Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Eduardo F. Mendes
FGV/EMAp
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.
A(θ0 ) = {x : θ0 ∈ C (x)}.
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?
Pθ (a ≤ Q(X; θ) ≤ b) ≥ 1 − α.
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
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
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)),
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)),
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
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
1 Da mesma forma que no caso do teste UMP, este intervalo é UMA na classe de
1 Da mesma forma que no caso do teste UMP, este intervalo é UMA na classe de