Escolar Documentos
Profissional Documentos
Cultura Documentos
Exercı́cio 1
Uma urna contém θ bolas, numeradas de 1 a θ, θ ∈ {1, 2, 3, 4, 5}. Uma bola é
extraı́da da urna “ao acaso”. Seja X o número da bola retirada.
Solução do exercı́cio 1
a)
1
X|θ ∼ Unif orme{1, . . . , θ}, P(X = i|θ) = , i = 1, . . . , θ
θ
1
1 ,
θ = 3, 4, 5
θ
L(θ) = , θ = 1, 2, 3, 4, 5, L(θ|X = 3) =
θ 0, θ = 1, 2
1.0
1.0
0.8
0.8
0.6
0.6
L(θ : X = 3)
L(θ)
0.4
0.4
0.2
0.2
0.0
0.0
1 2 3 4 5 1 2 3 4 5
θ θ
b) Pelo gráfico do item a), para x = 3 notamos que o valor mais verossı́mil para θ é 3,
assim a estimativa de máxima verossimilhança para θ nesse caso é 3.
1
Exercı́cio 2
Uma urna contém θ bolas, numeradas de 1 a θ, θ ∈ {2, 3, . . . , 10}. Duas bolas são
retiradas SEM reposição da urna. Seja Xi o número da i-ésima bola extraı́da da urna,
i = 1, 2.
a) Esboce o gráfico da função de verossimilhança para θ gerada por X1 = 7, X2 = 3.
Qual é a estimativa de máxima verossimilhança nesse caso?
b) Obtenha o estimador de máxima verossimilhança para θ.
Solução do exercı́cio 2
a)
1
P(X1 = i, X2 = j|θ) = L(θ) = , i, j = 1, . . . , θ
θ(θ − 1)
1
1 θ(θ−1)
, θ = 7, 8, 9, 10
L(θ) = , θ = 2, . . . , 10 L(θ|X1 = 7, X2 = 3) =
θ(θ − 1) 0, θ = 2, 3, 4, 5, 6
0.5
0.5
0.4
0.4
L(θ : X1 = 7, X2 = 3)
0.3
0.3
L(θ)
0.2
0.2
0.1
0.1
0.0
0.0
2 4 6 8 10 2 4 6 8 10
θ θ
b) Pelo gráfico do item a), para x1 = 7, x2 = 3 notamos que o valor mais verossı́mil
para θ é 7, assim a estimativa de máxima verossimilhança para θ nesse caso é 7.
Exercı́cio 3
Considere X1 , . . . , Xn uma amostra aleatória simples do modelo Normal de média 0
e variância θ, θ > 0.
a) Obtenha o estimador de máxima verossimilhança para θ.
b) Verifique se tal estimador é não-viesado para θ.
c) Para n = 5, X1 = 1, 1, X2 = 0, 7, X3 = −1, X4 = 0, 6, X5 = 0, 8.
d) Verifique se a sequência de estimadores de MV para θ é consistente.
2
Solução do exercı́cio 3
a)
1 x2
i
Xi |θ ∼ Normal(0, θ), fXi (xi ) = √ e− 2θ
2πθ
Pn 2
−n/2 − i=1 xi
L(θ) = (2πθ) e 2θ
Pn
n i=1 x2i
l(θ) = log(L(θ)) = − log(2πθ) −
2 2θ
Pn 2
Pn
∂l(θ) n i=1 xi ∂ 2 l(θ) n i=1 x2i
=− + , = 2−
∂θ 2θ 2θ2 ∂θ 2 2θ θ3
Pn
∂l(θ) i=1 x2i
= 0 ⇒ θ̂ =
∂θ θ=θ̂ n
b) Pn Pn
i=1E[x2i ] i=1 θ
E[θ̂] = = =θ
n n
Observação: V AR(X) = E(X 2 ) − E2 (X) ⇒ E(X 2 ) = V AR(X) + E2 (X)
c) Para n = 5, X1 = 1, 1, X2 = 0, 7, X3 = −1, X4 = 0, 6, X5 = 0, 8
1, 12 + 0, 72 + (−1)2 + 0, 62 + 0, 82
θ̂ = = 0, 74
5
d)
lim E[θ̂] = θ
n→∞
Pn Pn
i=1 V AR(Xi2 ) i=1 2θ
2
2θ2
lim V AR[θ̂] = lim = lim = lim =0
n→∞ n→∞ n2 n→∞ n2 n→∞ n
Exercı́cio 4
Considere X1 , . . . , Xn uma amostra aleatória simples do modelo Exponencial de
parâmetro θ, θ > 0 (isto é, fX1 (x|θ) = θe−θx , x > 0).
