APOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I

Tamanho: px
Começar a partir da página:

Download "APOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I"

Transcrição

1 UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I CURSO DE ESTATÍSTICA Prof. Paulo Rcardo Bttecourt Gumarães O SEMETRE DE 003

2 PLANO DE ENSINO Fcha º Dscpla: Iferêca Estatístca I Códgo: CE09 Turma : A Curso : Estatístca - 3 o período Professor resposável: Paulo Rcardo Bttecourt Gumarães Pré-requsto: CE03+CE05+CM008 Programa: I - Cocetos Báscos.. Defção de Estatístca, População alvo, Amostra aleatóra, estatístca e mometos amostras... Amostragem da dstrbução ormal: dstrbuções Ququadrado, t de Studet e F de Sedecor, prcpas resultados. II - Sufcêca.. Defção de estatístca sufcete... Teorema da Fatoração..3. Famíla epoecal uparamétrca. III - Propredades dos Estmadores Potuas 3.. Estmação potual: defção de estmador e estmatva. 3.. Defção de Cosstêca, desgualdade de Tchebychev Defção de Erro Médo Quadrátco e estmador ão-vcado. IV - Métodos de Estmação 4.. Método da Máma Verossmlhaça. 4.. Método dos Mometos Método dos mímos Quadrátcos. V - Propredades Ótmas dos Estmadores 5.. Defção de estatístca completa e estatístca ótma. 5.. Teorema de Lehma-Scheffé: estmador UMVU Ivarâca a locação e a escala.

3 Referêcas Bblográfcas:. Mood, A.M., Graybll, F.A., Boes, D.C. (974). Itroducto to the theory of Statstcs. 3 ed. New York: McGraw Hll. Hogg & Crag Itroducto to Mathematcal Statstcal. 3. Bckel, P. J., Doksum, K.A. Mathematcal Statstcs, Holde Day Ic. 4. Kreyszg, E. (970). Itroductory Mathematcal Statstcs. Joh Wley & Sos. 5. Rohatg, V.K. (976). A Itroducto to Probablty Theory ad Mathematcal Statstcs. Joh Wley & Sos 3

4 ÍNDICE I CONCEITOS BÁSICOS INTRODUÇÃO...5. NOÇÕES DE POPULAÇÃO E AMOSTRA ESTATÍSTICA : MOMENTOS AMOSTRAIS AMOSTRAGEM DA DISTRIBUIÇÃO NORMAL...9 II SUFICIÊNCIA INTRODUÇÃO...3. DEFINIÇÃO: ESTATÍSTICA SUFICIENTE: TEOREMA DE NEYMAN-FISHER OU TEOREMA DA FATORIZAÇÃO FAMÍLIA EXPONENCIAL UNIPARAMÉTRICA FAMÍLIA EXPONENCIAL K-PARAMÉTRICA...9 III MODELOS PARAMÉTRICOS CONCEITO DEFINIÇÕES...0 IV ESTIMAÇÃO ESTIMAÇÃO POR PONTO PROPRIEDADES DOS ESTIMADORES PARAMÉTRICOS Cosstêca Estmadores Não-vcados MÉTODOS DE ESTIMAÇÃO Método da Máma Verossmlhaça (Fsher) Método dos Mímos Quadrados (Gauss) ESTIMADORES NÃO-VICIADOS UNIFORMEMENTE DE MÍNIMA VARIÂNCIA (UMVU) E INTERVALOS DE CONFIANÇA Estatístcas Completas Estmadores UMVU...9 4

5 I CONCEITOS BÁSICOS. INTRODUÇÃO Latm: INFERENTIA Ato de ferr (trar por coclusão). Admte-se uma proposção como verdadera, que ão seja cohecda dretamete, através da relação dela com outras proposções já sabdamete verdaderas. Casos especas: Iferêca Dedutva (certa). Iferêca Idutva (certa, há um ível de probabldade evolvdo). E.: Dedutva: Premssa prcpal - um dos âgulos de um trâgulo retâgulo tem sempre 90º. Premssa secudára - Τ é um trâgulo retâgulo. Coclusão: T tem um âgulo de 90º (partcular geral). Idutva: 0 7 semetes são platadas, deseja-se saber quatas darão flores bracas e quatas vermelhas. Há um ível de probabldade evolvdo para cada flor (cor) (geral partcular). A ESTATÍSTICA Usualmete, é mpratcável observar toda uma população, seja pelo custo alto seja por dfculdades operacoas. Eama-se etão uma amostra, de preferêca bastate represetatva, para que os resultados obtdos possam ser geeralzados para toda a população. Um epermeto pode ter por faldade a determação da estmatva de um parâmetro de uma fução. Toda coclusão trada por amostragem, quado geeralzada para a população, apresetará um grau de certeza. Ao cojuto de téccas e procedmetos que permtem dar ao pesqusador um grau de cofabldade as afrmações que faz para a população, baseadas os resultados das amostras, damos o ome de Iferêca Estatístca OBJETIVOS PRINCIPAIS a) Plaejar o processo amostral e epermetal; b) Obter ferêcas sobre a população; c) Estabelecer íves de certeza evolvdos essas ferêcas. 5

6 . NOÇÕES DE POPULAÇÃO E AMOSTRA DEF. : POPULAÇÃO ALVO é a totaldade de elemetos que estão sob dscussão e das quas se deseja formação. EXEMPLO :- Supoha que se teha armazeado um depósto 0 mlhões de semetes de flores das quas sabe-se que produzem flores bracas e vermelhas. Os 0 mlhões de semetes é a população e deseja-se a formação: quatas destes 0 mlhões de semetes produzem flores bracas?. DEF. : AMOSTRA ALEATÓRIA: Sejam as varáves [X, X,...,X ] que têm a desdade cojuta f,,..., ) que fatora as desdades margas segutes: (,,..., f ( ) = f,..., (,,..., ) f ( ). f ( )... f, = ( com f(.) sedo a desdade comum a todas as X. Etão (X, X,..., X ) é defda como amostra aleatóra (a.a.) de tamaho da população com desdade f (.). Nota: Um valor específco da a.a. X ;...;X é deotado por ; ;...;. No eemplo das 0 7 semetes, pode-se ter: flor - braca valor 0 - vermelha valor X = 0 se braca se vermelha Assm, uma a.a. ( = 50) pode ser: = 0; = ;...; 50 = 0 ) EXEMPLO :- No eemplo tomado, pode-se assocar a flor braca e 0 a flor vermelha, etão este um úmero assocado a cada elemeto da população. Se a amostragem de semetes é feta de tal forma que as varáves X, X,...,X são depedetes e têm a mesma desdade a amostra é dta aleatóra. DEF. 3: POPULAÇÃO AMOSTRADA: Seja [X, X,...,X ] a.a. da população com desdade f (.), etão esta população é chamada população amostrada. Resultados com base a a.a. só são váldas para a população amostrada, a meos que a população alvo seja a população amostrada. 6

7 EXEMPLO 3: Supoha que um socólogo deseja eteder os hábtos relgosos dos homes com 0 aos de dade em certo país. Ele etra uma amostra de homes com 0 aos de uma grade cdade para estudar. Neste caso tem-se: População alvo: homes com 0 aos do país; População amostrada: homes com 0 aos da cdade grade amostrada. Etão ele pode fazer coclusões váldas apeas para os elemetos da grade cdade (população amostrada), mas pode usar o seu julgameto pessoal para etrapolar os resultados obtdos para a população alvo, com muta cautela e certas reservas. EXEMPLO 4:- Um pesqusador agrícola está estudado a produção de certa varedade de trgo em determado estado. Ele tem a sua dsposção 5 fazedas, espalhadas pelo estado, as quas ele pode platar trgo e observar a produção. A população amostrada, este caso, cosste das produções de trgo estas 5 fazedas, equato a população alvo cosste das produções de trgo em todas as fazedas do estado..3 ESTATÍSTICA : MOMENTOS AMOSTRAIS DEF. 4: ESTATÍSTICA: Uma estatístca é uma fução das varáves observáves, e é por s própra uma varável observável que ão cotém qualquer parâmetro descohecdo. EXEMPLO 5: Seja a a.a. [X, X,...,X ]. A méda amostral = estatístca. é uma EXEMPLO 6: Seja a v.a X ~ N(µ, σ ) com µ e σ descohecdos, etão - µ ão é estatístca porque ão é observável, é fução do parâmetro descohecdo µ. EXEMPLO 6: Seja uma v.a. com dstrbução N(µ;σ ). Quas são Estatístcas? a) X -µ d) X-4 b) X σ e) X - logx 3 c) X -3 7

8 DEF.5: MOMENTOS AMOSTRAIS Seja [X, X,...,X ] uma a.a. da desdade f X (). Etão, o k-ésmo mometo amostral é defdo por: M k = OBS : Se k= M = X = k (méda amostral) E, o k-ésmo mometo amostral em toro de X é defdo por M k = ( - ) k OBS : Mometos amostras são eemplos de estatístcas. RESULTADO : Seja [X, X,...,X ] uma a.a. da população com desdade f (). Etão, a esperaça do k-ésmo mometo amostral é gual ao k-ésmo mometo populacoal, sto é: e também, E(M k ) = µ k = E( k ) V(M k ) = [E( k ) [E( k ) ] = [µk (µ k ) ], se M k este. EXERCÍCIO : Prove o resultado ateror. DEF.6.: VARIÂNCIA AMOSTRAL Seja [X, X,...,X ] uma a.a. da desdade f (), etão defda como varâca amostral. s = ( ) é OBS: Tato s quato M = σ ˆ medem a dspersão da amostra, cotudo s é melhor que σ ˆ porque E(s ) = m = σ, equato E(M ) = E( σ ˆ ) m = σ RESULTADO : Seja [X, X,...,X ] uma a.a. da desdade f (), que tem méda µ e varâca fta σ, etão : E () = µ e σ V( ) = σ = EXERCÍCIO : Prove o resultado. RESULTADO 3: Seja [X, X,...,X ] uma a.a. da desdade f () e seja s a varâca amostral, etão E(s ) = σ e V(s 3 4 ) = µ 4 σ EXERCÍCIO 3: Prove a prmera parte do resultado 3. 8

