Probabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra
|
|
- Gabriel de Almeida Brunelli
- 7 Há anos
- Visualizações:
Transcrição
1 Probabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra Fernando Deeke Sasse 14 de maio de 2010
2
3 Introdução Quão boa é uma dada estimação de um parâmetro? Suponha que estimamos a viscosidade média de um produto químico como sendo ˆµ = x = Por causa da variabilidade amostral praticamente nunca ocorre que µ = x. A estimação pontual não diz nada sobre quão próximo ˆµ está de µ. A média está entre 900 e 1100 ou entre 990 e 1010? Respostas a estas questões afetam nossas decisões sobre o processo.
4 Intervalo de Confiança Intervalo de confiança: intervalo estimado para um parâmetro de uma população. Não podemos estar certos de que o intervalo contém o valor verdadeiro (desconhecido) do parâmetro populacional, pois somente usamos uma amostra da população total para computar a estimação pontual e o intervalo. O intervalo de confiança é contruído de modo a termos alta confiança de que o intervalo contém o verdadeiro valor desconhecido do parâmetro da população.
5 Intervalo de Tolerância I Suponhamos que que temos dados sobre uma quantidade física associada a um sistema, sendo estes valores normalmente distribuídos. Queremos determinar os números que limitam 95% dos valores desse parâmetro. Para uma população normal sabemos que 95% da distribuição está no intervalo (µ 1.96σ, µ σ) No entanto, este não é um intervalo totalmente satisfatório, pois os parâmetros µ e σ são desconhecidos.
6 Intervalo de Tolerância II Estimadores pontuais x e s podem ser usados, mas devemos ainda levar em conta possíveis erros nestas estimações. Formamos então o intervalo de tolerância para a distribuição: (x ks, x + ks), onde k é uma constante apropriada (maior que 1.96) Não há certeza absoluta de que de que o intervalo acima limite realmente 95% da distribuição, mas o intervalo é construído de modo que temos alta confiança de que isso aconteça.
7 Intervalos: Resumo Um intervalo de confiança limita os parâmetros de uma população ou distribuição. Um intervalo de tolerância limita uma proporção selecionada de uma uma distribuição.
8 Intervalo de Confiança na Média de uma Distribuição Normal, Variância Conhecida I Suponhamos uma amostra aleatória X 1, X 2,..., X n de uma distribuição normal com média desconhecida µ e variância conhecida σ 2. A variável aleatória associada à média amostral X é normalmente distribuída, com média mu e variância σ 2 /n. Padronizando X temos Z = X µ σ/ n
9 Intervalo de Confiança na Média de uma Distribuição Normal, Variância Conhecida II Uma estimação do intervalo de confiança (IC) para µ é um intervalo da forma l µ u, onde os pontos extremos l e u são computados a partir dos dados amostrais. Como diferentes amostras resultam em diferentes valores para l e u, estes valores extremos são valores de variáveis aleatórias L e U, respectivamente.
10 Intervalo de Confiança na Média de uma Distribuição Normal, Variância Conhecida III Normalmente determinamos os valores de L e U a partir da seguinte expressão probabiĺıstica: onde 1 α 1 é dado. P(L µ U) = 1 α, Temos uma probabilidade 1 α (coeficiente de confiança) de selecionar uma amostra para a qual o IC conterá o valor verdadeiro de µ.
11 Intervalo de Confiança na Média de uma Distribuição Normal, Variância Conhecida IV Selecionamos a amostra, de modo que X 1 = x 1, X 2 = x 2,..., X n = x n, e computamos l e u (limites de confiança superior e inferior), para o dado α. O intervalo de confiança resultante para µ é l µ u.
12 Intervalo de Confiança na Média de uma Distribuição Normal, Variância Conhecida IV Como Z = X µ σ/ n é uma variável aleatória normal padrão temos (usando a simetria da distribuição): ( P = z α/2 X µ ) σ/ n z α/2 = 1 α ou ) σ σ P = (X z α/2 n µ X + z α/2 n = 1 α
13 Intervalo de Confiança na Média de uma Distribuição Normal, Variância Conhecida V Definição: Se x é a média amostral de uma amostra aleatória de tamanho n de uma população normal com variância conhecida σ 2, um intervalo de confiança de 100(1 α)% sobre µ é dado por x z α/2 σ n µ x + z α/2 σ n onde z α/2 é o ponto correspondente a 100α% na distribuição normal padrão.
14 Intervalo de Confiança na Média de uma Distribuição Normal, Variância Conhecida VI Exemplo 1. Medidas de energia de impacto (J): 64.1, 64.7, 64.5, 64.6, 64.5, 64.3, 64.6, 64.8, 64.2, Suponhamos que a energia de impacto é normalmente distribuída com σ = 1J. Queremos encontrar um IC de 95% para a média µ.
15 Intervalo de Confiança na Média de uma Distribuição Normal, Variância Conhecida VII > restart; > with(statistics); > L := [64.1, 64.7, 64.5, 64.6, 64.5, 64.3, 64.6, 64.8, 64.2, 64.3]; > alpha := 0.5e-1; > Z := RandomVariable(Normal(0, 1)); > za := -Quantile(Z, (1/2)*alpha) > xc := Mean(L) za := xc :=
16 Intervalo de Confiança na Média de uma Distribuição Normal, Variância Conhecida VIII > sigma:=1: > n:=nops(l) n := 10 > l := evalf(xc-za*sigma/sqrt(n)); u := evalf(xc+za*sigma/sqrt(n); l := u := Portanto, µ
17 Interpretação do Intervalo de Confiança I No problema anterior obtivemos a resposta: O intervalo de confiança de 95% é µ Interpretação incorreta: µ está neste intervalo com probabilidade 95%. O intervalo de confiança é um intervalo aleatório, pois L e U são variáveis aleatórias. De fato, P(L µ U) = 1 α,
18 Interpretação do Intervalo de Confiança II Interpretação correta: Se um número infinito de amostras aleatórias forem coletadas e um intervalo de confiança de 100(1 α)% for computado para cada amostra, então 100(1 α)% destes intervalos conterão o verdadeiro valor de µ. µ Interval number MONTGOMERY: Applied Statistics, 3e
19 Interpretação do Intervalo de Confiança III Na prática obtemos somente uma amostra e calculamos um intervalo de confiança. Como este intervalo conterá ou não o valor verdadeiro de mu, é razoável atribuir uma probabilidade a este evento específico. O intervalo observado [l, u] contém o verdadeiro de µ com confiança 100(1 α)%. Interpretação em termos de frequência: não sabemos o se esta afirmação é verdadeira para esta amostra específica, mas o método utilizado para obter o intervalo [l, u] resulta em afirmações corretas 100(1 α)% das vezes.
