Estatística e Probabilidade
|
|
- Rui Garrau Duarte
- 5 Há anos
- Visualizações:
Transcrição
1 Estatístca e Probabldade
2 Professor conteudsta: Rcardo Vda
3 Sumáro Estatístca e Probabldade Undade I 1 CONCEITOS BÁSICOS Concetos fundamentas Processos estatístcos de abordagem Dados estatístcos Dados brutos Rol...4 ORGANIZAÇÃO DE DADOS SÉRIES ESTATÍSTICAS Apresentação dos dados estatístcos...5. Varável dscreta Construção de uma varável dscreta Varável contínua Construção de uma varável contínua REPRESENTAÇÃO GRÁFICA DAS SÉRIES ESTATÍSTICAS MEDIDAS CENTRAIS Somatóro Médas Medana (m d ) Moda MEDIDAS E DISPERSÃO Ampltude total Desvo médo smples Varânca e Desvo Padrão Undade II 6 INTRODUÇÃO À PROBABILIDADE Teora dos conjuntos, espaço amostral e eventos Conceto de Probabldade em espaços amostras equprováves Propredades da Probabldade Probabldade Condconada Eventos Independentes DISTRIBUIÇÃO BINOMIAL DISTRIBUIÇÃO DE POISSON CORRELAÇÃO LINEAR E REGRESSÃO LINEAR Correlação Lnear Regressão Lnear... 61
4 10 ESTIMATIVA DE PARÂMETROS Defnções Teorema do Lmte Central Estmação Pontual Estmatva por Intervalos Intervalo de Confança para Médas (amostras grandes, n>30) Tabela Normal Intervalos de Confança para Médas (amostras pequenas, n<30) Tabela t-student Intervalo de Confança para Varânca e Desvo Padrão Tabela da dstrbução qu-quadrado TESTE DE HIPÓTESE Concetos Defnções Nível de Sgnfcânca Teste de Hpótese para Méda de População Grandes Amostras (n>30)...75
5 ESTATÍSTICA E PROBABILIDADE 5 Undade I 1 CONCEITOS BÁSICOS O termo estatístca é orundo da palavra Estado, pos era usado na determnação dos dados colhdos com a fnaldade de orentar as decsões quanto ao recolhmento de mpostos cobrados dos cdadãos, bem como uma nova estratéga em caso de guerra. Era precso saber o contngente dsponível, a quantdade de almentos para os soldados, assm como a de armas, ou seja, tudo o que necessáro para o empreendmento. Era regstrado também o número de habtantes a partr de anotações dos nascmentos, óbtos, casamentos etc., de modo que surgram as prmeras análses sstemátcas e as prmeras tabelas e os números relatvos. O conceto de estatístca teve um desenvolvmento acelerado a partr do século XVII com os estudos de Bernoull, Fermat, Pascal, Laplace, Gauss e outros. A forma centífca se formou com Achenwall, quando surgram tabelas mas complexas, as prmeras representações gráfcas e o cálculo de probabldades, de forma que dexou de ser uma smples tabulação de dados numércos para se tornar um estudo dreconado a conclusões sobre um todo partndo da observação de apenas uma parte desse todo, sto é, uma amostra. A estatístca é, portanto, uma parte aplcada da matemátca que tem como objetvo o estudo de fenômenos coletvos, a qual fornece métodos para a coleta, a organzação, a descrção, a análse e a nterpretação de dados de forma a utlzá-los para a tomada de decsões. 1
6 Undade I Faz parte da Estatístca Descrtva a coleta, a organzação e a descrção dos dados, enquanto que a análse, a nterpretação dos dados, assocada a uma margem de ncerteza, compõem a Estatístca Indutva, a qual fundamenta a Teora da Probabldade. 1.1 Concetos fundamentas População: conjunto de todos os tens (pessoas ou cosas) que possuem característcas a serem observadas que sejam de nteresse ao estudo de um fenômeno coletvo; Amostra: qualquer subconjunto não vazo de uma população; Parâmetro: característca numérca adotada para toda a população. Exemplo: verfcar a estatura méda dos alunos do segundo grau de uma cdade (população) consderando-se duas escolas (amostra) de forma que se consdere a predomnação da estatura de 1,70 m (parâmetro). 1. Processos estatístcos de abordagem Quando é solctado o estudo de um fenômeno coletvo podemos optar entre dos processos estatístcos: 1. Censo: avalação dreta de um parâmetro utlzando a coleta de dados de toda a população; Propredades: Erro processual zero e 100% de confabldade; Dspendoso; Lento; Com a demora no processo, ao termnar se torna desatualzado; Em cada caso é necessáro avalar sua vabldade.