9 .4 AMOSTRAGEM DA DISTRIBUIÇÃO NORMAL RESULTADO 4: Seja a méda amostral da a.a. [X, X,...,X ] da dstrbução N (µ,σ ). Etão N (µ,σ /). Uma v.a. X é ormalmete dstrbuída se sua f ( ) é dada por: f X ( ) = f X ( ; µ, σ ) = e πσ µ ( ) σ, µ e X R, σ>0 REVISÃO: FUNÇÃO GERADORA DE MOMENTOS ψ ψ X X, Y ( t ) = E( e t ) bt Seja Y = a + b ψ ( t) = e. ψ ( at) tx + t ( t, t ) = E( e Y ) Y Sejam as v.a s X e Y. Elas serão depedetes se e somete se: ψ t, t ) = ψ ( t ) ψ ( ) X, Y ( X Y t X EXERCÍCIO 4: Prove o resultado 4. DEF. 7: DISTRIBUIÇÃO QUI-QUADRADO (χ ) υ υ e ( υ ) Se X é uma v.a com desdade f a () =, > 0, etão X é dta ter Γ dstrbução qu-quadrado com ν graus de lberdade, ode ν é um tero postvo. OBS.: Se X ~ χ υ E(X) = ν e V(X) = ν RESULTADO 5: Se as v.a s X, =,,..., são ormas e depedetemete dstrbuídas com méda µ, e varâca σ, etão a v.a EXERCÍCIO 5: a) Prove o resultado ctado a observação ateror. b) Prove o resultado 5. U = µ σ ~. 9

10 RESULTADO 6 : Se [z, z,..., z ] é uma a.a. de uma dstrbução N( 0,), etão : () z ~ N 0, ) COROLÁRIO : Se ( (II) z e ( z z) são depedetes (III) ( z z) ~ s = ( ) é a varâca amostral de uma N(µ,σ ), etão ( ) s U = tem uma dstrbução χ. σ EXERCÍCIO 6: a) Prove o resultado 6. b) Prove o coroláro do resultado 6. DEF. 8: DISTRIBUIÇÃO I Se a v.a X tem a desdade abao, etão X é defda como uma v.a com dstrbução I com ν e ν graus de lberdade. υ + υ υ Γ ( υ ) f X ( ) = υ υ υ υ υ + υ > 0 υ Γ Γ [ + ( ) ] υ RESULTADO 7: Seja U uma v.a com dstrbução χ com ν graus de lberdade e seja V uma v.a χ com ν graus de lberdade, v.a s depedetes. Etão a v.a X= tem dstrbução I com ν e ν graus de lberdade. COROLÁRIO: Se [X, X,...,X m+ ] é uma a.a. de tamaho m + de uma população N( µ σ ) e se [Y, Y,..., Y + ] é uma a.a. de tamaho + de uma população,, σ y y N( µ ) e se as duas amostras são depedetes, etão : U υ V υ m + ( ) + ( U = ~ χ m, V = σ y y) σ ~ χ, tal que EXERCÍCIO 7: a) Prove o resultado 7 b) Prove o coroláro do resultado 7. ( ) ( y y) / m / ~ I m,. RESULTADO 8: Seja X uma v.a I υ,υ, etão : υ E(X) = υ > e V(X) = υ υ υ ( υ ( υ + υ ) ( υ ) 4) υ > 4 0

11 EXERCÍCIO 8: Prove o resultado 8. CARACTERÍSTICAS DA DISTRIBUIÇÃO F ) Dstrbução Assmétrca; ) Depede de m e para sua caracterzação; ) Há uma relação etre t k e F (;k) : t k = F (;k) v) Esperaça e Varâca ( m + ) E[] = ; ( > ) e V[] = m( ) ( 4) v) F - (m;) = Fα ( ; m) ; ( > 4) APLICAÇÕES - Aálse de Varâca (ANOVA) - Teste de Homogeedade de Varâcas DEF.9: DISTRIBUIÇÃO t DE STUDENT A dstrbução "t" estuda os casos de pequeas amostras (<30) e/ou quado se descohece a varâca populacoal (σ ). Assm, faz-se ecessáro estmar σ através da estatístca S, fução da a.a. X ;...;X. O Teorema do Lmte Cetral mostra que a dstrbução amostral da méda tem dstrbução N(µ; σ /), quado é grade. Logo, a estatístca Z Z = X µ σ ~ N(0;) Agora, se usarmos a estatístca S e for pequeo, Z ão terá mas dstrbução Normal. Qual será será etão a ova dstrbução? O estatístco W.S.Gosset ("The Probable Error of Mea" Bometrka,.908), sob pseudômo de Studet, obteve uma dstrbução eata para ova estatístca, deotada por "t"de Studet: t = X µ ; S um estmador mparcal de σ. S Esta dstrbução é defda pela razão etre uma v.a com dstrbução Normal Padrão e

12 a raz quadrada de uma v.a com dstrbução Qu-quadrado, ou seja, X = Z U υ, com Z e U depedetes. Desta forma X tem dstrbução t de Studet com f.d.p : Γ[( υ + ) / ] f X ( ) = ( υ + ) / υ υπ Γ + υ RESULTADO 9: Se Z ~ N(0,) e U ~ χ Z ν e são depedetes, etão X = ~tν. EXERCÍCIO 9: Prove o resultado 9. RESULTADO 0: Se X é uma v.a com dstrbução t ν, etão: U υ E(X) = 0 e V(X) = υ, υ >. υ EXERCÍCIO 0: Prove o resultado 0. Algumas fuções geradoras de mometo (f.g.m.): 0) Normal M (t) = e ( µ. t + ½. σ. t ) Ν(0;) M (t) = e t = E(e t ) 0) Qu-quadrado M (t) = t 03) t de Studet Não este!! k 04) F de Sedecor Não este!!, t < ½ Outros resultados: ΣBeroull ~Bomal ΣPosso ~Posso (Σ λ) ΣEpoecal ~Gamma (; λ)

13 II SUFICIÊNCIA. INTRODUÇÃO CONCEITO Dada uma população com f.p. ou f.d.p pertecete a classe f θ = {f X ( θ ) ; θ Θ} ode Θ é o espaço paramétrco, um estmador ou uma estatístca, T = t(x,x,...,x ), pode ser terpretada como o procedmeto destado a retrar da a.a., (X,X,...,X ), formação sobre o valor descohecdo do parâmetro θ. Esta estatístca estdo, é chamada de sufcete para θ. Assm uma estatístca sufcete permte um resumo das formações trazdas pela amostra, ou seja, resume os dados sem perder ehuma formação sobre o parâmetro θ. Portato, cohecda uma estatístca sufcete, os dados da amostra passam a ser rrelevates, pos ada mas dzem sobre θ, fcaram eaustos quado se calculou a estatístca T sufcete.. DEFINIÇÃO: ESTATÍSTICA SUFICIENTE: Seja [X, X,...,X ] uma a.a. da população com f.p. ou f.d.p a classe f θ = {f X ( θ); θ Θ}; uma estatístca T é sufcete para θ se e somete se a dstrbução de (X, X,..., X ) codcoada por T=t ão depeder de θ, para qualquer que seja o valor t do domío de T. EXERCÍCIOS : ) Seja [ X, X, X 3 ] uma a.a. de uma população de Beroull com parâmetro θ. a) A v.a. X é dscreta ou cotíua? Por quê? X ~b(; θ) f X ( )= θ ( θ ), Ι (0;) () Dscreta, pos seu domío é um cojuto eumerável fto. b) Qual o espaço amostral da amostra X ; X ;X 3? N S = = 3 = 8 S = {(0;0;0); (0;0;);...;(;;)} c) Qual a dstrbução de prob. cojuta de [X ; X ;X 3 ]? ( ) ( ) f X;...; X ( ; ) = f *...* f θ ( θ ) θ = θ ( θ )... θ ( θ ) = θ ( θ ) d) Qual o espaço amostral de θ (espaço paramétrco)? θ = {θ: 0 < θ < } 3

14 e) Seja a estatístca T=ΣX, represetado o de sucessos do cojuto de observações. Qual a dstrbução da v.a. T? f T (t) = t t θ ( θ ) t Prove através da fução geradora de mometos (f.g.m.) Ber. = M (t) = θ + (-θ)e t B.= M (t) = [θ + (-θ)e t ] f) Qual a prob. de ocorrêca do resultado { ; ;...;.} codcoado à T=t? P[X/T=t] = P[X = ;...;X = /T=t] = θ ( θ ) t t θ θ t ( ) = t } P[X =,..., X = / T = t] P[T = t] = g) A Est. T= Σ é sufcete para (estmar) θ? Como P[/ Σ = t] = SUFICIENTE!! ão depede de θ, etão T é uma ESTATÍSTICA t ) Na stuação do eercíco ateror, seja T 0 = X + X 3. a) Qual a dstrbução de T? T ~b(; θ) b) A estatístca T é sufcete? P[X =,X =,X 3 = 3 / X + X 3 = t] P[/T=t] = P[T = t] = θ θ θ θ θ t θ ( t ) ( ) ( ) ( ) t t = θ ( θ ) t = 4

