Documente Academic
Documente Profesional
Documente Cultură
Erratas – Aula 15
2
Py|x (1 |1)Px (1) 1× 10
Px|y (1 |1) = = 3 = .
Py|x (1 |1)Px (1) + Py|x (1 | 0)Px (0) 1 × + ×
2 1 1 11
3 5 3
5 4
Py|x (1 |1)Px (1) × 20 10
Px|y (1 |1) = = 10 10 = = .
Py|x (1 |1)Px (1) + Py|x (1 | 0)Px (0) 5 × 4 + 1 × 6 26 13
10 10 10 10
19.1 Introdução
Quando descrevemos uma população, fazemos isso por meio de algum modelo
probabilístico, cujos parâmetros, portanto, devem ser estimados da melhor
forma possível com base na amostra obtida.
0.8
0.6
0.4
0.2
resíduos
-0.2
-0.4
-0.6
-0.8
2 4 6 8 10 12 14 16 18 20
x
(1) ˆ ) = θ.
E (Θ
Profs. Alexandre Lima e Moraes Junior
4
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
(2) ˆ −θ
E (Θ)
X 1 + X 2 + ... + X n
X = .
n
X + X 2 + ... + X n
E( X ) = E 1 =
n
1 1 1 n×
= E ( X 1 ) + E ( X 2 ) + ... + E ( X n ) = =µ
n n n n
w1 X 1 + w2 X 2 + ... + wn X n
W=
n
w X + w2 X 2 + ... + wn X n
E ( X ) = E 1 1 =
n
1 1
= [w1 E ( X 1 ) + w2 E ( X 2 ) + ... + wn E ( X n )] = [w1 + w2 + ... + wn ]= × n = µ.
n n n
Profs. Alexandre Lima e Moraes Junior
6
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
∑X i
M = i =1
.
n +1
n
Espera-se que o viés de M seja negativo, uma vez que a divisão de ∑X
i =1
i por
X + X 2 + ... + X n
E (M ) = E 1 =
n +1
1
= [E ( X 1 ) + E ( X 2 ) + ... + E ( X n )] = n ≠ µ.
n +1 n +1
Observe que
viés(M) = E(M) - µ,
n
viés(M) = -µ= − ⇒ negativo, como antecipado.
n +1 n +1
Exemplo. Seja uma população com média µ e variância σ2. Verifique que o
estimador da variância populacional definido por
∑( X i − X )2
σˆ 2 = i=1
n
é viesado.
Demonstração:
1 n 1 n 1 n
E(σˆ ) = E ∑ (X i − X ) = E ∑ (X i − µ + µ − X ) = E ∑[(X i − µ) + ( µ − X )]2
2 2 2
1
n
E(σˆ ) =
2
E ∑ (X i − µ) 2 + 2n(µ − X )(X − µ) + n( µ − X ) 2
n i=1
1
n
E(σˆ 2 ) = E ∑ (X i − µ) 2 − 2n( µ − X )( µ − X ) + n( µ − X ) 2
n i=1
1 n
E(σˆ 2 ) = E ∑ (X − µ) 2 − 2n(µ − X ) 2 + n( µ − X ) 2
n i=1 i
1
n
E(σˆ 2 ) = E ∑ (X i − µ) 2 −n( µ − X ) 2
n i=1
1
n
E(σˆ 2 ) = E ∑ (X i − µ) 2 −n(X − µ) 2
n i=1
1
n
1
n
E(σˆ 2 ) = ∑ E(X i − µ) − nE[(X − µ) ] .
2 2
n i=1
n 2
∑(X i − X )2
S2 = σˆ = i =1
,
n −1 n −1
n n n −1 2
E(S 2 ) = E(σˆ 2 ) = × × σ = σ2 .
n −1 n −1 n
_______________________________________________________
(3) ˆ ) = θ.
lim E (Θ
n→∞
n n
E(M) = ⇒ lim E(M) = µ lim = µ ⇒ Logo, M é um estimador
n +1 n→∞ n → ∞ n +1
Eficiência
Não basta que um estimador acerte na média. Além disso, é desejável que
tenha a menor variância possível (maior precisão possível).
