You are on page 1of 28

SRIE: Estatstica Bsica

T e x t o : E st i ma o

SUMRIO
1. INTRODUO ................................................................................................................................................................... 3

2. ESTIMAO POR PONTO.............................................................................................................................................. 4

2.1. NOTAO ....................................................................................................................................................................... 4


2.2. PROPRIEDADES DOS ESTIMADORES ................................................................................................................................. 5
2.2.1. No-tendenciosidade ............................................................................................................................................. 5
2.2.2. Preciso ou eficincia............................................................................................................................................ 8
2.2.3. Validade (ou Acurcia).......................................................................................................................................... 9
2.2.4. Coerncia ou consistncia..................................................................................................................................... 9
2.3. MTODOS ....................................................................................................................................................................... 9
2.3.1. Mtodos dos momentos........................................................................................................................................ 10
2.3.2. Mtodos da mxima verossimilhana (maximum likelihood).............................................................................. 11
2.3.3. Mtodos dos mnimos quadrados ........................................................................................................................ 13

3. ESTIMAO POR INTERVALO.................................................................................................................................. 15

3.1. DA MDIA POPULACIONAL () ...................................................................................................................................... 15


3.1.1. Desvio padro populacional () conhecido........................................................................................................ 15
3.1.2. Desvio padro populacional () desconhecido................................................................................................... 17
3.1.3. A distribuio T (de Student)............................................................................................................................... 17
3.1.4. O intervalo........................................................................................................................................................... 17
3.2. DA PROPORO POPULACIONAL ().............................................................................................................................. 19
3.3. DA VARINCIA POPULACIONAL ( 2).............................................................................................................................. 21
3.3.1. A distribuio qui-quadrado................................................................................................................................ 21
3.3.2. Tabelas................................................................................................................................................................. 22
3.3.3. O intervalo........................................................................................................................................................... 22
3.4. DO DESVIO PADRO POPULACIONAL () ...................................................................................................................... 23

4. EXERCCIOS.................................................................................................................................................................... 25

5. RESPOSTAS DOS EXERCCIOS .................................................................................................................................. 27

6. BIBLIOGRAFIA ............................................................................................................................................................... 28

P r o f. Lo r V ia li, Dr . - v ia li@ p u c r s . b r - ht tp :// ww w. p uc r s . b r / f a ma t/ v ia li/ 2


SRIE: Estatstica Bsica
T e x t o : E st i ma o

11.. IIN
NTTR
ROOD
DUU
O
O
A inferncia estatstica tem por objetivo fazer generalizaes sobre uma populao com base
em valores amostrais. A inferncia pode ser feita estimando os parmetros:

(a) Por ponto e

(b) Por intervalo.

A estimao por ponto feita atravs de um nico valor, enquanto que a estimao por
intervalo fornece um intervalo de valores em torno do valor da estimativa pontual. Na estimao por
ponto o objetivo utilizar a informao amostral e apriorstica para se calcular um valor que seria, em
certo sentido, nossa melhor avaliao quanto ao valor, de fato, do parmetro em questo.
Na estimativa por intervalo, usa-se a mesma informao com o propsito de se produzir um
intervalo que contenha o valor verdadeiro do parmetro com algum nvel de probabilidade.

Exemplo:

Uma amostra aleatria simples de 400 pessoas de uma cidade extrada e 300 respondem que
acham a administrao municipal boa ou tima. Ento o valor p = 300/400 = 75% uma estimativa
por ponto do percentual de pessoas da cidade que acham a administrao boa ou tima. Esta mesma
estimativa poderia ser enunciado como de: 70% a 80% das pessoas da cidade acham a administrao
boa ou tima. Neste caso, teramos uma estimativa por intervalo da proporo. Note-se que o centro do
intervalo o valor 75% da estimativa pontual.

P r o f. Lo r V ia li, Dr . - v ia li@ p u c r s . b r - ht tp :// ww w. p uc r s . b r / f a ma t/ v ia li/ 3


SRIE: Estatstica Bsica
T e x t o : E st i ma o

22.. E
ESST
TIIM
MAA
O
O PPO
ORR PPO
ONNT
TOO

O problema da estimao por ponto o de produzir uma estimativa que realmente represente a
melhor avaliao do valor do parmetro. Deve-se especificar em primeiro lugar o que se entende por
"melhor avaliao" e em segundo os estimadores que satisfaam estas especificaes. Como um
estimador uma varivel aleatria cujo valor varia de amostra para amostra, suas propriedades so, de
fato, as propriedades da distribuio amostral. Existem vrios estimadores por ponto potenciais para
um parmetro. Por exemplo, se for decidido estimar a mdia de uma populao possvel considerar
os seguintes estimadores potenciais: a mdia aritmtica simples da amostra, a mdia aritmtica
ponderada da amostra, a mediana da amostra ou ainda a mdia entre os valores extremos da amostra.
Como forma de decidir entre as vrias alternativas qual a melhor necessrio considerar as
propriedades estatsticas dos estimadores e desenvolver algum critrio para comparar estimadores.

2.1. NOTAO

Vai-se considerar uma varivel aleatria X (populao) cuja distribuio caracterizada, entre
outras coisas, por um parmetro , que gostaramos de estimar.

Um estimador do parmetro , que obtido atravs de uma frmula dos valores amostrais:
) )
X1, X2, ..., Xn, anotado por . As caractersticas bsicas da distribuio de so sua mdia
) ) )
= E( ) e sua varincia 2) = Var( ) = E( - ) )2 = E( ) .
2 2
)

) ) )
O desvio padro de , representado por ) = Var () denominado de "erro padro de ".

