Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
, ):
Exerccio 1. Sejam X1 , X2 , . . . , Xn vetores aleatrios independentes, com Xi N p (
, 1n );
(i) x N p (
, 1n )
Logo, x N p (
i
n 1 i=1
n
(n 1) S = Zi Z>
i
i=1
e
COV (Zi ) = COV (Xi x)
n
o
>
= E [Xi x E (Xi x)] [Xi x E (Xi x)]
o
n
= E (Xi x) (Xi x)>
= COV (Xi )
=
Assim, pela denio (3.4.1), Mardia et.al, temos que se Z1 , Z2 , , Zn so vetores aleatrios
independentes, com Zi N (0, ), fazendo W = ni=1 Zi Z>
i , ento W Wishart (, n 1), pois
W = (n 1)S.
(iii) x e S so independentes.
Demonstrao: Utilizando o resultado obtido no item (i) e sabendo que por denio a matriz
>
1
de covarincias amostral S = n1
ni=1 (Xi x) (Xi x) . Ento, fazendo Y1 = x e Y2 = Xi x,
temos que a distribuio de Y2 N(0, ). Usando as propriedades da funo caracterstica
temos que a funo caracterstica conjunta de Y1 e Y2 dada por
i
h > >
Y1 Y2 (t1 , t2 ) = E eit1 x+it2 (Xi x)
h >
i
it2 Xi +i(t1 t2 )> x
=E e
"
#
>
>
i t2 +
=E e
"
t1 t2
n
Xi +i
> #
t t
i t2 + 1 n 2 X i
=E e
t1 t2
n
"
nj6=i Xi
#
>
t t
i 1n 2
nj6=i Xi
E e
, (n 1))
Logo, M = nj6=i Xi N((n 1)
t2 +
n
2
n
n
1 (n 1)
(n 1)
exp i
(t1 t2 )>
(t1 t2 )> (t1 t2 )
2
n
2 n
i >
i >
1 >
1 >
1
1 >
= exp it>
t1 t2 + t>
t t1
2 t2 + t1 t2 t2
2 t2
n
n
2
2n
2n
2n 2
i >
1
1 >
1
1 >
1
>
2 t>
t1 t2 + t>
t2 t1 2 t>
1 t1 +
2 t2 +
2 t2 + it1 t1
2
2
2n
2n
2n
2n
2n
n
i >
1 >
1 >
1 >
1 >
1 >
>
it2 + t2 t1 t1 + 2 t1 t1 + t1 t2 2 t1 t2 + t2 t1
n
2n
2n
2n
2n
2n
1 >
1 >
1 >
2 t2 t1 t2 t2 + 2 t2 t2
2n
2n
2n
1 >
1 >
1 >
>
= exp it1 t2 t2 t1 t1 + t2 t2
2
2n
2n
1
1 >
1 >
>
1
t t2
= exp it1 t1 t1 +
2n
2
n 2
1 >
1
1 >
>
= exp it1 t1 t1 exp
1
t t2
2n
2
n 2
= Y1 (t1 )Y2 (t2 )
= x (t1 )Xi x (t2 )
, ; x) = fX (x; , )
L(
i=1
1
np
2
(2) ||
n
2
exp
1
(xi )> 1 (xi )
2 i=1
Como o logartimo uma funo montona crescente e portanto diferencivel, temos a funo de
log-verossimilhana que da forma
, ; x) =
l(
np
n
1 n
log(2) log || (xi )> 1 (xi )
2
2
2 i=1
XEMV para
)
1 n
(xi )> 1 (xi )
2 i=1
(
"
#)
n
n
n
1 n > 1
1
> 1
> 1
=
xi xi x>
i xi +
2 i=1
i=1
i=1
i=1
(
"
#)
n
n
1 n
1
> 1
x>
x
+
> 1
=
i
i
2 i=1 i
i=1
i=1
)
(
n
n > 1
1 n > 1
> 1
=
xi xi xi +
2 i=1
2
i=1
, ; x)
l(
=
n
n
= 1 xi + (1 + (1 )> )
2
i=1
n
= 1 xi + n1
i=1
igualando a 0 temos:
n
1 xi n1 = 0
i=1
1 xi = n1
i=1
n
1 xi = n1
i=1
n
xi = n
i=1
xi
i=1 n
XEMV para
Pelo resultado 4.10 do livro do Johnson Wichern, dado uma matriz simtrica positiva denida
B e um escalar b > 0, segue que
1 tr(1 B)/2
1
e
(2b) pb ebp
b
||
|B|b
Para toda matriz (pp) positiva denida, a igualdade obtida se, somente se = (1/2b)B
Portanto,
( "
# )
n
1
, ; x) =
L(
tr 1 ( (xi )> (xi ) + n(x )(x )> ) /2
np
n exp
2
2
(2) ||
i=1
observe que quando = x, temos:
"
1
>
>
"
1
#
>
i=1
Assim, fazendo b =
n
2
1
2 n2
(x j x)(x j x)>
i=1
1
(x j x)(x j x)>
n i=1
n
, ).
Exerccio 3. Verique que x e S = n1
so eststicas conjuntamente sucientes para = (
Pelo Teorema da fatorao de Neyman-Fisher uma estatstica T (X) suciente para se, e
somente se existem funes g(t| ) e h(x) de modo que, para todos pontos amostrais x e todos os
pontos de parmetros
f (x| ) = g(T (x)| )h(x).
