Exercı́cios: Capı́tulo VII do MOOD&GRAYBILL&BOES - 24/03/2017

1. (Q1 ) Uma urna contem bolas brancas e pretas. Uma amostra aleatória de tamanho n com
reposição é retirada. Qual o estimador de máxima verossimilhança de R, a razão entre o
número de bolas pretas e brancas? Suponha que as retiradas seja feitas uma a uma até que
a primeira preta seja encontrada. Seja X, o número de retiradas necessárias( não conta a
última). Esta operação é repetida n vezes para obter a amostra X1 , X2 , . . . , Xn . Qual o
estimador de máxima verossimilhança de R baseado nesta amostra?

2. (Q2 ) Suponha que n bastões cilı́ndricos feitos por uma máquina são selecionados aleatóriamente
da produção dessa máquina e seus diâmetros e comprimentos são anotados. Foram N11 que
tem as medidas dentro dos limites de tolerâncias, N12 tem comprimentos satisfatórios mas
não diâmetros. N21 tem diâmetros
P satisfatórios mas não comprimentos e N22 tem ambas
as medidas insatisfatórias ( Nij = n). Cada pode ser pensado como proveniente de uma
população multinomial com três parâmetros e função de probabilidade:
X
px1111 px1212 px2121 (1 − p11 − p12 − px1222 xij = 0, 1 ; xij = 1.

Quais as estimativas de máxima verossimilhança desses parâmetros se N11 = 90, N12 = 6,

N21 = 3 e N22 = 1 ?

3. (Q3 ) Com relação a questão 2, suponha que não há razão para acreditar que os defeitos no
diâmetro estejam relacionados com os defeitos no comprimento. Assim, a distribuição de Xij
pode ser pensada em termos de dois parâmetros: p1 , a probabilidade de um comprimento
satisfatório, e q1 , a probabilidade de um diâmetro satisfatório. A função de probabilidade de
Xij é dada por:
X
(p1 q1 )x11 [p1 (1 − q1 )]x12 [(1 − p1 )q1 ]x21 [(1 − p1 )(1 − q1 )]x22 xij = 0, 1 ; xij = 1.

Quais as estimativas de máxima verossimilhança desses parâmetros? Obtenha as estimativas

das probabilidades para as quatro classes de classificação do modelo.

4. (Q4 ) Uma amostra de tamanho n1 é retirada de uma população normal com média µ1 e
variância σ12 . Um segunda amostra n2 é retirada de uma população normal com média µ2 e
variância σ22 . Qual o estimador de máxima verossimilhança de θ = µ1 − µ2 ? Suponha que
n = n1 + n2 , o total amostral , seja fixado. Como deverı́amos escolher n1 e n2 de sorte que a
variância do estimador de máxima verossimilhança de θ seja mı́nima?

5. (Q5 ) Uma amostra de tamanho n é retirada de cada uma de quatro populações normais,
todas tendo a mesma variância σ 2 . As médias das quatro populações são: a + b + c, a + b − c,
a − b + c e a − b − c. Quais os estimadores de máxima verossimilhança de a, b, c e σ 2 ?( As
observações amostrais são denotadas por Xij , i = 1, 2, 3, 4 e j = 1, 2, . . . , n.)

6. (Q6 ) Observações X1 , X2 , . . . , Xn são retiradas de populações normais com mesma média

µ mas diferentes variâncias σ12 , σ22 , . . . , σn2 . É possı́vel estimar todos estes parâmetros? Se
assumirmos que σi2 é conhecido, qual é o estimador de máxima verossimilhança de µ?

7. (Q7 ) O raio de um cı́rculo é medido com um erro de mensuração que tem distribuição
N (0 , σ 2 ), σ 2 desconhecido. Dadas n observações independentes do raio, ache um estimador
não viciado da área do cı́rculo?

1
 8. (Q8) Seja X uma única observação da Bernoulli,

f (x; θ) = θx (1 − θ)1−x IA (x), A = {0, 1}, 0 < θ < 1.

Sejam t1 (X) = X e t2 (X) = 1/2.

a. Ambos t1 (X) e t2 (X) são não viciados? Nenhum é?

b. Compare os erros quadráticos médios de t1 (X) e t2 (X).

