Estimador: diferenças entre revisões
Conteúdo apagado Conteúdo adicionado
Linha 2:
Em [[estatística]], um '''estimador''' é uma regra para calcular uma estimativa de uma determinada quantidade baseada em dados observados: assim a regra e seu resultado (a estimativa) são distinguidos.
Existem os [[estimadores de ponto]] e [[estimadores de intervalo]]. Os
A [[teoria estatística]] está preocupada com as propriedades dos estimadores; isto é, com a definição de propriedades que podem ser utilizadas para comparar diferentes estimadores (regras diferentes para criar estimativas) para a mesma quantidade, baseada nos mesmos dados. Tais propriedades podem ser utilizadas para determinar as melhores regras de utilização em determinadas circunstâncias. No entanto, na [[estatística robusta]], a teoria estatística passa a considerar o equilíbrio entre ter boas propriedades, se os pressupostos rigidamente definidos assegurarem, e ter menos boas propriedades que assegurem em condições mais amplas.
==Background==
Um "estimador " ou "[[ponto estimado]]" é uma [[estatística ]] (isto é, uma função dos dados) que é utilizado para inferir o valor de um [[parâmetro]] desconhecido num [[modelo estatístico]]. O parâmetro a ser estimado por vezes é chamado ''estimando''.{{Carece de fontes|date=September 2010}} Ele pode ser de dimensão finita (no [[modelo paramétrico|paramétrico]] e [[modelo semi-paramétrico]]), ou de dimensão infinita ([[modelo não semi-parametrico |não semi-
A definição coloca praticamente sem restrições sobre quais funções dos dados podem ser chamadas de " estimadores ". A atratividade de diferentes estimadores pode ser julgado ao olhar para as suas propriedades, tais como [[viés]], [[erro quadrático médio]], [[consistência]], [[distribuição assintótica]], etc.. A construção e comparação de estimadores são os temas da [[teoria da estimação]]. No contexto da [[teoria da decisão]], um estimador é um tipo de [[regra de decisão]], e seu desempenho pode ser avaliada através do uso de [[funções de perda]].
Quando a palavra "estimador" é usada sem um qualificador , geralmente refere-se a apontar a estimação. A estimativa
O problema da [[estimação da densidade]] resulta em duas aplicações
==Definição==
Linha 29 ⟶ 28:
O erro quadrático médio de <math>\widehat{\theta}</math> é definido como o valor esperado (média ponderada de probabilidade, sobre todas as amostras) dos erros ao quadrado, isto é,
:<math>\operatorname{EQM}(\widehat{\theta}) = \operatorname{E}[(\widehat{\theta}(X) - \theta)^2].</math>
Ele é usado para indicar o quão distante, em média, o conjunto de estimativas está do único parâmetro a ser estimado. Considere a seguinte analogia. Suponha que o parâmetro é o centro de um alvo, o estimador é o processo de atirar flechas no alvo, e as flechas individuais são estimativas (amostras). Então, a alta EQM,
;Desvio de amostragem
Para uma amostra de dado <math> x \ </math>, o desvio de amostragem do estimador <math>\widehat{\theta}</math> é definido como
: <math>d(x) = \widehat{\theta}(x) - \operatorname{E}(\widehat{\theta}(X)) = \widehat{\theta}(x) - \operatorname{E}(\widehat {\theta}),</math>
onde <math>\operatorname{E}(\widehat{\theta}(X))</math> é o valor esperado do estimador. Perceba que o desvio de amostragem, d, depende não
;Variância
A variância de <math>\widehat{\theta}</math> é simplesmente o valor esperado dos desvios quadrados de amostragem, ou seja, <math>\operatorname{var}(\widehat{\theta}) = \operatorname{E}[(\widehat{\theta} - \operatorname{E}(\widehat{\theta})) ^ 2]</math>. Ele é usado para indicar quão distante, em média, o conjunto de estimativas está do valor esperado das estimativas. Observe a diferença entre EQM e variância. Se o parâmetro for o centro de um alvo, e as flechas são estimativas, então, uma variação relativamente alta significa que as flechas estão dispersas, e uma variância relativamente baixa significa que as flechas estão agrupadas. Algumas coisas a observar: mesmo que a variância for baixa, o conjunto de flechas pode ainda estar longe do alvo, e mesmo se a variância for alta, o conjunto difuso de flechas ainda pode ser
;Viés
O viés de <math>\widehat{\theta}</math> é definido como <math>B(\widehat{\theta}) = \operatorname{E}(\widehat{\theta}) - \theta</math>. Ele é a distância entre a média do conjunto de estimativas, e o único parâmetro a ser estimado. Ele também é o valor esperado do erro, uma vez que <math>\operatorname{E}(\widehat{\theta}) - \theta = \operatorname{E}(\widehat{\theta} - \theta)</math>. Se o parâmetro for o centro do alvo, e as flechas forem as estimativas, em seguida, um valor absoluto relativamente alto para o viés significa que a posição média das flechas está fora da alvo, e um viés absoluto relativamente baixo significa que a posição média das flechas está no alvo. Elas podem estar dispersas, ou podem estar agrupadas. A relação entre a variação de polarização é análoga à relação entre a exatidão e precisão.
;Não-enviesado
O estimador <math>\widehat{\theta}</math> é um estimador
;Relacionamentos
*O EQM, variância, e viés, estão relacionados: <math>\operatorname{EQM}(\widehat{\theta}) = \operatorname{var}(\widehat\theta) + (B(\widehat{\theta})) ^ 2,</math> ou seja, o erro médio quadrado = variância + quadrado do viés. Em particular, para um estimador
*O desvio padrão de um estimador de θ (a raiz quadrada da variância), ou uma estimativa do desvio padrão de um estimador de θ, é chamado o erro padrão de θ.
==Propriedades comportamentais==
Linha 64 ⟶ 62:
A consistência definida acima pode ser chamada de consistência fraca. A sequência é fortemente consistente , se converge quase certamente para o valor verdadeiro.
Um estimador que converge para um ''múltiplo'' de um parâmetro pode ser feito dentro de estimador consistente através da multiplicação do estimador de
;Normalidade assintótica
Linha 75 ⟶ 73:
;Eficiência
Ver artigo principal: Eficiência (estatísticas)
Duas propriedades naturalmente desejáveis dos estimadores são eles serem
Entre estimadores imparciais, muitas vezes existe um com a menor variância, chamada de variância mínima do estimador
Quanto a tais "melhores estimadores imparciais", ver também limite de Cramér-Rao , teorema de Gauss-Markov , teorema Lehmann-Scheffé, teorema Rao-Blackwell.
; Robustez
|