n
Y
x1
i
i=1
Ent
ao:
l(; x) = log n + log
n
Y
i=1
Assim:
x1
= n log + ( 1)
i
n
X
log xi
i=1
l
n X
n
= +
log xi = Pn
i=1 log xi
i=1
2 l
n
= 2 < 0,
2
Pn n
i=1 log xi
+ Pn nlog xi
i=1
n
log
xi n
i=1
Pn
Pn
log xi
n
Pn i=1
i=1 log xi
i=1 log xi n
= Pn
1
0,
IF ()
Em particular:
a
N
1
,
nIF ()
a
N
2
,
n
De modo an
alogo:
g()) N
n(g()
0,
(g 0 ())2
IF ()
Ent
ao:
a
g()
N
(g 0 ())2
g(),
nIF ()
a
g()
N
2
,
(1 )4 n
Dessa forma:
l(; x)
= log p
1
=
2
(2)n
n
X
i=1
x2i
+ log e 2
2
Pn
+ n 2
2
i=1 (xi )
n
X
i=1
xi
n log
Ent
ao:
0
l (; x) = n +
Como l00 (; x) = n < 0,
n
n
X
i=1
n
X
xi
i=1
Xi = 0 =
1X
Xi = X
n i=1
Utilizando-nos ent
ao do princpio da invari
ancia, temos que o estimador
de verossimilhanca de g() = 2 ser
a dado por:
= g(X) = X
g()
= V ar(X ) + B 2 (X )
2
2
2
= V ar(X ) + E[X ] 2
2
= V ar(X ) + (2 +
2
= V ar(X ) +
1
2 )2
n
1
n2
> EQM (
Logo notamos facilmente que EQM (g())
) sempre, e portanto
o estimador , apesar de n
ao eficiente, e melhor do que o estimador obtido
a partir do metodo da m
axima verossimilhanca.
3.7 Considere uma amostra aleat
oria de tamanho n da distribuica
o da vari
avel
aleat
oria X onde cada observaca
o apresenta um de tres resultados possveis
(por exemplo, favor
avel, contra e indiferente), que denotamos por 0,1
e 2. Suponhamos que a probabilidade de 0 e p1 = (1 )/2, a
probabilidade da ocorrencia do resultado 1 e p2 = 1/2 e do resultado
2 e p3 = /2. Seja n1 : o n
umero de vezes que 0 ocorre, n2 : o n
umero
de vezes que 1 ocorre e n3 : o n
umero de vezes que 2 ocorre.
(a) Encontre, como funca
o de n1 , n2 , n3 , uma estatstica suficiente para
.
1
(1 )n1 n3
=
(1 )n1 n3
L(; x) =
n
{z
}
2n
2
|{z} |
h(x1 ,...,xn )
g (T (x1 ,...,xn ))
1
Verifiquemos agora o sinal de l 00 (; x):
n3
n3
n1
n1
00
l (; x) = 2
=
+
< 0,
(1 )2
2
(1 )2
l(; x)
=
=
Assim o estimador de m
axima verossimilhanca procurado ser
a dado
por:
n1
n1
n3
n3
= n1
=
= 0
n3 (1 )
1
1
n3 n3 = n1 n3 = n1 + n3
1 + n3 )
= (n
n3
=
n1 + n 3
3.8 Sejam X1 , . . . , Xn uma amostra aleat
oria de tamanho n da vari
avel aleat
oria
X com funca
o de densidade de probabilidade dada por
f (x|) = ( + 1)x1 (1 x),
0 x 1, > 0
1
xa1 (1 x)b1 I(0,1) (x)
B(a, b)
b 1 = 1 b = 2 ( 1) = a 1 a =
( + 2)
( + 1)!
1
=
=
= ( + 1)
B(, 2)
()(2)
( 1)!
=
a+b
+2
P
Notando ainda que m1 = n1 ni=1 Xi = X, pelo metodo dos momentos:
1) + 2X = 0
1 = m 1
= X X + 2X = 0 (X
+ 2
1) = 2X = 2X = 2 X
(X
X 1
1X
4
l(; x)
i=1
n log ( + 1) + ( 1)
l0 (; x) =
n(2 + 1)
+
( + 1)
n
X
log Xi + log
i=1
n
X
n
Y
i=1
(1 xi )
log Xi
i=1
2( + 1) (2 + 1)2
22 + 2 42 4 1
=
n
2 ( + 1)2
2 ( + 1)2
1
2
++ 2
22 2 1
= 2n 2
< 0,
= n 2
2
( + 1)
( + 1)2
= n
Onde a desigualdade decorre do fato do denominador ser sempre positivo, do numerador tambem ser sempre positivo, e de n ser sempre
positivo. Assim que por ventura encontrarmos zerando l 0 (; x) ser
a
um estimador de m
axima verossimilhanca:
Pn
i=1 log Xi
2 + 1
=
+ 1)
n
(
Chamando a express
ao a
` direita de , e desenvolvendo as express
oes,
Esse estimador parece estranho demais para estar certo. Vamos fazer
algumas simulaco
es para verificar isso. Com o seguinte c
odigo em R,
definimos os dois estimadores (o de m
axima verossimilhanca e o de
momentos):
#esse e
o estimador de m.v.