9. (Q9 ) Seja X1 , X2 uma amostra aleatória de tamanho 2 da distribuição de Cauchy:

1
f (x; θ) = ,
π [1 + (x − θ)2 ]
θ e x reais.
Justifique a razão (X1 + X2 )/2 ser um estimador de Pitman de θ mais perto de θ do que X1 .
Note que (X1 + X2 )/2 não é mais concentrado do que X1 pois eles tem a mesma distribuição.)

10. (Q10) Seja θ uma quantidade fı́sica e X1 , X2 , . . . , Xn n medidas dessa quantidade. Se θ é

estimado por Θ̂, então o resı́duo da iésima mensuração é definido por:

Xi − Θ̂, i = 1, 2, . . . , n.

Mostre que há somente um estimador com a propriedade de que a soma dos resı́duos é nula
e encontre este estimador. Também, encontre o estimador que que minimiza a soma dos
quadrados dos resı́duos.

11. (Q11) Seja X1 , X2 , . . . , Xn uma amostra aleatória de uma variável aleatória X com média µ
e variância σ 2 .
n
X
a. Mostre que ai Xi é um estimador não viciado para µ para qualquer conjunto de
i=1
n
X
constantes a1 , a2 , . . . , an satisfazendo ai = 1.
i=1
n n
" #
X X
b. Se ai = 1, mostre que V ar ai Xi é minimizada quando ai = 1/n, i = 1, 2, . . . , n.
i=1 i=1
Sugestão: Prove que:
n
X n
X n
X
a2i = 2
(ai − 1/n) + 1/n, quando ai = 1.
i=1 i=1 i=1

12. (Q12) Seja X1 , X2 , . . . , Xn uma amostra aleatória de uma variável aleatória discreta X com
f.p.:

f (x; θ) = θx (1 − θ)1−x IA (x), A = {0, 1}, 0 ≤ θ ≤ 1/2.

Note que Θ = {θ : 0 ≤ θ ≤ 1/2}.

a. Ache o estimador pelo método dos momentos de θ, e encontre sua média e erro quadrático
médio.
b. Ache o estimador pelo método da máxima verossimilhança de θ, e encontre sua média e
erro quadrático médio.

2
13. (Q13) Seja X1 , X2 uma amostra aleatória de tamanho 2 da distribuição normal com média θ
e variância 1. Considere os três estimadores de θ:
2 1
T1 = t1 (X1 , X2 ) = X1 + X2
3 3
1 3
T2 = t2 (X1 , X2 ) = X1 + X2
4 4
1 1
T3 = t3 (X1 , X2 ) = X1 + X2 .
2 2

a. Para a função de perda l(t; θ) = 3θ2 (t − θ)2 , ache Rti (θ) para i = 1, 2, 3 e esboce seus
gráficos.
b. Mostre que Ti é não viciado para θ, i = 1, 2, 3.

14. (Q14) Seja X1 , X2 , . . . , Xn uma amostra aleatória de uma variável aleatória X com média µ
e variância σ 2 . Seja µj = E[(X − µ)j ], o j-ésimo momento central. Suponha que os quatro
primeiros momemtos centrais existam. Sabemos que E(S 2 ) = σ 2 e
 
2 1 n−3 4
V ar(S ) = µ4 − σ ,
n n−1

onde
n
X
(Xi − X̄)2
i=1
S2 = .
n−1

É S 2 um estimatidor consistente, em média quadrática, de σ 2 ?

15. (Q15) Em
pesquisas genéticas são retiradas amostras aleatórias da distribuição binomial
f (x) = m x m−x em que as observações de x = 0 nunca acontecem. Na realidade a
x p q
amostragem é feita na distribuição binomial truncada no zero, isto é,
  x m−x
m p q
f (x) = , IA (x), A = {1, 2, . . . , m}.
x 1 − qm

Ache o estimador pelo método dos máxima verossimilhança de p para o caso m = 2 para
amostras de tamanho n. Ele é um estimador não viciado?

16. (Q16) Seja X um única observação da N (0 θ). (θ = σ 2 ).

a. X é uma estatı́stica suficiente?

b. |X| é uma estatı́stica suficiente?
c. X 2 é um estimador não viciado de θ?
√
d. Qual é o estimador pelo método da máxima verossimilhança de θ?
√
e. Qual é o estimador pelo método dos momentos de θ?

