1a lista de exerccios - Inferencia Estatstica

1) Obtenha estimadores pelo metodo dos momentos para o(s) parametro(s) das seguintes
distribuicoes:
a) Bernoulli, f (x; p) = px (1 p)1x , x = 0, 1; E(X) = p, Var(X) = p(1 p);
b) Poisson, f (x; ) = e x /x!, x = 0, 1, 2, . . . ; E(X) = , Var(X) = ;
c) Geometrica, f (x; p) = p(1 p)x , x = 0, 1, 2, . . . ; E(X) = (1 p)/p, Var(X) = (1 p)/p2 ;
d) Uniforme, f (x; a, b) = 1/(b a), a < x < b, E(X) = (a + b)/2, Var(X) = (b a)2 /12;
e) Normal, f (x; , ) = [1/( 2)] exp[(x )2 /(2 2 )], x IR, E(X) = , Var(X) = 2 ;
f ) Gama, f (x; , ) = [ /()]x1 exp( x), x > 0, E(X) = /, Var(X) = / 2 ;
g) Beta, f (x; a, b) = [1/B(a, b)]xa1 (1 x)b1 , 0 < x < 1, B(a, b) = (a)(b)/(a + b),
E(X) = a/(a + b), Var(X) = ab/[(a + b + 1)(a + b)2 ];
h) Laplace (Exponencial dupla), f (x; , ) = [1/(2)] exp(|x |/), x IR,
E(X) = , Var(X) = 2 2 .
i Para a distribuicao exponencial com f (x) = exp(x), x > 0, obtenha um estimador
R
bk pelo metodo dos momentos utilizando o momento ordinario E(X k ) = xk f (x)dx,
0
k = 1, 2, 3, . . . .
Sugestao: Utilize a densidade da distribuicao gama para calcular o momento facilmente.
j) Faca um estudo computacional para comparar o vcio e a variancia dos estimadores bk , in-
cluindo o estimador pelo metodo dos momentos obtido utilizando a variancia como momento.

2) Obtenha estimadores de maxima verossimilhanca para o(s) parametro(s) das seguintes

distribuicoes:
a) Bernoulli, f (x; p) = px (1 p)1x , x = 0, 1;
b) Poisson, f (x; ) = e x /x!, x = 0, 1, 2, . . . ;
c) Geometrica, f (x; p) = p(1 p)x , x = 0, 1, 2, . . . ;
d) Normal, f (x; , ) = [1/( 2)] exp[(x )2 /(2 2 )], x IR;
e) Exponencial, f (x; ) = exp( x), x > 0;
f ) Pareto, f (x; ) = c x(+1) , x c, com c conhecido;
g) Pareto, f (x; ) = cc x(c+1) , x , com c conhecido;
h) Gere uma amostra da distribuicao Gama(, ), com f (x) = x1 exp(x)/(),
x > 0, com = 2 e = 3. Calcule o EMV de e .

3) a) Uma urna contem bolas pretas e brancas. Uma amostra de tamanho n e extrada
com reposicao. Qual e o EMV da razao R do numero de bolas pretas sobre o numero de
bolas brancas na urna?
b) Suponha que as bolas sao extradas em sequencia com reposicao ate que uma bola preta
seja obtida. Seja X o numero de bolas extradas (desconsiderando-se a ultima). Este pro-
cedimento e repetido n vezes para se obter uma amostra X1 , X2 , . . . , Xn . Qual e o EMV de
R com base nesta amostra?
c) Faca um estudo computacional para comparar o vcio, variancia e erro quadratico medio
destes estimadores.

4) Uma amostra de tamanho n1 deve ser obtida a partir de uma populacao Normal com
media 1 e variancia 12 . Uma segunda amostra de tamanho n2 deve ser obtida de uma
populacao Normal com media 2 e variancia 22 . Qual e o EMV de = 1 2 ?

1
5) Suponha que o raio de um crculo e medido com um erro de medida que tem distribuicao
N (0, 2 ), com 2 desconhecido. Seja X1 , X2 , . . . , Xn uma amostra aleatoria de medicoes do
raio.
a) Encontre um estimador nao tendencioso da area do crculo.
b) Calcule o erro quadratico medio deste estimador.
c) Obtenha o estimador de maxima verossimilhanca da area do crculo.
d) Calcule o erro quadratico medio deste estimador.
e) Qual dos dois estimadores tem o menor erro quadratico medio.

