Inferência estatística

Transcrição

1 Inferência estatística Susana Barbosa Mestrado em Ciências Geofísicas

2

3 Inferência estatística Obtenção de conclusões sobre propriedades da população a partir das propriedades de uma amostra aleatória estimativa pontual estimativa intervalar (intervalo de confiança) teste de hipóteses

4 Estimação Seja X- v.a. com função densidade de probabilidade f (x, θ) e X 1, X 2,..., X n uma amostra aleatória O parâmetro θ representa uma característica numérica da população A estatística ˆθ representa uma característica numérica da amostra A função ˆθ = h(x 1,..., X n ) diz-se um estimador para θ. A distribuição de probabilidade de ˆθ designa-se por distribuição de amostragem Um valor numérico particular de ˆθ para uma amostra específica diz-se uma estimativa

5 Exemplo X - v.a. altura de homens portugueses X N (µ, σ 2 ) Amostra aleatória de tamanho n = Estimador do parâmetro µ: média amostral (estatística) ˆµ = n i=1 X i n Distribuição amostral (TLC) ˆµ N(µ, σ 2 /n) Estimativa ˆµ = ( )/5 = 1.75

6 Estimadores Em geral o parâmetro de uma população pode ser estimado de várias maneiras diferentes, utilizando diferentes estatísticas da amostra (estimadores) Exemplo média amostral: X = 1.75 mediana: M = 1.72

7 Métodos de estimação Método dos momentos ν k = E[X] k desvantagem: estatísticas pouco resistentes à presença de outliers na amostra Estatísticas de ordem exemplo: mediana Maxima verosimilhança vantagem: óptimas propriedades assimptóticas

8 Propriedades dos estimadores Centricidade Um estimador ˆθ de θ é cêntrico se E[ˆθ] = θ (o valor esperado da distribuição amostral de ˆθ é θ) Consistência Um estimador ˆθ de θ é consistente se lim n P( ˆθ θ < ε) = 1

9 Exemplos de estimadores cêntricos Média amostral X = n i=1 x i n X é uma estimador cêntrico da média da população (µ) Variância amostral S 2 = 1 n n 1 i=1 (X i X) 2 S 2 é um estimador cêntrico da variância da população σ 2

10 Erro médio quadrático (MSE) O erro quadrático médio de um estimador ˆθ é por definição MSE(ˆθ) = E[(ˆθ θ) 2 ] O erro quadrático médio pode escrever-se como MSE(ˆθ) = E[(ˆθ θ) 2 ] = E[(ˆθ E[ˆθ]) 2 ]+(θ E[ˆθ]) 2 = V [ˆθ]+(θ E[ˆθ]) 2 ie como a variância do estimador mais o quadrado do seu enviezamento Um estimador cêntrico é consistente se a sua variância tende para 0 quando o tamanhho da amostra aumenta

11 Enviezamento vs precisão Enviezamento: desvio no valor da estatística em relação ao valor do parâmetro, sempre no mesmo sentido [amostragem] Precisão: variabilidade no valor da estatística (desvio padrão do estimador) [dimensão da amostra]

12 Estimação intervalar Um intervalo de confiança para θ é um intervalo [L i, L s ] de valores possíveis para θ. Os limites inferior (L i ) e superior (L s ) designam-se por limites de confiança. Ao intervalo é associada uma confiança (1 α)%, fixa à partida, de que contenha θ. 1 α é o nivel de confiança do intervalo Interpretação: a probabilidade de o intervalo incluir o valor verdadeiro do parâmetro é igual a 1 α, i.e. se fossem calculados intervalos de confiança para várias amostras, 1 α desses intervalos conteriam o valor do parâmetro na população (interpretação frequencista)

13 Estimação intervalar

14 Nível de confiança e dimensão da amostra Quanto maior fôr o nível de confiança 1 α, maior é a amplitude do intervalo de confiança A precisão da estimativa é dada pela amplitude do intervalo A dimensão n da amostra deve ser de modo a aumentar a precisão (diminuir a amplitude do intervalo) sem perder confiança

15 Intervalo de confiança para a média (variância conhecida) ˆµ = n i=1 X i/n N (µ, σ 2 /n) = ˆµ µ σ/ N (0, 1) n IC a (1 α)100% para µ P( q α/2 < ˆµ µ σ/ n < q α/2) = 1 α P(ˆµ q α/2 σ n < µ < ˆµ + q α/2 σ n ) = 1 α ˆµ q α/2 σ n < µ < ˆµ + q α/2 σ n

16 Exemplo X - v.a. altura de homens portugueses X N (µ, σ 2 = ) Amostra aleatória de tamanho n = Estimativa pontual ˆµ = 1.75 IC a 95% para µ α = 0.05, q α/2 = 1.96 (qnorm(0.975)) / 5 < µ < / 5 [1.66, 1.84]

