Conceitos Básicos de Estatística Aula 2

Tamanho: px
Começar a partir da página:

Download "Conceitos Básicos de Estatística Aula 2"

Transcrição

1 Conceitos Básicos de Estatística Aula 2 ISCTE - IUL, Mestrados de Continuidade Diana Aldea Mendes 13 de Setembro de 2011 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

2 Estatística Aplicada (Revisões) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

3 Programa Introdução Estatística Aplicada Medidas de estatística descritiva com destaque para as medidas de assimetria e de curtose. Variáveis aleatórias. Distribuições: Normal, Qui-quadrado, t-student e F-Snedecor. Intervalos de confiança e testes de hipóteses. DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

4 Estatística Descritiva A Estatística Descritiva consiste na apresentação, análise e interpretação de um conjunto de dados (amostra), através da criação de instrumentos adequados: representação gráfica (séries temporais, dispersão, caixas de bigodes, etc) distribuições de frequências cálculo de valores numéricos que caracterizam os dados de uma forma global: medidas de estatística descritiva. Essas medidas designam-se por parâmetros, quando os dados se referem a uma população e por estatísticas, quando os dados dizem respeito a uma amostra DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

5 Estatística Descritiva A estatística incide sobre as características relevantes dos elementos que constituem as amostras e as populações. Cada característica é geralmente representada por uma variável, pois os elementos podem ter diferentes posicionamentos relativamente a essa característica. Variáveis Discretas Contínuas A escolha da técnica mais adequada para o tratamento estatístico está condicionada pela natureza das variáveis: dados qualitativos e quantitativos. DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

6 Estatística Descritiva Distribuições de frequências (gráficos de barras) para uma variável discreta e para uma variável contínua Series: PETROLEO Sample 1986M M11 Observations 215 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque Bera Probability DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

7 Medidas de Estatística Descritiva Medidas de tendência central (posição, localização): identificam o centro de uma distribuição Média (mean, average) Mediana (median) Moda (mode) Medidas de tendência não-central (posição, localização): apontam para outras posições da distribuição Quartis (Q i, i = 1, 2, 3, 4) Decis (D i, i = 1, 2,..., 10) Percentis (P i, i = 1, 2,..., 100) Medidas de dispersão (variabilidade) variância (variance) desvio padrão (standard deviation) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

8 Medidas de tendência central A média denota-se por µ para uma população e por x para uma amostra Média de uma amostra (x 1, x 2,..., x n ) onde n é o tamanho da amostra e x i é o valor da observação i na amostra, é dada por x = x 1 + x x n n = n x i i=1 n, Exemplo: Dada uma amostra de 5 observações 90, 95, 80, 60, 75, a média é: x = = = 80. DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

9 Medidas de tendência central média mean = 80; std = = median DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

10 Medidas de tendência central DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

11 Medidas de tendência central 8 LOGVOL vs. T 6 4 LOGVOL T DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

12 Medidas de tendência central Mediana: Me - é um outro nome atribuido ao percentile 50% e representa o centro posicional da distribuição Cálculo da mediana de um amostra ordenar os dados em ordem crescente: do mais pequeno para o maior se n (o número de dados na amostra) é ímpar, então a mediana é o número do meio (central) Me = x n+1 2 se n é par, então a mediana é a média dos dois números do meio (centrais) + x n 2 Me = x n Exemplo 1: amostra com um número ímpar de dados: 2, 8, 3, 4, 1 ordenar os dados: 1, 2, 3, 4, 8, logo Me = 3 Exemplo 2: amostra com um número par de dados: 2, 8, 3, 4, 1, 8 ordenar os dados: 1, 2, 3, 4, 8, 8 logo Me = (3 + 4)/2 = 3.5 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

13 Medidas de tendência central A moda (Mo) é o valor ou categoria que ocorre com a maior frequência Exemplo: a moda da amostra: 9, 2, 7, 11, 14, 7, 2, 7 é o 7, pois a sua frequência é 3 As distribuições podem ser: Unimodais 1 valor de Mo Bimodais 2 valores de Mo Multimodais vários valores de Mo Amodais Não regista qualquer valor de destaque DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

14 Medidas de dispersão Variância: σ 2 = Var (x) = n i=1 (x i µ) 2 n s 2 = Var (x) = n i=1 (x i x) 2 n 1 população amostra Desvio padrão (Standard Deviation): é a mais comum medida de variabilidade. Define-se para uma população (σ) e para uma amostra (s) como a seguir: σ = n i=1 (x i µ) 2 n e s = n i=1 (x i x) 2 n 1 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

15 Outras medidas Momento Estatístico Se x 1, x 2,..., x n são os n valores assumidos pela variável X, definimos o momento de ordem t dessa variável como: m t = n i=1 xt i n Note que se t = 1 temos a média aritmética. O momento de ordem t centrado em uma constante K, com K = 0 é definido como: m K t = n i=1 (x i K) t n DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

16 Assimetria Assimetria (skewness) é o grau de afastamento que uma distribuição apresenta do seu eixo de simetria. Este afastamento pode acontecer do lado esquerdo ou do lado direito da distribuição, chamado de assimetria negativa ou positiva respectivamente. Coeficiente do momento de assimetria s k = m 1 3 s 3 = n n i=1 (x i x) 3 ( 1 n n i=1 (x i x) 2) 3 Temos então s k = 0 s k > 0 s k < 0 distribuição simétrica distribuição assimétrica positiva distribuição assimétrica negativa DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

17 Assimetria 6 Distrib. simétrica Assim. positiva (enviesada à esquerda) Assim. negativa (enviesada à direita) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

18 Curtose Curtose é o grau de achatamento da distribuição. Ou o quanto uma curva de frequência será achatada em relação a uma curva normal de referência. Para o cálculo do grau de curtose de uma distribuição utiliza-se o coeficiente do momento de curtose k = m 1 4 s 4 = n n i=1 (x i x) 4 ( 1 n n i=1 (x i x) 2) 2 Temos então k = 3 k > 3 k < 3 distribuição mesocúrtica distribuição leptocúrtica distribuição platicúrtica DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

19 Curtose 0.8 Curtose 0.7 leptocúrtica f(x) 0.4 mesocúrtica 0.3 platicúrtica x= x DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

20 Output Eviews (PSI20): distribuição não-normal, assimétrica positiva (s k > 0) e platicúrtica (k < 3) PT pt Series: PT Sample 1/02/1990 5/12/2008 Observations 4790 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque Bera Probability t DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

21 Probabilidade de um Acontecimento Um tratamento estatístico é sempre um tratamento numérico, mesmo que a natureza das variáveis envolvidas não o seja. Assim, torna-se necessário encontrar um processo que permita atribuir valores reais aos resultados elementares de qualquer experiência aleatória. Fazer tais atribuições de valores, não é mais do que definir funções reais no espaço de acontecimentos Ω No entanto, não podem ser quaisquer funções. Têm que ser definidas de modo a que, ao trabalhar com elas, não se perca nenhuma informação sobre a forma como se distribuiam as probabilidades, em relação aos acontecimentos da experiência aleatória inicial; Tem que se poder estar seguro em relação à interpretação de qualquer intervalo ou valor real, e ainda assegurar a validade das operações entre acontecimentos. DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