20 Nível de Confiança e Precisão de Estimação O que aconteceria se escolhessemos, no problema anterior, um nível de confiança de 99% em vez de 95%? Em geral, dados o tamanho da amostra n e o desvio padrão σ, quanto maior o nível de confiança, maior o intervalo de confiança. O comprimento de um intervalo de confiança é uma medida da precisão da estimação. A precisão é inversamente relacionada com o nível de confiança. Devemos obter um IC que é pequeno o suficiente para que decisões possam ser tomadas, que possui também uma confiança adequada.
21 Escolha do Tamanho da Amostra I O modo de obter um IC com um nível de confiança adequado é escolher n adequadamente. Precisão (ou comprimento) do intervalo de confiança: 2z α/2 σ n Ao usarmos x para estimar µ, temos que o erro E = x µ deve satisfazer a x µ 2z α/2 σ n com uma confiança de 100(1 α)%.
22 Escolha do Tamanho da Amostra II E = error = x µ l = x z α/2 σ / n x µ u = x + z α /2 σ / n MONTGOMERY: Applied Statistics, 3e Fig. 8.2 W-138
23 Escolha do Tamanho da Amostra III Se x é usado para estimar µ, podemos estar 100(1 α)% confiantes de que o erro x µ não excederá um erro E quando o tamanho da amostra for ( zα/2 σ) 2 n = E Notemos que 2E será o tamanho do intervalo de confiança resultante.
24 Escolha do Tamanho da Amostra: Exemplo Exemplo 2. Consideremos novamente os dados do Exemplo 1: medidas de energia de impacto (J): 64.1, 64.7, 64.5, 64.6, 64.5, 64.3, 64.6, 64.8, 64.2, Queremos agora determinar quantos elementos devem haver na amostra para assegurar um intervalo de confiança de 95% sobre a média de no máximo 0.8J. Temos então E = 0.8, σ = 1, α = 0.05, z α/2 = z = ( zα/2 σ) 2 ( ) 2 (1.96) 1 n = = = E 0.4 Ou seja, necessitamos de uma amostra de tamanho ao menos n = 25 elementos.
25 Limites de Confiança Unilaterais Intervalo de confiança superiormente limitado para µ: µ u = x + z ασ n Intervalo de confiança superiormente limitado para µ: x z ασ = l µ n
26 Exemplo A vida em horas de uma lâmpada tem distribuição normal com σ = 25h. A partir de uma amostra de 20 lâmpadas é obtida uma vida média de 1054h. (a) Construa um intervalo de confiança bilateral de 95% sobre a vida média. (b) Construa um intervalo de confiança limitado inferiormente de 95% sobre a vida média. (c) Qual o tamanho da amostra a ser usada se quisermos um intervalo de confiança de 95% sobre a média, com largura de 5.5h? (d) Suponha que queremos estar 95% confiantes de que o erro na estimação da vida média é menos de 4.5h. Qual deve ser o tamanho da amostra?
27 Intervalo de Confiança na Média para Grandes Amostras I Se o tamanho da amostra é grande, o teorema do limite central garante que X tem aproximadamente uma distribuição normal com média mu e variância σ 2 /n. Portanto, Z = X µ σ/ n tem distribuição aproximadamente normal padrão. Quando σ é desconhecido ele pode ser aproximado pelo desvio-padrão amostral s (sempre que n for grande).
28 Intervalo de Confiança na Média para Grandes Amostras II Consequentemente, Z = X µ S/ n tem aproximadamente uma distribuição normal padrão e, para um nível de confiança de 1 α, s s x z α/2 µ x + z α/2 n n
29 Intervalo de Confiança na Média para Grandes Amostras III - Exemplo Exemplo 3. Uma amostra de peixes selecionados a partir de 53 lagos do estado da Flórida. A concentração de mercúrio medida nas amostras em ppm é :
30 Intervalo de Confiança na Média para Grandes Amostras: Solução com Maple I > with(statistics); > L:=[1.230, 1.330, 0.040, 0.044, 1.200, 0.270, 0.490, 0.190, 0.830, 0.810, 0.710,.500, 0.490, 1.160, 0.050, 0.150, 0.190, 0.770, 1.080, 0.980, 0.630, 0.560, 0.410, 0.730, 0.590, 0.340, 0.340, 0.840, 0.500, 0.340, 0.280, 0.340, 0.750, 0.870, 0.560, 0.170, 0.180, 0.190, 0.040, 0.490, 1.100, 0.160, 0.100, 0.210, 0.860, 0.520, 0.650, 0.270, 0.940, 0.400, 0.430, 0.250, 0.270]: > mu:=mean(l); > s:=standarddeviation(l); µ := s := Notamos que a dispersão é grande.
