1a Prova de Inferncia Estat e stica (SME0122), 2o semestre de 2009. 09/10/2009 O desenvolvimento da questo o mais importante.

. Dena as variveis a e a aleatrias e suas distribuies e diga que teorema ou propriedade voc utilizou. o co e 1. Assinale verdadeiro ou falso (neste caso justique). Cada item vale 0,5. (a) Qualquer estat stica pode ser sempre usada para estimar o verdadeiro valor de um parmetro. a (b) A funo de verossimilhana fornece a probabilidade de um parmetro pertencer ca c a a um dado intervalo. (c) Se X1 , . . . , Xn N (, 2 ) com 2 conhecido, ento (x c2 / n, x c1 / n) a com c1 < c2 um IC de 100(1 )% para . e

(d) X1 , . . . , Xn N (, 2 ) com 2 conhecido. Um intervalo conana clssico de c a para signica que P (x 1, 96 / n < < x + 1, 96 / n) = 0, 95. 2. Seja X1 , . . . , Xn uma amostra aleatria da distribuio de Poisson com mdia . o ca e (a) Escreva a funo de verossimilhana e obtenha o EMV de assumindo que pelo ca c menos um valor observado diferente de zero. e (b) Verique se este estimador no viesado para . e a (c) Obtenha o limite inferior para a varincia deste estimador. a (d) Discuta a ecincia e a consistncia deste estimador. e e (e) Obtenha o EMV para P (X = 0). (f) Assumindo que Gama(4, 1) obtenha a distribuio a posteriori de e o seu ca estimador usando funo de perda quadrtica. Compare com o EMV quando ca a n .

3. O tempo mdio, por operrio, para executar uma tarefa, tem sido de 100 minutos e a com desvio padro de 15 minutos. Foi introduzida uma modicao para reduzir este a ca tempo e aps alguns meses foi selecionada uma amostra de 16 operrios medindo-se o o a tempo de execuo de cada um. Obteve-se um tempo mdio amostral de 90 minutos ca e e um desvio padro amostral de 16 minutos. a (a) Estime o novo tempo mdio de execuo e a nova varincia populacional por e ca a intervalos de 95% de conana. c (b) H ind a cios de que modicao surtiu efeito e que a varincia populacional se ca a alterou? (Justique).

BOA SORTE

1. (a) FALSO. Somente as estatisticas que assumem valores no espao paramtrico c e devem ser utilizadas. (b) FALSO. Para valores xos das observaes a funo de verossimilhana dene a co ca c plausibilidade de cada valor do parmetro. a (c) VERDADEIRO. (d) FALSO. Intervalos de conana clssicos no tem interpretao probabilistica. c a a ca 2. (a) Se X P oisson() ento E(X) = , portanto temos uma amostra aleatria a o X1 , . . . , Xn P oisson() e a funo de probabilidade dada por ca e p(xi |) = exp() xi , > 0, xi {0, 1, . . .} xi ! exp(n) t(x) , xi !

portanto a funo de probabilidade conjunta ca ca

n

p(x|) = e seu logaritmo ca

t(x) =
i=1

xi

L = log p(x|) = n + log()

xi + log(
i=1 i=1

xi !)

A 1a e 2a derivadas em relao a so obtidas como ca a dL = n + d (b)

n i=1

xi

d2 L = d2

n i=1 2

xi

e obtemos que = X pois dL/d = 0 = x e d2 L/d2 < 0. E(X) = E 1 1 n 1 n Xi = E(Xi ) = n = . n i=1 n i=1 n

Portanto, o EMV um ENV para . e (c) Da desigualdade de Cramer-Rao, V ar(X) I()1 . Do item (a) obtemos a informao esperada de Fisher, ca I() = E
n i=1 Xi 2

1 E 2

Xi =
i=1

n 1 n = . 2

Portanto, o limite inferior para a varincia deste estimador /n. a e (d) Como os Xi s so independentes segue que, a V ar(X) = V ar 1 1 n Xi = 2 n i=1 n
n

V ar(Xi ) =
i=1

1 n = /n. n2

Como a varincia do estimador igual ao limite inferior da desigualdade de a e Cramer-Rao ento o estimador eciente. Alm disso, a e e
n

lim E(X) =

lim V ar(X) = 0,

portanto o estimador consistente, e

(e) Pela funo de probabilidade da Poisson segue que ca P (X = 0) = exp() 0 = exp(). 0!

Portanto, pela propriedade de invarincia o EMV de P (X = 0) exp() = a e exp(X). (f) Assume-se que Gama(4, 1). Portanto a funo de densidade a priori de ca e p() 3 exp(). Combinando com a funo de verossimilhana via teorema de Bayes obtemos a ca c funo de densidade a posteriori como ca p(|x) exp(n) t(x) 3 exp() 3+t(x) exp((n + 1) ). Como 4 + xi > 0 e n + 1 > 0 segue que a distribuio a posteriori ca e |x Gama(4 + xi , n + 1).

Usando funo de perda quadrtica o estimador de Bayes dado pela mdia a ca a e e posteriori de , ou seja, 4 + Xi , n+1 que pode ser reescrito como, nX 4 + , n+1 n+1 e portanto este estimador tende para o EMV quando n . 3. Denindo a varivel aleatria X = tempo para executar a tarefa vamos assumir a o 2 que X N (, ), com = 100 e = 15. Aps introduzir a modicao os valores o ca de e 2 so desconhecidos e com base em uma amostra X1 , . . . , Xn com n = 16 a obteve-se as estimativas pontuais x = 90 min e s = 16 min. (a) O IC de 95% para com 2 desconhecido baseado na estat e stica T = onde n 1 = 15 e tal que P t < X < t = 1 = 0, 95. S/ n X tn1 S/ n

Aps observar os valores amostrais temos que o x t s/ n < < x + t s/ n Na tabela da distribuio t com 15 graus de liberdade e procurando o valor ca 1 0, 95=0, 05 na primeira linha obtemos que P (T > 2, 131) = 0, 05, i.e. t = 2, 131. Assim, o IC de 95% para dado por e 90 2, 131 16 16 90 + 2, 131 4 4

ou seja, [81.476; 98.524]. Para construir um I.C. para 2 usamos a estat stica (n 1)S 2 2 Y = n1 2 e precisamos obter os valores de q1 e q2 tais que P q1 < (n 1)S 2 < q2 = 0, 95. 2

Aps observar a amostra temos que o (n 1)S 2 (n 1)S 2 < 2 < . q2 q1 Na tabela da distribuio qui-quadrado com 15 graus de liberdade obtemos que ca P (Y > 27, 488) = (1 0, 95)/2 = 0, 025 e P (Y > 6, 262) = (0, 95 + 0, 025) = 0, 975 e assim o IC de 95% para 2 dado por e 8 162 8 162 ; = [139.697; 613.22] 27, 488 6, 262 (b) A interpretao usual que se todas as poss ca e veis amostras de 16 tempos fossem obtidas e os IC construidos ento estaria contido em 95% deles. Como temos a um unico intervalo dizemos que [81.476; 98.524] com conana 0,95, ou seja c e razovel armar que a modicao surtiu efeito j que este intervalo no contm a ca a a e o valor 100. O mesmo racioc nio vale para a varincia 2 , ou seja como o valor assumido a 225 e este valor est no intervalo obtido razovel armar que com 95% de e a e a conana a alterao no mudou a varincia. c ca a a