22 Probabilidade de um Acontecimento Se uma experiência é repetida um número grande de vezes, n, e o acontecimento A é observado n A vezes, então a probabilidade de A é P (A) n A n, se n é suficientamente grande onde n A é a frequência do acontecimento A e n A n relativa de A. é a frequência Considere uma experiência aleatória cuja espaço de amostragem é S e com pontos de amostragem E 1, E 2,... Para cada acontecimento E i S define-se um número P(E i ) (a probabilidade do E i ) que satisfaz as seguintes três condições: 0 P(E i ) 1 para todo o i P(S) = 1 Propriedade de aditividade S P (E i ) = 1 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

23 Variáveis Aleatórias Definição: uma variável aleatória (v.a.) é uma regra (função) que asigna um valor numérico (x) a cada resultado possível de uma experiência aleatória (ω), isto é X : Ω R ω X (ω) = x Uma variável aleatória é discreta se só assume um número finito ou infinito numerável de valores distintos Uma variável aleatória diz-se contínua se assumir um número infinito não numerável de valores distintos A função (densidade) de probabilidade de uma v.a. X é uma função f X que associa a cada valor possível x de X a sua probabilidade de ocorrência: f X (x) = P (X = x). Tem-se que 0 f X (x) 1 e f X (x i ) = 1. x i DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

24 Variáveis Aleatórias Variável aleatória Discreta Contínua DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

25 Variáveis Aleatórias A distribuição de probabilidades pode ainda ser descrita através da função de distribuição cumulativa F(x), que, para cada x, dá a probabilidade da v.a. assumir um valor inferior ou igual a x : F (x) = P (X x) (probabilidade acumulada até x), onde 0 F (x) 1, F (x) é não-decrescente lim F (x) = 0 e lim F (x) = 1 x x + DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

26 Variáveis Aleatórias Se X é uma variável aleatória contínua, então, se existe uma função não-negativa f X (x) 0, x R e integrável com + f X (x) dx = 1 tal que P (a X b) = b a f X (x) dx, a, b R então denotamos a função f X (x) por função densidade de probabilidades (fdp) da v.a. X. Também podemos descrever a distribuição de probabilidades através da função de distribuição cumulativa F (x) = P (X x) = x f X (t) dt F (x) = f X (x) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

27 Variáveis Aleatórias Experimento: Lançar 2 Moedas. Seja X = # cabeças. 4 possibilidades T T T H H T H H Determinar P(x), i.e., P(X = x), para todo o x: Distribuição de probabilidades Valor de x Probabilidade 0 1/4 = /4 = /4 =.25 Probability x Statistics for Business and Economics, 6e 2007 Pearson Education, Inc. Chap 5 1 DMQ, ISCTE-IUL Estatística 13 de Setembro de /

28 Variáveis Aleatórias f X Área a sombreado = P (a < X < b) a b x DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

29 Variáveis Aleatórias - Valor esperado e Variância Definição: o valor esperado (média) de uma v.a. µ e é definida como a seguir: µ = E (X) = x f X (x) = x P (x), µ = E (X) = x + x x f X (x) dx, X contínua X denota-se por X discreta Definição: Se X é uma variável aleatória com média µ, então a variância de X é definida por ((X µ) 2) σ 2 = Var (X) = (x µ) 2 f X (x) = x 2 f X (x) µ 2 = E x O desvio padrão de X define-se por σ = Var (X) = (x µ) 2 f X (x) = x x 2 f X (x) µ 2 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

30 Variáveis Aleatórias Example Continuação da experiência de lansamento de 2 moedas: temos a seguinte tabela x P (x) Calcular o valor esperado E (X) = x x P (x) = ( 0 }{{} }{{} 0.25) + (}{{} 1 }{{} 0.50) + (2 0.25) = 1 x 1 x 2 P(x 1 ) P(x 2 ) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

31 Variáveis Aleatórias Teorema: Se f X (x) é a função probabilidade de uma variável aleatória X e g (X) é alguma função de variável X, então o valor esperado da função g é dado por E (g (X)) = g (X) f X (x) x DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

32 Variáveis Aleatórias Propriedades E (c) = c E (cx) = ce (X) E (ax + by) = ae (X) + be (Y) E (XY) = E (X) E (Y) + cov(x, Y) (se X, Y são independentes, então E (XY) = E (X) E (Y)) Var (X) = E ( X 2) (E (X)) 2 Var (c) = 0 Var (ax + b) = a 2 Var (X) Var(X ± Y) = Var(X) + Var(Y) ± 2cov(X, Y) (se X e Y são independentes, então Var(X ± Y) = Var(X) + Var(Y)) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

33 Variáveis Aleatórias Bidimensionais Usa-se quando há interesse por dois resultados simultâneos (por exemplo, altura X e peso Y de duas pessoas) Sejam E um experimento aleatório e Ω o espaço amostral associado a E e sejam X = X(ω) e Y = Y(ω) duas funções, cada uma associando um número real a cada resultado ω Ω. Então o par (X, Y) designa-se variável aleatória bidimensional. Para (X, Y) variável aleatória bidimensional e para (x, y) R 2 define-se a função de distribuição conjunta de (X, Y) por: F X,Y (x, y) = P (X x, Y y) = F X,Y (x, y) = P (X x, Y y) = x i x y j y x y P X,Y ( xi, y j ), (discreto) P X,Y (x, y) dxdy, (contín DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

34 Variáveis Aleatórias Bidimensionais Propriedades da função de distribuição conjunta 0 F X,Y (x, y) 1, (x, y) R 2 F X,Y ( x + x, y + y ) FX,Y (x, y), x, y 0 lim x,y + F X,Y (x, y) = 1 lim F X,Y (x, y) = 0 e x lim F X,Y (x, y) = 0 y DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

35 Variáveis Aleatórias Bidimensionais Seja (X, Y) uma variável aleatória bidimensional. Então P X,Y (x, y) = P (X = x, Y = y), (x, y) R 2 diz-se a função (densidade) de probabilidade conjunta de (X, Y). P X,Y (x, y) 0, (x, y) R 2 x y P X,Y (x, y) = 1 (discreto) + + P X,Y (x, y) dxdy = 1 (contínuo) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

36 Variáveis Aleatórias Bidimensionais A partir do conhecimento do comportamento conjunto de (X, Y) é também possível analisar separadamente X e Y uma vez que lim F X,Y (x, y) = F Y (y) e lim F X,Y (x, y) = F X (x) x + y + Função (densidade) de probabilidade marginal de X; p X (x) p X (x) = P (X = x, Y qualquer) = P X,Y (x, y) p X (x) = P (X = x, Y qualquer) = y + P X,Y (x, y) dy Função (densidade) de probabilidade marginal de Y; p Y (y) p Y (y) = P (X qualquer, Y = y) = P X,Y (x, y) p Y (y) = P (X qualquer, Y = y) = x + P X,Y (x, y) dx DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

37 Variáveis Aleatórias Bidimensionais Dada uma variável aleatória bidimensional (X, Y), diz-se que as v.a. unidimensionais que a integram, X e Y, são independentes, se a sua função de probabilidade conjunta, P X,Y (x, y), for igual ao produto das funções de probabilidade marginais correspondentes, isto é: P X,Y (x, y) = p X (x) p Y (y), (x, y) R 2 Teorema: Se X e Y são variáveis aleatórias independentes então as variáveis aleatórias U = g(x) e V = h(y) são também independentes DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

