Você está na página 1de 7

Resoluo Lista 1 de Estatstica 2

Prof. Bruno Ledo

Ex. 01
Extraindo amostras de tamanho 3, temos as seguintes combinaes possveis:

x1 x2 x3 X P (x1 ) P (x2 ) P (x3 ) P ((x1 , x2 , x3 ))


0 0 0 0 0.2 0.2 0.2 0.008
0 0 1 1/3 0.2 0.2 0.3 0.012
0 0 2 2/3 0.2 0.2 0.5 0.02
0 1 0 1/3 0.2 0.3 0.2 0.012
0 1 1 2/3 0.2 0.3 0.3 0.018
0 1 2 1 0.2 0.3 0.5 0.03
0 2 0 2/3 0.2 0.5 0.2 0.02
0 2 1 1 0.2 0.5 0.3 0.03
0 2 2 4/3 0.2 0.5 0.5 0.05
1 0 0 1/3 0.3 0.2 0.2 0.012
1 0 1 2/3 0.3 0.2 0.3 0.018
1 0 2 1 0.3 0.2 0.5 0.03
1 1 0 2/3 0.3 0.3 0.2 0.018
1 1 1 1 0.3 0.3 0.3 0.027
1 1 2 4/3 0.3 0.3 0.5 0.045
1 2 0 1 0.3 0.5 0.2 0.03
1 2 1 4/3 0.3 0.5 0.3 0.045
1 2 2 5/3 0.3 0.5 0.5 0.075
2 0 0 2/3 0.5 0.2 0.2 0.02
2 0 1 1 0.5 0.2 0.3 0.03
2 0 2 4/3 0.5 0.2 0.5 0.05
2 1 0 1 0.5 0.3 0.2 0.03
2 1 1 4/3 0.5 0.3 0.3 0.045
2 1 2 5/3 0.5 0.3 0.5 0.075
2 2 0 4/3 0.5 0.5 0.2 0.05
2 2 1 5/3 0.5 0.5 0.3 0.075
2 2 2 2 0.5 0.5 0.5 0.125

A seguir, obtemos a distribuio de X :

X 0 1/3 2/3 1 4/3 5/3 2


P (X) 0,008 0,036 0,114 0,207 0,285 0,225 0,125

Assim, temos que E(X) = 0 0, 008 + 1/3 0, 036 + 2/3 0, 114 + 1 0, 207 + 4/3 0, 285 +
5/3 0, 225 + 2 0, 125 = 1, 3. Fazendo a conta para encontrar a mdia populacional, temos
= 0 0, 2 + 1 0, 3 + 2 0, 5 = 1, 3. Logo, E(X) = .

Ex. 02
Seja X a quantidade de peas no defeituosas. Ento, X bin(200; 0, 9). Fazendo aproximao
pela normal , temos:  
(0, 9 0, 1)
p N 0, 9;
200

1
Assim,
0, 8 0, 9 0
P (p < 0, 8) = P Z < q
(0,90,1)
200

Podemos calcular tambm a probabilidade exata, que nesse caso ser:


200  
X 200
P (p < 0, 8) = P (X < 160) = 1 0, 9k 0, 1nk 0
k
k=160

Ex. 03
 
500 500
P (X < 500) = 0, 05 P Z< = 0, 05 = 1, 65 = 516, 5
10 10

Ex. 04
A probabilidade de X = k :  
5
P (X = k) = 0, 3k 0, 75k
k
Assim, a distribuio de p :

sucessos 0 1 2 3 4 5
p 0 0,2 0,4 0,6 0,8 1
P (p) 0,17 0,36 0,31 0,13 0,03 0,00

Por fim, E(p) = 0 0, 17 + 0, 2 0, 36 + 0, 4 0, 31 + 0, 6 0, 13 + 0, 8 0, 03 + 1 0, 00 = 0, 3 = p

Ex. 05
Temos que X N (; 25
36 ), ento:

5
IC(; 0, 95) = 150 1, 96 = (148, 37; 151, 6)
6

Ex. 06
A funo de verossimilhana :

