Inferência Estatistica
|
|
- Edison Tavares
- 4 Há anos
- Visualizações:
Transcrição
1 Inferência Estatistica Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
2 Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns são úteis) Quantidades observáveis (podem ser medidas) Quantidades não observáveis (parâmetros e variáveis latentes) Abordagens: Clássica e Bayesiana Intuição sem base teórica e reflexão em geral resulta em erro. Dados: os valores observados das quantidades observáveis. 1
3 Inferência estatística Processo de tirar conclusões sobre um conjunto maior (população) usando informação de um conjunto menor (amostra). População: todos os casos ou situações sobre as quais o pesquisador quer fazer inferências. estimar a concentração mediana de poluentes num determinado lençol freático, predizer a quantidade minima de petróleo num poço a ser perfurado, estimar o tempo médio de vida útil de um componente eletrônico. Amostra: um subconjunto qualquer da população. Variáveis: características de uma população que diferem de um indivíduo para outro e as quais queremos estudar. Observações: medidas de uma ou mais variáveis de um indivíduo na amostra. 2
4 Princípios de estimação Estamos interessados em um parâmetro populacional θ Θ sendo Θ o espaço paramétrico. Se X Poisson(θ), então Θ = {θ : θ > 0}. Se X N(µ, 1), então Θ = {µ : < µ < }. Se X N(µ, σ 2 ), então Θ = {(µ, σ 2 ) : < µ <, σ 2 > 0}. Qual o valor mais plausível de θ com base nos dados amostrais? estimativa pontual de θ Exemplos: média amostral, desvio padrão amostral, etc. 3
5 Definição Uma estatística é uma função qualquer dos elementos da amostra e que não depende do parâmetro desconhecido. Notação geral, Estatísticas: letras latinas, e.g. X (média amostral), S (desvio padrão amostral), etc. Parâmetros: letras gregas, e.g. µ (média populacional), σ (desvio padrão populacional). Conforme a amostra aumenta, mais informação teremos sobre a população e mais precisas serão as estimativas. 4
6 Definição Qualquer estatística que assume valores em Θ é denominada um estimador para θ. Qualquer estimador é uma estatística mas nem toda estatística define um estimador. 5
7 Exemplo. Seja um experimento com 10 repetições de um ensaio de Bernoulli, { 1, se ocorre sucesso X i = 0, se ocorre fracasso Parâmetro desconhecido: probabilidade de sucesso p. n Y = X i é uma estatística porém não é um estimador de p. i=1 Um possível estimador para p seria ˆp = n i=1 n X i = Y n. Se foram obtidos 3 sucessos então ˆp = 0, 3 é uma estimativa de p. Y /n é uma variável aleatória com possíveis valores 0, 1/10,..., 1. 6
8 Vamos assumir que dispomos de uma amostra segundo a definição a seguir. Definição: Se X representa uma característica de interesse da população, uma amostra aleatória de tamanho n é o conjunto de n variáveis aleatórias independentes X 1,..., X n cada uma com a mesma distribuição de X. 7
9 Teorema Central do Limite A soma de um grande número de variáveis aleatórias independentes e identicamente distribuidas de uma distribuição com variância finita terá distribuição assintoticamente normal. Teorema: Sejam X 1, X 2,... variáveis aleatórias independentes e identicamente distribuidas tais que E(X i ) = µ e Var(X i ) = σ 2. Então a sequência de variáveis aleatórias, Z n = S n nµ σ n, S n = X X n converge em distribuição para a variável aleatória Z N(0, 1). 8
10 Uma forma equivalente do teorema diz que Z n = S n/n µ σ/ n, converge em distribuição para Z N(0, 1). Na prática n é finito então uma aplicação do teorema diz que, para n grande, X µ σ/, tem distribuição aproximadamente n normal padrão, sendo X = 1 n X i. n i=1 9