38 Variáveis Aleatórias Bidimensionais Sejam X e Y duas variáveis aleatórias discretas. A função probabilidade condicionada (condicional) da v.a. Y exprime a probabilidade de Y assumir o valor y quando é especificado o valor x para X. Define-se por P (Y = y X = x) = Tem-se analogamente P (X = x Y = y) = P (X = x, Y = y) P (X = x) P (X = x, Y = y) P (Y = y) = P X,Y (x, y) p X (x) = P X,Y (x, y) p Y (y) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

39 Variáveis Aleatórias Bidimensionais Define-se a covariância entre X e Y, e denota-se por Cov(X, Y), como sendo Cov(X, Y) = E[(X µ X )(Y µ Y )] = (x µ X )(y µ Y )P X,Y (x, y) x y = E (XY) E (X) E (Y) A covariância mede a intensidade da relação linear existente entre duas variáveis e assume valores reais. Teorema: Se X e Y forem independentes então Cov(X, Y) = 0 O recíproco não é, em geral, verdadeiro, isto é: Cov(X, Y) = 0 não implica que X e Y sejam v.a. independentes DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

40 Y Y Y a) Relação linear positiva X b) Relação linear negativa X c) Ausência de relação X Y Y Y d) Relação não lin. posit. X e) Relação linear positiva X com menor grau de relação que em a) f) Relação linear positiva X Com maior grau de relação que em a). DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

41 Distribuição normal: caracterizada por dois parâmetros: média µ e desvio-padrão σ e dada pela função densidade de probabilidades (fdp) f (x) = 1 σ 2 2π e (x µ) /2σ 2, < x < Uma v.a. normalmente distribuída com µ = 0 e σ = 1 diz-se que tem uma distribuição normal padrão (standard). Denota-se por Z e a sua fdp é dada por f (z) = 1 e z2 /2, 2π < z < Trata-se de uma função em forma de sino, simétrica em relação a média com área abaixo do gráfico =1. Notação: X N ( µ, σ 2) e Z N (0, 1) Padronizar uma variável aleatória normal: z-score Z = X µ X σ X X = µ X + σ X Z, µ Z = 0, σ 2 Z = 1. DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

42 Distribuições Contínuas Distribuição normal 0.8 Distribuição normal sigma=0.57, mu=0.1 f(x) 0.4 sigma=1.36, mu=0.1 sigma=1.7, mu= x= x DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

43 Distribuições Contínuas Distribuição Qui-Quadrado Seja um conjunto de k variáveis Z i (i = 1,..., k) tal que: cada variável Z i segue uma distribuição normal padronizada, Z i N(0, 1) as variáveis Z i são mutuamente independentes A variável aleatória X = i Z 2 i, segue uma Distribuição Qui-quadrado com k graus de liberdade quando a sua função densidade de probabilidades tem a forma f (x) = 1 2 k/2 Γ (k/2) e x/2 x (k/2) 1, Γ função gamma Notação: X = i Z 2 i χ 2 (k) Média: µ = k e Variância: σ 2 = 2k É uma distribuição assimétrica, que se aproxima da distribuição normal, à medida que k aumenta DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

44 Distribuições Contínuas Distribuição Qui-Quadrado DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

45 Distribuições Contínuas Distribuição t-student Sejam duas variáveis independentes Z N (0, 1) e V χ 2 (k). Define-se a nova variável X = Z. V/k A variável X tem uma distribuição t de Student com k graus de liberdade se a sua função densidade de probabilidades tem a forma ( ) f (x) = Γ k+1 ) k+1 2 ( (1 + kπγ k 2) x2 2, < x <, k > 0 k Notação: X t (k) Média: µ = 0 para k > 1 e Variância: σ 2 = k k 2 para k > 2 Distrib. simétrica em relação à origem, que se aproxima da distrib. normal à medida que k aumenta; DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

46 Distribuições Contínuas Distribuição t-student DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

47 Distribuições Contínuas Distribuição F de Snedecor Sejam duas variáveis independentes V 1 χ 2 (k 1 ) e V 2 χ 2 (k 2 ). Define-se a nova variável X = V 1/k 1 V 2 /k 2. A variável X segue uma distribuição F com k 1 e k 2 graus de liberdade se a sua função densidade de probabilidades tem a forma f (x) = Notação: X F (k1,k 2 ) Γ ( ) k1 +k 2 2 ( ) k2 2 Γ ( k1 2 ) Γ Média: µ = k 2 k 2 2 para k 2 > 2 ( k1 k 2 ) k1 2 x k (k 2 + k 1 x) k 1 +k 2 2 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

48 Distribuições Contínuas Distribuição F de Snedecor Variância: σ 2 = 2k2 2 (k 1+k 2 2) k 1 (k 2 2) 2 (k 2 4) para k 2 > 4 É uma distribuição positiva e assimétrica e os seus valores encontram-se em tabelas DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

49 Inferência Estatística (Estatística Inferencial, Indutiva) A inferência estatística tem como objectivos tirar conclusões sobre os parâmetros da população a partir da recolha, tratamento e análise dos dados de uma amostra, obtida dessa população. População (desconhecida) Amostragem aleatória Inferência estatística Amostra (conhecida) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

50 Inferência Estatística Parâmetro Medida usada para descrever a distribuição da população a média µ e a variância σ 2 são parâmetros de uma distribuição Normal Estatística Função de uma amostra aleatória que não depende de parâmetros desconhecidos Média amostral, Variância amostral Num problema de inferência estatística a estimação dos parâmetros pode ser pontual (estatística, estimador = é a v.a. que estima (pontualmente) um parâmetro (populacional) ) por intervalos (intervalos de confiança) Estimação pontual: procedimento que vai permitir obter um valor que seja o melhor (de acordo com algum critério) para um parâmetro desconhecido θ. Um estimador de θ é uma v.a. com uma dada distribuição. Chama-se estimativa de θ e representa-se por ˆθ, um valor concreto DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

51 Inferência Estatística - Propriedades dos estimadores O estimador ˆΘ do parâmetro θ, diz-se centrado ou não enviesado se e só se E( ˆΘ) = θ. Dados dois estimadores centrados para θ, ˆΘ e ˆΘ diz-se que ˆΘ é mais eficiente do que ˆΘ se Var[ ˆΘ] Var[ ˆΘ ]. Um estimador diz-se suficiente, quando utiliza toda a informação disponível na amostra. Seja X 1,..., X n uma amostra aleatória de dimensão n extraída de uma população com média µ e variância σ 2. Então, X = n i=1 X i n ( e S 2 = n i=1 Xi X ) 2 n 1 são estimadores centrados de µ e σ 2, respectivamente. DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

52 Inferência Estatística - Estimação por Intervalos Na estimação por intervalos, em vez de se indicar um determinado valor estimado para certo parâmetro da população, constrói-se um intervalo que, com certo grau de certeza, previamente fixado, o contenha. Um intervalo de confiança para um parâmetro θ, a um grau de confiança 1 α, é um intervalo aleatório (L inf, L sup ) tal que: P(L inf < θ < L sup ) = 1 α, α (0, 1) onde α deve ser um valor muito reduzido por forma a temos confianças elevadas. α é o nível de confiança (significância), ou seja o erro que estamos a cometer DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

