Universidade de Brası́lia

Departamento de Estatı́stica

6a Lista de PE – Solução
1. a) Sabemos que

σ 2 = Var(Xi ) = E Xi2 − [E(Xi )]2 = E Xi2 − µ2

portanto E (Xi2 ) = µ2 + σ 2 .

Analogamente,

σ2  2 
2  2
= E X − µ2


= Var X = E X − E X
n
 2 σ2
portanto E X = µ2 + .
n
b)
1
E(Xi X) = E(Xi X1 + X2 Xi + · · · + Xi2 + · · · + Xi Xn )
n
1
E(Xi X1 ) + · · · + E(Xi2 ) + · · · + E(Xi Xn )

=
n
1
E(Xi )E(X1 ) + · · · + µ2 + σ 2 + · · · + E(Xi )E(Xn )

=
n
σ2
= µ2 + .
n

c) Para saber se um estimador é viciado calculamos sua esperança:

n
1X
2
E(T ) = E Xi − X
n i=1
n
1X  2 2

= E Xi − 2Xi X + X
n i=1
n
1 Xn  2 o
E Xi2 − 2E Xi X + E X



=
n i=1
n 
σ2 σ2
  
1X 2 2 2 2
= µ +σ −2 µ + +µ +
n i=1 n n

σ2
= σ2 −
n
 
2 n−1
= σ .
n

Como E(T ) 6= σ 2 , o estimador T é viciado para a variância.

 d) Para que um estimador seja não viciado para a variância, sua esperança deve ser
σ 2 . Observe que se passarmos o termo (n − 1)/n para o outro lado da igualdade
obtida no item c) multiplicando, teremos
 
n n
× E (T ) = E × T = σ2.
n−1 n−1

Então basta definirmos o estimador

n
2
n X Xi − X
S2 = ×T = ,
n−1 i=1
n−1

e S 2 é não viciado para a variância.

É importante notar que essa é razão para usarmos S 2 como variância amostral ao
invés de usarmos T .

2. Primeiramente, lembre-se que

E [(X − µx ) (Y − µy )]
ρ= .
σ(X)σ(Y )

Como a correlação envolve duas AAS, (X1 , . . . , Xn ) e (Y1 , . . . , Yn ), um estimador na-

tural do parâmetro ρ seria
Pn


X i − X Y i − Y
ρ̂ = qP i=1
2 Pn
2 .
n
i=1 Xi − X i=1 Yi − Y

3. a) Como sabemos, no modelo de Poisson, E(X) = Var(X) = λ. Portanto, pelo

método dos momentos, podemos estimar λ por meio dos dois estimadores, já
encontrados em sala, abaixo:
Pn Pn
2
i=1 Xi i=1 Xi − X
λ̂1 = e λ̂2 = .
n n

b) Usando a amostra coletada, os valores obtidos para os estimadores são

λ̂1 = 3, 17 e λ̂2 = 9, 07.

4. Como Xi ∼ Exp(λ), para 0 < xi < ∞, i = 1, . . . , n, a verossimilhança do parâmetro λ

será dada por

L(λ; x) = fX1 (x1 ) · · · fXn (xn )

= λe−λx1 · · · λe−λxn
( n
)
X
= λn exp −λ xi .
i=1
 Portanto a logverossimilhança é dada por
" ( n
)#
X
l(λ; x) = log λn + log exp −λ xi
i=1
n
X
= n log λ − λ xi .
i=1

Derivando a logverossimilhança temos que

n
0 n X n 1
l (λ; x) = − xi = 0 ⇐⇒ λ = Pn = .
λ i=1 i=1 xi x

Como
n
l00 (λ; x) = − <0
λ2
concluı́mos que
1
λ̂ = .
X
5. Usando os dados e o estimador encontrado na Questão 4 temos o valor λ̂ = 1/3.
Desse modo, segue que
1
P(X > 6) = 1 − F (6) = e(− 3 )(6) = e−2 ' 0, 1362.

