MAE0311 - Inferencia Estatstica

Fernando Henrique Ferraz Pereira da Rosa

25 de agosto de 2003
Lista 1
1
1.7 Mostre que o

N
5
no Exemplo 1.3.9 e um estimador n ao viciado para N.

N
5
=
X
n+1
(n)
(X
(n)
1)
n+1
X
(n)
(X
(n)
1)
n
Tomemos g(x) =
x
n+1
(x1)
n+1
x(x1)
n
e calculemos E(g(X
(n)
):
E(g(X
(n)
) =
N

k=1
g(x
(n)
)P(X
(n)
= k)
=
N

k=1
k
n+1
(k 1)
n+1
k
n
(k 1)
n
__
k
N
_
n

_
k 1
N
_
n
_
=
N

k=1
k
n+1
(k 1)
n+1
k
n
(k 1)
n
N
n
(k
n
(k 1)
n
)
= N
n+1
N
n
= N
Logo

N
5
e n ao viciado para N.
1.9 Seja X uma unica vari avel aleat oria com distribui c ao de Bernoulli com
par ametro . Sejam

1
= X e

2
= 1/2 dois estimadores de .
(a) Verique se

1
e

2
s ao n ao viciados para .
Temos que se X Bernoulli() ent ao E(X) = e V ar(X) = (1
). Basta calcularmos as esperan cas dos dois estimadores:
E(

1
) = E(X) =
E(

2
) = E(1/2) = 1/2
Logo

1
e um estimador n ao viciado para , enquanto

2
e um esti-
mador viciado para .
1
Powered by L
A
T
E
X2, R 1.7.1 and Gentoo 1.4
1
(b) Compare os EQMs. Fa ca um gr aco dos EQMs como fun c ao de .
Calculando os EQMs:
EQM(

1
) = V ar(

1
) +B
2
(

1
) = V ar(X) + 0 = (1 )
EQM(

2
) = V ar(

2
) +B
2
(

2
) = V ar(1/2) + (E(1/2) )
2
=
2
+ 1/4
Na Figura 1 temos o gr aco em fun c ao de dos dois EQMs.
Igualando os dois EQMs temos que os pontos de intersec c ao (indica-
dos no gr aco) c
1
e c
2
s ao, respectivamente:
_
2

2
4
,
1
8
_
e
_
2+

4
4
,
1
8
_
.
Analisando o gr aco, percebemos que:

_
0,
2

2
4
_

_
2 +

2
4
, 1
_

1
e melhor
Caso contr ario,

2
e melhor.
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0 0.2 0.4 0.6 0.8 1
c
2
c
1
-
2
+

2
- + 1/4
Figura 1: Gr aco em fun c ao de de EQM(

1
) e EQM(

2
)
1.10 Sejam X
1
, . . . , X
n
uma amostra aleat oria de tamanho n da distribui c ao
da varavel aleat oria X com f.d.p. dada por
f(x|) = e
(x)
, x > , > 0
(a) Especique o espa co parametrico e o suporte associado ` a distribui c ao
de X.
Do enunciado, temos: = {, > 0} e A(x) = {x, x > }.
(b) Verique se

1
= X e

2
= X
(1)
s ao estimadores n ao viciados para .
Em primeiro lugar, veriquemos o valor de E(X).
E(X) =
_

xf(x|)dx =
_

xe
(x)
dx = e

xe
x
dx (1)
2
Resolvendo essa integral por partes, fazemos u = x e dv = e
x
dx,
obtendo du = dx e v = e
x
. Pela regra do produto ent ao:
(1) = e

_
_
xe
x

e
x
dx
_
= e

( + 1) = + 1
De imediado segue que

1
e viciado para pois E(

1
) = E(X) =
E(X) = + 1. Para

2
precisamos calcular sua esperan ca manual-
mente.
Em primeiro lugar, achemos a fun c ao de distribui c ao de X
(1)
:
F
X
(1)
(x) = P(X x) = P(min(X
1
, . . . , X
n
) x)
= 1 P(min(X
1
, . . . , X
n
) > x)
= 1 P(X
1
> x, . . . , X
n
> x)
= 1 P(X
1
> x) . . . P(X
n
> x)
Dada a fun c ao de densidade de X, e imediata a obten c ao de uma
express ao para P(X > a):
P(X > a) =
_

a
e
(x)
dx = e
a+
, a > > 0
Voltando isso na pen ultima equa c ao:
F
X
(1)
(x) = 1 e
n(x)
f
X
(1)
(x) = ne
n(x)
, x > > 0
Temos ent ao:
E(