3 X1 + 2 X 2
W=
5
3X + 2 X 2 1
var(W ) = var 1 = var(3 X 1 + 2 X 2 ) =
5 25
1 13σ 2
= [9 var( X 1 ) + 4 var( X 2 )] = = 0,52σ 2 .
25 25
(4) EQM (Θ ˆ − θ ) 2 ].
ˆ ) = E[(Θ
(5) ˆ ) = var(Θ
EQM (Θ ˆ ) ]2.
ˆ ) + [viés (Θ
Ou seja,
Prova:
ˆ ) = E (Θ
EQM (Θ ˆ θ + θ 2 ) = E (Θ
ˆ 2 − 2Θ ˆ 2 ) − 2θE (Θ
ˆ ) +θ 2 ,
ˆ ) = E (Θ
EQM (Θ ˆ 2 ) − [ E (Θ ˆ )]2 − 2θE (Θ
ˆ )]2 + [ E (Θ ˆ ) +θ 2
em que E (Θˆ 2 ) − [ E (Θ
ˆ )]2 = var(Θ ˆ )]2 − 2θE (Θ
ˆ ) e [ E (Θ ˆ ) + θ 2 = [ E (Θ
ˆ ) − θ ]2 . Logo, podemos
reescrever a expressão acima na forma
ˆ ) = var(Θ
EQM (Θ ˆ ) − θ ]2
ˆ ) + [ E (Θ
em que ˆ ) −θ]
[ E (Θ representa o viés do estimador. Logo,
ˆ ) = var(Θ
EQM (Θ ˆ ) ]2.
ˆ ) + [viés (Θ
A Eq. (5) mostra que o EQM tem dois componentes: o estimador erra o
valor do parâmetro em função da sua dispersão (variância) e ainda,
quando for o caso, pelo fato de não acertar na média (ser viesado).
Para dois estimadores quaisquer Θ̂1 e Θ̂ 2 , se Θ̂1 tem menor EQM do que Θ̂ 2 ,
então Θ̂1 é relativamente mais eficiente do que Θ̂ 2 .
Observe que, para dois estimadores justos, dizer que EQM é menor equivale a
dizer que a variância é menor (pois o viés é nulo).
Um estimador é linear se for obtido por meio de uma combinação linear das
observações X 1 , X 2 ,..., X n da amostra, ou seja, se é dado por
(6) ˆ = a X + a X + ... + a X ,
Θ 1 1 2 2 n n
1
a1 = a2 = ... = an = .
n
Consistência
Tendo em vista o que foi dito acima, temos que um estimador será consistente
se:
(7) ˆ ) =θ
lim E (Θ
n →∞
(8) ˆ)=0
lim var(Θ
n →∞
σ 2
lim var( X ) = lim = 0 .
n →∞ n→∞
n
Como
ˆ ) = 0.
lim EQM (Θ
n→∞
L(θ ) = f ( x1 ;θ ) × f ( x2 ;θ ) × ... × f ( xn ;θ ) .
1 df ( x1 ;θ ) 1 df ( x2 ;θ ) 1 df ( xn ;θ )
+ + ... + =0
f ( x1 ;θ ) dθ f ( x2 ; θ ) dθ f ( xn ; θ ) dθ
Pθ ( X 1 = x1 , X 2 = x2 ,..., X n = xn ) .
Exemplo. Um jogador de cassino trocou o seu dinheiro por dez fichas, das
quais θ são pretas e 10 – θ são brancas. Uma amostra de quatro fichas com
reposição é retirada do seu bolso e verifica-se que ela contém três fichas
brancas e uma ficha preta. Estime o parâmetro θ pelo método da máxima
verossimilhança.