31 Intervalo de Confiança na Média para Grandes Amostras: Solução com Maple II Notemos que a distribuição não é normal: > NormalPlot(L);
32 Intervalo de Confiança na Média para Grandes Amostras: Solução com Maple III > Histogram(L, frequencyscale = absolute, bincount = 14)
33 Intervalo de Confiança na Média para Grandes Amostras: Solução com Maple III Apesar da distribuição não ser normal, como n > 40, o teorema do limite central implica que a média X tem distribuição aproximadamente normal com média µ e variância σ 2. Portanto, o intervalo de confiança de 95% sobre mu é dado por s s l = x z µ x + z = u n n
34 Intervalo de Confiança na Média para Grandes Amostras: Solução com Maple IV Calculemos estas quantidades no Maple: > alpha := 0.5e-1; > Z := RandomVariable(Normal(0, 1)); > za := -Quantile(Z, (1/2)*alpha); α := 0.05 za := > l:=xc-za*s/sqrt(n); u := evalf(xc+za*s/sqrt(n)) l := u := Portanto, µ
35 IC sobre a Média de uma Distribuição Normal: Variância Desconhecida Quando n 40, independente de σ 2 ser conhecido ou não, o teorema do limite central garante que X tem distribuição normal. Suponhamos que n é pequeno e a população tem distribuição aproximadamente normal. Suponhamos que X é a média amostral e S 2 é a variância amostral. A variável aleatória padrão T = X µ S/ N, quando n é pequeno, tem distribuição - t.
36 Distribuição t Seja X 1, X 2,..., X N uma amostra aleatória de uma distribuição normal com média desconhecida µ e variância desconhecida σ 2. Então a variável aletória T = X µ S/ N, tem uma distribuição t com n 1 graus de liberdade: f (x) = Γ ( ) k+1 2 πkγ ( 1 ) k [( ) ] 2 x 2 (k+1)/2, k + 1 onde k é o número de graus de liberdade,
37 Gráficos no Maple > restart; > with(statistics); > with(plots); > T := RandomVariable(StudentT(10)); > Z := RandomVariable(Normal(0, 1)); > p1:=densityplot(t, range = , thickness = 3, color=red): > p2:=densityplot(z, range = , thickness = 3): > display([p1, p2]);
38 Distribuição t
39 Intervalo de Confiança sobre a Média com Distribuição t Seja t α/2,n 1 o ponto correspondente à porcentagem 100α/2 da distribuição t com n 1 graus de liberdade. Podemos então escrever P(t α/2,n 1 T t α/2,n 1 ) = 1 α ou P Isolando µ obtemos ( P X t α/2,n 1S n ( t α/2,n 1 X µ ) S/ N t α/2,n 1 = 1 α. µ X + t α/2,n 1S n ) = 1 α.
40 Intervalo de Confiança sobre a Média com Distribuição t Se x e s são a média e o desvio padrão de uma amostra aleatória de uma distribuição normal com variância desconhecida, então um intervalo de confiança de 100(1 α)% sobre µ é dado por P ( x t α/2,n 1s n µ x + t α/2,n 1s n ) = 1 α, onde t α/2,n 1 o ponto correspondente à porcentagem 100α/2 da distribuição t com n 1 graus de liberdade.
41 Distribuição t: Exemplo Um artigo no Journal of Composite Materials, (December 1989, Vol 23, p. 1200) descreve o efeito de delaminação na frequência natural de barras feitas a partir de laminados compostos. 5 barras delaminadas são sujeitas a cargas, e as frequências resultantes são as seguintes (Hz): , , , , Determine um intervalo de confiança de 90% sobre a média. Há evidências que suportem a suposição de normalidade da população?
42 Distribuição t: Exemplo Verifiquemos a hipótese de normalidade da distribuição fazendo um plot normal: > restart; > with(statistics); > L := [230.66, , , , ]; > NormalPlot(L);
43 Distribuição t: Exemplo Como o número de amostras é pequeno, devemos calcular o IC utilizando a distribuição t: > n := 5; > mu := Mean(L); > s := StandardDeviation(L); > k := n-1; > alpha := 0.10 > T := RandomVariable(StudentT(k)); > tc := Quantile(T, 1-alpha/2); xc := evalf(tc*s/sqrt(n)) tc := Os extremos inferior e superior do IC de 90% na média são então dados por l := mu-xc; u := mu+xc
44 Intervalo de Confiança na Variância e no Desvio Padrão de uma População Normal Seja X 1, X 2,..., X n uma amostra aleatória de uma distribuição normal com média µ e variância σ 2. Seja S 2 a variância amostral. Então a variável aleatória X 2 2 (n 1)S = σ 2 tem uma distribuição χ 2 com n 1 graus de liberdade.
45 Distribuição χ 2 A função densidade de probabilidade de uma variável aleatória χ 2 é dada por f (x) = 1 2 k/2 Γ(k/2) x k/2 1 e x/2, x > 0 onde k é o número de graus de liberdade. Além disso, E(χ 2 ) = k, V (χ 2 ) = 2k.
46 Distribuição χ 2 : Índice de Confiança P ( ) X 2 > χ 2 α,k = f (u) du = α χ 2 α,k f (x) α 0 2 α, k x
47 Distribuição χ 2 : Exemplo P ( X 2 > χ ,10) = P ( X 2 > ) = 0.05 P ( X 2 > χ ,10) = P ( X 2 > 3.94 ) = 0.95 f (x) , 10 = , 10 = 18.31
48 Distribuição χ 2 : Construção do IC para σ 2 Como X 2 2 (n 1)S = σ 2 é uma variável aleatória com distribuição χ 2 com n 1 graus de liberdade, podemos escrever ( ) P χ 2 1 α/2,n 1 X 2 χ 2 α/2,n 1 = 1 α ou P 2 21 α/2,n 1 (n 1)S (χ σ 2 ) χ 2 α/2,n 1 = 1 α.
49 Distribuição χ 2 : Construção do IC para σ 2 Portanto, ( (n 1)s 2 P σ 2 χ 2 α/2,n 1 ) (n 1)s2 χ 2 = 1 α. 1 α/2,n 1
50 Distribuição χ 2 : Construção do IC para σ 2 Se s 2 é a variância amostral de uma amostra aleatória de n observações de uma distribuição com variância desconhecida σ 2, então um intervalo de confiança de 100(1 α)% sobre σ 2 é dado por (n 1)s 2 χ 2 α/2,n 1 σ 2 (n 1)s2 χ 2, 1 α/2,n 1 onde χ 2 α/2,n 1 e χ2 1 α/2,n 1 são os pontos de porcentagem 100α/2 superior e inferior da distribuição χ 2 de n 1 graus de liberdade, respectivamente.