Alm destes, os seguintes conceitos so de importncia:


) )
Erro amostral = - , que a diferena entre o valor do estimador e o verdadeiro valor a
ser estimado . O tamanho do erro amostral varia de amostra para amostra.
) )
Vis ou tendenciosidade Vis( ) = E( ) - como sendo a diferena entre a mdia da
)
distribuio amostral de e o valor do parmetro . Este valor , para cada estimador, fixo, podendo
ou no ser zero.
) )
Erro quadrado (quadrtico) mdio EQM( ) = E = () = E( - )2 uma varincia que mede a
disperso do estimador em torno do verdadeiro parmetro, ao invs de em torno de sua mdia.
) )
Existe uma relao entre o EQM( ) e a Var( ), conforme, mostrado abaixo:

P r o f. Lo r V ia li, Dr . - v ia li@ p u c r s . b r - ht tp :// ww w. p uc r s . b r / f a ma t/ v ia li/ 4


SRIE: Estatstica Bsica
T e x t o : E st i ma o

) ) ) ) ) ) ) ) ) )
EQM( ) = E( - )2 = E( - E( ) + E( ) - )2 = E{[ - E( )] + [E( ) - ]}2 = E[ - E( )]2
) ) ) ) ) ) ) ) ) )
+ 2.[E( - E( )][E( ) - ] + E[E( ) - ]2 = E[ - E( )]2 + E[E( ) - ] = E[ - E( )]2 + [E( ) - ]2
) )
= Var( ) + Vis( )2, pois
) ) ) ) ) ) )
2.[E( - E( )][E( ) - ] = 2.[ E( ) - ][E( ) - E( )] = 0.

Desta forma:
) ) )
EQM( ) = Var( ) + Vis( )2, isto , o EQM a soma da varincia do estimador com sua
tendenciosidade elevada ao quadrado.
O erro quadrado mdio (mean square error) um critrio importante para a comparao de
dois estimadores.

x x
x x x x
x x E( )
x x x
x V( )

Figura 1.1 - Relao entre EQM e varincia de um estimador

2.2. P ROP RIEDADES DOS ESTIMADORES

As propriedades desejveis para um estimador so: no-tendenciosidade, preciso ou


eficincia, validade ou acurcia e consistncia.

2.2.1. N O - T E NDE NCI OSIDADE


)
Um estimador dito no-tendencioso (Imparcial, justo, no-viciado, no-viezado,
)
unbiased) de um parmetro se E( ) = .
) ) )
Se E( ) , ento dito "viciado" e E( ) - dito "vis" do estimador (bias of the
estimate).

Exemplos:
(1) X um estimador no-tendencioso de .

Pro va:

P r o f. Lo r V ia li, Dr . - v ia li@ p u c r s . b r - ht tp :// ww w. p uc r s . b r / f a ma t/ v ia li/ 5


SRIE: Estatstica Bsica
T e x t o : E st i ma o

E( X ) = E = E( X ) = E(X ) = = (n.)/n = .
X 1 1 1
n n n n

(2) )
2 =
X X( )2 um estimador tendencioso de 2.
n

Pro va:

Considere a soma (X X )2 e observe que ela poder ser escrita da seguinte maneira:

(
X X )2 = ( X + X)2 = ( X )2 + 2 ( X )( X) + ( X)2 .
Como - X constante e ( X ) = X n. = n. X n. = n(X ) , segue:

(
X X )2 = ( X )2 n. ( X )2 , pois
2 (X )( X ) = 2( X ). n( X ) = 2n( X ) e

2 X ) + ( X )2 = 2n ( X )2 + n ( X )2 = n ( X )2

Portanto:

( )
2
X X
E( ) 2 ) = E(
n
) =
1
n
( 2
E( X X )) =
1
n
E( ( X ) n. ( X )2 )
2
=

1
{ E ( X )2 nE ( X )2 } =
n

2
{n 2 n }
1 1 1
= { Var( X ) nVar (X )} = = (n2 - 2} = 2 - 2/n = (n2 - 2)/n = (n-1)2/n
n n n n

( )
2
X X
(3) S = 2
um estimador no-viciado de 2.
n1

Pro va:
X X
( )
2

2
E(S ) = E
n 1
1 2 1
( ) 2
= n 1 E X X = n 1 E X E( X ) + E( X ) X =

( )

1 2 2
1
E ( X E( X )) n X E( X )
n 1
2 2

( ) =
1

n 1
2
( 2
E (X E( X )) nE X E( X )

) = n n.
n 1 n
=

n. 2 2 (n 1). 2
= = 2.
n 1 n 1

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 6


SRIE: Estatstica Bsica
T e x t o : E st i ma o

( )
2
X X
(4) S = 2
um estimador tendencioso de 2, se a amostragem for realizada sem
n1

reposio de uma populao finita.

(5) T = n. X , total amostral, um estimador tendencioso de = X, total populacional.

Pro va:
E(T) = E(n. X ) = n. E( X ) = n. N. = .

(6) T = N. X um estimador no-tendencioso de = X.

Pro va:
E( T ) = E(N. X ) = N. E( X ) = N. = N. = .

(7) P um estimador no-tendencioso de .

Pro va:

um caso particular de X , onde X = 0, com probabilidade 1 -


1, com prababilidade
2 2
(8) ) 2X = S um estimador no-tendencioso de 2X =
n n

Pro va:
2 E(S2)
E( ) 2X ) = E( S ) = = 2/n.
n n

Se a amostragem for sem reposio de populao finita ento:

$2 Nn 2 Nn N1 2
)
2X =
S um estimador no tendencioso de 2X = , onde S$ 2 = S
n N1 n N1 N

A no-tendenciosidade ou ausncia de vis uma qualidade desejvel para os estimadores.


Entretanto, essa qualidade insuficiente como critrio para selecionar um estimador, pois por
exemplo, toda mdia ponderada dos valores amostrais um estimador no-tendencioso da mdia
populacional.

Pro va:
Seja M = i.Xi, onde i = 1, um estimador de . Ento:

E(M) = E(i.Xi) = E( i.Xi) = i.E(Xi) = . i = .

Outra propriedade desejvel para um estimador a da preciso ou eficincia.