17. (Q17) Seja X com função de probabilidade

f (x; θ) = (θ/2)|x| (1 − θ)1−|x| IA (x), A = {−1, 0, 1}, 0 ≤ θ ≤ 1.

Seja t(x) = 2I{1} (x).

a. X é uma estatı́stica suficiente? Ela é completa?

b. |X| é uma estatı́stica suficiente? Ela é completa?

3
 c. Qual é o estimador pelo método da máxima verossimilhança de θ?
d. T = t(X) é um estimador não viciado de θ?
e. f (x; θ) pertence à famı́lia exponencial de densidades?
f. Se existir, encontre um estimador com erro quadrático médio uniformemente menor do
que t(X).

18. (Q18) Seja X1 , X2 , . . . , Xn uma amostra aleatória de da densidade

f (x; θ) = θ x−2 IA (x), A = [θ , ∞), θ > 0.

a. Ache o estimador pelo método da máxima verossimilhança de θ.

b. Y1 = min(X1 , X2 , . . . , Xn ) é uma estatı́stica suficiente?

19. (Q19) Seja X1 , X2 , . . . , Xn uma amostra aleatória de da densidade

1 −|x−θ|
f (x; θ) = e IA (x), A = (−∞ , ∞),
2
θ real.

a. Discuta a suficiência para esta famı́lia.

b. Obtenha o estimador pelo método dos momentos de θ.
c. Ache o estimador pelo método da máxima verossimilhança de θ.
d. f (x; θ) pertence à famı́lia exponencial de densidades?

20. (Q20) Ache o estimador pelo método da máxima verossimilhança de α na densidade

2(α − x)
f (x; α) = IA (x), A = (0 , α),
α2
para amostras de tamanho 2. Ela é uma estatı́stica suficiente? Estime α pelo método dos
momentos. Qual o estimador pelo método da máxima verossimilhança da média populacional?

21. (Q21) Seja X1 , X2 , . . . , Xn uma amostra aleatória da densidade

1
f (x; θ) = IA (x), A = [0 , θ], ondeθ > 0.
θ
Sejam Yn = max(X1 , X2 , . . . , Xn ) e Y1 = min(X1 , X2 , . . . , Xn )

a. Estime θ pelo método dos momentos. Seja T1 esse estimador. Ache sua média e seu erro
quadrático médio.
b. Ache o estimador pelo método da máxima verossimilhança de θ. Seja T2 esse estimador.
Ache sua média e seu erro quadrático médio.
c. Dentre todos os estimadores da forma aYn , onde a é uma constante que pode depender
de n, ache o estimador que tem menor erro quadrático médio uniforme. Seja T3 esse
estimador. Ache sua média e seu erro quadrático médio.
d. Ache o U M V U E de θ. Seja T4 esse estimador. Ache sua média e seu erro quadrático
médio.
e. Seja T5 = Y1 + Yn . Ache sua média e seu erro quadrático médio.
f. Que estimador de θ você usaria? Justifique sua escolha.
g. Ache o estimador pelo método da máxima verossimilhança da variância da população.

4
22. (Q22) Seja X1 , X2 , . . . , Xn uma amostra aleatória da distribuição de Bernoulli;

P (X = 1) = θ = 1 − P (X = 0).

a. Ache o limite inferior de Cramer-Rao (LICR) para a variância dos estimadores não
viciados de θ(1 − θ)?
b. Ache o U M V U E de θ(1 − θ), se houver.

23. (Q23) Supondo r conhecido, ache o estimador de máxima verossimilhança para λ para uma
amostra aleatória de tamanho n da distribuição gama. Ache, se houver, uma estatı́stica
suficiente para λ. O estimador de máxima verossimilhança de λ é não viciado? Existe o
U M V U E de λ?

24. (Q24) Seja X1 , X2 , . . . , Xn uma amostra aleatória da densidade

f (x; θ) = θxθ−1 IA (x), A = [0 , 1], onde θ > 0.