7 ESTATÍSTICA E PROBABILIDADE. Estmação: avalação ndreta de um parâmetro com base em um estmador deduzdo por meo do cálculo de probabldades. Propredades: Erro processual postvo e confabldade nferor a 100%; Baxo custo; Rápda; Dados atualzados ao térmno do processo em razão de sua rapdez; É sempre vável. 1.3 Dados estatístcos A Estatístca descrtva na função da descrção dos dados tem as seguntes atrbuções: Obtenção ou coleta de dados: realzada em uma fase operaconal a partr de questonáros, observação dreta ou de amostra com um objetvo determnado; Organzação dos dados obtdos: consste na ordenação dos valores observados e sua crítca quanto à correção dos valores, das falhas humanas, de omssões e dados duvdosos; Redução dos dados: necessára para a compreensão de grande quantdade de dados por meo de smples letura de valores ndvduas. A Estatístca Descrtva apresenta duas formas báscas de redução do volume de dados: varável dscreta e varável contínua. Representação dos dados: os dados estatístcos podem ser faclmente compreenddos quando apresentados por meo de gráfcos que permtem a 3
8 Undade I vsualzação nstantânea e que se tornam mportantes ferramentas de trabalho. 1.4 Dados brutos Quando fazemos observações dretas de um fenômeno coletvo ou coletamos as respostas de um questonáro, obtemos uma sequênca de valores numércos. No prmero momento em que são coletados, estes dados estão completamente desordenados de forma que podemos defnr os dados brutos como uma sequênca de valores numércos não organzados, obtdos dretamente da observação de um fenômeno coletvo Rol Depos de coletar os dados que estão totalmente desordenados e ao ordená-los na forma crescente ou decrescente, esses dados passam a se chamar Rol. Portanto podemos defnr o Rol como uma sequênca ordenada dos dados brutos. Observação: após os dados brutos serem organzados em um Rol é que serão tabelados na forma de varável dscreta ou contínua. Exemplo: Foram meddos város troncos de árvores em um parque e obtdos os seguntes valores em metros: X: 4,3; 3,8; 3,; 3,9; 4,5; 5,4 (dados brutos) ou X: 3,; 3,8; 3,9; 4,3; 4,5; 5,4 (Rol) 4
9 ESTATÍSTICA E PROBABILIDADE ORGANIZAÇÃO DE DADOS SÉRIES ESTATÍSTICAS.1 Apresentação dos dados estatístcos Quando trabalhamos com dados estatístcos, ldamos com uma grande quantdade de dados. Embora um dos objetvos da estatístca descrtva seja reduzr sgnfcatvamente a quantdade dos dados coletados, para fns ddátcos trabalharemos com quantdades reduzdas para facltar o entendmento. Tomemos como exemplo as notas de uma avalação em um grupo de 0 alunos. Os dados brutos são: X: 3,5; 4,0; 4,5; 5,0; 7,0; 6,5; 8,0; 3,5; 6,5; 8,0 9,0; 4,5; 5,5; 6,5; 7,0; 8,0; 8,0; 4,5; 6,5; 5,0 (dados brutos) ou X: 3,5; 3,5; 4,0; 4,5; 4,5; 4,5; 5,0; 5,0; 5,5; 6,5; 6,5; 6,5; 6,5; 7,0; 7,0; 8,0; 8,0; 8,0; 8,0; 9,0 (Rol) Observe que há poucos valores dferentes apresentados na lsta. Desta forma poderemos contar o número de vezes que os números se repetem na lsta, fenômeno este chamado frequênca smples. Quando há poucos valores dferentes na lsta podemos agrupá-los no que chamamos de varável dscreta.. Varável dscreta É uma representação tabular de um conjunto de valores dos quas são poucos os valores dstntos, sto é, são poucos a representar. 5
10 Undade I Monta-se uma tabela em que se aponta cada um dos dferentes valores e assocado a ele a quantdade de vezes que se repete. Tomando como exemplo esta dstrbução, teremos: x 3,5 4,0 4,5 5,0 5,5 6,5 7,0 8,0 9,0 f Neste caso, x é o valor obtdo e f é a quantdade de vezes em que ele aparece. Importante Devemos optar por uma dstrbução na forma de varável dscreta quando o número de elementos dstntos da sére for pequeno...1 Construção de uma varável dscreta É bastante smples. Após construr o Rol da dstrbução, coloque em uma coluna os elementos dstntos que denomnamos x e, em outra coluna, assocado ao valor, a quantdade de vezes que esses valores aparecem na sequênca o que denomnamos f. Exemplo: Consdere o número de peças defetuosas produzdas na lnha de montagem de uma ndústra metalúrgca durante 0 das de trabalho, representadas na sére a segur. X: 0,,0,1,1,3,0,0,0,0,1,0,1,,0,3,,1,,0 ou X: 0,0,0,0,0,0,0,0,0,1,1,1,1,1,,,,,3,3 6