6. Como Xi ∼ Pois(λ), para 0 < xi < ∞, i = 1, . . . , n, a verossimilhança do parâmetro λ

será dada por

L(λ; x) = fX1 (x1 ) · · · fXn (xn )

e−λ λx1 e−λ λxn
= ···
x1 ! xn !
P
e−nλ λ xi
= .
x1 ! · · · xn !
Portanto a logverossimilhança é dada por
P
l(λ; x) = log e−nλ + log λ xi
− log(x1 ! · · · xn !)
n
X
= −nλ + log λ xi − log(x1 ! · · · xn !).
i=1

Derivando a logverossimilhança temos que

Pn Pn
0 i=1 xi xi
l (λ; x) = −n + = 0 ⇐⇒ λ = i=1 = x.
λ n
Como Pn
00 i=1 xi
l (λ; x) = − <0
λ2
concluı́mos que
λ̂ = X.
7. Usando os dados e o estimador encontrado na Questão 6 temos o valor λ̂ = 2, 70.
Desse modo, segue que

P(X 6 2) = P(X = 0) + P(X = 1) + P(X = 2)

e−2,70 (2, 70)0 e−2,70 (2, 70)1 e−2,70 (2, 70)2
= + +
0! 1! 2!
' 0, 4936.

8. Como Xi ∼ N (µ, σ 2 ), a verosimilhança dos parâmetros µ e σ 2 é

L µ, σ 2 ; x = fX1 (x1 ) · · · fXn (xn )

n
−(xi − µ)2
 
Y 1
= √ exp
i=1
σ 2π 2σ 2
 n/2 " n #
1 1 X (xi − µ)2
= exp − .
2π σn i=1
2σ 2

Portanto a logverossimilhança é dada por

(xi − µ)2
P
2

n
l µ, σ ; x = − log(2π) − n log σ − .
2 2σ 2
Derivando a logverossimilhança com relação aos parâmetros µ e σ temos
P
∂l (xi − µ)
= (1)
∂µ σ2
(xi − µ)2
P
∂l n
= − + . (2)
∂σ σ σ3
Igualando as equações (1) e (2) a zero e resolvendo o sistema linear para µ e σ, encon-
tramos facilmente Pn r Pn
2
x i i=1 (xi − µ)
µ = i=1 e σ= .
n n
Calculado as derivadas parciais segundas obtemos
∂ 2l ∂ 2l ∂ 2l 3 (xi − µ)2
P P
n 2 (xi − µ) n
A= = − 2, B = =− e C= = 2− .
∂µ2 σ ∂µ∂σ σ2 ∂σ 2 σ σ4
Como A < 0 e AC − B 2 > 0, concluı́mos que
Pn r Pn
2
X i i=1 (Xi − µ)
µ̂ = i=1 e σ̂ = .
n n

9. Tomando o logaritmo natural dos valores fornecidos temos,

0, 7885 1, 2238 0, 4700 0, 2231 0, 9933 1, 1939 0, 4700 1, 0296 0, 9163 0, 6419

Usando os estimadores encontrados na Questão 8, temos

x = 0, 7504 e s = 0, 4351.
 Concluı́mos assim que log(X) ∼ N (0, 7504; 0, 43512 ).
Desse modo, podemos normalizar a variável para encontrar a probabilidade

P(2 < X < 3) = P(log(2) < log(X) < log(3))

 
log(2) − 0, 7504 log(X) − 0, 7504 log(3) − 0, 7504
= P < <
0, 4351 0, 4351 0, 4351
' P(−0, 1316 < Z < 0, 8003)
= P(Z < 0, 8003) − P(Z < −0, 1316)
= P(Z < 0, 8003) + P(Z < 0, 1336) − 1
' 0, 78814 + 0, 55172 − 1
= 0, 3399.

10. Para xi > θ, i = 1, . . . , n a verossimilhança do parâmetro θ é

L µ, σ 2 ; x = fX1 (x1 ) · · · fXn (xn )

= e−(x1 −θ) · · · e−(xn −θ)

P
= e− xi +nθ
.

Note que a função acima é crescente para o parâmetro θ, entretanto a restrição θ 6 xi

para todo i = 1, . . . , n nos leva a

θ = Min(x1 , · · · , xn )

como solução e, portanto

θ̂ = Min(X1 , · · · , Xn ).