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 7


SRIE: Estatstica Bsica
T e x t o : E st i ma o

2.2.2. P RE CI SO OU EF I CI NCI A

A preciso ou eficincia a proximidade das observaes (estimativas) do seu valor esperado.

Definio:
Dados dois estimadores no-tendenciosos ) 1 e ) 2 de um mesmo parmetro , diremos que ) 1

mais eficiente que ) 2 se Var( ) 1 ) < Var( ) 2 ). A eficincia relativa de ) 1 em relao a ) 2 definida
como sendo EQM( ) 1 )/EQM( ) 2 ). Se os dois estimadores forem no tendenciosos ento a eficincia
) ) ) )
relativa de 1 em relao a 2 definida como: V( 1 )/V( 2 ).

Exemplo 1:
Qual dos dois estimadores abaixo mais eficiente para estimar a mdia da populao?

X1 = 0,3X1 + 0,7X2 ou X2 = 0,2X1 + 0,8X2

Soluo
Como so ambos no-tendenciosos temos:

Var( X1 ) = Var(0,3X1 + 0,7X2) = 0,32 Var(X1) + 0,72Var(X2) = (0,09 + 0,49)2 = 0,582.

Var( X2 ) = Var(0,2X1 + 0,8X2) = 0,22 Var(X1) + 0,82Var(X2) = (0,04 + 0,64)2 = 0,682.

Portanto

X1 mais eficiente que X2

Em igualdade de circunstncias, obvio, que um estimador no-tendencioso prefervel a um


estimador tendencioso. Mas se tivermos que escolher entre um estimador tendencioso, cuja
distribuio concentrada na vizinhana do verdadeiro valor do parmetro e um no-tendencioso com
grande varincia, o estimador tendencioso pode ser prefervel, principalmente se possvel determinar
a grandeza e a direo da tendenciosidade.

Para julgar situaes como esta definida a propriedade da validade (ou acurcia).

Exemplo 2:
Suponha que se deseje estimar a mdia de uma populao, tendo uma amostra aleatria X1,
X2, ..., Xn desta populao e que se quer comparar dois possveis estimadores de : a mdia da amostra
X e uma nica observao da amostra, por exemplo, Xi. Note-se que tanto X quanto Xi so
estimadores no tendenciosos da mdia da populao e neste caso o erro quadrado mdia igual a

2 , onde 2 a varincia da
varincia. Para a mdia da amostra, tem-se: EQM( X ) = V( X ) =
n
P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 8
SRIE: Estatstica Bsica
T e x t o : E st i ma o

populao. Para uma nica observao, tem-se: EQM(Xi) = V(Xi) = 2. Ento a eficincia relativa de
EQM( X) 2 n 1
Xi comparada a X : = = . Como 1/n < 1 para amostras acima de 2, conclui-se
2
EQM(Xi) n
que a mdia da amostra um estimador melhor da mdia da populao do que uma nica observao.

2.2.3. VAL I D ADE ( OU A CURCI A )

Proximidade das observaes (estimativas) ao parmetro desejado. Dados dois estimadores ) 1


e ) 2 de um mesmo parmetro , diremos que ) 1 mais acurado que ) 2 se EQM( ) 1 ) < EQM( ) 2 ). A

eficincia relativa de ) 1 em relao a ) 2 definida como sendo EQM( ) 1 )/EQM( ) 2 ).

2.2.4. C OE R NCI A OU CONSI ST NCI A

Um estimador dito coerente (consistente) para qualquer quantidade muita pequena > 0 se a
)
probabilidade de que o desvio absoluto entre e seja menor que tende para 1 quando o nmero de
observaes "n" tende ao infinito, isto :
)
P(| - | < ) 1, quando n
)
A propriedade acima equivalente a lim EQM() = 0 ou ento, as duas seguintes,
n
)
lim E() = 0, a tendenciosidade tende a zero e
n
consideradas em conjunto: )
nlim Var() = 0 , a varincia tende a zero.

Exemplo:
Verificar que S2 um estimador coerente de 2.

Tem-se que E(S2) = , para qualquer "n" e

2 4 2 4
Var(S2) = . Ento, como lim = 0, S2 consistente.
n 1 n n 1

2.3. MTODOS DE ESTIMAO

Os estimadores considerados at agora foram sugeridos por intuio. Seria desejvel,


entretanto, um mtodo ou princpio que levasse sempre a bons estimadores. Infelizmente no existe um
mtodo geral aplicvel a todas as situaes. Os principais mtodos de estimao so o dos momentos,
o da mxima verossimilhana e o dos mnimos quadrados.

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 9


SRIE: Estatstica Bsica
T e x t o : E st i ma o

2.3.1. M T ODO DOS MOME NT OS

o mais antigo dos mtodos para determinar estimadores (determinado por K. Pearson em
1894). Se existem "k" parmetros para serem estimados, o mtodo consiste em expressar os primeiros
"k" momentos da populao em termos dos "k" parmetros atravs de "k" equaes. A soluo do
sistema formado por estas equaes leva a determinao dos estimadores.
As estimativas obtidas desta forma so claramente funes dos momentos da amostra. Uma
vez que os momentos da amostra so estimativas consistentes dos momentos da populao, os
parmetros estimados sero geralmente coerentes.

Seja f(x, 1, 2, ... k) uma funo densidade com "k" parmetros e sejam 1' , '2 , ..., 'k os

primeiros "k" momentos com respeito a origem, isto ,


+
t = x if ( x; 1 , 2 ,..., k )dx para i = 1, 2, ..., k.
'

Em geral 't ser funo dos "k" parmetros 1, 2, ... k, que ser representado atravs de:

't = 't (1, 2, ... k).

Seja: x1, x2, ..., x n uma amostra aleatria de tamanho "n" da varivel (populao) com
densidade f(x; 1, 2, ... k).

A partir desta amostra possvel determinar os "k" momentos amostrais m1' , m'2 , ..., m'k , de
onde vem:

1 n t
'
mt = xi
n i =1

Seja, 1 , 2 ,..., k a soluo em funo de i das "k" equaes

mt = t com t = 1, 2, ..., k.
' '

Estas solues so os estimadores obtidos pelo mtodo dos momentos.

