Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos

Tamanho: px
Começar a partir da página:

Download "Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos"

Transcrição

1 Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010

2 Até ao momento, adiantamos um valor razoável, ou um intervalo de valores razoáveis para um parâmetro desconhecido de interesse, tirando partido da informação contida numa amostra recolhida. É altura de tirarmos partido dessa mesma informação para nos pronunciarmos sobre afirmações relativas a esse parâmetro desconhecido ou a outros aspectos da nossa variável de interesse. Exemplo Estamos interessados em comparar a proporção de fumadores entre homens e mulheres. Uma hipótese de investigação seria, e.g., a proporção de fumadores é diferente nos homens e nas mulheres.

3 Hipótese estatística A qualquer afirmação/conjectura sobre um parâmetro desconhecido; distribuição da v.a de interesse, etc, dá-se o nome de hipótese estatística. Hipótese paramétrica Trata-se de uma afirmação/conjectura sobre um parâmetro desconhecido, assumindo que se conhece a distribuição da v.a. de interesse (a menos de um, ou mais, parâmetros desconhecidos.

4 Hipótese nula e alternativa De um modo geral confrontamos duas hipóteses paramétricas: a hipótese mais relevante, normalmente designada por hipótese nula e representada por H 0 ; a hipótese dita alternativa, representada por H 1. A estas duas hipóteses paramétricas estão associados dois subespaços disjuntos do espaço paramétrico. Hipótese simples e composta Uma hipótese diz-se simples, caso especifique um único valor para o parâmetro desconhecido; composta, caso contrário.

5 Hipótese alternativa unilateral e bilateral Uma hipótese alternativa diz-se unilateral inferior, se possuir um sinal de menor; unilateral superior, se possuir um sinal de maior; bilateral, se possuir um sinal de diferente. Exemplo Um preparado farmacêutico com o objectivo de reduzir dores de cabeça, foi administrado a 20 mulheres durante seis semanas, tendo sido registada variação de peso. Sendo H 0 : µ = 0kg (a média de variação de peso na população é zero), podemos considerar as hipóteses alternativas: H 11 : µ > 0, unilateral superior H 12 : µ < 0, unilateral inferior H 13 : µ 0, bilateral

6 Hipótese alternativa unilateral e bilateral Um teste de hipóteses não passa de um procedimento estatístico que conduz a uma decisão acerca das hipóteses nula e alternativa, tirando partido da informação contida na amostra recolhida. Assim sendo, de um modo geral, tomamos uma de duas decisões: rejeitar H 0 ; não rejeitar H 0. As decisões tomadas podem ou não ser correctas. Decisão H 0 verdadeira H 0 falsa Rejeitar H 0 Erro de 1 a espécie Decisão correcta Não rejeitar H 0 Decisão correcta Erro de 2 a espécie

7 É habitual delinear o teste de hipóteses de modo a minimizar as probabilidades de ocorrência de erros de 1 a e 2 a espécie. Estas probabilidades costumam ser designadas por α e β, respectivamente, e definem-se por α = P(Erro de 1 a espécie)=p(rejeitar H 0 H 0 é verdadeira) β = P(Erro de 2 a espécie)=p(não rejeitar H 0 H 0 é falsa) Analogia com o teste de diagnóstico: O erro de 1 a espécie é semelhante a um teste falso-positivo (que incorrectamente indica presença da doença quando ela não está presente). Assim sendo, 1 α é análogo à especificidade de teste auxiliar de diagnóstico (proporção de testes negativos em indivíduos não doentes). O erro de 2 a espécie é semelhante a um teste falso-negativo (que incorrectamente indica que não existe doença quando ela está presente). Assim, 1 β é análogo à sensibilidade do teste auxiliar de diagnóstico (proporção de testes positivos em indivíduos doentes).

8 Nível de significância Normalmente, estabelece-se um limite superior para a probabilidade de ocorrer um erro de 1 a espécie. A esse limite dá-se o nome de nível de significância (n.s.) do teste e representase por α 0 (α 0 (0, 1)). Assim sendo, o teste é delineado de modo a que P(Rejeitar H 0 H 0 é verdadeira) α 0. Os valores mais comuns para o n.s. são 10%, 5% e 1%. Qualquer decisão deverá basear-se na informação recolhida, muito em particular, no valor esperado daquilo a que chamaremos estatística de teste.

9 Estatística de teste Uma estatística de teste, que daqui em diante será representada por T, e que será utilizada no confronto de um par de hipóteses que digam respeito a um parâmetro desconhecido θ, deverá reflectir a discrepância entre o estimador de θ e o valor conjecturado para θ em H 0 (θ 0 ); poder obter-se à custa da v.a. fulcral Z que usaríamos para construir um intervalo de confiança para θ (substituindo θ por θ 0 em Z); ter distribuição (exacta ou aproximada) conhecida, sob a validade de H 0.

10 Região de rejeição de H 0 Representa-se por W e é escolhida de modo a que P(Rejeitar H 0 H 0 é verdadeira)= α 0 ( α 0 ); seja um intervalo real (ou uma reunião de intervalos reais) de probabilidade relacionada com α 0 e respeitantes à distribuição da estatística de teste sob H 0 ; o seu aspecto dependa da hipótese alternativa. Decisão Para decidir rejeitar ou não H 0, é necessário calcular t = valor observado da estatística de teste. Deve depois tomar-se uma de duas decisões Rejeitar H 0 ao n.s. α 0 se t W ; Não rejeitar H 0 ao n.s. α 0 se t / W.

11 Note que 1 Afirmar que H 0 não foi rejeitada ao n.s. α 0, não significa que H 0 seja verdadeira; 2 Afirmar que H 0 foi rejeitada ao n.s. α 0, não significa que H 0 seja falsa, mas que H 0 não é consistente com os dados ao n.s. α 0 ; 3 Podemos rejeitar H 0 ao n.s. α 0 e não rejeitar esta mesma hipótese a outro n.s.

12 Um teste de hipóteses bilateral com um n.s. α 0 pode ser efectuado a partir de um intervalo de confiança a (1 α 0 ) 100%; A partir de um intervalo de confiança a (1 α 0 ) 100%, rejeitamos todas as hipóteses H 0 associadas a valores das estatísticas de teste observadas, que estejam fora do intervalo.