11 Exemplo. Nos gráficos a seguir temos os histogramas de 2000 médias amostrais com n {1, 2, 5, 15} sendo X U(0, 10) e Y Exp(1/2) x x x x y y y y 10
12 Na prática as suposições que validam o teorema podem não ser satisfeitas. A distribuição das variáveis tem variância infinita. As variáveis tem distribuições não idêntidas. As variáveis não são independentes. Qualquer combinação destes itens. 11
13 Propriedades dos Estimadores Uma vez que mais de um estimador pode ser proposto para estimar um parâmetro de interesse é importante verificar certas propriedades que serão definidas a seguir. Definição Um estimador ˆθ é dito ser não viesado ou não viciado para um parâmetro θ se E(ˆθ) = θ. Se E(ˆθ) θ então o estimador ˆθ é dito ser viesado ou viciado. Se lim n E(ˆθ) = θ então ˆθ é dito ser um estimador assintoticamente não viesado para θ. 12
14 Definição A medida que aumenta o tamanho da amostra o estimador converge em valor esperado para o verdadeiro parâmetro. Um estimador ˆθ é dito ser consistente se, lim n E(ˆθ) = θ e, lim Var(ˆθ) = 0 n 13
15 Definição Comparando 2 estimadores não viesados. Se dois estimadores ˆθ 1 e ˆθ 2 são não viesados para um parâmetro θ então ˆθ 1 é mais eficiente do que ˆθ 2 se Var(ˆθ 1 ) < Var(ˆθ 2 ). 14
16 Exemplo. Sejam as variáveis aleatórias X 1,..., X n independentes e identicamente distribuidas com E(X i ) = µ e Var(X i ) = σ 2. Então, (i) E(X ) = 1 n n E(X i ) = 1 n i=1 (i) Var(X ) = 1 n 2 n µ = µ i=1 n Var(X i ) = 1 n 2 i=1 n i=1 σ 2 = σ2 n. Portanto a média amostral X é um estimador não viesado da média populacional µ e sua variância dada por σ 2 /n diminui com o tamanho da amostra. 15
17 Exemplo. No exemplo anterior, Suponha agora que o seguinte estimador é proposto para σ 2, Verifique que, ˆσ 2 = (1/n) n (X i X ) 2. i=1 ( ) n 1 E(ˆσ 2 ) = σ 2 n e conclui-se que ˆσ 2 é um estimador viesado para σ 2. Porém, ( ) n 1 σ 2 = σ 2 lim n e portanto ˆσ 2 é assintoticamente não viesado para σ 2. n 16
18 Nos exemplos anteriores nenhuma distribuição de probabilidades foi atribuida aos X i s. As propriedades obtidas são válidas qualquer que seja a distribuição dos dados. Para obter um estimador não viesado note que, [( ) ] ( ) n n E ˆσ 2 = E(ˆσ 2 ) = σ 2. n 1 n 1 Portanto, o estimador S 2 = 1 n 1 n (X i X ) 2 i=1 é não viesado para a variância populacional σ 2. 17
19 Exemplo. Seja o estimador ˆµ = X 1 para a média populacional µ. Como E(ˆµ) = E(X 1 ) = µ segue que ˆµ = X 1 é também um estimador não viesado µ. Portanto Var(X ) = σ2 n < Var(ˆµ) = σ2, para n > 1 e µ e assim o estimador X é mais eficiente. O simples fato de um estimador ser não viesado não significa que ele seja bom, mas se a sua variância for pequena então necessariamente sua distribuição estará concentrada em torno da média e com alta probabilidade ˆθ estará próximo de θ. 18
20 Exemplo. Seja X 1,..., X n uma amostra aleatória da distribuição de Poisson com parâmetro λ. Como E(X i ) = Var(X i ) = λ segue dos resultados anteriores que X e S 2 são estimadores não viesados para λ. Além disso, ˆθ = αx + (1 α)s 2 também é não viesado para λ já que, E(ˆθ) = αe(x ) + (1 α)e(s 2 ) = αλ + (1 α)λ = λ. 19
21 Exemplo. Sejam as variáveis aleatórias X 1,..., X n independentes e identicamente distribuidas tais que { µ1, i = 1,..., k E(X i ) = µ 2, i = k + 1,..., n e Var(X i ) = σ 2, i = 1,..., n. Verifique se os estimadores, X 1 = 1 k X 2 = ˆσ 2 = 1 k k i=1 1 n k k i=1 X i n j=k+1 X j (X i X 1 ) n k são não viesados para µ 1, µ 2 e σ 2. n j=k+1 (X j X 2 ) 2 20