Exemplo:
Teorema:
Se X tem uma distribuio N(; ), ento a funo geratriz de momentos de X dada por:

m(t) = exp[t + (2t2/2)]

Derivando duas vezes esta funo e fazendo t = 0 (centrando na origem) vem:

m1 = e m2 = +
' ' 2 2

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 10


SRIE: Estatstica Bsica
T e x t o : E st i ma o

Assim a varincia de X, ser V(X) = m'2 - m1' 2 = 2 + 2 - 2 = 2

Se for extrado uma amostra aleatria x1, x2, ..., x n da varivel (populao) com densidade
N(; ), ento, os momentos amostrais sero:

1 n
m1' = xi
n i =1
1 n 2
m'2 = xi
n i =1
Igualando os momentos populacionais e amostrais tem-se:

= X

1 1
2 + = x 2 2 = ( x 2 n x 2)
2
n n

possvel demonstrar que sob condies bastante gerais os estimadores obtidos pelo mtodo
dos momentos so:
(1) consistentes
(2) assintoticamente normais

2.3.2. M T ODO DA MXI M A VE ROS SI MI L HAN A ( M AXI MU M L I K EL I HOOD )

F uno de verossi milhana


Seja f(x: ) a funo de probabilidade X (discreta ou contnua) calculada no ponto X = x. O
valor de est includo na notao para lembrar que a distribuio da varivel X depende do
parmetro . Sejam X1, X2, ..., Xn uma amostra aleatria da varivel aleatria X e sejam x1, x2, ...., x n
seus valores amostrais. Define-se a funo de verossimilhana L, como sendo a seguinte funo da
amostra e do parmetro :

L(X1, X2, ..., Xn; ) = f(X1; ).f(X2; ). ... . f(Xn; ) Equao 1.1

Se a amostra (X1, X2, ..., Xn) tiver sido obtida, os valores amostrais (x1, x2, ...., x n) sero
conhecidos. J que desconhecido pode-se propor a seguinte questo? Para qual valor de L(x1, x2,
...., xn; ) ter o valor mximo? Colocando de outra forma. Suponha que existam dois valores
diferentes de , digamos 1 e 2, e que L(x1, x2, ...., xn; 1) < L(x1, x2, ...., xn; 2). Neste caso 2 seria
prefervel, pois para a amostra obtida o evento dado mais provvel de ocorrer com 2 do que com 1.
Este raciocnio pode ser resumido por:

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 11


SRIE: Estatstica Bsica
T e x t o : E st i ma o

Definio: A estimativa de mxima verossimilhana de , baseada numa amostra aleatria


obtida da populao X aquele valor de torna mxima L(X1, X2, ..., Xn; ), para uma dada amostra
X1, X2, ..., Xn onde L definida pela equao 1.1.
Observaes:

(i) uma varivel aleatria, pois seu valor depende da amostra X1, X2, ..., Xn.

(ii) Na maioria das situaes representa um valor isolado, mas se a distribuio depender de
mais de um parmetro (dois como no caso da normal), representar um vetor, por exemplo,
= (, ).

(iii) Para determinar a estimativa de MV, deve-se determinar o valor mximo de uma funo.
No entanto em muitas situaes mais fcil determinar o mximo da funo

ln L(X1, X2, ..., Xn; )

que possui o ponto de mximo idntico ao da funo L.


As estimativas de MV apresentam algumas propriedades importantes:

(i) A estimativa de MV pode ser tendenciosa. Normalmente esta tendenciosidade pode ser
eliminada pela multiplicao de uma constante apropriada.
(ii) Sob condies gerais as estimativas de MV so coerentes. Isto , se o tamanho da amostra
aumentar a estimativa se aproximar do valor a ser estimado.
Exemplo:

Suponha que uma varivel aleatria X tenha uma distribuio normal de mdia e desvio
padro , isto a fdp de X seja:
2
1 1 x
f(x) = e 2
2

Se X1, X2, ..., Xn for uma amostra aleatria de X, sua funo de verossimilhana ser dada
por:

1 n X 2
L(X1, X2, ..., Xn; , ) = ( 2 2)
n 2
exp i
2 i=1

Portanto:

1 n X 2
lnL(X1, X2, ..., Xn; , ) = ln( 2 2) i
n
2 2 i=1

Deve-se resolver simultaneamente:

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 12


SRIE: Estatstica Bsica
T e x t o : E st i ma o

lnL lnL
=0 e = 0 . Tem-se:

lnL n ( Xi )
2
= = 0 , que fornece = X , a mdia amostral e
i=1 2

n n ( X )
2
lnL 1 n 1 n
= + i 3 = 0 , o que fornece ) 2 = . ( Xi ) 2 = . ( Xi X ) .
2

i=1 n i=1 n i =1

Observe que a estimativa de mxima verossimilhana de 2 tendenciosa, pois j foi visto


que a no-tendenciosa precisa ser dividida por "n-1", isto , 2 ao invs de S2.

Observa-se que para a distribuio normal os estimadores obtidos pelo mtodo dos momentos
e pelo de mxima verossimilhana coincidem.

2.3.3. M T ODO DOS M NI MOS QUADRADOS

Este mtodo til para estimar momentos em torno de zero de uma distribuio populacional.
O princpio envolvido um pouco mais complicado do que o do mtodo dos momentos. Considere-se
uma varivel aleatria X e se r-simo momento em torno de zero:

E(Xr) = 'r onde r = 0, 1, 2, ...

