Universidade Federal do Ceará

Departamento de Estatı́stica e Matemática Aplicada

Prof. : Juvêncio S. Nobre
CC0295 - Inferência Estatistica II - 2023.2
Lista de exercı́cios # II

1. Sejam X1 , . . . , Xn uma amostra aleatória de tamanho n da distribuição de uma variável

aleatória X ∼ U(0, θ), θ > 0. Considere os estimadores θ̂1 = c1Xn e θ̂2 = c2 X(n) , em que
X(n) := max{X1 , · · · , Xn }.

i) Determine o espaço paramétrico referente ao modelo estatı́stico em questão.

ii) Encontre c1 e c2 que tornam os estimadores não viciados.

iii) Considere a seguinte amostra aleatória de tamanho 20: .59,.13,3.30,0.30,1.54,0.40, .94,1.3,3.36,0.18,3.

. Basea-do nos estimadores não viciados obtidos no item ii), obtenha as estimativas pontuais
e dos seus respectivos erros-padrão.

2. Para estimar a média µ de uma população, foram propostos dois estimadores não-viesados
independentes µ̂1 e µ̂2 , de tal sorte que Var[µ̂1 ] = Var[µ̂2 ]/3. Considere os seguintes estimadores
ponderados de µ:
µ̂1 +µ̂2
a) T1 = 2 .
4µ̂1 +µ̂2
b) T2 = 5 .

c) T3 = µ̂1 .

i) Quais estimadores são não-viesados?

ii) Dispor esses estimadores em ordem de eficiência.

iii) Considerando a consistência de que µ̂1 e µ̂2 são estimadores consistentes, mostre que os 3
estimadores acima também são.

3. Considere X ∼ P(θ) e ϕ(θ) = exp(−3θ). Mostre que T = (−2)X é um estimador não viciado
para ϕ(θ). Ele é um bom estimador?

4. Para estimar a média µ de uma população, foram propostos dois estimadores não-viesados µ̂1n
e µ̂2n , de tal sorte que Var[µ̂1n ] = Var[µ̂2n ]/2 e Cov(µ̂1n , µ̂2n ) = (2n)−1 . Considerando que µ̂2n é
um estimador consistente de µ.

i) Mostre que o estimador µ̂1n também é consistente para µ.

ii) Mostre que o estimador Tn (α) = αµ̂1n + (1 − α)µ̂2n , α ∈ (0, 1), é consistente para µ.

iii) Determine o EQM(Tn (α)) e desenhe o seu gráfico em função de α e encontre o valor de α
que minimiza EQM(Tn (α)).
 iid
5. Sejam X1 , . . . , Xn ∼ P(θ). Sabemos que Xn e Sn2 são dois estimadores não viciados para θ.
Encontre um outro estimador não viciado para θ que seja função de Xn e Sn2 simultaneamente.

6*. Sejam (X1 , Y1 ) . . . , (Xn , Yn ) uma a.a. de uma distribuição normal bivariada com parâmetros
µ1 , µ2 , σ12 , σ22 e ρ. Assuma que µ1 = µ2 = µ e considere a seguinte classe de estimadores
µ̂(α) := αXn + (1 − α)Y n .

i) O estimador µ̂(α) é consistente?

ii) Determine o valor α = α0 que minimiza a variância do estimador µ̂(α) e considere o esti-
mador
µ̂(α0 ) := α0Xn + (1 − α0 )Y n .

Mostre que se σ1 = σ2 , o BLUE (melhor estimador linear não viciado ) de µ é dado por

Xn + Y n
µ̂ = .
2

iid
7*. Sejam X1 , . . . , Xn ∼ B(θ). Determine um estimador não viciado para ψ(θ) = θ2 .

8*. Considere X ∼ P(θ). Determine um estimador não viciado para θ3 .

9*. Considere X ∼ P(θ). Existe estimador não viciado de 1/θ? Se existe, encontre-o, caso
contrário, prove que não existe.

10*. Considere X ∼ B(n, θ), n conhecido. Determine um estimador não viciado para θ3 .