11. Nós temos n = 20, σ = 2 e, a partir dos dados, x = 4, 745. Queremos um intervalo de
confiança de 95%, ou seja, α = 0, 05.

α = 0, 05 =⇒ zα/2 = z0,025 = 1, 96.

Portanto,
 
2 2
IC(µ; 0, 95) = 4, 745 − 1, 96 √ ; 4, 745 + 1, 96 √ = (3, 868 ; 5, 622).
20 20

12. Nós temos n = 625 e p = 0, 7. Queremos um intervalo de confiança de 90%, ou seja,

α = 0, 1.
α = 0, 1 =⇒ zα/2 = z0,05 = 1, 64.
Portanto,
r r !
(0, 7)(0, 3) (0, 7)(0, 3)
IC(p; 0, 90) = 0, 7 − 1, 64 ; 0, 7 + 1, 64 = (0, 67 ; 0, 73).
625 625
13. Nós temos n = 25, σ = 4 e x = 8. Para as confianças 80%, 85%, 90% e 95% temos,
respectivamente, α = 0, 2, α = 0, 15, α = 0, 10 e α = 0, 05. Para esses valores, nós
temos zα/2 igual a 1,28, 1,44, 1,64 e 1,96 respectivamente. Como sabemos
 
σ σ
IC(µ; 1 − α) = x − zα/2 √ ; x + zα/2 √ .
n n
Substituindo os valores chegamos aos intervalos respectivos

(6, 976 ; 9, 024), (6, 848 ; 9, 152), (6, 688 ; 9, 312), e (6, 432 ; 9, 568).

Podemos observar que quanto maior a confiança que exigimos, maior o tamanho do
intervalo de confiança para a média. Isso ocorre pois, para termos uma confiança maior,
precisamos diminuir a precisão das estimativas.
14. Nós temos σ = 9. Para uma confiança de 90% temos α = 0, 1 e, portanto, zα/2 = 1, 64.
Como sabemos,
 
σ σ
IC(µ; 0, 90) = x − 1, 64 √ ; x + 1, 64 √
n n
e então, a amplitude será
     
σ σ σ
x + 1, 64 √ − x − 1, 64 √ = 3, 28 √ .
n n n

Para n = 30, n = 50 e n = 100 os valores calculados, respectivamente, para a amplitude

dos dados são
5, 39; 4, 17, e 2, 95.

15. Inicialmente temos que X ∼ N (µ, 30) e, portanto, X ∼ N (µ, 30/n). Segue que

P(|X − µ| < 3) > 0, 92 ⇐⇒

!
|X − µ| 3
P p <p > 0, 92 ⇐⇒
30/n 30/n
 √ 
3 n
P |Z| < √ > 0, 92 ⇐⇒
30
 √ 
3 n
2P Z < √ − 1 > 0, 92 ⇐⇒
30
 √ 
3 n
P Z< √ > 0, 96 ⇐⇒
30
√
3 n
√ > 1, 76 ⇐⇒
30
√ !2
1, 76 30
n> ⇐⇒
3

n > 10, 325.

Concluı́mos que o tamanho da amostra deve ser 11.

16. Nós temos n = 40 e σ = 2.

a) Neste caso temos x = 9, 3. Para uma confiança de 94% temos α = 0, 06 e,

portanto, zα/2 = 1, 88. Segue que,

 
σ σ
IC(µ; 0, 94) = x − 1, 88 √ ; x + 1, 88 √ = (8, 7055 ; 9, 8945).
n n
b) Considerando a informação sobre a amplitude nós temos que
√
2σ 1, 5 n
√ zα/2 = 1, 5 ⇐⇒ zα/2 = = 2, 37.
n 2σ

Por outro lado P(Z 6 2, 37) = 0, 99 de modo que

α/2 = 1% ⇒ α = 2% ⇒ γ = 98%.