13 para a média, variância conhecida Exemplo Voltemos ao exemplo anterior, em que um fármaco para reduzir as dores de cabeça é administrado a um gupo de 20 mulheres durante seis semanas. Verificou-se que a alteração média do peso corporal foi de 1.1Kg. Assumindo que a amostra foi retirada de uma população em que a variação de peso segue uma distribuição normal de desvio padrão σ = 2.8Kg, pretendemos saber se o fármaco tem um efeito significativo na variação de peso dessa população. V.a. de interesse: X = variação de peso na população. X normal (µ, ), µ desconhecido. Hipóteses H 0 : µ = µ 0 = 0 H 1 : µ 0 Nível de significância: α 0 = 5% (por exemplo) Estatística de teste: T = X µ 0 σ n normal(0, 1)

14 Exemplo (cont.) Região de rejeição de H 0 : Por estarmos a lidar com um teste bilateral, a região de rejeição de H 0 será uma reunião de intervalos do tipo W = (, c) (c, + ) onde c =P(Rejeitar H 0 H 0 é verdadeira)=α 0, i.e., Decisão: Uma vez que ( c = Φ 1 1 α ) ( 0 = Φ ) = t = X µ 0 σ = = n 20 e 1.76 / W, devemos aceitar H 0, i.e., não existe evidência de que o fármaco tenha um efeito significativo na variação do peso.

15 Ao confrontar duas populações independentes, é usual testar a igualdade dos seus valores esperados, sejam eles µ 1 e µ 2. Repare-se que a hipótese de igualdade de valores esperados é equivalente a H 0 : µ 1 = µ 2 H 0 : µ 1 µ 2 = µ 0 = 0. No que respeita a testes de hipóteses sobre a igualdade de duas médias, distinguiremos o caso em que as duas populações independentes têm distribuição normal (caso 1), do caso em que têm distribuição arbitrária (e não normal), e as dimensões das amostras são suficientemente grandes (caso 2).

16 para a igualdade de duas médias, variâncias conhecidas Exemplo Caso 1. Pretende-se comparar a resistência de dois aparelhos fabricados com materiais diferentes (do tipo I e do tipo II). Para tal recolheram-se duas amostras (uma contendo aparelhos do tipo I e outra contendo aparelhos do tipo II) e registaram-se as respectivas durações (em anos): Tipo I: x 1 = (26, 24, 22, 30) Tipo II: x 2 = (25, 31, 33, 29) Admitindo que a duração (em anos) dos aparelhos de tipo I e II são v.a. independentes, com distribuição normal de desvios-padrão σ 1 = 7 e σ 2 = 3, respectivamente, testemos a hipótese de serem iguais os seus tempos médios de duração, contra a hipótese de ser menor a duração dos aparelhos de tipo I. X V.a. de interesse: 1 =duração do aparelho do tipo I X 2 =duração do aparelho do tipo II X 1 normal(µ 1, 7 2 ), X 2 normal(µ 2, 3 2 ) (µ 1 µ 2 ) desconhecido Hipóteses: H 0 : µ 1 µ 2 = µ 0 = 0 H 1 : µ 1 µ 2 < µ 0 = 0

17 Exemplo (cont.) Nível de significância: α 0 = 5% Estatística de teste: T = (X 1 X 2 ) µ 0 normal(0, 1) σ 1 2 n1 + σ2 2 n2 Região de rejeição: Tratando-se de um teste unilateral inferior, concluimos que quanto menor for a estimativa de MV de µ 1 µ 2 (que é dada por x 1 x 2 ), mais razões temos para rejeitar H 0, e portanto, a região de rejeição (para valores da estatística de teste) é um intervalo à esquerda: W = (, c) onde c = Φ 1 (α 0 ) = Φ 1 (1 α 0 ) = Φ 1 (1 0.05) = Decisão: O valor observado da estatística de teste é t = ( ) = 1.05 e como t / W, não devemos rejeitar H 0 ao n.s. de 5%.

18 para a igualdade de duas médias, variâncias conhecidas Caso 2. Para efectuar um teste de hipóteses sobre a igualdade de valores esperados de populações independentes com distribuição arbitrária, variância conhecida, e dimensão amostral suficientemente grande, procede-se como no exemplo anterior, i.e., considera-se a Estatística de teste: cuja distribuição é, aproximadamente, T = (X 1 X 2 ) µ 0 V 2 (X 1 ) + V 2 (X 2 ) n1 n2 normal(0, 1),

19 para a média, variância desconhecida É obviamente mais realista efectuar um teste de hipóteses sobre o valor médio assumindo que a variância é igualmente desconhecida. Tal como anteriormente, há que distinguir os caso da amostra ser proveniente de uma população normal do caso em que provém de uma população com distribuição arbitrária e com dimensão amostral suficientemente grande.

20 para a média, variância desconhecida Exemplo Tendo com objectivo comparar a ingestão energética média diária numa população (que se supõe seguir uma distribuição normal), com o valor recomendado (7725Kj), recolheu-se uma amostra de 11 mulheres saudáveis tendo-se registado uma média e desvio padrão amostrais de KJ e 11421Kj, respectivamente. Pretende-se saber se, na população, as mulheres fazem ou não uma ingestão energética diária de acordo com a recomendada. V.a. de interesse: X =ingestão energética diária X normal(µ, σ 2 ), µ e σ desconhecidos Hipóteses H 0 : µ = 7725 H 0 : µ 7725 Nível de significância: α 0 = 5% Estatística de teste: T = X µ 0 s n t (n 1)

21 Exemplo (cont.) Região de rejeição de H 0 : Por estarmos a lidar com um teste bilateral, será uma reunião de intervalos do tipo W = (, c) (c, + ) onde c =P(Rejeitar H 0 H 0 é verdadeira)=α 0, i.e., ( c = F 1 X Decisão: Uma vez que 1 α 0 2 ) ( = Φ ) = (no scilab, cdft( T, 10, , )) t = X µ 0 s = n = e W, devemos rejeitar H 0,ao n.s. de 5%, i.e., a ingestão diária é significativamente diferente da recomendada.

22 Método alternativo de decisão em testes de hipóteses: cálculo do p-value A decisão pela rejeição ou não da hipótese H 0 depende crucialmente do n.s. α 0 que se tenha considerado. Assim, em vez de fixarmos o n.s. do teste, identificarmos a região de rejeição e verificarmos se a estatística de teste pertence ou não a tal região, podemos simplesmente, determinado t, averiguar para que n.s. de decide pela rejeição de H 0 e para que n.s. de decide pela não rejeição de H 0. p-value Dado o valor observado da estatística de teste, o p-value é o maior nível de significância que leva à não rejeição de H 0. Assim sendo, devemos agir do seguinte modo: não rejeitar H 0 a qualquer n.s. α 0 p-value; rejeitar H 0 a qualquer n.s. α 0 > p-value.