L(p) = pk (1 p)nk = p3 (1 p)2

Os valores da funo pedidos no exerccio esto tabulados abaixo: Olhando a tabela podemos

p 0 1/5 2/5 3/5 4/5 5/5


L(p) 0 0,00512 0,02304 0,03456 0,02048 0

verificar que o mximo observado quando p = 3/5

Ex. 07
O objetivo encontrar n tal que P (|X | 0, 98) = 0, 95. Sabemos tambm que X
N (0; 25/n). Assim,
 
0, 98 n 0, 98 n
P (0, 98 X 0, 98) = P Z = 0, 95
5 5

e, por fim,
0, 98 n
= 1, 96 n = 100
5

2
Ex. 08
Seja X a nota do teste. Se o estudante est adivinhando as respostas, temos: X bin(20; 0, 5).
Fazendo a aproximao pela normal:

0, 75 0, 5
P (p 0, 75) = P Z q 1, 3%
(0,50,5)
20

Podemos calcular tambm a probabilidade exata, que nesse caso ser:


20  
X 20
P (p 0, 75) = P (X 15) = 0, 5k 0, 5nk 2, 07%
k
k=15

Ex. 09
Quero encontrar a P (p > 0, 75|p = 0, 5):
!
p 0, 5 0, 75 0, 5
P p >p P (Z > 2, 236) = 1, 26%
0, 5 0, 5/20 0, 5 0, 5/20

Ex. 10
Temos que X N (100; 102 /16), ento:
!
90 100 110 100
P (90 < X < 110) = P p >Z> p = P (4 > Z > 4)
102 /16 102 /16
= P (Z > 4) + P (Z < 4) = 49, 997% + 49, 997% = 99, 994%.

Ex. 11
Seja X = 20 p o nmero de peas defeituosas na amostra. Se a produo est sob controle, p = 0, 1
e X bin(20; 0, 1). Queremos encontrar a probabilidade de fazer uma parada desnecessria, ou
seja, ou seja, P (p > 0, 15|prod.sobcontrole). Aproximando pela normal temos p N (0, 1; (0,90,1)
20 )
e, ento,
0, 15 0, 1
P (p > 0, 15|prod.sobcontrole) = P Z > q 22, 8%.
(0,10,9)
20

Podemos calcular tambm a probabilidade exata, que nesse caso ser:


3  
X 20
P (p > 0, 15|prod.sobcontrole) = P (X > 3) = 1 0, 1k 0, 9nk 13, 3%
k
k=0

Ex. 12
O intervalo de confiana dado por:
 

IC(, ) = X z() ; X + z()
n n

em que a mdia populacional, o coeficiente, o desvio padro da populao e n o


tamanho da amostra. Assim,
 
30 30
IC(, 70%) = 180 1, 036 ; 180 + 1, 036 = ]177, 93; 182, 07[
225 225

3
Ex. 13
Como  
e X e
P (|X | < e) = P = ,
s/ n s/ n s/ n
o tamanho da amostra dado por
 2
e z()s
= z() n = .
s/ n e
Ento,
 2
1, 96 10
n= 385.
1

Ex. 14
Seguindo os passos para construir um teste de hipteses, temos:
1. H0 : = 2, 5 versus H1 : < 2.5.
2
2. X N (; 0,5
p
2
49 ); = (0, 5 )/49 = 0, 0714.

3. = 0, 05. Como o teste monocaudal, temos que:


XC 2, 5
= 1, 645 XC = 2, 38.
0, 0714
A regio crtica , portanto:
RC =] ; 2, 38[
4. Da amostra colhida, temos que X = 2, 3.
5. Como X = 2, 3 pertence regio crtica, rejeitamos a hiptese nula de que = 2, 5.
Ento, h evidncias de que esta indstria para salrios inferiores, em mdia.

Ex. 15
Desejamos testar H0 : = 60 contra H1 : < 60. Temos tambm que X N (); 6, 6672 . Fixamos
= 0, 05 e calculamos os valores crticos para contruirmos a regio crtica:
XC 60
= 1, 645 XC = 49, 03.
6, 667
Logo, a regio crtica RC =] ; 49, 03 e basta verificar se X pertence ou no RC. Como
X = 50, o valor no pertence regio crtica e no podemos rejeitar a hiptese nula de que = 60.
Isso indica que no h evidncias de melhoria.