A amostra a ser utilizada X1, X2, ..., Xn . Para se obter o estimador dos mnimos quadrados
de 'r formada a seguinte soma:

n
[
Xir 'r .
i=1
]2
Deve-se escolher o valor 'r que torna a soma acima to pequena quanto possvel. Por

exemplo, para se achar o estimador dos mnimos quadrados para a mdia populacional (= 'r ),

determina-se para qual valor de a soma acima ser mnima, isto , deve-se minimizar a equao:

( )2
n
Xir .
i=1

Para isto necessrio derivar esta equao em relao e igualar esta derivada a zero,
obtendo-se:
n
2 (X i ) = 0
i=1

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 13


SRIE: Estatstica Bsica
T e x t o : E st i ma o

1 n
Que resolvido em funo de = Xi = X .
n i =1

Desta forma, verifica-se pelo mtodo dos mnimos quadrados que a estimativa da mdia
populacional dada pela mdia da amostra, que coincide com o estimador obtido pelo mtodo dos
momentos.

As propriedades dos estimadores dos mnimos quadrados devem ser estabelecidas caso a caso.

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 14


SRIE: Estatstica Bsica
T e x t o : E st i ma o

33.. E
ESST
TIIM
MAA
O
O PPO
ORR IIN
NTTE
ERRV
VAAL
LOO

O estimador por ponto no permite ter uma idia do erro cometido ao se fazer a estimativa do
parmetro. Para que se possa associar uma confiana (probabilidade) a uma estimativa necessrio
construir um intervalo em torno da estimativa por ponto. Este intervalo construdo baseado na
distribuio amostral do estimador.

Para construir intervalos de confiana necessrio inicialmente fixar-se uma probabilidade 1


- de que o intervalo construdo contenha o parmetro populacional. Esta probabilidade
denominada de confiana do intervalo. Desta forma, ser a probabilidade de que o intervalo obtido
no contenha o valor do parmetro, isto , ser a probabilidade de erro.

3.1. DA MDIA P OP ULACIONAL ()

A construo de um intervalo de confiana para a mdia populacional () envolve duas


situaes tpicas. (1) Quando o desvio padro populacional () for conhecido e (2) Quando o desvio
padro populacional () for desconhecido. A segunda situao a mais comum, pois pouco provvel
que no se conhea a mdia de uma populao, por isto a necessidade de estim-la, mas, no entanto, se
conhece o desvio padro. Entretanto por razes histricas e didticas vamos manter as duas situaes.

3.1.1. D E SVI O PAD RO P OP UL ACI ONAL ( ) CONHE CI DO

O intervalo de confiana para a mdia () de uma populao construdo em torno da


estimativa pontual X. Sabe-se que a mdia da amostra tem distribuio normal de mdia e desvio

padro se a populao de onde for extrada a amostra for normal (ou se a amostra for superior a
n
30 e retirada de qualquer populao ) de mdia e de desvio padro , pode-se ento utilizar a curva
normal para estabelecer os limites para o intervalo de confiana.

Lembrando que o que se quer um intervalo que contenha o parmetro populacional com
probabilidade 1 - tem-se ento:

P(-z/2 < Z < z/2) = 1 - , onde z/2 o valor da normal padro com rea direita igual a
/2.

Mas Z = ( X - ) / substituindo na expresso acima vem:


n

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 15


SRIE: Estatstica Bsica
T e x t o : E st i ma o

P(-z/2 < (X - ) / < z/2 ) = 1 - . Trabalhando esta desigualdade, segue que:


n

P(X - z/2 < <X + z/2 ) = 1 - . Que o intervalo procurado. Assim o intervalo
n n
de confiana (probabilidade) de 1 - para a mdia de uma populao, quando for conhecido,
dado por:

[X - z/2 ; X + z/2 ] onde:


n n

X a estimativa por ponto da mdia da populao.

o desvio padro da populao e

z/2 o valor da distribuio normal padro cuja rea direita igual a /2, isto , o valor
de Z tal que: P(Z > z/2) = /2, ou ento: (-z/2) = /2.

Exemplo:

Uma populao tem um desvio padro igual a 10 e mdia desconhecida. Uma amostra de
tamanho n = 100 retirada e fornece uma mdia x = 50. Qual o intervalo de 95% de confiana para a
mdia desta populao?

Soluo:

Tm-se 1 - = 95%, ento = 5% e / 2 = 2,5%. O coeficiente de confiana que deve ser


buscado na normal padro valor z/2 de Z tal que:

P(Z > z/2) = 2,5%, ou ento: (-z/2) = 2,5% -z/2 = -1(2,5%) = -1,96.

Ento o intervalo de confiana de 95% para a mdia desta populao ser:

[X - z/2 ; X + z/2 ] = [50 - 1,96.10/10; 50 + 1,96.10/10] = [50 - 1,96; 50 + 1,96] =


n n
= [48,04; 51,96], ou seja, pode-se afirmar com uma certeza de 95% de que este intervalo conter a
mdia desta populao.

Obs.: O valor = z/2 denominado de erro padro da estimao. No confundir com o


n

valor que o erro padro da amostragem. O erro padro da estimao a semi-amplitude do


n
intervalo de confiana. A amplitude do intervalo de confiana (IC) ser; 2.

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 16


SRIE: Estatstica Bsica
T e x t o : E st i ma o

3.1.2. D E SVI O PAD RO P OP UL ACI ONAL ( ) DE SCONHE CI DO

Quando o desvio padro da populao () desconhecido necessrio utilizar sua estimativa


. S que ao substituir-se o desvio padro populacional pela sua estimativa no quociente:

(X - ) / no se ter mais uma normal padro. De fato, conforme demonstrado pelo


n
estatstico ingls W. S. Gosset 1, conhecido por Student o comportamento do quociente:

(X - ) / segue uma distribuio simtrica em torno de zero, porm com uma


n
variabilidade maior do que a da normal padro. A distribuio do quociente acima conhecida como
distribuio T de Student.

3.1.3. A DI ST RI B UI O T ( DE S T UDE NT )

Na realidade existem infinitas distribuies T, uma para cada tamanho de amostra. Estas
distribuies a exemplo da normal padro encontram-se tabeladas.