51 Distribuição χ 2 : Construção do IC para σ O IC de 100(1 α)% sobre o desvio padrão σ é dado por (n 1)s 2 (n 1)s 2 σ, χ 2 α/2,n 1 χ 2 1 α/2,n 1
52 Distribuição χ 2 : Limites de Confiança Inferior e Superior Os limites de confiança de 100(1 α)% inferior e superior sobre σ 2 são dados por e respectivamente. (n 1)s 2 χ 2 α,n 1 σ 2 σ 2 (n 1)s2 χ 2 1 α,n 1,
53 Distribuição χ 2 no Maple > with(statistics); > with(plots); > X := k->randomvariable(chisquare(k)); > p1 := DensityPlot(X(10), range = , thickness = 3, color = blue); > p2 := DensityPlot(X(5), range = , thickness = 3, color = red); > p3 := DensityPlot(X(2), range = , thickness = 3, color = black); > display([p1, p2, p3]);
54 O p1 d DensityPlot X 10, range = , thickness = 3, color = blue : O p2 d DensityPlot X 5, range = , thickness = 3, color = red : O p3 d DensityPlot X 2, range = , thickness = 3, color = black : O display p1, p2, p3 Distribuição χ 2 no Maple O
55 Distribuição χ 2 : Exemplo Uma máquina enche recipientes plásticos com detergente. Uma amostra aleatória de 20 garrafas resulta numa variância amostral de s 2 = ml de volume preenchido. Se a variância é muito grande, uma proporção inaceitável de garrafas ficará cheia demais ou de menos. Suponhamos que o volume de preenchimento tem distribuição aproximadamente normal. Determine um intervalo de confiança superior de 95% sobre σ 2.
56 Distribuição χ 2 : Exemplo Devemos calcular, com n 1 = 19, α = 0.95, s 2 = , σ 2 (n 1)s2 χ 2, 1 α,n 1
57 Distribuição χ 2 : Exemplo > restart; > with(statistics); > with(plots); > X := RandomVariable(ChiSquare(k)); > n := 20; > k := n-1; > s := (0.459)^(1/2): > chi2 := Quantile(X, 0.05) > u := (n-1)*s^2/chi2; χ2 := u := Portanto, σ ml 2, σ 0.93ml.
Intervalos Estatísticos para Uma Única Amostra
Intervalos Estatísticos para Uma Única Amostra OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Construir intervalos de confiança para a média de uma distribuição
Leia maisEstimação. Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança
Estimação Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança Motivação A partir da média de uma a amostra em uma colheita recente, o conselho de qualidade
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a variância de
Leia maisAULA 04 Estimativas e Tamanhos Amostrais
1 AULA 04 Estimativas e Tamanhos Amostrais Ernesto F. L. Amaral 27 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisProbabilidade e Estatística, 2011/2
média verdadeira de 104F? Estabeleçamos a média 100F como um limite não tolerado:, Probabilidade e Estatística, 2011/2 CCT - UDESC Prof. Fernando Deeke Sasse Testes de Hipóteses Problemas Resolvidos em
Leia maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Qui-quadrado, t-student e F de Snedecor 04/14
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Tipos de Pesquisa Censo: é o levantamento de toda população. Aqui não se faz inferência e sim uma descrição
Leia maisAula 8 Intervalos de confiança para proporções amostras grandes
Aula 8 Intervalos de confiança para proporções amostras grandes Objetivos Na aula anterior, foram apresentadas as idéias básicas da estimação por intervalos de confiança. Para ilustrar o princípio utilizado
Leia maisTeorema do Limite Central e Intervalo de Confiança
Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisProbabilidade e Estatística, 2009/2
Probabilidade e Estatística, 2009/2 CCT - UDESC Prof. Fernando Deeke Sasse Problemas Resolvidos - Testes de Hipóteses 1. Uma empresa de manufatura têxtil está testando rolos de fio que o fornecedor afirma
Leia maiscuja distribuição é t de Student com n 1 graus de liberdade.
Aula 13 Teste de hipótese sobre a média de uma população normal σ 2 desconhecida Objetivos: Nesta aula você completará seu estudo básico sobre testes de hipóteses, analisando a situação relativa a uma
Leia maisIND 1115 Inferência Estatística Aula 8
Conteúdo IND 5 Inferência Estatística Aula 8 Setembro 4 Mônica Barros O - aproximação da Binomial pela Este teorema é apenas um caso particular do teorema central do limite, pois uma variável aleatória
Leia maisTeste de Hipótese e Intervalo de Confiança. Parte 2
Teste de Hipótese e Intervalo de Confiança Parte 2 Questões para discutirmos em sala: O que é uma hipótese estatística? O que é um teste de hipótese? Quem são as hipóteses nula e alternativa? Quando devemos
Leia maisAULA 12 Inferência a Partir de Duas Amostras
1 AULA 12 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 15 de setembro de 2011 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Leia maisAula 11 Teste de hipótese sobre a média de uma população normal - σ 2 conhecida
Aula 11 Teste de hipótese sobre a média de uma população normal - σ 2 conhecida Objetivo: Nesta aula, iremos aplicar os conceitos básicos sobre a teoria de teste de hipótese a uma situação específica.
Leia maisIntervalo de Confiança - Margem de Erro
Intervalo de Confiança - Margem de Erro Tatiene Correia de Souza / UFPB tatiene@de.ufpb.br October 26, 2014 Souza () Intervalo de Confiança - Margem de Erro October 26, 2014 1 / 31 Margem de erro - relatórios
Leia maisAula 12 Teste de hipótese sobre proporções amostras grandes
Aula 12 Teste de hipótese sobre proporções amostras grandes Objetivos Na aula anterior, você aprendeu a construir testes de hipóteses sobre a média de uma população normal com variância σ 2 conhecida.