θ
a. Ache estimador de máxima verossimilhança de µ = .
1+θ
P
b. Ache uma estatı́stica suficiente para θ. Teste se ela é completa. É Xi uma estatı́stica
suficiente para θ?
c. Ache uma função de θ para a qual exista um estimador não viciado cuja variância
coincida com o limite inferior de Cramer-Rao se houver.
θ
d. Ache o U M V U E de θ, 1/θ, µ = .
1+θ

25. (Q25) Seja X1 , X2 , . . . , Xn uma amostra aleatória de uma distribuição binomial

 
m
f (x) = px q m−x IA (x), A = {0, 1, 2, . . . , m},
x
m conhecido e 0 ≤ p ≤ 1.

a. Estime p pelo método dos momentos e por máxima verossimilhança.

b. Existe o U M V U E de p ? Em caso afirmativo ache-o.

26. (Q26) Seja X1 , X2 , . . . , Xn uma amostra aleatória da distribuição discreta

1
f (x ; θ) = IA (x), A = {1, 2, . . . , θ},
θ
onde θ = 1, 2, . . .. Isto é Θ = {θ : θ = 1, 2, . . .}=conjunto dos inteiros positivos.

a. Ache o estimador pelo método dos momentos de θ. Ache sua média e seu erro quadrático
médio.
b. Ache o estimador pelo método da máxima verossimilhança de θ. Ache sua média e seu
erro quadrático médio.
c. Ache uma estatı́stica suficiente e completa para θ
d. Seja T = Yn , o máximo da amostra, mostre que o U M V U E de θ é

T n+1 − (T − 1)n+1
.
T n − (T − 1)n

5
27. (Q27) Seja X uma única observação da densidade

1
f (x; θ) = xθ−1 (1 − x)θ−1 IA (x), A = [0 , 1], onde θ > 0.
B(θ, θ)

X é uma estatı́stica suficiente para θ? Ela é completa?

28. (Q28) Um pesquisador sabe que o tempo de vida de um certo componente tem distribuição
exponencial negativa com média 1/θ. Com base em uma amostra aleatória de tamanho n
você quer estimar o tempo mediano de vida do componente. Ache o estimador de máxima
verossimilhança e o estimador não viciado de variância mı́nima uniforme para essa mediana.

29. (Q29) Seja X1 , X2 , . . . , Xn uma amostra aleatória da densidade N (θ , 1).

a. Ache o limite inferior de Cramer-Rao (LICR) para a variância dos estimadores não
viciados de θ, θ2 e P (X > 0).
b. Existe um estimador não viciado para θ2 para n = 1. Se tiver, ache-o.
c. Existe um estimador não viciado para P (X > 0). Se tiver, ache-o.
d. Qual o estimador de máxima verossimilhança para P (X > 0).
e. Existe o U M V U E de θ2 . Se tiver, ache-o.
f. Existe o U M V U E de P (X > 0). Se tiver, ache-o.

30. (Q30) Para uma amostra aleatória de tamanho n de uma Poisson de parâmetro λ, ache um
estimador não viciado de τ (λ) = (1 + λ)e−λ . Ache o estimador de máxima verossimilhança
de τ (λ). Ache o U M V U E de τ (λ).

31. (Q31) Seja X1 , X2 , · · · , Xn uma amostra aleatória de tamanho n da distribuição

2x
f (x; θ) = IA (x), A = ( 0 , θ ] e θ > 0
θ2
a. Qual o estimador pelo método da máxima verossimilhança para θ?
b. Yn = max(X1 , X2 , · · · , Xn ) é uma estatı́stica suficiente ? Ela é completa?
c. Ache o U M V U E de θ.

32. (Q32) Seja X1 , X2 , · · · , Xn uma amostra aleatória da densidade

f (x; θ) = θ(1 + x)−(1+θ) IA (x), A = ( 0 , ∞ ) e θ > 0

a. Estime θ pelo método dos momentos supondo θ > 1.

b. Qual o estimador pelo método da máxima verossimilhança para 1/θ?
c. Ache uma estatı́stica suficiente e completa para θ.
d. Qual o limite inferior de Cramer-Rao (LICR) para estimadores não viciados de 1/θ?
e. Ache o U M V U E de 1/θ se houver.
f. Ache o U M V U E de θ se houver.