6) Seja X1 , . . . , Xn uma amostra aleatoria de uma distribuicao com media e variancia

2. Pn
a) Mostre P que i=1 ai Xi e estimador nao-tendencioso de para quaisquer a1 , . . . , an satis-
fazendoP ni=1 ai = 1. Pn
n
b) Se i=1 ai = 1, mostre que V ar( i=1 ai Xi ) e minimizada tomando ai = 1/n, i =
1, . . . , n.

7) Seja X1 , . . . , Xn uma amostra aleatoria da distribuicao contnua com densidade

f (x; ) = /x2 , x , onde > 0.
a) Encontre o estimador de maxima verossimilhanca de .
b) Calcule o erro quadratico medio deste estimador.
c) Obtenha um estimador nao tendencioso de .
d) Calcule o erro quadratico medio deste estimador.
e) Qual dos dois estimadores tem o menor erro quadratico medio.
f ) X(1) = min{X1 , . . . , Xn } e uma estatstica suficiente para ?

8) Seja X1 , . . . , Xn uma amostra aleatoria da distribuicao U nif orme(0, ), onde > 0.

a) Estime pelo metodo dos momentos e calcule o EQM deste estimador.
b) Encontre o EMV de e calcule o EQM deste estimador.
c) Entre todos os estimadores da forma aX(n) , onde a e uma constante (que pode depender
de n), encontre o estimador que tem o menor EQM para todos os valores de e encontre o
EQM deste estimador.
d) Seja T = X(1) + X(n) . Encontre o EQM deste estimador.
e) Quais destes estimadores sao consistentes?
f ) Qual destes estimadores voce escolheria? Por que?
g) Encontre o EMV da variancia populacional.

9) a) Assumindo conhecido, encontre o EMV de para uma amostra de tamanho n

da distribuicao Gama(, ) com f (x; ) = [ /()]x1 exp(x), x 0.
b) Encontre uma estatstica suficiente.
c) O EMV de e nao-tendencioso?
d) O EMV de e consistente?
e) A distribuicao Gama(, ) pertence a famlia exponencial? Assuma, agora, desco-
nhecido.

10) Seja X1 , . . . , Xn uma amostra aleatoria da v.a. X com f.d.p f (x; ) = x1 , para
0 < x < 1, onde > 0.
a) Esta distribuicao pertence a famlia exponencial?

2
b) Encontre o EMV de .
c) Calcule o erro quadratico medio deste estimador.
d) Encontre um estimador de pelo metodo dos momentos.
e) Faca um estudo computacional para comparar o vcio, variancia e erro quadratico medio
dos dois estimadores.
f ) Encontre o EMV de = /(1 + );
g) Encontre
P uma estatstica suficiente para .
h) ni=1 Xi e estatstica suficiente?

11) Seja X1 , . . . , Xn uma amostra aleatoria da distribuicao Binomial(m, p), onde m e co-
nhecido e 0 p 1.
a) Encontre o EMV de p e tambem um estimador pelo metodo dos momentos;
b) A distribuicao Binomial(m, p) pertence a famlia exponencial?
c) O EMV de p e consistente?

12) Seja X1 , . . . , Xn uma amostra aleatoria da distribuicao Uniforme discreta, isto e,

P (X = x) = 1/, para x = 1, 2, . . . , , onde N .
a) Encontre um estimador de pelo metodo dos momentos e calcule seu EQM.
b) Obtenha o EMV de .
c) Encontre uma estatstica suficiente para .

13) Um pesquisador sabe que a distribuicao do tempo de vida de um certo componente

e Exponencial com media 1/. Com base em uma amostra de tamanho n de tempos de
vida de componentes,
a) obtenha o EMV do tempo mediano de vida deste tipo de componente;
b) Calcule o erro quadratico medio deste estimador. Ele e consistente?

14) Seja X1 , . . . , Xn uma amostra aleatoria da distribuicao N (, 1).

a) Obtenha um estimador nao-tendencioso de P (X > 0) e seu erro quadratico medio.
b) Obtenha o EMV de P (X > 0).
c) Estes estimadores sao consistentes?

15) Seja X1 , . . . , Xn uma amostra aleatoria da distribuicao P oisson().

a) Encontre um estimador nao-tendencioso de () = (1 + )e .
b) Encontre, tambem, o EMV de ().
c) Calcule o EQM do EMV de e .
d) Obtenha estimadores de pelo metodo dos momentos utilizando a esperanca e a variancia
como momentos.
e) Faca um estudo computacional para comparar o EQM destes estimadores.