11*. Considere X ∼ BN(r, θ), com r conhecido e com X representando o # de fracassos até se
obter o r-ésimo sucesso. Determine um estimador não viciado para θk , k ∈ N.
iid
12. Sejam X1 , . . . , Xn ∼ N (µ, σ 2 ). Determine um estimador não viciado para ψ(σ) = σ 3 .

iid
13. Sejam X1 , . . . , Xn ∼ (µ, σ 2 ). Mostre que o desvio-padrão amostral é um estimador viciado
de σ. Note que é preciso apenas mostrar que E[Sn ] ̸= σ, não importando o valor exato.

14. Considere X1 , . . . , Xn uma a.a. da distribuição exponencial truncada à esquerda de θ

fX (x) = e−(x−θ) 1[θ,∞) (x).
Mostre que X(1) = min{X1 , . . . , Xn } é um estimador consistente de θ.

15. Considere a questão anterior. Determine um estimador não viciado de θ que seja função de
X(1) .

16. Sejam X1 , . . . , Xn uma amostra aleatória de tamanho n da distribuição N (0, σ 2 ). Seja

n
X
2 :=
Sn∗ Xi2 . Considere os estimadores da forma:
i=1

σ̂c2 := cSn∗
2
.
 i) Determine o espaço paramétrico referente ao modelo estatı́stico em questão.
2
Sn∗
ii) Mostre que σ2
∼ χ2n .

iii) Encontre o EQM(σ̂c2 ) .

iv) Encontre o valor de c que minimiza o EQM em iii).

17. Sejam X1 , . . . , Xn uma amostra aleatória de tamanho n da distribuição N (µ, σ 2 ). Seja

n
X n
X
Sn2 := (Xi − X̄n )2 , em que X̄n = n−1 Xi . Considere os estimadores da forma:
i=1 i=1

σ̂c2 := cSn2 .

i) Determine o espaço paramétrico referente ao modelo estatı́stico em questão.

ii) Encontre o EQM(σ̂c2 ) .

iii) Encontre o valor de c que minimiza o EQM em ii).

18*. Sejam Y1 , . . . , Yn variáveis aleatórias independentes, tais que Yi ∼ N (α + βxi , σ 2 ), em que

n
X
os valores de xi não são estocásticos, satisfazendo (xi − x̄n )2 > 0.
i=1

i) Mostre que
n
X
(xi − x̄n )Yi
i=1
β̂ = n e α̂ = Ȳn − β̂ x̄n .
X
2
(xi − x̄n )
i=1

são estimadores não viciados de β e α, respectivamente.

ii) Mostre que α̂ pode ser reescrito como uma combinação linear das variáveis Yi ’s, i.e.
n
X
α̂ = ci Yi .
i=1

iii) Sob a suposição de normalidade, encontre a distribuição conjunta dos estimadores.

iv) Mostre que β̂(α̂) é o BLUE de β(α).

v) Forneça uma condição suficiente para que os estimadores α̂ e β(α) sejam consistentes.
19. Considere X1 e X2 duas variáveis aleatórias iid com distribuição P(λ). Mostre que X1 + 2X2
não é uma estatı́stica suficiente para λ.
20. Sejam X1 e X2 variáveis aleatórias discretas independentes com suporte em X = {0, 1},
satisfazendo P(X1 = 1) = p e P(X2 = 1) = 5p, p ∈ [0, 1/5]. A estatı́stica X1 + X2 é suficiente
para p? E a estatı́stica X1 + 3X2 ?
iid
21. Considere X1 , X2 ∼ B(p). Mostre que X1 + X2 e X1 + 5X2 são suficientes para p. Qual das
duas estatı́sticas deve ser preferida? Por que?
22. Considere X1 , . . . , Xn uma amostra aleatória de tamanho n de uma distribuição com densi-
dade fX (x/θ) dada abaixo. Usando o teorema da fatoração, determine uma estatı́stica suficiente
não trivial para θ.
2(θ−x)
i) fX (x/θ) = θ2
1(0,θ) (x), θ > 0.

ii) fX (x/θ) = θxθ−1 1(0,1) (x), θ > 0.