2
) = E(X
(1)
) =
_

xne
n(x)
dx = ne
n
_

xe
nx
dx (2)
Fazendo u = x e dv = e
nx
dx, temos du = dx e v =
e
nx
n
. Pela
regra do produto:
(2) = ne
n
__
x
e
nx
n
_

e
nx
n
dx
_
=
n + 1
n
= +
1
n
Logo,

2
e um estimador assintoticamente n ao viciado para .
(c) Encontre e compare os EQMs dos dois estimadores. Fa ca um gr aco
como fun c ao de .
Em primeiro lugar, precisamos calcular V ar(X). Para isso, vamos
obter E(X
2
):
E(X
2
) =
_

x
2
e
(x)
dx = e

x
2
e
x
dx (3)
Tomando u = x
2
e dv = e
x
, temos du = 2xdx e v = e
x
. Assim:
(3) = e

_
_
x
2
e
x

e
x
2xdx
_
= e

2
e

+ 2(e

( + 1)
_
=
2
+ 2 + 2
3
Temos que V ar(X) = E(X
2
) E
2
(X), utilizando os valores j a co-
nhecidos:
V ar(X) =
2
+ 2 + 2 ( + 1)
2
= 1
A partir da podemos calcular EQM(

1
):
EQM(

1
) = V ar(

1
)+B
2
(

1
) =
V ar(X)
n
+(E(X))
2
=
1
n
+1 =
n + 1
n
Calculemos agora EQM(

2
). Em primeiro lugar precisamos de V ar(

2
)
que precisa de E(

2
):
E(

2
2
) = E(X
2
(1)
) =
_

x
2
ne
n(x)
dx = ne
n
_

x
2
e
nx
dx
= ne
n
__

2
e
n
n
_

+
2
n
_

xe
nx
dx
_
= ne
n
_

2
e
n
n
+
2
n
_
e
n
n
+
e
n
n
2
__
=
2
+
2
n
+
2
n
2
Assim:
V ar(

2
) =
2
+
2
n
+
2
n
2

_
+
1
n
_
2
=
1
n
2
Calculando ent ao o EQM:
EQM(

2
) = V ar(

2
) +B
2
(

2
) =
1
n
2
+(E(

2
) )
2
=
1
n
2
+
1
n
2
=
2
n
2
O estimador

2
e melhor que o estimador

1
, pois seu erro quadr atico
medio e sempre menor, para todo e ca cada vez menor quanto
maior o tamanho da amostra. N ao faz sentido comparar os dois
atraves de um gr aco em fun c ao de pois nenhum dos dois depende
de .
1.12 Sejam X
1
, . . . , X
n
uma amostra aleat oria de tamanho n da distribui c ao de
uma vari avel aleat oria X U(0, ). Considere os estimadores

1
= c
1
X e

2
= c
2
X
(n)
.
(a) Encontre c
1
e c
2
que tornam os estimadores n ao viciados.
No primeiro caso temos:
E(

1
) = E(c
1
X) = c
1
E(X) = c
1

2
Como queremos que E(

1
) = , fazemos:
c
1

2
= c
1
= 2
4
No segundo, precisamos em primeiro lugar encontrar a esperan ca de
X
(n)
:
F
X
(n)
(y) = P(X
(
n) y) = P(max(X
1
, . . . , X
n
))
= P(X
1
y) . . . P(X
n
y)
=
x
n

n
f
X
(n)
(y) =
nx
n1

n
Ent ao:
E(X
(n)
) =
_

0
x
nx
n1

n
dx =
n

n
_

0
x
n
dx =
n
n + 1
=
n
n + 1

Como queremos E(

2
) = :
c
2
n
n + 1
= c
2
=
n + 1
n
(b) Encontre e compare os EQMs dos dois estimadores.
EQM(

1
) = V ar(

1
) +B
2
(

1
) = V ar(2X) + (E(

1
) )
2
=

2
3n
+ 0 =

2
3n
Como n ao temos de imediato como acima, vamos encontrar ent ao
V ar(

2
). Em primeiro lugar, encontremos V ar(X
(n)
), pois a vari ancia
que queremos depende dela:
V ar(X
(n)
) = E(X
2
(n)
) E
2
(X
(n)
)
Como j a obtivemos E(X
(n)
) acima, precisamos apenas encontrar
E(X
2
(n)
):
E(X
2
(n)
) =
_