Leia maisAnálise de Regressão Linear Simples III
Análise de Regressão Linear Simples III Aula 03 Gujarati e Porter Capítulos 4 e 5 Wooldridge Seção.5 Suposições, Propriedades e Teste t Suposições e Propriedades RLS.1 O modelo de regressão é linear nos
Leia maisMAE116 - Noções de Estatística
MAE116 - Noções de Estatística Grupo A - 1 semestre de 2015 Gabarito da Lista de exercícios 10 - Introdução à Estatística Descritiva - CASA Exercício 1. (2 pontos) Sabe-se que, historicamente, 18% dos
Leia maisApresentação de Dados
Probabilidade e Estatística CCT - UDESC Apresentação de Dados Departamento de Matemática CCT-UDESC 1 Média amostral Variância amostral 2 Média populacional 3 3 Variância amostral 4 Fórmula eficiente para
Leia maisé 4. Portanto, o desvio padrão é 2. Neste caso 100% dos valores da população estão a um desvio padrão da média.
Desvio Padrão From Wikipedia, the free encyclopedia probabilidade e estatística, o desvio padrão de uma distribuição de probabilidade, de uma variável aleatória, ou população é uma medida do espalhamento
Leia maisUnidade 5.2. Teste de hipóteses. Hipótese estatística. (uma população) Formulando as hipóteses. Teste de Hipóteses X Intervalo de Confiança
Hipótese estatística Unidade 5. Teste de Hipóteses (uma população) Hipótese estatística-qualquer afirmação feita sobre um parâmetro populacional desconhecido. Hipótese: Duração média da bateria (µ) > 300
Leia maisRegressão linear múltipla. Prof. Tatiele Lacerda
Regressão linear múltipla Prof Tatiele Lacerda Yi = B + Bx + B3X3 + u Plano de resposta E(Y i ) = 0,00 Y i i 0 (,33;,67) Y i 0 X i Xi X p i, p i 3 Modelo de regressão linear múltipla em termos matriciais,
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisAMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA
AMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA META Dimensionar o tamanho ideal de amostra para cada população.
Leia maisAULAS 08 E 09 Distribuição de Probabilidade Normal
1 AULAS 08 E 09 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 02 e 09 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed.
Leia maisInferência sobre duas proporções
Teste para duas populações duas populações Amostra :,,,, alor comum para delta 0 Amostra 2:,,,, Tamanho Tamanho Média amostral x Média amostral x Desvio-padrão Desvio-padrão Teste para duas populações
Leia maisIntrodução. Ou seja, de certo modo esperamos que haja uma certa
UNIVERSIDADE FEDERAL DA PARAÍBA Teste de Independência Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução Um dos principais objetivos de se construir uma tabela de contingência,
Leia maisTécnicas estatísticas para análise de dados e de resultados de modelos de simulação
Parte XIV Técnicas estatísticas para análise de dados e de resultados de modelos de simulação A saída de um modelo de simulação geralmente constitui-se de VA s, muitas das quais podem ter variância grande.
Leia maisAula 1 Variáveis aleatórias contínuas
Aula 1 Variáveis aleatórias contínuas Objetivos: Nesta aula iremos estudar as variáveis aleatórias contínuas e você aprenderá os seguintes conceitos: função de densidade de probabilidade; função de distribuição
Leia maisBIOESTATÍSTICA. Parte 1 - Estatística descritiva e análise exploratória dos dados
BIOESTATÍSTICA Parte 1 - Estatística descritiva e análise exploratória dos dados Aulas Teóricas de 17/02/2011 a 03/03/2011 1.1. População, amostra e dados estatísticos. Dados qualitativos e quantitativos
Leia maisCoeficiente de Assimetria e Curtose. Rinaldo Artes. Padronização., tem as seguintes propriedades: Momentos
Coeficiente de Assimetria e Curtose Rinaldo Artes 2014 Padronização Seja X uma variável aleatória com E(X)=µ e Var(X)=σ 2. Então a variável aleatória Z, definida como =, tem as seguintes propriedades:
Leia maisCapítulo 5. Inferência no Modelo de Regressão Simples: Estimação de Intervalos, Teste de Hipóteses e Previsão
Capítulo 5 Inferência no Modelo de Regressão Simples: Estimação de Intervalos, Teste de Hipóteses e Previsão Hipóteses do Modelo de Regressão Linear Simples RS1. y x e t 1 t t RS. RS3. RS4. RS5. RS6. Ee
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS» PROBABILIDADE E ESTATÍSTICA «21. Uma fábrica, que produz pequenas peças utilizadas em materiais eletrônicos, armazena essa mercadoria em lotes com 1000 unidades. Inspecionada
Leia maisAnálise de Regressão. Notas de Aula
Análise de Regressão Notas de Aula 2 Modelos de Regressão Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma variável Y com outra X. Quando a função f que relaciona duas
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Leia maisUniversidade Federal do Amazonas Instituto de Ciências Exatas Departamento de Estatística
PLANO DE ENSINO 1. IDENTIFICAÇÃO Disciplina: PROBABILIDADE E ESTATÍSTICA Código: IEE001 Pré-Requisito: IEM011 - CÁLCULO I N O de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: 0 Semestre: 1 O Ano:
Leia maisMatemática Aplicada às Ciências Sociais
ESCOLA SECUNDÁRIA DE AMORA PLANIFICAÇÃO ANUAL Matemática Aplicada às Ciências Sociais Ensino Regular Curso Geral de Ciências Sociais e Humanas 11º ANO Ano Letivo 2014 / 2015 PLANIFICAÇÃO A LONGO PRAZO
Leia maisMEDIDAS DE DISPERSÃO. o grau de variabilidade, ou dispersão, dos valores em torno da média.
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Tarciana Liberal As medidas de posição apresentadas fornecem a informação dos dados apenas a nível pontual, sem ilustrar
Leia maisESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA Teste Final 2009/2010. Curso: 12/06/2010.
ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA Teste Final 2009/2010 Curso: 12/06/2010 Nome: N o Instruções: Estaprovatemaduraçãode120 minutos e é constituída
Leia maisConsideremos os seguintes exemplos de hipóteses cuja veracidade interessa avaliar:
Consideremos os seguintes exemplos de hipóteses cuja veracidade interessa avaliar: o tempo médio de efeito de dois analgésicos não é o mesmo; a popularidade de determinado partido político aumentou; uma
Leia maisAnálise estatística. Aula de Bioestatística. 17/9/2008 (2.ª Parte) Paulo Nogueira
Análise estatística Aula de Bioestatística 17/9/2008 (2.ª Parte) Paulo Nogueira Testes de Hipóteses Hipótese Estatística de teste Distribuição da estatística de teste Decisão H 0 : Não existe efeito vs.
Leia maisEstatística II Aula 4. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística II Aula 4 Prof.: Patricia Maria Bortolon, D. Sc. Fundamentos do Teste de Hipóteses Teste de Hipóteses - Definições É uma regra de decisão para aceitar, ou rejeitar, uma hipótese estatística
Leia maisRelatório das Provas da 2ª. Fase - Vestibular 2016
Relatório das Provas da 2ª. Fase - Vestibular 2016 Resumo Executivo O presente relatório apresenta os resultados da segunda fase do Vestibular UNICAMP 2016 constituída por três provas. Esta etapa do vestibular
Leia maisCarta de controle para o desvio-padrão
Carta de controle para o desvio-padrão O desvio padrão é um indicador mais eficiente da variabilidade, principalmente para amostras grandes (a amplitude perde eficiência). Recomenda-se o uso da carta Xb
Leia maisTeste de hipóteses para médias e proporções amostrais
Teste de hipóteses para médias e proporções amostrais Prof. Marcos Pó Métodos Quantitativos para Ciências Sociais Intervalo de confiança: outro entendimento É o intervalo que contém o parâmetro que queremos
Leia maisTópico 9. Teste t-student
Tópico 9 Teste t-student Teste t Teste t pode ser conduzido para Comparar uma amostra com uma população Comparar duas amostras pareadas Mesmos sujeitos em dois momentos distintos Comparar duas amostras
Leia mais25 a 30 de novembro de 2013
LSD Introdução à Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 25 a 30 de novembro de 2013 LSD 1 2 3 LSD 4 Parte 2 - Conteúdo LSD Quando o F da ANOVA está sendo utilizado
Leia maisErros e Incertezas. Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.
Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.) I. INTRODUÇÃO Quando se faz um experimento, deseja-se comparar o resultado obtido
Leia maisCorrelação e Regressão linear simples
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Regressão linear simples Prof. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Correlação linear Diagrama de dispersão Covariância
Leia maisMedidas de dispersão e assimetria
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Medidas de dispersão e assimetria Profª Cesaltina Pires cpires@uevora.pt Plano da Apresentação Medidas de dispersão Variância Desvio padrão Erro
Leia maisAula 6 Propagação de erros
Aula 6 Propagação de erros Conteúdo da aula: Como estimar incertezas de uma medida indireta Como realizar propagação de erros? Exemplo: medimos A e B e suas incertezas. Com calcular a incerteza de C, se
Leia maisPlano da Apresentação. Correlação e Regressão linear simples. Correlação linear. Associação entre hábitos leitura e escolaridade.
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Plano da Apresentação Correlação linear Diagrama de dispersão Covariância Coeficiente de correlação de Pearson Teste de correlação
Leia maisTestes Qui-Quadrado - Teste de Aderência
Testes Qui-Quadrado - Teste de Aderência Consideremos uma tabela de frequências com k frequências, k 2 k: total de categorias frequências observadas: O 1,, O k seja p 1 = p 01,, p k = p 0k as probabilidades
Leia maisModelo Normal. Aplicações: Parte 1. Prof. Caio Azevedo. Prof. Caio Azevedo
Variância conhecida Seja X 1 θ,..., X n θ, θ = (µ, σ 2 ) uma amostra aleatória de X θ N(µ, σ 2 ). Se σ 2 conhecido, e µ N(α, ψ), (família conjugada) então µ x N(ψ α, ψ ), em que ψ = ( n σ 2 + 1 ) 1 ( α
Leia maisQuímica Analítica IV ERRO E TRATAMENTO DE DADOS ANALÍTICOS
Química Analítica IV 1 semestre 2012 Profa. Maria Auxiliadora Costa Matos ERRO E TRATAMENTO DE DADOS ANALÍTICOS Todas as medidas físicas possuem um certo grau de incerteza. Quando se faz uma medida, procura-se
Leia maisDesvio Padrão ou Erro Padrão
NOTAS METODOLÓGICAS ISSN 0871-3413 ArquiMed, 2006 Desvio Padrão ou Erro Padrão Nuno Lunet, Milton Severo, Henrique Barros Serviço de Higiene e Epidemiologia da Faculdade de Medicina da Universidade do
Leia maisDISTRIBUIÇÃO DE FREQUÊNCIA DE VARIÁVEIS QUALITATIVAS E QUANTITATIVAS DISCRETAS (TABELAS E GRÁFICOS)
DISTRIBUIÇÃO DE FREQUÊNCIA DE VARIÁVEIS QUALITATIVAS E QUANTITATIVAS DISCRETAS (TABELAS E GRÁFICOS) O QUE É ESTATÍSTICA Estatística é a ciência de obter conclusões a partir de dados. Envolve métodos para