53 Intervalo de confiança IC para a média quando a variância é conhecida Seja X 1,..., X n uma amostra aleatória de dimensão n. Consideramos que a v. a. X tem um distribuiçao normal, i.e., X N ( µ, σ 2). Se σ é conhecido, então considere-se a nova variável Z = X µ σ/ N (0, 1). n Fixamos α (o nível de significância) e notamos por z α/2 o valor crítico de Z tal que P (Z > z α/2 ) = α/2. Então ( P ( z α/2 < Z < z α/2 ) = 1 α P z α/2 < X µ ) σ/ n < z α/2 = 1 α e portanto o intervalo a (1 α) 100% de confiança para µ é X z α/2 σ n < µ < X + z α/2 σ n (1) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

54 Intervalo de confiança IC para a média quando a variância é desconhecida Se a variância σ é desconhecida e a amostra é grande, então podemos substituir σ S Se a amostra é pequena, a variável obtida no caso anterior já não é normal. Mas, se a população é normal, então a variável aleatória ( ) X µ T = S/ n t (n 1) tem distribuição t-student com n 1 graus de liberdade. Então, o intervalo a (1 α) 100% de confiança para µ é s s x t α/2,(n 1) < µ < x + t α/2,(n 1) n n DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

55 Intervalo de confiança Diminuindo o grau de confiança de 99% a 95%, aumentamos o risco de estar errados: de 1% de risco passamos a 5% de risco, ou seja temos mais possibilidades (5/100 em vez de 1/100) de que o IC não contenha a média populacional. Ao aumentar o risco, o intervalo deve ser mais preciso DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

56 Testes (ensaios) de hipóteses Decisão estatística: tomar uma decisão baseando-nos numa amostra Exemplos: Verificar se mais de metade da população irá consumir um novo produto lançado no mercado; Testar se um sistema educacional é melhor em média que outro Decidir se um novo medicamento cura ou não uma certa doença Uma hipótese estatística é uma afirmação acerca dos parâmetros de uma ou mais populações (testes paramétricos) ou acerca da distribuição da população (testes de ajustamento, não-paramétricos). Os testes de hipóteses têm como objectivo decidir, com base na informação fornecida pelos dados de uma amostra, sobre a aceitação ou não de uma dada hipótese (conjectura sobre aspectos desconhecidos da(s) população(ões)). DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

57 Testes de hipóteses Formular duas hipóteses: hipótese nula H 0 (aqui se especifica o valor do parâmetro ou a distribuição a verificar) hipótese alternativa H 1 A resposta num teste de hipóteses é dada na forma rejeição ou não rejeição de H 0 Os pontos de fronteira chamam-se valores críticos DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

58 Testes de hipóteses A tomada de decisões no processo de inferência posui riscos, o que determina a aparição dos erros de decisão Tipos de erros: Erro do tipo I: rejeitar H 0 sendo H 0 verdadeira (erro de rejeição); Erro do tipo II: não rejeitar H 0 sendo H 0 falsa (erro de não-rejeição). Definem-se α = P(erro do tipo I) = P (Rejeitar H 0 H 0 é verdadeira), onde α chama-se nível de significância do teste. Em geral, atribuir-se um valor muito baixo à probabilidade do erro do tipo I (0.05 ou 0.01) β = P(erro do tipo II) = P(Não-rejeitar H 0 H 0 é falsa), onde 1 β chama-se potência do teste DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

59 Testes de hipóteses Procedimento Geral dos Testes de Hipóteses (Testes de Significância ou Teste Estatístico) Pelo contexto do problema identificar o parâmetro de interesse Especificar a hipótese nula H 0 e a hipótese alternativa apropriada H 1 Escolher o nível de significância, α Escolher uma estatística de teste adequada (variável aleatória utilizada para decidir: por exemplo média amostral) Definir a região crítica ou região de rejeição RC Determinar o valor real da estatística de teste Decidir sobre a rejeição ou não de H 0 Se o valor calculado RC rejeita-se H 0 Se o valor calculado / RC não se rejeita H 0 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

60 Testes de hipóteses Região de aceitação Região crítica Não rejeitar H 0 Região crítica Rejeitar H 0 Rejeitar H Valor crítico Valor crítico DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

61 Testes de hipóteses Teste bilateral: H 0 : µ = µ 0 H 1 : µ = µ 0 Teste unilateral à direita: H 0 : µ = µ 0 H 1 : µ > µ 0 Os valores da estatística de teste que nos levarão a rejeitar H 0 e concluir que µ > µ 0, também nos levarão a rejeitar qualquer valor menor do que µ 0. Teste unilateral à esquerda H 0 : µ = µ 0 H 1 : µ < µ 0 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

62 Testes de hipóteses 0.4 Testes unilaterais H 1 : mu < mu 0 H 1 : mu > mu Região crítica 0.1 Região crítica 0.05 Rejeitar H 0 Não rejeitar H 0 Região de aceitação Valor crítico 0.05 Não rejeitar H 0 Região de aceitação Rejeitar H Valor crítico DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

63 Testes de hipóteses A indicação do valor observado da estatística do teste, seguido da consulta de uma tabela para a procura de um valor crítico, tem sido recentemente substituído pelo cálculo de: a probabilidade de se observar um valor igual ou mais extremo do que o observado, se a hipótese nula é verdadeira chama-se a isto valor de prova; valor p ( p-value, possível calcular com ajuda do qualquer software ) Podemos interpretar o valor do p-value como o maior nível de significância que levaria à não rejeição da hipótese nula (ou o menor que levaria à rejeição). Assim, quanto menor for o p-value, menor é a consistência entre os dados e a hipótese nula (Quanto mais baixo for o valor-p maior é a evidência contra a hipótese nula.) Habitualmente adopta-se como regra de decisão: rejeitar H 0 se p-value α DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

64 Testes de hipóteses Examples Máquina de encher pacotes de açúcar. O peso de cada pacote deve ser 8g (isto é, µ = 8). Será que a máquina está a funcionar correctamente? Solution Temos então a hipótese nula H 0 : µ = 8 contra a hipótese alternativa H 1 : µ = 8. Seja X - variável aleatória que representa o peso de um pacote de açúcar, com E (X) = µ e Var (X) = 1. Vamos considerar que numa amostra aleatória de 25 observações: X 1,..., X 25 observou-se x = 8.5. Quer-se saber se, ao nível de significância de 5%, se pode afirmar que a máquina continua afinada. DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

65 Testes de hipóteses Estatística do teste: Z 0 = X 8 1/ 25 e para α = 0.05 a = 1.96 donde se obtem a região crítica: Com x = 8.5 obtém-se Z 0 < 1.96 ou Z 0 > z 0 = / 25 = 2.5. Como z 0 > 1.96 rejeita-se H 0, ou seja existe evidência (ao nível de significância considerado) de que a máquina está desafinada. Considerando agora um valor-p, temos que: quando z 0 = 2.5, para este valor H 0 não é rejeitada se ou seja, p = α 2 (1 Φ (2.5)) = DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

66 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65

Capítulo 8 - Testes de hipóteses. 8.1 Introdução

Capítulo 8 - Testes de hipóteses. 8.1 Introdução Capítulo 8 - Testes de hipóteses 8.1 Introdução Nos capítulos anteriores vimos como estimar um parâmetro desconhecido a partir de uma amostra (obtendo estimativas pontuais e intervalos de confiança para

Leia mais

Estatística descritiva. Também designada Análise exploratória de dados ou Análise preliminar de dados

Estatística descritiva. Também designada Análise exploratória de dados ou Análise preliminar de dados Estatística descritiva Também designada Análise exploratória de dados ou Análise preliminar de dados 1 Estatística descritiva vs inferencial Estatística Descritiva: conjunto de métodos estatísticos que

Leia mais

Revisão: Noções básicas de estatística aplicada a avaliações de imóveis

Revisão: Noções básicas de estatística aplicada a avaliações de imóveis Curso de Avaliações Prof. Carlos Aurélio Nadal cnadal@ufpr.br 1 AULA 03 Revisão: Noções básicas de estatística aplicada a avaliações de imóveis 2 OBSERVAÇÃO: é o valor obtido durante um processo de medição.

