Intervalo de Confiança e cálculo de tamanho de amostra. Henrique Dantas Neder
|
|
- Yago Monteiro Canto
- 8 Há anos
- Visualizações:
Transcrição
1 Intervalo de Confiança e cálculo de tamanho de amostra Henrique Dantas Neder
2 Intervalo de confiança para a média da população µ X Até o momento discutimos as propriedades da distrbuição normal e vimos que dentro de certa condição (amostras grandes) podemos generalizar o seu uso para calcular probabilidades referentes a valores da média da amostra X e a soma da dos valores amostrais S = n i=1 X i. Verificamos que para qualquer tamanho de amostra (mesmo para amostras pequenas) a distribuição amostral das médias amostrais terá média igual a média da população (E(X) = E(X) ou dito de outra forma µ X = µ X ) e que a variância das médias amostrais será igual a variância de X dividido por n (σ 2 X = σ2 X n ). Verificamos também que a média de S será igual a média da população multiplicada pelo tamanho da população (µ S = µ N) e a variância de S = n σ 2 X. Estas propriedades são válidas para qualquer tamanho da amostra. Somente é necessário ter tamanho grande de amostra para a distribuição de X e de S serem normais.
3 Intervalo de confiança para a média da população µ X Quando selecionamos aleatoriamente (amostra aleatoria simples) uma amostra de tamanho n > 30 de uma população qualquer a probabilidade do valor da média da amostra X ser menor do que um determinado valor X k : P(X < X k ) = P(z < X k µ X σ X ) Por exemplo, se n = 40, µ X = 50 e σ X = 20, a probabilidade de X ser menor do que X k = 55 é: P(X < 55) = P(z < 20/ 40 ) = Podemos também afirmar que: Esta expressão é equivalente a: P( 1.96 < z < 1.96) = 0.95 P( 1.96 < X µ σ X < 1.96) = 0.95
4 Intervalo de confiança para a média da população µ X Manimulando algebricamente a desigualdade temos: P( 1.96 σ X < X µ < 1.96 σ X ) = 0.95 P( X 1.96 σ X < µ < X σ X ) = 0.95 P(X σ X > µ > X 1.96 σ X ) = 0.95 Reordenando os termos da desigualdade temos: P(X 1.96 σ X < µ < X σ X ) = 0.95
5 Intervalo de confiança para a média da população µ X Esta última expressão indica que podemos construir um intervalo de confiança de 95% de probabilidade para o valor do parâmetro µ X conhecendo-se o valor de X. Por exemplo, de acordo com o exemplo anterior, suponhamos que não conhecemos µ X e que X = 40,σ X = 20 e n = 40: P( σ X < µ < σ X ) = 0.95 P( < µ < ) = 0.95 P( < µ < ) = 0.95 Então podemos afirmar que existe uma probabilidade de 95% de que o valor do parâmetro µ X esteja contido no intervalo indicado nesta última expressão. Observe que não termos certeza absoluta (probabilidade de 100%) de que este valor esteja contido nos limites do intervalo.
6 Intervalo de confiança para a média da população µ X Mas é um grande avanço a uma simples estimativa de ponto (simplesmnete afirmarmos que a média amostral X = 40). Com isto podemos determinar uma região na qual existe uma determinada probabilidade de conter o verdadeiro valor do parâmetro desconhecido. É importante observar que jamais conheceremos o verdadeiro valor do parâmetro µ X. Isto aconteceria apenas se conhecessessemos toda a população. Mas já é uma grande vantagem podermos construir este intervalo. Neste caso estamos realizando uma operação de inferência. Inferência significa desenvolver qualquer afirmativa a respeito do valor de um parâmetro a partir de resultados amostrais. Não conhecemos a população completa, conhecemos apenas os valores de uma única amostra selecionada desta população, mas a partir desta informação podemos estabelecer algumas afirmativas a respeito de um determinado parâmetro (no caso deste exemplo de intervalo estamos tratando do parâmetro µ X que é a média desconhecida da população.
7 Intervalo de confiança para a média da população µ X Chamamos 1 α de nível de confiança do intervalo. Se 1 α = 0.95, então α = No caso do exemplo anterior (X = 40,σ X = 20 e n = 40), podemos calcular um intervalo de confiança de 80% de probabilidade (1 α = 0.80) para o parâmetro µ X como: Se 1 α = 0.80 então α = 0.20 e 1 α/2 = 1 0.2/2 = 0.9. Portanto: z 1 α/2 = z 0.9 = φ 1 (0.9) = Desta forma, um intervalo de confiança de 80% para a média populacional será: P( σ 2 < µ < X σ2 ) = 0.80 X P( < µ < ) = 0.80 P( < µ < ) = 0.80
8 Intervalo de confiança para a média da população µ X Observe que, em relação ao intervalo de 95% de probabilidade, este intervalo ficou com uma amplitude menor. A amplitude do intervalo de confiança dependerá do valor da expressão: z 1 α/2 σ X n (2) Desta forma a amplitude aumenta quando σ X aumenta. Isto ocorre quando temos uma população com maior variância.então, para populações de maiores variâncias teremos (mantido o mesmo tamanho n de amostra e o mesmo nível de confiança 1 α) maiores amplitudes de intervalos de confiança. A amplitude do intervalo de confiança também pode aumentar (de acordo com a expressão anterior) com a redução do tamanho da amostra n.
9 Intervalo de confiança para a média da população µ X Uma terceira forma de aumentar a amplitude do intervalo de confiança (para mesmo tamanho de amostra e mesma variância da população) é aumentar z 1 α/2. Para fazermos isto temos que aumentar o nível de confiança 1 α do intervalo. Aumentar o tamanho (amplitude) do intervalo de confiança significa reduzir a precisão da estimativa por intervalo. Para aumentar a precisão da estimativa temos que reduzir o tamanho (amplitude) do intervalo. Só podemos fazer isto através de três maneiras: 1) reduzir o grau de confiança 1 α do intervalo; 2) aumentar o tamanho n da amostra e 3) reduzir a variância σ 2 X da população. Como a variância da população geralmente é um dado do problema, temos apenas as duas primeiras opções.