Solução:
1 3
n x n −x 4 θ θ θ (10 − θ )3
L(θ ) = p (1 − p ) = 1 − =
x 1 10 10 2.500
θ L(θ) θ L(θ)
0 0 6 384/2.500
1 729/2.500 7 189/2.500
Profs. Alexandre Lima e Moraes Junior
14
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
2 1.024/2.500 8 64/2.500
3 1.029/2.500 9 9/2.500
4 864/2.500 10 0
5 625/2.500
_______________________________________________________
1 x −µ 1 x −µ 1 xi − µ
2 2 2
n
1 − 1 1 − n 1 −
L( µ,σ2 ) = e 2 σ
× ... × e 2 σ
=∏ e 2 σ
σ 2π σ 2π i=1 σ 2π
n
∑ (x i − µ )2
1
−
1 2σ 2
L( µ,σ ) =
2
e i =1
(2πσ )
2 n /2
n
n 1
ln L( µ,σ2 ) = −
2
ln(2πσ2 ) − 2
2σ
∑(x i − µ) 2
i=1
∂ ln L(µ, σ2 ) 1 n
1 n
= 2 2 ∑ ( x i − µ) = 2 ∑(x − µ)
∂µ 2σ i=1 σ i=1
i
n n n ∑x i
(σ ) ∑ ( x i − µˆ ) = 0 ⇒
2 −1
∑( x i − µˆ ) = 0 ⇒ ∑x i − nµˆ = 0 ⇒ µˆ = i=1
= X.
i=1 i=1 i=1 n
∂ ln L(µ,σ2 ) n 1 1 n
∂σ2
=− + ∑ ( x − µˆ )2 = 0
2 σˆ 2 4σˆ 2 i=1 i
n
n
∑ (x i − µˆ ) 2
− nσˆ 2 + ∑ ( xi − µˆ ) 2 = 0 ⇒ σˆ 2 = i=1
i =1 n
Solução 1 (“intuitiva”):
Solução 2 (“detalhada”):
n
1 1
L(θ ) = ∏ = ,
i=1 θ θn
Este exemplo indica que nem sempre é possível usar diretamente métodos de
cálculo para determinar o máximo de L(θ ) .
exp{−mn + nθ } θ ≥ b
l (θ ) =
0 θ <b
A) nm
B) b
C) m
D) nb
E) m/b
Resolução
e − mn .e nθ θ ≥b
l (θ ) =
0 θ <b
Profs. Alexandre Lima e Moraes Junior
17
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
1
Note que 0 < e −mn = < 1 pois m (média amostral) e n (tamanho da amostra)
e mn
são grandezas positivas. Além disso, e nθ é uma função exponencial crescente,
pois n >0. Portanto, o gráfico de l (θ ) é crescente para θ ≥ b , como ilustrado
pela Fig. a seguir.
GABARITO: ANULADA
Propriedades:
1. Consistência;
2. Distribuição assintótica (*) normal.
ˆ ≈θ ) e
- (i) Θ̂ é um estimador aproximadamente não tendencioso para θ ( E[Θ]
n n
∑ (X i − µ)2 ∑X 2
i
(9) S2 = i =1
= i =1
− µ2
n n
∑ (X i − X )2
i =1
(10) S2 =
n −1
2σ 4
lim var(S 2 ) = lim = 0.
n →∞ n →∞ n − 1
f 1 np
E ( pˆ ) = E = E ( f ) = =p
n n n
p (1 − p ) p (1 − p )
var( pˆ ) = ⇒ lim var( pˆ ) = lim = 0.
n n → ∞ n → ∞ n
Note-se que a estimativa (11) não será idêntica à que se obteria pela reunião
dos dados em uma amostra única, embora ambos os processos sejam válidos
nas condições acima mencionadas.
P( L ≤ θ ≤ U ) = 1 − α ,
O intervalo observado
l ≤θ ≤ u
(12) P( − ε ≤ X ≤ + ε ) = 1 − α.
−ε ≤ X e X≤ +ε ⇒ ≤ X +ε e X −ε ≤ µ
⇒ P( X − ε ≤ ≤ X + ε ) = 1 − α.
