Faculdade de Economia do Porto

Estatística II
Licenciatura em Economia

Estatística II, Licenciatura em Economia 1

Índice temático

 Amostragem
Amostragem aleatória simples

 Estimação Pontual
Estimadores e estimativas
Propriedades desejáveis dos estimadores:
centricidade, eficiência, consistência e suficiência.
Métodos de estimação pontual: método dos momentos e
método da máxima verosimilhança.

Estatística II, Licenciatura em Economia 2

Amostragem

Teoria das Probabilidades versus Inferência Estatística

Enquanto na Teoria das Probabilidades se admite um

determinado modelo probabilístico e se calcula a probabilidade
de certos acontecimentos, na Inferência Estatística parte-se de
dados e procura-se inferir acerca do modelo probabilístico
subjacente aos dados.

Estatística II, Licenciatura em Economia 3

Amostragem

Objetivo fundamental da Inferência Estatística

O objetivo fundamental da Inferência Estatística é, pois,

caracterizar a população, do ponto de vista estatístico, a partir
de uma ou mais amostras retiradas dessa mesma população.

Estatística II, Licenciatura em Economia 4

Amostragem

Amostra versus população

Várias são as razões pelas quais se opta por estudar uma

amostra, ao invés de analisar todos os elementos da população.
Destacam-se, entre outras, as seguintes, umas mais relevantes
nuns casos que noutros:
I populações infinitas ou muito extensas;
I custo e tempo excessivo no processo de recolha e
tratamento de dados;
I recolha de informação através de métodos destrutivos;
I comodidade.

Estatística II, Licenciatura em Economia 5

Amostragem

Amostragem aleatória

Na Inferência Estatística, consideram-se os dados observados

como realizações de variáveis aleatórias. Em particular, quando
dispomos de uma amostra de n observações (x1 , . . . , xn ),
supõe-se que é a realização da variável aleatória n-dimensional
ou vetor aleatório (X1 , . . . , Xn ). Este vetor aleatório é designado
por amostra aleatória.

Note-se que, sendo X a variável aleatória associada à

característica em estudo na população, X1 , . . . , Xn são réplicas
da variável aleatória X, as quais dizem respeito,
respetivamente, ao 1º, ao 2º, . . . , e ao n-ésimo elemento da
amostra.

Estatística II, Licenciatura em Economia 6

Amostragem

Amostragem aleatória

O processo de seleção da amostra é designado por

amostragem.

Vamos, no âmbito da disciplina, considerar apenas a

amostragem aleatória simples, i.e., vamos lidar unicamente
com o tipo de amostragem em que todos os elementos da
população têm a mesma probabilidade de serem incluídos na
amostra.

Estatística II, Licenciatura em Economia 7

Amostragem

Amostragem aleatória

Definição (Amostra aleatória simples)

Seja X a variável aleatória associada à característica em estudo
na população. Quando as n variáveis aleatórias, componentes
do vetor aleatório (X1 , . . . , Xn ), são independentes e
identicamente distribuídas – simbolicamente iid – a X diz-se
que se trata de uma amostra aleatória.

Estatística II, Licenciatura em Economia 8

Amostragem

Distribuição por amostragem

Definição (Estatística)
Uma estatística é uma variável aleatória função da amostra
aleatória (X1 , . . . , Xn ), não envolvendo qualquer parâmetro
desconhecido.

A distribuição de probabilidade de uma estatística é designada

por distribuição por amostragem da estatística.

Estatística II, Licenciatura em Economia 9

Amostragem

Exemplos
Seja X ∼ N µ, σ2 com µ e σ2 parâmetros desconhecidos e

(X1 , . . . , Xn ) uma amostra aleatória de X.

São estatísticas:
I a média amostral X = 1
n ∑ni=1 Xi ;

2
I a variância amostral não corrigida S2 = ∑ni=1 Xi − X ;
1
n
I a variância amostral corrigida S02 = n−1 1 ∑ni=1 Xi − X 2 ;

I ∑ni=1 Xi .
(Xi −µ)2
Porém, ∑ni=1 n não é uma estatística.

Estatística II, Licenciatura em Economia 10

Estimação Pontual

Objetivo

Pretendemos inferir o valor dos parâmetros desconhecidos da

população.

Tais inferências são efetuadas com base em determinadas

estatísticas, havendo, portanto, todo o interesse em estudar
previamente as propriedades destas estatísticas.