Leia maisVariáveis Frequências Gráficos Medidas de Posição Medidas de Dispersão Medidas Complementares Inferência
Tipos de Variáveis Problema Motivador: Um pesquisador está interessado em fazer um levantamento sobre aspectos sócio-econômicos dos empregados da seção de orçamentos de uma companhia (vide tabela). Algumas
Leia maisAvaliação e Desempenho Aula 1 - Simulação
Avaliação e Desempenho Aula 1 - Simulação Introdução à simulação Geração de números aleatórios Lei dos grandes números Geração de variáveis aleatórias O Ciclo de Modelagem Sistema real Criação do Modelo
Leia maisO cilindro deitado. Eduardo Colli
O cilindro deitado Eduardo Colli São poucas as chamadas funções elementares : potências e raízes, exponenciais, logaritmos, funções trigonométricas e suas inversas, funções trigonométricas hiperbólicas
Leia maisAula 8. Teste Binomial a uma proporção p
Aula 8. Teste Binomial a uma proporção p Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Teste Binomial a uma Proporção p Seja p ˆ = X n a proporção de indivíduos com uma
Leia maisMedida de Tendência Central
Medida de Tendência Central um valor no centro ou no meio de um conjunto de dados 1 Definições Média (Média Aritmética) o número obtido somando-se todos os valores de um conjunto de dados, dividindo-se
Leia maisContabilometria. Análise Discriminante
Contabilometria Análise Discriminante Fonte: Corrar, L. J.; Theóphilo, C. R. Pesquisa Operacional para Decisão em Contabilidade e Administração, Editora Atlas, São Paulo, 010 Cap. 3 Análise Discriminante
Leia maisDistribuição Binomial e Normal
Distribuição Binomial e Normal O que se pretende, neste módulo, é apresentar dois modelos teóricos de distribuição de probabilidade, aos quais um experimento aleatório estudado possa ser adaptado, o que
Leia maisMedidas de Tendência Central
Média, Mediana e Moda 1 Coletando Dados A coleta de dados produz um conjunto de escores de uma ou mais variáveis Para chegar à distribuição dos escores, estes têm de ser arrumados / ordenados do menor
Leia maisInstituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Cálculo do Conceito ENADE
Instituto acional de Estudos e Pesquisas Educacionais Anísio Teixeira IEP Ministério da Educação ME álculo do onceito EADE Para descrever o cálculo do onceito Enade, primeiramente é importante definir
Leia maisMedidas de Localização
MATEMÁTICA APLICADA ÀS CIÊNCIAS SOCIAIS RESUMO Estatística 2 Medidas de Localização e Dispersão 10º ano Cláudia Henriques Medidas de Localização Estatísticas Medidas que se calculam a partir dos dados
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Distribuição Uniforme 11/13 1 / 19
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Uniforme 11/13 1 / 19 Distribuições Contínuas Apresentaremos agora alguns dos
Leia mais3 Modelos de Simulação
43 3 Modelos de Simulação 3.1 Simulação de Monte Carlo O método de Monte Carlo foi concebido com este nome nos anos 40 por John Von Neumann, Stanislaw Ulam e Nicholas Metropolis durante o projeto de pesquisa
Leia maisMétodos Iterativos para Soluções de Equações não-lineares Fernando Deeke Sasse CCT - UDESC fernandodeeke@gmail.com
Métodos Computacionais Numéricos e Algébricos com Maple Métodos Iterativos para Soluções de Equações não-lineares Fernando Deeke Sasse CCT - UDESC fernandodeeke@gmail.com Alguns problemas físicos envolvem
Leia maisProbabilidade III. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período 2014.1
Probabilidade III Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.1 Ulisses Umbelino (DE-UFPB) Probabilidade III Período 2014.1 1 / 42 Sumário 1 Apresentação
Leia maisInspeção de Qualidade
Roteiro Inspeção de Qualidade 1. Inspeção para Aceitação 2. Planos de Amostragem Simples 3. Determinação Plano de Amostragem 4. Inspeção Retificadora 5. Plano de Amostragem Dupla 6. Planos de Amostragem
Leia maisProbabilidade. Distribuição Binomial
Probabilidade Distribuição Binomial Distribuição Binomial (Eperimentos de Bernoulli) Considere as seguintes eperimentos/situações práticas: Conformidade de itens saindo da linha de produção Tiros na mosca
Leia mais1 Hipótese Nula e Hipótese Alternativa
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 203 Aula Professor: Carlos Sérgio UNIDADE 7 - TESTES DE HIPÓTESES (NOTAS DE AULA) Hipótese Nula e Hipótese
Leia mais1 Introdução. 1.1 Importância da Utilização da Amostragem
1 Introdução Um dos principais objetivos da maioria dos estudos, análises ou pesquisas estatísticas é fazer generalizações seguras com base em amostras, sobre as populações das quais as amostras foram
Leia maisComo rodar a regressão no gretl. Usando o Console para calcular elasticidade. Elasticidade. Usando o Console para calcular predição
Como rodar a regressão no gretl Alguns tópicos do gretl Usando o console: Comando: ols y const 3 Estima uma função linear usando o método de Mínimos Quadrados Ordinários. Elasticidade Intuição: resposta
Leia mais2 Limites e Derivadas. Copyright Cengage Learning. Todos os direitos reservados.
