Segundo o livro de Bussab e Morettin: “O princípio da verossimilhança afirma que se deve escolher aquele valor do parâmetro desconhecido que maximiza a probabilidade de obter a amostra particular observada, ou seja, o valor que torna aquela amostra a “mais provável”. O uso desse princípio conduz a um método de estimação pelo qual se obtêm os chamados estimadores de máxima verossimilhança que, em geral, têm propriedades muito boas. Esse princípio foi enunciado por Fisher pela primeira vez em 1912 e, em 1922, deu-lhe forma mais completa, introduzindo a expressão “likelihood” (verossimilhança).”

Sendo assim, considere um vetor de variáveis aleatórias Independentes e identicamente distribuídas com distribuição Binomial dada por ~ . Assinale a alternativa que expressa a função de log verossimilhança para esse conjunto de variáveis aleatórias.

Suponha que o tempo de vida de uma bactéria segue uma distribuição Gama com média 0,0002 e desvio padrão igual a 0,0001. Considerando que foi observado o tempo de sobrevivência (em horas) destas bactérias no organismo e que são n = 5 bactérias. A alternativa que indica corretamente a função de máxima verossimilhança é dada por:

Um médico trabalha em um município com população de 1000 pessoas e está interessado em implantar um teste diagnóstico para uma doença cuja prevalência é 0,5% na comunidade. A sensibilidade do teste é 100% e a especificidade, 80%. Com a implantação desse teste, é esperado que um acerto diagnóstico (verdadeiro-positivo) seja acompanhado de resultados falso-positivos na razão de, aproximadamente:

Sobre propriedades dos estimadores, assinale a alternativa correta.

A inferência estatística é um processo de raciocínio

Com a finalidade de estimar a proporção p de indivíduos de certa população, com determinado atributo, através da proporção amostral   é extraída uma amostra de tamanho n, grande, compatível com um erro amostral de ɛ e com um grau de confiança de (1-α). Assim, é correto afirmar que:

Seja a amostra aleatória de tamanho n, [x₁, x₂, x₃, ... , x_n ], tomada de uma distribuição de Poisson com parâmetro θ, na busca do Estimador de Verossimilhança desse parâmetro θ, o logaritmo da Função de Verossimilhança é

O erro médio quadrático é uma medida do desempenho de um estimador de um parâmetro θ ou de uma função desse parâmetro, q(θ). A definição do erro médio quadrático é R(θ ,T) = E[T(x) - q(θ)]² , onde T(x) é o estimador de q(θ). Então, é possível afirmar que

Um produto eletrônico tem o seu tempo de garantia modelado por uma distribuição Exponencial. Uma amostra com tamanho n = 100 itens do produto, obtida da assistência técnica, forneceu média amostral de 3,505 anos. A direção da empresa deseja saber qual é o percentual de itens que receberiam manutenção por falha após a entrega do produto se fosse concedida uma garantia de 48 meses. O estatístico da empresa fez os cálculos e afirma que o percentual de itens sujeitos à manutenção é de

Seja o modelo de regressão linear , em que Y é o vetor das respostas (variável dependente) de dimensão n, X é matriz do modelo de ordem n x p, é o vetor de parâmetros de dimensão p e é o vetor dos erros de dimensão n. Então, admitindo que os erros são i.i.d. com distribuição Normal (Gaussiana) com média zero e variância σ², o estimador de mínimos quadrados ordinários do vetor de parâmetros e o pivô usado para testar a hipótese nula H_0i: β_i = 0 i = 0, 1, 2, ..... p-1 são, respectivamente,

Existem duas versões para o teste “t” de Student que pode ser aplicado a dois grupos, a versão clássica e a versão de Aspin-Welch. Geralmente, toma-se uma amostra de tamanho n₁ do primeiro grupo e outra de tamanho n₂ do segundo grupo. A seguir calculam-se as médias amostrais, os desvios padrões amostrais e a estatística do teste. Uma diferença entre as duas versões é

A verificação dos pressupostos do modelo de regressão linear múltipla é fundamental para a garantia das propriedades dos estimadores dos parâmetros, na dependência do método de estimação a ser empregado. Nesse contexto:

Seja X₁, X₂, ..., X_n uma amostra aleatória independente e identicamente distribuída de uma U(0, θ) onde X_(n) = max(X₁, X₂, ..., X_n). Qual o estimador não viciado para o parâmetro θ?

Em um modelo de regressão linear múltipla com k variáveis independentes x₁, x₂, ..., x_k e n observações y₁, y₂, ..., y_n solução de mínimos quadrados para estimar o vetor de parâmetros é:

Qual opção informa a estimativa não viciada para a variância?

Qual opção informa as estimativas de mínimos quadrados de β₀ e β₁, respectivamente?

Seja S² a variância amostral de uma amostra aleatória de tamanho n proveniente uma distribuição N(μ, σ²). Neste caso tem distribuição:

Sabe-se que a variável X tem média e variância amostrais iguais a a³ e b⁴, respectivamente. O coeficiente de variação amostral da variável aleatória W, onde W=3X – 6, é igual a:

Considere os resultados a seguir.

Sobre os coeficientes do modelo de regressão linear múltipla, é correto afirmar que 

A tabela ANOVA apresentada foi obtida ao ajustar o modelo de regressão.

Os valores de r, s e t são, respectivamente,