Estatística II, Licenciatura em Economia 11

Estimação Pontual

Estimador

Definição
Um estimador de um parâmetro θ de uma população é uma
estatística θb usada para estimar o valor de θ.

Exemplos
b=X
µ
σb2 1 = S2
σb2 2 = S02

Estatística II, Licenciatura em Economia 12

Estimação Pontual

Estimativa

Definição
Um estimativa de um parâmetro θ de uma população é o valor
assumido pelo estimador θb quando se concretiza a amostra
aleatória.

Exemplos
Seja (x1 , . . . , x8 ) = (4, 3, 6, 1, 8, 4, 3, 9) a concretização da
amostra aleatória(X1 , . . . , X8 );
b=x=
µ 1
8 ∑8i=1 xi = 4.75 e
2
σb2 1 = s2 = 1
8 ∑8i=1 (xi − x) = 6.4375
são estimativas, respetivamente, de µ e σ2 .

Estatística II, Licenciatura em Economia 13

Estimação Pontual

Propriedades desejáveis dos estimadores

Seja X uma população com f.p. ou f.d.p. f (x|θ ), em que θ é o
parâmetro desconhecido que pretendemos estimar.

Definição (Estimador cêntrico)

Um estimador θb do parâmetro
  θ diz-se cêntrico (centrado ou
não-enviesado) se E θb = θ.

θb é um estimador cêntrico se, considerado o conjunto de todas

as amostras, a média das estimativas obtidas é igual ao
verdadeiro valor do parâmetro.

Estatística II, Licenciatura em Economia 14

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Definição (Estimador não-cêntrico)

Um estimador θb do parâmetro θ diz-se
  não-cêntrico
(não-centrado ou enviesado) se E θb 6= θ.

Definição (Enviesamento do estimador)

O enviesamento
  do estimador θ do parâmetro θ é definido por
b
env(θb) = E θb − θ.

Estatística II, Licenciatura em Economia 15

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Figura: Ilustração gráfica do conceito de centricidade.

Estatística II, Licenciatura em Economia 16

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Definição (Estimador assintoticamente cêntrico)

Um estimador θb doparâmetro
 θ diz-se assintoticamente
cêntrico se lim E θ = θ.
b
n→+∞

Nota
Claramente, se θb é cêntrico, então θb é assintoticamente cêntrico.

Estatística II, Licenciatura em Economia 17

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Exemplos
Seja X uma população com valor médio µ e variância σ2
(ambos os parâmetros desconhecidos). Considerando a
amostra aleatória (X1 , . . . , Xn ) de X, podemos afirmar que:

I X é um estimador cêntrico de µ;

I S2 não é um estimador cêntrico, mas é assintoticamente

cêntrico para estimar σ2 ;

I S02 é um estimador cêntrico de σ2 .

Estatística II, Licenciatura em Economia 18

Estimação Pontual

Resultados sobre a média amostral

Seja X uma população com valor médio µ e variância σ2

(ambos parâmetros desconhecidos). Considerando a amostra
aleatória (X1 , . . . , Xn ) de X, podemos estabelecer os dois
resultados seguintes:


I E X = µ;

2
I V X = σn .

Nota
Estes resultados são válidos para qualquer população que
tenha valor médio µ e variância σ2 .

Estatística II, Licenciatura em Economia 19

Estimação Pontual

Resultados sobre a variância amostral

Seja X uma população com valor médio µ e variância σ2

(ambos parâmetros desconhecidos). Considerando a amostra
aleatória (X1 , . . . , Xn ) de X, podemos estabelecer os dois
resultados seguintes:
I E S2 = n−n 1 σ2 ;

I E S02 = σ 2 .

Nota
Estes resultados são válidos para qualquer população que
tenha valor médio µ e variância σ2 .

Estatística II, Licenciatura em Economia 20

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Definição (Estimador consistente)

Um estimador θb de um parâmetro desconhecido θ diz-se
consistente ou convergente se
  
∀e>0 , lim P θb − θ  < e = 1,
 
n→+∞

em que n designa a dimensão da amostra.

Estatística II, Licenciatura em Economia 21

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

De acordo com esta propriedade, à medida que n aumenta, i.e.,

à medida que a dimensão da amostra aumenta, maior é a
precisão de um estimador consistente, ou seja, mais elevada é a
probabilidade das estimativas fornecidas se encontrarem
próximas do verdadeiro valor do parâmetro.