16) Seja X1 , . . . , Xn uma amostra aleatoria da v.a. X com f.d.p f (x; ) = 2x/2 , para
0 x , onde > 0.
a) Encontre o EMV de e seu EQM;
b) X(n) e estatstica suficiente?
c) Obtenha um estimador de pelo metodo dos momentos e calcule seu EQM.
d) Qual dos dois estimadores tem o menor EQM?

3
17) Seja X1 , . . . , Xn uma amostra aleatoria da v.a. X com f.d.p f (x; ) = (1 + x)(1+) ,
para x > 0, onde > 0.
a) Estime pelo metodo dos momentos assumindo > 1;
b) Encontre o EMV de 1/;
c) Esta distribuicao pertence a famlia exponencial?
d) Obtenha uma estatstica suficiente para .

18) Seja X1 , . . . , Xn uma amostra aleatoria da v.a. X com f.d.p f (x; ) = 1/(2), para
x , onde > 0.
a) Encontre o EMV de ;
b) Este estimador e consistente?
c) Encontre a(s) estatstica(s) suficiente(s) para ;
d) Esta distribuicao pertence a famlia exponencial?

19) Seja X1 , . . . , Xn uma amostra aleatoria da v.a. X com f.d.p f (x; ) = e(x) , para
x > , onde < < ;
a) Encontre um estimador de pelo metodo dos momentos.
b) Obtenha seu erro quadratico medio.
c) Encontre o EMV de .
d) Obtenha seu erro quadratico medio.
e) Obtenha um estimador nao tendencioso de com base no estimador obtido em (d).
f ) Obtenha seu erro quadratico medio.
g) Qual dos tres estimadores tem o menor erro quadratico medio?

20) Seja X o numero de filhos do sexo masculino de um casal e Y o numero total de

filhos do casal. Seja (X1 , Y1 ), . . . , (Xn , Yn ) uma amostra aleatoria das variaveis X e Y (isto
corresponde aos dados para n casais). Suponha que Y P oisson() e X | Y = y
Binomial(y, p). Obtenha os EMVs de e p bem como suas experancas e variancias.

21) Considere uma populacao formada por tres diferentes tipos de indivduos ocorrendo
segundo as proporcoes de Hardy-Weinberg 2 , 2(1 ) e (1 )2 , respectivamente, com
0 < < 1.
a) Obtenha o EMV de .
b) Obtenha o EMV de /(1 ).

22) Seja X1 , . . . , Xn uma amostra aleatoria da distribuicao U (, + 1).

a) Mostre que o estimador de maxima verossimilhanca de nao e unico, pois a verossimi-
lhanca e maximizada por qualquer valor de no intervalo [X(n) 1, X(1) ].
b) Considere o estimador de maxima verossimilhanca ba = (1a)(X(n) 1)+aX(1) , 0 a 1.
Mostre que E[X(1) ] = + 1/(n + 1), E[X(n) ] = + n/(n + 1), V ar[X(1) ] = V ar[X(n) ] =
n/[(n + 2)(n + 1)2 ], E[X(1) X(n) ] = ( + 1) + 1/(n + 2), Cov[X(1) , X(n) ] = 1/[(n + 2)(n + 1)2 ].
Com estes resultados, mostre que ba e estimador nao tendencioso de quando a = 1/2 e que
EQM (ba ) e mnimo quando a = 1/2.

23) Seja Xi , . . . , Xn a.a. da distribuicao Exponencial(), com f (x; ) = ex , x 0.

4
No entanto, nao observamos Xi , mas apenas Yi = I[0,C] (Xi ), onde C e uma constante con-
hecida.
a) Obtenha o estimador de maxima verossimilhanca de .
b) Faca um estudo computacional para comparar o vcio e a variancia do EMV de obtido
a partir de Y1 , . . . , Yn com aquele que seria obtido caso se observasse X1 , . . . , Xn .
c) A partir do estudo em (b), construa um grafico para descrever o comportamento do vcio
e da variancia do estimador obtido a partir de Y1 , . . . , Yn como funcao de C.

24)
Seja Xi , . . . , Xn a.a. da distribuicao P oisson(). No entanto, nao observamos Xi , mas ape-
nas Yi = I0 (Xi ).
a) Obtenha o estimador de maxima verossimilhanca de .
b) Faca um estudo computacional para comparar o vcio e a variancia do EMV de obtido
a partir de Y1 , . . . , Yn com aquele que seria obtido caso se observasse X1 , . . . , Xn .