10 Intervalo de confiança para a média da população µ X A esta altura já deu para perceber que existe uma espécie de trade-off entre precisão do intervalo e nível de confiança do intervalo. Se não podemos auterar o tamanho n da amostra, quando aumentamos a precisão do intervalo somos obrigados a reduzir o seu grau de confiança e quando diminuimos a precisão automaticamente aumentamos o seu grau de confiança.
11 Intervalo de confiança para a média da população µ X Na verdade só existe uma maneira de aumentarmos simultaneamente a precisão e confiança do intervalo: aumentarmos o tamanho da amostra. Todo este raciocínio pode ser obtido da análise da expressão (2) anterior. O intervalo de confiança pode ser interpretado de duas formas: 1) Um intervalo de confiança de 1 α de probabilidade significa que existe esta probabilidade de que o verdadeiro valor desconhecido do parâmetro µ esteja contido entre os limites inferior e superior do intervalo. 2) Se selecionassemos 100 amostras de mesmo tamanho n a partir de uma população com parâmetro (média populacional) µ e fossem construidos 100 intervalos de confiança a partir de cada X usando a expressão (1) anterior, 100 (1 α) destes intervalo conteriam o valor de µ desconhecido.
12 Intervalo de confiança para a média da população µ X Vamos verificar esta última interpretação fazendo a simulação no computador de 100 intervalos de 95% de confiança construidos a partir de 100 amostras de tamanho n = 50 e selecionadas a partir de uma população com média µ = 40. A partir da construção destes 100 intervalos de confiança iremos contar quantos contem µ.
13 * ROTINA PARA CONSTRUÇÃO DE 100 INTERVALOS DE CONFIANÇA clear set seed 9999 * GERA 10 MIL OBSERVAÇÕES VAZIAS set obs * GERA VALORES ALEATORIOS DE UMA POPULAÇÃO NORMAL * COM MÉDIA MU = 40 E DESVIO PADRÃO SIGMA = 20 gen x = rnormal(40, 20) * SALVA ESTES DADOS COMO UMA POPULAÇAO DE DADOS save "D:\ECN26\pop.dta", replace * CRIA UMA VARIAVEL ESCALAR COM O VALOR DA MÉDIA DA POPULAÇÃO scalar mu = 40 * CRIA UMA MACRO LOCAL PARA CONTAR (INICIALIZA COM ZERO) local contador = 0 * INICIA LOOP COM 1000 LAÇOS PARA SELECIONAR 1000 * AMOSTRAS DA MESMA POPULAÇÃO E CALCULAR A MÉDIA * AMOSTRAL E OS LIMITES DOS INTERVALOS forvalues i=1(1)1000 { * ABRE A POPULAÇÃO CRIADA ANTERIORMENTE use "D:\ECN26\pop.dta", clear * SELECIONA UMA AMOSTRA ALEATORIA DE TAMANHO n = 50 sample 50, count * CALCULA A MÉDIA DA AMOSTRA (VALOR ARMAZENADO EM r(mean) summa x * CALCULA LIMITES DO INTERVALO DE CONFIANÇA scalar li = r(mean) - invnormal(.975)*20/sqrt(50) scalar ls = r(mean) + invnormal(.975)*20/sqrt(50) * TESTA SE MU CAI DENTRO DOS LIMITES
14 if mu > li & mu < ls { local contador = contador + 1 } } * APRESENTA O VALOR DO CONTADOR APÓS AS 1000 REALIZAÇÕES disp "contador = ", contador * APAGA O ARQUIVO DE DADOS DA POPULAÇÃO erase "D:\ECN26\pop.dta"
15 Intervalo de confiança para a média da população µ X O resultado apresentado a partir da execução desta rotina é que sendo selecionadas 1000 amostras da mesma população, construindo-se 1000 intervalos de confiança, 950 destes intervalos contem o valor do parâmetro µ = 40. Neste caso conhecemos o valor de µ para podermos realizar a simulação. Na prática não conhecemos µmas podemos construir um intervalo em torno de X e fazermos uma afirmação (com base neste intervalo) a respeito da probabilidade de µ estar contido neste único intervalo.
16 Intervalo de confiança para amostras pequenas Quando temos uma amostra pequena (n < 30) e desconhecemos o valor de σ não podemos usar o valor do desvio padrão amostral n i=1 (s = (X i X) 2 n 1 ) no lugar de σ e não podemos usar a distribuiçao normal padrão. Se a distribuição de X for normal temos que usar a distribuição t de Student de acordo com a seguinte expressão: P(X t 1 α/2 s X < µ < X + t 1 α/2 s X ) = 1 α (3) O valor da variável aleatória t de Student irá depender do número de graus de liberdade e do nível de confiança 1 α. O número de graus de liberdade é igual a n 1, porque perdemos um grau de liberdade ao estimarmos a média amostral X. Vamos desenvolver uma pequena rotina do Stata para calcular alguns valores de t para algusn pares de valores de 1 α e do número de graus de liberdade df :
17 Distribuição t de Student * ROTINA STATA PARA CONSTRUIR PEQUENA TABELA PARA A DISTRIBUIÇÃO t de STUDENT * clear matrix C = J(27,7,0) forvalues i=2(1)27 { matrix C[ i,1] = i + 3 } local j = 1 foreach k in { local j = j + 1 matrix C[1, j ] = k } forvalues i = 2(1)27 { local j = 1 foreach k in { local j = j + 1 matrix C[ i, j ] = invttail( i + 3, k ) } } matrix list C svmat C, names(c) format C2-C5 %5.4f xmlsave "D:\ECN26\APOSTILA DE ESTATISTICA\TABELA DISTRIBUIÇÃO t de STUDENT.xml", doctype(excel) replace
18 Distribuição t de Student Esta rotina gera a seguinte tabela: 1 α/ graus de liberdade
19 Distribuição t de Student 1 α/ graus de liberdade
20 Intervalo de confiança para a proporção populacional Da mesma forma que construimos um intervalo de confiança para a média µ X da população, também podemos construir um intervalo de confiança para a proporção populacional p Suponhamos que em uma população eleitores, uma proporção p de eleitores tenha intenção de votar em determinado candidato. Iremos definir uma variável aleatória de Bernoulli X de forma que: X i = 1 se a i-ésima pessoa tenha a intenção de votar no candidato X i = 0 se a i-ésima pessoa não tenha a intenção de votar no candidato
21 Intervalo de confiança para a proporção populacional Se selecionarmos aleatoriamente (amostra aleatória simples com reposição) uma amostra de tamanho n de eleitores, o número total de eleitores dentro da amostra que tem a intenção de votar no candidato ( n i=1 X i ) segue uma distribuição binomial com parâmetros n e p. A proporção amostral de eleitores ˆp = n i=1 X i /n que pode ser interpretada como sendo uma média amostral de uma variável aleatória Bernoulli. Pelo Teorema do Limite Central ˆp terá distribuição normal quando n.