11 ESTATÍSTICA E PROBABILIDADE Temos nove vezes o valor 0, cnco vezes o valor 1, quatro vezes o valor e duas vezes o valor 3. x f Observação: verfque que dmnuímos a quantdade de valores com que trabalharemos, de 0 para 8..3 Varável contínua É uma representação tabular de um conjunto de valores dentre os quas há mutos valores dstntos, de modo que fcará dfícl a redução dos valores a representar. Assm, monta-se uma tabela em que são apontados cada um dos dferentes valores dentro de uma faxa consderada, assocando-se a quantdade compreendda nessa faxa. Exemplo: Classe Intervalo de classe f Σ = Construção de uma varável contínua Realzar a construção da varável contínua requer o conhecmento de alguns concetos. Vejamos: 7
12 Undade I Classe: são os ntervalos de varação da varável. São numeradas seqüencalmente por números nteros; Lmtes da classe: são os extremos de classe. O menor número é o lmte nferor e o maor é o lmte superor. O símbolo ---- representa um ntervalo fechado à esquerda e um aberto à dreta. Ampltude: é a ampltude do ntervalo da classe. É obtda subtrando-se o lmte superor do lmte nferor. Importante saber que na dstrbução da frequênca a ampltude é gual para todas as classes. Temos que consderar também a ampltude total da dstrbução, que é a dferença entre o lmte superor da últma classe e o lmte nferor da prmera. A ampltude total da amostra (Rol) é a dferença entre o valor máxmo e o mínmo da amostra. Ponto médo da classe: é o valor que dvde a classe em duas partes guas. Obtém-se calculando a méda artmétca entre os extremos de cada classe. Importante Devemos optar por uma dstrbução na forma de varável contínua quando for grande o número de elementos dstntos da sére. Para montar uma tabela de uma dstrbução com varável contínua devemos segur alguns passos ou crtéros. 1. Determnar o número de classes O número de classes a ser utlzado depende muto do pesqusador e também das questões que pretende responder. 8
13 ESTATÍSTICA E PROBABILIDADE Para responder essa questão em nossos exemplos utlzaremos o método da raz. Sendo n o número de elementos e k o número de classes que será utlzado, o crtéro da raz temos: k = n Entretanto, o valor obtdo para k não será necessaramente um número ntero. Por sso devemos tomar o valor ntero obtdo e também o seu antecessor e sucessor. Exemplo: Se tvermos n=30, teremos k = 30 = 5, 477. Consderaremos para k os valores 4, 5 e 6. O valor escolhdo dependerá de outra análse quando, para sso, consderarmos o ntervalo para a ampltude total da dstrbução.. Determnar a ampltude da classe Depos de determnarmos k, que é a quantdade de classes, devemos determnar h, que é a ampltude da classe a qual será defnda por At h = k em que A t é a ampltude total da dstrbução, valor que é dferente da ampltude total da amostra. Exemplo: se tvermos uma dstrbução cuja A t = 8, 8 para k = 4, h = = 4 8 para k = 5, h = = 5 16, 8 para k = 6, h = = 1333,
14 Undade I Portanto, o valor mas ndcado para k é o valor 4, que determnará a ampltude da classe h gual a. Exemplo: Consderaremos uma dstrbução em que são tomadas as meddas, em centímetros, da altura de 8 alunos de uma escola. Os valores obtdos são: ou (dados brutos) (Rol) No prmero passo fzemos a ordenação dos dados obtdos crando o Rol dos valores. Entretanto sto não é necessáro no prmero momento. Basta localzar o menor e o maor valor da sére para determnarmos a ampltude da amostra. 10