( +ε) −
= zα / 2 ,
σ/ n
σ
(13) ε = zα / 2 .
n
σ
(14) X ± zα / 2 .
n
σ σ
(15) P ( X − zα / 2 ≤ ≤ X + zα / 2 ) = 1 − α.
n n
Solução:
σ 2,0
ε = zα / 2 = 1,96 = 0,6122
n 41
∑ (X i − X )2
i =1
S= .
n −1
σ
tn −1,α / 2 = zα / 2 .
S
Solução:
S 2
ε = t n−1,α / 2 = 2,0211 × = 0,6313 (maior que o obtido no exemplo anterior!)
n 41
σ2
S2 = χ n2−1
n −1
(n − 1) S 2
χ n2−1,1−α / 2 ≤ ≤ χ n2−1,α / 2 .
σ 2
(n − 1) S 2 (n − 1) S 2
(18) ≤σ 2 ≤
χ n2−1,α / 2 χ n2−1,1−α / 2
∑(X i − X )2 ∑(X i − X )2
(19) i =1
≤σ 2 ≤ i =1
χ 2
n −1,α / 2 χ n2−1,1−α / 2
Solução:
Logo,
(n − 1) S 2 (n − 1) S 2 10 × 7,08 10 × 7,08
≤σ 2 ≤ ⇒ ≤σ 2 ≤ ⇒ 3,8689 ≤ σ 2 ≤ 17,9695
χ 2
n −1,α / 2 χ 2
n −1,1−α / 2 18,3 3,94
(n − 1) S 2 (n − 1) S 2
(20) ≤σ ≤
χ n2−1,α / 2 χ n2−1,1−α / 2
Vimos na aula passada que uma freqüência relativa amostral p̂ apresenta uma
distribuição binomial, cuja média é o próprio parâmetro populacional p e cuja
variância é dada por p (1 − p) / n . Sendo np ≥ 5 e n(1 − p ) ≥ 5 , aprendemos que é
possível aproximar a binomial pela normal. Como p é desconhecido,
adotaremos como condições de aproximação npˆ ≥ 5 e n(1 − pˆ ) ≥ 5 .
p(1 − p)
(21) ε = zα / 2 .
n
Profs. Alexandre Lima e Moraes Junior
27
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
pˆ (1 − pˆ )
(22) ε = zα / 2 .
n
pˆ (1 − pˆ )
(23) pˆ ± zα / 2 .
n
Solução:
n = 1.000
pˆ = f / n = 35 / 1.000 = 0,035
zα / 2 = z 2,5% = 1,96
Logo,
pˆ (1 − pˆ ) 0,035(1 − 0,035)
ε = zα / 2 = 1,96 × = 0,0114
n 1.000
A) (0,066, 0,134).
B) (0,085, 0,115).
C) (0,058, 0,142).
D) (0,091, 0,109).
E) (0,034, 0,166).
Resolução
Profs. Alexandre Lima e Moraes Junior
28
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
pˆ (1 − pˆ ) 0,1 × 0,9
e0 = z 2,5% = 1,96 × ≈ 0,015 .
n 1600
⇒ IC = (0,085, 0,115).
GABARITO: B
2
z σ
(24) n = α /2 .
ε
2
t S
(25) n = n '−1,α / 2
ε
A) 3.568.
B) 3.402.
C) 2.489.
D) 2.356.
E) 1.537.
Resolução
X− X− 10 10
= zα / 2 ∴ = z 2,5% ∴ = 1,96∴ ≈ 2∴ n ≈ 1.600
σ/ n σ/ n 200 / n 200 / n
Nota: não é correto dizer que o valor da média amostral dos salários não
diferirá do valor da média populacional por mais de R$10,00 com 95% de
probabilidade, dado que a amostra tenha um tamanho mínimo de 1.537
elementos. A afirmação correta seria: o valor da média amostral dos salários
não diferirá do valor da média populacional por mais de R$10,00 com 95% de
confiança, dado que a amostra tenha um tamanho mínimo de 1.537
elementos. Na prática, obtemos somente uma amostra aleatória e calculamos
uma estimativa do intervalo de confiança. Uma vez que esse intervalo conterá
ou não o valor verdadeiro do parâmetro populacional µ, não é razoável fixar
um nível de probabilidade para essa realização. A afirmação apropriada é: o
intervalo observado [l, u] contém o valor verdadeiro do parâmetro µ, com
100(1 − α )% de confiança. Essa afirmação tem uma interpretação de freqüência;
ou seja, não sabemos se a afirmação é verdadeira para essa amostra
específica, mas o método usado para obter o intervalo [l, u] resulta em
afirmações corretas em 100(1 − α )% do tempo.