−(x−θ)2
n o
1
iii) fX (x/θ) = √
|θ| 2π
exp 2θ2
1R (x), θ ∈ R − {0}.

23. Considere X1 , . . . , Xn uma amostra aleatória de tamanho n das seguintes distribuições. Em

cada caso, encontre uma estatı́stica suficiente não trivial.
1
i) P(X = x) = N 1{1,...,N } (x), Θ = Z+ .
1−θ
ii) P(X = x) = 2 1{x1 }(x) + 21 1{x2 }(x) + 2θ 1{x3 }(x).
x
iii) P(X = x) = c(θ)2− θ 1{θ,θ+1,...} (x).

24. Use o teorema da fatoração para encontrar uma estatı́stica suficiente não trivial baseado em
uma amostra de tamanho n em cada um das seguintes situações:

i) X ∼ Weibull(α, β), quando:

a) α conhecido e β desconhecido.
b) α desconhecido e β conhecido.
c) α e β desconhecidos.

ii) X ∼ Γ(r, λ), quando:

a) r conhecido e λ desconhecido.
b) r desconhecido e λ conhecido.
c) r e λ desconhecidos.

iii) X ∼ U(0, θ), θ > 0.

iv) X ∼ U(θ, θ + 1).

v) X ∼ U(θ1 , θ2 ), θ1 < θ2 .
 vi) X ∼ β(a, b), quando:

a) a conhecido e b desconhecido..
b) a desconhecido e b conhecido.
c) a desconhecido e b desconhecido.

vii) X ∼ N (µ, σ 2 ), quando:

a) µ desconhecido e σ conhecido.
b) µ conhecido e σ desconhecido.
c) µ desconhecido e σ desconhecido.

viii) X ∼ exp(µ, λ), i.e., fX (x/µ, λ) = 1

2λ exp {− x−µ
λ }1(µ,∞) (x), quando:

a) µ conhecido e λ desconhecido.
b) µ desconhecido e λ conhecido.
c) µ desconhecido e λ desconhecido.

ix) X ∼ Laplace(µ, σ), quando:

a) µ desconhecido e σ conhecido.
b) µ conhecido e σ desconhecido.
c) µ desconhecido e σ desconhecido.
θβ θ
x) X ∼ Pareto(θ, β), i.e.,fX (x/θ, β) = 1
xθ+1 (β,∞)
(x), θ, β > 0 , quando:

a) θ conhecido e β desconhecido.
b) θ desconhecido e β conhecido.
c) θ e β desconhecidos.
2
n o
xi) X ∼ Lognormal(µ, σ), i.e., fX (x/µ, σ) = 1
√
xσ 2π
exp − (ln 2σ
x−µ)
2 1R+ (x), quando:

a) µ desconhecido e σ conhecido.
b) µ conhecido e σ desconhecido.
c) µ desconhecido e σ desconhecido.

25. Na questão anterior, determine as estatı́sticas suficientes minimais em cada situação e verifique
se as mesmas são completas.
26. Sejam (X1 , Y1 ), . . . , (Xn , Yn ) uma amostra aleatória das distribuições consideradas a seguir.
Encontre estatı́sticas suficientes não triviais para os parâmetros indicados.

i) (X, Y ) ∼ Trinomial(n, p1 , p2 ), i.e.,

!
n
P(X = x, Y = y) = px py (1 − p1 − p2 )n−x−y 1{0,...,n} (x)1{0,...,n−x} (y),
x, y 1 2
n
n!
n ∈ N conhecido, 0 < p1 , p2 < 1 e 0 < p1 + p2 < 1, em que x,y = x!y!(n−x−y)! .

