PROBABILIDADE E ESTATÍSTICA APLICADA À HIDROLOGIA

Tamanho: px
Começar a partir da página:

Download "PROBABILIDADE E ESTATÍSTICA APLICADA À HIDROLOGIA"

Transcrição

1 UNIVERSIDADE DE ÉVORA DEPARTAMENTO DE ENGENHARIA RURAL PROBABILIDADE E ESTATÍSTICA APLICADA À HIDROLOGIA 0

2 ESTATÍSTICA E PROBABILIDADE APLICADA À HIDROLOGIA. Itrodução Nehum processo hdrológco é puramete determístco, sto é, ão é possível determar com eactdão a realzação desse processo, pos ele está sujeto à acção de factores aleatóros. Por eemplo, apesar de ser possível prever com alguma atecedêca a ocorrêca de precptação, ão é possível determar qual a quatdade eacta de precptação que rá ocorrer. Este facto, parece estabelecer uma dfculdade básca o plaeameto e gestão de qualquer sstema hdrológco, uma vez que para plaear e gerr é fudametal cohecer o comportameto futuro dos processos que tegram esse sstema hdrológco. No etato, esta dfculdade pode ser ultrapassada, cosderado que os processos hdrológcos são processos estocástcos, sto é, processos goverados pelo meos em parte por factores aleatóros. Se são processos estocástcos podem ser tratados recorredo às les de probabldade e à estatístca, sedo possível determar qual a probabldade duma realzação desses processos se stuar detro de determados tervalos. Por eemplo, se chover, pode-se determar com atecedêca qual probabldade de ocorrer um determado valor de precptação.. Dstrbuções de Frequêca Em estatístca população desga um cojuto de elemetos com alguma característca comum, por eemplo: os ros portugueses ou as precptações auas uma baca hdrográfca. Pode-se dzer que a estatístca se ocupa do estudo das propredades das populações, populações estas que podem ser ftas ou ftas coforme for fto ou fto o úmero dos seus elemetos. No etato, e porque a observação de toda a população em sempre é possível, o estudo das propredades dessa população tem de ser feto sobre um seu subcojuto fto que se supõe ser represetatvo e se desga por amostra. Quado, a partr da formação cotda uma amostra, se tram coclusões, epressas em termos de probabldade, sobre toda a população etra-se o domío da ferêca estatístca.

3 3 Cosdere-se uma amostra costtuída por um determado cojuto de dados,...,,. A dfereça etre o maor e o meor dos valores dos dados, chama-se ampltude dos dados, I. I maor meor (.) Para resumr grades quatdades de dados é usual dstrbu-los em classes. O úmero de dvíduos pertecetes a cada classe deoma-se frequêca absoluta da classe. A razão etre a frequêca absoluta da classe e a frequêca total (úmero total de valores da amostra) chama-se frequêca relatva da classe. À dstrbução dos dados em classes com as respectvas frequêcas absolutas, chama-se dstrbução de frequêcas ou dstrbução empírca e à dstrbução dos dados em classes com as respectvas frequêcas relatvas, chama-se dstrbução de frequêcas relatvas ou dstrbução das percetages. (ver Quadro.. do eemplo..) Geralmete, o úmero de classes, m, deverá ser etre 5 e 0, o etato, pode utlzar-se, para cálculo do úmero de classes, a fórmula sugerda por STURGES: m 0 + log + 3,393log (.) Determado o úmero de classes e uma vez cohecda a ampltude dos dados I, a ampltude de cada classe, c, pode ser determada por: I c (.3) m Eemplo. Cosderem-se as precptações auas regstadas a estação de Castro D Are durate 79 aos, apresetadas o Quadro.. A ampltude dos dados, determa-se faclmete pela equação (A.): I 349,6 870,9 378,7 mm, o úmero de classes, utlzado a equação (.), é:

4 4 m + 3,393 log classes, e a ampltude de cada classe, determa-se recorredo à equação (.3). I 378,7 c 340mm m 7 Isto é, a ª classe terá como lmte feror o valor 870,9 mm e como lmte superor 0,9 mm (870, ), a ª classe terá como lmte feror 0,9 mm e como lmte superor 550,9 mm (0, ), e assm sucessvamete até ao lmte superor da últma classe. O apurameto dos valores pertecetes a cada classe que coduz às frequêcas absolutas e relatvas de cada classe, ão oferece qualquer dfculdade, cosderado que um determado valor pertece a uma classe quado e só quado é maor que o lmte feror e meor ou gual que o lmte superor dessa classe. A dvsão da amostra em classes bem como as frequêcas absolutas e relatvas de cada classe são apresetadas o Quadro A.. Quadro.. Precptação aual (mm) em Castro D Are Ao Precptação Precptação ordeada Nº de ordem (mm) de forma crescete(mm) 96/7 8, 870,9 97/8 00, 903,5 98/9 093, 9,8 3 99/0 556,4 95,8 4 90/ 90,6 00, 5 9/ 785,4 039, 6 9/3 830, 055,4 7 93/4 50, 076, 8 94/5 749,6 7, 9 95/6,6 44,5 0 96/7 04, 80,0 97/8 93,7 0,0 98/9 7, 39,6 3 99/30 630,9 47, 4 930/3 48, 54,0 5 93/3 46,0 75,7 6 93/33 334,4 90, /34 30, 98, /35 58,0 300, /36 349,6 30, 0 936/37 069,0 334,4 937/38 54,0 344,7 938/39 974,0 39, /40 059,6 4, /4 569,6 4,9 5 94/4 50,6 46,8 6 94/43 664, 43,0 7

5 5 943/44 344,7 44, /45 95,8 45, /46 763,0 46,0 30 Quadro.. (Cot.) Precptação aual (mm) em Castro D Are Ao Precptação Precptação ordeada Nº de ordem (mm) de forma crescete(mm) 946/47 079,3 478, 3 947/48 4,7 48, 3 948/49 9,8 496, /50 0,0 504, /5 903,9 50, /5 65,0 556, /53 076, 567, /54 75,7 578, /55 699,5 58, /56 50,9 585, /57 039, 588, 4 957/58 588, 595, /59 746, 603, /60 563,6 65, /6 987,4 664, 45 96/6 585,4 689, /63 83, 699, /64 0, 746, /65 80,0 749, /66 806,9 763, /67 595,9 785, /68 4,9 86, 5 968/69 80,0 830, /70 496,4 83, /7 567,9 903, /7 300,3 93, /73 478, 930, /74 689,7 974, /75 39,6 987, /76 903,5 000, /77 34,0 04, 6 977/78 4, 059, /79 599, 069, /80 45,9 079, /8 44,5 093, 65 98/8 504, 8, 66 98/83 46,8 4, /84 603,3 50, /85 000, 50, /86 578, 0, /87 39,9, /88 930, 80, /89 870,9 34, /90 43,0 563, /9 44,0 569, /9 055,4 599, 76 99/93 47, 630,9 77

6 6 993/94 86, 806, /95 98,7 349,6 79 Quadro.. Dstrbução de frequêcas e dstrbução de frequêcas relatvas da precptação aual Classes de Precptação Aual Frequêcas Frequêcas (mm) absolutas relatvas 870,9-0,9 /79 0, ,9-550,9 3 3/79 0, ,9-890,9 9 9/79 0, ,9-30,9 8 8/79 0, ,9-570,9 3 3/79 0, ,9-90,9 3 3/79 0, ,9-350,9 /79 0,06588 TOTAL 79 A represetação gráfca duma dstrbução de frequêcas, forece uma vsão global da dstrbução. Esta represetação gráfca pode ser feta através de um hstograma. O hstograma é uma sucessão de rectâgulos adjacetes, tedo cada um deles por base um segmeto que correspode à ampltude de cada classe e por altura as respectvas frequêcas absolutas ou relatvas. Na fgura.. apreseta-se o hstograma das frequêcas absolutas referete ao eemplo.. Fgura.. Hstograma das frequêcas absolutas para a precptação aual em Castro D Are. Hstograma da dstrbução de precptações 5 Frequêcas absolutas ,9-0,9 0,9-550,9 550,9-890,9 890,9-30,9 30,9-570,9 570,9-90,9 90,9-350,9 Precptação aual (mm)

7 7 3. Localzação, Dspersão e assmetra Aspectos fudametas para a caracterzação das dstrbuções de frequêca são a localzação, dspersão e assmetra. Far-se-á dstção etre as gradezas avaladas a partr da população parâmetros - das gradezas calculadas com base a amostra estatístcas -. Assm, os parâmetros serão represetados por letras gregas ( µ, σ, γ,... ) e as estatístcas serão represetadas por letras latas (, S, g,... ). 3. Localzação a) Méda O mas mportate parâmetro de localzação é a méda ou valor médo e represeta o ceto de gravdade do sstema. A méda de uma amostra costtuída por,..., por e para dados ão classfcados, defe-se por,,, desga-se (3.) Para dados classfcados, utlza-se, para cálculo da méda, epressão, m j η ' jj m j f ' jj (3.) ode m é úmero de classes, η j represeta a frequêca absoluta de cada classe, ' j o poto médo de cada classe e f j a frequêca relatva de cada classe. A esta últma epressão dá-se o ome de méda poderada. b) Medaa Cosdere-se uma amostra,,...,,, a medaa, pode defr-se como o valor cetral da amostra ordeada por ordem crescete,,...,.