23 O cálculo do p-value depende obviamente do aspecto da região de rejeição de H 0 (para valores da estatística de teste): W Teste p-value (, c) unilateral inferior P(T < t H 0 ) (c, + ) unilateral superior P(T > t H 0 ) (, c) (c, + ) bilateral T com dist. simétrica em relação à origem P(T < t ou T > t H 0 ) Exemplo No exemplo anterior, como o teste é bilateral e a distribuição de T é de t-student (e portanto simétrica em relação à origem) e t = 2.821: p-value= P(T < ou T > µ 0 ) = P(T < µ 0 ) + P(T > µ 0 ) = (No scilab: cdft( PQ,-2.821,10)+1-cdft( PQ,2.821,10)) Como α 0 = 0.05 > 0.018, decidimos rejeitar H 0.

24 sobre a igualdade de médias, variâncias desconhecidas Vamos mais uma vez distinguir o csao em que as amostras provêm de populações normais (caso 1) do caso em que provêm de populações com distribuição arbitrária e em que as dimensões amostrais são suficientemente grandes (caso 2). No âmbito desta disciplina, caso pretendamos confrontar os valores esperados de duas populações normais independentes com variâncias desconhecidas, e estejamos a lidar com amostras de dimensões que não são suficientemente grandes (para justificar o recurso a um resultado assimptótico), teremos que assumir que as variâncias são iguais. Exemplo Caso 1. Foram efectuados estudos em Los Angeles e New York com o objectivo de determinar a concentração de monóxido de carbono (CO) perto das vias rápidas. Para tal, foram recolhidas amostras de ar, para as quais se determinaram as respectivas concentações de CO. Os resultados (em ppm) forma, no período de uma semana: Los Angeles: x 1 = (112.2, 118.4, 114.1) New York: x 2 = (101.1, 102.2, 100.4, 98.6, 88.2) Testemos a hipótese de que a média de concentração de CO em Los Angeles é superior ou igual à de New York.

25 Exemplo (cont.) X V.a. de interesse: 1 =concentração de CO em Los Angeles X 2 =concentração de CO em New York X 1 normal(µ 1, σ1 2), X 2 normal(µ 2, σ2 2) (µ 1 µ 2 ) e σ 1 = σ 2 = σ desconhecidos Hipóteses: H 0 : µ 1 µ 2 µ 0 = 0 vs. H 1 : µ 1 µ 2 < µ 0 = 0 Estatística de teste: T = (X 1 X 2 ) µ 0 (n 1 1)S 1 2+(n 2 1)S2 2 n 1 +n 2 2 ( 1 n1 + 1 n 2 ) t n 1 +n 2 2 ( ) 0 Decisão: t = = (3 1) (5 1) ( ) 5 Como o p-value é, neste caso, dado por p-value= P(T < T µ 1 µ 2 = µ 0 ) = F (3+5 2 (3.237) = (no scilab cdft( PQ,3.237,3+5-2)) que é um valor muito alto e portanto não devemos rejeitar H 0 a qualquer nível de significância α %.

26 Exemplo Caso 2. Para comparar a resistência de dois tipos de utensílios hospitalares, foram instalados no mesmo hospital 81 do 1 o tipo e 121 do 2 o tipo, tendo-se medido o seu desgaste numa escala conveniente. Para os utensílios do 1 o tipo, obteve-se x 1 = 290 e s 1 = 12; para os do 2 o tipo, os resultados foram x 2 = 321 e s 2 = 14. O fabricante dos utensílios do 1 o tipo afirma que o desgaste dos seus aparelhos é inferior ao dos aparelhos do 2 o tipo. Testemos a consistência desta afirmação de acordo com os dados obtidos. X V.a. de interesse: 1 =desgate dos utensílios do 1 o tipo X 2 =desgate dos utensílios do 2 o tipo X i com distribuições arbitrárias (possivelmente normais), i = 1, 2 E(X i ) = µ i, V (X i ) = σ i (µ 1 µ 2 ) desconhecidos σ 1 e σ 2 desconhecidos não necessáriamente iguais n 1 = 81 > 30, n 2 = 121 > 30 suficientemente grandes Hipóteses: H 0 : µ 1 µ 2 = µ 0 = 0 vs. H 1 : µ 1 µ 2 < µ 0 = 0 Nível de significância: α 0 = 1% (por exemplo) Estatística de teste: T = (X 1 X 2 ) µ 0 S S2 2 n 1 n2 normal(0, 1) (aproximadamente)

27 Exemplo (cont.) Região de rejeição de H 0 : Uma vez que se trata de um teste unilateral inferior, a região de rejeição de H 0 é da forma W = (, c), onde c = Φ 1 (α 0 ) = Decisão: O valor observado da estatística de teste é t = ( ) = 16.2 Como t W, devemos rejeitar H 0 ao n.s. de 1%, i.e., concluir que a este n.s. a afirmação do fabricante é consistente com os dados.

28 para a variância de uma população normal Exemplo Sabendo que o peso (em gramas) de uma certa espécie de mamífero possui distribuição normal, averiguemos a hipótese de a variância ser igual a 50gr 2, ou se é superior a este valor, à luz da amostra ao n.s. de 5%. (1018, 982, 1015, 1007, 978) V.a. de interesse: X =peso (em gramas) de uma certa espécie de mamíferos. X normal(µ, σ 2 ) µ e σ desconhecidos Hipóteses: H 0 : σ 2 = σ 2 0 = 50 vs. H 1 : σ 2 > σ 2 0 Nível de significância: α 0 = 5% Estatística de teste: T = (n 1)S2 σ 2 0 χ 2 (n 1) (seria χ2 caso µ fosse conhecido) (n)

29 Exemplo (cont.) Região de rejeição de H 0 : Tratando-se de um teste unilateral superior, a região de rejeição de H 0 será um intervalo do tipo W = (c, + ), onde c : P(Rejeitar H 0 H 0 verdadeira)=α 0, ou seja c = F 1 χ 2 (1 α 0 ) = F 1 χ (n 1) 2 (1 0.05) = (cdfchi( X, 4, 0.95, 0.05)) (5 1) Decisão: O valor observado da estatística é t = (5 1) χ 2 (n 1) = e como t W, devemos rejeitar H 0 ao n.s. de 5%.