33. (Q33) Seja X1 , X2 , · · · , Xn uma amostra aleatória de tamanho n da distribuição

1
f (x; θ) = IA (x), A = [ −θ , θ ] e θ > 0
2θ
a. Qual o estimador pelo método da máxima verossimilhança para θ?

6
 b. Suponha n = 1, isto é, temos apenas uma única observação, digamos X = X1 . Clara-
mente X é uma estatı́stica suficiente . Ela é suficiente minimal? Ela é completa?

34. (Q34) Seja X1 , X2 , · · · , Xn uma amostra aleatória da densidade exponencial

f (x; θ) = θe−θx IA (x), A = (0, ∞) e θ > 0.

a. Ache o estimador não viciado de variância mı́nima uniforme da V ar(X1 ) se houver.

b. Ache um estimador não viciado para 1/θ baseado somente em Y1n = min(X1 , X2 , · · · , Xn ).
Esta sequencia é consistente ?

35. (Q35) Seja X1 , X2 , · · · , Xn uma amostra aleatória da densidade exponencial

logθ x
f (x; θ) = θ IA (x), A = (0, 1) e θ > 1.
θ−1
a. Ache uma estatı́stica suficiente e completa para θ se houver.
b. Ache uma função de θ para a qual exista um estimador não viciado cuja variância
coincida com o limite inferior de Cramer-Rao se houver.

36. (Q36) Mostre que:

" 2 #  2 
∂logf (X|θ) ∂ logf (X|θ)
IF (θ) = E =E − .
∂θ ∂θ2

37. (Q37) Seja X1 , X2 , . . . , Xn uma amostra aleatória da densidade

 
f (x; θ) = exp −(x − θ) − e−(x−θ) ,

em que x e θ são reais.

a. Qual o estimador pelo método dos momentos para θ?

b. Qual o estimador pelo método da máxima verossimilhança para θ?
c. Ache uma estatı́stica suficiente e completa para θ.
d. Qual o limite inferior de Cramer-Rao (LICR) para a variância dos estimadores não
viciados de θ?
e. Existe alguma função de θ para a qual exista um estimador não viciado cuja variância
coincida com o limite inferior de Cramer-Rao? Se houver ache-a.
f. Mostre que o U M V U E de θ é dado por:
n
!
Γ0 (n) X
θ̂ = − log e−Xi .
Γ(n)
i=1

38. (Q38) Seja X1 , X2 , · · · , Xn uma amostra aleatória de

f (x; θ) = fθ (x) = θf1 (x) + (1 − θ)f0 (x),

onde 0 ≤ θ ≤ 1, e f1 (.) e f0 (.) são densidades conhecidas.

a. Estime θ pelo método dos momentos.

b. Para n = 2, ache o estimador pelo método da máxima verossimilhança para θ?

7
 c. Ache o limite inferior de Cramer-Rao (LICR) para a variância dos estimadores não
viciados de θ?

39. (Q39) Suponha que a(.) e b(.) são duas funções não negativas tais que:

f (x; θ) = fθ (x) = a(θ) b(x)IA (x), A = [0 , θ], θ > 0,

é a função densidade de probabilidade de X.

a. Qual o estimador pelo método da máxima verossimilhança para θ?

b. Existe uma estatı́stica suficiente e completa para θ? Se houver ache-a.
c. Ache o U M V U E de θ se houver.

40. (Q40) Seja X1 , X2 , · · · , Xn uma amostra aleatória de X ∼ N (θ , θ), θ > 0.

a. Ache uma estatı́stica suficiente e completa para θ se houver.

b. Argumente a razão de X̄ não ser o U M V U E de θ.
c. θ é um parâmetro de locação ou escala?

41. (Q41) Seja X1 , X2 , · · · , Xn uma amostra aleatória de X ∼ N (θ , θ2 ), θ real.

a. Existe uma estatı́stica suficiente unidimensional para θ?

b. Ache uma estatı́stica suficiente bidimensional para θ?
c. X̄ é o U M V U E de θ?
Sugestão: Ache um estimador não viciado de θ baseado em S 2 , chame-o T ∗ . Encontre
uma constante a para minimizar V ar(aX̄ + (1 − a)T ∗ ).
d. θ é um parâmetro de locação ou escala?

