Você está na página 1de 6

1° Prova de Inferência Estatı́stica 1

Juliano Herzog Caldas, 2019108023


29 de março de 2020

1 Questão

i. Para encontrar o estimador para θ pelo método de momentos, primeiramente vou igualar o momento
populacional e amostral.
n
1X
E(X) = X = Xi (1)
n i=1
Assumindo que a função tem distribuição uniforme discreta, então sua esperança será:
θ+1
µ= (2)
2
Fazendo o cálculo do estimador de momentos:
θ+1
=X (3)
2

θb = 2X − 1 (4)
θb + 1
E(θ) = E(2X − 1) = 2 ∗ −1=θ (5)
2
ii. n
Y
L(θ) = f (x1 , ..., xn , θ) = f (x, θ) (6)
i=1
n
Y 1
(xi) (7)
i=1
θ 1,...,θ
1
(8)
θn maxx1 ,...,xn ≤0
Para encontrar o estimador de máxima verossimilhança, uso o gráfico da função.

1
Com o gráfico pode-se perceber que a função é decrescente e para maximizar ela teremos que pegar o
menor valor possı́vel para θ que satisfaz θ ≥ xi para i= 1, ..., n .Entendendoqueoestimadordeθ que
procuramos é θb = maxx1 , ..., xn . Calculando o valor esperado para o igualarmos depois:
x
X 1 x
FY n (x) = = (9)
i=1
θ θ

1
f (x) = (10)
θ
fmaxxi (x) = FY n (x) − FY n (x1 ) (11)
x x−1 n
PY n = ( )n − ( ) (12)
θ θ
θ θ
X X x[xn − (x − 1)n ]
E(θ)
b = E(Yn ) = Yn P (Y = Y ) = (13)
x=1 x=1
θn
1[1n − (1 − 1)n ] 2[2n − (2 − 1)n ] (θ − 1)[(θ − 1)n − (θ − 2)n ] θ[θn − (θ − 1)n ]
= + + ... + + (14)
θn θn θn θn

2
Considerando o n 7−→ ∞, aplicando ao resultado acima:

θn+1 θn ∗ θ
E(Yn ) = = =θ (15)
θn θn
iii. Calculando o Vies do estimador da i.:
b −θ =0
V ies = E(θ) (16)

Calculando o EQM do estimador da i. :


b = V ar(2X − 1) = 4 ∗ V ar(X) =
V ar(θ) (17)
σ2
Pelo Teorema Central do Limite, V ar(X) = n
.

4 ∗ σ2
EQM = (18)
n
Com
n 7−→ ∞
, calculamos o limite do EQM tendendo ao infinito, para termos a consistência do estimador da i. :

4 ∗ σ2 1
lim = 4 ∗ σ 2 ∗ lim = 4 ∗ σ 2 ∗ 0 = 0 (19)
x→∞ n x→∞ n

Calculando o Vies do estimador da ii.:

V ies = E(Yn ) − θ = θ − θ (20)

Calculando o EQM do estimador da ii. :

V ar(Yn ) = E(Yn2 ) − (E(Yn ))2 (21)


θ
X x2 [xn − (x − 1)n ]
E(Yn2 ) = (22)
x=1
θn
n
1 4∗2 4 (θ − 1) (θ − 1)n (θ − 1)2 (θ − 1)n θn+2 (θ − 1)n θ2
2
= + − + ... + − + n − (23)
θn θn θn θn θn θ θn
Considerando o n 7−→ ∞, aplicando ao resultado acima:

E(Yn2 ) = θ2 (24)

Com isso o resultado da Variância é:

V ar(Yn ) = E(Yn2 ) − (E(Yn ))2 = θ2 − θ2 = 0 (25)

Como sua Variância é zero, temos que este estimador é consistente, já que quando aumenta o n a
variância do estimador tem que diminuir tendendo a zero. Portanto seu EQM também vai ser igual a
zero.
Conclusão: Com os dados apresentados acima temos que o melhor estimador para θ é o de de Máxima
Verossimilhança, pois é assintoticamente não viesado, é consistente, tem variância mı́nima e seu EQM
deu igual a zero.