30 para uma proporção Exemplo Suponhanhos que se recolheu uma a.a. de dimensão 500, dos nascimentos ocorridos numa certa população, verificou-se que 275 eram rapazes. Será que nessa população a proporção de nascimentos de rapazes é significativamente diferente da proporção de raparigas? { 1, o recém-nascido é rapaz V.a. de interesse X = 0, o recém-nascido é rapariga X Bernoulli(p), p desconhecido n = 500 > 30 suficientemente grande Hipóteses: H 0 = p 0 = 0.50 vs. H 1 p 0 = 0.50 Estatística de teste: T = X p 0 p0 (1 p 0 ) n p-value: O valor observado da estatística de teste é t = p-value é normal(0, 1) (distribuição aproximada) (1 0.5) 500 = O P(T < 2.24 ou T > 2.24 H 0 ) = 2 [1 Φ(2.24)] = = 2.5% Decisão: Não se deve rejeitar H 0 a qualquer n.s. α e deve rejeitar-se a qualquer n.s superior a 2.5%

31 Teste de ajustamento do qui-quadrado Este teste permite verificar a adequação de uma distribuição com todos os parâmetros conhecidos (hipótese simples) uma distribuição com pelo menos um parâmetro desconhecido (hipótese composta) Para ser usado é necessário que haja um grande n o de observações (uma vez que se baseia num resultado assimptótico) os dados estejam agrupados em classes e disponhamos de uma tabela de frequências

32 Ajustamento a uma distribuição discreta, hipótese simples Exemplo Um dado é lançado 1000 vezes, tendo conduzido à seguinte tabela de frequências Resultado Freq. Obs A questão que se coloca é, naturalmente, será este dado perfeito/equilibrado? Vamos responder a esta questão considerando para o efeito um n.s. de, por exemplo, 5%. V.a. de interesse: X =resultado do lançamento do dado Hipóteses: H 0 : X uniforme({1, 2, 3, 4, 5, 6}) vs. H 1 : X uniforme({1, 2, 3, 4, 5, 6}) ou ainda, ao considerarmos p i = P(X = X i ), i = 1,..., 6, H 0 : p i = pi 0 = 1 6, i = 1,..., 6 vs. H 1 : i : p i pi 0

33 Exemplo (cont.) Nível de significância: α 0 = 5% Estatística de teste: T = k (O i E i ) 2 i=1 χ E 2 i (k β 1) (aproximadamente) onde k = n o de classes em que estão organizados os dados O i = frequência absoluta observada na classe i E i = n pi 0 frequência absoluta esperada, sob H 0, da classe i β =n o de parâmetros a estimar (neste caso note que β = 0 uma vez que temos uma hipótese simples) Região de rejeição de H 0 : Quanto maior for a discrepância entre a frequência absoluta observada na classe i e a frequência esperada sob H 0, menos consistente é a hipótese H 0. Logo a rejeição de rejeição de H 0 é um intervalo à direita W = (c, + ), onde c = F 1 χ 2 (1 α 0 ) (k β 1) Neste caso c = F 1 χ 2 (1 0.05) = (6 0 1)

34 Exemplo (cont.) Decisão: o valor observado da estatística de teste é t = 6 (o i E i ) 2 = ( )2 E i=1 i ( ) ( ) ( ) = / W + ( ) ( ) Logo não devemos rejeitar a hipótese de estarmos a lidar com um dado perfeito ao n.s. de 5%.

35 Ajustamento a uma distribuição discreta, hipótese composta Exemplo Pretende-se saber a distribuição de probabilidade do n o de falhas de um dado aparelho uasado em unidades de rastreio. Com esse objectivo, foram recolhidos dados relativos a 500 intervenções de rastreio de doenças cardio-vasculares (missões), tendo-se obtido os seguintes resultados N o de avarias N o de missões (com tal n o de falhas) Testemos, ao n.s. de 5%, a hipótese de os dados seguirem uma distribuição de Poisson. V.a. de interesse: X =n o de falhas do aparelho Hipóteses: H 0 : X Poisson(λ) vs. H 1 : X Poisson(λ) Nível de significância: α 0 = 0.05 Estatística de teste: T = k (O i E i ) 2 i=1 χ E 2 i (k β 1) (aproximadamente)

36 Exemplo (cont.) Estimação de λ: É necessária pois as estatísticas de teste não podem conter nenhum valor desconhecido. A estimativa de MV de λ é dada por λ = Região de rejeição de H 0 : W = (c, + ), onde c = F 1 χ 2 (1 α 0 ) (k β 1) = 1 Neste caso c = F 1 χ 2 (1 0.05) = (5 1 1) Decisão: Como λ é desconhecido, o mesmo acontece a pi 0 e com a frequência absoluta esperada, sob H 0, da classe i: n pi 0. Temos assim Classe i Freq. absol. da classe i, o i {0} 185 {1} 180 {2} 95 {3} 30 {4, 5,...} 10

37 Exemplo (cont.) Ora n p 0 i = n { e λ λ i 1 (i 1)!, i = 1, 2, 3, 4 1 (p p0 2 + p0 3 + p0 4 ), i = 5 Mas uma vez que λ = 1, as estimativas das frequências absolutas esperadas sob H 0 são dadas por { e 1 n p i 0, i = 1, 2, 3, 4 = n (i 1)! 1 (p1 0 + p0 2 + p0 3 + p0 4 ), i = 5 Assim sendo, o valor observado da estatística de teste é t = / W concluindo-se que ao n.s. de 5%, é razoável afirmar que os dados provêm de uma distribuição de Poisson.

38 Agrupamento de classes Embora hajam autores que defendam que se registarmos, para algum i, E i < 5, devemos agrupar esta classe à classe adjacente com menor frequência absoluta esperada sob H 0, outros autores afirmam que não há a necessidade de qualquer agrupamento de classes se em pelo menos 80% das classes se verificar E i 5 e nas restantes classes E i 1. Será este o critério que vamos utilizar no âmbito desta disciplina.

39 Para v.a. contínuas, o procedimento de teste deve ser análogo, ou seja, as observações devem estar organizadas em classes, i.e., em intervalos disjuntos que cubram todo o contardomínio da v.a. de interesse.