8 8 Assm, a medaa, M, pode defr-se por duas epressões: Se a amostra tem úmero mpar de dados, k +, e a medaa vem, M k + para k (3.3) + Se a amostra tem úmero par de dados, k, e a medaa vem, M k + k+ para k (3.4) c) Moda A moda de uma amostra,...,,, defe-se como o valor mas frequete da amostra. É a medda de localzação meos usada em hdrologa, pos em amostras de dados hdrológcos (precptações, caudas, etc) é pouco provável que haja valores eactamete guas. No etato para cálculo da moda, Mod, pode utlzar-se a epressão, Mod ( M) 3 (3.5) Eemplo 3. Cálculo da méda, medaa e moda Cosderem-se as precptações auas regstadas a estação de Castro D Are (Quadro..) e a respectva dstrbução de frequêcas e dstrbução de frequêcas relatvas (Quadro..) a) cálculo da méda Utlzado a equação (3.) vem, 8, ,7 67,5 mm 79 A méda poderada determa-se utlzado a equação (A3.), m j η ' j j 870,9 + 0,9 90, ,9 677,9 mm

9 9 m f j 870,9 + 0,9 90, ,9 ' j j 0, , , mm b) cálculo da medaa Uma vez que é mpar, utlza-se a equação (A3.3) para cálculo da medaa, k 39 M k ,4mm b) cálculo da moda Utlzado a epressão (3.5), vem, ( M) 67,5 367,5 ( 585,4 ) 4, mm Mod 3. Para esta dstrbução de precptações, tem-se que, > M > Mod 3. Dspersão A dspersão pode defr-se como a posção dos dados em relação a uma referêca fa. Quado esta referêca é a méda, a dspersão dca o modo como os dados se espalham à volta do valor médo. a) Desvo Padrão Uma mportate medda de dspersão é o desvo padrão que mostra o comportameto do cojuto de desvos em relação à méda. Se a dspersão é grade, os desvos dos dados em relação à méda são grades e o desvo padrão será elevado. O cotráro também se verfca quado os desvos são pequeos. O desvo padrão de uma amostra costtuída por,..., desga-se por S e para dados ão classfcados, defe-se por,,, S + ( ) (3.6)

10 0 Para dados classfcados, vem, S + m j η j ' ( ) j (3.7) corrgdo, Quado as amostras são pequeas, utlza-se o desvo padrão S + ( ) (3.8) e S + m η j j ' ( ) j (3.9) amostras pequeas vem, Ao quadrado do desvo padrão, chama-se varâca,s, e para S ( ) (3.0) b) Desvo Médo Outra forma de aalsar o cojuto de desvos em relação à méda é cosderar o módulo dos desvos. Isto coduz ao coceto de desvo médo, d, ode os desvos perdem o sal, e quato maor o valor do desvo médo, mas as observações se afastam da méda da amostra. O desvo médo de uma amostra classfcados, por,,...,, determa-se, para dados ão d (3.) e para dados classfcados por,

11 d m j η j ' j (3.) b) Coefcete de Varação É um parâmetro admesoal que mede a varabldade da amostra e defe-se por, S C v 00% (3.3) Quato maor o coefcete de varação, maor é o desvo padrão em relação à méda, sto é, mas dspersos estão os dados em toro da méda. d) Varável Reduzda amostra A varável reduzda, z, mede o desvo, de cada observação da,...,,, em relação à méda em udades de desvo padrão. É, portato, uma quatdade abstracta depedete das udades usadas. z (3.4) S Assm, o total de varáves reduzdas da amostra, de,,...,, apreseta méda ula e desvo padrão gual à udade. Isto é, z z 0,0 (3.5) ( z z) Sz +,0 (3.6) Eemplo 3. Cálculo do desvo padrão, desvo médo, coefcete de varação e varável reduzda

12 Cosderem-se as precptações auas regstadas a estação de Castro D Are (Quadro..) e a respectva dstrbução de frequêcas e dstrbução de frequêcas relatvas (Quadro..) a) cálculo do desvo padrão Utlzado a equação (A3.8) vem, S + ( ) + ( 8, 67,5 ) ( 98,7 67,5 ) ,4 mm e utlzado a equação (A3.9) vem, S + m j η j ' ( ) j + ( 040,9 67,5 ) ( 3080,9 67,5 ) ,0 mm b) cálculo do desvo médo Utlzado a equação (A3.) vem, d 8, 67, ,7 67,5 38,8 mm e utlzado a equação (A3.), d m j η j ' j 040,9 67, ,9 67,5 367,0 mm c) cálculo do coefcete de varação C v S Utlzado a equação (3.3) vem, 479, ,5 8,7% d) cálculo da varável reduzda

13 3 Utlzado a equação (3.4) as varáves reduzdas de cada uma das observações da precptação aual, são as apresetadas o Quadro 3.. O valor médo e o desvo padrão foram calculados pelas equações (3.5) e (3.6), respectvamete. Quadro 3.. Varáves reduzdas da precptação aual em Castro D Are Ao Precptação Z (mm) 96/7 8, 0,9 97/8 00, -,4 98/9 093, 0,9 99/0 556,4-0, 90/ 90,6-0,8 9/ 785,4 0, 9/3 830, 0,3 93/4 50,,0 94/5 749,6 0, 95/6,6, 96/7 04, 0,7 97/8 93,7 0,5 98/9 7, -, 99/30 630,9,0 930/3 48, -0,4 93/3 46,0-0,4 93/33 334,4-0,7 933/34 30, -0,8 934/35 58,0-0, 935/36 349,6 3,3 936/37 069,0 0,8 937/38 54,0-0,9 938/39 974,0 0,6 939/40 059,6 0,8 940/4 569,6,9 94/4 50,6-0,3 94/43 664, 0,0 943/44 344,7-0,7 944/45 95,8 -,6 945/46 763,0 0, 946/47 079,3 0,8 947/48 4,7-0,5 948/49 9,8 -,6 949/50 0,0 -,0 950/5 903,9 0,5 95/5 65,0-0, 95/53 076, -, 953/54 75,7-0,8 954/55 699,5 0, 955/56 50,9,0 956/57 039, -,3 957/58 588, -0,

14 4 958/59 746, 0, 959/60 563,6,9 960/6 987,4 0,7 96/6 585,4-0, 96/63 83, 0,3 963/64 0,, 964/65 80,0 -,0 Quadro 3.. (Cot.) Varáves reduzdas da precptação aual em Castro D Are Ao Precptação Z (mm) 965/66 806,9,4 966/67 595,9-0, 967/68 4,9-0,5 968/69 80,0,3 969/70 496,4-0,4 970/7 567,9-0, 97/7 300,3-0,8 97/73 478, -0,4 973/74 689,7 0,0 974/75 39,6-0,9 975/76 903,5 -,6 976/77 34,0,3 977/78 4, 0,9 978/79 599,,9 979/80 45,9-0,5 980/8 44,5 -, 98/8 504, -0,4 98/83 46,8-0,5 983/84 603,3-0, 984/85 000, 0,7 985/86 578, -0, 986/87 39,9-0,6 987/88 930, 0,5 988/89 870,9 -,7 989/90 43,0-0,5 990/9 44,0-0,5 99/9 055,4 -,3 99/93 47, -0,9 993/94 86, 0,3 994/95 98,7-0,8 Méda 67,5 0,0 Desvo Padrão 479,4,0 3.3 Assmetra Assmetra é o grau de desvo, ou afastameto da smetra, de uma dstrbução. Quado se trabalha com dstrbuções de frequêcas, a assmetra pode ser estudada cosderado a posção relatva dos três

15 5 parâmetros de localzação: méda, medaa e moda. Assm, as dstrbuções smétrcas (Fgura 3.), estes três parâmetros cocdem. Nas dstrbuções assmétrcas postvas (desvadas para a dreta)(fgura 3.), méda>medaa>moda e as dstrbuções assmétrcas egatvas (desvadas para a esquerda)(fgura 3.3), méda<medaa<moda. A assmetra avala-se pelo coefcete de assmetra, g, sedo o valor deste coefcete postvo os desvos para a dreta e egatvo os desvos para a esquerda. g ( ) 3 ( )( ) S 3 (3.7) Fgura 3.. Dstrbução smétrca Dstrbução Smétrca Méda Medaa Moda Fgura 3.. Dstrbução assmétrca postva

16 6 Dstrbução Assmétrca Postva Moda Medaa Méda Fgura 3.3. Dstrbução assmétrca egatva Dstrbução Assmétrca Negatva Méda Medaa Moda Eemplo 3.3 Cálculo do coefcete de assmetra Cosderado as precptações auas regstadas a estação de Castro D Are (Quadro A..), o coefcete de assmetra vem, g [( 8, 67,5 ) ( 98,7 67,5 ) ] 3 ( 79 )( 79 ) 479,4 0,7 Como a dstrbução tem assmetra postva, sgfca que > M > Mod (já determado o eemplo 3.), sto é, trata-se de uma dstrbução desvada para a dreta.

17 7 4.Dstrbuções de Probabldade 4. Varável aleatóra. Fução de dstrbução Chama-se varável aleatóra X a toda a varável susceptível de tomar dferetes valores de aos quas é possível afectar uma probabldade. Processo estocástco é aqu eteddo como uma colecção ordeada de varáves aleatóras croológca,..., X,...,, X, X3 X e ode a sucessão,, 3 resultate da sua observação, represeta uma úca realzação do processo. Uma varável aleatóra dz-se dscreta se só pode tomar um úmero fto de valores, por eemplo: o úmero de das com chuva uma semaa, mês ou ao, ou o úmero de vezes que o caudal ultrapassou determado valor. Uma varável aleatóra dz-se cotíua se pode assumr qualquer valor detro de um determado tervalo de úmeros reas, por eemplo: a precptação aual, a temperatura méda dára, etc., podem tomar qualquer valor detro de um certo tervalo lmtado por um mímo e por um mámo. Sedo X uma varável aleatóra, dá-se o ome de fução de dstrbução (ou fução de dstrbução de probabldade) da varável X à fução, ( X ) F( ) P (4.) que represeta a probabldade de a varável aleatóra X assumr um valor feror ou gual a. Faclmete se verfca que a fução de dstrbução satsfaz as segutes propredades: P ( X ) P( X ) F( ) P > (4.) ( X ) F( F( ) < ) (4.3) Quado X é uma varável aleatóra dscreta, só pode tomar valores detro de um cojuto fto {,,...}. Neste caso o comportameto da varável aleatóra é defdo pela sua fução massa Para evtar cofusões, a varável aleatóra represeta-se por maúsculas,x, e as observações (ou realzações) dessa varável por músculas,.

