Você já se perguntou como os
estatísticos conseguem fazer afirmações sobre toda uma população estudando
apenas uma pequena amostra? O segredo está em métodos como a Estimação
por Máxima Verossimilhança - uma técnica poderosa que nos ajuda a
fazer o "melhor palpite" sobre parâmetros desconhecidos.
O que é Inferência Estatística?
A inferência estatística
significa obter informações de uma amostra e, com base nela, concluir
características de toda a população de onde a amostra foi retirada. Entre
vários métodos que produzem bons estimadores, hoje vamos focar no método
de máxima verossimilhança.
Um Exemplo Intuitivo:
Imagine uma urna com muitas
bolas azuis e laranja. Você não sabe qual cor é mais frequente, mas sabe que só
há duas possibilidades:
1. Três bolas
azuis para cada bola laranja → probabilidade de azul (p) = ¾
2. Uma bola azul para cada três bolas laranja → probabilidade de azul (p) = ¼
Agora, você retira 3 bolas com
reposição e observa quantas são azuis. Como decidir qual é o
verdadeiro valor de p? Veja a Tabela 1.
Tabela 1. As
Probabilidades em Jogo
Nº de bolas azuis |
p = ¾ |
p = ¼ |
0 |
1/64 |
27/64 |
1 |
9/64 |
27/64 |
2 |
27/64 |
9/64 |
3 |
27/64 |
1/64 |
A estratégia é simples: escolhemos
o valor de p que torna nossa observação mais provável.
·
Se saírem 0 ou 1 bola
azul → estimamos p = ¼
·
Se saírem 2 ou 3 bolas
azuis → estimamos p = ¾
Você acabou de usar o estimador
de máxima verossimilhança!
Do Caso Específico para o Geral
No mundo real, raramente temos
apenas duas opções. Em um experimento com resultados "sucesso" ou
"fracasso", podemos ter uma amostra como: S, S, F, F, S, F (3
sucessos em 6 tentativas).
A abordagem intuitiva nos
levaria a calcular:
p̂ = x / n = 3 / 6 = 1/2
Esta não é apenas uma escolha
razoável - é a estimativa de máxima verossimilhança. Para n = 6
tentativas, o valor p = ½ torna a observação de x = 3 sucessos a mais provável
de todas as possibilidades. Veja a Tabela 2.
Tabela 2: Probabilidades de x
sucessos em amostras de tamanho n =6
Valor de
p |
|
Número
de sucessos |
|
||||
0 |
1 |
2 |
3 |
4 |
5 |
6 |
|
p = 1/2 |
0,01563 |
0,09375 |
0,23438 |
0,3125 |
0,23438 |
0,09375 |
0,01563 |
Figura 2: Probabilidades associadas à ocorrência de x sucessos em amostras de tamanho n =6
Por que isso importa?
O estimador de máxima verossimilhança é:
· Intuitivo: Escolhe o parâmetro que maximiza a chance de
observarmos o que realmente observamos.
· Poderoso: Pode ser aplicado a diversos modelos estatísticos
muito mais complexos que o exemplo binomial simples.
· Consistente: Com amostras grandes, tende a convergir para o
valor verdadeiro do parâmetro populacional.
· Versátil: Forma a base para uma grande quantidade de
técnicas estatísticas modernas usadas em ciência de dados, aprendizado de
máquina e pesquisa científica.
Exemplos da vida real
Resposta:
·
O Estimador de Máxima Verossimilhança (MLE) para a
proporção p
em uma distribuição binomial é a própria proporção
amostral de sucessos (onde "sucesso" é, neste contexto, encontrar um
parafuso não conforme).
·
A fórmula do estimador é: p̂ = x
/ n
·
A estimativa para este lote específico é calculada plugando os valores
da amostra na fórmula do estimador:
p̂
= 38 / 500 = 0,076
ou 7,6%
Resposta Final para o
Exemplo 1:
O
estimador de máxima verossimilhança para a proporção de não conformes é p̂ =
x/n
. Com base na amostra deste lote (38 não conformes em 500
parafusos), a estimativa pontual para a proporção de não conformes no lote é
de 7,6%.
*2. Foram entrevistados
500 eleitores e obtidos os seguintes resultados: 220 votos seriam para o
candidato A, 180 votos seriam para o candidato B e os demais eleitores (100
pessoas) estavam indecisos.
a)
Qual é a estimativa de máxima verossimilhança para a proporção de eleitores
indecisos na população?
b)
Qual é a estimativa de máxima verossimilhança para a proporção de votos do
candidato A?
Resposta
a) O estimador é p̂ = x/n
. A estimativa para a
proporção de indecisos é p̂(indecisos) = 100 / 500 = 0,20
ou 20%.
b) Da mesma forma, a estimativa para a proporção do candidato A é p̂(A) =
220 / 500 = 0,44
ou 44%.
VEJA:
1. Mood A. M. e Graybill, F. A. Introduction to the theory of statistics. McGraw.
No comments:
Post a Comment