Estatística II, Licenciatura em Economia 22

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Figura: Ilustração gráfica do conceito de consistência.

Estatística II, Licenciatura em Economia 23

Estimação Pontual

É evidente que se o enviesamento e a variância de um

estimador tenderem simultaneamente para 0, quando n tende
para +∞, o estimador é consistente. Podemos, assim, enunciar
as seguintes condições suficientes (embora não necessárias) de
consistência de um estimador.

Teorema (Condições suficientes de consistência)

Seja θb um
 estimador
 do parâmetro
  desconhecido θ. Se
lim E θ = θ e se lim V θb = 0, então θb é um estimador
b
n→+∞ n→+∞
consistente de θ.

Exemplo
X é um estimador consistente de µ

Estatística II, Licenciatura em Economia 24

Estimação Pontual

Definição (Eficiência relativa no caso particular de

estimadores cêntricos)
De dois estimadores cêntricos, θb1 e θb2 , do mesmo parâmetro θ, o
mais eficiente é o que apresenta menor variância.

Definição (Medida de eficiência relativa no caso particular

de estimadores cêntricos)
Dados dois estimadores cêntricos, θb1 e θb2 , do mesmo parâmetro
θ, a eficiência relativa do estimador θb1 em relação ao estimador
θb2 é definida pelo quociente:
 
V θb1
er =   .
V θb2

Estatística II, Licenciatura em Economia 25

Estimação Pontual

Nota
Naturalmente:
I se er > 1, o estimador θb2 é mais eficiente do que o
estimador θb1 ;

I se er < 1, o estimador θb1 é mais eficiente do que o

estimador θb2 ;

I se er = 1, os estimadores θb1 e θb2 são igualmente eficientes.

Estatística II, Licenciatura em Economia 26

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Figura: Ilustração gráfica do conceito de eficiência.

Estatística II, Licenciatura em Economia 27

Estimação Pontual

Desigualdade de Fréchet-Cramér-Rao ou Desigualdade da

informação
A variância de um estimador regular do parâmetro θ verifica a
seguinte desigualdade

h  i2
  1 + env0 θb
V θb ≥ ,
nI (θ )
 
em que env0 θb representa a derivada do enviesamento em
ordem a θ e
" 2 #
∂ ln f (X|θ ) ∂2 ln f (X|θ )
 
I (θ ) = E = −E
∂θ ∂θ 2

designa a quantidade de informação de Fisher.

Estatística II, Licenciatura em Economia 28
Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Definição (Eficiência absoluta no caso particular de

estimadores cêntricos e regulares)

[nI (θ )]−1
0 < ea =   ≤ 1.
V θb

Se ea = 1, o estimador θb é o de variância mínima e, portanto, o

mais eficiente, na classe dos estimadores cêntricos e regulares
de θ.

Estatística II, Licenciatura em Economia 29

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Definição (Erro quadrático médio)
Seja θb um estimador do parâmetro θ. O erro quadrático médio
de θb é dado por
   2 
EQM θ = E θ − θ
b b .

Nota
      2
EQM θb = V θb + env θb ,

   
onde env θb = E θb − θ.

Estatística II, Licenciatura em Economia 30

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Definição (Eficiência - caso geral)

O estimador θb1 é mais eficiente do que θb2 se
   
EQM θb1 < EQM θb2 .

Definição (Medida de eficiência relativa - caso geral)

 
EQM θb1  > 1
er =   =1 .
EQM θb2  < 1

Estatística II, Licenciatura em Economia 31

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Um qualquer estimador θb de um parâmetro θ destina-se a

retirar da amostra informação sobre esse parâmetro
desconhecido. Por isso, é natural procurar estimadores que
retirem da amostra toda a informação relevante sobre θ. Tais
estimadores, se existirem, dizem-se suficientes para θ.

Definição (Suficiência)
Seja (X1 , . . . , Xn ) uma amostra aleatória de uma população com
f.p. ou f.d.p. dependente de um parâmetro θ. Um estimador θb
diz-se suficiente para θ sse a distribuição de (X1 , . . . , Xn )
condicionada pelo valor observado θb0 de θb não depende de θ
para todo o θb0 do domínio de θ.b

Estatística II, Licenciatura em Economia 32

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Esta definição indica que um estimador é suficiente quando,

conhecido o seu valor para uma dada amostra, os dados dessa
amostra passam a ser irrelevantes, pois não dizem mais nada
sobre θ, isto é, ficaram exaustos quando se procedeu ao cálculo
do estimador.
Para investigar se um estimador é suficiente, existe o critério da
fatorização.

