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»,
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
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).