15 ESTATÍSTICA E PROBABILIDADE Sendo n = 8, pos temos setenta meddas, o passo segunte é determnar a ampltude de cada classe. Prmeramente necesstamos determnar a quantdade k de classes. n = 8 k 8 = 5, 9 Isso nos leva às seguntes possbldades: k = 4 k = 5 k = 6 Isto é, podemos ter 4, 5 ou 6 classes. Precsamos determnar a melhor opção. A ampltude da amostra é: Menor valor x 1 =63 Maor valor x 8 =10 A=x 8 x 1 =10 63=39 A ampltude da classe fca: h = A k Portanto, poderemos ter: 39 h = = 4 39 h = = 5 39 h = = 6 9, 75 7, 8 6, 5 11
16 Undade I Como nenhum dos valores apresenta como quocente um valor ntero, são necessáros alguns acertos. Importante Podemos acertar a ampltude total da dstrbução para um ntervalo, sempre maor que a ampltude da amostra, e nunca menor. A letura dos valores tem como valor menor 63 e o maor 10. A dferença entre eles é de 10 63=39, que não propca um resultado exato quando dvddo pelas três possbldades do valor adotado para k. Neste momento temos que acertar o lmte do ntervalo da dstrbução atrbundo novos valores para os extremos e respetando os valores obtdos. Em suma, devemos consderar para a ampltude da dstrbução um valor nferor a 61 e superor a 103, de modo que nenhum dos valores meddos em campo fque fora dos cálculos posterores. Fazendo uma análse artmétca verfcamos que, ao adotarmos o valor nferor da dstrbução para x 1 =61 e superor para x 8 =103, teremos: A t =103 61=4 e as possbldades para a ampltude da classe: 4 h = = 10, h = = 5 4 h = = 6 8, 4 7 1
17 ESTATÍSTICA E PROBABILIDADE Como a classe deve ser um número ntero, a melhor possbldade é que tenhamos h =7, porque teremos 6 classes dstntas no ntervalo. É mportante rever os valores obtdos e consderados. Na apresentação dos valores temos que o menor é 63 e o maor, 10, com 8 leturas. Isto nos leva à ampltude da amostra A=103 61=4, que não propcará uma dvsão exata quando dvdda pelas possbldades da quantdade de classes, que são 4, 5 e 6. Para acertarmos os ntervalos provocamos uma alteração na ampltude total da amostra (Rol), no ntuto de obtermos valores nteros. Colocando o valor menor da dstrbução em x 1 =61 e x 8 =103, a ampltude total será: At=x 8 x 1 =103 61=4 para n=6 teremos: 4 h = = 6 7 Assm, teremos 6 classes com ntervalo h =7. É mportante ressaltar que o símbolo ndca que temos um ntervalo fechado à esquerda e aberto à dreta. Trocando em múdos, na segunda classe ncluímos o valor 68 e não o 75 que pertence à classe segunte. Então, organzando o Rol com os valores desses ntervalos, temos: 13
18 Undade I Classes 1ª ª ª ª ª ª Temos, então, elementos na prmera classe, 4 na segunda, 9 na tercera e, segundo assm, teremos 3 na otava. Colocando em uma tabela, teremos: classe Intervalo de classe Resumndo: com a análse desta tabela, notamos que na prmera classe, onde o ntervalo é entre 61 e 68, temos apenas dos elementos. Na segunda classe, onde o ntervalo é entre 68 e 75, temos 5 elementos. Na sexta classe, onde há o ntervalo de 93 a 103, temos 5 elementos. A quantdade de elemento por classe é a frequênca absoluta. 3 REPRESENTAÇÃO GRÁFICA DAS SÉRIES ESTATÍSTICAS Grafcamente podemos representar uma sére estatístca de varas maneras. Dentre elas podemos ctar o gráfco de lnhas, de colunas, de setores etc. f 14
19 ESTATÍSTICA E PROBABILIDADE x f A partr de uma dstrbução como esta, podemos gerar: um gráfco de colunas; x f um gráfco de barras; x f 15
20 Undade I um gráfco de setores; x No gráfco de setores podemos também ndcar o percentual da frequênca de cada valor obtdo em relação a toda a amostragem. x Além desses gráfcos, que são os mas comuns, também podemos utlzar váras outras maneras dferentes de representar séres estatístcas. como gráfcos de lnhas, bolhas e város outros, cada um adequado para cada questão. 16