A tabela para a distribuio T segue uma metodologia um pouco diferente daquela da


normal padro. De fato, como as distribuies de Student no podem ser padronizadas, isto , sofrer
uma transformao de varivel, a exemplo do ocorre na normal, no possvel construir uma nica
tabela. Assim, neste caso, cada linha de uma tabela representa uma distribuio diferente e cada coluna
representa um valor de confiana que poder ser ou /2, isto , a tabela poder ser unilateral ou
bilateral. A linha de cada tabela fornece a distribuio T" com parmetro n - 1 denominado de graus
de liberdade, isto , o grau de liberdade = = n - 1 = linha da tabela.

3.1.4. O I NT E RVAL O

Neste caso, o intervalo de confiana com probabilidade 1 - para a mdia ser:

[X - t/2 ; X + t/2 ] onde:


n n

X a estimativa por ponto da mdia da populao;

1
William S. Gosset: Estatstico ingls que trabalhava na cervejaria Guiness.

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 17


SRIE: Estatstica Bsica
T e x t o : E st i ma o

o desvio padro da amostra, calculado com "n-1" no denominador e uma estimativa do


desvio padro da populao e t/2 o valor da distribuio T cuja rea direita igual a /2, isto ,
o valor de T tal que:

P(T > t/2) = /2, ou ento: P(- t/2 < T < t/2) = 1 - .

Na realidade as tabelas fornecem os valores de "T" em funo do parmetro = n - 1 = grau


de liberdade e da confiana desejada (dada em funo de uma ou duas caudas). Assim dado uma
confiana unicaudal de /2, o valor tabelada : T-1(n - 1, /2) = -t/2.

Exemplo:

Uma amostra de tamanho 25 foi retirada de uma populao com o objetivo de estimar a sua
mdia e forneceu os valores x = 50 e = 10. Qual o intervalo de 95% de confiana para a mdia
desta populao?

Soluo:

Tem-se 1 - = 95%, ento = 5% e / 2 = 2,5%. O coeficiente de confiana que deve ser


buscado na distribuio t com = n - 1 = 25 - 1 = 24 (linha da tabela). A coluna dever ser o valor
= 5% (tabelas bilaterais) ou ento o valor / 2 = 2,5% (tabelas unilaterais). Em qualquer caso o que
se procura o valor T com grau de liberdade igual a 24, isto , o valor T24 tal que:

P(- t/2 < T24 < t/2) = 95%.

Este valor vale 2,064. (note-se que na normal este mesmo valor valia 1,96). Ento o intervalo
de confiana de 95% para a mdia desta populao ser:

[X - t/2 ; X + t/2 ] = [50 - 2,064.10/5; 50 + 2,064.10/5] = [50 - 4,13; 50 + 4,13] =


n n
[45,87; 54,13], ou seja, pode-se afirmar com uma certeza de 95% de que este intervalo conter a mdia
desta populao.

Convm notar que a ltima linha da tabela da distribuio T apresenta valores coincidentes
com aqueles que seriam obtidos se fosse utilizada a distribuio normal padro. Isto ocorre porque a
distribuio T tende a distribuio normal medida que o tamanho da amostra aumenta, isto , a
distribuio normal o limite da distribuio T quando o tamanho da amostra tende ao infinito. Esta
aproximao j ser bastante boa para amostras de tamanho n > 30. No entanto, para evitar confuses
sobre quando utilizar um ou outro modelo, no se recomenda a substituio de T por Z, a exemplo, do

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 18


SRIE: Estatstica Bsica
T e x t o : E st i ma o

que fazem outros textos. Quando o valor do grau de liberdade no for encontrado na tabela, toma-se o
valor imediatamente inferior.

3.2. DA P ROP ORO P OP ULACIONAL ()

Seja P = proporo amostral. Sabe-se que para n > 50 a distribuio amostral de P


(1 )
aproximadamente normal com mdia P = e desvio padro (erro padro) P = . Pode-se
n
ento utilizar a curva normal para estabelecer os limites para o intervalo de confiana.

Lembrando que o que se quer um intervalo que contenha o parmetro populacional com
probabilidade 1 - ento tem-se:

P(-z/2 < Z < z/2) = 1 - , onde z/2 o valor da normal padro com rea direita igual a
/2.

Mas Z = (P- P) / P ento substituindo na expresso acima vem:

P(-z/2 < (P - P) / P < z/2 ) = 1 - . Trabalhando esta desigualdade, segue que:

P(P - z/2P < P <P + z/2P) = P(P - z/2P < <P + z/2P) = 1 - . Que o intervalo
procurado. Assim o intervalo de confiana (probabilidade) de 1 - para a proporo P de uma
populao dado por:

(1 ) (1 )
[P- z/2 ; P + z/2 ].
n n

Observando-se a expresso acima pode-se perceber que o intervalo de confiana para a


proporo populacional , depende dele mesmo, isto , necessrio calcular o erro amostral que est
expresso em funo de . Como o objetivo estimar este valor, evidentemente ele no conhecido.
Assim necessrio utilizar, sua estimativa P , isto , necessrio substituir por P na expresso

(1 )
P = . Desta forma o intervalo acima ficar:
n

P (1 P ) P (1 P )
[P- z/2 ; P + z/2 ], onde:
n n

P a estimativa por ponto da proporo populacional .

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 19


SRIE: Estatstica Bsica
T e x t o : E st i ma o

P(1 P )
P = n
uma estimativa do erro padro, isto , do desvio padro amostral e

z/2 o valor da distribuio normal padro cuja rea direita igual a /2. o valor de Z tal
que: P(Z > z/2) = /2, ou ento: (-z/2) = /2.

Exemplo 1:

Numa pesquisa de mercado, 400 pessoas foram entrevistadas sobre sua preferncia por
determinado produto. Destas 400 pessoas, 240 disseram preferir o produto. Determinar um intervalo de
confiana de 95% de probabilidade para o percentual de preferncia dos consumidores em geral para
este produto.