β α+γ
ii) f (x, y/θ) = Γ(α)Γ(γ) x
α−1 (y − x)γ−1 e−βy 1(0 < x < y), θ = (α, β, γ)⊤ .

iii) (X, Y ) ∼ Dirichlet(α1 , α2 , α3 ), i.e.,

3
!
X
Γ αi
i=1
f (x, y/α1 , α2 , α3 ) = 3
xα1 −1 y α2 −1 (1 − x − y)α3 −1 1(0,1) (x)1(0,1−x) (y),
Y
Γ(αi )
i=1

αi > 0, i = 1, 2, 3.

iv) (X, Y ) ∼ N2 (µ, Σ), i.e.,

( " 2
1 1 x − µ1 x − µ1
 
f (x, y/θ) = exp − − 2ρ
ρ2 )
p
2πσ1 σ2 1 − ρ2 2(1 − σ1 σ1
2 #)
y − µ2 y − µ2
  
× + 1R2 (x, y),
σ2 σ2

em que θ = (µ1 , µ2 , σ1 , σ2 , ρ)⊤ .

27. Considere que x1 , . . . , xn são valores fixos e que as observações de interesse y1 , . . . , yn seguem
o seguinte modelo de regressão: yi = β0 + β1 xi + ei , i = 1, . . . , n com e1 , . . . , en representando uma
amostra aleatória da distribuição N (0, σ 2 ). Determine o espaço paramétrico e vetor de estatı́sticas
suficientes para os parâmetros do modelo, quando:

i) σ é conhecido.

ii) σ é desconhecido.

28. Considere T (X1 , . . . , Xn ) uma estatı́stica suficiente para θ, em que T e θ são escalares. Seja
f uma função real bijetiva com inversa f −1 .

i) Mostre que f (T ) também é suficiente para θ.

ii) Seja d uma função real bijetiva. Mostre que T é suficiente para d(θ).
Sugestão: Use o teorema da fatoração.

29. Sejam T1 e T2 duas estatı́sticas (distintas) suficientes para θ. Mostre que T1 é uma função de
T2 . Isso implica que qualquer função de uma estatı́stica suficiente também é suficiente?
Sugestão: Use o teorema da fatoração. A estatı́stica X̄ 2 é uma estatı́stica suficiente para µ em
uma amostra aleatória de uma população com distribuição normal?
iid
30*. (Seleção IME-USP) Considere X1 , X2 ∼ exp(θ). Mostre que T = X1 + X2 é uma estatı́stica
suficiente minimal. Adicionalmente, mostre que T1 = X1 + 2X2 não é uma estatı́stica suficiente.
Sugestão: Use o fato de que se T é uma estatı́stica suficiente minimal e se T1 é suficiente, então
existe uma função borel-mensurável ϕ tal que T = ϕ(T1 ) quase-certamente.
31*. Suponha que {(Xn , Yn )}n≥1 constitui uma amostra aleatória com distribuição uniforme no
cı́rculo de raio θ centrado na origem, i.e.,
1 q
f(Xi ,Yi ) (xi , yi /θ) = 1 ( x2i + yi2 ).
πθ2 (0,θ)
q
Mostre que T = max Xi2 + Yi2 é uma estatı́stica suficiente para θ e obtenha sua respectiva
1≤i≤n
distribuição.

32***. Suponha que X1 , . . . , Xn são iid com distribuição uniforme em [0, θ] ∪ [2θ, 3θ], i.e.
1  
fXi (xi /θ) = 1[0,θ] (xi ) + 1[2θ,3θ] (xi ) .
2θ
Encontre uma estatı́stica suficiente (de dimensão no máximo igual a 3).

33.(Famı́lia exponencial) Considere X uma variável aleatória com suporte em A ⊂ R funcio-

nalmente independente de θ. Dizemos que X pertence a famı́lia exponencial unidimensional de
parâmetro θ , denotada por X ∼ FE(θ), se sua densidade é escrita da seguinte forma

fX (x; θ) = exp{η(θ)T (x) − A(θ)}h(x)1X (x),

em que X não depende de θ e η(θ) e T (x) são funções contı́nuas não-triviais. Mostre que as
seguintes variáveis aleatórias pertencem à famı́lia exponencial, identificando o parâmetro θ e as
funções T (x), A(θ) e h(x):

i) X ∼ B(p), 0 < p < 1.

