Considere a situação em que não se tenha amostra piloto, mas que se pretenda utilizar um intervalo de 95% de confiança com margem de erro de 0,05. Nesse caso, qual deve ser o tamanho mínimo, !$ n !$, da amostra?

Considere o modelo de regressão linear múltipla !$ yi=a+b_1x_1+⋅⋅⋅+b_px_p+ε_i,\,i=1,...,n !$. Supondo que !$ ε_i !$ tem distribuição normal com média 0 e variância !$ σ^2 !$, pode-se escrever a função de verossimilhança e achar os estimadores de máxima verossimilhança !$ \widehat{Θ}_{ML}=(\hat{a}_{ML},\hat b_{1,ML,...,}\hat b_{p,ML})^T !$ e !$ \hat{σ}\overset{2}{M}L !$ . Ao usar o método de mínimos quadrados é possível obter os estimadores !$ \widehat{Θ}_{LS}=(\hat{a}_{LS},\hat b_{1,LS,...,}\hat b_{p,LS})^T !$. A relação entre esses estimadores é

Suponha que a distribuição conjunta do vetor !$ (X,Y) !$ é dada pela densidade !$ f(x,y|θ)=θ(θ+1)(1-x-y)^{θ-1}I_A(x,y) !$, em que !$ A= !${!$ (x,y):x,y !$ > 0,0 < !$ x+y !$ < 1}, !$ θ !$ !$ ∈ !$ !$ \mathbb{N} !$ = {1,2, … }, e !$ I_A !$, !$ (x,y) !$ é função indicadora !$ I_A(x,y)= !$ 1, se !$ (x,y) !$, !$ ∈ !$ !$ A !$, e !$ I_A(x,y)= !$ 0, caso contrário. Supondo que se tenha somente uma observação !$ x= !$ 0,01 e !$ y= !$ 0,19, a estimativa de máxima de verossimilhança !$ \widehat{θ}_{MV} !$ é

Seja !$ X=(X_1,...X_n) !$ amostra aleatória simples em que !$ X_1,...,X_n !$ variáveis aleatórias independentes e identicamente distribuídas cuja função densidade de probabilidade é dada por !$ f(x|θ)= !$ !$ \dfrac{3θ^3}{x^4}I_{[θ,∞)}(x),θ !$ > 0, em que !$ I_A(x) !$ é função indicadora: !$ I_A(x) !$ = 1, se !$ x !$ !$ ∈ !$ !$ A !$, e !$ I_A(x) !$ = 0, caso contrário. Acerca do estimador !$ \widehat{θ}_{MV} !$ de máxima verossimilhança para !$ θ !$, é correto afirmar que

Seja !$ K_b !$ uma classe de estimadores !$ θ^* !$ de parâmetro !$ θ !$ com viés !$ b(θ) !$ (considerando caso unidimensional). Pelo teorema de Rao- Blackwell pode-se construir um estimador “melhor” !$ θ\overset{*}{s} !$ com base em uma estatística suficiente !$ S=S(X) !$. Seja !$ X=(X_1,... ,X_n) !$ uma amostra aleatória da distribuição de Poisson com parâmetro !$ λ !$ e a estatística !$ S=\sum_{i=1}^nX_i !$ . Considere !$ θ^*=X_1 !$ como estimador de !$ λ !$ e o estimador “melhorado” !$ θ\overset{*}{s}=E_θ(θ^*|S) !$. Nesse caso, isso significa que

Considere a distribuição de Poisson com parâmetro !$ λ !$ como distribuição populacional. Seja !$ X=(X_1,...,X_n) !$ uma amostra aleatória simples dessa população e a estatística !$ S=\sum_{i=1}^nX_i !$ . Com base nessas informações, assinale a alternativa correta.

Quando o desenvolvimento em série de Taylor de uma função derivável é feito em torno do zero, a série é chamada de série de MacLaurin. Assinale a alternativa que representa a série de MacLaurin da função f(x) = e^-x, em que e representa o número de Euler.

Considere a função f(x) = x³ - x definida no intervalo [0,2]. Nessas condições, com relação à aplicação do teorema do valor médio (TVM), assinale a alternativa correta.

A equação caraterística associada à equação diferencial y” – 2y’+ 10y = 0 apresenta

As equações de calor e de onda, dadas, respectivamente, por !$ α^2\dfrac{∂^2u(x,t)}{∂x^2}=\dfrac{∂u(x,t)}{∂t}\,\,e\,\,α^2\dfrac{∂^2u(x,t)}{∂x^2}=\dfrac{∂^2u(x,t)}{∂t^2} !$ são exemplos clássicos de equações diferenciais. Considerando que !$ α^2 !$ e !$ a^2 !$ representam determinadas constantes físicas, e que a função !$ u !$ depende de duas variáveis independentes !$ x !$ e !$ t !$, em termos de classificação, ambas são exemplos de equações diferenciais