18 8 de probabldade (f.m.p.), que assoca uma probabldade a cada valor que a varável pode assumr: P P ( ) 0 se {,,... } ( ) P( X ) P ( ) P( X ) P P etc. (4.4) e pela sua fução de dstrbução acumulada, ou fução de dstrbução (f.d.): ( X ) P( ) F ( ) P com,,... (4.5) Quato à probabldade de uma varável dscreta X tomar um valor compreeddo um tervalo ( a, b) pode ser determada aplcado a equação (4.3), b > a ( a < X b) F b F( a) P( ) P ( ) (4.6) Eemplo 4. Fução massa de probabldade e fução de dstrbução para uma varável dscreta Eemplfcado, se para um determado período de tempo o úmero de das ublados (X), em dado local, tver a segute fução massa de probabldade (f.m.p.): P ( ) 0,5 0,0 0,30 0,0 0,5 se se se se se a fução de dstrbução (f.d.) será:

19 9 0 se < 0 0,5 se 0 < F ( ) 0,35 0,65 se se 3 0,85 se 3 4,00 se 4 Nas fguras 4. e 4. estão represetados os gráfcos da f.m.p e f.d. para o úmero de das ublados. Quado X é uma varável aleatóra cotíua o seu comportameto é defdo pela sua fução desdade de probabldade (f.d.p.), que defe a probabldade méda da varável aleatóra se stuar detro de um determado tervalo. Fgura 4. Fução massa de probabldade para a varável X Fução Massa Probabldade 0,35 0,30 0,5 P() 0,0 0,5 0,0 0,05 0, Fgura 4. Fução de dstrbução para a varável X

20 0 Fução de dstrbução F(), 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, >4 Cosderado que o tervalo (, ] a quatdade de probabldade é F ( ), etão o tervalo ( + ],, a quatdade de probabldade será, de acordo com a equação (A4.3), F( + ) F( ) o quocete, ( + ) ( ) F F méda esse tervalo. O lmte,, e, será a quatdade de probabldade ( ) f lm 0 ( + ) ( ) F F ( ) F' ( ) df d (4.7) se estr, represeta a desdade de probabldade, f ( ). Dode resulta que a fução de dstrbução (f.d.) de uma varável cotíua será, F (4.8) ( ) f( ) d Note-se que, equato o caso dscreto a f.m.p. é uma probabldade P ( ) P( X ), o caso cotíuo, a f.d.p. ( ) desdade de probabldade, uca a probabldade o poto. f é a Para varáves cotíuas: e f ( ) > 0 (4.9) + f ( d )( ) (A4.0)

21 Quato à probabldade de a varável cotíua X tomar um valor compreeddo um tervalo ( a, b) pode ser determada por: ( a < X < b) F b) F() a P ( f( d ) (A4.) e a probabldade de X tomar um valor partcular, a, é ula, vsto que: a b a f( d )( ) 0 (4.) a Eemplo 4. Fução desdade de probabldade e fução de dstrbução para uma varável cotíua. A precptação aual em Évora é uma varável aleatóra cotíua, X, com fução de dstrbução, F(), e fução desdade de probabldade, f(), dadas por, F ( ) f( ) d f( ) ep π 03,5 ( 65,8 ) 03,5 ( ) Nas Fguras 4.3 e 4.4 mostra-se a represetação gráfca destas duas fuções. Fgura 4.3. Fução desdade de probabldade da varável X

22 Fução desdade de probabldade 0,003 f() 0,00 0,00 0, (precptação mm) Fgura 4.4- Fução de dstrbução da varável X Fução de dstrbução F(),0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, 0,0 H a b (precptação mm) Na Fgura 4.3, a área lmtada pela curva e pelo eo dos é gual a um. A área a tracejado, correspodete às vertcas 0 e 400mm, represeta a probabldade da precptação em determado ao ser gual ou meor que 400mm. A área a tracejado, correspodete às vertcas 800mm e 900mm, represeta a probabldade da precptação tomar um valor etre 800 e 900 mm. Na Fgura 4.4. a altura H, correspode à probabldade da precptação em determado ao ser gual ou meor que 400mm. A altura b - a, represeta a probabldade da precptação tomar um valor etre 800 e 900 mm.

23 3 5.Dstrbuções Teórcas Estem mutas dstrbuções teórcas, que servem como modelo probablístco de varáves ou feómeos aleatóros. Cosderado que as varáves hdrológcas são aleatóras, etão elas podem ser represetadas por algum tpo de dstrbução teórca. Apresetam-se de seguda as dstrbuções teórcas mas utlzadas em hdrologa. 5. Dstrbuções Dscretas a) Dstrbução Bomal A dstrbução Bomal é o modelo probablístco dcado para descrever o úmero de sucessos em repetdas provas de Beroull. As provas de Beroull (ou eperêcas de Beroull) são sucessões de eperêcas aleatóras depedetes, ode em cada uma delas só estem dos resultados possíves: realzação de determado acotecmeto e realzação do cotráro desse acotecmeto. Cosderado um qualquer acotecmeto, A, de probabldade P(A) p, a realzação de, A, dz-se sucesso, a realzação do cotráro, A, que tem probabldade P( A) p, dz-se sucesso. Por eemplo, a ocorrêca de precptação em determado da do futuro, só tem dos resultados possíves: ou chove (sucesso) ou ão chove (sucesso) esse da. Etão, a probabldade de chover é p, e a probabldade de ão chover, será logcamete -p. Se a varável aleatóra, X, desgar o úmero de sucessos em provas, dz-se que tem dstrbução Bomal e escreve-se smbolcamete ( p) B,. A sua fução massa de probabldade é, P! p!! ( ) P( X ) ( ) e a sua fução de dstrbução é, ( p), 0,,..., (5.)! F( ) p!! ( ) ( p) (5.) Eemplo 5.

24 4 Cosderado que em determado ro ocorre uma chea por ao e que a probabldade desta chea ser catastrófca é 0%, qual é a probabldade de ocorrêca de 3 destas cheas os prómos 5 aos? Neste caso, tem-se, 5 aos 3 p 0, logo, pela equação (5.) vem, P ( 3) P( X 3) 3! 5! 0, 3! ( 5 ) ( 0, ) 0, 85 Isto é, os prómos 5 aos a probabldade de ocorrêca de 3 cheas catastrófcas este ro é de,85%. 5. Dstrbuções Cotíuas a) Dstrbução Normal A mas mportate e mas dvulgada dstrbução cotíua de probabldade é sem dúvda a dstrbução Normal. Teorcamete, a fução de dstrbução da soma de varáves aleatóras tede para a dstrbução Normal quado aumeta defdamete, qualquer que seja a fução de dstrbução de cada uma das varáves aleatóras. Por esta razão a dstrbução Normal adapta-se bem a um grade úmero de varáves hdrológcas, omeadamete a precptação aual e o escoameto aual, resultates da soma de um grade úmero de varáves aleatóras. Uma varável aleatóra X com uma fução desdade de probabldade, f( ) e σ π ( µ ) σ < < + (5.3) dz-se que tem dstrbução Normal com parâmetros µ e σ, e escreve-se smbolcamete, Ν ( µ, σ). Os parâmetros µ e σ, são determados por, µ e ( ) σ S +. A sua fução de dstrbução é dada por,

25 5 ( µ ) F( ) e σ d (5.4) σ π Para se efectuar o estudo da dstrbução Normal é ecessáro passar à dstrbução Normal Reduzda, vsto que os valores da fução desdade de probabldade e de dstrbução são dados através de tabelas em fução dos valores reduzdos. Isto cosegue-se fazedo uma mudaça de varável de modo a que a ova varável teha valor médo gual a zero e desvo padrão gual à udade. Isto é, trasforma-se a varável X com Ν ( µ, σ) uma varável Z com Ν( 0) reduzda, e é dada por, Z X µ σ,. Z é a varável (5.5) Ao realzar-se esta trasformação, estadardza-se a varável X e este caso a sua fução desdade de probabldade é, f( z) e π z < z < + (5.6) e a sua fução de dstrbução, F( z) π z z e dz (5.7) Os valores de f( z ) e F( z ) são dados por tabelas em fução de z. Ver tabelas para a dstrbução Normal, apresetadas o poto 9. Na fgura 5. apresetam-se o gráfco da fução desdade, f( z ), bem como os valores das ordeadas para os respectvos valores de z e a fgura 5. o gráfco da fução dstrbução, F( z ). A altura H a fgura 5. é a probabldade acumulada correspodete à área tracejada a fgura 5.. Fg. 5.. Fução desdade probabldade Ν( 0, )

26 6 0,5 z -3.0 f(z) , f(z) 0,3 0, 0, ,0-3,0 -,0 -,0 0,0,0,0 3,0 z Fg. 5.. Fução de dstrbução probabldade Ν( 0, ),0 z -3.0 F(z) F(z) 0,5 H ,0-3,0 -,0 -,0 0,0,0,0 3,0 z Como se pode verfcar pelas Fguras 5. e 5., a dstrbução Normal é uma dstrbução smétrca, sto é caracterza-se por ter uma desdade de probabldade smétrca em relação à méda, que é ao mesmo tempo medaa e moda. Isto sgfca que a probabldade méda que a varável aleatóra tem de se stuar o tervalo (,µ ] é gual à probabldade méda que ela tem de se stuar o tervalo [ µ,+ ). Como se pode observar a fgura 5.3 e comprovar com as tabelas (Ver 9), a área total lmtada pela curva e pelo eo dos é utára (00%). Também se pode observar que 50% da dstrbução Normal 50% correspodem ao tervalo (,µ ]. Isto sgfca que a probabldade

