Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 MAE 5834 - Estat́ıstica Avançada I Lista de Exerćıcios 1 – 2o semestre de 2020 – Prof. Silvia Ferrari 1. Seja X uma variável aleatória com distribuição uniforme no intervalo (θ1, θ1 + θ2), θ1 ∈ R, θ2 > 0. Mostre que a classe de posśıveis distribuições de X é uma faḿılia de localização-escala. 2. Se a faḿılia de (posśıveis) distribuições de uma variável aleatória X é uma faḿılia de escala, mostre que a faḿılia de (posśıveis) distribuições de logX é uma faḿılia de localização. 3. Seja X uma variável aleatória com distribuição uniforme no intervalo (0, θ), θ > 0. (a) Mostre que a classe de posśıveis distribuições de X é uma faḿılia de escala. (b) Encontre a distribuição − logX, e mostre que a classe de distribuições obtida fazendo θ variar em (0,∞) é uma faḿılia de localização. 4. Seja U uma variável aleatória positiva e X = bU1/c, b > 0, c > 0. (a) Mostre que isso define uma faḿılia de grupo. (b) Mostre que se U tem distribuição exponencial de média 1, então X tem distribuição de Weibull com densidade c b ( x b )c−1 e−(x/b) c , x > 0. 5. Admita que X tem distribuição arco-seno com parâmetros µ ∈ R e σ ∈ R+ e densidade p(x;µ, σ) = 1 π √ (x− µ)(µ+ σ − x) , x ∈ (µ, µ+ σ). Mostre que a classe de posśıveis distribuições de X é uma faḿılia de localização-escala. 6. Admita que X tem densidade1 pθ(x) = exp [ s∑ i=1 ηi(θ)Ti(x)−B(θ) ] h(x). (1) Seja A um subconjunto do espaço amostral. Mostre que as distribuições truncadas sobre A, ou seja, as distribuições com densidade pθ(x)IA(x)/Pθ(A) também constituem uma faḿılia exponencial. 7. Admita queX = (X1, . . . , Xp) ∼ multinomial(n, θ), com θ ∈ Θ = {(θ1, . . . , θp) | θj ∈ (0, 1) e ∑p j=1 θj = 1}, e função de probabilidade p(x; θ) = n! x1! . . . xp! θx11 . . . θ xp p , x ∈ {(x1, . . . , xp) | xj ∈ {0, 1, . . . , n} e p∑ j=1 xj = n}. Mostre que a faḿılia de distribuições de X forma uma faḿılia exponencial de dimensão p − 1 e posto completo. 8. A partir de propriedades da faḿılia exponencial (1) encontre as funções geradoras de momentos e de cumulantes, a média e o segundo, o terceiro e o quarto momento central das seguintes distribuições: Gama(a, b), Binomial(p, n), Poisson(λ) e Binomial Negativa(p,m) (ver Tabela 5.1, p. 25, de TPE). 1Diz-se que uma faḿılia {Pθ} de distribuições forma uma faḿılia exponencial de dimensão s se as distribuições Pθ têm densidades da forma (1) com respeito a alguma medida µ. 2 9. Considere a distribuição de série de potências com função de probabilidade fθ(x) = Pθ(X = x) = a(x)θx C(θ) , x = 0, 1, . . . ; a(x) ≥ 0, θ > 0. (a) Mostre que essa distribuição faz parte da faḿılia exponencial unidimensional. (b) Mostre que sua função geradora de momentos é MX(u) = C(θe u)/C(θ). (c) Mostre que as distribuições binomial, binomial negativa e Poisson são casos especiais da distribuição de série de potências e determine θ e C(θ). (d) Mostre que a distribuição série logaŕıtmica, que é uma distribuição de série de potências com a(x) = 1/x e C(θ) = − log(1− θ), x = 1, 2, 3, . . . , 0 < θ < 1, tem função geradora de momentos log(1− θeu)/ log(1− θ) e determine E(X) e Var(X). 10. Se X ∼ Gama(α, β) com função densidade de probabilidade 1 Γ(α)βα xα−1e−x/βI(0,∞)(x). determine a distribuição de c logX e mostre que, para α fixo, esta define uma faḿılia exponencial. 11. Mostre que a distribuição de uma amostra aleatória de uma densidade normal p-variada constitui uma faḿılia exponencial s-dimensional. Identifique s e as demais quantidades que definem a faḿılia. 