15 = θ θ 3 ( ) t θ θ t ( ) + t ( + t ) t = θ ( θ ) t ; Portato T ão é sufcete! 3) INSPEÇÃO POR AMOSTRAGEM: Uma máqua produz tes sucessvamete. Cada tem produzdo é bom com probabldade θ e defetuoso com probabldade -θ, ode θ é um parâmetro descohecdo. Supoha que ão há depedêca etre a qualdade dos tes produzdos e seja X = se o -ésmo tem é bom e X = 0 em caso cotráro. a) Qual a dstrbução de probabldade da v.a X? b) Qual a dstrbução de probabldade da v.a T = c) Determe a dstrbução cojuta de X = [X, X,..., X ]. d) Verfque se a estatístca T = X X? é sufcete para θ. 4) No coteto do eercíco, verfque se a estatístca S = X.X + X 3 é sufcete para estmar θ, segudo a seqüêca de tes segute: a) Qual o cotradomío da v.a S? Relacoe os evetos e o cotradomío de S. b) Calcule P (X =,X =,X 3 = 3 ) para todos os 8 termos [X,X,X 3 ]. Costrua uma tabela que mostre tudo que é peddo. c) Calcule P(S=0), P(S=) e P(S=), ou seja, determe a dstrbução de probabldade de S, P(S=s). Costrua uma tabela que mostre os valores. d) Calcule a dstrbução cojuta de X = [X,X,X 3 ] codcoada a S = s. e) Qual a coclusão que se pode trar sobre S? 5) Seja [X, X,..., X ]uma a.a. de uma população Posso P(θ) ode θ > 0. Mostre dretamete que X é uma estatístca sufcete para θ, respodedo os tes : a) A v.a X é dscreta ou cotíua? Por quê? b) Escreva a f.p. da v.a X. c) Escreva a f.p. cojuta para = [X, X,..., X ]. d) Calcule a probabldade cojuta de X, codcoada a T = t. e) O que se coclu sobre T = X. 5

16 .3 TEOREMA DE NEYMAN-FISHER OU TEOREMA DA FATORIZAÇÃO Seja uma a.a. [X, X,...,X ] de uma dstrbução f(;θ), θ Θ. A estatístca T(X) é sufcete para θ se e somete se este fução g(t, θ), defda para todo t e para todo θ Θ, e h(x) defda em R tal que : P(X,θ) = g(t(x),θ).h(x) Eemplos: 0) X ~Beroull (θ); amostra = [,, 3 ]. T=ΣX é sufcete? ( θ = 3 ) ( θ ) θ ( θ ) θ ( θ 3 θ = = = ) = ( θ ) f, X f,. ~ ~ θ 3 g t h ( ; θ ) =.( θ ) ( ;...; ) θ θ = 3 depede da amostra apeas atravé s de t. depede de θ, assm T é sufcete 0) X ~N(θ;σ ), - < θ < +, σ cohecdo. f X ( ) = e πσ Pelo teorema tem-se: ( θ ) θ ( ) σ ( X θ ) ( X θ ) * f X ;. e. e ~ ~ π σ σ σ = = = = π σ Mas Σ(X-θ) = Σ[(X-X )-(θ -X )] = Σ[(X-X ) -(X-X )(θ -X )+(θ -X ) ]= = Σ(X-X ) -Σ(X-X )(θ -X )+Σ(θ -X ) = Σ(X-X ) +(θ -X ) * ( θ) = = [ ( X X ) + ( θ X ) ] * σ f X ;. e = g( t; θ). h( ;...; ) = ~ ~ πσ = X é uma estatístca sufcete para θ. EXERCÍCIOS: 6

17 )PROCESSO DE POISSON Supoha que as chegadas de cosumdores em um servço sejam cotadas segudo um Processo de Posso com parâmetro de chegada θ. Seja X o tempo de espera até a chegada do -ésmo cosumdor. a) Qual a dstrbução do tempo de espera X? b) Escreva de maera formal a f.d.p da v.a X. c) Escreva a f.d.p da v.a X usado a fução dcadora I, que vale quado X > 0 e 0 em caso cotráro (cotradomío de X ). d) Qual a fução desdade cojuta da a.a. (X, X,...,X ) da população X ~ E (θ)? e) Verfque se a estatístca T = Neyma-Fsher. ) Seja ( X, X,..., X ) a.a. de uma população com f.p. P (θ). X é sufcete para θ, usado o Teorema de a) Escreva a f.p. da varável aleatóra X. b) Escreva a f.p. da v.a X, usado a fução dcadora I (que descreverá o cotradomío de X). c) Qual a f.p. cojuta da a.a. [ X, X,..., X ]? d) Determe usado o teorema de Neyma-Fscher a estatístca sufcete para θ. 3) Seja [X, X,..., X ] uma a.a. de uma dstrbução N (0, θ ), 0 < θ <. a) Escreva a f.d.p da varável aleatóra X. b) Escreva a f.d.p da v.a X usado a varável dcadora I para o seu domío. c) Qual a fução de desdade cojuta da a.a. [X,X,...,X ]? d) Qual a estatístca sufcete para θ? 4) Seja [X, X,..., X ] uma a.a. de tamaho de uma dstrbução geométrca com parâmetro θ, G(θ). a) Escreva a f.p. da varável aleatóra X. b) Escreva a f.p. da varável aleatóra X, usado a varável dcadora para o seu cotradomío. c) Qual a f.p. cojuta da a.a. (X, X,..., X )? d) Determe a estatístca sufcete para estmar θ. 5) Seja [X, X,...,X ] uma a.a. de uma dstrbução U [0, θ]. a) Escreva a f.d.p da varável aleatóra X. b) Escreva a f.d.p da v.a X usado a varável dcadora I para o seu cotradomío. c) Qual a fução desdade cojuta da a.a. [X,X,...,X ]? d) Determe a estatístca sufcete para θ. 7

18 6) Seja [X,X,...,X ] a.a., ode X é uma v.a..d. N(µ,σ ), com ambos os parâmetros descohecdos. Seja θ = [µ,σ ]. a) Escreva a f.d.p da varável aleatóra X. b) Escreva a f.d.p da varável aleatóra X usado a varável dcadora I para o seu cotradomío. c) Qual a fução de desdade cojuta da a.a. (X,X,...,X )? d) Determe usado o T. de Neyma-Fscher a estatístca sufcete para θ = [µ,σ ]..4 FAMÍLIA EXPONENCIAL UNIPARAMÉTRICA Uma v.a. em R possu dstrbução da famíla epoecal uparamétrca se a sua f.p. ou f.d.p é da forma f( θ) = ep{c(θ)t() + d(θ) + S()}.I A (), ode θ Θ, tervalo aberto de R e o cojuto A = { f( θ) > 0 } é depedete de θ. EXEMPLO :A dstrbução bomal, b(,θ), pertece a famíla epoecal, pos : f( θ) = θ ( θ ) = ep l + lθ + ( ) l( θ ) I * N () = ep l + lθ + l( θ ) l( θ ) I * N () θ f( θ) = ep l + l + l( θ ) I ( ) N θ θ f( θ) = ep l + l( θ ) + l I ( ) N θ d ( θ ) 3 T ( ) S ( ) EXEMPLO : A dstrbução U [0, θ] ão pertece a famíla epoecal, pos : f X () = 0 X θ θ f X () = ep{-lθ} ão correspode a forma de famíla epoecal, uma vez que o lmte a etremdade b depede de θ. Se [X, X,...,X ] é uma a.a. de uma população com f.p. ou f.d.p da famíla epoecal, etão a estatístca T(X) é uma estatístca sufcete para θ, pelo Teorema de Fatorzação. EXERCÍCIOS: ) Seja [X, X,...,X ] uma a.a. de uma dstrbução ormal N(µ,θ) com µ fo e cohecdo. a) Escreva a fução desdade de probabldade cojuta. b) Escreva a f.d.p cojuta a forma da famíla epoecal. c) Idetfque as fuções c(θ), T(), d(θ) e S(). 8

19 d) Qual a estatístca sufcete para θ? ) Supoha [X, X,...,X ] uma a.a. de uma população com uma das segutes desdades. Ache a estatístca sufcete para θ, com a fo, e detfque c(θ), T(), d(θ) e S(). a) Beta(θ,) b) Webull(θ,a) c) Paretto (θ,a).5 FAMÍLIA EXPONENCIAL K-PARAMÉTRICA A famíla de dstrbuções {P θ ; θ Θ} é dta famíla epoecal com k parâmetros ou k-paramétrca, se estem as fuções de valor real c, c,..., c K e d(θ), e ada T, T,..., T K fuções de varável real, e também S, defdas em R e um cojuto A R tal que a f.d.p (ou f.p.) de P θ pode ser escrta a forma : K p(,θ) = ep c ( θ ) T ( ) + d( θ ) + S( ) I A ( ) e pelo Teorema da Fatorzação o vetor T() = [T (),..., T K ()] é sufcete para θ = (θ, θ,..., θ K ). EXERCÍCIOS : ) Seja ( X, X,..., X ) uma a.a. de uma dstrbução N(µ,σ µ ), ode θ =. σ a) Qual o espaço paramétrco do parâmetro θ? b) Escreva a f.d.p de X. c) Escreva a f.d.p cojuta da amostra. d) Escreva a f.d.p cojuta a forma da famíla epoecal. e) Qual a estatístca sufcete para θ? α ) Seja (X,X,...,X ) uma a.a. de uma dstrbução Γ(α,β), ode θ = é o vetor de β parâmetros. a) Qual o espaço paramétrco de θ? b) Escreva a f.d.p da v.a X. c) Escreva a f.d.p cojuta da amostra. d) Escreva a f.d.p cojuta a forma da famíla epoecal e detfque c (θ), T (), d(θ) e S(). e) Qual a estatístca sufcete para θ? 9

