Universidade Federal do Ceará

Departamento de Estatı́stica e Matemática Aplicada

Prof. José Roberto Santos
CC0288 - Inferência Estatı́stica I.
Lista de exercı́cios 4
Segundo semestre de 2018

1. Seja X1 , . . . , Xn uma amostra aleatória de X ∼ N (0, σ 2 ).

(a) Encontre o LICR(σ 2 ).

(b) Encontre uma estatı́stica suficiente para σ 2 .
(c) A partir da estatı́stica suficiente do item (b), obtenha um estimador não viesado para
σ2.
(d) Verifique se o estimador obtido no item anterior é ENVVUM de σ 2 .

2. Seja X1 , . . . , Xn uma amostra aleatória de X ∼ Binomial(2, θ).

(a) Encontre o LICR(θ).

(b) Encontre uma estatı́stica suficiente para θ.
(c) A partir da estatı́stica suficiente do item (b), obtenha um estimador não viesado para
θ.
(d) Verifique se o estimador obtido no item anterior é ENVVUM de θ.

3. Seja X1 , . . . , Xn uma amostra aleatória de X ∼ Beta(θ, 1).

(a) Encontre o LICR(θ).

(b) Encontre uma estatı́stica suficiente para θ.
(c) A partir da estatı́stica suficiente do item (b), obtenha um estimador não viesado para
θ.
(d) Verifique se o estimador obtido no item anterior é ENVVUM de θ.

4. Seja X1 , . . . , Xn uma amostra aleatória de X com função densidade (ou de probabilidade)

fθ (x) para qual as condições de regularidade são satisfeitas. Seja γ̂ um estimador não
viesado para g(θ). Mostre que

(g 0 (θ))2
Var(γ̂) ≥ h
2 i
∂
nE ∂θ log fθ (X)

1
 5. Seja X1 , . . . , Xn uma amostra aleatória de X ∼ N (µ, 1).
2 1
(a) Mostre que γ̂ = X − n é não viesado para g(µ) = µ2 .
(b) Existe ENVVUM para µ2 ?
(c) Encontre LICR(µ2 ) e verifique se γ̂ é eficiente.

6. Seja X1 , . . . , Xn uma amostra aleatória de X ∼ Ber(p). Obtenha o ENVVUM para p(1−p).

7. Seja X1 , . . . , Xn uma amostra aleatória de X ∼ Geométrica(p), isto é,

fp (x) = p(1 − p)x I{0,1,2,... } (x), 0 < p < 1.

Encontre o ENVVUM de 1/p.

8. Sejam Y1 , . . . , Yn variáveis aleatórias independentes com Yi ∼ N (βxi , σ 2 ), em que xi é

conhecido para todo i = 1, 2, . . . , n.

(a) Encontre uma estatı́stica conjuntamente suficiente para β e σ 2 .

(b) Baseado nessa estatı́stica, obtenha os ENVVUM’s para β e σ 2 .

9. Para cada uma das seguintes distribuições, Sejam X1 , . . . , Xn uma amostra aleatória.
Existe uma função g(θ) para qual existe um estimador não viesado cuja variância atinge
o limite inferior de Cramér-Rao? Se houver, encontre-o. Caso contrário, mostre por que
não existe.

(a) fθ (x) = θxθ−1 I(0,1) (x), θ > 0.

θx log(θ)
(b) fθ (x) = θ−1 I(0,1) (x), θ > 1.

10. Seja X1 , . . . , Xn uma amostra aleatória de uma população com média µ e variância σ 2 .
Pn Pn
(a) Mostre que o estimador i=1 ai Xi é um estimador não viesado de µ se i=1 ai = 1.
(b) Entre todos os estimadores não viesados desta forma (chamados estimadores não
viesados), encontre aquele com variância mı́nima e calcule a sua variância.

2
11. Seja X1 , . . . , Xn uma amostra aleatória de X, em que
  
1 x−µ
fX (x; θ) = exp − I(µ,∞) (x), θ = (µ, σ 2 )> ∈ R × R+ .
σ σ

Responda:

(a) Se µ for conhecido, encontre ENVVUM de σ.

(b) Se σ for conhecido, encontre o ENVVUM de µ.

12. Seja X1 , . . . , Xn uma amostra aleatória de X ∼ FE(θ). Responda:

(a) Prove que a estimativa de máxima verossimilhança de θ, digamos θ,

e satisfaz a seguinte
equação:

t(x) = E(e
e t(X)).
d0 (θ)
 
(b) Prove que c0 (θ) t(x) + c0 (θ) = ∂
∂θ log fθ (x). Assim, o LICR(τ (θ)) é atingido para
0
algum estimador não viesado de τ (θ) = − dc0 (θ)
(θ)
.
d
(c) Prove que T (X) é o ENVVUM de − dη d0 (η).

13. Seja X1 , . . . , Xn uma amostra aleatória de X ∼ U (0, θ), θ > 0. Encontre o ENVVUM de
θ e determine a sua variância.

14. Seja X1 , . . . , Xn uma amostra aleatória de X,

2x
fX (x; θ) = I (x), θ = (α, β)> , 0 ≤ α < β < ∞.
β 2 − α2 (α,β)

Se α = 0, prove que βb = 2n+1

2n Yn , em que Yn = máx(X1 , . . . , Xn ), é o ENVVUM de β.
Determine a sua variância.

15. Seja X1 , . . . , Xn uma amostra aleatória de X,

fX (x; θ) = θ(1 + x)−(1+θ) I(0,θ) (x), θ > 0

Responda os itens:

(a) Encontre uma estatı́stica suficiente e completa para θ.

(b) Encontre o LICR para τ (θ) = 1θ .
(c) Encontre o ENVVUM de τ (θ) e calcule sua respectiva variância.

3
16. Seja X1 , . . . , Xn uma amostra aleatória das seguintes populações:

(a) X ∼ Poisson(θ).
(b) X ∼ Exp(θ) com E(X) = θ.
(c) fX (x; θ) = e−(x−θ) I(θ,∞) (x).
(d) X ∼ Beta(θ, 1).

Para cada um dos itens acima, determine o espaço paramétrico, encontre o estimador pelo
método dos momentos de θ e prove que este é consistente.

17. Seja X1 , . . . , Xn uma amostra aleatória de X. Determine o EMV de θ e verifique se o

mesmo é eficiente, quando:

(a) X ∼ Poisson(θ).
(b) X ∼ Exp(θ) com E(X) = θ.
(c) fX (x; θ) = e−(x−θ) I(θ,∞) (x).
(d) X ∼ Beta(θ, 1).
(e) X ∼ Gama(4, θ) com E(X) = 4θ.