22 Exemplo. Sejam as variáveis aleatórias X 1,..., X n independentes e identicamente distribuidas tais que E(X i ) = µ e Var(X i ) = σ 2 sendo σ 2 conhecido. Sejam os estimadores lineares, ˆµ = n c i X i, i=1 sendo c i 0 constantes conhecidas. 1. Sob que condições estes estimadores lineares são não viesados para µ? 2. Qual o estimador linear não viesado de variância mínima? 21
23 Distribuições Amostrais Estimadores são funções de variáveis aleatórias, portanto também são variáveis aleatórias. Qual a distribuição de probabilidades de um determinado estimador? A solução pode ser exata ou aproximada. 22
24 Amostrando da Distribuição Normal Sejam X 1,..., X n independentes tais que X i N(µ, σ 2 ), i = 1,..., n. Então, ( n n ) n a i X i N a i µ, ai 2 σ 2, i=1 i=1 i=1 portanto, X = 1 n n X i N i=1 ) (µ, σ2 n A probabilidade de que a média amostral esteja em uma vizinhança da média teórica aumenta com o valor de n. 23
25 Exemplo. Um lote de 1000 peças é aceito por uma indústria se 10 peças são sorteadas ao acaso e o comprimento médio está entre 5 cm e 10 cm. Assume-se que o comprimento das peças tem distribuição normal com média 7.5 cm e variância 20 cm 2. Calcular a probabilidade de aceitação do lote. Sejam, X i o comprimento da i-ésima peça retirada, i = 1,..., n. Então, X i N(7.5, 20) e X N(7.5, 20/10) e deve calcular, P(5 < X < 10). 24
26 Exemplo. Suponha que X 1, X 2,..., X n sejam variáveis aleatórias independentes com distribuição Bernoulli, X i Bernoulli(p). Então, pelo teorema central do limite segue que a distribuição aproximada (para n grande) de Y = n i=1 X i é, n X i N (np, np(1 p)) i=1 ou equivalentemente, X N ( p, ) p(1 p) n 25
27 Exemplo. No exemplo anterior note que Y = n i=1 X i tem distribuição exata Binomial(n, p). Se n = 100 e p = 0.90 e queremos calcular P(Y 50) pode ser mais conveniente usar a aproximação normal. Proabilidade exata, P(Y 50) = 100 k=50 Probabilidade aproximada usando, Y N(90, 9). ( ) n p k (1 p) n k. k 26
28 Exemplo. Suponha que X 1, X 2,..., X n sejam variáveis aleatórias independentes com distribuição exponencial todas com o mesmo parâmetro λ. Então, pelo teorema central do limite segue que a distribuição aproximada (para n grande) da média amostral é. ( ) 1 X N λ, 1 nλ 2. 27
29 Exemplo. Uma variável aleatória X pode assumir os valores 1, 3 ou 6 com probabilidades 0.45, 0.25 e 0.3. Em uma amostra de 30 observações desta variável calcule a probabilidade da média amostral ser maior do que 3.5. Se X 1,..., X n é uma amostra de tamanho n então a distribuição aproximada da média amostral é, sendo µ = E(X ) e σ 2 = Var(X ). X N(µ, σ 2 /n) Verifique que, E(X ) = 3 e Var(X ) = 4.5 portando a distribuição aproximada é, X N(3, 4.5/30). 28
30 Exemplo. Em uma região, a concentração de um certo mineral, medida em porcentagem do mineral por unidade de volume, é modelada por uma variável aleatória X com média 4 e variância 3/2. Para uma amostra de tamanho 20, qual a distribuição de X? Que tamanho deve ter a amostra para que P(3.5 < X < 4.5) = 0.95? 29
31 Estimação por intervalos Quando estimamos um parâmetro através de um único valor numérico toda a informação presente nos dados é resumida através deste número. É importante encontrar também um intervalo de valores plausíveis para o parâmetro. A idéia é construir um intervalo em torno da estimativa pontual de modo que ele tenha uma probabilidade conhecida de conter o verdadeiro valor do parâmetro. Tipicamente as distribuições amostrais de estimadores dos parâmetros desconhecidos serão utilizadas. 30