5
 Gabarito:
P
1) Em todos os casos, considere b2 = (1/n) ni=1 (Xi X)2 .
a) E(X) = p pb = X; pb nao e unico se utilizarmos V ar(X).
b) E(X) = b = X; V ar(X) = b = b2 .
c) E(X) = (1 p)/p pb = 1/(1 + p X).
V ar(X) = (1 p)/p2 pb = (1 + 1 + 4b2 )/(2b2 ).
d) ba = X 3b , bb = X + 3b .
b Pn
b = X, = (1/n) i=1 (Xi X)2 .
e) 2

b = X 2 /b2 , b = X/b2 .
f)
a = X 2 (1 X)/
g) b b2 b b2
p X, b = (1 X)[X(1 X)/ 1].
h) b = X, b = 1/2 b.
P 1/k
k k b
i) E(X ) = k!/ k = k!n/ ni=1 Xik .
j) Segue abaixo um exemplo de codigo em R.

lambda <- 5
n <- 10 # tamanho da amostra
na <- 1000 # nmero de amostras
mat.dados <- matrix(rexp(n*na,lambda),nrow=na)
no.est <- 11
mat.est <- matrix(0,na,no.est)
mat.est[,no.est] <- 1/apply(mat.dados,1,sd)
for (k in 1:(no.est-1))
mat.est[,k] <- (n*factorial(k)/apply((mat.dados^k),1,sum))^(1/k)
vicios <- apply(mat.est,2,mean)-lambda
variancias <- apply(mat.est,2,var)
par(mfrow=c(1,2))
plot(vicios)
plot(variancias)

2)
a) pb = X.
b) b = X.
P
c) pb = 1/(1 + X)
p= n/(n + n X ).
Pn i=1 i 2
d) b = X,
b = (1/n) i=1 (Xi X) .
b
e) = 1/X.
P
f ) b = n/ ni=1 log(Xi /c).
Q
I(0,x(1) ] () b = X(1) = min{X1 , . . . , Xn }.
(c+1)
g) L() = c n nc ( ni=1 xi )
h) Segue abaixo um exemplo de codigo em R.

logveross <- function(par){

-(par[2]^(n*par[1]))/((gamma(par[1]))^n)*
((prod(x))^(par[1]-1))*exp(-par[2]*sum(x))
}
n <- 20
alfa <- 2

6
beta <- 3
x <- rgamma(n,alfa,beta)
inicio <- c(1.8,2.8)
emv <- optim(inicio,logveross)
emv$par
3)
a) Se p e a proporcao de bolas pretas na urna, entao R = p/(1 p).
Xi = 1 se a i-esima bola retirada e preta, e Xi = 0 caso contrario.
Xi Bernoulli(p). pb = X e o EMV de p. Pela propriedade de invariancia dos EMVs,
b = pb/(1 pb) = X/(1 X).
R
b) X Geometrica(p) pb = 1/(1 + X) R b = 1/X.
c)

4) b = b1
b2 = X Y , onde X1 , . . . , Xn1 e a.a. da primeira populacao e Y1 , . . . , Yn2
e a.a. da segunda populacao.

5) X1 , . . . , Xn e a.a. da distribuicao N (r, 2 ), onde r e o valor do raio desconhecido.

a) Seja A = r2 . Como X e estimador nao tendencioso de r, considere inicialmente o es-
timador A b = X 2 (que e tendencioso pela desigualdade de Jensen). Vamos calcular sua
esperanca para corrigir seu vcio.

b = E(X 2 ) = {V ar(X) + [E(X)]2 } = [ 2 /n + r2 ] = 2 /n + A .

E(A)
2 2
Portanto,
Pn A = (X 2 S /n) e estimador nao tendencioso de A, onde
2
S = i=1 (Xi X) /(n 1) e estimador nao tendencioso de 2 (ja demonstrado em sala de
aula).
b)
2
2 2 S
EQM (A) = V ar(A) = V ar(X ) + V ar
n
4

2 2 (n 1)S 2
= V ar[(X + ) ] + 2 V ar
n (n 1)2 2

2 2 2 2 4
= V ar[(X ) + 2(X ) + ] + 2
n (n 1)

2 2 2 2 2 4
= V ar[(X ) ] + 4 V ar(X ) + 2Cov[(X ) , X ] + 2
n (n 1)
( " 2
# )
4 X 2
2
2 4
= 2 V ar + 4 +
n2 / n n n2 (n 1)
4 2

2 2 2 2 4
= + 4 + 2
n2 n n (n 1)
2 2
2 2

2
= +
n n1 n
b = X 2 .
c) A
b = 2 /n, V ar(A)
d) b(A) b = 2 V ar(X 2 ) = 2 (2 4 /n2 + 42 2 /n) .