27 7 méda de a varável aleatóra tem de se stuar o tervalo (,µ ] é gual 50%. Ou, por outras palavras, a probabldade méda de a varável aleatóra ser gual ou feror ao valor médo é 50%. Também se pode observar a fgura que 68.6% da dstrbução ormal correspodem ao tervalo [ µ ± σ], que 95.44% correspodem ao tervalo [ µ ± σ] e que 99.74% correspodem ao tervalo [ µ σ] ± 3, sgfcado, obvamete, que a probabldade méda da varável aleatóra aumeta à medda que o tervalo alarga. (Ver 9) Fgura Áreas compreeddas pela curva Normal reduzda (%) 0.3%.5% 3.59% 34.3% 34.3% 3.59%.5% 0.3% -3σ -σ -σ 0 σ σ 3σ 0.3%.8% 5.87% 50.00% 84.3% 97.7% 99.87% b) Dstrbução Log - Normal É uma geeralzação da dstrbução ormal, torada assmétrca por uma mudaça da varável, Y l X. Se uma varável aleatóra Y, tem dstrbução ormal, etão a varável X, dz-se Log ormal, e a sua fução desdade é, ( y µ ) y σ y ( ) e f > 0 (5.8) σ π

28 8 ode, µ y e σ y são, respectvamete a méda e o desvo padrão da varável Y l X, dados por µ y y e y ( y y) σ y Sy +. A dstrbução Log ormal ajusta-se bem a varáves hdrológcas resultates da multplcação de mutas varáves. Isto é, se XX X, etão Y l X l X... grade, tede para a dstrbução ormal. X Y, que para c) Dstrbução Gama Dz-se que uma varável aleatóra X, tem dstrbução Gama com parâmetros β e λ, smbolcamete, G ( β,λ) desdade de probabldade é da forma,, quado a respectva fução ode Γ ( β), é a fução Gama dada por, β β λ λ e f( ), β, λ > 0 (5.9) Γ( β) Γ ( β ) ( β )! > 0 β (5.0) Os parâmetros β e λ, são determados, por, e, β (5.) S Cv λ (5.) S A dstrbução Gama é frequetemete aplcada a determação da probabldade da precptação para durações de das, semaas, meses, e até aos.

29 9 d) Dstrbução de Pearso tpo III A dstrbução de Pearso tpo III, também chamada dstrbução Gama de três parâmetros, troduz um tercero parâmetro, ε, a dstrbução Gama. Uma varável aleatóra X, tem dstrbução Pearso tpo III com parâmetros β, λ e ε, quado a respectva fução desdade de probabldade é da forma, β β λ( ε) λ ( ε) e Γ( β) f( ) ε (5.3) Os parâmetros β, λ e ε, podem ser determados por, β, (5.4) g e S λ (5.5) β ε S β (5.6) A dstrbução Pearso tpo III é aplcada para descrever a dstrbução de probabldade dos pcos de máma chea aual. e) Dstrbução Log - Pearso tpo III Se Y l X, segue a dstrbução de Pearso tpo III, etão dz-se que X tem dstrbução Log - Pearso tpo III, e tem como fução desdade de probabldade, β β λ( y ε) λ ( y ε) e Γ( β) f( ) l ε (5.7) Os parâmetros β, λ e ε, podem ser determados por, β, (5.8) g y

30 30 e S y λ (5.9) β ε y S β (5.0) y A dstrbução Log - Pearso tpo III é utlzada para descrever a dstrbução de frequêcas dos caudas de chea. f) Dstrbução Assmptótca de Etremos Tpo I Gumbel Também cohecda por dstrbução de Gumbel, é bastate aplcada a acotecmetos mámos, por eemplo, a dstrbução dos caudas mámos auas, ou a dstrbução das precptações mámas auas. Uma varável aleatóra X, tem dstrbução de Gumbel, com parâmetros α, e u, quado a respectva fução desdade de probabldade é da forma, u u e α α f( ) e < < + (5.) α e a fução dstrbução é da forma, u e α F ( ) e α > 0 (5.) Os parâmetros, α e u, podem ser determados por, e 6S α (5.3) π u 0,577α (5.4) Utlzado a varável reduzda, dstrbução, y u, vem para a fução de α e y F( ) e (5.5)

31 3 No Quadro 5. apresetam-se, o resumo das dstrbuções teórcas cotíuas de probabldade mas utlzadas em Hdrologa. Quadro 5. Dstrbuções teórcas cotíuas de probabldade utlzadas em Hdrologa. Dstrbução Normal Log Normal F. desdade de Probabldade f( ) e σ π ( µ ) σ ( y µ ) y σy ( ) e f σ π Itervalo Equações dos parâmetros < < + µ, σ S > 0 µ y y, σ y Sy y l β λ f( ) Gama Γ( β) Pearso Tpo III Log Pearso Gumbel β ode ( β) gama f( ) e λ Γ fução β β λ ( ) ( ε) λ ε e Γ( β) β β λ( y ε) λ ( y ε) e f( ) Γ( β) y l f( ) e α u u e α α > l 0 ε ε < < + β λ S S β, g ε S Cv S λ, β β S y β, λ, g y β ε y Sy β 6S α, π u 0,577α 5.3 Eercícos de aplcação a) Dstrbução Normal Admtdo que a precptação aual em determado local, é uma varável aleatóra X, com dstrbução ormal e com parâmetros µ 570mm e 0mm valor de precptação σ, N ( 570;0) 600mm., determar a probabldade de um

32 3 Trasformado a varável X com N ( 570;0) a varável reduzda Z com N ( 0, ) vem, z ,5 Para obter o correspodete valor de F(z), pode-se recorrer à tabela A9.: - Pela tabela, para z 0, 5 vem F ( z) 0, 5987 Isto é probabldade de a varável X, assumr um valor de 59,87%. 600mm é b) Dstrbução Log - Normal Cosderado que o caudal aual de determado curso de água, é uma varável aleatóra X, com dstrbução Log Normal, com µ 5,0646 e σ 0, 58906, determar a probabldade de se y y verfcar um valor de caudal feror a 3 m s. 50 Fazedo uma mudaça a varável, tal que Y l X, vem, y l l50 5,0064, dode a varável reduzda Z é, z 5,0064 5,0646 0, ,09 A9.: Para obter o correspodete valor de F(z), utlza-se a tabela - Para Z 0, 09 vem, F ( z) F( z) 0,5359 0, 464 Que sgfca que a probabldade de se verfcar um valor de caudal feror a 3 m s é de 46,4%. 50 c) Dstrbução de Gumbel

33 33 Os caudas mámos statâeos auas um determado curso de água seguem a dstrbução de Gumbel, com méda, 3 m e 6,5 s desvo padrão, S 3 4,8 m s. Determe a probabldade de ocorrer um valor de caudal 3 300m s Os parâmetros, α e u, podem ser determados pelas equações (5.3) e (5.4), α 6S π 6 4,8 π 0,6 u 0,577α 6,5 0,577 0,6 6,7 u 300 6,7 Utlzado a varável reduzda y, 44, a α 0,6 probabldade pretedda, pode ser determada por aplcação da equação (5.5), F( ) e e y e e,44 0,749 74,9%. 6. As Dstrbução Teórcas e as Varáves Hdrológcas Quado se afrma que as varáves hdrológcas podem ser represetadas por algum tpo cohecdo de dstrbução, ão quer dzer que elas sgam perfetamete essas dstrbuções teórcas. Obvamete que, quado se trata de varáves reas, estem lmtações, que toram o ajuste perfeto mpossível. Por eemplo, como já referdo, a precptação aual é uma varável que segue a dstrbução ormal. No etato, a varável aleatóra ormal, pode assumr qualquer valor o tervalo (, + ), equato que a precptação apeas pode assumr valores postvos ou ulos. Além dsso, como se vu, a dstrbução ormal é uma dstrbução smétrca, equato que a dstrbução de precptação aual tede a ser assmétrca postva. Assm, quado se dspõe de uma amostra de valores de uma determada varável hdrológca, o objectvo é determar qual a dstrbução teórca que melhor se ajusta à dstrbução empírca. Depos de ajustar um cojuto de varáves hdrológcas a uma qualquer

34 34 dstrbução teórca cohecda, grade parte da formação probablístca da amostra pode ser resumda por essa dstrbução teórca e pelos respectvos parâmetros. O ajustameto de um modelo de dstrbução à dstrbução empírca de varáves hdrológcas, é habtualmete aalsado com base em testes de hpóteses estatístcos. 6. Testes de Hpóteses Os testes de hpóteses costtuem uma área de etrema mportâca a Estatístca Aplcada à Hdrologa. Quado se pretede saber se uma determada varável aleatóra segue uma qualquer dstrbução teórca, utlza-se um teste de hpóteses. etapas: O estabelecmeto de um teste de hpóteses costa das segutes º - Formulação da hpótese a ser testada, H 0 - Hpótese ula º - Formulação da hpótese alteratva, H 3º - Selecção da estatístca amostral a ser utlzada 4º - Estabelecmeto da regra de decsão, em fução de uma costate c. 5º - Selecção do ível de sgfcâca, α 6º - Utlzação da estatístca amostral para determar o valor da costate c, de modo a que, quado H 0 for verdadera, haja uma probabldade α de se rejetar esta hpótese. 7º - Rejeção ou acetação da hpótese H 0, se a estatístca amostral observada car, respectvamete, a regão de rejeção (crítca), ou a regão de acetação. Ao tomar uma destas duas decsões, pode-se cometer dos tpos de erros: erro de prmera espéce erro que se comete quado se rejeta H 0, sedo ela verdadera e erro de seguda espéce erro que se comete quado se aceta H 0, sedo ela falsa. A probabldade α de se cometer um erro de prmera espéce, chama-se ível de sgfcâca do teste. A probabldade β de se cometer um erro de seguda espéce, chama-se ível de cofaça do teste. A regão crítca (Fg. 6.) do teste é o cojuto dos valores