17. Inicialmente sabemos que n = 100, σ = 2 e α = 5%.

a) x − zα/2 √σn = 35, 21 ⇐⇒ x = 35, 21 + 1, 96 × 2

10
= 35, 602.
b) Neste caso zα/2 = 1, 64 e temos
 
σ σ
IC(µ; 0, 90) = x − 1, 64 √ ; x + 1, 64 √ = (35, 274 ; 35, 930).
n n

18. Do enunciado temos que X ∼ N (µ, 2) e, portanto, X ∼ N (µ, 2/n). Com confiança de
90%, segue que

a)

P(|X − µ| < 0, 5) > 0, 9 ⇐⇒

!
|X − µ| 0, 5
P p <p > 0, 9 ⇐⇒
2/n 2/n
 √ 
0, 5 n
P |Z| < √ > 0, 9 ⇐⇒
2
 √ 
0, 5 n
2P Z < √ − 1 > 0, 9 ⇐⇒
2
 √ 
0, 5 n
P Z< √ > 0, 95 ⇐⇒
2
√
0, 5 n
√ > 1, 64 ⇐⇒
2
√ !2
1, 64 2
n> ⇐⇒
0, 5

n > 21, 5168.

Concluı́mos que o tamanho da amostra deve ser 22.

 b) Com as informações adicionais do item anterior temos n√= 22, σ = 2 e α = 10%.
2
Segue que x − zα/2 √σn = 57, 6 ⇐⇒ x = 57, 6 + 1, 64 × √22 = 58, 09.
c) Do item anterior temos
 
58 − 58, 01 62 − 58, 01
P(58 < X < 62) = P √ <Z< √
2 2
 
58 − 58, 1 62 − 58, 1
= P √ <Z< √
2 2
= P(−0, 07 < Z < 2, 76)
= P(Z < 2, 76) − {1 − P(Z < 0, 07)}
= 0, 99711 − {1 − 0, 52790}
= 0, 52501.

19. Nós temos n = 100, σ = 1, 1 e x = 2, 5. Para uma confiança de 95% temos α = 0, 05

e, portanto, zα/2 = 1, 96. Segue que,

 
σ σ
IC(µ; 0, 95) = x − 1, 96 √ ; x + 1, 96 √ = (2, 2844 ; 2, 7156).
n n

20. Nós temos n = 50 e p̂ = 0, 34. Queremos um intervalo de confiança de 94%, ou seja,

α = 0, 06.

α = 0, 06 =⇒ zα/2 = z0,03 = 1, 88.

Como sabemos, se o valor de p for desconhecido, o intervalo de confiança otimista para

a proporção é
r r !
p̂(1 − p̂) p̂(1 − p̂)
p̂ − zα/2 ; p̂ + zα/2
n n

e o intervalo conservador é
r r !
1 1
p̂ − zα/2 ; p̂ + zα/2 .
4n 4n

Desse modo, chegamos aos valores respectivos (0, 214 ; 0, 466) e (0, 207 ; 0, 473).

21. As informações iniciais são que n = 100 e p = 0, 6.

 a) Com confiança de 80%, segue que

P(|p̂ − p| 6 0, 01) > 0, 8 ⇐⇒

!
|p̂ − p| 0, 01
P p 6p > 0, 8 ⇐⇒
p(1 − p)/n p(1 − p)/n
√

P |Z| 6 0, 02 n > 0, 8 ⇐⇒
√

2P Z 6 0, 02 n − 1 > 0, 8 ⇐⇒
√

P Z 6 0, 02 n > 0, 9 ⇐⇒
√
0, 02 n > 1, 28 ⇐⇒
 2
1, 28
n> ⇐⇒
0, 02
n > 4.096.

Concluı́mos que o tamanho da amostra deve ser 4.096.

b) Nesse caso temos que p̂ = 0, 55 e zα/2 = 1, 96. Segue que
r r !
p̂(1 − p̂) p̂(1 − p̂)
p̂ − zα/2 ; p̂ + zα/2 = (0, 5347 ; 0, 5652).
n n

22. a) Como p é desconhecido, utilizamos o fato de que o valor máximo do produto

p(1 − p) é 1/4n e, então, com confiança de 90% temos que

P(|p̂ − p| 6 0, 05) > 0, 9 ⇐⇒

!
|p̂ − p| 0, 05
P p 6p > 0, 9 ⇐⇒
1/4n 1/4n
√

P |Z| 6 0, 1 n > 0, 9 ⇐⇒
√

2P Z 6 0, 1 n − 1 > 0, 9 ⇐⇒
√

P Z 6 0, 1 n > 0, 95 ⇐⇒
√
0, 1 n > 1, 64 ⇐⇒
 2
1, 64
n> ⇐⇒
0, 1
n > 268, 96.