12. Seja T (X) = (T1(X), . . . , Ts(X)) ′ e considere a densidade (1). (a) Para s = 1, mostre que Eθ[T (X)] = B ′(θ)/η′(θ) e varθ[T (X)] = B ′′(θ)/[η′(θ)]2 − η′′(θ)B′(θ)/[η′(θ)3]. (b) Para s > 1, mostre que Eθ[T (X)] = J −1∇B, onde J é a matriz Jacobiana definida por J = {∂ηj/∂θi} e ∇B é o vetor gradiente ∇B = {∂B(θ)/∂θi}. 13. Considere a distribuição secante hiperbólica generalizada definida como a distribuição de X = 1 π log ( Y 1− Y ) , em que Y ∼ Beta ( 1 2 + θ π , 1 2 − θ π ) , |θ| < π. (a) Encontre a densidade de X e mostre que constitui uma faḿılia exponencial. (b) Encontre a média e a variância de X, e mostre que a variãncia é igual a 1 +µ2, em que µ = E(X). Nota: Existem apenas 6 distribuição com variância quadrática. As outras são: normal, binomial, gama, Poisson e binomial negativa. Ver Morris (Annals of Statistics, 1982). 14. Seja T uma variável aleatória com momentos centrais (finitos) µj = µj(T ) = E[(T − E(T ))j ], j = 2, 3, . . ., e cumulantes = κj = κj(T ), j = 1, 2, 3, . . . e seja a uma constante não nula. Mostre que (a) κ1 = E(T ); (b) κ2 = µ2 = Var(T ); (c) κ3 = µ3; (d) κ4 = µ4 − 3µ22; 3 (e) κj(T + a) = κj(T ), j = 2, 3, . . . . (f) κj(aT ) = a jκj(T ), j = 1, 2, 3, . . . . (g) Se T1 e T2 são independentes, então, κj(T1 + T2) = κj(T1) + κj(T2), j = 1, 2, . . . . (h) Sejam skew(T ) = µ3(T )/µ2(T ) 3/2 e kurt(T ) = µ4(T )/µ2(T ) 2 medidas de assimetria e curtose de T . Escreva skew(T ) e kurt(T ) em função de cumulantes. (i) Se T ∼ N(µ, σ2), κ1(T ) = µ, κ2(T ) = σ2, κj(T ) = 0, para j = 3, 4, . . . ,, skew(T ) = 0 e kurt(T ) = 3. 15. Seja U uma variável aleatória com distribuição uniforme no intervalo unitário e considere as variáveis X = Uα, α > 0. (a) Mostre que isso define uma faḿılia de grupo e determine a distribuição de X. (b) Considere uma amostra aleatória (X1, . . . , Xn) de X. Encontre uma estat́ıstica suficiente para α. 16. Sejam X1, . . . , Xn observações independentes da variável aleatória X, que tem distribuição na faḿılia P de todas as distribuições discretas que dão probabilidade positiva apenas para os pontos do conjunto {1, 2, 3}. Encontre uma estat́ıstica suficiente bi-dimensional para P. 17. Suponha que X1, . . . , Xn sejam variáveis aleatórias independentes e tais que, para i = 1, . . . , n, Xi tem função distribuição acumulada Fi,θ(x) = x tiθ, x ∈ (0, 1), em que θ > 0 é um parâmetro desconhecido e t1, . . . , tn são constantes positivas conhecidas. Encontre uma estat́ıstica suficiente unidimensional para θ. 18. Seja f(x) uma função positiva tal que ∫+∞ −∞ f(x)dx < +∞ e seja pθ(x) a densidade sobre (0, θ) (θ > 0) definida por pθ(x) = c(θ)f(x), se 0 < x < θ e 0, caso contrário. Se X1, . . . , Xn são n observações independentes com densidade pθ, mostre que X(n) = maximo(X1, . . . , Xn) é uma estat́ıstica suficiente para θ. 19. Sejam X1, . . . , Xn variáveis aleatórias independentes com Xi ∼ Poisson(λi) com λi = aiλ, para i = 1, . . . , n, sendo que a1, . . . , an são constantes positivas conhecidas. A partir da definição de suficiência, encontre uma estat́ıstica suficiente T para λ e determine um experimento aleatório para se reconstruir X1, . . . , Xn a partir de T . 20. Seja X ∼ N(0, θ). Verifique se |X| é uma estat́ıstica suficiente para θ. 21. Se X1, . . . , Xn são variáveis aleatórias iid distribúıdas como Beta(a, b), (a) mostre que ( ∏ Xi, ∏ (1−Xi)) é uma estat́ıstica suficiente minimal para (a, b); (b) determine uma estat́ıstica suficiente minimal quando a = b. 22. Seja X = (X1, . . . , Xn) amostra aleatória da variável aleatória X que tem distribuição na faḿılia {N(θ, θ), θ > 0}. Mostre que estat́ıstica T = ( ∑ Xi, ∑ X2i ) é suficiente mas não é minimal. 