Ex. 16
Seguindo os passos para construir um teste de hipteses, temos:
1. H0 : 23 versus H1 : > 23.
2. X N (; 0, 92 ).
3. = 0, 1 e
XC 23
= 1, 282 XC = 24, 15.
0, 9
A regio crtica , portanto:
RC =]24, 15, +[
27+24+21+25+26+22
4. X = 6 = 24, 17.
5. Como X = 24, 17 pertence regio crtica, rejeitamos H0 .
Portanto, h evidncias de que a informao do fabricante falsa ao nvel de significncia de 10%.

4
Ex. 17
O fabricante poderia fazer um teste de hipteses para H0 : p 0, 2 contra H1 > 0, 2 e verificar
se, ao nvel de significncia
 de 10%, o teste rejeita H0 ao observarmos p = 0, 27. Nesse caso,
p N p, p(1p)
50 . Temos que = 0, 1 e, assim, o valor crtico pC :

p 0, 2
p C = 1, 282 pC = 0, 273,
0, 2 0, 8/50
e RC = p : p > 0, 273. Assim, o valor observado pelo consumidor pertence regio crtica e no
possvel rejeitar H0 . Em outras palavras, quando o nvel de significncia 10%, no h evidncia
de que a proporo de peas defeituosas seja maior que 20%.

Ex. 18
1. H0 : p = 0, 9 versus H1 : p < 0, 9.
 
2. p N p; p(1p)
200 .

3. = 0, 05 e
p 0, 9
p C = 1, 645 pC = 0, 865.
0, 9 0, 1/200
A regio crtica , portanto:
RC =] ; 0, 865[
27+24+21+25+26+22
4. X = 6 = 24, 17.
5. Como p = 0, 875 no pertence regio crtica, rejeitamos H0 .

Ex. 19
a Verdadeiro. No caso de variveis aleatrias gaussianas, a funo de verossimilhana :
n
(xi )2
 
Y 1
L(, ) = p(x1 , ..., xn ) = exp
i=1
2 2 2

e a log-verossimilhana
n
n X (xi )2
l(, ) = log( 2)
2 i=1
2 2

Maximizando a log-verossimilhana com relao a e :


n
1 X
= xi
N i=1
e
n
1X
2 = (xi .
n i=1

b Falso. O estimador no-viesado de s2 :


n
1 X
s2 = (xi x)2 .
n 1 i=1

c Verdadeiro. Para verificar se um estimador consistente, calculamos:

lim E(n ) =
n

e
lim V ar(n ) = 0
n

5
Verificaremos primeiro a consistncia de x:

lim E(x) = lim =


Pn
pois segundo o item b, E(x) = . Alm disso, considerando que i=1 (xi ) <
n
1X
lim V ar(x) = lim (xi ) = 0
n i=1

Assim, x um estimador consistente de . A consistncia de s2 pode ser vista no exemplo


11.6 do Morettin.

d Falso. Ver item anterior.


e Verdadeiro. Ver item b).

Ex. 20
a Verdadeiro. Se o estimador tem mdia e o limite de sua varincia zero, este um estimador
consistente.
b Verdadeiro. Apesar de ser viesado, s2 consistente.

c Verdadeiro. A mdia de uma varivel aleatria com distribuio U (a, b) (a + b)/2 e sua
varincia (b a)/12. Ento, neste item, temos que = 0, 5 e V ar(X) = 1/12 Pelo Teorema
Central do Limite, temos que:

n(X ) n(X 1/2)
= p
1/12

tende a uma normal com mdia 0 e varincia 1.

d Verdadeiro. Por definio, o estimador eficiente para o parmetro quando E() = e


a varincia de atinge o limite mnimo da desigualdade de Cramer-Rao.
e Verdadeiro.

f Verdadeiro.
g Verdadeiro. Se um estimador de no-tendencioso, podemos dizer que ele satisfaz
lim E(n = ), mas no podemos dizer nada sobre lim V ar(n = 0)
h Verdadeiro. A propriedade de consistncia no tem associao direta com a propriedade de
eficincia. Ou seja, um estimador pode ser consistente, mas pode apresentar varincia maior
que outro estimador.