17 Intervalo de confiança para a média (variância desconhecida) X N (µ, σ 2 ) Amostra aleatória X 1,..., X n de tamanho n X - média amostral X µ S/ n t n 1 IC a (1 α)100% para µ S 2 - variância amostral P( q α/2 < ˆµ µ s/ n < q α/2) = 1 α P(ˆµ q α/2 s n < µ < ˆµ + q α/2 s n ) = 1 α s s ˆµ q α/2 n < µ < ˆµ + q α/2 n

18 Exemplo X - v.a. altura de homens portugueses X N (µ, σ 2 ) Amostra aleatória de tamanho n = X = 1.75 S 2 = 1/4 5 i=1 (X i X) = IC a 95% para µ α = 0.05, q α/2 = 2.78 (qt(0.975,4)) / 5 < µ < / 5 [1.74, 1.76]

19 Intervalo de confiança para a proporção X v.a. nº de ocorrências na população de uma dada característica X Bi(n, p) p - parâmetro proporção de ocorrências na população ˆp - estatística proporção na amostra ˆp N (p, p(1 p)/n)(distribuição amostral) [n 30] IC a 100(1 α)% para p ˆp q α/2 ˆp(1 ˆp) n p ˆp + q α/2 ˆp(1 ˆp) n

20 Exemplo Num ano (365 dias) observaram-se 220 dias sem chuva ˆp = 220/365 = 0.6 IC a 95% para p α = 0.05, q α/2 = 1.96 (qnorm( )) < µ < [0.55, 0.65] IC a 99% para p α = 0.01, q α/2 = 2.58 (qnorm( )) < µ < [0.53, 0.67]

21 Amostras emparelhadas Amostras da mesma variavel aleatoria em duas situações diferentes Exemplo: amostras dos mesmos individuos antes e depois de uma dieta Como as amostras não são independentes, deve-se considerar uma única variável aleatória correspondente à diferença entre as duas situações D N (µ D, σ 2 ) Se o IC para µ D incluir o valor 0, não há uma diferença significativa entre as duas situações

22 Hipóteses estatísticas Uma hipótese estatística é uma afirmação sobre a distribuição de probabilidade de uma variável aleatória Frequentemente uma hipótese estatística é uma afirmação sobre os parâmetros da distribuição de uma variável aleatória H 0 : hipótese nula H 1 : hipótese alternativa Testar a hipótese é rejeitar (ou não rejeitar) H 0, com base numa amostra de observações - verificar quão provável é uma dada amostra, assumindo que a hipótese nula é verdadeira

23 Exemplo H 0 : o suspeito de um crime é inocente H 1 : o suspeito é culpado A hipótese é testada procurando factos inconsistentes com H 0 Por exemplo, se são encontradas provas incriminatórias, H 0 é rejeitada, e o suspeito é condenado. Na ausência de provas, não é possivel concluir que o suspeito não é inocente (pode ser culpado, mas não há provas...)

24 Importante A hipótese nula deve ser formulada antes da amostragem A hipótese nula nunca pode ser provada A hipótese nula pode ser rejeitada ou não rejeitada A hipótese alternativa nunca é aceite

25 Erros tipo I e tipo II Rejeitar H 0 Não rejeitar H 0 H 0 Verdadeira erro Tipo I H 0 Falsa erro Tipo II P(erro Tipo I)=α P(erro Tipo II)=β α é o nível de significância do teste (fixado) β é a potência do teste (depende da dimensão da amostra)

26 Procedimento de decisão X 1, X 2,..., X n - amostra de tamanho n da população T - estatística do teste Formular a hipótese nula H 0 Especificar o nível de significância do teste α Calcular o valor da estatística assumindo que H 0 é verdadeira Calcular o valor-p do teste = P( T T 0 ) (probabilidade de a estatística do teste tomar um valor pelo menos tão extremo quanto o observado, assumindo que H 0 é V) Rejeitar H 0 se o valor-p é inferior a α (as observações não são consistentes com a hipótese nula para o nível de significância α)

27 Procedimento de decisão X 1, X 2,..., X n - amostra de tamanho n da população T - estatística do teste Formular a hipótese nula H 0 Especificar o nível de significância do teste α Calcular o valor da estatística assumindo que H 0 é verdadeira Calcular o valor-p do teste = P( T T 0 ) (probabilidade de a estatística do teste tomar um valor pelo menos tão extremo quanto o observado, assumindo que H 0 é V) Rejeitar H 0 se o valor-p é inferior a α (as observações não são consistentes com a hipótese nula para o nível de significância α)

28 Procedimento de decisão X 1, X 2,..., X n - amostra de tamanho n da população T - estatística do teste Formular a hipótese nula H 0 Especificar o nível de significância do teste α Calcular o valor da estatística assumindo que H 0 é verdadeira Calcular o valor-p do teste = P( T T 0 ) (probabilidade de a estatística do teste tomar um valor pelo menos tão extremo quanto o observado, assumindo que H 0 é V) Rejeitar H 0 se o valor-p é inferior a α (as observações não são consistentes com a hipótese nula para o nível de significância α)