3
Solução do exercı́cio 4
a)
Pn n
X
L(θ) = θn e−θ i=1 xi
⇒ l(θ) = log(L(θ)) = nlog(θ) − θ xi
i=1
n
∂l(θ) n X ∂ 2 l(θ) n
= − xi , 2
=− 2
∂θ θ i=1
∂θ θ
n
∴ θ̂ = Pn
i=1 xi
b) Pn
k i=1 xki
E[X ] =
n
1
X ∼ Exponencial(θ) ⇒ E[X] =
θ
Pn
1 i=1 xi n
∴ = ⇒ θ̂ = Pn
θ̂ n i=1 xi
Exercı́cio 5
Considere X1 , . . . , Xn uma amostra aleatória simples do modelo Gama de parâmetro
(vetor de parâmetros) θ = (θ1 , θ2 ), θ1 > 0, θ2 > 0. Obtenha o estimador para θ pelo
método dos momentos.
Solução do exercı́cio 5
θ2θ1 θ1 −1 −θ2 xi
Xi |θ ∼ Gama(θ1 , θ2 ) ⇒ fXi (xi ) = x e
Γ(θ1 ) i
θ1 θ1 θ12
E(X) = , E(X 2 ) = +
θ2 θ22 θ22
Pn Pn
θ̂1 i=1 Xi Xi
= ⇒ θ̂1 = θ̂2 i=1
θ̂2 n n
Pn Pn Pn 2 Pn
θ̂1 θ̂12 i=1 Xi2 i=1 Xi i=1 Xi i=1 Xi2 nX̄
+ = ⇒ + = ⇒ θ̂2 = Pn 2
θ̂22 θ̂22 n θ̂2 n n n i=1 (Xi − X̄)
nX̄ 2
∴ θ̂1 = Pn 2
i=1 (Xi − X̄)
4
Exercı́cio 6
Considere X1 , . . . , Xn uma amostra aleatória simples do modelo Geométrico de
parâmetro θ, 0 < θ < 1. Suponha que, a priori, θ é distribuı́do segundo o modelo
Beta de parâmetros a > 0 e b > 0.
Solução do exercı́cio 6
Γ(a + b) a−1
θ ∼ Beta(a, b) ⇒ f (θ) = θ (1 − θ)b−1 , θ ∈ (0, 1)
Γ(a)Γ(b)
a)
Pn
xi −n Γ(a+b) a−1
P(X = x|θ)f (θ) θn (1 − θ) i=1
Γ(a)Γ(b)
θ (1 − θ)b−1
f (θ|X = x) = R 1 = R1 Pn
Γ(a+b) a−1
0
P(X = x|θ)f (θ)dθ 0
θn (1 − θ) i=1 xi −n Γ(a)Γ(b) θ (1 − θ)b−1 dθ
Pn
θn+a−1 (1 − θ) i=1 xi +b−n−1
= R1 Pn
θn+a−1 (1 − θ) i=1 xi +b−n−1 dθ
0
R 1 n+a−1 Pn
Como 0P θ (1−θ) i=1 xi +b−n−1 dθ é o núcleo da distribuição beta com parâmetros
n + a e ni=1 xi + b − n. então
n
X
θ|X = x ∼ Beta(n + a, xi + b − n)
i=1
Observação: X = (X1 , X2 , . . . , Xn )
n+a
θ̂ = Pn
i=1 Xi + a + b
5
Exercı́cios extraı́dos do livro “Estatı́stica Básica”, de W.O. Bussab e P.A. Morettin.
Exercı́cio 7
Considere X1 , . . . , Xn uma amostra aleatória simples do modelo Poisson de
parâmetro θ, θ > 0.
