estimação pontual

Neste capítulo, considera-se que a população segue uma distribuição normal, X \sim N(\mu, \sigma^2), e assume-se que a variância populacional, \sigma^2, é conhecida.

Assim:

  • o estimador da média populacional, \mu, é: \hat \mu = \bar X

  • a estimativa da média populacional, \mu, é: \hat \mu = \bar x.

descrição

Temos duas médias:

  • E[X] é a média da população; no caso de estudo sabe-se que X \sim N(\mu, \sigma^2) e assim temos E[X]=\mu;

  • \bar X é a média amostral enquanto v.a..

Igualando estas duas médias, numa técnica designada por «método dos momentos»,

E[X] = \bar X \Leftrightarrow \mu = \bar X

Daqui diz-se que:

  • \hat \mu = \bar X é um estimador da média populacional (uma «fábrica» de estimativas);

  • \hat \mu = \bar x é uma estimativa da média populacional (obtêm-se estimativas de uma amostra concreta).

exemplo

No enunciado vimos que a média amostral é \bar x=25.585. Sendo a média amostral aleatória um estimador para \mu, ou seja \hat \mu = \bar X, a estimativa é

\hat \mu = \bar x = 32.5

Assim a distribuição do IMC fica completamente definida: X \sim N(\mu=25.585,\; \sigma^2=4^2)

propriedades

Que propriedades deve ter um bom estimador?

  • estimador centrado, estimador enviesado

    Um bom estimador deve ser tal que, ao tomarmos uma grande quantidade de amostras e calcularmos as médias das respetivas estimativas, esta deve aproximar-se do verdadeiro valor do parâmetro. Neste caso, o estimador diz-se centrado, ou não enviesado. Caso contrário diz-se enviesado.

  • estimador consistente

    Um bom estimador deve ser tal que, ao aumentarmos a dimensão da amostra, as estimativas devem aproximar-se do verdadeiro valor do parâmetro. Neste caso, o estimador diz-se consistente.

  • variabilidade reduzida

    Um bom estimador deve fornecer estimativas que não se afastem muito do verdadeiro valor do parâmetro (variabilidade reduzida).