Leia mais

Exemplos de Testes de Hipóteses para Médias Populacionais

Exemplos de Testes de Hipóteses para Médias Populacionais Exemplos de Testes de Hipóteses para Médias Populacionais Vamos considerar exemplos de testes de hipóteses para a média de uma população para os dois casos mais importantes na prática: O tamanho da amostra

Leia mais

Capítulo 3 Modelos Estatísticos

Capítulo 3 Modelos Estatísticos Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide

Leia mais

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão. ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

Leia mais

Testes (Não) Paramétricos

Testes (Não) Paramétricos Armando B. Mendes, DM, UAç 09--006 ANOVA: Objectivos Verificar as condições de aplicabilidade de testes de comparação de médias; Utilizar ANOVA a um factor, a dois factores e mais de dois factores e interpretar

Leia mais

Tipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.

Tipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real. Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração

Leia mais

Estatística II Antonio Roque Aula 9. Testes de Hipóteses

Estatística II Antonio Roque Aula 9. Testes de Hipóteses Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para

Leia mais

SÉRIE: Estatística Básica Texto 4: TESTES DE HIPÓTESES SUMÁRIO

SÉRIE: Estatística Básica Texto 4: TESTES DE HIPÓTESES SUMÁRIO SUMÁRIO. INTRODUÇÃO... 3.. GENERALIDADES... 3.. METODOLOGIA DO TESTE DE HIPÓTESES... 3.3. AS HIPÓTESES... 3.4. A ESCOLHA DO TESTE ESTATÍSTICO... 4.5. CONCEITOS ADICIONAIS DO TESTE DE HIPÓTESES... 4.6.

Leia mais

Distribuição Gaussiana. Modelo Probabilístico para Variáveis Contínuas

Distribuição Gaussiana. Modelo Probabilístico para Variáveis Contínuas Distribuição Gaussiana Modelo Probabilístico para Variáveis Contínuas Distribuição de Frequências do Peso, em gramas, de 10000 recém-nascidos Frequencia 0 500 1000 1500 2000 2500 3000 3500 1000 2000 3000

Leia mais

Aula 1: Introdução à Probabilidade

Aula 1: Introdução à Probabilidade Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo

Leia mais

1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.

1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente. TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à

Leia mais

Aula 6. Testes de Hipóteses Paramétricos (I) Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán. Teste de Hipóteses

Aula 6. Testes de Hipóteses Paramétricos (I) Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán. Teste de Hipóteses Aula 6. Testes de Hipóteses Paramétricos (I) Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Teste de Hipóteses Procedimento estatístico que averigua se os dados sustentam

Leia mais

Revisão de Estatística Aplicada a Finanças

Revisão de Estatística Aplicada a Finanças Revisão de Estatística Aplicada a Finanças INTRODUÇÃO A revisão que apresentaremos destina-se a examinar conceitos importantes de Estatística, que tornem possível a compreensão do conteúdo do livro de

Leia mais

Teste de Hipóteses e Intervalos de Confiança

Teste de Hipóteses e Intervalos de Confiança Teste de Hipóteses e Intervalos de Confiança Teste de Hipótese e Intervalo de Confiança para a média Monitor Adan Marcel 1) Deseja-se estudar se uma moléstia que ataca o rim altera o consumo de oxigênio

Leia mais

MÓDULO 1. I - Estatística Básica

MÓDULO 1. I - Estatística Básica MÓDULO 1 I - 1 - Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos e empíricamente observáveis. Unidade Estatística nome dado a cada observação de um

Leia mais

Análise de Arredondamento em Ponto Flutuante

Análise de Arredondamento em Ponto Flutuante Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto

Leia mais

CAP5: Amostragem e Distribuição Amostral

CAP5: Amostragem e Distribuição Amostral CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?

Leia mais

Equações Diferenciais Ordinárias

Equações Diferenciais Ordinárias Capítulo 8 Equações Diferenciais Ordinárias Vários modelos utilizados nas ciências naturais e exatas envolvem equações diferenciais. Essas equações descrevem a relação entre uma função, o seu argumento

Leia mais

Distribuição de Freqüência

Distribuição de Freqüência Distribuição de Freqüência Representação do conjunto de dados Distribuições de freqüência Freqüência relativa Freqüência acumulada Representação Gráfica Histogramas Organização dos dados Os métodos utilizados

Leia mais

Estatística Descritiva I

Estatística Descritiva I Estatística Descritiva I Bacharelado em Economia - FEA - Noturno 1 o Semestre 2016 Profs. Fábio P. Machado e Gilberto A. Paula MAE0219 (Economia-FEA-Noturno) Estatística Descritiva I 1 o Semestre 2016

Leia mais

Faculdade Sagrada Família

Faculdade Sagrada Família AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer

Leia mais

Tipos de variáveis aleatórias

Tipos de variáveis aleatórias Tipos de variáveis aleatórias Variáveis aleatórias discretas se assumem um conjunto finito ou infinito numerável de valores. Exemplos: número de pintas que sai no lançamento de um dado; registo, a intervalos

Leia mais

ESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS

ESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS ESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS Escola de Enfermagem UFRGS Julho/2007 Juscelino Zemiacki Estatístico Programa Básico: AULA 1 Noções Básicas de Estatística AULA

Leia mais

Processos Estocásticos

Processos Estocásticos Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte

Leia mais

Estatística Descritiva

Estatística Descritiva Estatística Descritiva Como construir uma distribuição de freqüências. Como construir gráficos de freqüências. Como encontrar medidas de tendência central. Como encontrar medidas de variabilidade. Como

Leia mais

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Unidade 2 Distribuições de Frequências e Representação Gráfica UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Ao finalizar esta Unidade, você deverá ser capaz de: Calcular

Leia mais

Variáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder

Variáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder Variáveis aleatórias contínuas e distribuiçao Normal Henrique Dantas Neder Definições gerais Até o momento discutimos o caso das variáveis aleatórias discretas. Agora vamos tratar das variáveis aleatórias

Leia mais

A finalidade dos testes de hipóteses paramétrico é avaliar afirmações sobre os valores dos parâmetros populacionais.

