Artigo/Paper - UNESP
Artigo/Paper - UNESP
Artigo/Paper - UNESP
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
distribuição normal, utilizando métodos bootstrap percentil e padrão, caso σ seja<br />
desconhecido, sua estimativa só é necessária no processo de reamostragem paramétrica. Já<br />
no caso da utilização do método t-bootstrap para a mesma finalidade, o processo envolve o<br />
erro padrão de cada amostra bootstrap e, conseqüentemente, a estimativa de σ. Assim, ao<br />
considerar a sugestão 1, as estimativas do erro padrão em cada amostra bootstrap estão<br />
vinculadas ao valor de σ estimado a partir da amostra original. E, dependendo dessa<br />
estimativa, a probabilidade de cobertura pode ficar comprometida.<br />
Verifica-se ainda que quando σ é estimado em cada uma das amostras bootstrap<br />
(intervalo t-bootstrap – sugestão 2) os intervalos em cada situação tornam-se mais precisos,<br />
2<br />
mostrando que as duas formas de estimação de σ ( σˆ ou σ*) são adequadas e<br />
equivalentemente eficientes, pois produzem intervalos de confiança com probabilidade de<br />
cobertura simulada muito próxima da probabilidade de cobertura exata.<br />
Um fato importante a relatar, não sendo entretanto objeto deste estudo, é que o<br />
estimador σ* algumas vezes pode ser negativo. Quando isso ocorreu foi adotado o<br />
procedimento de retirar outra amostra bootstrap.<br />
Conclusão<br />
Intervalos de confiança bootstrap para a média de uma população normal utilizando o<br />
delineamento por conjuntos ordenados é uma alternativa atraente, uma vez que não existem<br />
métodos assintóticos ou mesmo exato para a estimação intervalar. A opção por um<br />
procedimento bootstrap paramétrico deve-se ao fato de que as estatísticas de ordem que<br />
compõem a amostra não são identicamente distribuídas.<br />
O presente estudo mostrou que a probabilidade de cobertura simulada dos diferentes<br />
intervalos de confiança bootstrap é bem próxima da exata na situação em que a variância é<br />
conhecida, sendo similares os intervalos utilizando o estimador linear ótimo e a medida<br />
amostral. Por outro lado, quando a variância é desconhecida, o método t-bootstrap com a<br />
opção de estimar σ em cada amostra bootstrap é o mais indicado.<br />
Agradecimentos. À CAPES pela bolsa concedida (março de 2000 a novembro de 2001)<br />
para o desenvolvimento deste trabalho.<br />
CESÁRIO, L. C.; BARRETO, M.C.M. A study on the performance of bootstrap confidence<br />
intervals for the mean of normal distribution using perfect ranked set sampling. Rev. Mat.<br />
Estat., São Paulo, v.21, n.3, p. 7-20, 2003.<br />
ABSTRACT: The design of ranked set sampling is an efficient estimation procedure for several<br />
parameters such as the population mean, the parameters of the simple linear regression model and<br />
the populational quantil. More recently, several authors have proposed more general estimators for<br />
the location parameter, for instance, the best linear unbiased estimator, using the additional<br />
information of the underlying distribution. On the other hand, boostrap confidence intervals are a<br />
computer-intensive and efficient statistical technique mainly when exact or asymptotic methods do<br />
not exist. In this article, we propose bootstrap confidence intervals for the mean of normal<br />
18<br />
Rev. Mat. Estat., São Paulo, v.21, n.3, p.7-20, 2003