35 35 de uma estatístca que determam a rejeção de H 0, de acordo com uma regra pré estabelecda. Fgura 6.. Dferetes tpos de regões crítcas α/ α/ α α De um modo geral, α e β varam em setdo cotráro. O que se costuma fazer é far α um ível coveete (5%, %, etc.) e procurar, detro de todas as regões de ível α, aquela que mmza β, sto é, aquela que mamza β, chamada potêca do teste. Um melhor teste de ível α é aquele a que correspode uma maor potêca. a) Teste do Qu-Quadrado O teste do Qu-Quadrado, χ, é um teste de adequação do ajustameto, ode se pretede determar se uma dada dstrbução teórca é razoável face aos dados dspoíves. Assm, as hpóteses a testar são, H 0: A fução de dstrbução é F() H : A fução de dstrbução ão é F() O teste do Qu-Quadrado, faz uma comparação etre o úmero real de observações e o úmero esperado de observações que caem as respectvas classes, através do cálculo da estatístca, m ( Oj Ej) χ c (6.) E j j que assmptotcamete tem dstrbução de Qu-Quadrado com ν m p graus de lberdade, sedo m o úmero de classes, p o úmero de parâmetros a estmar a partr da amostra, O j o úmero de observações a classe j, e E j o úmero de observações que seram de esperar, a classe j, através da dstrbução teórca.

36 36 A decomposção da amostra em classes, deve ser tal que o efectvo teórco por classe ão seja feror a 5, ou pode ser utlzada a equação (A.) de STURGES. As classes devem ser escolhdas de forma a que cada tervalo de classe correspoda uma probabldade gual, (classes equprováves), dode E j. m A hpótese H 0 é rejetada se χ c for maor que χ α; ν tabelado, para um determado ível de sgfcâca α e ν graus de lberdade. (Tabela A9.3). a) Teste de Kolmogorov - Smrov Uma alteratva ao teste do χ, é o teste de Kolmogorov Smrov. É um teste, ode ão se estmam parâmetros para a dstrbução empírca. Para a realzação deste teste, deve cosderarse, º F ( ) a fução teórca da dstrbução acumulada admtda como hpótese ula, H 0 ; º F 0 ( ) a fução de dstrbução acumulada para os dados amostras ; 3º maf( ) F ( ) D 0, a estatístca utlzada; 4º Se, para um determado ível de sgfcâca α, o valor D for maor ou gual ao valor D tabelado (Tabela 9.4), a hpótese H 0 é rejetada. 7 Aálse Frequecal em Hdrologa Nos sstemas hdrológcos estem mutas vezes evetos etremos, tas como secas ou cheas. O valor de um acotecmeto etremo é versamete proporcoal à sua frequêca de ocorrêca, sto é, um acotecmeto etremo ocorre com meos frequêca do que um eveto moderado. O objectvo da aálse frequecal em hdrologa é relacoar a magtude dos valores etremos com a sua frequêca de ocorrêca, através da utlzação de dstrbuções de probabldade. Os resultados desta aálse podem ser usados em város problemas de egehara, tas como, dmesoameto de barrages, potes, estruturas de cotrolo de cheas, etc.

37 37 Para efectuar a aálse frequecal pode-se recorrer ao poscoameto gráfco dos dados a forma de uma dstrbução cumulatva de probabldade ou utlzar téccas aalítcas baseadas em factores de frequêca. Em qualquer dos casos tora-se ecessáro troduzr a oção de período de retoro. 7. Período de Retoro e Rsco Hdrológco Período de retoro, T, de uma varável X, defe-se como o úmero de aos que deve, em méda, decorrer para que o valor dessa varável ocorra ou seja superado. Desgado a probabldade de a varável aleatóra X assumr um valor feror ou gual a, por probabldade de ão ecedêca, F ( ) com, F ) P( X ) ( - Equação (A.) e desgado a probabldade de a varável aleatóra X assumr um valor superor a, por probabldade de ecedêca G ( ), com G( ) P( X > ) P( X ) F( ) - Equação (4.), pode eprmr-se o período de retoro por, T G ( ) F( ) (7.) Rsco hdrológco, R, é fução do período de retoro e represeta a probabldade de um valor da varável aleatóra X ser eceddo em pelo meos uma vez em aos sucessvos. Eprme-se por, R (7.) T T ( G( ) ) 7. Aálse Frequecal por Poscoameto gráfco Cosdere-se uma amostra,, 3, atrbudo a estes,..., dados amostras, uma probabldade empírca F ) P( X ) ( ou ( ) P( X ), é possível marcar estes pares de valores [ F( ) ] G > [ G( ) ], ou, em gráfcos de modo a poder-se efectuar a aálse frequecal. Este método utlza-se também para avalar o ajustameto de uma qualquer dstrbução teórca de probabldade à dstrbução empírca dos dados amostras.

38 38 A fução de dstrbução de uma determada dstrbução teórca pode ser represetada grafcamete um papel de probabldade adequado a essa dstrbução. Em tal papel, as ordeadas represetam os valores da varável X e as abcssas represetam a probabldade de ão ecedêca F ) P( X ) ( ) P( X ) (, a probabldade de ecedêca G >, o período de retoro T, ou a varável reduzda y. As escalas das ordeadas e das abcssas são fetas de tal modo, que a fução de dstrbução teórca aparece represetada por uma recta. Sedo assm, se os dados amostras, afectados da respectva probabldade empírca, se ajustam à recta da dstrbução teórca, etão pode-se afrmar que a dstrbução empírca segue a dstrbução teórca cosderada. Nesse caso, é possível efectuar etrapolações para valores etremos. Supoha-se que se dspõe de todas as observações de uma varável aleatóra. Se as observações () forem classfcadas por ordem crescete, a probabldade empírca de X tomar valores ferores ou guas a um determado será: F( ) ( P( X )) (7.3) ode é o.º de ordem do valor a amostra. Se as observações () forem classfcadas por ordem decrescete, a probabldade empírca de X tomar valores guas ou superores a um determado será: G( ) ( P( X > )) (7.4) Neste caso, o meor valor da população tera uma probabldade gual a zero e o maor valor uma probabldade gual a um. No etato, a afectação de probabldade a uma amostra é mas delcada, pos ão há a certeza de que ela coteha o meor e o maor valor da população descohecda. Das váras fórmulas estetes para afectar cada valor da amostra de uma probabldade empírca, utlzar-se-á a de WEIBULL, por ser a mas geeralzada, F( ) ( P( X )) (7.5) + para os dados classfcados por ordem crescete e G( ) ( P( X > )) (7.6) + para os dados classfcados por ordem decrescete.

39 Aálse Frequecal por Factores de Frequêca A aálse frequecal pode ser feta recorredo a téccas aalítcas baseadas em factores de frequêca. CHOW et al (988) propõe a segute fórmula geral para a aálse hdrológca de frequêcas, K S (7.7) T + T ode, T, é o valor do acotecmeto assocado a determado período de retoro, K T, é o factor de frequêca que é fução do período de retoro, T, e do tpo de dstrbução de probabldade a ser utlzada a aálse. Se a varável em aálse é utlzado, aplcado aos logartmos dos dados, y l, o mesmo método pode ser T y KTSy (7.8) y + O factor de frequêca proposto por VEN TE CHOW é aplcável a mutas dstrbuções de probabldade utlzadas a aálse hdrológca de frequêcas. Para uma determada dstrbução teórca, é possível determar uma relação, K T, etre o factor de frequêca e o correspodete período de retoro, relação esta que pode ser epressa por tabelas ou em termos matemátcos. Para determar o valor de T (Equação 7.7), é etão ecessáro calcular os parâmetros estatístcos para a dstrbução proposta e determar para um dado período de retoro, o factor de frequêca. Segudamete descreve-se a relação teórca dstrbuções de probabldade. K T, para váras a) Dstrbução Normal O factor de frequêca pode ser epresso por, K T T σ µ z (7.9) que é a mesma epressão da varável ormal reduzda Z, defda a equação (5.5), e que se ecotra tabelada (Tabela A9.).