21 ESTATÍSTICA E PROBABILIDADE 4 MEDIDAS CENTRAIS Quando um conjunto de dados é agrupado defnem-se meddas que, através de um só número, apresentam suas característcas. Algumas descrevem a tendênca central, sto é, a tendênca que esses dados têm de se agrupar em torno de certos valores. É uma medda que estabelece um número ou valor em torno do qual a sére se concentra. Dvde a sére em duas partes guas. 4.1 Somatóro Quando somamos varas parcelas que têm a mesma característca, representa-se esta soma de n valores de uma sére, codfcando-as conforme a expressão: x + x + x x = x 1 3 n n = 1 Nesta expressão, x representa uma parcela genérca (termo que consta de todas as parcelas) e é o índce. Lê-se: somatóro dos valores de x, para varando de 1 até n. Exemplo: x1 + x + x3 + x4 + x5 = x x + x + x + x = x 4 = 1 5 = ( x 4) + ( x 4) + ( x 4) = ( x 4) = 1 17
22 Undade I Propredades: n 1. ( x ± y) = x ± y = 1 = 1 = 1 n n. k. x = k. x = 1 n = 1 n x n n x x 3. = 1 = = 1 k k k = 1 = 1 n Obs.: podemos também encontrar a notação: x = x 4. Médas n =1 É a medda ou valor que se obtém segundo uma regra estabelecda e é equdstante dos valores extremos de uma sére estatístca. Temos também as médas proporconal e quadrátca, mas veremos apenas as que estão a segur. Méda artmétca smples É dada pelo quocente entre a soma dos elementos da sére pela quantdade de elementos que compõem esta sére. É dada pela fórmula: n x x = = 1 n para dados brutos ou rol. 18
23 ESTATÍSTICA E PROBABILIDADE Exemplo: Dados os valores 3, 0, 4, 6, 8, 9,1, 7: 8 x = 1 0 x = = = = Méda artmétca ponderada 6, 13 É uma méda em que a sequênca numérca depende dos pesos ou da frequênca de cada valor na sére. É dada pela fórmula: x n = = 1 n = 1 x. f f Observe que a fórmula é a mesma já vsta. Ocorre que, quando termos város valores que se repetem, a frequênca corresponde ao número de vezes que esta repete. Assm, ao multplcarmos um valor pela sua frequênca, estamos fazendo nada mas do que somá-lo pelo número de vezes que se repete. Também o somatóro das frequêncas nada mas é do que a quantdade de elementos da sére. Usa-se tanto para dstrbuções na forma de varável dscreta quanto contínua. 19
24 Undade I Exemplo: (varável dscreta) Dada a dstrbução: 8 I x f x.f Σ = 31 Σ = 01 x. f = x = = = = 6, f = 1 Exemplo: (varável contínua) Quando os dados são apresentados na forma de uma varável contínua, utlzamos a fórmula da méda artmétca ponderada consderando as frequêncas smples das classes. Entretanto, como temos uma faxa de valores, o valor de x é o ponto médo da classe e determnado pela méda artmétca dos extremos de cada classe. L L x = sup + nf 0
25 ESTATÍSTICA E PROBABILIDADE Exemplo: Consderando a dstrbução: Temos x Classe = = 1 n Então n ntervalo de classe f x x.f = 1 x. f f 7500 x = = 107, Σ = 70 Σ = 7500 Importante Sempre que tvermos uma tabela na forma de varável contínua, o valor de x deverá ser consderado como o ponto médo do ntervalo da classe. 1
26 Undade I Méda geométrca smples Em uma sequênca numérca smples, a méda geométrca smples é defnda pela fórmula: x n x. x. x... x g = 1 3 Exemplo: n Dados os valores 3, 1, 4, 6, 8, 9,1, 7: x x g = = = 5, 068 Méda geométrca ponderada Em uma sequênca numérca na qual há pesos, consdera-se a frequênca com que ocorrem os valores. A méda geométrca ponderada é dada por: x = x1 1. x... x g f f f n f n De forma análoga, quando um valor se repete, o produto dele por ele mesmo na frequênca que se repete é gual à potênca desse valor elevado à sua frequênca. Exemplo: (varável dscreta) Dada a dstrbução: x f Σf = 18
27 ESTATÍSTICA E PROBABILIDADE Temos: x g = = 3, 54 Exemplo: (varável contínua) Dada a dstrbução: classe ntervalo de classe f Σ f = 31 x x g = = 9, Medana (m d ) A medana é um elemento da sére que a dvde em duas partes com a mesma quantdade de elementos. Cálculo da Medana Prmeramente devemos ordenar os elementos da sére e obter o Rol. Em seguda, determnar n, ou seja, o número de elementos da sére. Se n for ímpar, o Rol admte apenas um termo central que ocupa a posção n +1 ( ). O valor do elemento que ocupa essa posção é a medana. 3