3
2 Questão

i. A função de distribuição acumuladade Yk é dada por :


n  
X n
FYk (x) = [F (x)]i [1 − F (x)]n−1 (26)
i=k
i

Desenvolvendo um pouco mais a função:


n      
X n i n−1 n k−1 n−k+1 n
[F (x)] [1−F (x)] − [F (x)] [1−F (x)] = FYk−1 − [F (x)]k−1 [1−F (x)]n−k+1
i=k−1
i k − 1 k − 1
(27)
Usando a propriedade trabalhada logo acima, para comprovar a igualdade da questão:
Z ∞   Z 0  
n k−1 n−k+1 n
E(Yk ) = (1−FYk−1 + [F (x)] [1−F (x)] )dx− FYk−1 − [F (x)]k−1 [1−F (x)]n−k+1 )dx =
0 k − 1 −∞ k − 1
Z ∞  (28)
n
= E(Yk−1 ) + [F (x)]k−1 [1 − F (x)]n−k+1 )dx (29)
−∞ k − 1
 Z ∞
n
E(Yk ) = E(Yk−1 ) + F (x)k−1 [1 − F (x)]n−k+1 )dx (30)
k − 1 −∞
ii.

3 Questão

i. Usando da função geradora de momentos:


Z ∞
1 −(x − θ2 ) Y
Mx (t) = exptx ∗ ∗ exp( )dx θ, ∞](x) (31)
θ2 θ1 θ1
[

(atx+θ2 −x)
exp θ1 Y
= θ, ∞](x) (32)
θ1 t − 1
[

Derivando a primeira e a segunda respectivamente:


(θ1 tx+θ2 −x) (θ1 tx+θ2 −x)
x exp θ1
θ1 exp θ1 Y
Mx0 (t) = ( − ) θ, ∞](x) (33)
θ1 t − 1 (θ1 t − 1)2
[

(θ1 tx+θ2 −x) (θ1 tx+θ2 −x) θ1 tx+θ2 −x


( )
2θ2 exp θ1
x2 exp θ1
2θ1 x exp θ1 Y
Mx00 (t) =( 1 + − ) θ, ∞](x) (34)
(θ1 t − 1)3 (θ1 t − 1) (θ1 t − 1)2
[

Agora para encontrarmos os momentos, devemos considerar t = 0, como foi feito logo abaixo:
(θ2 −x) (θ2 −x)
x exp θ1 θ1 exp θ1 θ2 −x
E(x) = Mx0 (0) =( − ) = exp θ1
∗(−θ1 − x) (35)
−1 1

4
(θ2 −x) (θ2 −x) θ2 −x
( )
2θ12 exp θ1 x2 exp θ1
2θ1 x exp θ1 θ2 −x
2
E(x ) = Mx00 (0)
=( + − ) = exp θ1
∗(−2θ12 − x2 − 2θ1 ) (36)
−1 −1 1
Dessa maneira, podemos ter a Var:
θ2 −x θ2 −x
V ar = E(x2 ) − (E(x))2 = exp θ1
∗(−2θ12 − x2 − 2θ1 ) − (exp θ1
∗(−θ1 − x))2 (37)
θ2 −x θ2 −x
= exp θ1
∗(−2θ12 − x2 − 2θ1 ) − (exp θ1
)2 ∗ (−θ1 − x)2 (38)
ii. A questão 3 apresenta a seguinte função de verossimilhança:
n X xi − θ2
Y 1 x −θ
(− i 2 )
L(θ) = ( exp θ1 )[ θ2 , ∞] = θ1−n ∗ exp( − ) (39)
i=1
θ θ1