40 40 b) Dstrbução Log Normal Para a dstrbução Log Normal O factor de frequêca pode ser epresso por, K T y µ T y (7.0) σy ode y l. Este factor de frequêca aplca-se à equação (7.8) c) Dstrbução Pearso Tpo III O factor de frequêca para esta dstrbução, é epresso por meo de uma tabela em fução do coefcete de assmetra, g, e do período de retoro, T. (Tabela 9.5) d) Dstrbução Log - Pearso Tpo III Igual ao caso ateror, o etato, o factor de frequêca obtdo pela tabela deverá ser aplcado à equação (7.8). e) Dstrbução de Gumbel (Etremos tpo I) por, Para esta dstrbução, o factor de frequêca é determado K T 6 0,577 + π T l l T (7.) Para epressar T, em termos de K T, utlza-se a segute equação, T e πk 0,577+ t e 6 (7.) 8 Eercícos de Aplcação 8. Ajustameto de uma dstrbução empírca à dstrbução Normal

41 4 Verfcar o ajustameto das precptações auas ocorrdas a estação meteorológca de Castro D Are (Quadro.) à dstrbução Normal. Esta verfcação pode ser feta de duas maeras: por poscoameto gráfco dos dados ou através de um teste de adequação do ajustameto. a) Poscoameto gráfco (Ver poto 7.) A fução de dstrbução da dstrbução Normal pode ser represetada grafcamete um papel de probabldade Normal. Em tal papel, as ordeadas represetam os valores da varável X e as abcssas represetam a probabldade F( ) P( X ) ou G ( ) P( X > ). As escalas das ordeadas e das abcssas são fetas de tal modo, que a fução de dstrbução teórca aparece represetada por uma recta. Assm, um papel de probabldade ormal, qualquer dstrbução ormal terá como gráfco uma lha recta, correspodedo a méda dessa dstrbução ao poto 50% e um desvo padrão para cada lado da méda, aos potos 5.87% e 84.3%, respectvamete (ver Fgura 5. e 5.3). Neste caso a recta da dstrbução ormal teórca deseha-se o papel ormal udo os três pares de potos, ( S; 5,87% ) ( 93,;5,87% ) ( ; 50% ) ( 67,5;50% ) ( + S; ) ( 5,9;84,3% ) Esta recta correspode à dstrbução Normal teórca, se os valores da amostra, afectados da respectva probabldade empírca, ajustarem à recta, etão pode-se afrmar que a sére de precptações auas segue a dstrbução Normal. Para atrbur uma probabldade empírca aos valores da amostra, utlza-se a epressão (7.5), que dá a probabldade de ão ecedêca, F(), para os valores da amostra, ordeados de forma crescete. Quadro 8.. A recta teórca de probabldade Normal e os valores da dstrbução empírca da precptação aual estão represetados a A méda e o desvo padrão foram determados o Eemplo 3. e 3. e são, respectvamete 67, 5mm e S 479, 4mm

42 4 Fgura 8., ode se pode verfcar o ajustameto à recta, dode se pode afrmar que a sére de precptações em estudo tem dstrbução Normal. Quadro 8. Probabldade de ão ecedêca, F(), para os valores de precptação aual em Castro Dáre. Ao Prec. ( ) Prec.ordeada ( ) F() 96/7 8, 870,9,3 97/8 00, 903,5,5 98/9 093, 9,8 3 3,8 99/0 556,4 95,8 4 5,0 90/ 90,6 00, 5 6,3 9/ 785,4 039, 6 7,5 9/3 830, 055,4 7 8,8 93/4 50, 076, 8 0,0 94/5 749,6 7, 9,3 95/6,6 44,5 0,5 96/7 04, 80,0 3,8 97/8 93,7 0,0 5,0 98/9 7, 39,6 3 6,3 99/30 630,9 47, 4 7,5 930/3 48, 54,0 5 8,8 93/3 46,0 75,7 6 0,0 93/33 334,4 90,6 7,3 933/34 30, 98,7 8,5 934/35 58,0 300,3 9 3,8 935/36 349,6 30, 0 5,0 936/37 069,0 334,4 6,3 937/38 54,0 344,7 7,5 938/39 974,0 39,9 3 8,8 939/40 059,6 4,7 4 30,0 940/4 569,6 4,9 5 3,3 94/4 50,6 46,8 6 3,5 94/43 664, 43,0 7 33,8 943/44 344,7 44,0 8 35,0 944/45 95,8 45,9 9 36,3 945/46 763,0 46, ,5 946/47 079,3 478, 3 38,8 947/48 4,7 48, 3 40,0 948/49 9,8 496,4 33 4,3 949/50 0,0 504, 34 4,5 950/5 903,9 50, ,8 95/5 65,0 556, ,0 95/53 076, 567, ,3 953/54 75,7 578, 38 47,5 954/55 699,5 58, ,8 955/56 50,9 585, ,0 956/57 039, 588, 4 5,3 Quadro 8. (cot.) Probabldade de ão ecedêca, F(), para os valores de precptação aual em Castro Dáre. Ao Prec. ( ) Prec.ordeada ( ) F() 957/58 588, 595,9 4 5,5 958/59 746, 603, ,8 959/60 563,6 65, ,0

43 43 960/6 987,4 664, 45 56,3 96/6 585,4 689, ,5 96/63 83, 699, ,8 963/64 0, 746, 48 60,0 964/65 80,0 749,6 49 6,3 965/66 806,9 763,0 50 6,5 966/67 595,9 785,4 5 63,8 967/68 4,9 86, 5 65,0 968/69 80,0 830, 53 66,3 969/70 496,4 83, 54 67,5 970/7 567,9 903, ,8 97/7 300,3 93, ,0 97/73 478, 930, 57 7,3 973/74 689,7 974,0 58 7,5 974/75 39,6 987, ,8 975/76 903,5 000, 60 75,0 976/77 34,0 04, 6 76,3 977/78 4, 059,6 6 77,5 978/79 599, 069, ,8 979/80 45,9 079, ,0 980/8 44,5 093, 65 8,3 98/8 504, 8, 66 8,5 98/83 46,8 4, 67 83,8 983/84 603,3 50, 68 85,0 984/85 000, 50, ,3 985/86 578, 0, 70 87,5 986/87 39,9,6 7 88,8 987/88 930, 80,0 7 90,0 988/89 870,9 34,0 73 9,3 989/90 43,0 563,6 74 9,5 990/9 44,0 569, ,8 99/9 055,4 599, 76 95,0 99/93 47, 630, ,3 993/94 86, 806, ,5 994/95 98,7 349, ,8 b) Teste do Qu-Quadrado, χ (Ver poto 6.) Para melhor ajuzar da qualdade do ajustameto da dstrbução ormal à dstrbução empírca de precptações auas, utlza-se o teste de hpótese do χ. As hpóteses a testar são, Fgura 8.. Dstrbução das Precptações auas

44 44 H 0: A fução de dstrbução é ormal H : A fução de dstrbução ão é ormal O úmero de classes, m, para esta amostra é 7 (determado o Eemplo.) Uma vez que é ecessáro trabalhar com as tabelas para a dstrbução Normal, utlzar-se-á a varável reduzda z. Como as classes devem ser equprováves vem para a probabldade de cada classe, F ( z) 0,48 7 F(z 4 )4/7 F(z 3 )3/7 F(z 5 )5/7 F(z )/7 F(z 6 )6/7 F(z )/7 F(z 7 ) z z z3 z4 z5 Z6 Os z serão calculados, a partr dos valores F(z ) cohecdos, por cosulta da tabela 9.. A partr de z determa-se faclmete os tervalos das classes,, sabedo que 67, 5mm e S 479, 4mm. Como se mostra o Quadro 8.. Quadro 8. Cálculo dos tervalos e lmtes das classes z F(z ) z z S + z /7 0,49 -, ,8 z /7 0,857-0, , z 3 3/7 0,486-0,8 586, z 4 4/7 0,574 0,8 758,8 z 5 5/7 0,743 0, ,8 z 6 6/7 0,857, ,

45 45 Com estes elemetos pode-se costrur o Quadro 8.3 e calcular o m ( Oj Ej) χ c (Equação 6.). E j j Quadro 8.3 Teste do Qu-quadrado Lm. de Classe Nº de elemetos esperados em cada classe (E j) Nº de elemetos observados em cada classe (O j) ( Oj Ej) <60,8, ,465 60,8-40,, ,604 40, - 586,,857 7, , - 758,8, , ,8-943,8, , ,8-84,,857 0,045 >84,, ,465 TOTAL ,94 E j Da tabela 9.3 vem, para α 0, 05 e ν m p 7 4 graus de lberdade, χ 0,95;4 9,49 Como χ c 4,94 < χ0,95;4 9, 49 pode-se dzer que a hpótese de ormaldade ão é rejetada, o que vem cofrmar a aálse gráfca feta a alíea ateror. 8. Ajustameto de uma dstrbução empírca à dstrbução de Gumbel Verfcar o ajustameto das precptações dáras mámas auas ocorrdas a estação meteorológca de Castro D Are (Quadro 8.4) à dstrbução de Gumbel. A verfcação do ajustameto rá ser realzada de duas formas: por poscoameto gráfco dos dados ou através de um teste de adequação do ajustameto. a) Poscoameto gráfco (Ver poto 7.) Tal como a dstrbução Normal, também a dstrbução de Gumbel pode ser represetada por uma recta quado desehada o papel de Gumbel. Neste papel, as ordeadas represetam os valores da varável X

46 46 e as abcssas represetam a probabldade F ) P( X ) ( e a varável u reduzda y. Para traçado da recta basta ur, por eemplo, α três potos ( ), escolhdos, com u + y α. Para tal é y ecessáro determar os parâmetros α e u, que como já se vu são determados em fução da méda e do desvo padrão da amostra (Equações A5.3 e A5.4). A méda e o desvo padrão das precptações dáras mámas auas em Castro D Are, são respectvamete 89, 6mm e S 4, 9mm 6 4,9, dode os parâmetros são, α 9, 4 e π u 89,6 0,577 9,4 78,4. Para traçado da recta teórca, basta atrbur valores a y, obter os correspodetes valores de e marcar estes pares de valores o papel de Gumbel. Por eemplo, y u + y - 59,0 0 78,4 97,8 α Com os pares ( 59,0; ), ( 78,4;0 ) e (,8; ) deseha-se a recta da Fgura Para atrbur uma probabldade empírca aos valores da amostra, utlza-se a epressão (7.5), que dá a probabldade de ão ecedêca, F(), para os valores da amostra, ordeados de forma crescete. Estes valores, apresetados o Quadro 8.4, foram marcados o papel de Gumbel (Fg. 8.), ode se pode verfcar o ajustameto à recta teórca, dode se pode afrmar que a sére de precptações em estudo segue a dstrbução de Gumbel. Quadro 8.4 Precptação dára máma aual (mm) em Castro D Are e Probabldade de ão ecedêca, F(). Ao Prec. ( ) Prec.ordeada ( ) F() 96/7 99,4 49,6,3 97/8 49,6 5,6,5 98/9 0,4 53,3 3 3,8 99/0 05,0 53,4 4 5,0 90/ 73,6 54,3 5 6,3 9/ 7,4 59, 6 7,5