32 Exemplo. Seja X 1,..., X n uma amostra aleatória da distribuição N(θ, σ 2 ), com σ 2 conhecido. Para fazer inferências sobre θ nos baseamos na média amostral X e sabemos que n (X θ) U = N(0, 1). σ Note que a estatística U é uma função da amostra e também de θ, o parâmetro de interesse, mas sua distribuição de probabilidades não depende de θ. Usando uma tabela da distribuição normal padronizada podemos obter o valor do percentil z α/2 tal que P( z α/2 U z α/2 ) = 1 α e assim, após isolar θ, obtemos que ) σ σ P (X z α/2 n θ X + z α/2 n = 1 α. 31
33 Esta igualdade pode dar margem a interpretações errôneas, o que aliás acontece com bastante frequência. Na inferência clássica, o parâmetro θ é desconhecido mas fixo e portanto não é passível de descrição probabiĺıstica, ou seja não se trata de um intervalo de probabilidade para θ. Os limites do intervalo é que são variáveis aleatórias. 32
34 Após a amostra ser observada teremos um valor numérico para a média amostral, i.e. X = x e dizemos que x z α/2 σ n θ x + z α/2 σ n com confiança 100(1 α)%. Não se pode fazer afirmações do tipo o verdadeiro valor de θ tem 95% de chances de estar no intervalo x ± 1, 96 σ/ n. 33
35 Para um dado valor de 1 α, é possível construir muitos intervalos de confiança diferentes para θ. Na verdade, quaisquer constantes c 1 e c 2 tais que P(c 1 U c 2 ) = 1 α podem ser usadas para construir um intervalo com limites x c 2 σ n e x c 1 σ n. No entanto, pode-se mostrar que dentre todos os intervalos de confiança com esta característica, aquele definido acima que é simétrico em torno do média amostral x é o de menor comprimento. 34
36 Exemplo. No exemplo anterior suponha que foram observados os dados abaixo, Queremos construir um intervalo de 95% para a média θ com σ = 10. A média amostral é x =
37 Valores de c 1 e c 2 obtidos para diferentes probabilidades nas caudas da distribuição normal padrão. Na última coluna estão os comprimentos σ(c 2 c 1 )/ n dos intervalos. P(Z < c 1 ) P(Z > c 2 ) c 1 c 2 comp
38 Exemplo. Sejam X 1..., X n N(0, 100). Foram geradas 100 amostras de tamanho n = 30 e construidos os intervalos de 95% de confiança para média. x j < µ < x j , j = 1,..., 100. Espera-se que em média 5 em cada 100 intervalos não contenham o verdadeiro valor de µ = E(X ). 37
39 Intervalos de 95% de confiança para média desconhecida. Medias Amostras Nivel de Confianca Real = 96 % 38
40 Intervalos Aproximados Exemplo. Sejam X 1,..., X n independentes tais que E(X i ) = µ é um parâmetro desconhecido e Var(X i ) = σ 2 é conhecida. Então, pelo Teorema Centrals do Limite segue a distribuição aproximada, U = n (X µ) σ N(0, 1). Após a amostra ser observada podemos então construir um intervalo de confiança aproximada para µ, x z α/2 σ n µ x + z α/2 σ n com confiança 100(1 α)%. 39
41 Exemplo. Uma amostra de larvas de mosquito coletadas de um lago com água limpa parada contem 80 larvas das quais 60 são de uma certa espécie. A proporção daquela espécie na amostra é 60/80 = Esta proporção é uma estimativa da proporção total populacional. Seja n o tamanho da amostra e seja x o número observado do evento de interesse. Então estimamos a proporção populacional p com a proporção observada ˆp = x/n. Verifique que ˆp é um estimador não viesado de p. 40
42 Exemplo. No exemplo anterior. pelo Teorema Central do Limite, para n grande e p não muito próximo de 0 ou 1, a distribuição de ˆp será aproximadamente normal com média p e um desvio padrão dado por p(1 p). n Este é o erro padrão da proporção amostral e podemos usar isto na construção de um intervalo de confiança para a verdadeira proporção p. No entanto este erro padrão depende do valor desconhecido de p e aqui duas abordagens são possíveis. 41