ii) X ∼ B(n, p) com n ∈ N conhecido e 0 < p < 1.

iii) X ∼ P(λ), λ > 0.

iv) X ∼ G(p), 0 < p < 1.

v) X ∼ BN(r, p) com n ∈ N conhecido e 0 < p < 1.

vi) X ∼ Logarı́tmica(p) com 0 < p < 1, i.e., com respectiva função de probabilidade
px
P(X = x) = 1 (x).
− log(1 − p)x {1,2,...}
 vii) X ∼ Γ(r, λ) com r, λ > 0, r conhecido.

viii) X ∼ N (µ, 1) com µ ∈ R e σ > 0 conhecido.

ix) X ∼ N (µ, σ 2 ) com µ ∈ R conhecido e σ > 0.

x) X ∼ β(a, b) com um dos parâmetros conhecido.

xi) X ∼ Weibull(b, a), com a > 0 e b > 0 conhecido, i.e., com respectiva densidade
b
fX (x) = abxb−1 e−ax 1R+ (x).

xii) X possuindo distribuição secante hiperbólica generalizada de parâmetro θ > 0, i.e., com
respectiva densidade
1 πx
 
fX (x) = exp(θx + ln cos(θ)) cosh 1R (y).
2 2

2
34. Mostre que se X ∼ FE(θ), então E[T (X)] = ∂A(η(θ)) ∂ A(η(θ))
∂η(θ) e Var[T (X)] = ∂ 2 η(θ) .
Sugestão: Usando o fato que fX (x; θ) é uma legı́tima função densidade de probabilidade, i.e.:
Z
exp{η(θ)T (x) + c(x)}dx = exp{A(θ)} = exp{A(η(θ))},
A

e use essa identidade para mostrar que a função geradora de momentos (sob condições de regula-
ridade) de Y = T (X) é dada por

MY (t) = exp{A(η(θ) + t) − A(η(θ))}.

iid iid
35. Sejam X1 , . . . , Xn e Y1 , . . . , Ym variáveis aleatórias independentes com Xi ∼ N (θ, σ 2 ) e Yj ∼ N (λ, τ 2 ),
θ, λ ∈ R, σ, τ > 0. Encontre estatı́sticas suficientes minimais para os casos abaixo:

i) Todos os parâmetros desconhecidos.

ii) θ = λ e σ, τ são desconhecidos.

iii) σ = τ e θ, λ são desconhecidos.

iv) θ = λ e σ = τ são desconhecidos.

Em quais das situações acima, a estatı́stica encontrada também é completa?

36*. Admita que (X1 , Y1 ), . . . (Xn , Yn ) são vetores aleatórios iid com distribuição normal bivariada
com E[X1 ] = E[Y1 ] = 0, Var[X1 ] = Var[Y1 ] = 1 e Cov(X1 , Y1 ) = ρ.

i) Encontre uma estatı́stica suficiente minimal para o modelo.

ii) Mostre que as estatı́sticas T1 = Xn e T2 = Y n são ancilares, mas o vetor (T1 , T2 )⊤ não é.
37*. Mostre que na famı́lia N (θ, θ) a estatı́stica T = ( ni=1 Xi , ni=1 Xi2 ) é suficiente, mas não é
P P

minimal. Utilize propriedades da famı́lia exponencial de posto completo.

Pn
38*. No exercı́cio anterior, encontre um estimador não viciado de θ baseado em i=1 Xi e outro
baseado em ni=1 Xi2 e mostre que T = ( ni=1 Xi , ni=1 Xi2 ) não é completa.
P P P

39**. Seja X uma V.A. discreta não-negativa, tal que

Pθ (X = x) = θ1{0} (x) + (1 − θ)2 θx−1 1{1,2,...} (x),

em que Θ = (0, 1). Prove que X é completa limitada, porém não é completa.
40*.Considere X ∼ N (0, σ 2 ). Mostre que |X| é uma estatı́stica suficiente para o modelo.
aa
41. Considere X1 , . . . , Xn ∼ β(θ, 1).