GABARITO: E
Não temos como calcular n por meio de (26), pois p é desconhecido. Como
podemos resolver este problema? Se pararmos para refletir um pouco sobre o
assunto, veremos que existem pelo menos duas saídas. A primeira é a
seguinte: para amostras suficientemente grandes, sabemos que pˆ ≈ p , haja
vista que p̂ é um estimador justo de p, e podemos utilizar a aproximação
2
z
(27) n ≈ α / 2 pˆ (1 − pˆ ) .
ε
2 2
z 1 zα / 2
n ≤ α /2 = 2 ou
ε 4 4ε
zα2 / 2
(28) nmax = ,
4ε 2
A) 7840
B) 2500
C) 1960
D) 9604
E) 2401
Resolução
2
1/ 2
pˆ qˆ 2 pˆ qˆ 1/ 2 2 2 2 p
ˆ qˆ 4
z ≤ ⇒ z ≤ 2 ⇒ z ≤ 4 ⇒
n 100 n 10 n 10
10 4 z 2 pˆ qˆ 10 4 z 2 pˆ qˆ
10 z pq ≤ 4n ⇒
4 2
ˆ ˆ ≤ n ⇒n ≥
4 4
Então o valor limitante inferior para n, denotado por nmin, é dado por
10 4 z 2 pˆ qˆ
nmin = .
4
10 4 × 1,96 2 2 5
nmin = × × ,
4 7 7
10 4 × 2 × 5 10.000
nmin ≈ = = 2.000 .
50 5
A opção C nos dá o valor mais próximo (1.960). Se você fizer as contas com a
calculadora obterá o valor exato de 1.960.
GABARITO: C
ˆ ) = θ.
E (Θ
ˆ ) =θ
lim E (Θ e ˆ)=0
lim var(Θ
n →∞ n →∞
n n
∑ ( X i − µ) 2 ∑X 2
i
S2 = i=1
= i=1
− µ2 ,
n n
∑( X i − X )2
S2 = i=1
,
n −1
∑( X i − X )2
σˆ 2 = i=1
n
é viesado.
ˆ − θ ) 2 ] = var(Θ)
ˆ ) = E[(Θ
EQM (Θ ˆ ) ]2.
ˆ + [viés (Θ
L(θ ) = f ( x1 ;θ ) × f ( x2 ;θ ) × ... × f ( xn ;θ ) .
Pθ ( X 1 = x1 , X 2 = x2 ,..., X n = xn ) .
σ σ
X − zα / 2 ≤ ≤ X + zα / 2 .
n n
S S
X − t n −1,α / 2 ≤ µ ≤ X + t n −1,α / 2 .
n n
n n
∑(X i − X )2 ∑(X i − X )2
i =1
≤σ2 ≤ i =1
.
χ 2
n −1,α / 2 χ n2−1,1−α / 2
pˆ (1 − pˆ ) pˆ (1 − pˆ )
pˆ − zα / 2 ≤ p ≤ pˆ + zα / 2 .
n n
2
z σ
n = α /2 .
ε
zα2 / 2
n≈ .
4ε 2
A) 840
B) 2520
C) 3360
D) 5040
A) 50 pessoas
B) 2.400 pessoas
C) 1.200 pessoas
D) 100 pessoas
E) 4.800 pessoas
A) 5,20
B) 5,02
C) 7,20
D) 5,00
E) 8,00
iid
9. (Estat./IBGE/2010/CESGRANRIO) Sejam X 1 , X 2 ,..., X n ~ N ( ;σ 2 ) e
considerados dois estimadores para σ2
1 n 1 n
T1= ∑ (X − X )2 e
n −1 i =1 i
T 2= ∑ (X i − X ) 2 .
n i =1
I – T1 é não tendencioso.