29 Procedimento de decisão X 1, X 2,..., X n - amostra de tamanho n da população T - estatística do teste Formular a hipótese nula H 0 Especificar o nível de significância do teste α Calcular o valor da estatística assumindo que H 0 é verdadeira Calcular o valor-p do teste = P( T T 0 ) (probabilidade de a estatística do teste tomar um valor pelo menos tão extremo quanto o observado, assumindo que H 0 é V) Rejeitar H 0 se o valor-p é inferior a α (as observações não são consistentes com a hipótese nula para o nível de significância α)

30 Procedimento de decisão X 1, X 2,..., X n - amostra de tamanho n da população T - estatística do teste Formular a hipótese nula H 0 Especificar o nível de significância do teste α Calcular o valor da estatística assumindo que H 0 é verdadeira Calcular o valor-p do teste = P( T T 0 ) (probabilidade de a estatística do teste tomar um valor pelo menos tão extremo quanto o observado, assumindo que H 0 é V) Rejeitar H 0 se o valor-p é inferior a α (as observações não são consistentes com a hipótese nula para o nível de significância α)

31 Procedimento de decisão X 1, X 2,..., X n - amostra de tamanho n da população T - estatística do teste Formular a hipótese nula H 0 Especificar o nível de significância do teste α Calcular o valor da estatística assumindo que H 0 é verdadeira Calcular o valor-p do teste = P( T T 0 ) (probabilidade de a estatística do teste tomar um valor pelo menos tão extremo quanto o observado, assumindo que H 0 é V) Rejeitar H 0 se o valor-p é inferior a α (as observações não são consistentes com a hipótese nula para o nível de significância α)

32 Valor-p Probabilidade de a estatística do teste (T ) tomar um valor pelo menos tão extremo quanto o observado assumindo que H 0 é V (T 0 ) Teste bilateral H 0 : θ = θ 0 p-val=p( T T 0 ) = 2 [1 P(T < T 0 )] Teste unilateral H 0 : θ θ 0 p-val=p(t > T 0 ) H 0 : θ θ 0 p-val=p(t < T 0 )

33 Teste de hipóteses para a média (variância conhecida) X N (µ, σ 2 ), σ 2 conhecido X 1,..., X n amostra aleatória de tamanho n Estatistica T : X = n i=1 X i n N (µ, σ 2 /n) H 0 : µ = µ 0 H 1 : µ µ 0 Se H 0 é verdadeira, T 0 = X µ 0 σ/ N (0, 1) n P( q α/2 X µ 0 σ/ n q α/2) = 1 α i.e. α% das amostras terão valores T 0 fora desta região. É cometido um erro de tipo I (rejeitar H 0 quando H o é verdadeira) com probabilidade α

34 Exemplo X - v.a. altura de homens portugueses X N (µ, σ 2 ) Amostra aleatória de tamanho n = 5 X = 1.75 σ 2 = H 0 : µ = 1.8 H 1 : µ 1.8 α = 0.05 T 0 = X µ 0 σ/ n = / 5 = 1.12 valor-p = P( T > T 0 ) = 2 [1 P(T < T 0 )] = 0.26 valor-p > α = não rejeição H 0

35 Exemplo H 0 : µ = 2 H 1 : µ 2 α = 0.05 T 0 = X µ 0 σ/ n = / 5 = 5.6 valor-p = P( T > T 0 ) = 2 [1 P(T < T 0 )] = valor-p < α = rejeição H 0

36 Teste de hipóteses para a média (variância desconhecida) X N (µ, σ 2 ), σ 2 desconhecido X 1,..., X n amostra aleatória de tamanho n Estatistica T : X = n i=1 X i n N (µ, σ 2 /n) H 0 : µ = µ 0 H 1 : µ µ 0 Se H 0 é verdadeira, T 0 = X µ 0 S/ n t n 1 P( q α/2 X µ 0 S/ n q α/2) = 1 α

37 Teste de hipóteses para a correlação entre variáveis ρ correlação (população) r correlação amostral H 0 : ρ = 0 H 1 : ρ 0 Estatística T = r n 2 1 r 2 t n 2

38 Bootstrap A técnica de bootstrap permite examinar as propriedades de um estimador a partir de reamostragem da distribuição amostral Princípio: inferência a partir de amostras obtidas por re-amostragem com reposição das observações originais

39 Bootstrap - vantagens simplicidade permite inferência quando a distribuição da estatística é desconhecida ou complexa permite inferência quando a dimensão da amostra é insuficiente

40 Bootstrap - limitações Séries temporais autocorrelação dificuldade em manter na re-amostragem com repetição a estrutura de dependência temporal... Alternativas: bootstrap por blocos ME (maximum entropy) boostrap...

41 Obtenção de IC a partir da distribuição bootstrap percentil -os limites do IC a 95% são os percentis 2.5 e 97.5 da distribuição bootstrap - é aplicável a qualquer estatística - adequado quando a distribuição boostrap é simétrica e centrada BC (Bias-Corrected) Bootstrap corrige o enviezamento (bias) entre a distribuição bootstrap e a amostra observada BCa (Bias-Corrected and accelerated) bootstrap corrige o enviezamento e assimetria entre a distribuição bootstrap e a amostra observada