28 Undade I Exemplo: X: 3,4,6,7,9,10,1 A sére tem 7 elementos. Portanto o termo que ocupa a posção ( ), sto é, o 4º elemento, é a medana. posção 1ª ª 3ª 4ª 5ª 6ª 7ª valor Assm, m d = 7 Se n for par, o Rol admte dos termos na posção central. n Serão os valores que ocuparem as posções ( ) n e ( ) + 1. A medana é, então, por convenção, a méda artmétca (ou o ponto médo) dos valores que ocupam a posção central. Exemplo: Dada a dstrbução: X: 6,13,15,18,,5 Como temos n = 6 elementos, as posções centras são: n 6 n = = 3ª e + 1= 6 + 1= 4ª a 3 = 15 e a 4 = 18 Portanto, m d = = 16, 5 4
29 ESTATÍSTICA E PROBABILIDADE 4.4 Moda A Moda é o valor que aparece com maor frequênca no conjunto de dados. Basta dentfcar o elemento que aparece com maor frequênca. Exemplo: X: 3, 4, 3, 3, 4, 5, 6, 8 Nesta dstrbução, o elemento que aparece o maor número de vezes é o 3. Portanto, mo = 3 5 MEDIDAS E DISPERSÃO São meddas que avalam a representatvdade da méda. As meddas de dspersão absoluta são: ampltude total, desvo médo smples, varânca e desvo padrão. 5.1 Ampltude total É a únca medda de dspersão que não tem na méda o seu valor de referênca. É obtda pela dferença entre o maor e menor valor da sequênca. Dados brutos ou Rol Basta dentfcar o maor e o menor valor da sére e calcular a dferença. Exemplo: X: 7, 8, 10, 1, 15 A t = 15 7 = 8 5
30 Undade I Varável dscreta Como os valores já se apresentam de forma ordenada também basta dentfcar o prmero e o últmo valor da sére. Exemplo: Dada a dstrbução: x f Σ= 4 A ampltude total é: A t = x 7 x 1 = 9 0 = 9 Varável contínua Nesta stuação, embora os elementos já se apresentem em forma ordenada, desconhecemos o menor e maor valores porque estão compreenddos entre o ntervalo de cada classe. Consderamos então os pontos médos dos ntervalos de cada classe. 6
31 ESTATÍSTICA E PROBABILIDADE Exemplo: Dada a dstrbução classe ntervalo de classe f Σ = 70 Os pontos médos da prmera e otava classe são: Inferor = = 65 Superor = = 135 Portanto, a ampltude total é At=135+65=70 5. Desvo médo smples Está baseado no conceto matemátco lgado à dstânca, sto é, à dspersão dos dados em relação à méda de uma sequênca. Esta é avalada por meo dos desvos de cada elemento da sequênca, em valor absoluto, em relação ao valor médo da sequênca. O desvo médo smples é defndo como a méda artmétca entre os desvos de cada elemento em relação à méda da sére. DMS = x n x 7
32 Undade I Dados brutos ou Rol Calcula-se a méda artmétca entre os valores da sequênca e em seguda o desvo, em valor absoluto, de cada valor da sequênca em relação ao valor obtdo. O passo segunte é calcular a méda artmétca desses valores. Exemplo: Dada a sequênca X:, 8, 3, 6 ou X:, 3, 6, 8 x = = = 4 4 d 1 = 4, 75 =, 75 4, 75 d = 3 4, 75 = 175, d 3 = 6 4, 75 = 175, d 4 = 8 4, 75 = 3, 5, , + 175, + 3, 5 9 DMS = = =, Varável dscreta Quando temos uma sequênca apresentada na forma de varável dscreta, os dados já vêm ordenados e a frequênca representa o número de vezes que o elemento fgura na sére. Portanto temos valores de desvos que se repetem o que nos levará ao cálculo de uma méda artmétca ponderada. 8
33 ESTATÍSTICA E PROBABILIDADE Portanto, calculamos: DMS = x x. f f Exemplo: Dada a dstrbução x f x.f x. f 10 x = = = 5 f 4 Σ = 4 Σ = 10 Obs.: x =x m I x f x.f x x m x - x.f m Σ = 4 Σ = 10 Σ = 54 9
34 Undade I O Desvo médo smples é calculado por: DMS = x x. f f 54 = =, 5 4 Varável contínua Do mesmo modo que a varável dscreta, os dados já vêm ordenados e a forma para calcular o desvo médo smples obedece aos mesmos crtéros. A únca dferença é que na varável contínua temos uma faxa de valores para classe, e não um valor defndo. Para tanto, devemos, em cada classe, determnar o ponto médo. Exemplo: Classe ntervalo de classe f x x.f Σ = 70 Σ = 7500 x. f 7500 x = = = 107, 14 f 70 30
35 ESTATÍSTICA E PROBABILIDADE classe ntervalo de classe f x x.f x - Xm x - x m.f ,14 4, ,14 160, ,14 13, ,14 11, ,14 5, ,86 149, ,86 50, ,86 83,58 Σ = 70 Σ = 7500 Σ=965,7 DMS = x x. f 965, 7 = = 13, 75 f 70 Interpretação: o resultado obtdo sgnfca que cada elemento está, em méda, 13,75 afastado de 107, Varânca e Desvo Padrão Quando calculamos o desvo médo smples, utlzamos o módulo da dferença entre o valor de cada termo e a méda a fm de nterpretarmos a dferença como dstânca. Entretanto, há outra forma de obtermos as dferenças sempre postvas ou nulas, quando consderamos o quadrado dessas dferenças. Isto é, em vez de usarmos a dferença x x usamos ( x x) 31