40 Teste de independência do qui-quadrado em tabelas de contingência Exemplo Num estudo cĺınico seleccionaram-se aleatóriamente n = 1000 indivíduos para determinar se a presença de daltonismo estava ou não relacionada com o género, tendo-se obtido os seguintes resultados: Masculino Feminino Daltónicos 39 6 Não daltónicos V.a. de{ interesse: { 1, indivíduo daltónico 1, indivíduo do género masculino X = Y = 2, c.c 2, c.c p ij = P(X = i, Y = j) desconhecido; p i = P(X = i) desconhecido; p j = P(Y = j) desconhecido; para i = 1,..., r e j = 1,..., s (r = s = 2 neste caso.)

41 Exemplo (cont.) Hipóteses: H 0 : p ij = p i p j vs. H 1 : (i, j) : p ij p i p j Nível de significância: α 0 = 10% Estatística de teste: T = r i=1 s j=1 ( O ij O ) 2 i O j n O i O j n χ 2 (r 1)(s 1) onde, para i = 1,..., r e j = 1,..., s: O ij =frequência absoluta observada na célula (i, j) da tabela de contingência O i = s j=1 O ij =frequência absoluta observada na linha i da tabela O j = r i=1 O ij =frequência absoluta observada na coluna j da tabela Região de rejeição do H 0 : Quanto maior for a discrepância entre as frequências das células da tabela e a estimativa da frequência absoluta esperada dessa mesma célula, sob a hipótese de independência (dada por o i o j ), mais n inconsisrente será H 0 com os dados. Assim, a região de rejeição é um intervalo à direita: W = (c, + ), onde c = F 1 χ 2 (1 α 0 ) (r 1)(s 1) Neste caso c = F 1 χ 2 (1 0.1) = (2 1)(2 1)

42 Exemplo (cont.) Decisão: O valor observado da estatística de teste é igual a ( ) ( ) t = ( ) ( ) = W Concluimos assim, que a presença de daltonismo parece depender do respectivo género a qualquer n.s. superior ou igual a 10%.

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

Testes de Ajustamento (testes da bondade do ajustamento)

Testes de Ajustamento (testes da bondade do ajustamento) Testes de Ajustamento (testes da bondade do ajustamento) Os testes de ajustamento servem para testar a hipótese de que uma determinada amostra aleatória tenha sido extraída de uma população com distribuição

Leia mais

Hipótese Estatística:

Hipótese Estatística: 1 PUCRS FAMAT DEPTº DE ESTATÍSTICA TESTE DE HIPÓTESE SÉRGIO KATO Trata-se de uma técnica para se fazer inferência estatística. Ou seja, a partir de um teste de hipóteses, realizado com os dados amostrais,

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

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

ActivALEA. active e actualize a sua literacia

ActivALEA. active e actualize a sua literacia ActivALEA active e actualize a sua literacia N.º 25 HIISTOGRAMA Por: Maria Eugénia Graça Martins Departamento de Estatística e Investigação Operacional da FCUL memartins@fc.ul.pt Emília Oliveira Escola

Leia mais

Estatística Aplicada

Estatística Aplicada INSTITUTO SUPERIOR POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA Estatística Aplicada Ano Lectivo 2006/2007 Ficha n.º1 1. O director comercial de uma cadeia de lojas pretende comparar duas técnicas

Leia mais

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

Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - EPPGG Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - EPPGG 11. Em uma caixa há 1 bolas de mesmo tamanho: 3 brancas, 4 vermelhas e 5 pretas. Uma pessoa, no escuro, deve retirar n bolas

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA

ESCOLA SUPERIOR DE TECNOLOGIA Departamento Matemática Curso Engenharia do Ambiente º Semestre 1º Folha Nº4: Intervalos de confiança Probabilidades e Estatística 1.a) Determine o intervalo de confiança a 90% para a média de uma população

Leia mais

(b) Qual a probabilidade de ter sido transmitido um zero, sabendo que foi recebido um (1.0) zero?

(b) Qual a probabilidade de ter sido transmitido um zero, sabendo que foi recebido um (1.0) zero? Grupo I 5.0 valores 1. Um sistema de comunicação binária transmite zeros e uns com probabilidade 0.5 em qualquer dos casos. Devido ao ruído existente no canal de comunicação há erros na recepção: transmitido

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

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

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

EXERCÍCIOS DE INFERÊNCIA ESTATÍSTICA

EXERCÍCIOS DE INFERÊNCIA ESTATÍSTICA EXERCÍCIOS DE INFERÊNCIA ESTATÍSTICA 1. De uma população normal com variância σ 2 = 6 extraiu-se uma amostra de 25 elementos. Qual a probabilidade de que a amostra tenha uma variância S 2 : a) maior que

Leia mais

O modelo ANOVA a dois factores, hierarquizados

O modelo ANOVA a dois factores, hierarquizados O modelo ANOVA a dois factores, hierarquizados Juntando os pressupostos necessários à inferência, Modelo ANOVA a dois factores, hierarquizados Seja A o Factor dominante e B o Factor subordinado. Existem

Leia mais

Análise de Variância simples (One way ANOVA)

Análise de Variância simples (One way ANOVA) Análise de Variância simples (One way ANOVA) Análise de experiências com vários grupos de observações classificados através de um só factor (por exemplo grupos de indivíduos sujeitos a diferentes tratamentos

Leia mais

Probabilidade. Distribuição Normal

Probabilidade. Distribuição Normal Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade

Leia mais

a) Suponha que na amostra de 20 declarações foram encontrados 15 com dados incorrectos. Construa um

a) Suponha que na amostra de 20 declarações foram encontrados 15 com dados incorrectos. Construa um Escola Superior de Tecnologia de Viseu Probabilidades e Estatística 2007/2008 Ficha nº 7 1. O director comercial de uma cadeia de lojas pretende comparar duas técnicas de vendas, A e B, para o mesmo produto.