20 III MODELOS PARAMÉTRICOS 3. CONCEITO Quado se usa a desgação paramétrco, o sgfcado do termo é o de que a forma da f.p. ou f.d.p da v.a. fo especfcada a pror e ão é posta em questão. Além dsto tem-se que: as ferêcas dzem respeto a um úmero fto de parâmetros; as ferêcas depedem da forma especfcada para a f.d.p. ou f.p. 3. DEFINIÇÕES a. ) Espaço paramétrco Θ é o cojuto de todos os valores que o parâmetro θ pode assumr. a. ) Uma parametrzação é chamada detfcável quado para parâmetros dferetes tem-se f.d.p s ou f.p s dferetes ou seja para θ θ tem-se Pθ P θ. EXEMPLO No modelo X ~ N(θ,σ ), o parâmetro θ possu o espaço paramétrco Θ = {θ θ R}. EXEMPLO O modelo X ~ N(µ,σ ) tem o parâmetro θ = [µ,σ ] com espaço paramétrco Θ = {(µ,σ ) < µ <, σ > 0} EXERCÍCIOS ) Uma geólogo mede os dâmetros de um grade úmero,, de seos em um leto de um racho. Cosderações teórcas o coduz a acredtar que o logartmo do dâmetro da pedra possu dstrbução N(µ,σ ). Ele deseja usar suas observações para obter alguma formação sobre µ e σ, mas ão tem cohecmeto ehum da magtude dos dos parâmetros. 0 a) Escreva se o modelo a ser usado pelo geólogo é paramétrco ou ão e o porquê. b) Escreva o espaço paramétrco do parâmetro θ = (µ,σ ). c) Sabedo-se que uma parametrzação é chamada de detfcável quado para θ θ tem-se f(, θ ) f(, θ ), escreva se a parametrzação do modelo é detfcável. ) Seja [X, X,...,X ] determações de uma costate µ (físca). Um modelo sugerdo para a v.a. X é X = µ+ε, =,,...,, ode ε pode ser cosderado como erro de medda (strumeto, pessoa, etc.). A costate físca é cohecda a Físca como o verdadero valor. As codções para ε são : ª ) A dstrbução de ε é depedete de µ ; ª ) A dstrbução de ε é smétrca e cotíua em toro de 0 ; 3ª ) Os ε são detcamete dstrbuídos ; 4ª ) ε é depedete de ε j para j ;

21 5ª ) ε ~ N(0,σ ); 6ª ) σ é cohecda (varâca da população). Pede-se: a) O modelo é paramétrco? b) A parametrzação é detfcável? c) Supodo que o strumeto de medda seja vcado para o lado postvo por 0,. A parametrzação é detfcável? d) Supodo que o strumeto de medda seja vcado, mas com víco b descohecdo. O modelo é detfcável? e) Qual o espaço paramétrco de θ, descosderado as suposções dos tes c e d ; descosderado somete o tem d e ão descosderado tem ehum? 3) O úmero de ovos postos por um seto segue uma dstrbução de Posso com meda λ descohecda. Uma vez botado, cada ovo tem uma chace descohecda p de chocar e o ato de chocar um ovo é depedete do chocameto dos outros. Um etomologsta estuda o cojuto de de tas setos, observado ambos o úmero de ovos botados o úmero de ovos chocados para cada ho. a) modelo é paramétrco, por quê? b) Escreva o espaço paramétrco do parâmetro (λ,p). c) A parametrzação é detfcável? d) Qual a epressão da fução dstrbução de probabldade correspodete a cada uma das v.a s evolvdas o estudo? IV ESTIMAÇÃO 4. ESTIMAÇÃO POR PONTO A estmação potual (por poto) cosstrá smplesmete em, à falta de melhor formação, adotar a estmatva dspoível como sedo o valor do parâmetro. A déa é, em sua essêca, etremamete smples, porém a qualdade dos resultados rá depeder fudametalmete da coveete escolha do estmador. Assm, detre os város estmadores razoáves que poderemos magar para um determado parâmetro, devemos ter a preocupação de escolher aquele que melhor satsfaça às propredades de um bom estmador. Cosdere a famíla das f.d.p. ou f.p. {f X (,θ) θ Θ}. Pode ocorrer do epermetador ecesstar selecoar um membro desta famíla como sedo a f.d.p. ou f.p. da varável aleatóra X. Isto é, ele ecessta de uma estmatva por poto do parâmetro θ. Seja [X, X,...,X ] uma a.a. da dstrbução que tem como f.d.p. (f.p.) um membro da famíla {f X (,θ) θ Θ}. Nosso problema é defr uma estatístca T(X) de maera que [X, X,...,X ] são os valores epermetas observados, etão o úmero T(X) é uma boa estmatva potual de θ.

22 EXEMPLO : Seja [X, X,...,X ] uma a.a. da dstrbução com f.d.p.. f ( ) = θ ( θ ) = 0, A estmatva T(X) = = é um bom estmador do parâmetro θ. 4.- PROPRIEDADES DOS ESTIMADORES PARAMÉTRICOS 4..- Cosstêca DEF. Um estmador T (X) é cosstete para estmar o parâmetro θ quado, a medda que, se aumeta o tamaho da a.a., cosegue-se uma maor precsão a estmatva ou seja, para T (X) = T(,,..., ) e um ε, real postvo arbtraramete pequeo, > tem-se P(θ-ε < T < θ+ε)>p(θ-ε < T < θ-ε). Assm um estmador T (X) é dto cosstete se, DESIGUALDADE DE TCHEBYCHEV lm P( T -θ < ε)= ε > 0 V ( X ) P[ X E(X) λ] λ V ( X ) P[ X E(X) < λ] - λ λ > 0 λ > 0 EXERCÍCIO : Prove que a méda amostral,, de uma a.a. de uma população (dstrbução) com méda µ e varâca σ é estmador cosstete do parâmetro µ.. TEOREMA DAS CONDIÇÕES PARA CONSISTÊNCIA DE UM ESTIMADOR As codções geras para cosstêca de um estmador são: lm E[T (X)] = θ lm V[T (X)] = 0 são sufcetes para que a estatístca T () seja estmador cosstete do parâmetro θ. EXERCÍCIO Verfque aplcado as codções dadas o teorema ateror e também o coceto de covergêca em probabldade se os estmadores segutes são cosstetes. a) X ~ N(µ,σ ), T (X) = como estmador de µ (parâmetro méda populacoal) b) X ~ N(µ,σ ), T (X) = s = populacoal). ( ) como estmador de σ (parâmetro varâca

23 c) X ~R(θ ) Dstrbução Rayleg, T () = d) X~ Γ(4,/θ), T () = 4 como estmador de θ. para o parâmetro θ Estmadores Não-vcados DEF. : Quado estmamos o parâmetro θ ou uma fução do parâmetro, q(θ), usado como estmador a estatístca T(X), ode X = [X, X,...,X ] é uma a.a., temos que uma medda do desempeho do estmador pode ser dada pelo erro médo quadrátco: 3 R(θ,T) = E[T(X) q(θ)] Que pode ser colocada a forma R(θ,T) = V(T(X)) + b (θ,t), ode b (θ,t) é o quadrado do víco do estmador para o parâmetro θ. EXERCÍCIO 3 Prove que o erro médo quadrátco, defdo acma como a esperaça do quadrado do desvo da estatístca em relação ao parâmetro, pode ser decomposto a forma acma especfcada. É mportate observar que: A varâca V(T(X)) mede como os valores de T(X) estão dspersos em toro do cetro E(T(X)), sto defe a precsão da estatístca. O víco b(t,θ) = E(T(X) q(θ) mede quato e em qual dreção o cetro da dstrbução de T(X) (valor esperado) está fora do verdadero valor q(θ), sto defe a acuráca da estatístca. DEF. 3 Se a estatístca T(X) que estma o parâmetro q(θ) é tal que R(θ,T) = V(T(X)), etão T(X) é chamado de estmador ão vcado de q(θ). DEF. 4 Dados os estmadores T(X) e S(X) do parâmetro q(θ), S(X) será estmador admssível de q(θ) se R(θ,T) < R(θ,S) θ Θ. EXERCÍCIO 4: Supoha que X seja uma a.a. de tamaho de uma população N(µ,σ ) e cosdere os estmadores dos parâmetros µ e σ, respectvamete e σˆ = a) Calcule o valor da esperaça e varâca de. b) Calcule o víco e o erro médo quadrátco de. c) Calcule o valor da esperaça e varâca de σˆ. d) Calcule o víco e o erro médo quadrátco de σˆ. ( ).

24 EXERCÍCIO 5: Supoha que [X,X,...,X ] seja uma a.a. de uma população P(θ). a) Verfque se o estmador do parâmetro θ é ão vcado. b) Este algum outro estmador ão vcado para θ? Qual? EXERCÍCIO 6: Supoha que [X,X,...,X ] seja uma a.a. de uma população b(,θ). a) Verfque se o estmador do parâmetro θ (proporção de sucessos) é ão-vcado. b) Verfque se o estmador s = populacoal) é ão-vcado. ( ) do parâmetro σ = θ(-θ) (varâca EXERCÍCIO 7: Supoha que [X,X,...,X ] seja uma a.a. de uma população N(µ,σ ). Determe um estmador sufcete, ão-vcado e cosstete para cada um dos parâmetros µ e σ (cosdere os casos de µ cohecdo ou ão). EXERCÍCIO 8: Supoha que [Y,Y,...,Y ] seja uma a.a. de uma população b(,θ). Determe um estmador sufcete, ão-vcado e cosstete para cada um dos parâmetros µ = θ e σ = θ(-θ) que correspodem a méda e a varâca da v.a. Y que cota o úmero de sucessos essas provas Beroull. OBS. Uma propredade fudametal dos estmadores é a sufcêca que fo abordada aterormete e outra fudametal é a da efcêca ou varâca míma que será vsta adate. EXERCÍCIO 9: Descreva as quatro propredades fudametas dos estmadores: sufcêca, cosstêca, ão-tedecosdade e efcêca (estmador de varâca míma). 4.3 MÉTODOS DE ESTIMAÇÃO A evolução da Estatístca através do tempo provocou o aparecmeto de váras metodologas para costrução de estmadores de parâmetros Método da Máma Verossmlhaça (Fsher) Este método fo desevolvdo por Fsher a partr de uma déa orgal de Gauss. Seja a a.a. X = [X,X,...,X ] de uma população (dstrbução), com X..d., e com f.p. ou f.d.p. pertecete a famíla p(,θ) θ Θ e se deseja estmar o parâmetro θ. A fução cojuta p(x,θ) represeta a probabldade (ou a f.d.p.) de ocorrer o vetor X = [X,X,...,X ], quado o valor do parâmetro é θ. Assm poderíamos far a amostra X e procurar o valor de θ que mamza a probabldade de ocorrer esta amostra X. 4