7
6) P P P
a) E( ni=1 ai Xi ) = ni=1 aiP E(Xi ) = ni=1P ai = P P
, an ) = V ar( i=1 ai Xi ) ( ni=1 ai 1) = 2 ni=1 a2i ( ni=1 ai 1) .
b) L(, a1 , . . . P n

L/ = 0 ni=1 ai = 1
L/ai = 2 2 ai = 0 2 2 = n = 2 2 /n ai = 1/n.

7)
b = X(1) = min{X1 , . . . , Xn } .
n
a) L(x; ) = Q n I ()
i=1 x2i (0,x(1) ]
b)

fX(1) (x) = n[1 F (x)]n1 f (x) = nn /xn+1 , x > 0

E(X(1) ) = n/(n 1) b(X(1) ) = /(n 1) ,
2
E(X(1) ) = n2 /(n 2) , V ar(X(1) ) = n2 /[(n 2)(n 1)2 ]
2
EQM (X(1) ) = n2 /[(n 2)(n 1)2 ] + 2 /(n 1)2 = 22 /[(n 2)(n 1)]

c) b = [(n 1)/n]X(1) .
d) V ar()b = [(n 1)/n]2 V ar(X(1) ) = 2 /[n(n 2)] .
e) EQM (X(1) )/EQM () b = 2n/(n1) > 1 , para n 2. Portanto, EQM ()
b < EQM (X(1) ) .
f ) Sim, pelo criterio da fatoracao.

bf 8)
a) E(X) = /2 b = 2X, EQM () b = V ar()
b = 4V ar(Xi )/n = 2 /3n .
b) b = X(n) = max{X1 , . . . , Xn }, E()
b = n/(n + 1), b()
b = /(n + 1),
E(b2 ) = n2 /(n + 2), V ar()
b = n2 /[(n + 1)2 (n + 2)], EQM ()
b = 22 /[(n + 1)(n + 2)]
c) b(aX(n) ) = aE(X(n) ) = [an/(n + 1) 1] , V ar(aX(n) ) = a2 V ar(X(n) ) = a2 n2 /[(n +
1)2 (n + 2)] ,
EQM (aX(n) ) = 2 [(n + 2)(an n 1)2 + a2 n]/[(n + 1)2 (n + 2)] , dEQM (aX(n) )/da = 0
a = (n + 2)/(n + 1) .
b(aX(n) ) = /(n + 1)2 , V ar(aX(n) ) = n(n + 2)2 /(n + 1)4 , EQM (aX(n) ) = 2 /(n + 1)2 .
d) E(T ) = E(X(1) ) + E(X(n) ) = /(n + 1) + n/(n + 1) = .
V ar(T ) = V ar(X(1) )+V ar(X(n) )+2Cov(X(1) , X(n) ) = 2n2 /[(n+1)2 (n+2)+2Cov(X(1) , X(n) ) .

Z Z y Z Z y
E(X(1) X(n) ) = xyfX(1) ,X(n) (x, y)dxdy = xyn(n 1)[F (y) F (x)]n2 f (x)f (y)dxdy
0 0 0 0
Z Z y
n(n 1) n2 2
= xy(y x) dxdy = .
n 0 0 n+2

Cov(X(1) , X(n) ) = E(X(1) X(n) ) E(X(1) )E(X(n) )

= 2 /(n + 2) [/(n + 1)][n/(n + 1)] = 2 /[(n + 1)2 (n + 2)] .

V ar(T ) = 22 /[(n + 1)(n + 2)] .

e) Todos, pois os erros quadraticos medios convergem para zero quando o tamanho da
amostra tende a infinito.

8
f ) aX(n) = [(n + 2)/(n + 1)]X(n) pois tem o menor EQM entre os quatro estimadores.
d = (X(n) )2 /12 .
g) V ar(X)

9)
b = /X
a) P
b) ni=1 Xi
c) X Gama(n, n) E() b = n/(n 1) b e tendencioso.
b = /(n 1) 0 quando n .
d) b()
E(b2 ) = (n)2 /[(n 1)(n 2)] ,V ar(b2 ) = (n)2 /[(n 1)2 (n 2)] 0 quando
n .
e) Sim.