A densidade conjunta de X dada por
, ) =
f (x|
1
np
2
(2) ||
n
2
> 1 (x
i
e 2 i=1 (xi )
observe que
"
1 n
1
(xi )> 1 (xi ) = tr 1
2 i=1
2
!#
i=1
ento,
, ) =
f (x|
=
=
1
np
2
n
2
np
2
n
2
np
2
n
2
(2) ||
1
(2) ||
1
(2) ||
1
n
1
>
>
e 2 tr[ (i=1 (xi )(xi ) n(x )(x ) )]
1 ( n (x
i=1 i
1 (n1)S
e 2 tr[
e 2 tr[
h(x) = (2) 2
g (x, S) =
Exerccio 4. Faa a deduo dos passos do algoritmo EM para estimao dos parmetros de uma
, , )
distribuio T (
Para deduo dos passos do EM primeiramente observe que a distribuio t de Student pode ser
reescrita hierrquicamente da seguinte forma
; z1
Yi |Zi = zi N(
i )
Zi = zi Gamma(/2, /2),
i = 1, . . . , n.
Neste processo vamos escrever y = (y1 , y2 , . . . , yn )> e z = (z1 , z2 , . . . , zn ). Sob a representao hierrquica acima, segue que a funo de verossimilhana associada a yc = (y> , z> ) da forma
f (yc ) = f (y, z) = f (y|z) f (z)
(
)
(
) " /2 #n
v
n
n
1
1 n
1
=
zi (yi )> 1 (yi ) 2
zi2 exp zi
np
n exp
)
2
(
2 i=1
2
2
(2) ||
2
i=1
i=1
n
np
n
v
n
log(2) log |z1
|
+
n
log
2
n
log
(
)
+
(
1)
z
i 2
i
2
2
2
2
2
i=1
i=1
1 n
zi(yi )>1(yi )
2 i=1
onde zbi (k) = E[Zi |y, b(k) ] e c uma constante que no depende de parmetros desconhecidos.
Sabemos que Yi |Zi = zi N p (, ) e Zi Gamma(/2, /2). Assim possvel obter a distribuio
de Zi |Yi = yi calculando
fZi |Yi =yi (zi ) =
Se olharmos a funo acima apenas como funo de zi e yi como constante, temos que
fZi |Yi =yi (zi ) fYi |Zi =zi (yi ) fZi (zi )
n z
o
n z o
1
1
i
i
zi2 exp (yi )> 1 (yi ) zi2 exp
2
2
n z h
io
1+ 12
i
zi2
exp (yi )> 1 (yi ) +
2
n z
o
1
i
zi2 2 exp [di + ]
2
n z
o
+1
1
i
zi 2
exp [di + ] ,
2
+1 +di
2 , 2
, onde di = (yi )> 1 (yi ).
+1
(k)
(k)
+ di
(k) , (k)
zi (k)> 1(k) yi
2 i=1
i=1
i=1
#)
Q( | (k) )
(k)
+ zi (k)> 1(k) (k)
i=1
"
#)
n
n
1 n (k) > 1(k)
(k) (k)> 1(k)
(k) (k)> 1(k) (k)
zi yi
yi 2 yi
yi + zi
2 i=1
i=1
i=1
(
)
n
n z(k)
1 n (k) > 1( k)
2 i=1
i=1
i=1 2
(k)
zi 1(k) yi
i=1
n
(k)
z
i2 (1(k) + (1(k))>) (k)
i=1
(k)
= 1 zi yi zi 1(k) (k)
i=1
i=1
(k)
1 zi yi zi 1(k) (k+1) = 0
i=1
i=1
(k)
(k)
1 zi yi zi 1(k) (k+1) = 0
i=1
i=1
i=1
(k)
zi yi
(k)
zi
i=1
n
i=1
(k+1) = 0
(k)
zi (k+1)
(k)
= zi yi
i=1
(k)
(k+1) =
ni=1 zi yi
(k)
ni=1 zi
Usando o mesmo resultado 4.10 que fora utilizado no exerccio 2 extrado do livro do Johnson &
Wichern(1992), temos que a expresso para a matriz de covarincias quando (k+1) = y, e fazendo
(k)
b = n/2 e B = ni=1 zi (yi (k+1) )(yi (k+1) )> . Assim temos que
1
B
2b
1 n (k)
= n zi (yi (k+1) )(yi (k+1) )>
2 2 i=1
(k+1) =
1 n (k)
zi (yi (k+1))(yi (k+1))>
n i=1
Para os graus de liberdade no possvel resolver o sistema de equaes, pois necessrio encontrar
a derivada da funo (/2), e alm disso, no possvel encontrar uma forma fechada para o
estimador dos graus de liberdade , deste modo, o estimador de mxima verossimilhana para
obtido calculando o argumento mximo da funo de log-verossimilhana completa.
(k+1) = arg max{lc (; y, z)}
= eit b X (A> t)
1
>
> >
> >
>
= eit b ei(A t) 2 (A t) (A t)
= ei(A
> t+b)>
= ei(A
> t+b)>
12 (t> AA> t)
, 1n ), ento Y
Portanto, Y N p (A> t + b, AA> ). Sabendo que Y = AX + b, onde X N p (
+ b, 1n AA> ).
N p (A
1
n1
j=1
e
x + b
y = E(Y) = E(AX + b) = A
1)
>
>
a x
F p,np ()a> Sa , a x +
F p,np ()a> Sa
n(n p)
n(n p)
conter a> com probabilidade 1 .
Pelo resultado apresentado no exerccio anterior temos que a estatstica T 2 invariante a transformaes lineares. Do Resultado (5-23) do livro do Johnson & Wichern, considerando todos os valores
>
> )2
de a para os quais a quantidade n(a axa
tn1 (/2)2 = c2 , temos que a estatstica:
> Sa
T 2 = n(X )1 (X ) c2
implica
n(a> x a> )2
c2
>
a Sa
a> Sa
n
para todo a. Pelo resultado (5-6) do livro do Johnson & Wichern, temos que se escolhermos c =
(n1)p
>
(np) F p,np (), o intervalo acima conter a com probabilidade 1
9