25 DEF. 5: O estmador θˆ (X) é o estmador de máma verossmlhaça (EMV) de θ, quado p[x, θˆ (X)] = ma p(x,θ) θ Θ. EXEMPLO Supoha que θ pode assumr os valores ou 0 e que p(,θ) é dada pelo quadro abao: θ 0 0 0,3 0,6 0,7 0,4,0,0 O estmador EMV de θ quado = 0 é θˆ () =, porque mamza a probabldade de = 0 ocorrer (0,6); O estmador EMV de θ quado = é θˆ () = 0, porque mamza a probabldade de = ocorrer (0,7). DEF.6: FUNÇÃO DE VEROSSIMILHANÇA A fução p(θ,x) é chamada de fução de verossmlhaça quado a fução da dstrbução famos o valor de X e fazemos varar θ, de forma que L(X,θˆ (X)) = p(x,θˆ (X)) = ma{p(x,θˆ (X); θ Θ} = L(X,θˆ (X,θ)). CÁLCULO DO ESTIMADOR DE MÁXIMA VEROSSIMILHANÇA Para determar o EMV do parâmetro θ basta achar o valor de θ que mamza a fução p(x,θ), fado X. Como a fução λ (p(x,θ)) é ão decrescete (moótoa crescete), mamzar p(x,θ) é o mesmo que mamzar λ [p(x,θ)]. Assm, se o EMV θˆ este, λ[ p(, θ )] deve verfcar = 0, uma vez que se supõe que esta dervada parcal em θ relação a θ. EXERCÍCIO 9 Seja X = [X,X,...,X ] uma a.a. de uma dstrbução b(,θ). a) Escreva a f.p. da v.a. X ; b) Escreva a dstrbução (cojuta) da amostra; c) Escreva a fução de verossmlhaça da a.a.; d) Qual o valor de θ que mamza a fução de verossmlhaça? OBS. Nem sempre é possível achar o EMV por dervada, etão temos que aalsar a fução (fução ão-crescete). EXERCÍCIO 0 Seja a v.a. X ~ U(0,θ), ode θ é um parâmetro postvo e descohecdo. Determe o EMV de θ. EXERCÍCIO : Seja X o úmero de cosumdores que chegam em um Servço e que são observados por hora, em horas. Se as chegadas formam um Processo de Posso, etão X ~ P(θ), ode θ represeta o úmero esperado de chegadas em uma hora ou equvaletemete, a taa 5

26 de chegadas. Na prátca θ é descohecdo e ós desejamos estma-lo, usado os valores observados de X (amostra). Determe o EMV de θ. EXERCÍCIO Seja X uma característca físca de teresse que segue a dstrbução N(µ,σ ). Supoha que ão se cohece os parâmetros µ e σ, e se deseja estma-los com base o cojuto de observações X = [X,X,...,X ]. Determe os estmadores EMV destes parâmetros Métodos dos Mometos (K. Pearso) Seja uma a.a. X = [X,X,...,X ] de uma população com f.p. ou f.d.p. depededo de k parâmetros θ,θ,... θ k. Os mometos ordáros da população m j = j f (, θ,θ,... θ k )d, se estrem, são fuções dos k parâmetros m j = f(θ,θ,... θ k ) j =,,3,... Cosdere, também, os mometos ordáros da amostra, M j = forme o sstema de equações: M j = m j = f(θ,θ,... θ k ) j =,,3,... j j =,,3,..., e admta que tem solução úca, θˆ j (X,X,..., X ) j =,,3,...,k. Etão, estes k estmadores, solução do sstema de equações, são os estmadores dos parâmetros pelo Método dos Mometos. OBS. Os estmadores obtdos pelo Método dos Mometos são em geral cosstetes e possuem dstrbução asstótca Gaussaa, porém ão são asstotcamete mas efcetes do que os estmadores de máma verossmlhaça. EXERCÍCIO 3: Seja X = [X,X,...,X ] amostra aleatóra de uma população Beroull, b(,θ). Determe o estmador de θ pelo Método dos Mometos. EXERCÍCIO 4 Seja X = [X,X,...,X ] amostra aleatóra de uma população Γ(α,β). Determe os estmadores dos parâmetros pelo Método dos Mometos. EXERCÍCIO 5 Cosdere sstemas com tempos de falha X = [X,X,...,X ]. Assumdo que as v.a s X são..d. com dstrbução ε(θ), determe: a) O estmador de θ pelo Método dos Mometos; b) Um estmador de θ dferete do ateror; c) Um estmador da probabldade P(X > ); d) Um estmador da probabldade P(X <). 6

27 Método dos Mímos Quadrados (Gauss) Toda observação aleatóra pode ser escrta a forma do modelo Y = g (θ,θ,..., θ k ) + ε =,,...,, ode a prmera parcela correspode a parte sstemátca do modelo e a seguda parcela é a parte estocástca. As fuções g são cohecdas e os úmeros reas θ,θ,...,θ k são descohecdos (parâmetros), podedo varar lvremete o cojuto Θ R k. A parte estocástca ε deve satsfazer pelo meos apromadamete as segutes restrções: ε é uma v.a. com E(ε ) = 0 =,,... ε é uma v.a. com varâca costate V(ε ) = σ =,,..., Os erros ε são ão-correlacoados, cov(ε, εj) = 0. O método cosste em estmar θ pelo estmador que mmza a Soma dos Quadrados do Erros (resíduos): SQR = ( Y - g (θ,θ,..., θ k )) = ε Os estmadores de mímos quadrados são obtdos resolvedo o sstema de equações: [ y g ( θ )] = 0 j =,,...,k θ Estas equações são deomadas de equações ormas. EXERCÍCIO 6 Seja o modelo lear especfcado por Y = θ + θ X + ε Determar os estmadores de mímos quadrados dos parâmetros θ e θ, com base em observações (Y, X ). EXERCÍCIO 7 Resolver o eercíco ateror cosderado um modelo geérco com p parâmetros e > p observações. Assuma o tratameto matrcal. EXERCÍCIO 8 Foram tomadas = 9 amostras de um solo (cateros) que foram tratadas com dferetes quatdades X de fósforo. Seja Y a quatdade de fósforo presete em semetes de platas, de 38 das, crescdas os dferetes cateros. Os dados estão abao. a) Determe as estmatvas dos parâmetros θ e θ da reta de mímos quadrados com que se pretede fazer a regressão de Y para X; b) Determe a estmatva de máma verossmlhaça do coefcete de correlação ρ que mede a assocação etre X e Y, assumdo que Y e X têm dstrbução Gaussaas. c) Desehe um esboço do Dagrama de Dspersão etre X e Y. 7

28 4.4 ESTIMADORES NÃO-VICIADOS UNIFORMEMENTE DE MÍNIMA VARIÂNCIA (UMVU) E INTERVALOS DE CONFIANÇA 4.4. Estatístcas Completas A uma estatístca T (X), ós podemos acrescetar ao coceto de sufcêca (devdo a Fsher) o coceto de complettude (devdo a Lehma e Scheffé) e afrmar que ela é uma estatístca ótma. DEF.7: Famíla completa de desdades: Seja [X,X,...,X ] uma a.a. da desdade f(.,θ) com espaço paramétrco Θ, e seja T = t(x) uma estatístca. A famíla de desdades de T é defda como completa se e somete se E θ [z(t)] 0 θ Θ mplca em P θ [z(t)=0] = θ Θ, ode z(t) é uma estatístca. E, também, uma estatístca é dta ser completa se e somete se sua famíla de desdades é completa. DEF.8: Uma estatístca T (X) é dta ser completa se a fução de valor real g(t (X)) = g(t) defda a varação de T que satsfaz a equação E θ [g(t)] = 0 θ Θ é a fução g(t) = 0. EXEMPLO: Seja [X,X,...,X ] uma a.a. de uma dstrbução Beroull, b(,θ). A estatístca T = X X ão é completa, pos E θ [X -X ] = 0 θ Θ, mas X X ão é 0 com probabldade. EXERCÍCIO 9 Cosdere o eemplo ateror e a estatístca T = X. Seja z(t) uma estatístca que é fução de T e E θ [z(t)] 0 θ Θ. Prove que T é completa, mostrado que z(t) = 0 para t = 0,,...,. TEOREMA DE RAO-BLACKWELL Seja [X,X,...,X ] uma a.a. da desdade f(.,θ), e seja S = s (X), S = s (X),...,S k = s k (X) um cojuto de estatístcas cojutamete sufcetes. Seja a estatístca T = t(x) um estmador ão-vcado de q(θ). Defa T por T = E[T S,S,...,S k ], etão: T é uma estatístca e é uma fução de estatístcas sufcetes S,S,... S k ; E θ [T ] = q(θ), sto é T é um estmador ão-vcado de q(θ); V θ [T ] < V(T) θ Θ e V θ [T ] < V(T) para algum θ a meos que T seja gual a T com probabldade. EXERCÍCIO 0 Prove o resultado eucado acma. EXERCÍCIO Seja [X,X,...,X ] uma a.a. da desdade Beroull, b(,θ). E, seja X um estmador de 8

29 q(θ)= θ que será assumdo como T = t(x) o Teorema de Rao-Blackwell. estatístca sufcete para θ, assm usar-se-á S = X X é uma como o cojuto de estatístcas sufcetes (de um elemeto). Etão, de acordo com o Teorema de Rao-Blackwell T = E[T S] = E[X X ] é um estmador ão-vcado de θ com varâca ão maor do que a de T = X. Mostre que a varâca de T é meor que a varâca de T = X. TEOREMA DA FAMÍLIA EXPONENCIAL PARA ESTATÍSTICAS SUFICIENTES E COMPLETAS Seja {P θ θ Θ} uma famíla epoecal k-paramétrca dada por p(,θ) = {ep[ c ( θ ) T ( ) + d( θ ) S( )]} I ( ). Supoha que a varação de c = [c (θ),c (θ),... + A,c k (θ)] teha um teror ão-vazo. Etão T() = [T (), T (),...,T k ()] é uma estatístca sufcete e completa. EXERCÍCIO Seja [X,X,...,X ] uma a.a. de uma população N(µ,σ ) ode os parâmetros são descohecdos. Mostre que a estatístca T() = [ 4.4. Estmadores UMVU TEOREMA DE LEHMANN-SCHEFFÉ X, X ] é sufcete e completa. Se T(X) é uma estatístca sufcete e completa e S(X) é um estmador ão-vcado de q(θ), etão T * (X) = E[S(X) T(X)] é um estmador UMVU de q(θ). Se V θ (T * (X) < θ Θ, T * (X) é o úco estmador UMVU de q(θ). Podemos usar o Teorema de Lehma-Scheffé a busca de estmadores UMVU de dos modos: Se ós podemos achar uma estatístca uma estatístca da forma h[t(x)] tal que h[t(x)] seja um estmador ão-vcado de q(θ), etão h[t(x)] é UMVU para q(θ). Porquê, sto é verdade? Se ós podemos achar algum estmador ão-vcado S(X) de q(θ), etão E[S(X) T(X)] é UMVU para q(θ). EXERCÍCIO 3 Seja [X,X,...,X ] uma a.a. de uma população N(µ,σ ) ode os parâmetros são descohecdos. Determe os estmadores UMVU de µ e σ. 9