42. (Q42) Seja X1 , X2 , · · · , Xn uma amostra aleatória de tamanho n da distribuição

1
f (x; θ) = IA (x), A = [ θ , 2θ ] e θ > 0
θ
a. Qual o estimador pelo método da máxima verossimilhança para θ?
b. Sabemos que (Y1 , Yn ) são conjuntamente suficientes. Elas são conjuntamente completas?
c. Ache o estimador de Pitman para o parâmetro de escala θ.
d. Para a e b constantes( elas podem depender de n), ache, se existir, um estimador não
viciado de θ da forma aY1 + bYn satisfazendo P (Yn /2 ≤ aY1 + bYn ≤ Yn ) = 1. Explique
o motivo da condição.

43. (Q43) Seja Z1 , Z2 , · · · , Zn uma amostra aleatória de X ∼ N (0 , θ2 ), θ > 0. Defina Xi = |Zi |

e considere a estimação de θ e θ2 baseado em X1 , X2 , · · · , Xn .

a. Ache, se existir, o U M V U E de θ2 .
b. Ache um estimador de θ2 que tenha erro quadrático médio uniformemente menor do que
o estimador encontrado no item a.
c. Ache, se existir, o U M V U E de θ.
d. Ache o estimador de Pitman para o parâmetro de escala θ.
e. Tem o estimador encontrado no item d erro quadrático médio uniformemente menor do
que o estimador encontrado no item c?

8
44. (Q44) Seja X1 , X2 , · · · , Xn uma amostra aleatória de

f (x ; θ) = exp[−(x − θ)]IA (x),

em que A = [ θ , ∞), θ > 0.

a. Ache uma estatı́stica suficiente para θ.

b. Qual o estimador pelo método da máxima verossimilhança para θ?
c. Qual o estimador pelo método dos momentos para θ?
d. Ache uma estatı́stica suficiente e completa para θ, se houver.
e. Ache, se existir, o U M V U E de θ.
f. Ache o estimador de Pitman para o parâmetro de locação θ.
g. Usando a densidade a priori g(θ) = e−θ IA (θ), A = (0 , ∞), ache o estimador a
posteriori de Bayes.

45. (Q45) Seja X1 , X2 , · · · , Xn uma amostra aleatória de

f (x ; θ) = θ xθ−1 IA (x),

em que A = [ 0 , 1], θ > 0. Suponha que densidade a priori de θ é dada por:

λr r−1 −λθ
g(θ) = θ e IA (θ), A = (0 , ∞),
Γ(r)
onde r e λ são conhecidos.

a. Qual a distribuição a posteriori de θ?

b. Ache o estimador de Bayes com respeito a priori gama e usando a função de perda
quadrática.

46. (Q46) Seja X uma única observação da densidade

2x
f (x ; θ) = IA (x),
θ2
em que A = [ 0 , θ], θ > 0. Suponha que Θ tem distribuição à priori uniforme no intervalo
(0, 1). Para a função de perda l(t; θ) = θ2 (t − θ)2 , ache estimador de Bayes para θ.

47. (Q47) X1 , X2 , · · · , Xn uma amostra aleatória da seguinte variável aleatória discreta

 
2 x
f (x ; θ) = θ (1 − θ)2−x IA (x),
x
em que A = {0, 1, 2}, 0 < θ < 1.

a. Existe uma estatı́stica suficiente unidimensional para θ? Ela é completa?

b. Ache o estimador pelo método da máxima verossimilhança para θ2 = P (Xi = 2). Ele é
não viciado?
c. Existe alguma função de θ para a qual exista um estimador não viciado cuja variância
coincida com o limite inferior de Cramer-Rao? Se não existir prove!!!
d. Ache, se existir, o estimador não viciado de variância mı́nima uniforme de θ2 .

9
 e. Usando a função de perda quadrática ache o estimador de Bayes de θ com respeito a
distribuição à priori

1
g(θ) = θa−1 (1 − θ)b−1 IA (θ), A = (0 , 1),
Beta(a, b)
onde a > 0 e b > 0 são conhecidos.
f. Usando a função de perda quadrática, encontre o estimador minimax de θ.
g. Ache um estimador consistente , em erro quadrático médio, para θ2 .

