| Ambos lados da revisão anteriorRevisão anteriorPróxima revisão | Revisão anterior |
| disciplinas:ce067:teoricas:estimacao [2008/05/28 16:26] – joel | disciplinas:ce067:teoricas:estimacao [2008/05/29 11:48] (atual) – joel |
|---|
| </latex> | </latex> |
| |
| Caso nestas semanas o processo de fabricação esteja sob controle, e as peças tenham sido sorteadas de modo a representar bem os 100 equipamentos fabricados na semana, os valores acima representam 4 diferentes configurações para uma amostra aleatória. | Caso nestas semanas o processo de fabricação esteja sob controle, e as peças tenham sido sorteadas de modo a representar bem os 100 equipamentos fabricados na semana, os valores acima representam 4 diferentes configurações para uma amostra aleatória. Veja abaixo como a proporção de peças boas é estimada em cada semana. |
| | |
| Suponha que a estatística de interesse em cada amostra seja a quantidade de equipamentos com boa resistência, ou seja: | |
| |
| <latex> | <latex> |
| Y:\textit{quantidade de peças com boa resistência em 5 testadas} | \begin{tabular}{|c|c|} \hline |
| | & proporção de peças boas \\ \hline |
| | semana 1 & 4/5 \\ |
| | semana 2 & 3/5 \\ |
| | semana 3 & 4/5 \\ |
| | semana 4 & 3/5 \\ \hline |
| | \end{tabular} |
| </latex> | </latex> |
| |
| <latex> | É importante ressaltar na tabela acima que diferentes amostragens geram diferentes resultados para a estatística de interesse que, neste caso, é a proporção de peças boas. |
| Y=\sum_{i=1}^n X_i | |
| </latex> | |
| | |
| Esta estatística de interesse corresponde a uma variável aleatória com distribuição binomial. Assim, podemos calcular probabilidades para os seus possíveis valores. | |
| | |
| |
| ====== Parâmetros, Estimadores e Estimativas ====== | ====== Parâmetros, Estimadores e Estimativas ====== |
| </latex> | </latex> |
| |
| //**Exemplo 7.3** Em uma cidade, os taxis estão numerados de 1 até //<latex> \theta </latex> //, sendo// <latex> \theta </latex> //é um parâmetro desconhecido que representa a quantidade de taxis na cidade. Supondo que os taxis circulam de modo uniforme por toda cidade, uma pessoal anotou a placa dos 5 primeiros taxis que passaram em uma determinada esquina. Estes números foram:// | //**Exemplo 7.3** Em uma cidade, os taxis estão numerados de 1 até //<latex> \theta </latex> //, sendo que // <latex> \theta </latex> //é um parâmetro desconhecido que representa a quantidade de taxis na cidade. Supondo que os taxis circulam de modo uniforme por toda cidade, uma pessoa anotou a placa dos 5 primeiros taxis que passaram em uma determinada esquina. Estes números foram:// |
| |
| <latex> | <latex> |
| <latex>\hat{\theta}_3=X_{(5)}+X_{(1)}</latex> | <latex>\hat{\theta}_3=X_{(5)}+X_{(1)}</latex> |
| |
| | Os três estimadores acima representam três propostas para estimar a quantidade total de taxis na cidade. As funções da amostra apresentadas acima são respectivamente: máximo, 2 vezes a mediana e máximo+mínimo. Ao aplicarmos estes estimadores na amostra obtida teremos as seguintes estimativas: |
| | |
| Os três estimadores acima representam três propostas para estimar a quantidade total de taxis na cidade. As funções da amostra apresentadas acima são respectivamente: máximo, mediana e máximo+mínimo. Ao aplicarmos estes estimadores na amostra obtida teremos as seguintes estimativas: | |
| |
| <latex> | <latex> |
| \hat{\theta}_{3obs} = 519 | \hat{\theta}_{3obs} = 519 |
| </latex> | </latex> |
| | |
| |
| | |
| Cada um dos exemplos acima propõe 3 estimadores, estes são utilizados em uma amostra observada da variável de interesse e são encontradas diferentes estimativas. A questão relevante neste momento é //"Qual estimador é o mais apropriado ? "//. A princípio esta questão parece não ter resposta, pois não conhecemos o valor do parâmetro de interesse. | Cada um dos exemplos acima propõe 3 estimadores, estes são utilizados em uma amostra observada da variável de interesse e são encontradas diferentes estimativas. A questão relevante neste momento é //"Qual estimador é o mais apropriado ? "//. A princípio esta questão parece não ter resposta, pois não conhecemos o valor do parâmetro de interesse. |
| |
| Porém, o estimador é uma variável aleatória, logo podemos pensar em calcular probabilidades para seus possíveis valores e avaliar estatísticas como: valor esperado e variância. A partir deste fato são desenvolvidos princípios para qualificar e diferenciar os estimadores. Um estimador mais "preciso", por exemplo, é aquele que possui menor variabilidade de amostra para amostra. O valor esperado de um estimador deve ser o valor do parâmetro de interesse na população. Na sequência são apresentadas algumas propriedades desejáveis para um bom estimador. | Porém, o estimador é uma variável aleatória, logo podemos pensar na sua distribuição de probabilidades e avaliar estatísticas como: valor esperado e variância. A partir deste fato são desenvolvidos princípios para qualificar e diferenciar os estimadores. Um estimador mais "preciso", por exemplo, é aquele que possui menor variabilidade de amostra para amostra. Deseja-se também que valor esperado do estimador seja o valor do parâmetro de interesse na população. Na seqüência são apresentadas algumas propriedades desejáveis para um bom estimador. |
| |
| ==== Propriedades dos Estimadores ==== | ==== Propriedades dos Estimadores ==== |
