2ª Lista de Exercícios MAE – 0229 / 2º semestre de 2017

1) Uma urna contém θ bolas, numeradas de 1 a θ, θ ϵ {1,2,3,4,5}. Uma bola é extraída

da urna “ao acaso”. Seja X o número da bola retirada.
a) Esboce o gráfico da função de verossimilhança para θ gerada pela observação X=3.
Qual é a estimativa de máxima verossimilhança nesse caso?
b) Obtenha o estimador de máxima verossimilhança para θ.

2) Uma urna contém θ bolas, numeradas de 1 a θ, θ ϵ {2,3,...,10}. Duas bolas são

retiradas SEM reposição da urna. Seja X i o número da i-ésima bola extraída da urna,
i=1,2.
a) Esboce o gráfico da função de verossimilhança para θ gerada por X 1=7,X2=3. Qual
é a estimativa de máxima verossimilhança nesse caso?
b) Obtenha o estimador de máxima verossimilhança para θ.

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.

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).

a) Obtenha o estimador de máxima verossimilhança para θ.
b) Obtenha o estimador para θ pelo método dos momentos.

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.

6) Considere X1,...,Xn uma amostra aleatória simples do modelo Geométrico de

parâmetro θ, 0 < θ < 1. Suponha que, a priori, θ é distribuído segundo o modelo Beta
de parâmetros a > 0 e b > 0.
a) Obtenha a distribuição a posteriori de θ dado X1 = x1,...,Xn = xn, xi = 1,2,... , i = 1,...n.
b) Obtenha o estimador de Bayes para θ com relação à perda quadrática.
Exercícios extraídos do livro “Estatística Básica”, de W.O. Bussab e P.A. Morettin.

7) Considere X1,...,Xn uma amostra aleatória simples do modelo Poisson de parâmetro

θ, θ > 0.
a) Obtenha o estimador de máxima verossimilhança para θ.
b) Verifique se tal estimador é não-viesado para θ.
c) Verifique se a sequência de estimadores de MV para θ é consistente.
d) Obtenha também o estimador para θ pelo método dos momentos.

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-1θ, j=1,2,...).

a) Obtenha o estimador de máxima verossimilhança para θ.
b) Obtenha o estimador para θ pelo método dos momentos.

9) Considere X1,...,Xn uma amostra aleatória simples do modelo Uniforme no intervalo

(0,θ), θ > 0. Obtenha o estimador de máxima verossimilhança, δMV, para θ. (Veja
exercício 43 do capítulo 11 do livro).

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.
a) Determine a esperança e a variância de cada estimador. Por que δ1 não é um
“bom” estimador para θ ?
b) Verifique se δ1 e δ2 são consistentes.

11) Considere X1,...,Xn uma amostra aleatória simples do modelo Uniforme no intervalo
(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.
a) Verifique se se δ1 e δ2 são não-viesados para θ.
b) Calcule o erro quadrático médio de cada um desses estimadores. (Veja exercícios
38 e 39 do capítulo 11 do livro).
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 VAR(δ1) = VAR(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.
a) Quais estimadores são não-viesados?
b) Qual estimador você prefere? Por que?

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).

(a) Obtenha a reta de mínimos quadrados y = 1 + 2x. Qual é a variação esperada

no volume de vendas desse medicamento decorrente do aumento de um grau na
temperatura média mensal nessa localidade?

(b) Qual é a previsão de vendas para um mês com temperatura média de 10 graus?
Dados: n = 8, ∑xi = 69 , ∑yi = 128, ∑xiyi = 897, ∑x2 = 779

14) Considere novamente as condições do exercício 12. A empresa em questão

também registrou, nesse período de 8 meses, as despesas mensais com propaganda
desse medicamento (z).

(a) Obtenha a reta de mínimos quadrados y = 1 + 2z. Qual é a variação esperada

no volume de vendas desse medicamento decorrente do aumento de uma unidade
monetária por mês no gasto com publicidade?

(b) Qual é a previsão de vendas para um mês com gastos com propaganda de 10
unidades monetárias? Dados: n = 8, ∑zi = 60 , ∑yi = 128, ∑xizi = 1101, ∑z2 = 522

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

a) Represente graficamente esse conjunto de dados.

b) Obtenha a reta de mínimos quadrados. Represente a reta de regressão no gráfico

feito no item a). Qual é a posição do ponto formado pelas médias em relação à reta de
regressão?

c) Qual é o número esperado de erros para um digitador com 5 meses de experiência?

Exercícios baseados em exercícios do livro “An introduction to Bayesian Inference and

Decision”, de R. L. Winkler.

16) Considere novamente a situação do exercício 9) da lista de exercícios 1. Refaça o

exercício supondo agora que, a priori, a proporção de consumidores que pretendem
adquirir um produto específico, θ, é distribuído segundo o modelo beta de parâmetros
7 e 13. Qual é a estimativa de Bayes para θ com relação à perda quadrática nesse
caso?

17) Considere novamente a situação do exercício 10) da lista de exercícios 1. Refaça

o exercício supondo agora que, a priori, a probabilidade de uma pessoa exposta a
certa doença contagiosa será infectada, θ, é distribuído 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?

18) Considere novamente a situação do exercício 11) da lista de exercícios 1. Refaça

o exercício supondo agora que, a priori, a proporção de eleitores que pretendem vota
no candidato veterano, θ, é distribuído segundo o modelo beta de parâmetros 12 e 12.
Qual é a estimativa de Bayes com relação à perda quadrática nesse caso?