2 Limites e Derivadas Copyright Cengage Learning. Todos os direitos reservados. 2.7 Derivadas e Taxas de Variação Copyright Cengage Learning. Todos os direitos reservados. Derivadas e Taxas de Variação
Leia maisAULA 11 Experimentos Multinomiais e Tabelas de Contingência
1 AULA 11 Experimentos Multinomiais e Tabelas de Contingência Ernesto F. L. Amaral 24 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG)
Leia maisCAPÍTULO 8. de Variância - ANOVA ANOVA. Análise
CAPÍTULO 8 Análise de Variância - UFRGS Os testes de hipótese apresentados até aqui limitaram-se à comparação de duas médias ou duas variâncias. Contudo, há situações onde se deseja comparar várias médias,
Leia maisAdministração Central Unidade de Ensino Médio e Técnico - Cetec. Ensino Técnico. Qualificação: Assistente Administrativo
.. Plano de Trabalho Docente 2013 Ensino Técnico Etec Prof Massuyuki Kawano Código: 136 Município: Tupã Eixo Tecnológico: Gestão e Negócios Habilitação Profissional: Técnico em Administração Qualificação:
Leia maisTestes de variância e Análise de Variância (ANOVA)
Testes de variância e Análise de Variância (ANOVA) Introdução à Inferência Estatística Introdução à Inferência Estatística TESTE DE VARIÂNCIAS E DISTRIBUIÇÃO F Testes sobre variâncias Problema: queremos
Leia maisCURSO DE MATEMÁTICA BÁSICA PROGRAMA DE EDUCAÇÃO TUTORIAL CENTRO DE ENGENHARIA DA MOBILIDADE
CURSO DE MATEMÁTICA BÁSICA Fatoração Equação do 1º Grau Equação do 2º Grau Aula 02: Fatoração Fatorar é transformar uma soma em um produto. Fator comum: Agrupamentos: Fatoração Quadrado Perfeito Fatoração
Leia maisME613 - Análise de Regressão
3222016 ME613 - Análise de Regressão 3222016 ME613 - Análise de Regressão ME613 - Análise de Regressão Parte 4 Transformações Samara F. Kiihl - IMECC - UNICAMP file:usersimacdocumentsgithubme613-unicampme613-unicamp.github.ioaulasslidesparte04parte04.html
Leia maisMedidas de Tendência Central. Introdução Média Aritmética Moda Mediana
Medidas de Tendência Central Introdução Média Aritmética Moda Mediana Introdução A maioria dos dados apresenta uma tendência de se concentrar em torno de um ponto central Portanto, é possível selecionar
Leia maisEntão, a distribuição de converge para a distribuição normal com média nμ e variância nσ 2
Aula 6 Distribuição amostral da proporção Nesta aula você verá uma importante aplicação do Teorema Central do Limite: iremos estudar a distribuição amostral de proporções. Assim, você verá os resultados
Leia maisEstatística. Slide 0. Ana M. Abreu - 2006/07
Estatística Slide 0 Capítulo 1 Estatística Descritiva Slide 1 I-1 Introdução à organização e ao processamento de dados. I-2 Amostra e população; cuidados a ter na recolha da amostra. I-3 Ordenação dos
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em junho de 2014, o Brasil registrou 275,71 milhões de linhas ativas na telefonia móvel e teledensidade de 136,06 acessos por 100 habitantes. Além disso, nesse mesmo mês, houve
Leia maisEXAME DE MACS 2º FASE 2014/2015 = 193
EXAME DE MACS 2º FASE 2014/2015 1. Divisor Padrão: 00+560+80+240 200 = 190 = 19 200 20 Filiais A B C D Quota Padrão 1,088 58,01 86,010 24,870 L 1 58 86 24 L(L + 1) 1,496 58,498 86,499 24,495 Quota Padrão
Leia maisControle Estátistico de Processo.
Relatório de estudo dos fios. Controle Estátistico de Processo. Indice Item Assunto. Pág. Análise estatística C.E.P. 04 1 Introdução. 04 2 Controle estatístico do processo. 04 2.1 Definição. 04 2.3 Objetivo
Leia maisMelhorias de Processos segundo o PDCA Parte IV
Melhorias de Processos segundo o PDCA Parte IV por José Luis S Messias, em qualidadebrasil.com.br Introdução Em prosseguimento aos artigos escritos sobre PDCA, escrevo hoje sobre a terceira fase da etapa
Leia maisPLANO DE ENSINO CONTEÚDO PROGRAMÁTICO. Unidade 1: MEDIDAS E GRANDEZAS. 1.1.- Introdução. 1.2.- Padrões usados para avaliar grandezas físicas
PLANO DE ENSINO FACULDADE: CIÊNCIAS DA SAÚDE DE JUIZ DE FORA CURSO: FARMÁCIA Período: 2º DISCIPLINA: MATEMÁTICA E BIOESTATÍSTICA Ano: 2015 CARGA HORÁRIA: 40 H PRÉ-REQUISITO: - SEMANAL: 02 T TOTAL: 02 AULAS
Leia maisExperimento. Guia do professor. Quantos peixes há no lago? Secretaria de Educação a Distância. Ministério da Ciência e Tecnologia
Análise de dados e probabilidade Guia do professor Experimento Quantos peixes há no lago? Objetivos da unidade Introduzir um método que permite estimar o tamanho de uma deter minada população. licença
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Probabilidade e Estatística The Science of collecting and analyzing data for the purpose of drawing
Leia maisAULA DO CPOG. Progressão Aritmética
AULA DO CPOG Progressão Aritmética Observe as seqüências numéricas: 2 4 6 8... 12 9 6 3... 5 5 5 5... Essas seqüências foram construídas de forma que cada termo (número), a partir do segundo, é a soma
Leia maisMeta-análise: aplicações em fisioterapia
Meta-análise: aplicações em fisioterapia Arminda Lucia Siqueira 1 George Schayer Sabino 1 Pollyanna Vieira Gomes da Silva 1 1 Introdução A junção de resultados de vários estudos recebe o nome de meta-análise
Leia maisTestes de Hipóteses 5.1 6 8.8 11.5 4.4 8.4 8 7.5 9.5
Testes de Hipóteses Supoha que o ível crítico de ifestação por um iseto-praga agrícola é de 10% das platas ifestadas. Você decide fazer um levatameto em ove lotes, selecioados aleatoriamete, de uma área
Leia maisx = xi n x = xifi fi 1. MÉDIA Exercício: Quando a distribuição é simétrica, a média e a mediana coincidem.
1. MÉDIA Exercício: Quando a distribuição é simétrica, a média e a mediana coincidem. Determine a média aritmética da distribuição: A mediana não é tão sensível, como a média, às observações que são muito
Leia maisOs dados quantitativos também podem ser de natureza discreta ou contínua.
Natureza dos Dados Às informações obtidas acerca das características de um conjunto dá-se o nome de dado estatístico. Os dados estatísticos podem ser de dois tipos: qualitativos ou quantitativos. Dado
Leia maisESTATÍSTICA DESCRITIVA:
UNIVERSIDADE FEDERAL DE MATO GROSSO Campus Universitário de Sinop(CUS) ESTATÍSTICA DESCRITIVA: Medidas de forma: Assimetria e Curtose Profº Evaldo Martins Pires SINOP -MT TEMAS TRABALHADOS ATÉ AGORA Aula
Leia mais