30 EXERCÍCIO 4 Seja [X,X,...,X ] uma a.a. de uma população ε(θ) ode o parâmetro θ é descohecdo. a) Escreva a f.d.p da v.a. X ; b) Escreva a f.d.p. da v.a. X a forma da famíla epoecal; c) Escreva a f.d.p. da a.a. ; d) Escreva a f.d.p. da a.a. a forma da famíla epoecal; e) Idetfque alguma estatístca sufcete e completa para estmar θ; f) Determe um estmador UMVU para θ. EXERCÍCIO 5 Seja [X,X,...,X ] uma a.a. de dcadores de provas bomas com probabldade θ de sucesso. a) Escreva a f.d.p da v.a. X ; b) Escreva a f.d.p. da v.a. X a forma da famíla epoecal; c) Escreva a f.d.p. da a.a. ; d) Escreva a f.d.p. da a.a. a forma da famíla epoecal; e) Idetfque alguma estatístca sufcete e completa para estmar θ; f) Determe um estmador UMVU para θ. EXERCÍCIO 6 Seja [X,X,...,X ] uma a.a. de uma população P(θ) com θ > 0. a) Escreva a f.d.p da v.a. X ; b) Escreva a f.d.p. da v.a. X a forma da famíla epoecal; c) Escreva a f.d.p. da a.a. ; d) Escreva a f.d.p. da a.a. a forma da famíla epoecal; e) Idetfque alguma estatístca sufcete e completa para estmar θ; f) Determe um estmador UMVU para θ. 30

IND 1115 Inferência Estatística Aula 9

IND 1115 Inferência Estatística Aula 9 Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca

Leia mais

Análise de Regressão

Análise de Regressão Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,

Leia mais

CAPÍTULO 9 - Regressão linear e correlação

CAPÍTULO 9 - Regressão linear e correlação INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação

Leia mais

Capítulo 1: Erros em cálculo numérico

Capítulo 1: Erros em cálculo numérico Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas

Leia mais

A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes

A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse

Leia mais

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04 MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de

Leia mais

Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto

Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Faculdade de Ecooma, Admstração e Cotabldade de Rberão Preto Ecooma Moetára Curso de Ecooma / º. Semestre de 014 Profa. Dra. Rosel da Slva Nota de aula CAPM Itrodução Há dos modelos bastate utlzados para

Leia mais

APOSTILA DE ESTATÍSTICA APLICADA A ADMINISTRAÇÃO, ECONOMIA, MATEMÁTICA INDUSTRIAL E ENGENHARIA

APOSTILA DE ESTATÍSTICA APLICADA A ADMINISTRAÇÃO, ECONOMIA, MATEMÁTICA INDUSTRIAL E ENGENHARIA UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DE ESTATÍSTICA APLICADA A ADMINISTRAÇÃO, ECONOMIA, MATEMÁTICA INDUSTRIAL E ENGENHARIA SONIA ISOLDI MARTY GAMA

Leia mais

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação

Leia mais

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças

Leia mais

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc.

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc. Estatístca Notas de Aulas ESTATÍSTICA Notas de Aulas Professor Iáco Adrus Gumarães, DSc. Professor Iáco Adrus Gumarães, DSc. Estatístca Notas de Aulas SUMÁRIO CONCEITOS BÁSICOS 5. Estatístca. Estatístca

Leia mais

MAE116 Noções de Estatística

MAE116 Noções de Estatística Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,

Leia mais

CAPÍTULO 5 - INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA

CAPÍTULO 5 - INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA CAPÍTULO 5 - INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA 5. INTRODUÇÃO É freqüete ecotrarmos problemas estatísticos do seguite tipo : temos um grade úmero de objetos (população) tais que se fossem tomadas as medidas

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 6 Prof. Luz Alexadre Peterell CAPÍTULO - Estatístca Descrtva Podemos dvdr a Estatístca em duas áreas: estatístca dutva (ferêca estatístca) e estatístca descrtva. Estatístca Idutva: (Iferêca Estatístca)

Leia mais

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL 3 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL Como vto em amotragem o prmero bmetre, etem fatore que fazem com que a obervação de toda uma população em uma pequa eja mpratcável, muta veze em vrtude

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

APLICAÇÕES DE MÉTODOS DE ENERGIA A PROBLEMAS DE INSTABILIDADE DE ESTRUTURAS

APLICAÇÕES DE MÉTODOS DE ENERGIA A PROBLEMAS DE INSTABILIDADE DE ESTRUTURAS PONTIFÍCI UNIVERSIDDE CTÓLIC DO RIO DE JNEIRO DEPRTMENTO DE ENGENHRI CIVIL PLICÇÕES DE MÉTODOS DE ENERGI PROBLEMS DE INSTBILIDDE DE ESTRUTURS Julaa Bragh Ramalho Raul Rosas e Slva lua de graduação do curso

Leia mais

ActivALEA. ative e atualize a sua literacia

ActivALEA. ative e atualize a sua literacia ActivALEA ative e atualize a sua literacia N.º 29 O QUE É UMA SONDAGEM? COMO É TRANSMIITIIDO O RESULTADO DE UMA SONDAGEM? O QUE É UM IINTERVALO DE CONFIIANÇA? Por: Maria Eugéia Graça Martis Departameto

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores

Leia mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS

PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS Prof José Leoardo Noroha M Eg Departameto de Egehara de Prodção Escola Federal de Egehara de Itabá EFEI RESUMO: Neste trabalho

Leia mais

Duas Fases da Estatística

Duas Fases da Estatística Aula 5. Itervalos de Cofiaça Métodos Estadísticos 008 Uiversidade de Averio Profª Gladys Castillo Jordá Duas Fases da Estatística Estatística Descritiva: descrever e estudar uma amostra Estatística Idutiva

Leia mais

Econometria: 4 - Regressão Múltipla em Notação Matricial

Econometria: 4 - Regressão Múltipla em Notação Matricial Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

Notas de aula da disciplina Probabilidade e Estatística

Notas de aula da disciplina Probabilidade e Estatística otas de aula da dscpla Probabldade e Estatístca Proessor M Sc Adré Luz DAMAT - UTFPR Esta apostla apreseta os tópcos prcpas abordados em sala de aula, cotedo deções, teoremas, eemplos Sua letura ão é obrgatóra,

Leia mais

Matemática. Resolução das atividades complementares. M18 Noções de Estatística

Matemática. Resolução das atividades complementares. M18 Noções de Estatística Resolução das atvdades complemetares Matemátca M8 Noções de Estatístca p. 3 (UFRJ) Dos estados do país, um certo ao, produzem os mesmos tpos de grãos. Os grácos de setores lustram a relação etre a produção

Leia mais

Relatório Final da disciplina de Probabilidades e Estatística. Economia Gestão Informática e Gestão

Relatório Final da disciplina de Probabilidades e Estatística. Economia Gestão Informática e Gestão Relatóro Fal da dscpla de Probabldades e Estatístca Ecooma Gestão Iformátca e Gestão Docetes: Paulo Ifate (resposável) Iês Sousa Das Ao Lectvo 007/008 Ídce Relatóro Crítco de Leccoação Programa detalhado

Leia mais

12.2.2 CVT: Coeficiente de Variação de Thorndike...45 12.2.3 CVQ: Coeficiente Quartílico de Variação...45 13 MEDIDAS DE ASSIMETRIA...46 13.

12.2.2 CVT: Coeficiente de Variação de Thorndike...45 12.2.3 CVQ: Coeficiente Quartílico de Variação...45 13 MEDIDAS DE ASSIMETRIA...46 13. SUMARIO 2 MÉTODO ESTATÍSTICO...3 2. A ESTATÍSTICA...3 2.2 FASES DO MÉTODO ESTATÍSTICO...4 3 FERRAMENTAS DE CÁLCULO PARA O ESTUDO DA ESTATÍSTICA...5 3. FRAÇÃO...5 3.. Adção e subtração...5 3..2 Multplcação

Leia mais

SUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador

SUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE GOVERNO DO ESTADO DO CEARÁ Cd Ferrera Gomes Goverador Domgos Gomes de Aguar Flho Vce Goverador SECRETARIA DO PLANEJAMENTO E GES- TÃO (SEPLAG)

Leia mais

Apostla Básca de Estatístca Slvo Alves de Souza ÍNDICE Itrodução... 3 Software R... 4 Software SPSS... 5 Dstrbução ormal de probabldade... 6 Testes de Hpótese paramêtrco... Testes Não-Paramétrco...5 Dstrbução

Leia mais

2 Estrutura a Termo de Taxa de Juros

2 Estrutura a Termo de Taxa de Juros Estrutura a Termo de Taxa de Juros 20 2 Estrutura a Termo de Taxa de Juros A Estrutura a termo de taxa de juros (também cohecda como Yeld Curve ou Curva de Retabldade) é a relação, em dado mometo, etre

Leia mais

FINANCIAMENTOS UTILIZANDO O EXCEL

FINANCIAMENTOS UTILIZANDO O EXCEL rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas

Leia mais

Capítulo 1 PORCENTAGEM

Capítulo 1 PORCENTAGEM Professor Joselas Satos da Slva Matemátca Facera Capítulo PORCETAGEM. PORCETAGEM A porcetagem ada mas é do que uma otação ( % ) usada para represetar uma parte de cem partes. Isto é, 20% lê-se 20 por ceto,

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

Teoria da Amostragem

Teoria da Amostragem Teora da Amostragem I- oções fudametas sobre amostragem. Amostragem é todo o processo de recolha de uma parte, geralmete pequea, dos elemetos que costtuem um dado couto. Da aálse dessa parte pretede obter-se

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

Técnicas de Estimação no Âmbito da Pós-estratificação

Técnicas de Estimação no Âmbito da Pós-estratificação Téccas de Estmação o Âmbto da Pós-estratfcação por Aa Crsta Maro da Costa Dssertação apresetada como requsto parcal para a obteção do grau de Mestre em Estatístca e Gestão de Iformação pelo Isttuto Superor

Leia mais

MODELO DE ISING BIDIMENSIONAL SEGUNDO A TÉCNICA DE MATRIZ DE TRANSFERÊNCIA

MODELO DE ISING BIDIMENSIONAL SEGUNDO A TÉCNICA DE MATRIZ DE TRANSFERÊNCIA UIVERSIDADE ESTADUAL DO CEARÁ RAFAEL DE LIMA BARBOSA MODELO DE ISIG BIDIMESIOAL SEGUDO A TÉCICA DE MATRIZ DE TRASFERÊCIA FORTALEZA CEARÁ 4 RAFAEL DE LIMA BARBOSA MODELO DE ISIG BIDIMESIOAL SEGUDO A TÉCICA

Leia mais

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação

Leia mais

EQUAÇÕES DIFERENCIAIS LINEARES DE ORDEM N

EQUAÇÕES DIFERENCIAIS LINEARES DE ORDEM N EQUAÇÕES DIFERENCIAIS LINEARES DE ORDEM N Estudaremos este capítulo as equações diereciais lieares de ordem, que são de suma importâcia como suporte matemático para vários ramos da egeharia e das ciêcias.

Leia mais

Professor Mauricio Lutz ESTATÍSTICA BÁSICA

Professor Mauricio Lutz ESTATÍSTICA BÁSICA Proessor Maurco Lutz ESTATÍSTICA BÁSICA. Coceto Exstem mutas deções propostas por autores, objetvado estabelecer com clareza o que é estatístca, como por exemplo: Þ A Estatístca é um cojuto de métodos

Leia mais

onde d, u, v são inteiros não nulos, com u v, mdc(u, v) = 1 e u e v de paridades distintas.

onde d, u, v são inteiros não nulos, com u v, mdc(u, v) = 1 e u e v de paridades distintas. !"$# &%$" ')( * +-,$. /-0 3$4 5 6$7 8:9)$;$< =8:< > Deomiaremos equação diofatia (em homeagem ao matemático grego Diofato de Aleadria) uma equação em úmeros iteiros. Nosso objetivo será estudar dois tipos

Leia mais

Teste de Hipóteses VÍCTOR HUGO LACHOS DÁVILAD

Teste de Hipóteses VÍCTOR HUGO LACHOS DÁVILAD Teste de ióteses VÍCTOR UGO LACOS DÁVILAD Teste De ióteses. Exemlo. Cosidere que uma idustria comra de um certo fabricate, ios cuja resistêcia média à rutura é esecificada em 6 kgf (valor omial da esecificação).

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

7. Resolução Numérica de Equações Diferenciais Ordinárias

7. Resolução Numérica de Equações Diferenciais Ordinárias 7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

RESUMO DE MATEMÁTICA FINANCEIRA. Juro Bom Investimento C valor aplicado M saldo ao fim da aplicação J rendimento (= M C)

RESUMO DE MATEMÁTICA FINANCEIRA. Juro Bom Investimento C valor aplicado M saldo ao fim da aplicação J rendimento (= M C) RESUMO DE MATEMÁTICA FINANCEIRA I. JUROS SIMPLES ) Elemetos de uma operação de Juros Smples: Captal (C); Motate (M); Juros (J); Taxa (); Tempo (). ) Relação etre Juros, Motate e Captal: J = M C ) Defção

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes UERJ CTC IE Departameto de Iormátca e Cêca da Computação Udade I - Erros as apromações umércas. I. - Cosderações geras. Há váras stuações em dversos campos da cêca em que operações umércas são utlzadas

Leia mais

Estimação pontual, estimação intervalar e tamanho de amostras

Estimação pontual, estimação intervalar e tamanho de amostras Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do

Leia mais

E-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno.

E-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno. Matemátca Facera 2007.1 Prof.: Luz Gozaga Damasceo 1 E-mals: damasceo1204@yahoo.com.br damasceo@terjato.com.br damasceo12@hotmal.com http://www. damasceo.fo www. damasceo.fo damasceo.fo Obs.: (1 Quado

Leia mais

INTRODUÇÃO A TEORIA DE CONJUNTOS

INTRODUÇÃO A TEORIA DE CONJUNTOS INTRODUÇÃO TEORI DE CONJUNTOS Professora Laura guiar Cojuto dmitiremos que um cojuto seja uma coleção de ojetos chamados elemetos e que cada elemeto é um dos compoetes do cojuto. Geralmete, para dar ome

Leia mais

ANÁLISE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONSTRUÇÃO DOS COEFICIENTES COM APLICAÇÕES

ANÁLISE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONSTRUÇÃO DOS COEFICIENTES COM APLICAÇÕES UNIVERIDADE FEDERAL DO PARANÁ ANÁLIE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONTRUÇÃO DO COEFICIENTE COM APLICAÇÕE CURITIBA 004 ACHIKO ARAKI LIRA ANÁLIE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONTRUÇÃO DO

Leia mais

UMA NOVA METODOLOGIA PARA TREINAMENTO EM REDES NEURAIS MULTI CAMADAS

UMA NOVA METODOLOGIA PARA TREINAMENTO EM REDES NEURAIS MULTI CAMADAS UMA OVA METODOLOGIA PARA TREIAMETO EM REDES EURAIS MULTI CAMADAS Luz Carlos C. Pedroza Pedroza@cefet-rj.br CEFET-RJ Av. Maracaã, 229 Ro de Jaero, CEP 2027-0 Carlos E. Pedrera pedrera@ele.puc-ro.br DEE

Leia mais

MATERIAL DE ESTATÍSTICA II PROF. MÁRIO ROBERTO

MATERIAL DE ESTATÍSTICA II PROF. MÁRIO ROBERTO 1 VARIÁVEIS ALEATÓRIAS O que se etede por varável aleatóra? Até agora ossos estudos estavam pratcamete voltados mas para defrmos osso Espaço Amostral U, sem assocarmos suas respectvas probabldades aos

Leia mais

Olá, amigos concursandos de todo o Brasil!

Olá, amigos concursandos de todo o Brasil! Matemátca Facera ICMS-RJ/008, com gabarto cometado Prof. Wager Carvalho Olá, amgos cocursados de todo o Brasl! Veremos, hoje, a prova do ICMS-RJ/008, com o gabarto cometado. - O artgo º da Le.948 de 8

Leia mais

APONTAMENTOS DE ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

APONTAMENTOS DE ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA UNIVERSIDADE DO ALGARVE ESCOLA SUPERIOR DE TECNOLOGIA APONTAMENTOS DE ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA (III ) ÁREA DEPARTAMENTAL DE ENGENHARIA CIVIL Ídice Itrodução Aplicação do cálculo matricial aos

Leia mais

Unidade II ESTATÍSTICA

Unidade II ESTATÍSTICA ESTATÍSTICA Udade II 3 MEDIDAS OU PARÂMETROS ESTATÍSTICOS 1 O estudo que fzemos aterormete dz respeto ao agrupameto de dados coletados e à represetação gráfca de algus deles. Cumpre agora estudarmos as

Leia mais

Monitoramento ou Inventário Florestal Contínuo

Monitoramento ou Inventário Florestal Contínuo C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo

Leia mais

Perguntas Freqüentes - Bandeiras

Perguntas Freqüentes - Bandeiras Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada

Leia mais

O erro da pesquisa é de 3% - o que significa isto? A Matemática das pesquisas eleitorais

O erro da pesquisa é de 3% - o que significa isto? A Matemática das pesquisas eleitorais José Paulo Careiro & Moacyr Alvim O erro da pesquisa é de 3% - o que sigifica isto? A Matemática das pesquisas eleitorais José Paulo Careiro & Moacyr Alvim Itrodução Sempre que se aproxima uma eleição,

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E PROPORÇÃO ESTATISTICA AVANÇADA

DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E PROPORÇÃO ESTATISTICA AVANÇADA DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E PROPORÇÃO Ferado Mori DISTRIBUIÇÃO AMOSTRAL DA MÉDIA E PROPORÇÃO ESTATISTICA AVANÇADA Resumo [Atraia o leitor com um resumo evolvete, em geral, uma rápida visão geral do

Leia mais

FACULDADE DE ADMINISTRAÇÃO E NEGÓCIOS DE SERGIPE

FACULDADE DE ADMINISTRAÇÃO E NEGÓCIOS DE SERGIPE FACULDADE DE ADMINISTRAÇÃO E NEGÓCIOS DE SERGIPE CURSO: ENGENHARIA DE PRODUÇÃO ASSUNTO: INTRODUÇÃO ÀS EQUAÇÕES DIFERENCIAIS, EQUAÇÕES DIFERENCIAIS DE PRIMEIRA ORDEM SEPARÁVEIS, HOMOGÊNEAS, EXATAS, FATORES

Leia mais

1 SISTEMA FRANCÊS DE AMORTIZAÇÃO

1 SISTEMA FRANCÊS DE AMORTIZAÇÃO scpla de Matemátca Facera 212/1 Curso de Admstração em Gestão Públca Professora Ms. Valéra Espídola Lessa EMPRÉSTIMOS Um empréstmo ou facameto pode ser feto a curto, médo ou logo prazo. zemos que um empréstmo