23. Seja X = (X1, . . . , Xn) amostra aleatória da distribuição E(θ, θ), θ > 0 é desconhecido, com função densidade de probabilidade f(x; θ) = 1 θ exp { −x− θ θ } I[θ,∞)(x). Mostrar que (X,X(1)), onde X = ∑n i=1Xi/n e X(1) = min(X1, . . . , Xn), é suficiente minimal mas não é completa. 4 24. Seja f : (−∞,∞) → (0,∞) uma função integrável. Seja c(θ) = 1/ ∫∞ θ f(x)dx. Sejam X1, . . . , Xn uma amostra aleatória da densidade pθ(x) = c(θ)f(x), para x > 0, e pθ(x) = 0, caso contrário. Mostre que X(1) = min(X1, . . . , Xn) é uma estat́ıstica suficiente minimal. 25. SejaX = (X1, . . . , Xn) amostra aleatória da distribuição U(θ − 1/2, θ + 1/2), θ ∈ R. (a) Mostre que (X(1), X(n)), em que X(1) = min(X1, . . . , Xn) e X(n) = max(X1, . . . , Xn), é uma estat́ıstica suficiente minimal. (b) Mostre que (X(1), X(n)) não é completa. 26. Seja X = (X1, . . . , Xn) amostra aleatória da variável aleatória X que tem distribuição na faḿılia {N(θ, θ2), θ > 0}. Mostre que a estat́ıstica T = ( ∑ Xi, ∑ X2i ) não é suficiente completa (porém é suficiente minimal – visto em aula). 27. Sejam X1, . . . , Xn uma amostra aleatória de uma distribuição de Poisson de média θ. Mostre que X = ∑n i=1Xi/n é uma estat́ıstica suficiente e completa para θ sem usar propriedades da faḿılia exponencial. 28. Sejam X1, ...Xn variáveis aleatórias independentes com distribuição uniforme discreta em {1, . . . , θ}, θ inteiro positivo. A estat́ıstica X(n) = maximo{X1, . . . , Xn} é suficiente completa? 29. (a) Mostre que se P0 e P1 são duas faḿılias de distribuições tais que P0 ⊂ P1 e todo conjunto de probabilidade nula de P0 também é de probabilidade nula de P1, então uma estat́ıstica suficiente T que é completa para P0 é também completa para P1. (b) Seja P0 a classe das distribuições binomiais b(p, n), 0 < p < 1, com n fixado, e seja P1 = P0 ⋃ {Q}, onde Q é a distribuição de Poisson de média 1. Mostre que P0 é completa, mas P1 não é. 30. Estat́ıstica suficiente completa se o espaço paramétrico é Ω, mas apenas suficiente (e não completa) se o espaço paramétrico é Ω0 ⊂ Ω. Sejam X1, . . . , Xn (n ≥ 2) variáveis aleatórias independentes com distribuição U(0, θ), θ ∈ Ω = (0,+∞). Sabemos que X(n) = maximo(X1, . . . , Xn) é uma estat́ıstica suficiente completa para θ (ver notas de aula). Considere agora que o espaço paramétrico é Ω0 = [1,+∞). Mostre que X(n) é suficiente, mas não é completa. 31. Sejam X1, . . . , Xn e Y1, . . . , Ym variáveis aleatórias independentes com Xi ∼ N(θ, σ2) e Yi ∼ N(λ, τ2); −∞ < θ < ∞, −∞ < λ < ∞, 0 < σ < ∞, 0 < τ < ∞ . Encontre estat́ısticas suficientes minimais para os casos abaixo: (a) todos os parâmetros são desconhecidos; (b) θ = λ e θ, σ, τ são desconhecidos; (c) σ = τ e θ, λ e σ são desconhecidos; (d) θ = λ e σ = τ , θ e σ são desconhecidos. 32. Seja X = (X1, . . . , Xn) um vetor de variáveis aleatórias independentes tais que Xi ∼ N(diθ, θ2), di 6= 0, para i = 1, . . . , n, θ > 0. Sejam X̃ = ∑n i=1 diXi∑n i=1 d 2 i e S2 = n∑ i=1 (Xi − diX̃)2 n− 1 . Mostre que a estat́ıstica (X̃, S2) é suficiente minimal mas não é completa. 5 33. Admita que (X1, Y1), ...