43 Um enfoque consiste em substituir p pela sua estimativa pontual, ˆp. Neste caso, um intervalo de confiança de aproximadamente 95% para p é dado por ( ) ˆp(1 ˆp) ˆp(1 ˆp) ˆp 1, 96, ˆp + 1, 96. n n Aqui usaremos como regra geral que este intervalo de confiança é válido se tivermos ambos nˆp e n(1 ˆp) maiores ou iguais a 5. 42
44 Alternativamente, podemos usar o fato de que o valor máximo de p(1 p) é atingido para p = 1/2, logo p(1 p) 1/4, ou equivalentemente p(1 p)/n 1/ 4n. Neste caso, um intervalo de confiança conservativo é dado por ( ) 1 1 ˆp z α/2 4n, ˆp + z α/2. 4n No entanto, se o verdadeiro valor de p estiver afastado do seu valor máximo e estiver próximo de 0 ou de 1 então este intervalo tem amplitude desnecessariamente grande porque substituimos p(1 p) pelo seu valor máximo. 43
45 Exemplo. No caso das larvas de mosquito descrito acima temos que n = 80 e ˆp = Portanto um intervalo de confiança de 95% para proporção de larvas é, ( ) 0.75(0.25) 0.75(0.25) , e então podemos afirmar, com 95% de confiança, que a verdadeira proporção está entre e
Estimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisDistribuições amostrais
Distribuições amostrais Tatiene Correia de Souza / UFPB tatiene@de.ufpb.br October 14, 2014 Souza () Distribuições amostrais October 14, 2014 1 / 23 Distribuição Amostral Objetivo Estender a noção de uma
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisProbabilidade e Estatística
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Inferência Estatística stica e Distribuições Amostrais Inferência Estatística stica O objetivo
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisIntrodução à Bioestatística Turma Nutrição
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução à Bioestatística Turma Nutrição Aula 8: Intervalos de Confiança para Média e Proporção Distribuição
Leia maisESTIMAÇÃO DE PARÂMETROS
ESTIMAÇÃO DE PARÂMETROS Um dos principais objetivos da estatística inferencial consiste em estimar os valores de parâmetros populacionais desconhecidos (estimação de parâmetros) utilizando dados amostrais.
Leia maisInferência Estatística:
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Inferência Estatística: Princípios de Bioestatística decidindo na presença de incerteza Aula 8: Intervalos
Leia maisCE219 - Controle Estatístico de Qualidade
CE219 - Controle Estatístico de Qualidade Cesar Augusto Taconeli 30 de maio, 2017 Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 1 / 96 Aula 2 - Métodos estáticos para
Leia maisTeorema central do limite e es/mação da proporção populacional p
Teorema central do limite e es/mação da proporção populacional p 1 RESULTADO 1: Relembrando resultados importantes Seja uma amostra aleatória de tamanho n de uma variável aleatória X, com média µ e variância
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Profa. Airlane P. Alencar e Prof. Francisco Marcelo M. da Rocha 11 de Setembro de 2018 Alencar, A.P. e Rocha, F.M.M. (IME-USP e EPPEN - UNIFESP) Estatística I 11 de
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Prof. Dr. Francisco Marcelo M. da Rocha 10 de Setembro de 2018 Rocha, F.M.M. (EPPEN - UNIFESP) Estatística I 10 de Setembro de 2018 1 / 60 Índice 1 Objetivo da Aula
Leia maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia maisMAE0212 Introdução à Probabilidade e Estatística II
MAE01 Introdução à Probabilidade e Estatística II Gabarito-Lista 3 Exercicio 1 (a) Cada X i N(µ, σ ). Tamanho da amostra n = 9, desvio padrão σ =. A amostra é: 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7., 5.7, 6..