Leia mais

Análise de Variância com dois ou mais factores - planeamento factorial

Análise de Variância com dois ou mais factores - planeamento factorial Análise de Variância com dois ou mais factores - planeamento factorial Em muitas experiências interessa estudar o efeito de mais do que um factor sobre uma variável de interesse. Quando uma experiência

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

Estatística Aplicada para Engenharia Inferência para Duas Populações

Estatística Aplicada para Engenharia Inferência para Duas Populações Universidade Federal Fluminense Instituto de Matemática e Estatística Estatística Aplicada para Engenharia Inferência para Duas Populações Ana Maria Lima de Farias Departamento de Estatística Conteúdo

Leia mais

Tecido 1 2 3 4 5 6 7 A 36 26 31 38 28 20 37 B 39 27 35 42 31 39 22

Tecido 1 2 3 4 5 6 7 A 36 26 31 38 28 20 37 B 39 27 35 42 31 39 22 Teste para diferença de médias Exemplo Dois tipos diferentes de tecido devem ser comparados. Uma máquina de testes Martindale pode comparar duas amostras ao mesmo tempo. O peso (em miligramas) para sete

Leia mais

Distribuições de Probabilidade Distribuição Normal

Distribuições de Probabilidade Distribuição Normal PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas

Leia mais

7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora

7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora 7Testes de hipótese Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno COMENTÁRIOS INICIAIS Uma hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade. Por exemplo,

Leia mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos

Leia mais

Universidade Federal Fluminense

Universidade Federal Fluminense Universidade Federal Fluminense INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA ESTATÍSTICA V Lista 9: Intervalo de Confiança. 1. Um pesquisador está estudando a resistência de um determinado

Leia mais

Tópicos em Inferência Estatística. Frases. Roteiro. 1. Introdução

Tópicos em Inferência Estatística. Frases. Roteiro. 1. Introdução Tópicos em Inferência Estatística Frases Torture os dados por um tempo suficiente, e eles contam tudo! fonte: mcrsoft@aimnet.com (Barry Fetter) Um homem com um relógio sabe a hora certa. Um homem com dois

Leia mais

Conceitos Básicos de Estatística Aula 2

Conceitos Básicos de Estatística Aula 2 Conceitos Básicos de Estatística Aula 2 ISCTE - IUL, Mestrados de Continuidade Diana Aldea Mendes diana.mendes@iscte.pt 13 de Setembro de 2011 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro

Leia mais

3. Características amostrais. Medidas de localização e dispersão

3. Características amostrais. Medidas de localização e dispersão Estatística Descritiva com Excel Complementos. 77 3. Características amostrais. Medidas de localização e dispersão 3.1- Introdução No módulo de Estatística foram apresentadas as medidas ou estatísticas

Leia mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio Tadeu Cristino 1. Julho, 2014 Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino

Leia mais

Teste de hipóteses com duas amostras. Estatística Aplicada Larson Farber

Teste de hipóteses com duas amostras. Estatística Aplicada Larson Farber 8 Teste de hipóteses com duas amostras Estatística Aplicada Larson Farber Seção 8.1 Testando a diferença entre duas médias (amostras grandes e independentes) Visão geral Para testar o efeito benéfico de

Leia mais

Trabalhando com Pequenas Amostras: Distribuição t de Student

Trabalhando com Pequenas Amostras: Distribuição t de Student Probabilidade e Estatística Trabalhando com Pequenas Amostras: Distribuição t de Student Pequenas amostras x Grandes amostras Nos exemplos tratados até agora: amostras grandes (n>30) qualquer tipo de distribuição

Leia mais

LISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS

LISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS LISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS 1. Construir um quadro e o gráfico de uma distribuição de probabilidade para a variável aleatória X: número de coroas obtidas no lançamento de duas moedas. 2. Fazer

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análise Exploratória de Dados Profª Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Programa de Pós-graduação em Saúde Coletiva email: alcione.miranda@gmail.com Introdução O primeiro passo

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

2 Independência e dependência das taxas de juro

2 Independência e dependência das taxas de juro 1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,

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

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

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Distribuição Normal 1. Introdução O mundo é normal! Acredite se quiser! Muitos dos fenômenos aleatórios que encontramos na

Leia mais

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução a Analise Química - II sem/2012 Profa Ma Auxiliadora - 1 Introdução à Análise Química QUI 094 1 semestre 2012 Profa. Maria Auxiliadora Costa Matos ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução

Leia mais

Epidemiologia. Profa. Heloisa Nascimento

Epidemiologia. Profa. Heloisa Nascimento Epidemiologia Profa. Heloisa Nascimento Medidas de efeito e medidas de associação -Um dos objetivos da pesquisa epidemiológica é o reconhecimento de uma relação causal entre uma particular exposição (fator

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

Regressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros.

Regressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros. Regressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros. José Luís Mourão Faculdade de Ciências Universidade do Porto 28 de Janeiro de 2013 José Luís Mourão

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 6 Abril 09 5 Modelos preditivos para classificação 5. Introdução Os modelos descritivos, tal como apresentados atrás, limitam-se à sumarização dos dados

Leia mais

Testes de Hipóteses para Mèdia de Populações Normais- Variância conhecida e desconhecida

Testes de Hipóteses para Mèdia de Populações Normais- Variância conhecida e desconhecida Testes de Hipóteses para Mèdia de Populações Normais- Variância conhecida e desconhecida Ivan Bezerra Allaman Considerando variância conhecida Introdução Nestes casos utiliza-se a seguinte estatística

Leia mais

Métodos Numéricos e Estatísticos Parte I-Métodos Numéricos Teoria de Erros

Métodos Numéricos e Estatísticos Parte I-Métodos Numéricos Teoria de Erros Métodos Numéricos e Estatísticos Parte I-Métodos Numéricos Lic. Eng. Biomédica e Bioengenharia-2009/2010 O que é a Análise Numérica? Ramo da Matemática dedicado ao estudo e desenvolvimento de métodos (métodos

Leia mais

Inferência Estatística

Inferência Estatística Universidade Federal Fluminense Instituto de Matemática e Estatística Inferência Estatística Ana Maria Lima de Farias Departamento de Estatística Conteúdo 1 Inferência estatística Conceitos básicos 1 1.1

Leia mais

CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE

CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE Número de classes a considerar (k): a) Tabela de Truman L. Kelley n 5 10 25 50 100 200 500 1000 k 2 4 6 8 10 12 15 15 b) k=5 para n 25 e para n >25.

