e.g., intervalo de 1 lado

Pθ (θ′ ∈ C (X)), θ′ < θ, if C (X) = [L(X), ∞).

• O intervalo de confiança que minimiza essa probabilidade é chamado

de intervalo Uniformemnte Mais Preciso (UMA).
• Essa probabilidade é definida diferentemente para intervalos de 1 e
dois lados. Olharemos para intervalos de 1 lado.
 Otimalidade Relacionada ao Teste

Intervalos de confiança UMA são obtidos invertendo regiões de aceitação

de testes UMP. Infelizmente, assim como testes UMP, intervalos UMA
existem apenas sob circunstâncias raras e, geralmente, são intervalos de 1
lado.
 Otimalidade Relacionada ao Teste

Intervalos de confiança UMA são obtidos invertendo regiões de aceitação

de testes UMP. Infelizmente, assim como testes UMP, intervalos UMA
existem apenas sob circunstâncias raras e, geralmente, são intervalos de 1
lado.
Intervalos UMA
Seja X ∼ f (x; θ), onde θ é um parâmetro escalar. Para cada θ0 ∈ Θ, seja
A∗ (θ0 ) a região de aceitação UMP nı́vel α de um teste de H0 : θ = θ0 vs
H1 : θ > θ0 . Seja C ∗ (x) o conjunto de confiança nı́vel 1 − α construı́do
invertendo a região de aceitação UMP. Logo, para qualquer outro
conjunto de confiança C ,

Pθ (θ′ ∈ C ∗ (X)) ≤ Pθ (θ′ ∈ C (X)), ∀ θ′ < θ.

 Otimalidade Relacionada ao Teste
Exemplo: Normal N(µ, σ 2 ) com σ conhecido.

Seja X1 , ..., Xn uma amostra IID N(µ, σ 2 ) com σ conhecido. O intervalo

 
σ
C (x̄) = µ : µ ≥ x̄ − z1−α √
n

é um intervalo de confiança à direita uma vez que pode ser obtido

invertendo um teste UMP para H0 : µ = µ0 vs H1 : µ > µ0 .

1 Da mesma forma que no caso do teste UMP, este intervalo é UMA na classe de

intervalos não enviesados.

 Otimalidade Relacionada ao Teste
Exemplo: Normal N(µ, σ 2 ) com σ conhecido.

Seja X1 , ..., Xn uma amostra IID N(µ, σ 2 ) com σ conhecido. O intervalo

 
σ
C (x̄) = µ : µ ≥ x̄ − z1−α √
n

é um intervalo de confiança à direita uma vez que pode ser obtido

invertendo um teste UMP para H0 : µ = µ0 vs H1 : µ > µ0 .
O intervalo de dois lados mais normalmente utilizado
 
σ
C (x̄) = µ : |µ − x̄| ≤ z1−α √ ,
n

não é UMA pois é obtido invertendo a região de aceitação para o teste

H0 : µ = µ0 vs H1 : µ 6= µ0 , hipótese tal que não existe um teste UMP.1

1 Da mesma forma que no caso do teste UMP, este intervalo é UMA na classe de

intervalos não enviesados.

 Alguns comentários

• Não existe uma forma universal para obter intervalos de confiança,

porém exitem guidelines bem estabelecidos para tal.
• É possivel utilizar bootstrap para obter intervalos de confianças em
muitas situações.
• Existem intervalos de confiança construı́dos através de
procedimentos mais robustos.
• Existe uma relação entre o comprimento do intervalo de confiança e
probabilidade de cobertura falsa.
• Existem muitos intervalos de confiança e otimalidade de tais
intervalos é condicional aos critérios selecionados
• Existem intervalos UMA que não são ótimos com relação a outros
critérios razoáveis.