2 2(n − 1) 4
II – O erro médio quadrático de T1 é σ 4 , enquanto que o de T2 é σ .
n −1 n2
σ2
III – A tendência de T2 = − .
n
A) I apenas.
B) I e II, apenas.
C) I e III, apenas.
D) II e III, apenas.
E) I, II e III.
A) 100
B) 400
C) 1.000
D) 4.000
E) 10.000
A) 36% ± 0,1%
B) 36% ± 2,6%
C) 36% ± 3,1%
D) 36% ± 3,7%
E) 36% ± 4,1%
A) 321
B) 308
C) 296
D) 271
E) 246
A) 0,041
B) 0,045
C) 0,058
D) 0,070
E) 0,082
A) (8 ± 1,124)%
B) (8 ± 1,117)%
C) (8 ± 0,877)%
D) (8 ± 0,870)%
E) (8 ± 0,755)%
A) 0,40
B) 0,25
Profs. Alexandre Lima e Moraes Junior
40
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
C) 0,20
D) 0,12
E) 0,10
19.7 Gabarito
1–E
2–B
3-B
4-B
5–C
6-D
7-A
8-A
9–E
10 – E
11 – C
12 - E
13 - E
14 – A
15 – B
Profs. Alexandre Lima e Moraes Junior
41
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
16 – FALSA
17 – FALSA
18 – FALSA
19 – VERDADEIRA
20 - VERDADEIRA
A) 840
B) 2520
C) 3360
D) 5040
E) 6720
Resolução
Sabemos que
p' (1 − p' )
e0 = zα / 2 .
n
2
z
n' = α / 2 p ' (1 − p ' ) .
e0 '
Cálculo de zα / 2 :
Cálculo de n’:
2
1,6401
n' = 0,513(1 − 0,513) ≈ 6720,22 ⇒ alternativa (E)
0,01
Nota: como a estimativa p’ = 0,513 indica que p está próxima de 50%, temos
a alternativa de usar a fórmula aproximada
2 2
z 1,6401
n' = α / 2 = ≈ 6.725 ⇒ valor mais próximo é a alternativa (E).
2e0 ' 2 × 0,01
GABARITO: E
Resolução
GABARITO: B
A) 50 pessoas
B) 2.400 pessoas
C) 1.200 pessoas
D) 100 pessoas
Profs. Alexandre Lima e Moraes Junior
44
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
E) 4.800 pessoas
Resolução
2 2
z 1,96
n = α / 2 = = 2.401 ≈ 2.400 .
2e0 2 × 0,02
GABARITO: B
Resolução
σ
σ (X ) = .
n
σ (X ) σ σ σ
σ ∗( X ) = = = =
∗
⇒ n∗ = 4n (deve-se multiplicar o tamanho da
2 2 n 4n n
amostra por 4).
GABARITO: B
A) 5,20
B) 5,02
Profs. Alexandre Lima e Moraes Junior
45
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
C) 7,20
D) 5,00
E) 8,00
Resolução
Detalhamento da resolução:
n
1 1
L(θ ) = ∏ = ,
i =1 θ θn
Esta questão mostra que nem sempre é possível usar diretamente métodos de
cálculo para determinar o máximo de L(θ ) .
GABARITO: C
Resolução
A estimativa combinada das variâncias amostrais s12 = 0,4 e s22 = 0,6 é dada por
(n − 1) S 2 (n − 1) S 2
≤σ2 ≤ .
χ n2−1,α / 2 χ n2−1,1−α / 2
(n − k ) S p2 (n − k ) S 2p
≤σ ≤
2
χ n2−1,α / 2 χ n2−1,1−α / 2
em que n = n1 + n2 .
