Subsections
22 Ilustrando propriedades de estimadores
Um estimador é consistente quando seu valor se aproxima do verdadeiro valor do parâmetro à medida que aumenta-se o tamanho da amostra.
Vejamos como podemos ilustrar este resultado usando simulação.
A idéia básica é a seguite:
- escolher uma distribuição e seus parâmetros,
- definir o estimador,
- definir uma sequência crescente de valores de tamanho de amostras,
- obter uma amostra de cada tamanho,
- calcular a estatística para cada amostra,
- fazer um gráfico dos valores das estimativas contra o tamanho de amostra,
indicando neste gráfico o valor verdadeiro do parâmetro.
Seguindo os passos acima vamos:
- tomar a distribuição Normal de média 10 e variância 4,
- definir o estimador
,
- escolhemos os tamanhos de amostra
,
- fazemos os cálculos e produzimos um gráfico como mostrado na com os comandos a seguir.
> ns <- c(2, seq(5, 1000, by=5), seq(1010, 5000, by=10))
> estim <- numeric(length(ns))
> for (i in 1:length(ns)){
> amostra <- rnorm(ns[i], 10, 4)
> estim[i] <- mean(amostra)
> }
> plot(ns, estim)
> abline(h=10)
Figura :
Médias de amostras de diferentes tamanhos.
|
22.2 Momentos das distribuições amostrais de estimadores
Para inferência estatística é necessário conhecer a distribuição amostral dos estimadores.
Em alguns casos estas distribuições são derivadas analiticamente.
Isto se aplica a diversos resultados vistos em um curso de Inferência Estatística.
Por exemplo o resultado visto na sessão :
se
então
.
Resultados como estes podem ser ilustrados computacionalmente como visto na
Sessão .
Além disto este procedimento permite investigar distribuições amostrais
que são complicadas ou não podem ser obtidas analiticamente.
Vamos ver um exemplo: considere uma v.a. com distribuição normal
e seja um parâmetro de interesse
.
Para obter por simulação a esperança e variância do estimador onde é a média e a variância de uma amostra seguimos os passos:
- escolher uma distribuição e seus parâmetros, no caso vamos escolher uma ,
- definir um tamanho de amostra, no caso escolhemos ,
- obter por simulação um número de amostras, vamos usar ,
- calcular a estatística de interesse para cada amostra,
- usar as amostras para obter as estimativas e
.
Vamos ver agora comandos do R.
> amostras <- matrix(rnorm(20*1000, mean=180, sd=8), nc=1000)
> Tvals <- apply(amostras, 2, function(x) {mean(x)/var(x)})
> ET <- mean(Tvals)
> ET
[1] 3.134504
> VarT <- var(Tvals)
> VarT
[1] 1.179528
Nestes comandos primeiro obtemos 1000 amostras de tamanho 20 que armazenamos em uma matriz de dimensão
, onde cada coluna é uma amostra. A seguir usamos a função apply
para calcular a quantidade desejada que definimos com
function(x) {mean(x)/var(x)}
.
No caso anterior foi obtido
e
.
Se voce rodar os comandos acima deverá obter resultados um pouco diferentes (mas não muito!) pois nossas amostras da distribuição normal não são as mesmas.
Fica como exercício.
Fica como exercício.
- Ilustre a consistência do estimador
de uma distribuição exponencial
.
- No exemplo dos momentos das distribuições de estimadores visto em () ilustramos a obtenção dos momentos para um tamanho fixo de amostra . Repita o procedimento para vários tamanho de amostra e faça um gráfico mostrando o comportamento de
e
em função de .
- Estime por simulação a esperança e variância do estimador
de uma distribuição de Poisson de parâmetro para um tamanho de amostra . Compare com os valores obtidos analiticamente. Mostre em um gráfico como os valores de
e
variam em função de .
- Crie um exemplo para ilustrar a não tendenciosidade de estimadores. Sugestão: compare os estimadores
e
do parâmetro de variância de uma distribuição normal.
- Crie um exemplo para comparar a variância de dois estimadores.
Por exemplo compare por simulação as variâncias dos estimadores e
do parâmetro de uma distribuição
, onde e são os valores mínimo e máximo da amostra, respectivamente.
Paulo Justiniano Ribeiro Jr