( ni=1 xi ) − n ∗ θ2
P
= −n ∗ ln(θ1 ) + (40)
θ1
Derivando a função de verossimilhança, e encontrando o valor que maximiza a mesma. Para os dois
diferentes parâmetros.
1°:
( ni=1 xi ) − n ∗ θ2
P
d
(−n ∗ ln(θ1 ) + )=0 (41)
dθ1 θ1
−n ( ni=1 xi ) − n ∗ θ2 −n(θ1 + ( ni=1 xi )θ2 )
P P
+ = =0 (42)
θ1 θ1 θ12
1°: O estimador de θ1 = x ∗ n ∗ θ2 + θ1
2°:
( ni=1 xi ) − n ∗ θ2
P
d
(−n ∗ ln(θ1 ) + )=0 (43)
dθ2 θ1
( ni=1 xi ) ∗ n
P
=0 (44)
θ1
2°: O estimador de θ2 = x ∗ n
iii.

(45)

iv.

4 Questão

a) Aplicando a Jacobiana para determinar se Y e Z são independentes:


2 Z−(x2 +Y )2
Separando x1 e x2 para derivar a função. Dessa maneira temos que x1 = ( Z−(x 1 +Y )
Y −x 2 ) e x 2 = ( Y −x2
)
2 1

2x1 x22 −Y 2 +2Y x22 −Z+x21 2x2 x21 −Y 2 +2Y x21 −Z+x22
!
dx1 dx2
 
(Y −x22 )2 (Y −x21 )2
|J| = Det dY
dx1
dY
dx2 = Det 1 1 (46)
dZ dZ Y −x22 Y −x21

2x21 x2 − Y 2 + 2Y x21 − Z + x22 2x1 x22 − Y 2 + 2Y x22 − Z + x21


− (47)
(Y − x22 ) ∗ (Y − x21 )2 (Y − x21 ) ∗ (Y − x22 )2

5
b) Deve ser feito:
2 2
MY,Z (t1, t2) = E(expY t1+Zt2 ) = E(exp(x1 +x2 )t1+(x1 +x2 )t2 ) (48)
Dessa maneira, temos que:
2 2
MY,Z (t1, t2) = E(expx1 t1+x1 t2 ) ∗ E(expx2 t1+x2 t2 ) (49)

As variáveis x1 e x2 , tem a mesma distribuição e assim é só calcular um dos termos acima.
∞ x2
exp( 1 )
Z
x1 t1+x21 t2 (
E(exp )= exp x1 t1 + x21 t2) ∗ √ 2 dx (50)
−∞ 2π

x21
Z
1
=√ ∗ exp( x1 t1 + x21 t2 − )dx (51)
2π −∞ 2
t12
exp( 2
(1 − 2t2))
= 1 (52)
(1 − 2t2) 2
E a MY,Z (t1, t2) é o produto dele mesmo, logo temos que MY,Z (t1, t2):
t1
exp (1−2t2)
MY,Z (t1, t2) = (53)
1 − 2t2
c) Para determinar a correlação entre Y e Z, devemos calcular o valor da Covariância entre Y e Z, e para
isso devemos ter o valor da E(Y ) e E(Z), já que as variáveis Y e Z são independentes. Calculando o valor
da E(Y ), E(Z) e E(Y Z)
Para Calcular E(Y ):
2
MY( t1) = expt1 (54)
2
E(Y ) = MY0 ( 0) = exp0 ∗2 ∗ 0 = 0 (55)
Para Calcular E(Z):
1
MZ( t2) = (56)
1 − 2t2
2
E(Z) = MZ0 ( 0) = =2 (57)
(1 − 2(0))2
Lembrando que as variáveis Y e Z são independentes então:

E(Y Z) = E(Y ) ∗ E(Z) (58)

Então:
E(Y Z) = 0 ∗ 2 = 0 (59)
Com os resultados apresentados logo acima temos que a Cov = 0, desta maneira a Correlação também é
igual a 0.