22 Intervalo de confiança para a proporção populacional A questão é saber qual é a média (esperança matemática) de ˆp, ou seja, E(ˆp) e qual é a variãncia de ˆp, ou seja, var(ˆp) = σ 2ˆp. Podemos demonstrar que E(ˆp) é p, ou seja, ˆp é um estimador não viesado para p. Isto significa que se slecionarmos todas as amostras de mesmo tamanho n e calcularmos para cada uma delas uma proporção amostral ˆp, a média de todas estas proporções amostrais será igual ao valor do parâmetro p.
23 Intervalo de confiança para a proporção populacional Para demonstrar isto basta pensar ˆp como sendo uma média de uma variável aleatória Bernoulli calculada para os n elementos de uma amostra. Como a média amostral é um estimador não viesado para a média populacional mostramos que E(ˆp) = p. A variância de ˆp é dada por var(ˆp) = var( 1 ni=1 n X i ) = 1 np(1 p) = p(1 p) n 2 n já que o somatório é uma variável aleatória binomial. Podemos então dizer que para n, ˆp segue aproximadamente uma distribuição normal com média E(ˆp) = p e variância var(ˆp) = p(1 p) n
24 Intervalo de confiança para a proporção populacional Para construirmos um intervalo de confiança para a proporção populacional (e seguindo as mesmas operações que usamos no caso da média da população µ X podemos utilizar a expressão: P(ˆp z 1 α/2 p(1 p) < p < ˆp +z n 1 α/2 p(1 p) ) = 1 α n (4) Observe que na expressão (3) caimos em um círculo vicioso; para construirmos um intervalo de confiança para p precisamos do valor de p. Na prática, temos apenas o valor de ˆp e substituimos este valor na expressão (3) conduzindo a: ˆp(1 ˆp) ˆp(1 ˆp) P(ˆp z 1 α/2 < p < ˆp +z n 1 α/2 ) = 1 α n (5)
25 Intervalo de confiança para a proporção populacional Um exemplo: suponhamos que uma amostra de tamanho n = 50 de eleitores tenha 30 eleitores a favor de um determinado candidato. O intervalo de confiança de 95 % de probabilidade para a proporção populacional p será: P( , ( ) 50 < p < , ( ) 50 ) = 0, 95 P(0, 4642 < p < 0, 7358) = 0, 95 Se quisermos calcular um intervalo de confiança de 80 % de probabilidade: P( φ 1 (1 50 (.90) ) 50 < p < φ 1 (.90) P(0, < p <.68878) = 0, ( ) 50 ) = 0, 80
26 Intervalo de confiança para a proporção populacional Duas questões sobre este último intervalo: 1) Porque usamos φ 1 (.90)? Como o intervalo é de 80% deverá deixar 10% em cada cauda. Então o limite superior terá que deixar uma área a esquerda de 90% e o limite inferior deixará uma área a esquerda de 10%. 2) Repare que o intervalo (quando passamos de 90% para 80%) contrai-se. O que já havíamos dito: mantido o mesmo tamanho da amostra, quando diminuimos o nível de confiança a precisão do intervalo aumenta (porque a amplitude do intervalo reduz).
27 Determinação do tamanho da amostra Até o momento mostramos como calcular os limites de um intervalo quando conhecemos X ou ˆp e o tamanho da amostra n. Mas se quisermos resolver o problema inverso: temos o tamanho do intervalo e desejamos conhecer o tamanho da amostra n. Este deve ser o tamanho da amostra necessário para construir um intervalo de confiança com determinado nível de confiança e determinado erro de amostragem. Para o caso da estimação do parâmetro µ, a metade do tamanho do intervalo, que chamamos erro de amostragem, é igual a: e = z 1 α/2 σ X = z 1 α/2 σ X / n (6)
28 Determinação do tamanho da amostra Fazendo uma manipulação algébrica da expressão (5) temos: ( z1 α/2 σ X n = e )2 (7) Por exemplo, desejamos estimarmos µ X, com um erro de amostragem e = 10, com σ X = 20 e nível de confiança 1 α = 0, 95. Para 1 α = 0, 95 então, 1 α/2 = 0, 975 e φ 1 (0, 975) = ( )2 z1 α/2 ( ) σ n = X 2 e = = 15.36
29 Determinação do tamanho da amostra Então concluimos que para estimar a média populacional µ X e com um erro de amostragem e = 10, com σ X = 20 e nível de confiança 1 α = 0, 95, precisamos de uma amostra de tamanho n = 16. Para uma amostra com as mesmas características e nível de confiança 1 α = 0, 99, precisamos de n = 27 (faça as contas). Podemos observar que para determinar o tamanho da amostra para estimar µ X sempre precisamos do valor de σ X. Na prática, este valor é desconhecido. Precisamos primeiro realizar uma amostra piloto para estimar σ X através de s X = n i=1 (X i X) 2 n 1 viesado para σ X, ou seja E(s X ) = σ X. (que é um estimador não
30 Determinação do tamanho da amostra (amostragem pelas proporções) Para o caso da determinação do tamanho da amostra quando o objetivo é estimar p, o erro de amostragem é dado por: p(1 p) e = z 1 α/2 σˆp = z 1 α/2 (8) n Manipulando os termos da expressão (7), temos: n = z2 1 α/2 p(1 p) e 2 (9) Se o objetivo da amostragem é o de justamente estimar p, substituimos na expressão (8), o valor de p que torna máximo o valor de n (ou seja, trabalhamos a favor da segurança). Neste caso p = 0, 5.