10)
a) Sim. f (x; )
Qn= (1/x) exp(Qlog x) .
b) L(x; ) = i=1 xi = ( ni=1
1 n 1
Pnxi ) P
log L(x; ) = n log + ( 1) i=1 log xi d log L/d = (n/) + ni=1 log xi = 0
P
b = n/ ni=1 log xi . P
c) Y = log X Exponencial() ni=1 log Xi Gama(n, )
E()b = n/(n 1) b() b = /(n 1) .
E(b2 ) = n2 2 /[(n 1)(n 2)] V ar()b = n2 2 /[(n 1)2 (n 2)] .
EQM ()b = (n + 2)2 /[(n 1)(n 2)] .
d) E(X) = /( + 1) /( b b + 1) = X b = X/(1 X) .
e)
theta <- 3 # verdadeiro valor do parametro na populacao
n <- 10 # tamanho de cada amostra
na <- 1000 # numero de amostras geradas
dados <- matrix(rbeta(n*na,theta,1),nrow=na)
# calculo do EMV para cada amostra gerada
est.mv <- -n/apply(log(dados),1,sum)
# calculo do estimador obtido pelo metodo dos momentos para cada amostra gerada
est.mm <- apply(dados,1,mean)/(1-apply(dados,1,mean))
cbind(mean(est.mv),mean(est.mm))
cbind(sd(est.mv),sd(est.mm))
b + )
b = /(1
f) b = n/(n Pn log Xi ) .
i=1 Qn
g) Pelo criterio da fatoracao, temos
Pn i=1 Xi como estatstica suficiente.
Pela famlia exponencial, temos i=1 log Xi como estatstica suficiente.
Note
Pque uma e obtida a partir da outra aplicando uma funcao injetora.
h) ni=1 Xi nao e estatstica suficiente pois nao e funcao da estatstica suficiente.

11)
n
" n
#
Y m Y m Pn Pn
a) L(x; p) = pxi (1 p)mxi = p i=1 xi
(1 p)nm i=1 xi

i=1
xi i=1
xi
n
X
pb = (1/nm) Xi = X/m .
i=1

9
E(X) = mp pb = X/m .
b) E(b p) = V ar(X)/(nm2 ) = mp(1 p)/(nm2 ) = p(1 p)/(nm) 0 quando
p) = p, V ar(b
n .

12)
a) E(X) = ( + 1)/2 (b + 1)/2 = X b = 2X 1 .
b = 4V ar(X) = 4V ar(X)/n .
V ar()
E(X 2 ) = ( + 1)(2 + 1) V ar(X) = (3 + 1)( + 1)/2 EQM () b = 2( + 1)(3 + 1)/n .
Qn
b) L(x; ) = i=1 (1/)I{1,2,... , )} (xi ) = (1/n )I{x(n) ,x(n) +1,... } ()I{1,2,... , x(n) } (x(1) ) b = X(n) .
c) X(n) e estatstica suficiente pelo criterio da fatoracao.

13)
a) F (m) = 1/2 = 1 em m = (1/) log 2 m b = X log 2 e EMV de m pela propriedade
de invariancia dos EMVs.
b) E(m)b = E(X) log 2 = (1/) log 2 = m ,
b = V ar(X)(log 2)2 = [1/(n2 )](log 2)2 0 quando n .
V ar(m)
14)
a) Yi = I{Xi >0} = I(0,) (Xi ) Bernoulli(P (Xi > 0)) Y e estimador nao tendencioso de
P (Xi > 0) .
EQM (Y ) = P (X > 0)[1 P (X > 0)]/n .
b) P (X > 0) = P (X > ) = 1 () = () (X) e o EMV de () pela
propriedade de invariancia dos EMVs.
c) Sim, pois EQM (Y ) 0 quando n e (X) converge para () em probabilidade
pois X converge em probabilidade para (pela lei fraca dos grandes numeros) e () e funcao
contnua.

15)
a) () = P ({X = 0} {X = 1}) Yi = I{0,1} (Xi ) Bernoulli( ()) Y e estimador
nao tendencioso de () .
b) X e E.M.V. de . Pela propriedade de invariancia dos E.M.V.s, d b = (1+X)eX
() = ()
e E.M.V. de () . P
c) E(eX ) = E{exp[(1/n)P ni=1 Xi ]} = [MX1 (1/n)]n = exp[n(e1/n 1)] .
E[(eX )2 ] = E{exp[(2/n) ni=1 Xi ]} = [MX1 (2/n)]n = exp[n(e2/n 1)] .
V ar(eX ) = en [exp(ne2/n ) exp(2ne1/n )] .
EQM (eX ) = {exp[n(e1/n 1)] e }2 + en [exp(ne2/n ) exp(2ne1/n )] .
d) E(X) = b = X ; V ar(X) = b = (1/n) Pn (Xi X)2 .
i=1
e)

lambda <- 3 # verdadeiro valor do parametro na populacao

n <- 10 # tamanho de cada amostra
na <- 1000 # numero de amostras geradas
dados <- matrix(rpois(n*na,lambda),nrow=na)
# calculo do estimador obtido via E(X) para cada amostra gerada
est1 <- apply(dados,1,mean)
# calculo do estimador obtido via Var(X) para cada amostra gerada
est2 <- apply(dados,1,var)
cbind(mean(est1),mean(est2))