A finalidade dos testes de hipóteses paramétrico é avaliar afirmações sobre os valores dos parâmetros populacionais. Prof. Janete Pereira Amador Introdução Os métodos utilizados para realização de inferências a respeito dos parâmetros pertencem a duas categorias. Pode-se estimar ou prever o valor do parâmetro, através

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

4. Tangentes e normais; orientabilidade

4. Tangentes e normais; orientabilidade 4. TANGENTES E NORMAIS; ORIENTABILIDADE 91 4. Tangentes e normais; orientabilidade Uma maneira natural de estudar uma superfície S consiste em considerar curvas γ cujas imagens estão contidas em S. Se

Leia mais

Operações sobre uma variável aleatória

Operações sobre uma variável aleatória Capítulo 3 Operações sobre uma variável aleatória - Esperança matemática Neste capítulo, introduz-se algumas operações importantes que podem ser realizadas sobre uma variável aleatória. 3.1 Esperança Valor

Leia mais

Introdução aos Modelos Biomatemáticos - aulas

Introdução aos Modelos Biomatemáticos - aulas Introdução aos Modelos Biomatemáticos - aulas Teórico-Práticas Mestrado em BBC, 2008/2009 1 Capítulo 1 Nos exercícios 1) e 2) suponha que o crescimento é exponencial. 1. Entre 1700 e 1800 a população humana

Leia mais

Aula 5 Distribuição amostral da média

Aula 5 Distribuição amostral da média Aula 5 Distribuição amostral da média Nesta aula você irá aprofundar seus conhecimentos sobre a distribuição amostral da média amostral. Na aula anterior analisamos, por meio de alguns exemplos, o comportamento

Leia mais

Testedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado

Testedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado Parte X Testedegeradoresde números aleatórios Os usuários de uma simulação devem se certificar de que os números fornecidos pelo gerador de números aleatórios são suficientemente aleatórios. O primeiro

Leia mais

Variáveis Aleatórias Contínuas

Variáveis Aleatórias Contínuas Variáveis aleatórias contínuas: vamos considerar agora uma lista de quantidades as quais não é possível associar uma tabela de probabilidades pontuais ou frequências tempo de duração de uma chamada telefônica

Leia mais

INSTITUTO TECNOLÓGICO

INSTITUTO TECNOLÓGICO PAC - PROGRAMA DE APRIMORAMENTO DE CONTEÚDOS. ATIVIDADES DE NIVELAMENTO BÁSICO. DISCIPLINAS: MATEMÁTICA & ESTATÍSTICA. PROFº.: PROF. DR. AUSTER RUZANTE 1ª SEMANA DE ATIVIDADES DOS CURSOS DE TECNOLOGIA

Leia mais

Datas Importantes 2013/01

Datas Importantes 2013/01 INSTRUMENTAÇÃO CARACTERÍSTICAS DE UM SISTEMA DE MEDIÇÃO PROBABILIDADE PROPAGAÇÃO DE INCERTEZA MÍNIMOS QUADRADOS Instrumentação - Profs. Isaac Silva - Filipi Vianna - Felipe Dalla Vecchia 2013 Datas Importantes

Leia mais

PROBABILIDADES E ESTATÍSTICA

PROBABILIDADES E ESTATÍSTICA PROBABILIDADES E ESTATÍSTICA Ao conjunto de todos os resultados possíveis, de uma eperiência aleatória, chamamos espaço amostral e representamos por S. Define-se acontecimento como sendo um subconjunto

Leia mais

ESTATÍSTICA. Prof. Ari Antonio, Me. Ciências Econômicas. Unemat Sinop 2012

ESTATÍSTICA. Prof. Ari Antonio, Me. Ciências Econômicas. Unemat Sinop 2012 ESTATÍSTICA Prof. Ari Antonio, Me Ciências Econômicas Unemat Sinop 2012 1. Introdução Concepções de Estatística: 1. Estatísticas qualquer coleção consistente de dados numéricos reunidos a fim de fornecer

Leia mais

Representação de números em máquinas

Representação de números em máquinas Capítulo 1 Representação de números em máquinas 1.1. Sistema de numeração Um sistema de numeração é formado por uma coleção de símbolos e regras para representar conjuntos de números de maneira consistente.

Leia mais

QUESTÕES COMENTADAS E RESOLVIDAS

QUESTÕES COMENTADAS E RESOLVIDAS LENIMAR NUNES DE ANDRADE INTRODUÇÃO À ÁLGEBRA: QUESTÕES COMENTADAS E RESOLVIDAS 1 a edição ISBN 978-85-917238-0-5 João Pessoa Edição do Autor 2014 Prefácio Este texto foi elaborado para a disciplina Introdução

Leia mais

Bioestatística Aula 3

Bioestatística Aula 3 Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento

Leia mais

Descreve de uma forma adequada o

Descreve de uma forma adequada o EST029 Cálculo de Probabilidade I Cap. 8 - Variáveis Aleatórias Contínuas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Variável Aleatória Normal Caraterização: Descreve de uma forma adequada

Leia mais

Estatística Básica. Armando Oscar Cavanha Filho

Estatística Básica. Armando Oscar Cavanha Filho Estatística Básica Armando Oscar Cavanha Filho 1- INTRODUÇÃO A Estatística tem ampliado a sua participação na linguagem das atividades profissionais da atualidade, já que os números e seus significados

Leia mais

ANÁLISE NUMÉRICA DEC - 1996/97

ANÁLISE NUMÉRICA DEC - 1996/97 ANÁLISE NUMÉRICA DEC - 996/97 Teoria de Erros A Teoria de Erros fornece técnicas para quantificar erros nos dados e nos resultados de cálculos com números aproximados. Nos cálculos aproximados deve-se

Leia mais

Intervalo de Confiança e cálculo de tamanho de amostra. Henrique Dantas Neder

Intervalo de Confiança e cálculo de tamanho de amostra. Henrique Dantas Neder Intervalo de Confiança e cálculo de tamanho de amostra Henrique Dantas Neder Intervalo de confiança para a média da população µ X Até o momento discutimos as propriedades da distrbuição normal e vimos

Leia mais

PROBABILIDADE. Aula 5

PROBABILIDADE. Aula 5 Curso: Psicologia Disciplina: Métodos Quantitativos Profa. Valdinéia Data: 28/10/15 PROBABILIDADE Aula 5 Geralmente a cada experimento aparecem vários resultados possíveis. Por exemplo ao jogar uma moeda,

Leia mais

Introdução ao estudo de equações diferenciais

Introdução ao estudo de equações diferenciais Matemática (AP) - 2008/09 - Introdução ao estudo de equações diferenciais 77 Introdução ao estudo de equações diferenciais Introdução e de nição de equação diferencial Existe uma grande variedade de situações

Leia mais

Análise de Regressão Linear Simples e Múltipla

Análise de Regressão Linear Simples e Múltipla Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques (DepMAT ESTV) Análise de Regres. Linear Simples e Múltipla

Leia mais

Eduardo Camponogara. DAS-5103: Cálculo Numérico para Controle e Automação. Departamento de Automação e Sistemas Universidade Federal de Santa Catarina

Eduardo Camponogara. DAS-5103: Cálculo Numérico para Controle e Automação. Departamento de Automação e Sistemas Universidade Federal de Santa Catarina Eduardo Camponogara Departamento de Automação e Sistemas Universidade Federal de Santa Catarina DAS-5103: Cálculo Numérico para Controle e Automação 1/48 Sumário Arredondamentos Erros 2/48 Sumário Arredondamentos

Leia mais

3 Estratégias de Análise Técnica

3 Estratégias de Análise Técnica 3 Estratégias de Análise Técnica Como foi visto no Capítulo 2, as estratégias dos investidores do mercado são compostas por dois fatores, a saber: o mecanismo de ativação σ i (t) (Eq. 2-10) e o mecanismo

Leia mais

Aula 4 Estatística Conceitos básicos

Aula 4 Estatística Conceitos básicos Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a

Leia mais

CONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos

CONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos INTRODUÇÃO À PROAILIDADE Exemplos: O problema da coincidência de datas de aniversário O problema da mega sena A teoria das probabilidade nada mais é do que o bom senso transformado em cálculo A probabilidade