Solução do exercı́cio 7
e−θ θxi
Xi |θ ∼ P oisson(θ) ⇒ P(Xi = xi |θ) = , x1 = 0, 1, 2, . . .
xi !
a)
Pn n n
xi
e−nθ θ i=1 X X
L(θ) = Qn ⇒ l(θ) = log(L(θ)) = −nθ + xi log(θ) − log(xi !)
i=1 xi ! i=1 i=1
Pn Pn
∂l(θ) i=1 xi ∂ 2 l(θ) i=1 xi
= −n + , =− < 0, ∀θ > 0
∂θ θ ∂θ2 θ2
Pn
∂l(θ) i=1 xi
∴ =0 ⇒ θ̂ = = x̄
∂θ θ=θ̂ n
b) Pn Pn Pn
i=1 X i E[X i ] θ
E[θ̂] = E = i=1 = i=1 = θ
n n n
.
Pn Pn
i=1 V AR(Xi ) i=1 θ θ
V AR(θ̂) = = =
n2 n2 n
Aplicando os limites podemos afirmar que a sequência de estimadores é consistente.
6
Pn
Xk
d) Igualando os momentos populacionais, E(X k ), com os momentos amostrais, i=1n
i
,
obtemos os estimadores pelo métodos dos momentos. No caso da questão só preci-
samos do primeiro momento, então
Pn
i=1 Xi
E(X) = θ =
n
Desta forma os estimadores pelo método dos momentos e máxima verossimilhança
são iguais.
Exercı́cio 8
Considere X1 , . . . , Xn uma amostra aleatória simples do modelo Geométrico de
parâmetro θ, 0 < θ < 1 (isto é, P(X1 = j|θ) = (1 − θ)j−1 θ, j = 1, 2, ...).
Solução do exercı́cio 8
a) !
Pn n
X
L(θ) = θn (1 − θ) i=1 xi −n
⇒ l(θ) = nlog(θ) + xi − n log(1 − θ)
i=1
Pn Pn
∂l(θ) n xi − n
i=1 ∂ 2 l(θ) n i=1 xi − n
= − , 2
=− 2 − < 0, ∀θ > 0
∂θ θ 1−θ ∂θ θ (1 − θ)2
∂l(θ) n
∴ =0 ⇒ θ̂ = Pn
∂θ θ=θ̂ i=1 xi
Pn
X
b) A esperança da distribuição geométrica é 1θ , igualando a i=1
n
i
, então o estimador
pelo método dos momentos é igual ao de máxima verossimilhança.
7
Exercı́cio 9
Considere X1 , . . . , Xn uma amostra aleatória simples do modelo Uniforme no inter-
valo (0, θ), θ > 0. Obtenha o estimador de máxima verossimilhança, δM V , para θ. (Veja
exercı́cio 43 do capı́tulo 11 do livro).
Solução do exercı́cio 9
1
Xi |θ ∼ Unif orme(0, θ), θ > 0, ⇒ f (xi |θ) = , xi ∈ (0, θ)
θ
1
θn
, ∀xi ∈ (0, θ),
L(θ) =
0, caso contrário.
Dizer que ∀xi ∈ (0, θ) é equivalente a dizer que o x(n) ∈ (0, θ). Na verossimilhança
o foco é o θ, assim x(n) ∈ (0, θ) = θ ∈ (x(n) , ∞).
1000
800
600
L(θ)
400
200
0
Exercı́cio 10
Considere X1 , . . . , Xn uma amostra aleatória simples do modelo Bernoulli de
parâmetro θ, 0 < θ < 1. Considere os seguintes estimadores para θ: δ1 (X1 , . . . , Xn ) = X1
e δ2 (X1 , . . . , Xn ) = (X1 + . . . + Xn )/n, n > 1.
8
Solução do exercı́cio 10
a)
E[δ1 ] = E[X1 ] = θ, V AR(δ1 ) = V AR(X1 ) = θ(1 − θ)
Pn Pn Pn
i=1 Xi i=1 E[Xi ] i=1 Xi θ(1 − θ)
E[δ2 ] = E = = θ, V AR(δ2 ) = V AR =
n n n n
O estimador δ1 não é um bom estimador, pois não utiliza toda informação da amos-
tra.
b) Precisamos verificar
Temos então, que δ1 não é consistente, pois o limite da variância não é zero. Já, o
estimador δ2 é consistente.