Soluo:

Tm-se 1 - = 95%, ento = 5% e / 2 = 2,5%. O coeficiente de confiana que deve ser


buscado na normal padro valor z/2 de Z tal que:

P(Z > z/2) = 2,5%, ou ento: (-z/2) = 2,5%.

Este valor vale 1,96. A estimativa por ponto para a proporo populacional ser: p = f/n =
240/400 = 0,60 = 60%.

Ento o intervalo de confiana de 95% para a proporo populacional ser:

P(1 P ) P(1 P ) 0,60(1 0,60 ) 0,60(1 0,60 )


[P- z/2 ; P + z/2 ] = [0,60 - 1,96 .; 0,60 + 1,96 ]
n n 400 400

= [60% - 4,80% ; 60% + 4,80%] = [55,20%; 64,80%], ou seja, pode-se afirmar com uma certeza de
95% de que este intervalo conter a proporo populacional, isto , a verdadeira percentagem dos
consumidores que preferem o produto pesquisado.

Exemplo 2:
Numa pesquisa de mercado para estudar a preferncia da populao de uma cidade em relao
ao consumo de um determinado produto, colheu-se uma amostra aleatria de 300 consumidores da
cidade e observou-se que 180 consumiam o produto. Determinar um IC de 99% para a proporo
populacional de consumidores do produto.

Soluo:

Tm-se 1 - = 99%, ento = 1% e / 2 = 0,5%. O coeficiente de confiana que deve ser


buscado na normal padro valor z/2 de Z tal que:

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 20


SRIE: Estatstica Bsica
T e x t o : E st i ma o

P(Z > z/2) = 0,5%, ou ento: (-z/2) = 0,5%.

Este valor vale 2,575. A estimativa por ponto para a proporo populacional ser: p = f/n =
180/300 = 0,60 = 60%.

Ento o intervalo de confiana de 99% para a proporo populacional ser:

P(1 P ) P(1 P ) 0,60(1 0,60 ) 0,60(1 0,60 )


[P- z/2 ; P + z/2 ] = [0,60 - 2,58 .; 0,60 + 2,58 ]
n n 300 300

= [60% - 7,28% ; 60% + 7,28%] = [52,72%; 67,28%], ou seja, pode-se afirmar com uma certeza de
99% de que este intervalo conter a proporo populacional, isto , a verdadeira percentagem dos
consumidores que preferem o produto pesquisado.

3.3. DA VARINCIA P OP ULACIONAL ( 2 )

Sabe-se que o estimador no-tendencioso de 2 S2 e que E(S2) = 2, enquanto


V (S2) = 2 4/(n -1). No entanto, para se construir um intervalo de confiana para 2 necessrio, ainda
conhecer qual o comportamento de S2 , isto , qual o modelo terico (probabilstico) seguido pelo
estimador.

0,8

0,6

0,4

0,2

0
0,0

0,7
1,4
2,1

2,8
3,5
4,2
4,9

5,6
6,3
7,0

7,7
8,4
9,1

9,8

Figura 2.1 - Algumas distribuies qui-quadrado A distribuio qui-quadrado

A distribuio da varincia amostral assintoticamente normal para qualquer populao que


tenha momentos de segunda ordem, mas quando a prpria populao normal, a varincia de uma
amostra desta populao ter uma distribuio conhecida como qui-quadrado.

A distribuio qui-quadrado e representado por 2 (c grego).

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 21


SRIE: Estatstica Bsica
T e x t o : E st i ma o

A distribuio ou modelo qui-quadrado pode ser obtida de uma soma de variveis normais
n
padronizadas, isto , 2n = Zi2 .
i =1

A distribuio 2 assimtrica positiva (possu uma cauda direita) e de depende do


parmetro . Sabe-se tambm que:

E(2) = e que V(2) = 2.


A figura 2.1 mostra alguns exemplos de modelos qui-quadrado. A comportamento,
distribuio de probabilidade, apresentado pela varincia amostral (S2) est relacionado com a
distribuio (modelo) 2 atravs do seguinte resultado:

(n 1) S2
2n 1 = , isto , a varincia segue uma distribuio 2 com "n - 1" graus de liberdade
2

a menos de uma constante. Neste caso = n -1. Este resultado vlido desde que a populao de onde
foram extradas as amostras seja normal.

3.3.1. TAB E L AS

A distribuio 2 est tabelada em funo do grau de liberdade n - 1 = (linha da tabela) e


rea sua direita, isto , P(2 > c) = . Na realidade o que est tabelado a funo inversa da 2, isto
, entrando com o valor do parmetro (graus de liberdade) e uma determinada probabilidade (rea), a
tabela fornece um valor da varivel (abscissa) tal que a probabilidade direita (rea) deste valor seja
igual a rea especificada.

3.3.2. O I NT E RVAL O

Suponha que seja fixado um nvel de confiana de 1 - e que 12 e 22 sejam dois valores

da distribuio 2 tais que P(12 < 2 < 22 ) = 1 - .

P(12 < 2 < 22 ) = 1 -

(n 1) S2
P(12 < < 22 ) = 1 -
2

P(
1
< 2 1
< 2)=1-
22 (n 1) S2
1

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 22


SRIE: Estatstica Bsica
T e x t o : E st i ma o

(n 1) S2 (n 1) S2
P( < 2
< )=1-
22 12

Assim o intervalo de confiana (probabilidade) de 1 - para a varincia da populao


dado por:

(n 1) S2 (n 1) S2
;
2 12
2

3.4. DO DESVIO PADRO P OP ULACIONAL ( )

Para determinar um intervalo de confiana de "1 - " de probabilidade para o desvio padro
populacional basta apenas tomar a raiz quadrada positiva dos termos do intervalo para a varincia
populacional. Assim o intervalo ser:

(n 1) S2 (n 1) S2
;
22 12

O significado deste intervalo :

(n 1) S2 (n 1) S2
P < < = 1 .
2
2
2 1

Exemplo:
Uma amostra, de tamanho 12, extrada de uma populao normal forneceu uma varincia de
2
s = 8,38. Determinar um intervalo de confiana de 90% para a varincia da populao e um intervalo
de mesma confiabilidade para o desvio padro da populao.