Leia mais

Marília Brasil Xavier REITORA. Prof. Rubens Vilhena Fonseca COORDENADOR GERAL DOS CURSOS DE MATEMÁTICA

Marília Brasil Xavier REITORA. Prof. Rubens Vilhena Fonseca COORDENADOR GERAL DOS CURSOS DE MATEMÁTICA Maríla Brasl Xaver REITORA Prof. Rubes Vlhea Foseca COORDENADOR GERAL DOS CURSOS DE MATEMÁTICA MATERIAL DIDÁTICO EDITORAÇÃO ELETRONICA Odvaldo Texera Lopes ARTE FINAL DA CAPA Odvaldo Texera Lopes REALIZAÇÃO

Leia mais

Revisão/Resumo de Análise Estatística I e Introdução à Tecnologia da Amostragem I

Revisão/Resumo de Análise Estatística I e Introdução à Tecnologia da Amostragem I Dscpla: Tecologa da Amostragem I Professor: Marcelo Rubes Revsão/Resumo de Aálse Estatístca I e Itrodução à Tecologa da Amostragem I 1 - Modelos Estatístcos/Probablístcos São modelos que se aplcam quado

Leia mais

M = C( 1 + i.n ) J = C.i.n. J = C((1+i) n -1) MATEMÁTICA FINANCEIRA. M = C(1 + i) n BANCO DO BRASIL. Prof Pacher

M = C( 1 + i.n ) J = C.i.n. J = C((1+i) n -1) MATEMÁTICA FINANCEIRA. M = C(1 + i) n BANCO DO BRASIL. Prof Pacher MATEMÁTICA 1 JUROS SIMPLES J = C.. M C J J = M - C M = C( 1 +. ) Teste exemplo. ados com valores para facltar a memorzação. Aplcado-se R$ 100,00 a juros smples, à taxa omal de 10% ao ao, o motate em reas

Leia mais

LEASING UMA OBSERVAÇÃO Economista Antonio Pereira da Silva

LEASING UMA OBSERVAÇÃO Economista Antonio Pereira da Silva LEASING UMA OBSERVAÇÃO Ecoomsta Atoo Perera da Slva AMOR POR DINHEIRO TITÃS Composção: Sérgo Brtto e To Bellotto Acma dos homes, a le E acma da le dos homes A le de Deus Acma dos homes, o céu E acma do

Leia mais

Lista 9 - Introdução à Probabilidade e Estatística

Lista 9 - Introdução à Probabilidade e Estatística UNIVERSIDADE FEDERAL DO ABC Lista 9 - Itrodução à Probabilidade e Estatística Desigualdades e Teoremas Limites 1 Um ariro apota a um alvo de 20 cm de raio. Seus disparos atigem o alvo, em média, a 5 cm

Leia mais

CAPÍTULO 1 PROBABILIDADE

CAPÍTULO 1 PROBABILIDADE CAPÍTULO PROBABILIDADE. Coceto O coceto de probabldade está sempre presete em osso da a da: qual é a probabldade de que o meu tme seja campeão? Qual é a probabldade de que eu passe aquela dscpla? Qual

Leia mais

UNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA NÚMEROS ÍNDICES

UNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA NÚMEROS ÍNDICES UNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA NÚMEROS ÍNDICES Aa Mara Lma de Faras Luz da Costa Laurecel Com a colaboração dos motores Maracajaro

Leia mais

CAP. I ERROS EM CÁLCULO NUMÉRICO

CAP. I ERROS EM CÁLCULO NUMÉRICO CAP I ERROS EM CÁLCULO NUMÉRICO 0 Itrodução Por método umérico etede-se um método para calcular a solução de um problema realizado apeas uma sequêcia fiita de operações aritméticas A obteção de uma solução

Leia mais

ELECTROTECNIA TEÓRICA MEEC IST

ELECTROTECNIA TEÓRICA MEEC IST ELECTROTECNIA TEÓRICA MEEC IST º Semestre 05/6 3º TRABALHO LABORATORIAL CIRCUITO RLC SÉRIE em Regme Forçado Alterado Susodal Prof. V. Maló Machado Prof. M. Guerrero das Neves Prof.ª Mª Eduarda Pedro Eg.

Leia mais

Parte 3 - Regressão linear simples

Parte 3 - Regressão linear simples Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

Introdução ao Estudo de Sistemas Lineares

Introdução ao Estudo de Sistemas Lineares Itrodução ao Estudo de Sistemas Lieares 1. efiições. 1.1 Equação liear é toda seteça aberta, as icógitas x 1, x 2, x 3,..., x, do tipo a1 x1 a2 x2 a3 x3... a x b, em que a 1, a 2, a 3,..., a são os coeficietes

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Testes de Hipóteses para a Diferença Entre Duas Médias Populacionais

Testes de Hipóteses para a Diferença Entre Duas Médias Populacionais Estatística II Atoio Roque Aula Testes de Hipóteses para a Difereça Etre Duas Médias Populacioais Vamos cosiderar o seguite problema: Um pesquisador está estudado o efeito da deficiêcia de vitamia E sobre

Leia mais

AULA: Inferência Estatística

AULA: Inferência Estatística AULA: Iferêcia Estatística stica Prof. Víctor Hugo Lachos Dávila Iferêcia Estatística Iferêcia Estatística é um cojuto de técicas que objetiva estudar uma oulação através de evidêcias forecidas or uma

Leia mais

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;

Leia mais

Equações Diferenciais Lineares de Ordem n

Equações Diferenciais Lineares de Ordem n PUCRS Faculdade de Matemática Equações Difereciais - Prof. Eliete Equações Difereciais Lieares de Ordem Cosideremos a equação diferecial ordiária liear de ordem escrita a forma 1 d y d y dy L( y( x ))

Leia mais

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo. Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte

Leia mais

Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade

Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade Celso Albo FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhaguee, Av. de Moçambque, km, Tel: +258 240078, Fax: +258 240082, Maputo Cursos de Lcecatura em Eso de Matemátca

Leia mais

A Medição e o Erro de Medição

A Medição e o Erro de Medição A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro

Leia mais

Capítulo 2 O conceito de Função de Regressão Populacional (FRP) e Função de Regressão Amostral (FRA)

Capítulo 2 O conceito de Função de Regressão Populacional (FRP) e Função de Regressão Amostral (FRA) I Metodologa da Ecoometra O MODELO CLÁSSICO DE REGRESSÃO LINEAR. Formulação da teora ou da hpótese.. Especfcação do modelo matemátco da teora. 3. Especfcação do modelo ecoométrco da teora. 4. Obteção de

Leia mais

Cálculo de média a posteriori através de métodos de integração numérica e simulação monte carlo: estudo comparativo

Cálculo de média a posteriori através de métodos de integração numérica e simulação monte carlo: estudo comparativo INGEPRO Iovação, Gestão e Produção Jaero de 010, vol. 0, o. 01 www.gepro.com.br Cálculo de méda a posteror através de métodos de tegração umérca e smulação mote carlo: estudo comparatvo Helto Adre Lopes

Leia mais

Tópicos de Mecânica Quântica I. Equações de Newton e de Hamilton versus Equações de Schrödinger

Tópicos de Mecânica Quântica I. Equações de Newton e de Hamilton versus Equações de Schrödinger Tópicos de Mecâica Quâtica I Equações de Newto e de Hamilto versus Equações de Schrödiger Ferado Ferades Cetro de Ciêcias Moleculares e Materiais, DQBFCUL Notas para as aulas de Química-Física II, 010/11

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

Educação e Pesquisa ISSN: 1517-9702 revedu@usp.br Universidade de São Paulo Brasil

Educação e Pesquisa ISSN: 1517-9702 revedu@usp.br Universidade de São Paulo Brasil Educação e Pesqusa ISS: 1517-972 revedu@usp.br Uversdade de São Paulo Brasl Helee, Otavao Evolução da escolardade esperada o Brasl ao logo do século XX Educação e Pesqusa, vol. 38, úm. 1, marzo, 212, pp.

Leia mais

Jackknife, Bootstrap e outros métodos de reamostragem

Jackknife, Bootstrap e outros métodos de reamostragem Jackkife, Bootstrap e outros métodos de reamostragem Camilo Daleles Reó camilo@dpi.ipe.br Referata Biodiversa (http://www.dpi.ipe.br/referata/idex.html) São José dos Campos, 8 de dezembro de 20 Iferêcia

Leia mais

Matemática Alexander dos Santos Dutra Ingrid Regina Pellini Valenço

Matemática Alexander dos Santos Dutra Ingrid Regina Pellini Valenço 4 Matemática Alexader dos Satos Dutra Igrid Regia Pellii Valeço Professor SUMÁRIO Reprodução proibida. Art. 84 do Código Peal e Lei 9.60 de 9 de fevereiro de 998. Módulo 0 Progressão aritmérica.................................

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

A TORRE DE HANÓI Carlos Yuzo Shine - Colégio Etapa

A TORRE DE HANÓI Carlos Yuzo Shine - Colégio Etapa A TORRE DE HANÓI Carlos Yuzo Shie - Colégio Etapa Artigo baseado em aula miistrada a IV Semaa Olímpica, Salvador - BA Nível Iiciate. A Torre de Haói é um dos quebra-cabeças matemáticos mais populares.

Leia mais

2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria

2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria Avalação da seguraça dâmca de sstemas de eerga elétrca: Teora. Itrodução A avalação da seguraça dâmca é realzada através de estudos de establdade trastóra. Nesses estudos, aalsa-se o comportameto dos geradores

Leia mais

2. INTRODUÇÃO AOS MÉTODOS FACTORIAIS

2. INTRODUÇÃO AOS MÉTODOS FACTORIAIS . NRODUÇÃO AOS MÉODOS FACORAS CONCEOS GEOMÉRCOS. NÉRCA. Os métodos factoras de Aálse de Dados permtem descreer matrzes (segdo o modelo do Qadro Q da Fg..) de dmesão (, p) qe represetam os alores tomados

Leia mais