Concluı́mos que o tamanho da amostra deve ser 269.

b) Basta repetirmos os passos do item anterior substituindo 1/4n por p(1 − p)/n =
(0, 8 × 0, 2)/n. Chegamos assim à desigualdade
 √ 2
1, 64 0, 8 × 0, 2
n> = 172, 13.
0, 05

Concluı́mos que o tamanho da amostra deve ser 173.

 c) Para uma amostra de tamanho 81 temos que

P(|p̂ − p| 6 ) = 0, 9 ⇐⇒
!
|p̂ − p| 
P p 6p = 0, 9 ⇐⇒
1/(4 × 81) 1/(4 × 81)
√
 4 × 81 = 1, 28 ⇐⇒
 = 0, 07.

d) Tomando n = 81 e o erro no valor de 0,08 temos

!
|p̂ − p| 0, 08
P(|p̂ − p| 6 0, 08) = P p 6p
1/(4 × 81) 1/(4 × 81)
= P(|Z| 6 1, 44)
= 2P(Z 6 1, 44) − 1
= 2(0, 92507) − 1
= 0, 8504.

23. Do enunciado nós temos que n = 300 e p̂ = 1/3.

a) Das informações e do fato que zα/2 = 1, 96 temos

r r !
p̂(1 − p̂) p̂(1 − p̂)
p̂ − zα/2 ; p̂ + zα/2 = (0, 2799 ; 0, 3867).
n n

b) Como p é desconhecido, utilizamos o fato de que o valor máximo do produto

p(1 − p) é 1/4n e, então, com confiança de 95% temos que

P(|p̂ − p| 6 0, 02) > 0, 95 ⇐⇒

!
|p̂ − p| 0, 02
P p 6p > 0, 95 ⇐⇒
1/4n 1/4n
√

P |Z| 6 0, 04 n > 0, 95 ⇐⇒
√

2P Z 6 0, 04 n − 1 > 0, 95 ⇐⇒
√

P Z 6 0, 04 n > 0, 975 ⇐⇒
√
0, 04 n > 1, 96 ⇐⇒
 2
1, 96
n> ⇐⇒
0, 04
n > 2.401.

Concluı́mos que o tamanho da amostra deve ser 2.401.

24. Com base na tabela da distribuição t-Student seguem os resultados abaixo:

a)
P(−3, 365 < t5 < 3, 365) = P(t5 < 3, 365) − P(t5 < −3, 365)
= P(t5 < 3, 365) − P(t5 > 3, 365)
= P(t5 < 3, 365) − {1 − P(t5 < 3, 365)}
= 2P(t5 < 3, 365) − 1
' 2(0, 99) − 1
= 0, 98

b)
P(|t8 | < 1, 4) = P(−1, 4 < t8 < 1, 4)
= P(t8 < 1, 4) − P(t8 < −1, 4)
= P(t8 < 1, 4) − P(t8 > 1, 4)
= P(t8 < 1, 4) − {1 − P(t8 < 1, 4)}
= 2P(t8 < 1, 4) − 1
' 2(0, 9) − 1
= 0, 8

c)
P(−1, 1 < t14 < 2, 15) = P(t14 < 2, 15) − P(t14 < −1, 1)
= P(t14 < 2, 15) − P(t14 > 1, 1)
= P(t14 < 2, 15) − {1 − P(t14 < 1, 1)}
= P(t14 < 2, 15) + P(t14 < 1, 1) − 1
' 0, 975 + 0, 85 − 1
= 0, 825