>est <- function(amostra) {
-sum(log(amostra))/length(amostra)
}
>est1 <- function(est) {
0.5*(2-est+sqrt(4+est^2))/est
}
>maxver <- function(x) {
est1(est(x))
}
#esse e
o de momentos
>momentos <- function(x) {
2*mean(x)/(1-mean(x))
}
A seguir simulamos 1000 amostras de tamanho 1000 de uma vari
avel
aleat
oria seguindo distribuica
o Beta(4, 2) (o 4 e arbitr
ario) e verificamos o comportamento dos dois estimadores:
>amostra <- matrix(rbeta(10^6,4,2),1000,1000)
>momentos.s <- apply(amostra,2,momentos)
>maxver.s <- apply(amostra,2,maxver)
> c(mean(momentos.s),var(momentos.s))
[1] 3.99988361 0.01019566
> c(mean(maxver.s),var(maxver.s))
[1] 4.00068103 0.00968428
Donde verificamos que n
ao s
o o estimador de m
axima verossimilhanca
e o de momentos tem esperanca igual a como a vari
ancia do estimador de m
axima verossimilhanca e menor do que a do estimador
ele e feio mas funciona.
obtido pelo metodo de momentos. E,
Para acharmos a distribuica
o assint
otica do estimador que acabamos
de achar, basta, precisamos encontrar IF ():
2 log f (x|)
IF () = E
2
Assim:
2 + 1
log f (x|
=
+ log x
( + 1)
I
()
=
F
2
2 ( + 1)2
2 ( + 1)2
Assim, como:
a
n( ) N
Segue que:
a
N
1
0,
IF ()
22 + 2 + 1
n2 ( + 1)2
(x + 1) x/
e
,
( + 1)
x > 0, > 0
n
X
i=1
Qn
i=1 (xi + 1)
e
n ( + 1)n
Pn
i=1 xi
l0 (; x) =
n(2 + 1
+
( + 1)
Pn
i=1
2
Pn
i=1
xi
xi
=
=
Pn
2 i=1 xi
2n(( + 1)) + n(2 + 1)2
2 ( + 1)2
3
P
n
2( + 1)(n 2 + ( + 1) i=1 Xi ) + n(2 + 1)2
<0
3 ( + 1)2
Pn
i=1
2
Xi
+ 1)
(2 + 1)2 = (
+ 1) = ( + 1)
n(2
2n2 + n
n
X
i=1
n
X
n
X
Xi
i=1
Xi
i=1
Xi
n
X
Xi = 0
i=1
X =0
22 + X
2
X) X = 0
2 + (1
obtemos:
Resolvendo essa equaca
o em ,
q
q
X 1 + (X 1)2 + 8X
X 1 (X 1)2 + 8X
1 =
e 2 =
4
4
Notemos entretanto que 2 < 0, e portanto n
ao pertence ao espaco
parametrico, de forma que o estimador de m
axima verossimilhanca
fica dado por:
q
=
X 1+
(X 1)2 + 8X
4
Para calcular sua distribuica
o aproximada precisamos primeiro de
IF ().
2
log f (X|)
IF () = E
2
log f (X|) = log X + 1 log ( + 1)
Ent
ao:
log f (X|)
2 + 1
X
=
+ 2
( + 1)
Assim:
2 log f (X|)
2
X
1
2 +1
2 +1
2
+
+
3
( + 1) 2 ( + 1) ( + 1)2
2 X2 + 4 X + 2 X 2 3 2 2
= 2
=
3 ( + 1)
1
,
nIF ()
Temos que:
a
N
2 ( + 1)
,
n (2 2 + 4 + 1)
e dx +
e dx
=
( + 1)
( + 1)
0
0
Z
Z
1 x
1 x
dx
x
dx
xe
xe
+
+1
2
2
| 0
{z
}
{z
} |0
fX (x),X(2, 1 )
E[X],X(2, 1 )
(2 + 1)
2 +
=
+1
+1
+1
22 +
+X
= X 22 + = X
+ 1
X) X = 0
22 + (1
=
n
Y
exi = n e
i=1
Pn
i=1
xi
Assim:
l(; x) = n log
n
X
i=1
xi l0 (; x) =
n X
i = 1 n xi
n
< 0,
2
i=1
i=1
Assim, como:
a
g())
n(g()
N
(g 0 ())2
0,
IF ()
Segue que:
a
g()
N
(g 0 ())2
g(),
nIF ()
a
g()
N
e2
n
2
=N
e2 2
,
n
e assintoticamente eficiente.
E portanto g()
Sobre
A vers
ao eletr
onica desse arquivo pode ser obtida em http://www.feferraz.
net
10
E dada permiss~
ao para copiar, distribuir e/ou modificar este documento
sob os termos da Licen
ca de Documenta
ca
~o Livre GNU (GFDL), vers~
ao 1.2,
publicada pela Free Software Foundation;
Uma c
opia da licen
ca em est
a inclusa na se
ca
~o intitulada
"Sobre / Licen
ca de Uso".
11