i) A estatı́stica Xn é suficiente para θ?

ii) Encontre uma estatı́stica suficiente minimal completa para θ.

aa
42. Considere X1 , . . . , Xn ∼ X, com X representando um caso regular da famı́lia de localização
(θ). Mostre que T (x) = (X(1) , . . . , X(n) ) é uma estatı́stica suficiente para θ.
aa
43. Considere X1 , . . . , Xn ∼ U(θ, θ + 1). Mostre que T (x) = (X(1) , X(n) ) é uma estatı́stica sufici-
ente para θ, porém não é completa. A estatı́stica T (x) é minimal?
α
44. Considere X1 , X2 variáveis aleatórias iid com fdp fX (x|α) = αxα−1 e−x 1R+ (x), α > 0.
Mostre que ln X1 / ln X2 é uma estatı́stica ancilar.
45. Um famoso exemplo de modelagem genética é o modelo Multinomial de ligação genética,
que consiste de um modelo multinomial (X1 , X2 , X3 , X4 ) com vetor de probabilidades dado por
( 21 + 4θ , 41 (1 − θ), 41 (1 − θ), 4θ ).

i) Determine o espaço paramétrico associado ao modelo.

ii) Mostre que esta famı́lia pertence a famı́lia exponencial curvada.

iii) Encontre uma estatı́stica suficiente para θ.

aa
46. Considere X1 , . . . , Xn ∼ P(θ). Mostre que Xn é uma estatı́stica completa para θ sem usar o
teorema da famı́lia exponencial.
47. Repita o exercı́cio anterior substituindo a distribuição Poisson pela geométrica.
48**. Considere X1 , . . . , Xn uma amostra aleatória da distribuição Normal Inversa, i.e., com
respectiva densidade
1/2 λ(x−µ)2
λ

−
fX (x|µ, λ) = e 2µ2 x 1R+ (x).
2πx3
n
i) Mostre que Xn e T = n
! são conjuntamente suficientes e determinam uma
X 1 1
−
i=1
Xi Xn
estatı́stica completa para o modelo.
 ii) Para n = 2, mostre que Xn tem distribuição Normal inversa e que nλ/T ∼ χ21 e que são
independentes.

aa
49. Considere X1 , . . . , Xn ∼ X, tal que fX (x|µ) = e−(x−µ) 1[µ,∞) ,µ ∈ R.

i) Mostre que X(1) é uma estatı́stica suficiente minimal e completa para µ.

ii) Mostre que X(1) e Sx2 são independentes.

Pn
iii) Mostre que X(1) e i=1 (Xi − X(1) ) são independentes.

iid
50. Considere X1 , . . . , Xn ∼ Γ(r, λ). Prove que ni=1 Xi e ni=1 (ln Xi −ln X(1) ) são independentes.
P P

iid
51***. Considere X1 . . . , Xn ∼ Cauchy(µ, σ). Determine a estatı́stica suficiente minimal para o
modelo.
iid
52***. Considere X1 . . . , Xn ∼ Laplace(µ, σ). Determine a estatı́stica suficiente minimal para o
modelo.
53. Mostre que
" 2 # −2
∂ ln fX (x; θ) d

IF[g(θ)] := E = IF(θ) g(θ) .
∂g(θ) dθ

aa
54. Considere X1 , . . . , Xn ∼ N (θ, θ), θ > 0.
2 são estimadores não viciados de θ.
i) Mostre que X̄n e SX

ii) Encontre LICR(θ).