47 47 Quadro 8.4 (Cot.) Precptação dára máma aual (mm) em Castro D Are e Probabldade de ão ecedêca, F() Ao Prec. ( ) Prec.ordeada ( ) F() 9/3 99,6 6,3 7 8,8 93/4 79,8 64,6 8 0,0 94/5 98,6 65,6 9,3 95/6 0,0 66,5 0,5 96/7 8,0 67,3 3,8 97/8 99,3 67,4 5,0 98/9 5,6 69,7 3 6,3 99/30 0, 7,0 4 7,5 930/3 98, 7, 5 8,8 93/3 77,8 7, 6 0,0 93/33 53,4 7,4 7,3 933/34 65,6 7,4 8,5 934/35 00,8 7,6 9 3,8 935/36 05,8 73,6 0 5,0 936/37 0,6 73,6 6,3 937/38 8,6 73,8 7,5 938/39 6,4 74,5 3 8,8 939/40 7,4 74,9 4 30,0 940/4 30,8 75, 5 3,3 94/4 84,9 75, 6 3,5 94/43, 75,8 7 33,8 943/44 4,0 77,4 8 35,0 944/45 83,4 77,8 9 36,3 945/46 73,6 78, ,5 946/47 78,4 78,8 3 38,8 947/48 99,6 79, 3 40,0 948/49 64,6 79,8 33 4,3 949/50 80,4 80,4 34 4,5 950/5 78,8 8, ,8 95/5 99,0 8, ,0 95/53 90,6 83, ,3 953/54 93,0 83, ,5 954/55 7,0 83, ,8 955/56, 84, ,0 956/57 54,3 84,9 4 5,3 957/58 04,4 84,9 4 5,5 958/59 88,6 86, ,8 959/60 84,9 88, ,0 960/6 86,6 88, ,3 96/6 59, 90, 46 57,5 96/63 7,6 90, ,8 963/64 8,8 9, 48 60,0 964/65 90, 9,5 49 6,3 965/66,0 93,0 50 6,5 966/67 40,6 93, 5 63,8 967/68 83,7 96,8 5 65,0 968/69 67,4 98, 53 66,3 969/70 84,4 98, ,5 970/7 66,5 99, ,8 97/7 69,7 99, ,0 97/73 96,8 99,6 57 7,3

48 48 Quadro 8.4 (Cot.) Precptação dára máma aual (mm) em Castro D Are e Probabldade de ão ecedêca, F() Ao Prec. ( ) Prec.ordeada ( ) F() 973/74 74,9 99,6 58 7,5 974/75 9, 00, ,8 975/76 73,8 0, 60 75,0 976/77 83,6 0,6 6 76,3 977/78 5,5 0,0 6 77,5 978/79 9,3 04, ,8 979/80 75,8 05, ,0 980/8 79, 05,8 65 8,3 98/8 9,5,0 66 8,5 98/83 93,, 67 83,8 983/84 77,4 3, ,0 984/85 88,5 7, ,3 985/86 74,5 8, ,5 986/87 7, 9,3 7 88,8 987/88 7,5 0,4 7 90,0 988/89 75,, 73 9,3 989/90 7, 4,0 74 9,5 990/9 6,3 5, ,8 99/9 67,3 30, ,0 99/93 75, 40, ,3 993/94 3,4 6, ,5 994/95 53,3 99, ,8 89,6 89,6 S 4,9 4,9 α 9,4 9,4 u 78,4 78,4 b) Teste de Kolmogorov - Smrov (Ver poto 6.) Para melhor ajuzar da qualdade do ajustameto da dstrbução de Gumbel à dstrbução empírca de precptações mámas auas, utlzar-se-á o teste de Kolmogorov Smrov, segudo os passos descrtos a alíea b) do poto 6.: º Admte-se que a Fução de dstrbução de Gumbel, F( ) e u e α º Cosdera-se que valores da amostra; e 78,4 e 9,4 é a hpótese ula, H 0 ; 0 ( F ) é a fução de dstrbução para os 79 3º Calcula-se a estatístca maf( ) F ( ) D 0 ; 4º Rejeta-se H 0, se para um ível de sgfcâca α 0, 05, o valor de D for maor ou gual ao valor D tabelado (Tabela 9.4).

Matemática Ficha de Trabalho

Matemática Ficha de Trabalho Matemátca Fcha de Trabalho Meddas de tedêca cetral - 0º ao MEDIDAS DE LOCALIZAÇÃO Num estudo estatístco, depos de recolhdos e orgazados os dados, há a ase de trar coclusões através de meddas que possam,

Leia mais

Medidas de Localização

Medidas de Localização 07/08/013 Udade : Estatístca Descrtva Meddas de Localzação João Garbald Almeda Vaa Cojuto de dados utlzação de alguma medda de represetação resumo dos dados. E: Um cojuto com 400 observações como aalsar

Leia mais

CURSO SOBRE MEDIDAS DESCRITIVA Adriano Mendonça Souza Departamento de Estatística - UFSM -

CURSO SOBRE MEDIDAS DESCRITIVA Adriano Mendonça Souza Departamento de Estatística - UFSM - CURSO SOBRE MEDIDAS DESCRITIVA Adrao Medoça Souza Departameto de Estatístca - UFSM - O telecto faz pouco a estrada que leva à descoberta. Acotece um salto a coscêca, chame-o você de tução ou do que quser;

Leia mais

É o quociente da divisão da soma dos valores das variáveis pelos números deles:

É o quociente da divisão da soma dos valores das variáveis pelos números deles: Meddas de Posção. Itrodução Proª Ms. Mara Cytha O estudo das dstrbuções de requêcas, os permte localzar a maor cocetração de valores de uma dstrbução. Porém, para ressaltar as tedêcas característcas de

Leia mais

Estatística Descritiva

Estatística Descritiva Estatístca Descrtva Cocetos Báscos População ou Uverso Estatístco: coj. de elemetos sobre o qual cde o estudo estatístco; Característca Estatístca ou Atrbuto: a característca que se observa os elemetos

Leia mais

Regressão Linear - Introdução

Regressão Linear - Introdução Regressão Lear - Itrodução Na aálse de regressão lear pretede-se estudar e modelar a relação (lear) etre duas ou mas varáves. Na regressão lear smples relacoam-se duas varáves, x e Y, através do modelo

Leia mais

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA

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

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO HIPERGEOMÉTRICA 7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

NOTAS DE AULA - ESTATÍSTICA TEORIA DA AMOSTRAGEM ESTIMAÇÃO

NOTAS DE AULA - ESTATÍSTICA TEORIA DA AMOSTRAGEM ESTIMAÇÃO NOTAS DE AULA - ESTATÍSTICA TEORIA DA AMOSTRAGEM ESTIMAÇÃO ISABEL C. C. LEITE SALVADOR BA 007 Estatístca Prof.ª Isabel C. C. Lete TEORIA DA AMOSTRAGEM DISTRIBUIÇÃO AMOSTRAL DOS ESTIMADORES A teora da amostragem

Leia mais

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

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

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 2ª Atividade Formativa UC ECS Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução

Leia mais

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

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

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

2-Geometria da Programação Linear

2-Geometria da Programação Linear I 88 Otmzação Lear -Geometra da Programação Lear ProfFeradoGomde DC-FEEC-Ucamp Coteúdo. Poledros e cojutos coveos. Potos etremos vértces soluções báscas factíves 3. Poledros a forma padrão 4. Degeeração

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

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

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

Leia mais

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

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

Leia mais

4 Capitalização e Amortização Compostas

4 Capitalização e Amortização Compostas 4.1 Itrodução Quado queremos fazer um vestmeto, podemos depostar todos os meses uma certa quata em uma cadereta de poupaça; quado queremos comprar um bem qualquer, podemos fazê-lo em prestações, a serem

Leia mais

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

Leia mais

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e

Leia mais

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

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

Leia mais

Capítulo 1: Erros em cálculo numérico

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

Leia mais

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

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

Leia mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático

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

Leia mais

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL

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

Leia mais

Hidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira

Hidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira Hdrologa, Ambete e Recursos Hídrcos 009 / 00 Rodrgo roeça de Olvera Aálse estatístca IST: Hdrologa, Ambete e Recursos Hídrcos Rodrgo roeça de Olvera, 009 Cocetos base Varável aleatóra oulação Fução de

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

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

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor

Leia mais

? Isso é, d i= ( x i. . Percebeu que

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

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

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

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

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

Luis Felipe Dias Lopes, Dr. lflopes@smail.ufsm.br, phil.zaz@zaz.com.br D E - UFSM 2 0 0 3

Luis Felipe Dias Lopes, Dr. lflopes@smail.ufsm.br, phil.zaz@zaz.com.br D E - UFSM 2 0 0 3 APOSTILA ESTATÍSTICA Lus Felpe Das Lopes, Dr. lflopes@smal.ufsm.br, phl.zaz@zaz.com.br D E - UFSM 0 0 3 Sumáro Cocetos báscos. População x Amostra. Ceso x Amostragem.3 Dado x Varável.4 Parâmetros x estatístcas.5

Leia mais

INTRODUÇÃO A ESTATÍSTICA

INTRODUÇÃO A ESTATÍSTICA Hewlett-Packard INTRODUÇÃO A ESTATÍSTICA Aulas 01 e 06 Elso Rodrgues, Gabrel Carvalho e Paulo Luz Sumáro Defções... 1 EXERCÍCIOS FUNDAMENTAIS... 1 Meddas de tedêca cetral... 1 Méda artmétca smples... 1

Leia mais

50 Logo, Número de erros de impressão

50 Logo, Número de erros de impressão Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x

Leia mais

1) Escrever um programa que faça o calculo de transformação de horas em minuto onde às horas devem ser apenas número inteiros.