10
cbind(sd(est1),sd(est2))

16) Q
Q 2n n
a) L(x; ) = ni=1 2x 2
i
I [0, ) (x i ) = i=1 xi
2n
I[x(n) , ) ()I[0, x(n) ) (x(1) ) b = X(n) e o E.M.V. de
.
fb(y) = 2nx2n1 /2n , 0 x .
E()b = 2n/(2n + 1), b() b = /(2n + 1) ,
E(b2 ) = n2 /(n+1), V ar() b = 2 /[(n+1)(2n+1)2 ], EQM () b = (n+2)2 /[(n+1)(2n+1)2 ] .
b) Sim, pelo criterio da fatoracao.
c) E(X) = 2/3 b = 3X/2, E() b = .
b = 9V ar(X)/(4n) , E(X 2 ) = 2 /2 V ar(X) = 2 /18 V ar()
V ar() b = 2 /(8n) .
d) O E.M.V. pois seu EQM converge para zero mais rapido.

17)
a) E(X) = /(Q 1) b = X/(X 1) . P
n
b) L(x; ) = n
i=1 (1 + xi )(1+) log L(x; ) = n log (1 + ) ni=1 log(1 + xi )
P P
d log L/d = (n/) ni=1 log(1 + xi ) = 0 b = n/ ni=1 log(1 + xi )
d = 1/b = Pn log(1 + xi )/n .
1/ i=1
c) Sim. P
f (x; ) = /(1 + x) exp[ log(1 + x)] .
d) S = ni=1 log(1 + xi ) .

18)
a)

Yn
1 1
L(x; ) = I[, ) (xi ) = I (x )I (x )
n [, x(n) ] (1) [x(1) , ] (n)
i=1
2 (2)
1 1
= n
I[x(1) , ) ()I[x(n) , ) () = I[max{x(1) , x(n) }, ) () .
(2) (2)n

Portanto, b = max{X(1) , X(n) } .

b)

Fb(y) = P (max{X(1) , X(n) } y) = P (X(1) y, X(n) y)

Yn
= P (X(1) y, X(n) y) = P (y Xi y) = [F (y) F (y)]n = (y/)n .
i=1

fb(y) = ny n1 /n , 0 x .
R
E()b = yf b(y)dy = n/(n + 1) b() b = /(n + 1) 0 .
R0

E(b2 ) = 0 y 2 fb(y)dy = n2 /(n + 2) V ar()
b = 2 /[(n + 1)2 (n + 2)] 0 .
Portanto, b e estimador consistente de .
c) Pelo criterio da fatoracao, S = max{X(1) , X(n) } e estatstica suficiente para .
d) Nao.

19)
R
a) E(X) = x e(x) dx = + 1 b = X 1 .

11
b) EQM () b = V ar(X 1) = V ar(X) = 1/n .
Q Pn
c) L(x; ) = ni=1 e(xi ) I[, ) (xi ) = e i=1 xi en I(, x(1) ] () = X(1) .
R R
d) E() = E(X(1) ) = x n[1 F (x)]n1 f (x)dx = n x en(x) dx = + n1 .
R R
E(2 ) = E(X(1) 2
) = x2 n[1 F (x)]n1 f (x)dx = n x2 en(x) dx = n22 + 2 n
+ 2
V ar() = n32 .
EQM () = n42 .
e) = X(1) n1 .
f ) EQM () = V ar(X(1) ) = n32 .
g) .