Leia maisLista de Exercicios 1. Medidas Resumo. Estimação. Distribuições Amostrais
Introcução à Inferência Estatística. Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 15 de agosto de 007 Lista de Exercicios 1 Medidas Resumo. Estimação. Distribuições Amostrais 1
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisProfessora Ana Hermínia Andrade. Período
Estimação intervalar Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Estimação Intervalar Vimos que como
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisModelos Probabilisticos Discretos
Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 7: Intervalos de Confiança 13 de novembro de 2012 1 2 3 4 Percentil 100p%-percentil O ponto t 0 tal que t 0 = F 1 X (p) = min{t : F X (t) p}, 0 < p < 1 é
Leia maisAula 9: Introdução à Inferência Estatística
Aula 9: Introdução à Inferência Estatística Professor: José Luiz Padilha da Silva email: jlpadilha@ufpr.br Departamento de Estatística Universidade Federal do Paraná Curitiba, 2018 José Luiz Padilha da
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) 2a AULA 02/03/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 2a aula (02/03/2015) MAE229 1 / 16
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7: Intervalos de Confiança com uma amostra Leitura obrigatória: Devore, cap 7 ou Montgomery e Runger, cap 8 Chap 8-1 Objetivos Como inferir sobre um parâmetro da população,
Leia maisTestes de Hipótese para uma única Amostra - parte II
Testes de Hipótese para uma única Amostra - parte II 01 de Julho de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Testar hipóteses para média de uma população. Serão usadas as distribuições
Leia maisSolução dos Exercícios - Capítulos 1 a 3
Capítulo 9 Solução dos Exercícios - Capítulos a 3 9. Capítulo. a Como o valor se refere aos pacientes estudados, e não a todos os pacientes, esse é o valor de uma estatística amostral. b Estatística amostral
Leia maisIntervalos de Confiança
Intervalos de Confiança Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques e Nuno Bastos (DepMAT) Intervalos de Confiança 2010/2011 1 / 33 Introdução
Leia maisTestes de Hipótese para uma única Amostra - parte II
Testes de Hipótese para uma única Amostra - parte II 2012/02 1 Teste para média com variância conhecida 2 3 Objetivos Ao final deste capítulo você deve ser capaz de: Testar hipóteses para média de uma
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia maisPE-MEEC 1S 09/ Capítulo 7 - Estimação por intervalos. 7.2 Intervalos de. confiança para. média de uma. normal 7.
Capítulo 7 - Estimação por intervalos 7.1 Noções básicas 7.2 Intervalos de confiança para a média de uma população normal 7.3 Intervalos de confiança para a diferença de duas médias de populações normais
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Explicar os conceitos gerais de estimação de
Leia maisProfessora Ana Hermínia Andrade. Período
Distribuições de probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Modelos de distribuição Para
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7 Distribuição da Média Amostral Leitura obrigatória: Devore: Seções 5.3, 5.4 e 5.5 Chap 8-1 Inferência Estatística Na próxima aula vamos começar a parte de inferência
Leia maisAmostra Aleatória Simples
Amostra Aleatória Simples Airlane Pereira Alencar 4 de Abril de 2018 Alencar, A.P. (IME-USP) Amostra Aleatória Simples 4 de Abril de 2018 1 / 34 Definições e Notações Notações População ou Universo U =
Leia maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
Leia maisCOS767 - Modelagem e Análise Aula 3 - Simulação
COS767 - Modelagem e Análise Aula 3 - Simulação Validando resultados da simulação Média e variância amostral Teorema do Limite Central Intervalo de confiança Organizando as execuções da simulação Verificando
Leia maisLista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL.
Introdução à Inferência Estatística Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 5 de setembro de 004 Lista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL. 1 Medidas Resumo DISTRIBUIÇÕES
Leia maisInferência Estatística
Inferência Estatística Estimação Intervalar Média e Proporção Estimação Pontual x Estimação Intervalar Exemplo Inicial: Um estudo pretende estimar o valor de µ, a renda média familiar dos alunos da UFMG.