1) Escrever um programa que faça o calculo de transformação de horas em minuto onde às horas devem ser apenas número inteiros. Dscpla POO-I 2º Aos(If) - (Lsta de Eercícos I - Bmestre) 23/02/2015 1) Escrever um programa que faça o calculo de trasformação de horas em muto ode às horas devem ser apeas úmero teros. Deverá haver uma

Leia mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta

Leia mais

PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA

PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Aexo PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Uiversidade de Évora, Departameto de Egeharia Rural.. Itrodução Nehum processo hidrológico é puramete determiístico, isto é, ão é possível determiar

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

Revisão de Estatística X = X n

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

Leia mais

Centro de massa, momento linear de sistemas de partículas e colisões

Centro de massa, momento linear de sistemas de partículas e colisões Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,

Leia mais

Módulo: Binômio de Newton e o Triângulo de Pascal. Binômio de Newton e o Triângulo de Pascal. 2 ano do E.M.

Módulo: Binômio de Newton e o Triângulo de Pascal. Binômio de Newton e o Triângulo de Pascal. 2 ano do E.M. Módulo: Bômo de Newto e o Trâgulo de Pascal Bômo de Newto e o Trâgulo de Pascal ao do EM Módulo: Bômo de Newto e o Trâgulo de Pascal Bômo de Newto e o Trâgulo de Pascal Exercícos Itrodutóros Exercíco Para

Leia mais

Prof. Janete Pereira Amador 1

Prof. Janete Pereira Amador 1 Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.

Leia mais

Licenciatura em Ciências USP/ Univesp funções polinomiais 4

Licenciatura em Ciências USP/ Univesp funções polinomiais 4 Lcecatura em Cêcas USP/Uvesp FUNÇÕES POLINOMIAIS 4 51 TÓPICO Gl da Costa Marques 4.1 Potecação 4. Fuções Polomas de grau 4.3 Fução Polomal do Segudo Grau ou Fução Quadrátca 4.4 Aálse da Forma Geral dos

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

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

Leia mais

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

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

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

2-0,0041295**.C 2 + 0,0017052**.T.C

2-0,0041295**.C 2 + 0,0017052**.T.C 14. Itrodução ao estudo de regressão lear smples 14.1. Itrodução Itrodução ao estudo de regressão lear smples IS 78,9137 -,341836**.T +,78753**.C -,7154**.T -,4195**.C +,175**.T.C R 77,17% IS, % Fgura

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x

Leia mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

tica Professor Renato Tião

tica Professor Renato Tião Números complexos Algumas equações do segudo grau como x + 1 = 0 ão possuem solução o uverso real e o estudo destas soluções ão pareca ecessáro até o século XVI quado o matemátco aphael Bombell publcou

Leia mais

IND 1115 Inferência Estatística Aula 9

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

Leia mais

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

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

Leia mais

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

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

Leia mais

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

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

Leia mais

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

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

Leia mais

Distribuição de frequências de variáveis discretas

Distribuição de frequências de variáveis discretas rmulár de Estatístca Códg 89 Este rmulár ã será recd em exame, em tã puc permtda a sua utlzaçã durate a realzaçã d mesm. Dstrbuçã de requêcas Ccets udametas Ppulaçã cjut de dvídus, elemets u bjects que

Leia mais

MAE116 Noções de Estatística

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

Leia mais

FINANCIAMENTOS UTILIZANDO O EXCEL

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

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

Probabilidade e estatística aplicadas à hidrologia

Probabilidade e estatística aplicadas à hidrologia Aexo 1 Probabilidade e estatística aplicadas à hidrologia Rita Cabral Guimarães ICAAM - Istituto de Ciêcias Agrárias e Ambietais Mediterrâicas, Escola de Ciêcia e Tecologia Uiversidade de Évora 1. Itrodução

Leia mais

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

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo. 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 6 Equlíbro e o Potecal de Nerst Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte

Leia mais

CAPÍTULO 9 - Regressão linear e correlação

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

Leia mais

3 - ANÁLISE BIDIMENSIONAL

3 - ANÁLISE BIDIMENSIONAL INE 7001 - Aálse Bdmesoal 1 3 - ANÁLISE BIDIMENSIONAL É comum haver teresse em saber se duas varáves quasquer estão relacoadas, e o quato estão relacoadas, seja a vda prátca, seja em trabalhos de pesqusa,

Leia mais

Análise de Regressão

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

Leia mais

3. TESTES DE QUALIDADE DE AJUSTAMENTO

3. TESTES DE QUALIDADE DE AJUSTAMENTO Testes da qualdade de ajustameto 3 TESTES DE QULIDDE DE JUSTMENTO 3 Itrodução formação sobre o modelo da população dode se extra uma amostra costtu, frequetemete, um problema estatístco forma da dstrbução

Leia mais

CAPÍTULO 2 - Estatística Descritiva

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

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Índice Geral de Cursos (IGC)

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Índice Geral de Cursos (IGC) Isttuto Nacoal de Estudos e Pesqusas Educacoas Aíso exera INEP stéro da Educação EC Ídce Geral de Cursos (IGC) O Ídce Geral de Cursos (IGC) é ua éda poderada dos cocetos dos cursos de graduação e pós-graduação

Leia mais

A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes

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

Leia mais

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

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

Leia mais

Momento Linear duma partícula

Momento Linear duma partícula umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Mometo lear de uma partícula e de um sstema de partículas. - Le fudametal da dâmca para um sstema de partículas. - Impulso

Leia mais

ANÁLISE DE REGRESSÃO LINEAR COM MODELO DIFUSO

ANÁLISE DE REGRESSÃO LINEAR COM MODELO DIFUSO ANÁLISE DE REGRESSÃO LINEAR COM MODELO DIFUSO Slva, Glso Mederos e; Bastos, Rogéro Cd; Marts, Aleadro * ; Pacheco *, Roberto C. S.; Programa de Pós-Graduação em Egehara de Produção PPGEP Uversdade Federal

Leia mais

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

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

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

Estatística. 2 - Estatística Descritiva

Estatística. 2 - Estatística Descritiva Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA

Leia mais

Universidade Federal do Rio Grande FURG. Instituto de Matemática, Estatística e Física IMEF Edital 15 CAPES INTERPOLAÇÃO

Universidade Federal do Rio Grande FURG. Instituto de Matemática, Estatística e Física IMEF Edital 15 CAPES INTERPOLAÇÃO Uversdade Federal do Ro Grade FURG Isttuto de Matemátca, Estatístca e Físca IMEF Edtal CAPES INTERPOLAÇÃO Pro. Atôo Mauríco Mederos Alves Proª Dese Mara Varella Martez Matemátca Básca ara Cêcas Socas II

Leia mais

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual

Leia mais

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

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

Leia mais

Probabilidade e Estatística. Correlação e Regressão Linear

Probabilidade e Estatística. Correlação e Regressão Linear Probabldade e Estatístca Correlação e Regressão Lnear Varáves Varável: característcas ou tens de nteresse de cada elemento de uma população ou amostra Também chamada parâmetro, posconamento, condção...

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole Teora da Correlação: Probleas relatvos à correlação são aqueles que procura estabelecer quão be ua relação lear ou de outra espéce descreve ou eplca a relação etre duas varáves. Se todos os valores as

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

CAPÍTULO 5: AMOSTRAGEM

CAPÍTULO 5: AMOSTRAGEM CAPÍTULO 5: AMOSTRAGEM 5. Itrodução A estatístca dutva busca trar coclusões probablístcas ou fazer ferêcas, sobre populações, com base em resultados verfcados em amostras retradas dessas populações. Além

Leia mais

Critérios de correção e orientações de resposta exame

Critérios de correção e orientações de resposta exame Mstéro da Cêca, Tecologa e Eso Superor U.C. 1037 Elemetos de Probabldade e Estatístca 1 de Juho de 011 Crtéros de correção e oretações de resposta eame Neste relatóro apresetam-se os crtéros e um eemplo

Leia mais

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

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

Leia mais

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( )

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( ) NÚMEROS COMPLEXOS Forma algébrca e geométrca Um úmero complexo é um úmero da forma a + b, com a e b reas e = 1 (ou, = -1), chamaremos: a parte real; b parte magára; e udade magára. Fxado um sstema de coordeadas

Leia mais

VI - Integração Numérica

VI - Integração Numérica V - tegração Numérca C. Balsa & A. Satos. trodução São, este mometo, coecdos dos aluos métodos aalítcos para o cálculo do tegral dedo b ( d a sedo ( cotíua e tegrável o tervalo [ ab] ;. Cotudo, algumas

Leia mais

Notas de aula da disciplina Probabilidade e Estatística

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

Leia mais

A esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva.

A esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva. Dstrbução de Frequênca Tabela prmtva ROL Suponhamos termos feto uma coleta de dados relatvos à estaturas de quarenta alunos, que compõem uma amostra dos alunos de um colégo A, resultando a segunte tabela

Leia mais

Unidade II ESTATÍSTICA

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

Leia mais

Estatística Básica - Continuação

Estatística Básica - Continuação Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas

Leia mais