0
x
2
nx
n1

n
dx =
n

n
_

0
x
n+1
dx =
n
n + 2

2
Assim:
V ar(X
(n)
) =
n
n + 2

_
n
n + 1

_
2
=
2
_
n
n + 2

n
2
(n + 1)
2
_
Calculando ent ao V ar(

2
):
V ar(

2
) = V ar
_
n + 1
n
X
(n)
_
=
_
n + 1
n
_
2
V ar(X
(n)
)
=
_
n + 1
n
_
2

2
_
n
n + 2

n
2
(n + 1)
2
_
=
2
_
n
2
+ 2n + 1
n
2
+ 2n
1
_
= EQM(

2
)
5
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
1 2 3 4 5 6 7 8 9 10
EQM(
1
)
EQM(
2
)
Figura 2: EQMs em fun c ao de n
Na Figura 2 temos o gr aco dos EQMs de acordo com o tamanho
da amostra n. Fica claro que o erro quadr atico medio do segundo
estimador e sempre menor ou igual (com menor ou igual substituido
por estritamente menor para qualquer n > 1) que o erro quadr atico
medio do primeiro estimador. Logo o estimador

2
e um melhor
estimador para que

1
.
1.13 Sejam X
1
, . . . , X
n
uma amostra aleat oria de tamanho n da distribui c ao
da vari avel aleat oria X N(0,
2
). Seja S
2
=

n
i=1
X
2
i
. Considere os
estimadores

2
= cS
2
(a) Encontre o EQM do estimador acima.
Em primeiro lugar, precisamos achar a esperan ca e a vari ancia de S
2
:
E(S
2
) = E
_
n

i=1
X
2
i
_
= E(X
2
1
) +. . . +E(X
2
n
)
Notemos que:
V ar(X) = E(X
2
) E
2
(X) E(X
2
) = V ar(X) +E
2
(X) =
2
Voltando esse resultado na equa c ao acima:
E(S
2
) = n
2
Para achar a vari ancia de S
2
resta-nos apenas encontrar E((S
2
)
2
).
Para isto, notemos que

n
i=1
Xi

2
segue uma distribui c ao de qui-
quadrado com n graus de liberdade. No caso presente, notando que
= 0, temos que S
2
/
2
segue uma distribui c ao qui-quadrado com n
graus de liberdade.
Notemos ainda que a fun c ao geradora de momentos de uma vari avel
aleat oria que segue uma distribui c ao de qui-quadrado com n graus
de liberdade e dada por:
6
(t) =
_
1
1 2t
_
n/2
, para t <
1
2
(4)

E imediato que se S
2
/
2
segue uma distribui c ao de qui-quadrado com
n graus de liberdade, (S
2
/
2
)
2
= (S
2
)
2
/
4
segue uma distribui c ao
qui-quadrado ao quadrado, com os mesmos graus de liberdade. No-
temos entretanto que estamos interessados justamente na esperan ca
de (S
2
)
2
. Podemos obter facilmente atraves do segundo momento da
distribui c ao qui-quadrado, o valor de (S
2
)
2
/
4
. Basta ent ao notar-
mos que:
E((
2
n
)
2
) = E(S
2
)/
4
E((S
2
)
2
) = E((
2
n
)
2
)
4
Resta somente ent ao obtermos o valor de E((
2
n
)
2
, que nada mais e
que

(0).

(t) =
_
(1 + 2 t)
1
_
1/2 n
n(n + 2) (1 + 2 t)
2

(0) = n
2
+ 2n
Temos ent ao que E((S
2
)
2
) = (n
2
+ 2n)
4
. E ent ao:
V ar(S
2
) = (n
2
+ 2n)
4
(n
2
)
2
= 2n
4
Calculando o EQM:
EQM(
2
) = EQM(cS
2
) = V ar(cS
2
) +B
2
(cS
2
)
= c
2
V ar(S
2
) + (E(cS
2
)
2
)
2
= c
2
V ar(S
2
) + (cE(S
2
)
2
)
2
= 2 c
2
n
4
+c
2
n
2

4
2 cn
4
+
4
(b) Encontre o valor de c que minimiza o EQM em (a).
Tomemos como fun c ao de uma vari avel:
f(c) = 2 c
2
n
4
+c
2
n
2

4
2 cn
4
+
4
Fazendo f

(c) = 0 obtemos como candidato para m aximo ou mnimo

local c =
1
n+2
. Para vericarmos se esse ponto e de mnimo ou
m aximo, tomemos:
f

(c) = 4 n
4
+ 2 n
2

4
Como f

(c) e sempre positiva, pois n e positivo, temos que

1
n+2
e um
ponto de mnimo local. Logo c =
1
n+2
minimiza o erro quadr atico
medio desse estimador com rela c ao a
2
.
Sobre
A vers ao eletr onica desse arquivo pode ser obtida em http://www.feferraz.
net
7
Copyright (c) 1999-2005 Fernando Henrique Ferraz Pereira da Rosa.

E dada permiss~ ao para copiar, distribuir e/ou modificar este documento

sob os termos da Licen ca de Documenta c~ ao Livre GNU (GFDL), vers~ ao 1.2,
publicada pela Free Software Foundation;
Uma c opia da licen ca em est a inclusa na se c~ ao intitulada
"Sobre / Licen ca de Uso".
8