Curso de Inferência

Prof. Fernando Moura

Terceira Lista de Exercícios

1- Usando a mesma notação empregada para a família exponencial de um parâmetro,

mostre que:

𝑏 ′ (𝜃) 𝑏 ′ (𝜃)𝜙′′ (𝜃)−𝜙′ (𝜃)𝑏 ′′ (𝜃)

𝑎) 𝐸[𝑈(𝑋)] = − 𝜙′ (𝜃) e 𝑉[𝑈(𝑋)] = [𝜙′ (𝜃)]3

b) Verifique que o resultado acima coincide para o caso 𝑋~𝐸𝑥𝑝(𝜃), calculando

diretamente 𝐸[𝑈(𝑋)] e 𝑉[𝑈(𝑋)].

2- Considere que 𝑋 = (𝑋1 , … , 𝑋𝑛 ) uma amostra aleatória com densidade comum igual a
𝜃𝜙
𝑝(𝑥|𝜃, 𝜙) = Γ(𝜙) 𝑥 𝜙−1 exp(−𝜃𝑥), para 𝑥 > 0.

a) Seja 𝜃 o parâmetro de interesse e 𝜙 o “parâmetro incômodo” (nuisance parameter).

Determine as funções de verossimilhança perfilada e a uniforme integrada de 𝜃.
b) Suponha que a densidade da distribuição a priori de 𝜃|𝜙 seja dada por:
𝜙
𝜃0 0
𝑑(𝜃|𝜙0 , 𝜃0 ) = 𝜃 𝜃0 −1 exp(−𝜙0 𝜃𝑥) , 𝜃 > 0 , onde 𝜙0 e 𝜃0 são conhecidos. Encontre a
Γ(𝜃0 )
função de verossimilhança marginal e a posteriori marginal de 𝜃.

3- Suponha que 𝜃 represente a temperatura máxima na porta da sua casa no mês de

maio.
a) Determine, subjetivamente, o primeiro e segundo quartil da sua priori de 𝜃.
b) Obtenha a densidade da distribuição normal que melhor se ajuste aos quartis
especificados no item (a).
c) Encontre subjetivamente, sem usar a distribuição normal ajustada no item (b), o
quartil 0,1 da sua distribuição a priori de 𝜃. Compare este valor com o obtido pela
distribuição normal ajustada no item (b). O que você pode concluir deste fato?

4- Mostre que as distribuições Beta e Normal-gama são fechadas sob amostragem.

5- Considere que 𝑋 = (𝑋1 , … , 𝑋𝑛 ) uma amostra aleatória de uma distribuição de

Poisson de parâmetro 𝜃.
a) Determine a priori conjugada para 𝜃 tal que 𝐸(𝜃) = 4 e 𝐶𝑉(𝜃) = 0,5 (CV=coeficiente
de variação).
b)Determine o tamanho da amostra tal que 𝑉(𝜃|𝒙) < 0,01.
c) Mostre que a média da posteriori pode ser escrita como:
𝐸(𝜃|𝒙) = 𝛾𝑛 𝑥̿𝑛 + (1 − 𝛾𝑛 )𝜇0 , onde 𝐸(𝜃) = 𝜇0 e 𝛾𝑛 → 1 quando 𝑛 → ∞.
d) Repita o item c para uma amostra aleatória de uma distribuição de Bernoulli com
𝜃~𝐵𝑒𝑡𝑎(𝑎, 𝑏).

6- Suponha que X tenha uma distribuição normal com média zero e desvio padrão
𝜎 desconhecido.
a) Encontre a Informação de Fisher para 𝜎.
b) Encontre a Informação de Fisher 𝜎 2 .
c) Encontre a informação de Fisher para 𝜎 2 em função da informação de Fisher de 𝜎.

7- Suponha que 𝑋|𝜃~ exp(𝜃).

a) Encontre a priori de Jerfreys para 𝜃.
b) Encontre a posteriori de 𝜃 e verifique se é própria.
c) Encontre 𝑝(𝑥).
8- Suponha que 𝑋|𝜃 tenha distribuição normal com média 𝜇 e variância 𝜎 2 . Considere
que o parâmetro de interesse seja 𝜃 = (𝜇, 𝜎).
a) Obtenha a priori de Jerfreys para 𝜃, calculando a Informação de Fisher para 𝜃.
b) Obtenha a priori de Jerfreys para 𝜃, usando o fato que a priori de Jerfreys para
(𝜇, 𝜎 2 ) é 𝑝(𝜇, 𝜎 2 ) ∝ 𝜎 −3
c) Obtenha 𝑝(𝜃|(𝑥1 , … , 𝑥𝑛 ), caso seja própria.
d) Considere o método proposto por Bernando na construção de priori informativa em
duas etapas, onde 𝜃 é o parâmetro de interesse principal e 𝜎 de interesse
secundário. Ache esta priori e a sua correspondente posteriori.
e) Compare as duas posteriores encontradas nos itens c e d.

9- Disserte sobre o Princípio da Verossimilhança e ilustre-o com dois exemplos, onde

no primeiro exemplo, o método de inferência segue este princípio e o segundo
exemplo não.

10- Considere o seguinte modelo hierárquico: 𝑋𝑖 |𝜃𝑖 ~𝑁(𝜃𝑖 , 𝜎 2 ), 𝑖 = 1, … , 𝑛 e 𝜃𝑖 ~𝑁(𝜇, 𝜏 2 )

com 𝜎 2 , 𝜇 𝑒 𝜏 2 conhecidos.
a) Mostre que 𝑝(𝜃𝑖 |𝑥1 , … , 𝑥𝑛 ) = 𝑝(𝜃𝑖 |𝑥𝑖 ).
b) Encontre 𝐸(𝜃𝑖 |𝑥𝑖 ) e 𝑉(𝜃𝑖 |𝑥𝑖 ).
c) Qual a distribuição de 𝑋𝑖 |𝜇, 𝜏 2 ?