Ex. 21
a Verdadeiro. Ver Morettin.
b Falso. no varivel aleatria, parmetro, o que aleatrio o intervalo de confi-
ana. A interpretao correta :  se construssemos um grande nmero de intervalos da
1 1
forma X 1, 96 n ; X + 1, 96 n , todos com amostras de tamanha n, 95% deles conteriam

o parmetro .

 acima, note que X est contido em todos os intervalos de


c Falso. Alm da explicao do item
confiana contrudos da forma X 1, 961n ; X + 1, 961n .

d Falso. Pelo intervalo de confiana, vemos que quanto maior n, menor o intervalo.

e Verdadeiro.

6
Ex. 22
a Falso. Vamos testar H0 : p = 0, 45 contra H1 : p < 0, 45. Temos que p N (0, 45; 0, 45
0, 55/625) e, portanto, pc = 0, 417 e RC = (; 0, 417). Como a proporo de votos do
condidato X na amostra 0, 408 e este valor pertence regio crtica, temos evidncias de
que a afirmao do condidato falsa. Note que se fosse usado H1 : p > 0, 45, chegaramos na
mesma concluso.
 
b Verdadeiro. A frmula do intercalo de confiana : IC(p, ) = p z()n ; p + z()n , mas
nesse caso, no temos o valor verdadeiro p para calcular . Ento, utilizamos o fato que p(1
p) 0, 25 e contrumos o IC assumindo que p(1 p) = 0, 25 (chamado intervalo
 de confiana
1 1
conservativo) como: IC = 0, 424 1, 6454625 ; 0, 424 + 1, 6454625 = (30%; 46%).

c Verdadeiro. O IC contrudo da mesma forma do item anterior.


d Falso. Vamos supor que H0 : p = 0, 42 contra H1 : p > 0, 42. Nesse caso, se rejeitarmos
H0 , teremos evidncias a favor da afirmao de que o candidado Y tem mais de 42% dos
votos. Nesse teste, o valor crtico dado por: pc 0,42 = 2, 33 pc = 0, 47. Como
0,420,58/625
a proporo de votos para o candidado Y na amostra de 42,4%, no temos evidncia de
que a proporo de votos para este candidato superior a 42%. Note que se fosse usado
H1 : p < 0, 42, chegaramos na mesma concluso.

Ex. 23
a Falso. A varincia 25.

b Falso. O valor correto da estatistica t t = 520500 = 4


1000/40

c Falso. O p-valor o mais baixo nvel de significncia que a hiptese nula pode ser rejeitada.
Ento, como o nvel de significncia de 5% menor que o p-valor do teste, que 8,1%, no
rejeita-se a hiptese nula.
d Falso Aumentar o tamalho da amostra aumenta o poder do teste.

e Verdadeiro. O poder do teste definido como a probabilidade de se rejeitar corretamente a


hiptese nula, ou seja, rejeit-la quando ela falsa. Escrevendo a funo poder como poder =
1 P (ErrodotipoII), pode-se ver que possvel aumentar o poder do teste aumentando a
probabilidade do erro do tipo I ou, em outras palavras, aumentando o nvel de significncia
do teste.

Ex. 24
a Verdadeiro.
b Falso.

c Falso O nivel de significncia de um teste a probabilidade de ocorrncia do erro tipo I, no


caso de testes de hipteses simples, e o mximo dessa probabilidade, no caso de testes de
hipteses compostas. Assim, o nvel de significncia pode ser definido como o mximo da
probabilidade de se rejeitar a hiptese nula quando a hiptese nula verdadeira.
d Falso. O valor p o mais baixo nvel de significncia em que a hiptese nula pode ser
rejeitada. Assim, se o nvel de significncia adotado menor que o p-valor do teste, aceita-se
a hiptese nula.
e A um mesmo nvel de significncia, o mdulo do valor crtico de um teste bicaudal maior
que de um teste monocaudal. O fato de o valor calculado da estatstica de teste ter sido
maior para o valor crtico no teste monocaudal (rejeitando-se, portanto, a hiptese nula) no
implica necessariamente que ele ser maior que o valor crtico do teste bicaudal. Assim, no
podemos afirmar que a hiptese nula ser rejeitada nesse novo teste.