Leia mais

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa

Leia mais

Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - APO

Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - APO Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - APO 11. O Dia do Trabalho, dia 1º de maio, é o 11º dia do ano quando o ano não é bissexto. No ano de 1958, ano em que o Brasil ganhou,

Leia mais

29/Abril/2015 Aula 17

29/Abril/2015 Aula 17 4/Abril/015 Aula 16 Princípio de Incerteza de Heisenberg. Probabilidade de encontrar uma partícula numa certa região. Posição média de uma partícula. Partícula numa caixa de potencial: funções de onda

Leia mais

O teste de McNemar. A tabela 2x2. Depois

O teste de McNemar. A tabela 2x2. Depois Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br O teste de McNemar O teste de McNemar para a significância de mudanças é particularmente aplicável aos experimentos do tipo "antes

Leia mais

Pós-Graduação em Economia e Gestão em Saúde Módulo de Estatística Aplicada

Pós-Graduação em Economia e Gestão em Saúde Módulo de Estatística Aplicada ÍNDICE 1. CONCEITOS BÁSICOS 2 1.1 FASES DE UMA ANÁLISE ESTATÍSTICA 2 2. ANÁLISE EXPLORATÓRIA DOS DADOS 3 2.1 TABELAS E GRÁFICOS 3 2.2 ESTATÍSTICA DESCRITIVA 9 2.2.1 Medidas de Tendência Central 10 2.2.2

Leia mais

Estatística e Probabilidade. Aula 8 Cap 05. Distribuição normal de probabilidade

Estatística e Probabilidade. Aula 8 Cap 05. Distribuição normal de probabilidade Estatística e Probabilidade Aula 8 Cap 05 Distribuição normal de probabilidade Estatística e Probabilidade Na aula anterior vimos... Distribuições Binomiais Distribuição Geométrica Distribuição de Poisson

Leia mais

Curvas em coordenadas polares

Curvas em coordenadas polares 1 Curvas em coordenadas polares As coordenadas polares nos dão uma maneira alternativa de localizar pontos no plano e são especialmente adequadas para expressar certas situações, como veremos a seguir.

Leia mais

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem) Considerações Iniciais É impossível saber, antes de amostrar, de que maneira os valores das variáveis irão se comportar: se dependente ou independente uma da outra. Devido as limitações da estatística

Leia mais

Figura 2.1: Carro-mola

Figura 2.1: Carro-mola Capítulo 2 EDO de Segunda Ordem com Coeficientes Constantes 2.1 Introdução - O Problema Carro-Mola Considere um carro de massa m preso a uma parede por uma mola e imerso em um fluido. Colocase o carro

Leia mais

Análise de Sobrevivência Aplicada à Saúde

Análise de Sobrevivência Aplicada à Saúde Roteiro Análise de Sobrevivência Aplicada à Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Conceitos Básicos 2. Técnicas Não Paramétricas 3. Modelos Probabilísticos e Inferência 4. Modelos de

Leia mais

Departmento de Matemática, Faculdade de Ciências e Tecnologia, Universidade Nova de Lisboa, 2829-516, Caparica, Portugal

Departmento de Matemática, Faculdade de Ciências e Tecnologia, Universidade Nova de Lisboa, 2829-516, Caparica, Portugal PROBABILIDADES E ESTATÍSTICA ISABEL NATÁRIO Departmento de Matemática, Faculdade de Ciências e Tecnologia, Universidade Nova de Lisboa, 89-516, Caparica, Portugal Especial agradecimento à Prof a Fátima

Leia mais

Regressão Logística. Daniel Araújo Melo - dam2@cin.ufpe.br. Graduação

Regressão Logística. Daniel Araújo Melo - dam2@cin.ufpe.br. Graduação Regressão Logística Daniel Araújo Melo - dam2@cin.ufpe.br Graduação 1 Introdução Objetivo Encontrar o melhor modelo para descrever a relação entre variável de saída (variável dependente) e variáveis independentes

Leia mais

Inferência Estatística Aula 3

Inferência Estatística Aula 3 Inferência Estatís Aula 3 Agosto de 008 Mônica Barros Conteúdo Revisão de Probabilidade Algumas das principais distribuições discretas Distribuição de Poisson Distribuição Poisson como aproximação da Binomial

Leia mais

Problemas de Valor Inicial para Equações Diferenciais Ordinárias

Problemas de Valor Inicial para Equações Diferenciais Ordinárias Problemas de Valor Inicial para Equações Diferenciais Ordinárias Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados

Leia mais

Equações Diferenciais Ordinárias

Equações Diferenciais Ordinárias Equações Diferenciais Ordinárias Uma equação diferencial é uma equação que relaciona uma ou mais funções (desconhecidas com uma ou mais das suas derivadas. Eemplos: ( t dt ( t, u t d u ( cos( ( t d u +

Leia mais

Cap. 12 Testes Qui- Quadrados e Testes Não-Paramétricos. Statistics for Managers Using Microsoft Excel, 5e 2008 Prentice-Hall, Inc.

Cap. 12 Testes Qui- Quadrados e Testes Não-Paramétricos. Statistics for Managers Using Microsoft Excel, 5e 2008 Prentice-Hall, Inc. Cap. 1 Testes Qui- Quadrados e Testes Não-Paramétricos Statistics for Managers Using Microsoft Excel, 5e 008 Prentice-Hall, Inc. Chap 1-1 Final de curso... tempo de recordar : ) Cap. 9 Fundamentos de testes

Leia mais

Apresentação Caule e Folha. Exemplo

Apresentação Caule e Folha. Exemplo Análise Exploratória de Dados As técnicas de análise exploratória de dados consistem em gráficos simples de desenhar que podem ser utilizados para resumir rapidamente um conjunto de dados. Uma destas técnicas

Leia mais

Contabilometria. Aula 10 Grau de Ajustamento e Verificação das Premissas MQO

Contabilometria. Aula 10 Grau de Ajustamento e Verificação das Premissas MQO Contabilometria Aula 10 Grau de Ajustamento e Verificação das Premissas MQO Ferramentas -------- Análise de Dados -------- Regressão Regressão Linear - Exemplo Usando o Excel Regressão Linear Output do

Leia mais

FUNDAÇÃO EDUCACIONAL UNIFICADA CAMPOGRANDENSE (FEUC) FACULDADES INTEGRADAS CAMPO-GRANDENSES (FIC) COORDENAÇÃO DE MATEMÁTICA

FUNDAÇÃO EDUCACIONAL UNIFICADA CAMPOGRANDENSE (FEUC) FACULDADES INTEGRADAS CAMPO-GRANDENSES (FIC) COORDENAÇÃO DE MATEMÁTICA E N A D E 005 LICENCIATURA MATEMÁTICA QUESTÕES RESOLVIDAS I N T R O D U Ç Ã O Estamos apresentando a prova do ENADE aplicada em 005 para os cursos de Licenciatura em Matemática. Este trabalho tem o objetivo

Leia mais

DISTRIBUIÇÃO NORMAL 1

DISTRIBUIÇÃO NORMAL 1 DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02

Leia mais

Modelos de Filas de Espera

Modelos de Filas de Espera Departamento de Informática Modelos de Filas de Espera Métodos Quantitativos LEI 2006/2007 Susana Nascimento (snt@di.fct.unl.pt) Advertência Autor João Moura Pires (jmp@di.fct.unl.pt) Este material pode

Leia mais

4. Metodologia. Capítulo 4 - Metodologia

4. Metodologia. Capítulo 4 - Metodologia Capítulo 4 - Metodologia 4. Metodologia Neste capítulo é apresentada a metodologia utilizada na modelagem, estando dividida em duas seções: uma referente às tábuas de múltiplos decrementos, e outra referente

Leia mais

SÉRIE: Probabilidade Parte 2: Variáveis Contínuas 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS... 2

SÉRIE: Probabilidade Parte 2: Variáveis Contínuas 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS... 2 SUMÁRIO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS... 2 1.1. CÁLCULO DE PROBABILIDADE COM UMA VAC... 2 1.2. A FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA... 3 1.3. VARIÁVEL ALEATÓRIA CONTÍNUA (CARACTERIZAÇÃO)... 4 1.3.1.