Leia mais

MINISTE RIO DA EDUCAÇA O UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIE NCIAS EXATAS

MINISTE RIO DA EDUCAÇA O UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIE NCIAS EXATAS MINISTE RIO DA EDUCAÇA O UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIE NCIAS EXATAS Programa de Pós-Graduação em Estatística e Experimentação Agropecuária Prova do Processo Seletivo para o Mestrado

Leia mais

Geração de Números Aleatórios e Simulação

Geração de Números Aleatórios e Simulação Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana

Leia mais

Teorema do Limite Central e Intervalo de Confiança

Teorema do Limite Central e Intervalo de Confiança Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),

Leia mais

LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES

LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES Monitora Juliana Dubinski LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES EXERCÍCIO 1 (INTERVALO DE CONFIANÇA PARA MÉDIA) Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se

Leia mais

Distribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta

Distribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta Distribuição Uniforme Discreta Modelos de distribuições discretas Notas de Aula da Profa. Verónica González-López e do Prof. Jesús Enrique García, digitadas por Beatriz Cuyabano. Acréscimos e modicações:

Leia mais

Aula 10. ANOVA Análise de Variância em SPSS

Aula 10. ANOVA Análise de Variância em SPSS Aula 10. ANOVA Análise de Variância em SPSS Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Análise de Variância Objectivo: comparar medidas de localização para mais do que

Leia mais

6. AGRICULTURA DE PRECISÃO. EXEMPLO DA AVALIAÇÃO DO EFEITO DA TOPOGRAFIA E DA REGA SOBRE A VARIABILIDADE ESPACIAL E TEMPORAL DA PRODUTIVIDADE DO MILHO

6. AGRICULTURA DE PRECISÃO. EXEMPLO DA AVALIAÇÃO DO EFEITO DA TOPOGRAFIA E DA REGA SOBRE A VARIABILIDADE ESPACIAL E TEMPORAL DA PRODUTIVIDADE DO MILHO 6. AGRICULTURA DE PRECISÃO. EXEMPLO DA AVALIAÇÃO DO EFEITO DA TOPOGRAFIA E DA REGA SOBRE A VARIABILIDADE ESPACIAL E TEMPORAL DA PRODUTIVIDADE DO MILHO José Rafael Marques da Silva (1) e Luís Leopoldo Silva

Leia mais

CAPÍTULO 9 Exercícios Resolvidos

CAPÍTULO 9 Exercícios Resolvidos CAPÍTULO 9 Exercícios Resolvidos R9.1) Diâmetro de esferas de rolamento Os dados a seguir correspondem ao diâmetro, em mm, de 30 esferas de rolamento produzidas por uma máquina. 137 154 159 155 167 159

Leia mais

UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA 4 a LISTA DE EXERCÍCIOS GBQ12 Professor: Ednaldo Carvalho Guimarães AMOSTRAGEM

UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA 4 a LISTA DE EXERCÍCIOS GBQ12 Professor: Ednaldo Carvalho Guimarães AMOSTRAGEM 1 UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA 4 a LISTA DE EXERCÍCIOS GBQ12 Professor: Ednaldo Carvalho Guimarães AMOSTRAGEM 1) Um pesquisador está interessado em saber o tempo médio que

Leia mais

ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA

ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA Bárbara Camboim Lopes de FIGUEIRÊDO 1, Gustavo Henrique ESTEVES 2 1 Departamento de Estatística

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

Olá pessoal! Sem mais delongas, vamos às questões.

Olá pessoal! Sem mais delongas, vamos às questões. Olá pessoal! Resolverei neste ponto a prova para AFRE/SC 2010 realizada pela FEPESE no último final de semana. Nosso curso teve um resultado muito positivo visto que das 15 questões, vimos 14 praticamente

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 11 de Maio 09 6 Modelos de regressão 6.1 Introdução No capítulo anterior foram apresentados alguns modelos preditivos em que a variável resposta (a variável

Leia mais

UNIVERSIDADE DOS AÇORES Cursos de Sociologia e de Serviço Social Estatística I 1º Semestre 2006/2007

UNIVERSIDADE DOS AÇORES Cursos de Sociologia e de Serviço Social Estatística I 1º Semestre 2006/2007 UNIVERSIDADE DOS AÇORES Cursos de Sociologia e de Serviço Social Estatística I 1º Semestre 2006/2007 Ficha de Exercícios nº 5 Distribuições Importantes 1. A probabilidade de os doentes de uma determinada

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

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

Probabilidade - aula III

Probabilidade - aula III 27 de Março de 2014 Regra da Probabilidade Total Objetivos Ao final deste capítulo você deve ser capaz de: Usar a regra da multiplicação para calcular probabilidade de eventos Usar a Regra da Probabilidade

Leia mais

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. 1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3

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

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL

DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL Introdução Variável aleatória Discreta: assume um número finito ou infinito numerável de valores Contínua: assume todos os valores

Leia mais

Relação potência ou alométrica

Relação potência ou alométrica Relação potência ou alométrica Relação potência : Y = α β (,y > 0 ; α > 0) 0.5 * ^2 0 2 4 6 8 10 12 β > 1 y = α 0.5 * ^(1/2) 0.2 0.4 0.6 0.8 1.0 y = α β < 1 Transformação : Logaritmizando, obtém-se: 0

Leia mais

Disciplinas: Cálculo das Probabilidades e Estatística I

Disciplinas: Cálculo das Probabilidades e Estatística I Introdução a Inferência Disciplinas: Cálculo das Probabilidades e Estatística I Universidade Federal da Paraíba Prof a. Izabel Alcantara Departamento de Estatística (UFPB) Introdução a Inferência Prof

Leia 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

ANÁLISE DE DADOS ESTATÍSTICOS COM O MICROSOFT OFFICE EXCEL 2007

ANÁLISE DE DADOS ESTATÍSTICOS COM O MICROSOFT OFFICE EXCEL 2007 ANÁLISE DE DADOS ESTATÍSTICOS COM O MICROSOFT OFFICE EXCEL 2007 2 Professor Claodomir Antonio Martinazzo Sumário 1 Introdução... 03 2 Instalação da ferramenta Análise de Dados... 04 3 Estatística Descritiva...

Leia mais

Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições.

Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Março de 2012 Tipos

Leia mais

Aula 11 Esperança e variância de variáveis aleatórias discretas

Aula 11 Esperança e variância de variáveis aleatórias discretas Aula 11 Esperança e variância de variáveis aleatórias discretas Nesta aula você estudará os conceitos de média e variância de variáveis aleatórias discretas, que são, respectivamente, medidas de posição

Leia mais

Introdução à Estatística Inferencial Luiz Pasquali

Introdução à Estatística Inferencial Luiz Pasquali Capítulo 4 Introdução à Estatística Inferencial Luiz Pasquali Os temas deste capítulo são: Teste Estatístico Hipótese estatística Pressuposições no teste de hipótese Regras de decisão Erros tipo I e tipo

Leia mais

Empresa de Pesquisa Energética (EPE) 2014. Analista de Projetos da Geração de Energia

Empresa de Pesquisa Energética (EPE) 2014. Analista de Projetos da Geração de Energia Empresa de Pesquisa Energética (EPE) 2014 Analista de Projetos da Geração de Energia Oi, pessoal! Vou resolver as quatro questões de Estatística (53 a 56) da prova elaborada pela banca Cesgranrio para

Leia mais

Probabilidade. Distribuição Exponencial

Probabilidade. Distribuição Exponencial Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos

Leia mais

AULAS 24 E 25 Análise de Regressão Múltipla: Inferência

AULAS 24 E 25 Análise de Regressão Múltipla: Inferência 1 AULAS 24 E 25 Análise de Regressão Múltipla: Inferência Ernesto F. L. Amaral 23 e 25 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma

Leia mais

Relações entre Variáveis Nominais: O Teste do Qui-Quadrado (χ 2 )

Relações entre Variáveis Nominais: O Teste do Qui-Quadrado (χ 2 ) Relações entre Variáveis Nominais: O Teste do Qui-Quadrado (χ ) Quando queremos medir a relação entre duas variáveis nominais, por exemplo, o sexo de uma pessoa (masculino/feminino) e a sua preferência

Leia mais

Descobrimos que os testes 1, 2 e 7 foram os mais úteis para avaliação da estabilidade do gráfico Xbar na carta I:

Descobrimos que os testes 1, 2 e 7 foram os mais úteis para avaliação da estabilidade do gráfico Xbar na carta I: Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados usados no Assistente no Software Estatístico

Leia mais

QUALITATIVA VARIÁVEL QUANTITATIVA

QUALITATIVA VARIÁVEL QUANTITATIVA NOMINAL ORDINAL QUALITATIVA VARIÁVEL QUANTITATIVA DISCRETA CONTÍNUA - Variável qualitativa nominal = valores que expressam atributos, sem nenhum tipo de ordem. Ex: cor dos olhos, sexo, estado civil, presença

Leia mais

Investigação Operacional- 2009/10 - Programas Lineares 3 PROGRAMAS LINEARES

Investigação Operacional- 2009/10 - Programas Lineares 3 PROGRAMAS LINEARES Investigação Operacional- 2009/10 - Programas Lineares 3 PROGRAMAS LINEARES Formulação A programação linear lida com problemas nos quais uma função objectivo linear deve ser optimizada (maximizada ou minimizada)

Leia mais

Questões de Exames Passados. 1. Considere o polígono integral das distribuições a seguir e responda as perguntas abaixo. F(x) C D

Questões de Exames Passados. 1. Considere o polígono integral das distribuições a seguir e responda as perguntas abaixo. F(x) C D Faculdade de Economia, Universidade Nova de Lisboa Tratamento de Dados André C. Silva Questões de Exames Passados 1. Considere o polígono integral das distribuições a seguir e responda as perguntas abaixo.

Leia mais

INE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE

INE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE INE 5 LISTA DE EERCÍCIOS DE PROBABILIDADE INE 5 Gabarito da Lista de Exercícios de Probabilidade ) Em um sistema de transmissão de dados existe uma probabilidade igual a 5 de um dado ser transmitido erroneamente.

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caríssimos. Recebi muitos e-mails pedindo ajuda com eventuais recursos para as provas do BACEN. Em raciocínio lógico, eu não vi possibilidade de recursos, apesar de achar que algumas questões tiveram o

Leia mais

Prova Escrita de Matemática Aplicada às Ciências Sociais

Prova Escrita de Matemática Aplicada às Ciências Sociais Exame Nacional do Ensino Secundário Decreto-Lei n.º 74/2004, de 26 de Março Prova Escrita de Matemática Aplicada às Ciências Sociais 10.º e 11.º Anos de Escolaridade Prova 835/2.ª Fase 12 Páginas Sem figuras

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

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

Aula ERROS E TRATAMENTOS DE DADOS

Aula ERROS E TRATAMENTOS DE DADOS ERROS E TRATAMENTOS DE DADOS METAS Apresentar os algarismos significativos e operações que os envolvem; apresentar os conceitos de precisão e exatidão; apresentar os tipos de erros experimentais; apresentar

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

Teorema Central do Limite e Intervalo de Confiança

Teorema Central do Limite e Intervalo de Confiança Probabilidade e Estatística Teorema Central do Limite e Intervalo de Confiança Teorema Central do Limite Teorema Central do Limite Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),

Leia mais

Probabilidade. Distribuição Exponencial

Probabilidade. Distribuição Exponencial Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos

Leia mais

Capítulo 7 Medidas de dispersão

Capítulo 7 Medidas de dispersão Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADE

DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos

Leia mais

Variáveis Aleatórias Contínuas e Distribuição de Probabilidad

Variáveis Aleatórias Contínuas e Distribuição de Probabilidad Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo

Leia mais

Simulação Estocástica

Simulação Estocástica Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias

Leia mais

Apostila de Estatística Básica. Curso de Psicologia. Probabilidades, Distribuição Normal, Teste de Hipóteses, Distribuição Qui-Quadrado e Correlação.

Apostila de Estatística Básica. Curso de Psicologia. Probabilidades, Distribuição Normal, Teste de Hipóteses, Distribuição Qui-Quadrado e Correlação. Apostila de Estatística Básica Curso de Psicologia o Semestre - Volume II Probabilidades, Distribuição Normal, Teste de Hipóteses, Distribuição Qui-Quadrado e Correlação. Prof. Dr. Celso Eduardo Tuna 1

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES. Comentários sobre as provas de estatística e financeira ICMS RJ

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES. Comentários sobre as provas de estatística e financeira ICMS RJ Comentários sobre as provas de estatística e financeira ICMS RJ Caríssimos, Acabei de voltar de uma longa auditoria em que visitamos inúmeros assentamentos federais do INCRA no interior do estado. Ou seja:

Leia mais

Prova Escrita de Matemática Aplicada às Ciências Sociais

Prova Escrita de Matemática Aplicada às Ciências Sociais EXAME NACIONAL DO ENSINO SECUNDÁRIO Decreto-Lei n.º 74/2004, de 26 de Março Prova Escrita de Matemática Aplicada às Ciências Sociais 10.º/11.º anos ou 11.º/12.º anos de Escolaridade Prova 835/1.ª Fase

Leia mais