2 )?
iii) Qual estimador é preferı́vel (X̄n ou SX

aa
55. Considere X1 , . . . , Xn ∼ U(0, θ), θ > 0. Considere X(n) = max{X1 , . . . , Xn }.

i) Dentre todos os estimadores da forma aX(n) , com a representando uma constante que pode
depender de n, determine o estimador que possui o menor EQM.

ii) Encontre o ENVVUM de θ. Nesse caso, o ENVVUM de θ pode ser eficiente? Justifique.

iii) Qual dos dois estimadores deve ser preferı́vel? Justifique.

aa
56. Considere X1 , . . . , Xn ∼ B(1, θ), θ ∈ (0, 1).

i) Encontre o LICR(θ(1 − θ)).

ii) Encontre, caso exista, o ENVVUM de θ(1 − θ).

aa
57. Considere X1 , . . . , Xn ∼ X, tal que fX (x) = θxθ−1 1(0,1) (x), Θ = R+ .
 n
X
i) Encontre uma estatı́stica suficiente e completa para θ. A estatı́stica Xi é completa?
i=1

ii) Existe alguma função de θ para o qual existe um estimador não viciado cuja variância
coincide com o LICR(θ)?

iii) Determine LICR(θ) e seu ENVVUM.

aa 2x
58. Considere X1 , . . . , Xn ∼ X, tal que fX (x) = 1
θ2 (0,θ)
(x), Θ = R+ .

i) Encontre uma estatı́stica suficiente e completa para θ.

ii) Existe alguma função de θ para o qual existe um estimador não viciado cuja variância
coincide com o LICR(θ)?

iii) Determine LICR(θ).

Sugestão: Verifique se as condições de regularidade são válidas para esse modelo.

iv) Determine o ENVVUM de θ.

aa
59. Considere X1 , . . . , Xn ∼ N (µ, σ 2 ), µ ∈ R, σ > 0.

i) Determine o ENVVUM de µ e σ 2 .

ii) Determine se os estimadores obtidos em i) são eficientes.

iii) Mostre que µ e σ 2 são ortogonais.

aa
60. Considere X1 , . . . , Xn ∼ X, com X representando uma variável aleatória qualquer. Considere
que o interesse é estimar a função de distribuição de X em um ponto x ∈ R, i.e., estimar FX (x).
Mostre que
n
X
1
i) A função distribuição empı́rica, F̂n (x) := n 1(Xi ≤ x) é tal que E[F̂n (x)] = FX (x),
i=1
∀x ∈ R.

ii) Assuma que a estatı́stica T (x) = (X(1) , . . . , X(n) ) é suficiente e completa para o modelo em
questão. Prove que F̂n (x) é o ENVVUM de FX (x), X̄n é o ENVVUM de µ = E[X] e SX 2 é
2
o ENVVUM de σ = Var[X].

61***. Considere X1 , . . . , Xn uma a.a. de um modelo parametrizado por θ = (θ1 , θ2 )⊤ . Suponha

que T1 (X) seja uma estatı́stica suficiente para θ1 quando θ2 é fixado e conhecido, enquanto
T2 (X) é uma estatı́stica suficiente para θ2 quando θ1 é fixado e conhecido. Assuma que θ1 e
θ2 variam de forma independente, i.e., θi ∈ Θi , i = 1, 2, e que o suporte X = {x; p(x, θ) > 0} seja
funcionalmente independente de θ.

i) Mostre que se T1 e T2 não dependerem de θ2 e θ1 , respectivamente, então (T1 (X), T2 (X))⊤

é uma estatı́stica suficiente para θ.
 ii) Exiba um exemplo em que (T1 (X), T2 (X))⊤ é suficiente para θ, T1 (X) é suficiente para θ1 ,
quando θ2 é fixado e conhecido, porém T2 (X) não é suficiente para θ2 , quando θ1 é fixado e
conhecido.

62. Suponha que X1 , ..., Xn seja uma amostra aleatória de uma famı́lia de posição-escala. Defina
Yj := ϕj (X), para j = 1, ..., n, funções de X invariantes sob posição-escala, i.e., tais que

x1 − α xn − α
 
ϕj (X) = ϕj (x1 , . . . , xn ) = ϕ , ..., ,
β β

∀α ∈ R, β ∈ R+ . Mostre que o vetor (Y1 , . . . , Yn )⊤ é uma estatı́stica ancilar para o modelo.

iid
63. Considere X1 , . . . , Xn ∼ N (µ, σ 2 ). Fixado u ∈ R, determine o ENVVUM de p = FX (u).

Divirtam-se sem moderação!!