36 Undade I Assm, se substturmos na fórmula do DMS a expressão ( x x), obteremos uma nova medda que chamaremos de varânca, que fca: σ ( x) = ( x x) n A raz desse valor é o que denomnamos σ( x) = σ ( x) Importante Quando estvermos trabalhando com uma amostra, o valor da varânca será dado por: s ( x) = ( x x) n 1 E o desvo padrão será dado por: s( x) = S ( x) Dados brutos ou Rol Como fo vsto anterormente, se tvermos dados brutos, a prmera cosa a fazer é formarmos o Rol. Obtdo o Rol, passamos a determnar o valor médo dos termos que constam no Rol para, em seguda, calcularmos a varânca e o desvo padrão. 3
37 ESTATÍSTICA E PROBABILIDADE Exemplo: Dada a dstrbução X: 3, 4, 5, 7, 8, 9 Temos que: 3 x = = = Calculando ( x x), temos: ( x1 x) = ( 3 6) = 9 ( x x) = ( 4 6) = 4 ( x3 x) = ( 5 6) = 1 ( x4 x) = ( 7 6) = 1 ( x5 x) = ( 8 6) = 4 ( x6 x) = ( 9 6) = 9 Então, a varânca é: σ ( x ) = = = 4,
38 Undade I E o desvo padrão é: σ( x ) = 4, 66 =, 16 Varável dscreta Incalmente temos que os dados já vêm ordenados, mas como há elementos que se repetem, defnmos a varânca como a méda artmétca ponderada dos quadrados dos desvos dos elementos da sére para com a méda. Se a varável dscreta representa uma população, a varânca e o desvo padrão são calculados como: σ ( x x). f ( x) = f e σ( x) = σ ( x) Se for a representação de uma amostra, então teremos: s ( x) = ( x x). f f 1 e s( x) = s ( x) Exemplo: I x f x.f Σ = 4 Σ = x = =
39 ESTATÍSTICA E PROBABILIDADE Então: I x f x.f (x x m ) (x x m ).f Σ = 4 Σ = 10 Σ = 176 σ ( x x). f ( x) = f 176 = = 7, 33 4 e σ( x) = σ ( x) = 7, 33 =, 70 Consderando a tabela como a representação de uma amostra, temos: s ( x) = e ( x x). f f = = 7, 65 3 s( x) = σ ( x) = 7, 65 =, 76 Varável contínua Novamente, ao desconhecer um valor partcular para uma faxa de varação da classe em uma varável contínua, a exemplo 35
40 Undade I de stuações anterores, consderamos o valor médo do ntervalo de classe. As fórmulas usadas para o cálculo da varânca e do desvo padrão são as mesmas usadas para a varável dscreta, levando-se em consderação o que fo dto anterormente, sto é, para cada classe tomamos o valor médo do seu ntervalo. Exemplo: Dada a dstrbução: Temos: Classe ntervalo de classe f x x.f Σ = 60 Σ = 848 x. f 848 x = = = 14, 13 f 60 ntervalo classe de classe f x x.f (x x m ) (x x m ).f ,84 54, ,3 6, ,80 58, ,8 4, ,76 9, ,4 8, ,7 71, ,0 188,79 Σ = 60 Σ = 884 Σ = 714,93 36
41 ESTATÍSTICA E PROBABILIDADE Então, σ ( x) = f e ( x x). f 714, 93 = = 1191, 60 σ( x) = σ ( x) = 1191, = 3, 45 Se a dstrbução se tratasse de uma amostra, teríamos: σ ( x) = f 1 e ( x x). f 714, 93 = = 1, σ( x) = σ ( x) = 1, 11 = 3, 47 Importante No cálculo da varânca, elevamos ao quadrado a dferença de um valor e a méda da dstrbução. Portanto, a undade de medda também deve ser elevada ao quadrado. O valor da varânca não pode ser comparado dretamente com os dados da sére, sto é, a varânca não tem nterpretação. Para suprr esta defcênca é que se defne o desvo padrão. Interpretação do desvo padrão O desvo padrão é a mas mportante das meddas de dspersão. Quando a curva é perfetamente smétrca, podemos afrmar que 37
42 Undade I o ntervalo x σ, x + σ contém aproxmadamente 68% dos valores da sére. σ σ X σ X X + σ x. σ, x +. σ contém 95% dos valores. σ σ σ σ X σ X X + σ x 3. σ, x + 3. σ contém 99% dos valores. σ σ σ σ σ σ X 3σ X X + 3σ 38
CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisMedidas de Tendência Central. Prof.: Ademilson Teixeira
Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisMedidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos.