(Xn, Yn) são vetores aleatórios independentes e têm distribuição normal bi- variada com E(Xi) = E(Yi) = 0, Var(Xi) = Var(Yi) = 1, Cov(Xi, Yi) = ρ, −1 < ρ < 1, para i = 1, . . . , n, e com função densidade de probabilidade 1 2π √ 1− ρ2 exp { −x 2 − 2ρxy + y2 2(1− ρ2) } , −∞ < x <∞, −∞ < y <∞. (a) Encontre uma estat́ıstica suficiente minimal para ρ. (b) Mostre que as estat́ısticas T1 = ∑ Xi/n e T2 = ∑ Yi/n são ancilares mas o par (T1, T2) não é. 34. Se X e Y são variáveis aleatórias independentes com X ∼ Bernoulli(p) e Y ∼ Bernoulli(p2), verifique se (X,Y ) é completa. 35. Suponha que X1, . . . , Xn sejam uma amostra aleatória de uma faḿılia de localização-escala com função distribuição F ((x − a)/b) (−∞ < a < +∞ e b > 0 desconhecidos). Sejam Yj = φj(X), para j = 1, . . . , n, funções do vetor aleatório X = (X1, . . . , Xn) invariantes sob por localização-escala, isto é, tais que φj(x1, . . . , xn) = φj((x1 − α)/β, . . . , (xn − α)/β), para todo −∞ < α < +∞ e β > 0. Mostre que o vetor (Y1, . . . , Yn) é uma estat́ıstica ancilar. 36. Enuncie e prove resultados semelhantes ao do exerćıcio acima para faḿılias de localização e de escala. 37. Suponha que X1, . . . , Xn sejam uma amostra aleatória de uma faḿılia de localização-escala com função distribuição F ((x− a)/b). (a) Se b é conhecido, mostre que as diferenças (X1 −Xi)/b, i = 2, . . . , n, são ancilares. (b) Se a é conhecido, mostre que as razões (X1 − a)/(Xi − a), i = 2, . . . , n, são ancilares. (c) Se a e b são desconhecidos, mostre que as quantidades (X1 −Xi)/(X2 −Xi), i = 3, . . . , n, são ancilares. 38. Use o Teorema de Basu para provar a independência dos seguintes pares de estat́ısticas: (a) X e ∑ (Xi −X)2, onde os Xi’s são iid com distribuição N(θ, σ2). (b) X(1) e ∑ (Xi −X(1)), onde os Xi’s são iid com distribuição E(a, b). 39. Sejam (X1, Y1), . . . , (Xn, Yn) variáveis aleatórias bidimensionais i.i.d. com densidade fθ(x, y) = 2/θ 2, para x > 0, y > 0, x+ y < θ, e = 0, caso contrário. (a) Encontre uma estat́ıstica suficiente minimal para θ. (b) Encontre a distribuição da estat́ıstica suficiente minimal obtida em (a). 40. Assuma válidas as suposições do Critério da Fatoração. Seja A qualquer conjunto fixado do espaço amostral, P ∗θ a distribuição Pθ truncada sobre A e P∗ = {P ∗θ , θ ∈ Ω}. Mostre que (a) Se T é suficiente para P, é também suficiente para P∗. (b) Se T é completa para P, é também completa para P∗. 41. Seja (X1, . . . , Xn) uma amostra aleatória de uma distribuição de variância σ 2; 0 < σ2 < ∞, n > 2. [Note que não se faz suposição de normalidade]. Considere o problema de estimar σ2 com função de perda L(σ2, d) = d σ2 − 1− log d σ2 . 6 (a) Esboce o gráfico de L(σ2, d) como função de quociente r = d/σ2. Comente. (b) Considere estimadores da forma bS2, onde S2 = ∑ (Xi −X)2/(n− 1) é a variância amostral (um estimador não viciado de σ2). Encontre o valor de b que minimiza o risco para todo σ2. 42. Demonstre as seguintes proposições. Proposição 1. Seja X uma variável ou vetor aleatório com distribuição Pθ ∈ P = {Pθ, θ ∈ Ω}. Seja δ(X) um estimador do estimando g(θ), uma função de θ a valores reais. Se c(θ) > 0 para todo θ ∈ Ω, então δ(X) é inadmisśıvel com função de perda L(θ, d) se e somente se δ(X) é inadmisśıvel com função de perda c(θ)L(θ, d). Proposição 2. Seja b(θ) é uma função de θ a valores reais. Então, δ(X) é inadmisśıvel com função de perda L(θ, d) se e somente se δ(X) é inadmisśıvel com função de perda L(θ, d) + b(θ). 43. Use o fato de que, para qualquer estimador δ(X) com var[δ(X)] < +∞ e qualquer estat́ıstica T , var[δ(X)] = var[E(δ(X)|T )] + E[var(δ(X)|T )] para formular e provar um teorema semelhante ao de Rao Blackwell (Teorema 7.8, TPE) para variâncias.
Compartilhar