48. (Q48) Seja X1 , X2 , · · · , Xn uma amostra aleatória da Poisson de parâmetro θ > 0. Para uma
função de perda quadrática ache o estimador de Bayes de θ com respeito a distribuição à
priori Θ ∼ Gama(r, λ), onde r > 0 e λ > 0 são conhecidos. Qual a distribuição a posteriori
de Θ? Ache o estimador a posteriori de BAYES de τ (θ) = P (Xi = 0).

49. (Q49) Seja X1 , X2 , . . . , Xn uma amostra aleatória de

1
f (x|θ) = I( 0, θ) (x) e θ > 0.
θ
(t − θ)2
Para a função de perda e distribuição a priori proporcional a θ−α I( 1 , ∞ ) (θ), ache o
θ2
estimador de Bayes.

50. (Q50) Seja X1 , X2 , . . . , Xn uma amostra aleatória da distribuição de Bernoulli. Usando a

função de perda quadrática, ache que estimador de θ tem área mı́nima sob essa função de
perda.

51. (Q51) Seja X1 , X2 , . . . , Xn uma amostra aleatória de

f (x|θ) = θ(1 − θ)x I{ 0,1,..., ∞ } (x) e 0 < θ < 1.

a. Ache o estimador pelo médodo dos momentos para θ.

b. Ache o estimador de máxima verossimilhança de θ.
c. Qual o limite inferior de Cramer-Rao (LICR) para a variância dos estimadores não
viciados de 1 − θ?
d. Existe alguma função de θ para a qual exista um estimador não viciado cuja variância
coincida com o limite inferior de Cramer-Rao? Se houver ache-a.
e. Ache, se existir, o U M V U E de (1 − θ)/θ.
f. Ache, se existir, o U M V U E de θ.
g. Usando a priori Θ ∼ U (0, 1), ache o estimador de Bayes usando perda quadrática.

52. (Q52) Seja θ o verdadeiro Q.I. de um estudante. Para avaliar seu Q.I. o estudante faz um
teste e se sabe que os escores desse teste são normalmente distribuı́dos com média µ e desvio
padrão 5.

a. O estudante faz o teste e obtem 130. Qual é a estimativa de máxima verossimilhança de

µ?
b. Suponha que se sabe que os Q.I.0 s dos estudantes de uma certa idade são normalmente
distribuı́dos com média 100 e variância 225; isto é, Θ ∼ N (100, 225). Seja X o escore do
estudante no teste [ X ∼ N (θ, 25)]. Ache a distribuição a posteriori de Θ|X = x. Qual
é a estimativa a posteriori de Bayes do Q.I. do estudante se X = 130.

10
53. (Q53) Seja X1 , X2 , . . . , Xn uma amostra aleatória de

x−α
−
f (x; α, θ) = f (x; α, β) = β e β I
( α , ∞ ) (x),
P
onde α é real e β > 0. Mostre que Y1P= min(X1 , X2 , . . . , Xn ) e Xi são conjuntamente sufi-
cientes. Pode ser mostrado que Y1 e (Xi −Y1 ) são conjuntamente completa e independentes
uma da outra. Usando tais resultados , ache o estimador de (α, β) que tem um elipsóide de
concentração que está contido no elipsóide de concentração em qualquer outro estimador não
viciado de (α, β)

54. (Q54) Seja X1 , X2 , . . . , Xn uma amostra aleatória de

f (x; α, θ) = (1 − θ)θx−α IA (x), A = {α, α + 1, . . .},

em que α é real e 0 < θ < 1.

a. Ache um par de estatı́sticas suficientes.

b. Ache o estimador de máxima verossimilhança de (α, θ).

55. (Q55) Seja X1 , X2 , . . . , Xn uma amostra aleatória de

2x 2(1 − x)
f (x; θ) = I + I ,
θ [0 , θ ] 1 − θ [θ , 1 ]
em que 0 ≤ θ ≤ 1.

a. Estime θ pelo método dos momentos.

b. Ache o estimador de máxima verossimilhança de θ para n=1 e n=2.
c. Para n = 1 ache, se existir, uma estatı́stica suficiente e completa. Ache o U M V U E de
θ.
d. Ache o estimador de máxima verossimilhança de θ.

11