Exercı́cio 11
Considere X1 , . . . , Xn uma amostra aleatória simples do modelo Uniforme no in-
tervalo (0, θ), θ > 0. Considere os seguintes estimadores para θ: δ1 (X1 , . . . , Xn ) =
(n + 1)X(n) /n, onde X(n) = max{X1 , . . . , Xn }, e δ2 (X1 , . . . , Xn ) = 2(X1 + . . . + Xn )/n,
n > 1.
Solução do exercı́cio 11
1 xi
Xi |θ ∼ Unif orme(0, θ) ⇒ fXi (xi ) = ⇒ FXi (xi ) =
θ θ
Considere Y = X(n) = max{X1 , . . . , Xn }, então
y n
FY (y) = P(Y ≤ y) = P(X(n) ≤ y) = (P(Xi ≤ y))n =
θ
n y n−1 Y
∴ fY (y) = ⇒ ∼ Beta(n, 1)
θ θ θ
nθ nθ2
∴ E[Y ] = , V AR(Y ) =
n+1 (n + 1)2 (n + 2)
9
a)
θ2
(n + 1)Y (n + 1)Y
E[δ1 ] = E = θ, V AR(δ1 ) = V AR =
n n n(n + 2)
Pn Pn
θ2
2 i=1 Xi 2 i=1 Xi
E[δ2 ] = E = θ, V AR(δ2 ) = V AR =
n n 3n
Assim, tanto δ1 quanto δ2 são estimadores não viesados para θ.
b) Como os estimadores são não viesados, então o erro quadrático médio, EQM, é
igual a variância. Desta forma
θ2 θ2
EQM(δ1 ) = e EQM(δ2 ) =
n(n + 2) 3n
Exercı́cio 12
Considere X1 , . . . , Xn uma amostra aleatória simples da variável X tal que E(X) =
θ. Sejam δ1 e δ2 estimadores não-viesados para θ e tais que V AR(δ2 ) = V AR(δ1 )/3.
Considere δ1 e δ2 independentes. Considere os seguintes novos estimadores para θ:
δ3 = (δ1 + δ2 )/2, δ4 = (4δ1 + δ2 )/5 e δ5 = δ1 .
Solução do exercı́cio 12
σ2
Considere E[δ1 ] = θ, V AR(δ1 ) = σ 2 , E[δ2 ] = θ e V AR(δ2 ) = 3
a)
δ1 + δ2 4δ1 + δ2
E[δ1 ] = E[δ2 ] = θ, E[δ3 ] = E = θ, E[δ4 ] = E = θ, E[δ5 ] = θ
2 5
b)
σ2
V AR(δ1 ) = σ 2 , V AR(δ2 ) = = 0, 33σ 2 , V AR(δ5 ) = σ 2
3
σ 2 + σ 2 /3 σ2
δ1 + δ2
V AR(δ3 ) = V AR = = = 0, 33σ 2
2 4 3
16σ 2 + σ 2 /3 49σ 2
4δ1 + δ2
V AR(δ4 ) = V AR = = = 0, 65σ 2
5 25 75
Os estimadores δ2 e δ3 possuem a menor variabilidade, assim estes podem ser esco-
lhidos como melhores estimadores.
10
Exercı́cio 13
Uma indústria produz um medicamento para o tratamento de sintomas de gripes
e resfriados. Visando avaliar o volume de vendas desse medicamento em função das
condições climáticas de certa localidade, essa empresa decidiu registrar, mensalmente, a
temperatura média mensal nessa localidade (x) e o correspondente volume de vendas (y).
b) Qual é a previsão
P de vendas P para um Pmês com temperatura
P 2 média de 10 graus?
Dados: n = 8, xi = 69, yi = 128, xi yi = 897, xi = 779.
Solução do exercı́cio 13
Vamos resolver primeiro o item b) para assim podermos ter uma interpretação me-
lhor.
b) Pn
xi yi − ni=1 xi ni=1 yi
P P
n i=1 8 ∗ 897 − 69 ∗ 128
θ̂2 = Pn 2 Pn 2
= = −1, 1258
n i=1 xi − ( i=1 xi ) 8 ∗ 779 − 692
128 69
θ̂1 = ȳ − θ̂2 x̄ = + 1, 1258 ∗ = 25, 7097
8 8
Assim, temos a seguinte reta estimada.