Leia mais6. Amostragem e estimação pontual
6. Amostragem e estimação pontual Definição 6.1: População é um conjunto cujos elementos possuem qualquer característica em comum. Definição 6.2: Amostra é um subconjunto da população. Exemplo 6.1: Um
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisPrincípios de Bioestatística Inferência e Intervalo de Confiança
1/24 Princípios de Bioestatística Inferência e Intervalo de Confiança Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG Tabela Normal Padrão 2/24 3/24 Inferência
Leia maisIntervalos de Confiança
Intervalos de Confiança Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Estimar o consumo médio de um automóvel, estimar o tempo médio que um funcionário leva a aprender uma
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia mais6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA
6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA 2019 Problemas de inferência Inferir significa fazer afirmações sobre algo desconhecido. A inferência estatística tem como objetivo fazer afirmações sobre uma característica
Leia maisInferência estatística
Inferência estatística Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Inferência estatística Obtenção de conclusões sobre propriedades da população a partir das propriedades de uma amostra aleatória
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um
Leia maisProcesso de Amostragem
Processo de Amostragem População versus Amostra População: conjunto de unidades com uma ou mais característica em comum N é a dimensão da população Amostra: Subconjunto da população N é a dimensão da amostra
Leia maisInferência Estatística:
Inferência Estatística: Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos Estimação É um processo que
Leia maisVariáveis Aleatórias Discretas
Variáveis Aleatórias Discretas Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Definição Uma variável aleatória é uma função definida
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisAULA 03 Estimativas e tamanhos amostrais
1 AULA 03 Estimativas e tamanhos amostrais Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade
Leia mais2. Distribuições amostrais
2. Distribuições amostrais USP-ICMC-SME 203 USP-ICMC-SME () 2. Distribuições amostrais 203 / 22 Amostra aleatória Notação. X: variável aleatória (v.a.). f(x; θ): função densidade de probabilidade (X contínua)
Leia maisUma estatística é uma característica da amostra. Ou seja, se
Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisAula 9 Intervalo de confiança para a média da N(μ; σ 2 ), σ 2 desconhecida
Aula 9 Intervalo de confiança para a média da N(μ; σ 2 ), σ 2 desconhecida Nesta aula você completará seu estudo básico sobre intervalos de confiança, analisando o problema de estimação da média de uma
Leia maisEstimador: combinação dos elementos da amostra, construída com a finalidade de representar, ou estimar, um parâmetro de interesse na população.
Objetivo: tirar conclusões sobre uma população com base na informação de uma amostra. estimação testes de hipóteses Parâmetro metro: quantidades desconhecidas da população e sobre as quais temos interesse.
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
Leia maisTurma: Engenharia Data: 12/06/2012
DME-IM-UFRJ - 2ª Prova de Estatística Unificada Turma: Engenharia Data: 12/06/2012 1 - Admita que a distribuição do peso dos usuários de um elevador seja uma Normal com média 75kg e com desvio padrão 15kg.
Leia mais6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA
6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA 214 Problemas de inferência Inferir significa fazer afirmações sobre algo desconhecido. A inferência estatística tem como objetivo fazer afirmações sobre uma característica
Leia maisIntrodução à probabilidade e estatística II
Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisEstatística Indutiva
Estatística Indutiva MÓDULO 7: INTERVALOS DE CONFIANÇA 7.1 Conceitos básicos 7.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição
Leia maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução O curso foi dividido em três etapas:
Leia mais1 Teoria da Decisão Estatística
1 Teoria da Decisão Estatística 1.1 Teste de Hipótese É uma metodologia estatística que permite tomar decisão sobre uma ou mais populações baseando no conhecimento de informações da amostra. Ao tentarmos
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisEstimativas e Tamanhos de Amostras
Estimativas e Tamanhos de Amostras 1 Aspectos Gerais 2 Estimativa de uma Média Populacional: Grandes Amostras 3 Estimativa de uma Média Populacional: Pequenas Amostras 4 Tamanho Amostral Necessário para
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisEstatística Aplicada
Estatística Aplicada Intervalos de Confiança Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada INTERVALOS DE CONFIANÇA Processos de estimação Estimação por ponto: o processo em
Leia mais