Estatística II, Licenciatura em Economia 33

Estimação Pontual

Propriedades desejáveis dos estimadores (cont.)

Teorema (teorema da fatorização)

Seja (X1 , . . . , Xn ) uma amostra aleatória da população com f.p.
ou f.d.p. f (x|θ ). Um estimador θb diz-se suficiente para θ sse a
f.p. ou f.d.p. conjunta de (X1 , . . . , Xn ) puder ser fatorizada da
forma
n  
f (x1 , . . . , xn ) = ∏ f ( xi | θ ) = g θb|θ h (x1 , . . . , xn )
i=1

onde a função h (x1 , . . . , xn ) é 

não negativa e não depende do
parâmetro θ e a função g θb|θ é não negativa e depende da
amostra (x1 , . . . , xn ) apenas através da função θb = T (x1 , . . . , xn ).

Estatística II, Licenciatura em Economia 34

Estimação Pontual

Método dos Momentos (M.M.)

Consideremos uma a.a. (X1 , . . . , Xn ) de uma população com

f.p. ou f.d.p. f (x|θ1 , · · · , θk ). Pretendemos estimar θ1 , · · · , θk .

O método dos momentos consiste em igualar os k primeiros

momentos ordinários da amostra aos k primeiros momentos
ordinários da população, e as soluções deste sistema são os
estimadores procurados, isto é,
1 n

 E ( X ) = n ∑ i = 1 Xi

.. → θb1 , · · · , θbk
.
E Xk = n1 ∑ni=1 Xik



Estatística II, Licenciatura em Economia 35

Estimação Pontual

Método da Máxima Verosimilhança (M.M.V.)

Exemplo
Seja

X− Nº de clientes que visitam, em cada dia útil, um

determinado “stand” de automóveis.

Suponhamos que X ∼ Po (λ) e que nos dois últimos dias,

visitaram o “stand” 1 e 4 clientes.

Com base nesta informação, a estimativa do parâmetro λ é 2.5,

valor que maximiza a função de verosimilhança

L(λ) = P ((X1 , X2 ) = (1, 4))

e−2λ λ5
= f (1, 4|λ) = f (1|λ)f (4|λ) =
4!

Estatística II, Licenciatura em Economia 36

Estimação Pontual

M.M.V. (Caso geral)

Seja X uma população com f.p. ou f.d.p. f (x|θ1 , · · · , θk ) e seja
(x1 , . . . , xn ) uma amostra fixa de X.
Para estimar os parâmetros θ1 , · · · , θk , determinamos os valores
a atribuir a θ1 , · · · , θk que maximizam a função de
verosimilhança
n
L (θ1 , · · · , θk ) = f (x1 , · · · , xn |θ1 , · · · , θk ) = ∏ f ( xi | θ 1 , · · · , θ k )
i=1

max L (θ1 , · · · , θk ) ⇔ max ln L (θ1 , · · · , θk )

 ∂ ln L
 ∂θ1 = 0
..

 .
∂ ln L
= 0

∂θk

Estatística II, Licenciatura em Economia 37

Estimação Pontual

Propriedade da invariância (para estimadores de

máxima verosimilhança)

Se θb é o EMV de θ e g(θ ) é uma função de θ, então o EMV de

g (θ ) é dado por g θb .

 
g[
(θ ) = g θb

Estatística II, Licenciatura em Economia 38

Estimação Pontual

Algumas observações sobre as propriedades dos

estimadores obtidos via M.M.

Em geral, os estimadores obtidos pelo método dos momentos:

I são consistentes
I têm distribuição assintótica normal
I não são assintoticamente os mais eficientes, isto é, não
asseguram variância assintótica mínima.

Estatística II, Licenciatura em Economia 39

Estimação Pontual

Algumas observações sobre as propriedades dos

estimadores obtidos via M.M.V.

Em geral, os estimadores obtidos pelo método da máxima

verosimilhança:

I são consistentes
I têm distribuição assintótica normal
I são assintoticamente mais eficientes
I verificam (sempre) a propriedade da invariância
I são enviesados.

Estatística II, Licenciatura em Economia 40