Para uma temperatura média de 10° temos uma previsão média de vendas de
14,4521.
Exercı́cio 14
Considere novamente as condições do exercı́cio 12. A empresa em questão também
registrou, nesse perı́odo de 8 meses, as despesas mensais com propaganda desse medica-
mento (z).
11
Solução do exercı́cio 14
Vamos novamente resolver primeiro o item b) para assim podermos ter uma inter-
pretação melhor.
b) Pn Pn Pn
n i=1 zi y i − i=1 zi i=1 yi 8 ∗ 1101 − 60 ∗ 128
θ̂2 = Pn 2 Pn 2
= = 1, 9583
n i=1 zi − ( i=1 zi ) 8 ∗ 522 − 602
128 60
θ̂1 = ȳ − θ̂2 z̄ = − 1, 9583 ∗ = 1, 3125
8 8
Assim, temos a seguinte reta estimada.
ŷ = 1, 3125 + 1, 9583z
Exercı́cio 15
Os dados abaixo referem-se ao tempo de experiência (em meses) de dez digitadores
e o número de erros cometidos na digitação de determinado texto.
Tempo (meses) 1 2 3 4 5 6 7 8 9 10
Número de erros 30 28 24 20 18 14 13 10 7 6
12
Solução do exercı́cio 15
30
25
erros=32,27−2,78*tempo
20
erros
15
10
2 4 6 8 10
tempo
a)
10
X 10
X 10
X 10
X 10
X
xi = 55, x2i = 385, yi = 170, yi2 = 3534, xi yi = 706
i=1 i=1 i=1 i=1 i=1
Exercı́cio 16
Considere novamente a situação do exercı́cio 9) da lista de exercı́cios 1. Refaça
o exercı́cio supondo agora que, a priori, a proporção de consumidores que pretendem
adquirir um produto especı́fico, θ, é distribuı́do segundo o modelo beta de parâmetros 7
e 13. Qual é a estimativa de Bayes para θ com relação à perda quadrática nesse caso?
Solução do exercı́cio 16
n
X|θ ∼ Binomial(n, θ) ⇒ P(X = x|θ) = θx (1 − θ)n−x .
x
Γ(20)
θ ∼ Beta(7, 13) ⇒ f (θ) = θ6 (1 − θ)12 .
Γ(7)Γ(13)
13
Assim,
Exercı́cio 17
Considere novamente a situação do exercı́cio 10) da lista de exercı́cios 1. Refaça
o exercı́cio supondo agora que, a priori, a probabilidade de uma pessoa exposta a certa
doença contagiosa será infectada, θ, é distribuı́do segundo o modelo beta e tal que E(θ) =
2/10 e DP (θ) = 1/10. Qual é a estimativa de Bayes para θ com relação à perda quadrática
nesse caso?
Solução do exercı́cio 17
Para X ∼ Beta(a, b), temos que
a ab
E[X] = e V AR(X) = 2
a+b (a + b) (a + b + 1)
2 a
10
= a+b
Então resolvendo o sistema 1 , obtemos a = 3 e b = 12. Desta
100
= (a+b)2ab
(a+b+1)
forma θ ∼ Beta(3, 12).
Temos ainda X|θ ∼ Binomial(n, θ). Já sabemos que com priori Beta e dados
Binomial obtemos como posteriori Beta(x + a, n + b − x). Assim, o estimador de Bayes
x+a
sob perda quadrática é dado por n+a+b .
Com, a = 3, b = 12, n = 20 e x = 2, obtemos 1/7 como estimativa para θ.
Exercı́cio 18
Considere novamente a situação do exercı́cio 11) da lista de exercı́cios 1. Refaça o
exercı́cio supondo agora que, a priori, a proporção de eleitores que pretendem vota no
candidato veterano, θ, é distribuı́do segundo o modelo beta de parâmetros 12 e 12. Qual
é a estimativa de Bayes com relação à perda quadrática nesse caso?
Solução do exercı́cio 18
61
θ|X = 49 ∼ Beta(61, 63) ⇒ θ̂ = E[θ|X = 49] = = 0, 49
124
14