GABARITO: D
Resolução
Uma rápida leitura das alternativas indica que a questão aborda o teorema
(desigualdade) de Chebyshev:
⇒ Seja X uma variável aleatória arbitrária com média µ e variância σ2. Então,
para qualquer kσ > 0 , vale
1
P[ + kσ < X < + kσ ] ≥ 1 − .
k2
(E) Esta alternativa nega o teorema de Chebyshev ao dizer que não é possível,
apenas com o conhecimento de µ e σ, fazer afirmação sobre o percentual de
realizações de X que cairão no intervalo [µ-2σ;µ+2σ] ⇒ INCORRETA.
GABARITO: A
Resolução
X − e0 = 61,08
X + e0 = 68,92
2 X = 130 ⇒ X = 65
Sabemos que
σ 20
e0 = zα / 2 ⇒ 3,92 = zα / 2 ⇒ zα / 2 = 1,96 .
n 100
σ 20
e0 ' = zα / 2 ⇒ e0 ' = 1,96 ⇒ e0 ' = 1,96
n' 400
GABARITO: A
iid
9. (Estat./IBGE/2010/CESGRANRIO) Sejam X 1 , X 2 ,..., X n ~ N ( ;σ 2 ) e
considerados dois estimadores para σ2
1 n 1 n
T 1= ∑
n − 1 i =1
( X i − X )2 e T 2= ∑
n i =1
( X i − X )2.
I – T1 é não tendencioso.
2 2(n − 1) 4
II – O erro médio quadrático de T1 é σ 4 , enquanto que o de T2 é σ .
n −1 n2
σ2
III – A tendência de T2 = − .
n
A) I apenas.
B) I e II, apenas.
C) I e III, apenas.
D) II e III, apenas.
E) I, II e III.
Resolução
iid
Seja uma amostra X 1 , X 2 ,..., X n ~ N ( ;σ 2 ) (ou seja, cada elemento da amostra é
normalmente distribuído com média µ e variância σ2) Aprendemos que a
estatística
2
X − n
n
χ = ∑ i
2
= ∑ Zi ,
2
n
i =1 σ i =1
E ( χ n2 ) = n
A estatística
n
Xi − X
2 ∑(X i − X )2
∑
i =1 σ
= i =1
σ2
,
∑(X i − X )2
χ 2
n −1 = i =1
.
σ2
∑ ( X i − X )2 ∑(X i − X )2
σ2 σ2
T1 = i =1
= i =1
= χ n2−1
n −1 σ 2
n −1 n −1
σ2 2 σ2
E (T1 ) = E χ n −1 = × (n − 1) = σ 2 ⇒ T1 é um estimador não tendencioso
n −1 n −1
de σ (viés é nulo).
2
σ2 2 σ4 σ4 2σ 4
var(T1 ) = var χ n −1 =
var(χ n −1 ) =
2
× 2(n − 1) = ⇒ como
n −1 (n − 1) (n − 1) 2 n −1
2
2σ 4
lim var(T1 ) = lim = 0 , T1 é um estimador consistente de σ2.
n →∞ n→∞ n − 1
n n
∑ ( X i − X )2 ∑(X i − X )2
σ2 σ2
T2 = i =1
= i =1
= χ n2−1
n σ2 n n
σ 2 2 σ 2 σ2
E (T2 ) = E χ n −1 = × (n − 1) = σ −
2
≠ σ 2 ⇒ T2 é um estimador tendencioso
n n n
de σ . O seu viés é dado por
2
σ2 σ2 σ2
viés(T2) = E (T2 ) − σ 2 = σ 2 − −σ 2 = −
. Note que lim − = 0 , ou seja, o viés
n →∞
n n n
de T2 tende a desaparecer com o aumento do tamanho da amostra.
estimador consistente de σ . 2
GABARITO: E
A) 100
B) 400
C) 1.000
D) 4.000
E) 10.000
Resolução
2
z σ
n = α / 2 .
e0
2
1,96 × 5
n= = 9.604 ⇒ alternativa com valor mais próximo é a letra E (n ≈
0,1
10.000)
GABARITO: E
A) 36% ± 0,1%
B) 36% ± 2,6%
C) 36% ± 3,1%
D) 36% ± 3,7%
E) 36% ± 4,1%
Resolução
GABARITO: C
A) 321
B) 308
C) 296
D) 271
E) 246
Resolução
1,96
Dados: (1 - α) = 0,95 e ∫
0
f ( z )dz = 0,4750 (que implicam um z2,5% = 1,96 ), σ =
400, e0 = 50.