Leia mais

Instruções. N. de Inscrição:

Instruções. N. de Inscrição: Escola de Administração Fazendária Missão: Desenvolver pessoas para o aperfeiçoamento da gestão das fi nanças públicas e a promoção da cidadania. Prova Conhecimentos Específicos Edital ESAF n. 79, de 06/1/013

Leia mais

Teorema de Taylor. Prof. Doherty Andrade. 1 Fórmula de Taylor com Resto de Lagrange. 2 Exemplos 2. 3 Exercícios 3. 4 A Fórmula de Taylor 4

Teorema de Taylor. Prof. Doherty Andrade. 1 Fórmula de Taylor com Resto de Lagrange. 2 Exemplos 2. 3 Exercícios 3. 4 A Fórmula de Taylor 4 Teorema de Taylor Prof. Doherty Andrade Sumário 1 Fórmula de Taylor com Resto de Lagrange 1 2 Exemplos 2 3 Exercícios 3 4 A Fórmula de Taylor 4 5 Observação 5 1 Fórmula de Taylor com Resto de Lagrange

Leia mais

Probabilidade e Estatística 2009/1 Prof. Fernando Deeke Sasse CCT-UDESC Exercícios 2

Probabilidade e Estatística 2009/1 Prof. Fernando Deeke Sasse CCT-UDESC Exercícios 2 Distribuição exponencial Solução. (a) f := (lambda, x) -> lambda*exp(-lambda*x); f := l, x /l e Kl x Probabilidade e Estatística 009/ Prof. Fernando Deeke Sasse CCT-UDESC Exercícios A distância entre os

Leia mais

Capítulo 5: Aplicações da Derivada

Capítulo 5: Aplicações da Derivada Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f

Leia mais

Distribuição de probabilidades

Distribuição de probabilidades Luiz Carlos Terra Para que você possa compreender a parte da estatística que trata de estimação de valores, é necessário que tenha uma boa noção sobre o conceito de distribuição de probabilidades e curva

Leia mais

Capítulo 4 Testes de Hipóteses

Capítulo 4 Testes de Hipóteses L E I T u R A C R í T I C A D E A R T I G O S C I E N T í F I CO S 61 Capítulo 4 Testes de Hipóteses Inferência estatística pode ser definida como um conjunto de procedimentos que nos permite tirar conclusões

Leia mais

Introdução a Inferência Bayesiana. Ricardo S. Ehlers

Introdução a Inferência Bayesiana. Ricardo S. Ehlers Introdução a Inferência Bayesiana Ricardo S. Ehlers Versão Revisada em junho de 2003 Sumário 1 Introdução 2 1.1 Teorema de Bayes.......................... 2 1.2 Princípio da Verossimilhança....................

Leia mais

Aula 10 Testes de hipóteses

Aula 10 Testes de hipóteses Aula 10 Testes de hipóteses Na teoria de estimação, vimos que é possível, por meio de estatísticas amostrais adequadas, estimar parâmetros de uma população, dentro de certo intervalo de confiança. Nos

Leia mais

Aula 2 - Cálculo Numérico

Aula 2 - Cálculo Numérico Aula 2 - Cálculo Numérico Erros Prof. Phelipe Fabres Anhanguera Prof. Phelipe Fabres (Anhanguera) Aula 2 - Cálculo Numérico 1 / 41 Sumário Sumário 1 Sumário 2 Erros Modelagem Truncamento Representação

Leia mais

CAPÍTULO 5 - Exercícios

CAPÍTULO 5 - Exercícios CAPÍTULO 5 - Exercícios Distibuições de variáveis aleatórias discretas: Binomial 1. Se 20% dos parafusos produzidos por uma máquina são defeituosos, determinar a probabilidade de, entre 4 parafusos escolhidos

Leia mais

Introdução à Topologia Resoluções de exercícios. Capítulo 1

Introdução à Topologia Resoluções de exercícios. Capítulo 1 Introdução à Topologia Resoluções de exercícios Exercício nº5 (alíneas 3. e 4.) Capítulo 1 É imediato, directamente a partir da definição, que, dados r, s Q, d p (r, s) e que d p (r, s) = se e só se r

Leia mais

Intervalos Estatísticos para uma Única Amostra

Intervalos Estatísticos para uma Única Amostra Roteiro Intervalos Estatísticos para uma Única Amostra 1. Introdução 2. Intervalo de Confiança para Média i. População normal com variância conhecida ii. População normal com variância desconhecida 3.

Leia mais

COMENTÁRIOS DA PROVA DE MÉTODOS QUANTITATIVOS E RACIOCÍNIO LÓGICO BNDES 2011 ENGENHEIRO PROF PIO

COMENTÁRIOS DA PROVA DE MÉTODOS QUANTITATIVOS E RACIOCÍNIO LÓGICO BNDES 2011 ENGENHEIRO PROF PIO COMENTÁRIOS DA PROVA DE MÉTODOS QUANTITATIVOS E RACIOCÍNIO LÓGICO BNDES 2011 ENGENHEIRO PROF PIO Prezados concurseiros, segue abaixo os comentários das questões de métodos quantitativos, matemática financeira

Leia mais

Teste de Hipótese para uma Amostra Única

Teste de Hipótese para uma Amostra Única Teste de Hipótese para uma Amostra Única OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Estruturar problemas de engenharia de tomada de decisão, como

Leia mais

PE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,

PE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado, Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

Análise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu

Análise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente

Leia mais

Notas de Cálculo Numérico

Notas de Cálculo Numérico Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo

Leia mais

IV TESTES PARA DUAS AMOSTRAS INDEPENDENTES

IV TESTES PARA DUAS AMOSTRAS INDEPENDENTES IV TESTES PARA DUAS AMOSTRAS INDEPENDENTES Estes testes se aplicam a planos amostrais onde se deseja comparar dois grupos independentes. Esses grupos podem ter sido formados de duas maneiras diferentes:

Leia mais

EQUAÇÕES DIFERENCIAIS

EQUAÇÕES DIFERENCIAIS GRUPO Educação adistância Caderno de Estudos EQUAÇÕES DIFERENCIAIS Prof. Ruy Piehowiak Editora UNIASSELVI 2012 NEAD Copyright Editora UNIASSELVI 2012 Elaboração: Prof. Ruy Piehowiak Revisão, Diagramação

Leia mais

Escola Secundária Gabriel Pereira Évora Matemática A 10º ano. Planificação da Unidade Geometria

Escola Secundária Gabriel Pereira Évora Matemática A 10º ano. Planificação da Unidade Geometria Escola Secundária Gabriel Pereira Évora Matemática A 10º ano Planificação da Unidade Geometria 1. Generalidades Objecto da estatística e breve nota histórica sobre a evolução desta ciência; utilidade na

Leia mais