Soluo

Neste caso necessrio inicialmente determinar os valores da distribuio 2, de modo, que


12 tenha uma rea (probabilidade) direita igual a 95% e 22 tenha uma rea (probabilidade) direita

igual a 5%. Estes valores so: 12 = 3,940 e 22 = 18,307.

O intervalo de confiana, para a varincia, ser:

(n 1) S2 (n 1) S2
;
2 12
2

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 23


SRIE: Estatstica Bsica
T e x t o : E st i ma o

(11 1).8,38 (11 1).8,38


18,307 ; 3,940

[4,58; 21,27]
O intervalo de confiana, para o desvio padro, ser:

(n 1) S2 (n 1) S2
;
22 12

(11 1).8,38 (11 1).8,38


;
18 ,307 3,940

4,58; 21,27; ]

[2,14; 4,61].

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 24


SRIE: Estatstica Bsica
T e x t o : E st i ma o

44.. E
EXXE
ERRC
CC
CIIO
OSS

(01) Seja X uma varivel aleatria normal com mdia e desvio padro . Sejam:
n n n
Xi Xi Xi
1
1 = i =1 , 2 = i =1 e 3 = + i = 2 , trs estimadores de . Determinar as propriedades dos
n n +1 2 2n
trs estimadores, isto , suas expectncias e variabilidades.
(02) Com base na amostra aleatria (X1, X2), considerar dois estimadores de .

+
X = X1 X2 e W = X1 + X2
1 2
2 3 3

(02.1) Verificar se so no tendenciosos.

(02.2) Qual a eficincia de W em relao a X ? Qual o melhor?

(02.3) Provar que X mais eficiente que qualquer outra combinao linear no-tendenciosa.
(Sugesto: determinar a varincia de cX1 + (1 -c)X2 em funo de "c" e achar o seu mnimo,
derivando-a e igualando-a a zero.)
(03) Quando ocorrem "f" sucessos em "n" provas, usa-se a proporo P = f/n como estimador do
sucesso , mas s vezes prefervel o estimador:
P* = (f + 1)/(n + 2) = (nP + 1)/(n + 2).
(03.1) Calcular a mdia e a varincia de P*.

(03.2) Achar o EQM(P) e o EQM(P*).


(03.3) Utilizando as frmulas dos dois primeiros itens, comparar o EQM de P com o de P*, quando
n = 10 e o valor de = 0, 0.1, 0.2, ..., 0.9, 1.0.

1 n 1
(X i +1 X i ) um estimador no-tendencioso de .
~2 = 2 2
(04) Verificar se o estimador
2(n 1) i =1

(05) Um estimador dito estimador linear se ele uma combinao linear das observaes amostrais.
dito o melhor estimador linear no-viciado se de todas as combinaes lineares da amostra ele
apresentar a menor varincia. Mostre que a mdia da amostra o melhor estimador linear no
tendencioso para a mdia da populao.
(06) Suponha que se tenha uma amostra aleatria de tamanho 2n retirada de uma populao X com
mdia E(X) = e V(X) = 2. Sejam:

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 25


SRIE: Estatstica Bsica
T e x t o : E st i ma o

1 2n 1 n
X1 = Xi e X 2 = Xi dois estimadores de . Qual deles o melhor estimador de . Explique a
2n i=1 n i=1
escolha?

(07) Seja X1, X2, ... , Xn uma amostra aleatria de uma populao com mdia e varincia 2.
Considere os seguintes estimadores de :
) X1 + X2 + ... + X7 ) +
1 = e 2 = 2X1 X6 X4
7 2
Os dois estimadores so no tendenciosos? Que estimador o melhor? Em que sentido ele melhor?

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 26


SRIE: Estatstica Bsica
T e x t o : E st i ma o

55.. R
REESSPPO
OSST
TAASS D
DOOSS E
EXXE
ERRC
CC
CIIO
OSS

(01) Quanto a expectncia tem-se:

E( 1) = E(X) =

n
E( 2) =
n +1
(n 1) (2n 1)
E( 1) = + = .
2 2n 2n

Como 2 e 3 so tendenciosos s 1 = X candidato eficincia.

Quanto acurcia, tem-se: EQM( ) = Var( ) + (Tend )2

2
V( 1) = V(X) =
n

Xi 2
V( 2) = V( ) = n
n +1 (n +1) 2
n
Xi
1 (n 1) 2(n 1)
V( 3) = V( + i = 2 ) = + =
2 2n 2 2n 2n

X + X2 ) = .
(02) E( X) = E( 1
2
1 2 1 2 2
E(W) = E( X1 + X 2) = E(X1) + E(X2) = + = .
3 3 3 3 3 3

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 27


SRIE: Estatstica Bsica
T e x t o : E st i ma o

66.. BBIIBBLLIIOOGGRRAAFFIIAA

[HIN90] HINES, William W., MONRGOMERY, Douglas. Probability and Statistics in Engineering
and Management Science. New York: John Wiley & Sons, 1990.
[KAS86] KACHIGAN, Sam Kash. Statistical Analysis: An Interdisciplinary Introduction to
Univariate & Multivariate Methods. New York: Radius Press, 1986, 589 p.
[KME78] KMENTA, Jan. Elementos de Econometria. Traduo: Carlos Roberto Vieira Arajo. So
Paulo: Atlas, 1978, 686 p.

[MAS90] MASON, Robert D., DOUGLAS, Lind A. Statistical Techniques in Business And
Economics. IRWIN, Boston, 1990.

[STE96] STEVENS, James. Applied Multivariate Statistics For The Social Sciences. Mahwah, New
Jersey: LEA Lawrence Erbaum Associates, Publishers

P ro f. Lo r V ia li, Dr. - v ia li@ p u c rs . b r - ht tp :// ww w. p uc rs . b r/ fa ma t/ v ia li/ 28