d)
P(t9 > a) = 0, 02 ⇐⇒
P(t9 6 a) = 0, 98 ⇐⇒
a = 2, 3984

e)
P(t16 6 b) = 0, 05 ⇐⇒
P(t16 > −b) = 0, 05 ⇐⇒
P(t16 6 −b) = 0, 95 ⇐⇒
−b = 1, 7459
b = −1, 7459
25. Como a variância é desconhecida, devemos estimar tanto a média (por meio da média
amostral) como a variância (por meio da variância amostral) para obter x = 10, 07 e s =
2, 74. Sabemos que o intervalo de confiança para a média com variância desconhecida
é  
s s
IC(µ; 1 − α) = x − tα/2,n−1 √ ; x + tα/2,n−1 √ .
n n
Uma vez que o tamanho da amostra é 30, temos para as confianças de 90% e 95%
α = 0, 05 =⇒ tα/2,n−1 = t0,025;29 = 2, 0452
α = 0, 10 =⇒ tα/2,n−1 = t0,050;29 = 1, 6991

e os intervalos de confiança são, respectivamente,

(9, 0469 ; 11, 0931) e (9, 2200 ; 10, 9199).

26. Definindo da mesma maneira P(Z 6 zα ) = 1 − α, basta observar que

1 − α = P(Z 6 zα )
 
X −µ
= P √ 6 zα
σ/ n
 
σ
= P X < zα √ + µ
n
 
σ
= P µ > X − zα √ .
n
e o intervalo de confiança superior, após observamos os dados, é
 
σ
IC(µ; 1 − α) = x − zα √ ; +∞ .
n
Por outro lado, se P(Z 6 zα ) = 1 − α então P(Z > −zα ) = 1 − α e então
1 − α = P(Z > −zα )
 
X −µ
= P √ > −zα
σ/ n
 
σ
= P X > −zα √ + µ
n
 
σ
= P µ < X + zα √ .
n
e o intervalo de confiança inferior, após observamos os dados, é
 
σ
IC(µ; 1 − α) = −∞ ; x + zα √ .
n
Se a variância for desconhecida, basta lembrar que no lugar de σ 2 usamos o estimador
S 2 e no lugar da distribuição normal usamos a distribuição t de Student, obtendo,
assim, os intervalos de confiança superior
 
s
IC(µ; 1 − α) = x − tα,n−1 √ ; +∞
n
 e inferior  
s
IC(µ; 1 − α) = −∞ ; x + tα,n−1 √ .
n
27. Da Questão 25 já sabemos que x = 10, 07 e s = 2, 74.
α = 0, 05 =⇒ tα,n−1 = t0,05;29 = 1, 6991.
Desse modo, os intervalos de confiança superior e inferior são respectivamente
(9, 2200 ; +∞) e (−∞ ; 10, 9199).

28. Para obtermos um intervalo de confiança para µ1 − µ2 precisamos conhecer a distri-

buição de X − Y . Como
X ∼ N µ1 , σ12 /n

Y ∼ N µ2 , σ22 /m

e cada X1 , . . . , Xn , Y1 , . . . , Ym são todos independentes entre si, podemos afirmar que

σ12 σ22
 
X − Y ∼ N µ1 − µ2 , + .
n m
Concluı́mos assim que
X − Y − (µ1 − µ2 )
r ∼ N (0, 1)
σ12 σ22
+
n m
e, portanto  
 X − Y − (µ1 − µ2 ) 
P −zα/2 < r < zα/2
=1−α
σ12 σ22
 
+
n m
ou equivalentemente
r r !
2 2 2 2
σ1 σ2 σ1 σ2
P X − Y − zα/2 + < µ1 − µ2 < X − Y + zα/2 + =1−α
n m n m
e, após os dados serem observados, o intervalo de confiança é
r r !
σ12 σ22 σ12 σ22
IC (µ1 − µ2 , 1 − α) = x − y − zα/2 + ; x − y + zα/2 + .
n m n m

29. Da Questão 28, nós temos que

r r !
σA2 σ2 σA2 σ2
IC (µA − µB , 1 − α) = xA − xB − zα/2 + B ; xA − xB + zα/2 + B .
n m n m

A partir dos valores nA = 14, nB = 12, xA = 42, 79, xB = 55, 83, σA2 = 40 e σB2 = 100
encontramos

IC(µA − µB ; 0, 95) = (−19, 59 ; −6, 48).