20)

f (x, y) = P (X = x, Y = y) = P (X = x | Y = y)P (Y = y)

y x
= p (1 p)yx e y /y! = px (1 p)yx e y /[x!(y x)!]
x

n
Y n
Y
L(, p) = f (xi , yi ) = pxi (1 p)yi xi i e yi /[xi !(yi xi )!]
i=1 i=1
Pn Pn Pn Pn
p i=1 xi (1 p) i=1 yi i=1 xi
en i=1 yi
.

n ! n ! n n
!
X X X X
log L(, p) = yi log + xi log p + yi yi log(1 p) n
Pi=1
n
i=1
Pn i=1 i=1

i=1 yi Yi
log L(, p)/ = n = 0 = i=1 = Y
Pn Pn Pn n Pn
x
i=1 i y
i=1 i i=1 xi Xi X
log L(, p)/p = = 0 p = Pi=1
n = .
p 1p i=1 Yi Y

21)
a) Sejam YjiPv.a.s indicadoras do i-esimo indivduo pertencer a j-esima categoria, j = 1, 2, 3.
Sejam sj = ni=1 yji , j = 1, 2, 3.
L(y; ) = 2s1 [2(1 )]s2 (1 )2s3
log L()/ = (2s1 + s2 )/ (s2 + 2s3 )/(1 ) = 0 b = (2s1 + s2)/n
P P
b = (2 ni=1 Y1i + ni=1 Y2i )/2n

b)
b
/(1 b = (2 Pn Y1i + Pn Y2i )/(2n 2 Pn Y1i Pn Y2i )
) i=1 i=1 i=1 i=1

22)
n
Y
L(x; ) = I[, +1] (xi ) = I[, x(n) ] (x(1) )I[x(1) , +1] (x(n) )
i=1
= I(, x(1) ] ()I[x(n) 1, ) () = I[x(n) 1, x(1) ] () .

12
Portanto, qualquer valor no intervalo [x(n) 1, x(1) ] maximiza a verossimilhanca.

b) b(ba ) = (2a 1)/(n + 1), V ar(ba ) = [n 2a(1 a)(n 1)]/[(n + 2)(n + 1)2 ],
EQM (ba ) = 2(1 3a + 3a2 )/[(n + 2)(n + 1)2 ] .

23)
a) Yi Bernoulli(F
Pn
(C)), onde F (C)Pn
= 1 eC . Portanto,
Pn Pn
y n i=1 yi = (1 eC ) i=1 yi eC(n i=1 yi )
L(y; ) = F (C) i=1P
i
[1 F (C)] P
log L(y; ) = ( ni=1 yi ) log(1 eC ) C(n ni=1 yi )
d log L(y; )/d = 0 b = (1/C) log(n/ Pn yi )
P i=1
Obs.: Esta solucao so e valida se ni=1 yi > 0.
b)

lambda <- 3
cc <- 0.3
n <- 100 # tamanho de cada amostra
na <- 1000 # numero de amostras geradas
dados.x <- matrix(rexp(n*na,lambda),ncol=n)
dados.y <- sign(sign(cc-dados.x)+1)
est.x <- 1/apply(dados.x,1,mean)
est.y <- (1/cc)*log(n/apply(dados.y,1,sum))
cbind(mean(est.x),mean(est.y))
cbind(sd(est.x),sd(est.y))

c)

lambda <- 3
# vetor com os 99 percentis da distribuicao Exponencial(lambda)
cc <- qexp(seq(0.01,0.99,0.01),lambda)
n <- 100 # tamanho de cada amostra
na <- 1000 # numero de amostras geradas
# vetor contendo as medias de est.y
# para cada um dos valores de C considerados
media <- rep(0,99)
# vetor contendo os desvios-padrao de est.y
# para cada um dos valores de C considerados
dp <- rep(0,99)
for (i in 1:99) {
dados.x <- matrix(rexp(n*na,lambda),ncol=n)
dados.y <- sign(sign(cc[i]-dados.x)+1)
est.y <- (1/cc[i])*log(n/apply(dados.y,1,sum))
media[i] <- mean(est.y)
dp[i] <- sd(est.y)
}
plot(cc,media)
abline(h=lambda)
plot(cc,dp)

13
24)
a) Yi Bernoulli(P
Pn
(Xi = 0)), ondePn
P (Xi = 0) = e .
L(y; ) = (e ) i=1 yP
i
(1 e )(n i=1
Pn
yi )
n
log L(y; ) = i=1 yi + (n i=1 yi ) log(1 e )
d log L(y; )/d = 0 b = log(n/ Pn yi )
P i=1
Obs.: Esta solucao so e valida se ni=1 yi > 0.
b)

lambda <- 1
n <- 100 # tamanho de cada amostra
na <- 1000 # numero de amostras geradas
dados.x <- matrix(rpois(n*na,lambda),ncol=n)
dados.y <- 1-sign(sign(dados.x-1)+1)
est.x <- apply(dados.x,1,mean)
est.y <- log(n/apply(dados.y,1,sum))
cbind(mean(est.x),mean(est.y))
cbind(sd(est.x),sd(est.y))

14