31 Determinação do tamanho da amostra (amostragem pelas proporções) Até o momento estamos considerando que a nossa amostra é realizada com reposição e neste caso não precisamos fazer correção de população finita no caso em que n N > 0, 05. Quando a amostragem é feita com reposição, uma expressão mais exata para o erro de amostragem é: p(1 p) e = z 1 α/2 σˆp = z 1 α/2 N n (10) n N 1 Exercício: determinar uam expressão para n a partir da expressão (9).
32 Intervalo de Confiança - exercícios 1) Numa fábrica de computadores a administração pretende-se uma estimativa para o tempo médio de vida de um determinado tipo de disco rígido. Para tal, foi seleccionada uma amostra constituída por 15 computadores. Com base nesta amostra obteve-se um tempo médio de vida igual a horas. Supondo que o tempo de vida segue uma distribuição normal com σ igual a 3000 horas, construa um intervalo de confiança a 99% para o tempo médio de vida dos discos rígidos. Solução: P(27350 z 1.99/ < µ X < z 1.99/ ) = 0.99 P( < µ X < ) = 0.99
33 Exercícios 2) Com o objectivo de prever a produção de trigo duma certa região dividiu-se a mesma em pequenos talhões, procedendo-se em seguida ao registo, ao acaso, da produção de alguns desses talhões. Admita que a quantidade de trigo produzida por talhão tem distribuição normal com desvio padrão igual a 60 Kg. a) Determine o número mínimo de talhões que o experimentador deverá analisar se desejar garantir, com uma confiança de pelo menos 95%, que a média da amostra difira no máximo 30 Kg do verdadeiro valor da produção média por talhão. b) Qual o número mínimo de talhões que será necessário analisar se o nível de confiança exigido for de 99%? c) Acha que a hipótese de normalidade é essencial na resolução das alíneas a) e b)? Justifique a resposta.
34 Exercícios Solução: a) n = ( )2 z1 α/2 ( σ X e = φ 1 (1.05/2) ( )2 z1 α/2 ( σ X e = φ 1 (1.01/2) ) 2 ( ) 2 = = 15, 36 ) 2 ( ) 2 = = b) n = 26, 53 c) A hipótese de normalidade é essencial pois do contrário X não teria distribuição normal para os tamanhos de amostra.
35 Exercícios 3) Um fabricante produz peças que obedecem a uma norma que especifica que o seu diâmetro deve ser igual a 100 mm. Admita que os diâmetros das peças produzidas são N(μ, σ ) e que uma amostra aleatória de 20 peças conduziu aos resultados seguintes: 20 i=1 x i = 1999, 60 e n i=1 (x i x) 2 = 111, 91 a) Construa um I. C. a 95% para o diâmetro médio das peças. b) Construa um I. C. a 95% para a variância do diâmetro das peças.
36 Exercícios Solução: Quando o tamanho da amostra é pequeno e não se conhece o valor de σ não é apropriado usar no lugar de σ o valor n i=1 do desvio-padrão da amostra (s = (X i X) 2 n 1 ) pois isto produz resultados incorretos. Ao invés disso, utiliza-se a distribuição t de Student. Para isto é necessário que a distribuição de X seja normal. A regra geral é que quando temos uma amostra grande (n 30) utiliza-se a distribuição normal padrão e quando temos uma amostra pequena (n < 30), utiliza-se a distribuição t de Student, desde que a distribuição de X seja normal. Utilizaremos a expressão: P(X t 1 α/2 s X < µ < X + t 1 α/2 s X ) = 1 α P( t 1 α/ < µ < t 1 α/ ) = 0.95 O valor de t 1 α/2 para um intervalo de 95% de probabilidade é o valor que deixa uma cauda a direita de e com 19 graus de liberdade este valor é t = Portanto: P( < µ < ) = 0.95 P( < µ < ) = 0.95
37 Exercícios 4) Num determinado período pré eleitoral foi realizada uma sondagem com o objectivo de analisar a popularidade de dois candidatos A e B num determinado distrito. Para tal, foram inquiridas 780 pessoas residentes nesse distrito manifestando-se 55% dos inquiridos a favor do candidato A. a) Construa um intervalo de confiança a 90%, 95% e 99% para a percentagem de pessoas do distrito que são a favor do candidato A. Comente as diferenças obtidas para os três intervalos. b) Suponha que a percentagem obtida resultou de uma amostra de 1020 pessoas. Determine um intervalo de confiança a 95% para a percentagem de pessoas a favor do candidato A. Comente o resultado obtido. Solução: a) P(ˆp z 1 α/2 P(0.55 z /2 ˆp (1 ˆp) n < p < ˆp + z 1 α/ (1 0.55) 780 < p < z / (1 0.55) ) = 0.90 ˆp (1 ˆp) n ) = 1 α
38 Exercícios P( < p <.5793) = 0.90 Da mesma forma: P(0.55 z / (1 0.55) 780 < p < z / (1 0.55) 780 ) = 0.95 z /2 = z = φ 1 (0.975) = (1 0.55) P( < p < (1 0.55) 780 ) = 0.95 P( < p < ) = 0.95 Da mesma forma: P(0.55 z / (1 0.55) 780 < p < z / (1 0.55) 780 ) = 0.99 z /2 = z = φ 1 (0.995) = (1 0.55) P( < p < (1 0.55) 780 ) = 0.99 P( < p <.5959) = 0.99
39 Exercícios b) P(0.55 z / (1 0.55) 1020 < p < z / (1 0.55) 1020 ) = 0.95 z /2 = z = φ 1 (0.975) = (1 0.55) P( < p < (1 0.55) 1020 ) = 0.95 P( < p <.5805) = 0.95 O resultado mostra que quando aumentamos o tamanho da amostra, mantendo o mesmo nível de confiança (95%), o tamanho (amplitude) do intervalo diminui (aumenta a precisão da estimativa).
