Seja (X1, ldots, Xn) uma amostra de uma população: X sim f(x|theta)=theta e^-theta x, x>0, theta>0.
Verifique se o estimador é eficiente para theta.
Informação de Fisher: I(theta)=E[(partialpartial theta log f(X mid theta))^2]=-E[partial^2partial theta^2 log f(X mid theta)] çã

Passo 1

Beleza, vamos lá! O enunciado fala sobre uma amostra $ (X_{1}, ···, X_{n}) $ de uma distribuição exponencial com função de densidade $ f(x|\theta) = \theta e^{-\theta x} $ para $ x > 0 $ e $ \theta > 0 $. Nosso objetivo é verificar se um estimador para $ \theta $ é eficiente. Para isso, vamos precisar entender o que é eficiência de um estimador e usar a Informação de Fisher, que nos ajuda a determinar o quão boa é a estimativa que estamos fazendo.

Passo 2

Primeiro, vamos encontrar o Estimador de Máxima Verossimilhança (MLE) para $ \theta $. A ideia do MLE é encontrar o valor de $ \theta $ que maximiza a probabilidade de observarmos os dados que temos.
A função de verossimilhança $ L(\theta) $ para a amostra é:
theta
Para encontrar o MLE, vamos derivar o logaritmo da verossimilhança em relação a $ \theta $ e igualar a zero:
theta
Derivando em relação a $ \theta $:
L(theta)
Resolvendo para $ \theta $:
L(theta) = prodi=1^n f(Xi|theta) = prodi=1^n theta e^-theta Xi = theta^n e^-theta sum Xi
Então, o estimador de máxima verossimilhança para $ \theta $ é $ \hat{\theta} = \frac{1}{\overline{X}} $, onde $ \overline{X} $ é a média da amostra.

Passo 3

Agora, vamos calcular a Informação de Fisher $ I(\theta) $, que nos dá uma ideia da quantidade de informação que os dados carregam sobre o parâmetro $ \theta $. A fórmula fornecida é:
I(theta)
Primeiro, calculamos a primeira derivada do logaritmo da função de densidade:
theta
I(theta) = E[(partialpartial theta log f(X mid theta))^2] = -E[partial^2partial theta^2 log f(X mid theta)]
Agora, a segunda derivada:
log f(X|theta) = log theta - theta X
Então, a Informação de Fisher é:
partialpartial theta log f(X|theta) = 1theta - X
Para a amostra de tamanho $ n $, a Informação de Fisher total é:
partial^2partial theta^2 log f(X|theta) = -1theta^2

Passo 4

Agora, vamos analisar a variância do estimador $ \hat{\theta} $. Sabemos que para a distribuição exponencial, a variância da média $ \overline{X} $ é:
theta
Como $ \hat{\theta} = \frac{1}{\overline{X}} $, a aplicação da delta de Variança (aproximação para funções de variáveis aleatórias) nos dá:
X

Passo 5

Agora, vamos verificar se a variância do estimador alcança o limite de Cramér-Rao, que é o inverso da Informação de Fisher. O limite é:
Var(theta) >= 1Itotal(theta) = theta^2n
Comparando com a variância do estimador que calculamos:
Var(theta) = 1n theta^2 = theta^2n (já que muá
Vemos que a variância do estimador é exatamente igual ao limite de Cramér-Rao.

Resposta

Como a variância do estimador $ \hat{\theta} = \frac{1}{\overline{X}} $ atinge o limite de Cramér-Rao, concluímos que esse estimador é eficiente para $ \theta $.

Exercícios relacionados