σ 400 400
e0 = z2,5% ⇒ 50 = 1,96 ⇒ n = 1,96 = 1,96 × 8 ⇒ n = 245,86 ≈ 246 .
n n 50
GABARITO: E
A) 0,041
B) 0,045
Profs. Alexandre Lima e Moraes Junior
55
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
C) 0,058
D) 0,070
E) 0,082
Resolução
A tabela 1 indica que z = 1,64 para α/2 = 5%. Como a estimativa p’ ≈ 50%,
podemos usar a fórmula
2
z ( z ) 2 1,64 2 1,64 2
n = α / 2 ⇒ (2e0 ) 2 = α / 2 = ⇒ (2e0 ) = = 0,082 ⇒ alternativa (E).
2e0 n 400 400
GABARITO: E
A) (8 ± 1,124)%
B) (8 ± 1,117)%
C) (8 ± 0,877)%
D) (8 ± 0,870)%
E) (8 ± 0,755)%
Resolução
S
X ± t n−1,α / 2 .
n
Dados: X = 8% , S = 2% , n = 16 .
S 2%
X ± t n−1,α / 2 = 8% ± 2,248 = 8% ± 1,124% .
n 16
GABARITO: A
A) 0,40
B) 0,25
C) 0,20
D) 0,12
E) 0,10
Resolução
1
P[| X − |≥ kσ ] ≤ .
k2
1 3
= E ( X ) = ∑ xi f ( xi ) = − 2 × + 2 × = 1
i 4 4
1 3
σ 2 = E( X 2 ) − 2
= ∑ xi2 f ( xi ) − µ 2 = (−2) 2 × + 2 2 × − 12 = 3
i 4 4
Então
kσ 12
= ⇒ k = 2.
σ 3
1
P[| X − 1 |≥ 2 3 ] ≤
⇒ P[| X − 1 |≥ 2 3 ] ≤ 0,25 ⇒ limite superior da probabilidade de
22
que X difira da média populacional por ± 2 3 é 0,25.
Profs. Alexandre Lima e Moraes Junior
57
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
GABARITO: B
Resolução
1
P[| X − |≥ kσ ] ≤ .
k2
1
= 0,01 ⇒ k = 10 .
k2
GABARITO: FALSA
GABARITO: FALSA
Resolução
P( L ≤ ≤ U) =1−α ,
sendo 0 < α < 1 . Assim, temos uma probabilidade igual a 1 − α de selecionar uma
amostra que produzirá um intervalo contendo o valor verdadeiro do parâmetro
.
O intervalo observado
l≤ ≤u
GABARITO: FALSA
L(θ ) = f (x1 ) × f (x 2 ) × ... × f (x n ) = θ (1 + x1) −(θ +1)θ (1 + x 2 ) −(θ +1) ...θ (1 + x n ) −(θ +1)
L(θ ) = θn [(1 + x1 )(1 + x 2 )...(1 + x n )]−( θ +1) .
d ln L(θ ) d (ln θ ) 1
=0 Dica: =
dθ dθ θ
1 n
n ˆ − ∑ ln(1 + x i ) = 0 ⇒ θˆ =
θ i ∑ ln(1+ x i )
Nota: a função log(.) do enunciado denota o logaritmo natural.
GABARITO: VERDADEIRA
Resolução
Profs. Alexandre Lima e Moraes Junior
60
Curso Online - Raciocínio Lógico-Quantitativo para Traumatizados
Profs. Alexandre Lima e Moraes Junior
GABARITO: VERDADEIRA