40 Exercícios 5) Admita que a direcção de determinada Universidade se dispõe a oferecer aos seus 3800 alunos a possibilidade de estes frequentarem aulas ao Sábado de manhã se a procura para este horário for suficientemente alta. a) Determine a dimensão apropriada da amostra de alunos a inquirir para que a amplitude do intervalo de confiança a 95% para a proporção de alunos com interesse por aquele horário não exceda 0.1? b) Suponha que após realizada a amostragem com o tamanho indicado pelo dimensionamento, o valor da proporção amostral é de 50%. Determine um intervalo de confiança para a proporção populacional de 95% de probabilidade. Solução: O erro de amostragem paar uma estimativa de proporção populacional p (quando consideramos que a amostragem é realizada sem reposição) é dado pela seguinte expressão: e = z 1 α/2 σˆp N n N 1 = z 1 α/2 p (1 p) n N n N 1
41 Exercícios Elevando ambos os termos desta expressão, temos: e 2 = z1 α/2 2 p (1 p) n N n N 1 e 2 n (N 1) = z1 α/2 2 p (1 p) (N n) e 2 n (N 1)+z1 α/2 2 p (1 p) n = z2 1 α/2 p (1 p) N n(e 2 (N 1) + z1 α/2 2 p (1 p)) = z2 1 α/2 p (1 p) N z 2 1 α/2 p (1 p) N n = e 2 (N 1)+z 2 1 α/2 p (1 p) Esta é a expressão para determinar o tamanho de uma amostra para estimarmos a proporção populacional e quando a amostragem é sem reposição. Neste caso temos que considerar o fator de correção da população finita nos cálculos.
42 Exercícios Substituindo os valores do enunciado na expressão anterior: n = (1 0.5) 3800 = (3800 1) (1 0.5) b) P( (1 0.50) (1 0.50) < p< ) = P( < p < ) = 0.95 Reparem que o erro de amostragem do intervalo é praticamente igual a Seria isto uma coincidência?
43 Exercícios 6) Num estudo de mercado quantas pessoas devem ser inquiridas para, com 95% de confiança, se cometer um erro de estimativa da verdadeira proporção de potenciais clientes de um novo produto inferior a 3%? E para se cometer um erro de estimativa inferior a 1%?
44 Exercícios 7) Considere uma amostra aleatória obtida no mercado de trabalho de uma grande cidade, constituída por 2000 indivíduos. Das entrevistas efectuadas constatou-se que 165 pessoas responderam não ter emprego. a) Construa um intervalo de confiança a 95% para a proporção média de indivíduos desempregados na referida cidade. b) Caso pretenda reduzir para metade a amplitude do intervalo relativo à alínea anterior, mantendo o mesmo grau de confiança, qual a dimensão da amostra adequada? Justifique a resposta.
Variáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder
Variáveis aleatórias contínuas e distribuiçao Normal Henrique Dantas Neder Definições gerais Até o momento discutimos o caso das variáveis aleatórias discretas. Agora vamos tratar das variáveis aleatórias
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia maisExemplos de Testes de Hipóteses para Médias Populacionais
Exemplos de Testes de Hipóteses para Médias Populacionais Vamos considerar exemplos de testes de hipóteses para a média de uma população para os dois casos mais importantes na prática: O tamanho da amostra
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisProcessos Estocásticos
Processos Estocásticos Segunda Lista de Exercícios 01 de julho de 2013 1 Uma indústria fabrica peças, das quais 1 5 são defeituosas. Dois compradores, A e B, classificam os lotes de peças adquiridos em
Leia maisCapítulo 8 - Testes de hipóteses. 8.1 Introdução
Capítulo 8 - Testes de hipóteses 8.1 Introdução Nos capítulos anteriores vimos como estimar um parâmetro desconhecido a partir de uma amostra (obtendo estimativas pontuais e intervalos de confiança para
Leia maisLISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES
Monitora Juliana Dubinski LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES EXERCÍCIO 1 (INTERVALO DE CONFIANÇA PARA MÉDIA) Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se
Leia maisCapítulo 3 Modelos Estatísticos
Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide
Leia maisPROBABILIDADE. Aula 5
Curso: Psicologia Disciplina: Métodos Quantitativos Profa. Valdinéia Data: 28/10/15 PROBABILIDADE Aula 5 Geralmente a cada experimento aparecem vários resultados possíveis. Por exemplo ao jogar uma moeda,
Leia maisEstatística II Antonio Roque Aula 9. Testes de Hipóteses
Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para
Leia maisa) Suponha que na amostra de 20 declarações foram encontrados 15 com dados incorrectos. Construa um
Escola Superior de Tecnologia de Viseu Probabilidades e Estatística 2007/2008 Ficha nº 7 1. O director comercial de uma cadeia de lojas pretende comparar duas técnicas de vendas, A e B, para o mesmo produto.
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - APO
Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - APO 11. O Dia do Trabalho, dia 1º de maio, é o 11º dia do ano quando o ano não é bissexto. No ano de 1958, ano em que o Brasil ganhou,
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisAula 5 Distribuição amostral da média
Aula 5 Distribuição amostral da média Nesta aula você irá aprofundar seus conhecimentos sobre a distribuição amostral da média amostral. Na aula anterior analisamos, por meio de alguns exemplos, o comportamento
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/12/2011 pelo CEPERJ
Resoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/1/011 pelo CEPERJ 59. O cartão de crédito que João utiliza cobra 10% de juros ao mês,
Leia maisExercícios resolvidos sobre Função de probabilidade e densidade de probabilidade
Exercícios resolvidos sobre Função de probabilidade e densidade de probabilidade Você aprendeu o que é função probabilidade e função densidade de probabilidade e viu como esses conceitos são importantes
Leia maisExercícios - Distribuição Normal (Gauss)
Exercícios - Distribuição Normal (Gauss) Monitora: Juliana e Prof. Jomar 01. Uma empresa produz televisores de dois tipos, tipo A (comum) e tipo B (luxo), e garante a restituição da quantia paga se qualquer
Leia maisDETERMINAÇÃO DO TAMANHO DE UMA AMOSTRA
DETERMINAÇÃO DO TAMANHO DE UMA AMOSTRA INTRODUÇÃO O pesquisador social procura tirar conclusões a respeito de um grande número de sujeitos. Por exemplo, ele poderia desejar estudar: os 170.000.000 de cidadãos
Leia maisMODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS
MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS Definições Variáveis Aleatórias Uma variável aleatória representa um valor numérico possível de um evento incerto. Variáveis aleatórias
Leia maisTrabalhando com Pequenas Amostras: Distribuição t de Student
Probabilidade e Estatística Trabalhando com Pequenas Amostras: Distribuição t de Student Pequenas amostras x Grandes amostras Nos exemplos tratados até agora: amostras grandes (n>30) qualquer tipo de distribuição
Leia maisProbabilidades: Função massa de probabilidades ou função distribuição de probabilidade ou modelo de probabilidade:
Exame MACS- Probabilidades Probabilidades: Função massa de probabilidades ou função distribuição de probabilidade ou modelo de probabilidade: Nos modelos de probabilidade: há uma primeira fase em que colocamos
Leia maisO comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
Leia mais1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.
TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à
Leia maisLISTA DE EXERCÍCIOS 3
DISCIPLINA: CÁLCULO DAS PROBABILIDADES E ESTATÍSTICA I PERÍODO: 2013.2 LISTA DE EXERCÍCIOS 3 1) Uma empresa fabricante de pastilhas para freio efetua um teste para controle de qualidade de seus produtos.
Leia maisTabelas vista de estrutura
Tabelas vista de estrutura A vista de estrutura permite definir a configuração dos dados Vamos adicionar os restantes campos à tabela carros, de acordo com o modelo de dados feito no papel 47 Tabelas vista
Leia maisResoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ
Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos
Leia maisDistribuição de probabilidades
Luiz Carlos Terra Para que você possa compreender a parte da estatística que trata de estimação de valores, é necessário que tenha uma boa noção sobre o conceito de distribuição de probabilidades e curva
Leia maisEventos independentes
Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos
Leia maisTeorema do Limite Central e Intervalo de Confiança
Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisÍndice de Exercícios. Exercício 1.
Índice de Exercícios Exercício 1...1 Exercício 2...2 Exercício 3...4 Exercício 4...7 Exercício 5. (Ficha de trabalho de Metrologia e Qualidade módulo 4)...8 Exercício 6. (Ficha de trabalho de Metrologia
Leia maisCAPÍTULO 9 Exercícios Resolvidos
CAPÍTULO 9 Exercícios Resolvidos R9.1) Diâmetro de esferas de rolamento Os dados a seguir correspondem ao diâmetro, em mm, de 30 esferas de rolamento produzidas por uma máquina. 137 154 159 155 167 159
Leia maisDistribuição Binomial
Distribuição Binomial Exemplo Na manufatura de certo artigo, é sabido que um entre dez artigos é defeituoso. Qual a probabilidade de que uma amostra casual de tamanho quatro contenha: (a) Nenhum defeituoso?
Leia maisDisciplinas: Cálculo das Probabilidades e Estatística I
Introdução a Inferência Disciplinas: Cálculo das Probabilidades e Estatística I Universidade Federal da Paraíba Prof a. Izabel Alcantara Departamento de Estatística (UFPB) Introdução a Inferência Prof
Leia maisNotas de Cálculo Numérico
Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - EPPGG
Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - EPPGG 11. Em uma caixa há 1 bolas de mesmo tamanho: 3 brancas, 4 vermelhas e 5 pretas. Uma pessoa, no escuro, deve retirar n bolas
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEEC, MEMec o semestre 011/01 1 o Teste B 1/04/01 11:00 Duração: 1 hora e 30 minutos Justifique
Leia maisUnidade 11 - Probabilidade. Probabilidade Empírica Probabilidade Teórica
Unidade 11 - Probabilidade Probabilidade Empírica Probabilidade Teórica Probabilidade Empírica Existem probabilidade que são baseadas apenas uma experiência de fatos, sem necessariamente apresentar uma
Leia maisA Equação de Bernoulli
Aula 4 A equação de Bernoulli Objetivos O aluno deverá ser capaz de: Descrever a dinâmica de escoamento de um fluido. Deduzir a Equação de Bernoulli. Aplicar a Equação de Bernoulli e a Equação da Continuidade
Leia maisMÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIAS
MÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIS Como vimos no módulo 1, para que nós possamos extrair dos dados estatísticos de que dispomos a correta análise e interpretação, o primeiro passo deverá ser a correta
Leia maisNuma turma de 26 alunos, o número de raparigas excede em 4 o número de rapazes. Quantos rapazes há nesta turma?
GUIÃO REVISÕES Equações e Inequações Equações Numa turma de 6 alunos, o número de raparigas ecede em 4 o número de rapazes. Quantos rapazes há nesta turma? O objectivo do problema é determinar o número
Leia maisVariabilidade do processo
Variabilidade do processo Em todo processo é natural encontrar certa quantidade de variabilidade. Processo sob controle estatístico: variabilidade natural por causas aleatórias Processo fora de controle:
Leia maisESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS
ESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS Escola de Enfermagem UFRGS Julho/2007 Juscelino Zemiacki Estatístico Programa Básico: AULA 1 Noções Básicas de Estatística AULA
Leia maisGrupo A - 1 o semestre de 2014 Gabarito Lista de exercícios 11 - Teste Qhi-quadrado C A S A
Exercício 1. (2,0 pontos). Em um estudo que está sendo realizado por uma pesquisadora da Escola de Educação Física da USP, deseja-se avaliar características das lutas de judô em diferentes categorias.
Leia maisA finalidade dos testes de hipóteses paramétrico é avaliar afirmações sobre os valores dos parâmetros populacionais.
Prof. Janete Pereira Amador Introdução Os métodos utilizados para realização de inferências a respeito dos parâmetros pertencem a duas categorias. Pode-se estimar ou prever o valor do parâmetro, através
Leia maisDistribuições de Probabilidade Distribuição Normal
PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisRESOLUÇÃO DAS QUESTÕES DE RACIOCÍNIO LÓGICO-MATEMÁTICO
RESOLUÇÃO DAS QUESTÕES DE RACIOCÍNIO LÓGICO-MATEMÁTICO Caro aluno, Disponibilizo abaixo a resolução resumida das questões de Raciocínio Lógico-Matemático da prova de Técnico de Atividade Judiciária do
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisProbabilidade - aula I
e 27 de Fevereiro de 2015 e e Experimentos Aleatórios e Objetivos Ao final deste capítulo você deve ser capaz de: Entender e descrever espaços amostrais e eventos para experimentos aleatórios. Interpretar
Leia maisINE 7002 LISTA DE EXERCÍCIOS MODELOS PROBABILÍSTICOS
Lista de Exercícios - Modelos Probabilísticos 1 INE 7002 LISTA DE EXERCÍCIOS MODELOS PROBABILÍSTICOS 35) Em um sistema de transmissão de dados existe uma probabilidade igual a 0,05 de um dado ser transmitido
Leia maisNotas sobre a Fórmula de Taylor e o estudo de extremos
Notas sobre a Fórmula de Taylor e o estudo de etremos O Teorema de Taylor estabelece que sob certas condições) uma função pode ser aproimada na proimidade de algum ponto dado) por um polinómio, de modo
Leia maisEXCEL NA ANÁLISE DE REGRESSÃO
EXCEL NA ANÁLISE DE REGRESSÃO _2010_03_Exercicio _Regressão_exemplo O gerente de uma loja de artigos escolares, cada semana, deve decidir quanto gastar com propaganda e que atrativo (por exemplo preços
Leia maisTipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.
Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração
Leia maisSistemas de Apoio à Decisão
Sistemas de Apoio à Decisão Processo de tomada de decisões baseia-se em informação toma em consideração objectivos toma em consideração conhecimento sobre o domínio. Modelar o processo de tomada de decisões
Leia maisUsando o do-file editor Automatizando o Stata
Usando o do-file editor Automatizando o Stata 1 O QUE É O EDITOR DE DO-FILE O Stata vem com um editor de texto integrado, o do-file editor (editor de do-files, em português), que pode ser usado para executar
Leia maisProva Escrita de Matemática A
EXAME NACIONAL DO ENSINO SECUNDÁRIO Decreto-Lei n.º 74/2004, de 26 de Março Prova Escrita de Matemática A 12.º Ano de Escolaridade Prova 635/2.ª Fase 11 Páginas Duração da Prova: 150 minutos. Tolerância:
Leia maisEstatística e Probabilidade. Aula 8 Cap 05. Distribuição normal de probabilidade
Estatística e Probabilidade Aula 8 Cap 05 Distribuição normal de probabilidade Estatística e Probabilidade Na aula anterior vimos... Distribuições Binomiais Distribuição Geométrica Distribuição de Poisson
Leia maisAULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais
1 AULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais Ernesto F. L. Amaral 20 e 22 de abril e 04 de maio de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte:
Leia maisAnálise de Regressão Linear Simples e Múltipla
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques (DepMAT ESTV) Análise de Regres. Linear Simples e Múltipla
Leia maisDois eventos são disjuntos ou mutuamente exclusivos quando não tem elementos em comum. Isto é, A B = Φ
Probabilidade Vimos anteriormente como caracterizar uma massa de dados, como o objetivo de organizar e resumir informações. Agora, apresentamos a teoria matemática que dá base teórica para o desenvolvimento
Leia maisCAPÍTULO 5 - Exercícios
CAPÍTULO 5 - Exercícios Distibuições de variáveis aleatórias discretas: Binomial 1. Se 20% dos parafusos produzidos por uma máquina são defeituosos, determinar a probabilidade de, entre 4 parafusos escolhidos
Leia maisExercícios Resolvidos da Distribuição de Poisson
. a. Qual é a diferença entre as distribuições de Poisson e inomial? b. Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson. c. Dê a fórmula da distribuição de Poisson e o significado
Leia maisTeste de Hipóteses e Intervalos de Confiança
Teste de Hipóteses e Intervalos de Confiança Teste de Hipótese e Intervalo de Confiança para a média Monitor Adan Marcel 1) Deseja-se estudar se uma moléstia que ataca o rim altera o consumo de oxigênio
Leia maisPesquisa de Índice de Aprovação de Governos Executivos
Rio de Janeiro, 8 de Maio de 2012 Pesquisa de Índice de Aprovação de Governos Executivos I INTRODUÇÃO. O Conselho Federal de Estatística - CONFE dentro de suas atribuições e objetivando contribuir para
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES 1
CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,
Leia maisEquações Diferenciais Ordinárias
Equações Diferenciais Ordinárias Uma equação diferencial é uma equação que relaciona uma ou mais funções (desconhecidas com uma ou mais das suas derivadas. Eemplos: ( t dt ( t, u t d u ( cos( ( t d u +
Leia maisIntrodução ao estudo de equações diferenciais
Matemática (AP) - 2008/09 - Introdução ao estudo de equações diferenciais 77 Introdução ao estudo de equações diferenciais Introdução e de nição de equação diferencial Existe uma grande variedade de situações
Leia maisExercício de Revisao 1
Exercício de Revisao 1 Considere que seu trabalho é comparar o desempenho de dois algoritmos (A e B) de computação gráfica, que usam métodos diferentes para geração de faces humanas realistas. São sistema
Leia maisPossui como idéia central a divisão de um universo de dados a ser organizado em subconjuntos mais gerenciáveis.
3. Tabelas de Hash As tabelas de hash são um tipo de estruturação para o armazenamento de informação, de uma forma extremamente simples, fácil de se implementar e intuitiva de se organizar grandes quantidades
Leia maisUniversidade Federal de São Carlos Departamento de Matemática 083020 - Curso de Cálculo Numérico - Turma E Resolução da Primeira Prova - 16/04/2008
Universidade Federal de São Carlos Departamento de Matemática 08300 - Curso de Cálculo Numérico - Turma E Resolução da Primeira Prova - 16/0/008 1. (0 pts.) Considere o sistema de ponto flutuante normalizado
Leia mais2. Representação Numérica
2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos
Leia maisPedro Ribeiro 2014/2015
Programação Dinâmica Pedro Ribeiro DCC/FCUP 2014/2015 Pedro Ribeiro (DCC/FCUP) Programação Dinâmica 2014/2015 1 / 56 Números de Fibonacci Sequência de números muito famosa definida por Leonardo Fibonacci
Leia maisEstatística Descritiva I
Estatística Descritiva I Bacharelado em Economia - FEA - Noturno 1 o Semestre 2016 Profs. Fábio P. Machado e Gilberto A. Paula MAE0219 (Economia-FEA-Noturno) Estatística Descritiva I 1 o Semestre 2016
Leia maisExercícios 1. Determinar x de modo que a matriz
setor 08 080509 080509-SP Aula 35 MATRIZ INVERSA Uma matriz quadrada A de ordem n diz-se invertível, ou não singular, se, e somente se, existir uma matriz que indicamos por A, tal que: A A = A A = I n
Leia maisProbabilidade. Distribuição Normal
Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade
Leia maisMÉTODOS ESTATÍSTICOS I 3ª. AVALIAÇÃO PRESENCIAL 1º Semestre de 2010 Prof. Moisés Lima de Menezes (pode usar calculadora) Versão Tutor
MÉTODOS ESTATÍSTICOS I ª. AVALIAÇÃO PRESENCIAL º Semestre de 00 Prof. Moisés Lima de Menezes (pode usar calculadora) Versão Tutor. (,0 pontos) Em uma cidade onde se publicam jornais: A, B e C, constatou-se
Leia maisUnidade 5: Sistemas de Representação
Arquitetura e Organização de Computadores Atualização: 9/8/ Unidade 5: Sistemas de Representação Números de Ponto Flutuante IEEE 754/8 e Caracteres ASCII Prof. Daniel Caetano Objetivo: Compreender a representação
Leia maisCálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU
Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) III Resolução de sistemas lineares por métodos numéricos. Objetivos: Veremos
Leia maisDisponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas 4 questões, com as respectivas resoluções comentadas.
Disponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas questões, com as respectivas resoluções comentadas. Amigos, para responder às questões deste Simulado, vamos
Leia maisMD Sequências e Indução Matemática 1
Sequências Indução Matemática Renato Martins Assunção assuncao@dcc.ufmg.br Antonio Alfredo Ferreira Loureiro loureiro@dcc.ufmg.br MD Sequências e Indução Matemática 1 Introdução Uma das tarefas mais importantes
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos
Leia maisEXAME NACIONAL DO ENSINO SECUNDÁRIO
EXAME NACIONAL DO ENSINO SECUNDÁRIO PROVA 735/C/12 Págs. 11.º Ano de Escolaridade (Decreto-Lei n.º 74/2004, de 26 de Março) Curso Científico-Humanístico de Artes Visuais Duração da prova: 150 minutos 2006
Leia maisAnálise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisESTATÍSTICA ORGANIZAÇÃO E REPRESENTAÇÃO DE DADOS. Tabelas. Frequência absoluta. Frequência relativa
Tabelas. Frequência absoluta. Frequência relativa Com a análise de uma turma, elaborou as seguintes Tabelas: Tabelas. Frequência absoluta. Frequência relativa Perguntou-se a cada aluno a altura e obteve-se
Leia mais0,999... OU COMO COLOCAR UM BLOCO QUADRADO EM UM BURACO REDONDO Pablo Emanuel
Nível Intermediário 0,999... OU COMO COLOCAR UM BLOCO QUADRADO EM UM BURACO REDONDO Pablo Emanuel Quando um jovem estudante de matemática começa a estudar os números reais, é difícil não sentir certo desconforto
Leia maisCorrelação. Ivan Bezerra Allaman
Correlação Ivan Bezerra Allaman Introdução Vamos supor que um inspetor de segurança queira determinar se eiste uma relação entre o número de horas de treinamento de um empregado e o número de acidentes
Leia maisAmbos têm os algarismos 7854 seguidos, a potência de dez apenas moverá a vírgula, que não afeta a quantidade de algarismos significativos.
ALGARISMOS SIGNIFICATIVOS Os algarismos significativos são os algarismos que têm importância na exatidão de um número, por exemplo, o número 2,67 tem três algarismos significativos. Se expressarmos o número
Leia maisMEDIÇÃO EM QUÍMICA ERROS E ALGARISMOS SIGNIFICATIVOS
MEDIÇÃO EM QUÍMICA ERROS E ALGARISMOS SIGNIFICATIVOS 2 O que são e Por que se usam algarismos significativos? O valor 1,00 não é igual a 1? Do ponto de vista matemático, sim. Mas sempre que se façam medições
Leia maisResolução de sistemas lineares
Resolução de sistemas lineares J M Martínez A Friedlander 1 Alguns exemplos Comecemos mostrando alguns exemplos de sistemas lineares: 3x + 2y = 5 x 2y = 1 (1) 045x 1 2x 2 + 6x 3 x 4 = 10 x 2 x 5 = 0 (2)
Leia maisCap. 12 Testes Qui- Quadrados e Testes Não-Paramétricos. Statistics for Managers Using Microsoft Excel, 5e 2008 Prentice-Hall, Inc.
Cap. 1 Testes Qui- Quadrados e Testes Não-Paramétricos Statistics for Managers Using Microsoft Excel, 5e 008 Prentice-Hall, Inc. Chap 1-1 Final de curso... tempo de recordar : ) Cap. 9 Fundamentos de testes
Leia maisUnidade de Ensino Descentralizada de Colatina Coordenadoria de Informática Disciplina: Probabilidade e Estatística Prof. Leandro Melo de Sá
Unidade de Ensino Descentralizada de Colatina Coordenadoria de Informática Disciplina: Probabilidade e Estatística Prof. Leandro Melo de Sá 2006/2 Unidade 2 - PROBABILIDADE Conceitos básicos * Probabilidade:
Leia maisCAP5: Amostragem e Distribuição Amostral
CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?
Leia maisAnálise de Arredondamento em Ponto Flutuante
Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto
Leia maisUm jogo de preencher casas
Um jogo de preencher casas 12 de Janeiro de 2015 Resumo Objetivos principais da aula de hoje: resolver um jogo com a ajuda de problemas de divisibilidade. Descrevemos nestas notas um jogo que estudamos
Leia maisGráfico de Controle por Atributos
Roteiro Gráfico de Controle por Atributos 1. Gráfico de np 2. Gráfico de p 3. Gráfico de C 4. Gráfico de u 5. Referências Gráficos de Controle por Atributos São usados em processos que: Produz itens defeituosos
Leia maisRealizando cálculos para o aparelho divisor (I)
Realizando cálculos para o aparelho divisor (I) A UU L AL A Você já estudou como fazer os cálculos para encontrar as principais medidas para a confecção de uma engrenagem cilíndrica de dentes retos. Vamos
Leia maisTruques e Dicas. = 7 30 Para multiplicar fracções basta multiplicar os numeradores e os denominadores: 2 30 = 12 5
Truques e Dicas O que se segue serve para esclarecer alguma questão que possa surgir ao resolver um exercício de matemática. Espero que lhe seja útil! Cap. I Fracções. Soma e Produto de Fracções Para somar
Leia mais