Meddas de Dspersão e Assmetra Desvo Médo Varânca Desvo Padrão Meddas de Assmetra Coefcente de Assmetra Exemplos lde 1 de 16 Meddas de Dspersão - Méda ervem para verfcação e representatvdade das meddas
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisAULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.
Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisAPOSTILA DE ESTATÍSTICA BÁSICA Parte 1
APOSTILA DE ESTATÍSTICA BÁSICA Parte 1 Prof. Msc. Jorge Wlson Perera da Slva SUMÁRIO Capítulo 1. Concetos Báscos 3 1.1. Introdução 3 1.2. População e Amostra 3 1.3. Processos Estatístcos de Abordagem 4
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisCapítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes
Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma
Leia maisFAAP APRESENTAÇÃO (1)
ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,
Leia mais2. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO
Materal elaborado por Mara Tereznha Marott, Rodrgo Coral e Carla Regna Kuss Ferrera Atualzado por Mlton Procópo de Borba. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO Para melhor caracterzar um conjunto
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisDISTRIBUIÇÃO DE FREQUÊNCIAS
Núcleo das Cêncas Bológcas e da Saúde Cursos de Bomedcna, Ed. Físca, Enermagem, Farmáca, Fsoterapa, Fonoaudologa, Medcna Veternára, Muscoterapa, Odontologa, Pscologa DISTRIBUIÇÃO DE FREQUÊNCIAS 5 5. DISTRIBUIÇÃO
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia mais4.1. Medidas de Posição da amostra: média, mediana e moda
4. Meddas descrtva para dados quanttatvos 4.1. Meddas de Posção da amostra: méda, medana e moda Consdere uma amostra com n observações: x 1, x,..., x n. a) Méda: (ou méda artmétca) é representada por x
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisProbabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições
Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisResumos Numéricos de Distribuições
Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL
3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisESCOLA SECUNDÁRIA COM 3º CICLO D. DINIS 10º ANO DE MATEMÁTICA A Tema III Estatística. Aula 1 do plano de trabalho nº 2
Aula 1 do plano de trabalho nº 2 Medram-se as alturas dos 40 alunos do prossegumento de estudos do 10º ano de uma escola e as alturas dos 40 alunos do 10º ano dos cursos tecnológcos dessa escola e obtveram-se
Leia maisCapítulo XI. Teste do Qui-quadrado. (χ 2 )
TLF 00/ Cap. XI Teste do Capítulo XI Teste do Qu-quadrado ( ).. Aplcação do teste do a uma dstrbução de frequêncas 08.. Escolha de ntervalos para o teste do.3. Graus de lberdade e reduzdo.4. Tabela de
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisCONCEITOS BÁSICOS. Podemos assim caracterizar três áreas de interesse (ramos) da Estatística: Estatística Inferencial ESTATÍSTICA
1 Estatístca CONCEITOS BÁSICOS 6 É uma metodologa ou conjunto de técncas que utlza a coleta de dados, sua classfcação, sua apresentação ou representação, sua análse e sua nterpretação vsando a sua utlzação
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 011 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisESTATÍSTICA PARA TCU PROFESSOR: GUILHERME NEVES
Estatístca Descrtva A Estatístca, ramo da Matemátca Aplcada, teve orgem na hstóra do homem. Desde a Antgudade, város povos regstravam o número de habtantes, de nascmentos, de óbtos, dstrbuíam equtatvamente
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisRACIOCÍNIO LÓGICO QUANTITATIVO PARA AFRFB PROFESSOR: GUILHERME NEVES
Aula 11 Estatístca.... Classe.... 7 Lmtes de classe... 7 Ampltude de um ntervalo de classe... 7 Ampltude total da Dstrbução... 8 Ponto médo de uma classe... 8 Tpos de frequêncas... 9 Meddas de Posção...
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 0 Estatístca Descrtva e Análse Eploratóra Realzadas em etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de grande quantdade de dados e
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisAula 5 Senado Federal Parte 2
Aula 5 Senado Federal Parte Estatístca... Classe... 8 Lmtes de classe... 8 Ampltude de um ntervalo de classe... 9 Ampltude total da Dstrbução... 9 Ponto médo de uma classe... 9 Tpos de frequêncas... 10
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia mais