04/03/2016 UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS DA TERRA DEPARTAMENTO DE GEOMÁTICA AJUSTAMENTO I GA106. Prof. Alvaro Muriel Lima Machado

Tamanho: px
Começar a partir da página:

Download "04/03/2016 UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS DA TERRA DEPARTAMENTO DE GEOMÁTICA AJUSTAMENTO I GA106. Prof. Alvaro Muriel Lima Machado"

Transcrição

1 04/03/06 UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS DA TERRA DEPARTAMENTO DE GEOMÁTICA AJUSTAMENTO I GA06 Prof. Alvaro Murel Lma Machado Itrodução Meddas e Observações (processo ou operação X resultado da operação) Itrodução Propredades fudametas da medda: Medr sgfca realzar uma operação físca, cosstdo de váras operações elemetares tas como preparação, calbração, potara, letura, etc.; O resultado do processo é a observação, e represeta a medda; A ão ser a cotagem de certos evetos, a medda é sempre realzada com o auílo de strumetos; As meddas estão referecadas a um padrão, os quas são estabelecdos por coveção. Medr é etão comparar uma gradeza a um padrão, tedo etão udade e dmesão; 3

2 04/03/06 Itrodução As medções podem ser fetas: Dretamete d. tgα Idretamete h =. tg β tgβ tgα 4 Itrodução No processo de medção, o operador deve ter coscêca que ão este observação eata e todas as meddas estão afetadas por erros. 5 Itrodução Erros de Observação Não este observação eata; Toda e qualquer observação cotém erros; O valor verdadero da observação uca é cohecdo; A magtude eata dos erros presetes o processo é sempre descohecda. Erro = Valor Meddo Valor Verdadero Desvo = Valor Meddo Valor Mas Provável Qual a udade de erro / desvo? 6

3 04/03/06 Itrodução A Teora dos Erros cuda da aálse dos erros cometdos durate as medções para saber se eles são estatstcamete cofáves e se suas magtudes são acetáves (detro de determados lmtes). Em seguda as meddas devem ser ajustadas de acordo com as especfcações geométrcas ou outras partculardades (codções ou restrções) que possam terferr o processo de medção. Falmete obtém-se a melhor determação do poto meddo. 7 Itrodução Fotes de Erros Erros Istrumetas Erros Naturas Erros Pessoas Classfcação dos Erros de Observação Erros Grosseros Erros Sstemátcos Erros Acdetas ou Aleatóros 8 Erros Grosseros São orudos de uma falsa determação do valor de uma gradeza. Pode ser provocado pela falta de ateção do operador (equívoco), ou pelo uso de equpameto adequado. Eemplo: Troca de dígtos em aotações de meddas Podem ser detectados através de procedmetos de verfcação. Geralmete, os valores errados são faclmete detectáves devdo à sua gradeza, sem relação alguma com outras observações efetuadas. Quado sto ão acotece são muto dfíces de serem detfcados. ATENÇÃO 9 3

4 04/03/06 Erros Sstemátcos São orudos de fluêcas eteras às medções, sem serem cosderados o processo. Podem ser de orgem strumetal, ou de orgem físca (codções ambetas). Eemplos: Medda eletrôca de loga dstâca sem a cosderação do efeto da refração. Operador de ível que realza a letura sempre um pouco abao do traço da mra. Equpameto de medção ão calbrado. Este tpo de erro possu a partculardade de se repetr da mesma forma sempre que a medção for repetda em codções dêtcas. Pode ser elmado através de téccas especas de observação ou de modelo físco adequado para o cálculo da gradeza medda. 0 Erros Acdetas ou Aleatóros Depos da elmação dos erros grosseros (adoção de procedmetos de verfcação) e dos erros sstemátcos (adoção de modelos físcos aproprados), as observações repetdas sobre uma mesma gradeza ada se revelam com dscrepâcas etre s. Tas erros ão são vculados a ehuma causa cohecda. O erro acdetal é o erro estudado a Teora dos Erros! Erros Acdetas ou Aleatóros Quado a quatdade de observações cresce: Os resíduos de mesmo módulo e sas opostos são gualmete prováves; Os resíduos meores ocorrem com maor frequêca; A méda dos resíduos é apromadamete ula. Méda de resíduos dferete de zero deve servr de alerta para a preseça de erros sstemátcos! 4

5 04/03/06 Idcadores de Precsão Precsão X Acuráca (Eatdão) Precsão: Grau de afastameto dos valores meddos em relação a sua méda. Acuráca: Grau de afastameto dos valores meddos em relação ao seu valor verdadero. Precsão está vculado apeas a efetos aleatóros Acuráca vcula-se a efetos aleatóros e sstemátcos. 3 Itrodução Importâca da redudâca as observações Permte a detecção de erros grosseros através da cofrmação dos valores meddos; Permte uma avalação mas precsa das propredades desejadas, através da eecução de um ajustameto; Permte estmar a ordem de gradeza da precsão obtda para os valores ajustados. Graus de lberdade Eemplos com verfcação de erros de fechameto Nvelameto em polgoal fechada Somatóra de âgulos teros de polígoos Modelo Matemátco: fucoal e estocástco Ajustametos Método dos Mímos Quadrados (MMQ) 4 Estatístca L = [,7,3,9,6 3,,9,8 3,5,7 3,] Dado um cojuto de elemetos, quas as ferrametas estatístcas que podem ser usadas para represetar e aalsar o mesmo? 5 5

6 04/03/06 Estatístca População X Amostra A população cosste de todas as possíves meddas que podem ser fetas de uma quatdade partcular. As vezes a população tem um úmero fto de elemetos (dados); Amostra é um subcojuto de dados selecoado a partr da população. Deve apresetar as mesmas característcas (objeto de estudo) da população, de forma que possa represetá-la adequadamete. 6 Estatístca População Amostra Dstrbução de Probabldade (ou FDP) Parâmetros (valor fo) estmar Por potos Por tervalos Dstrbução Amostral Estatístcas (varável aleatóra) 7 Estatístca Espaço Amostral = Cojuto de todos os resultados possíves. Varável Aleatóra (v.a.) ou estocástca é uma fução que assoca a cada elemeto de um espaço amostral um úmero real. É uma fução que assume um valor real em cada poto de seu espaço amostral. A v.a. é defda pela sua dstrbução amostral, modelo matemátco que assoca uma probabldade a cada valor que a v.a. pode assumr. 8 6

7 04/03/06 Estatístca Itervalo /Dspersão / Ampltude: dfereça etre o maor e o meor valor da letura. Frequêca: quatdade de vezes que um eveto acotece. Frequêca Acumulada: somatóro das frequêcas. Porcetagem: calcula-se da segute maera frequêca 00% total Porcetagem Acumulada: somatóro das porcetages. 9 Estatístca Quado uma grade quatdade de dados brutos está evolvda os estudos, é possível dstrbuí-los em classes ou categoras e determar o úmero de dvíduos pertecetes a cada uma das classes, deomado freqüêca da classe. Um arrajo tabular dos dados por classes, jutamete com as freqüêcas correspodetes, é deomado dstrbução de freqüêca ou tabela de freqüêca. 0 Estatístca Hstograma: gráfco de barras que mostra a varação de uma medda em um grupo de dados através da dstrbução de frequêca. Seu prcpal uso é estmar a dstrbução de uma característca a população através de amostras. O hstograma demostra vsualmete a varabldade das meddas de uma característca do processo em toro da méda. Vatagem: Vsualzação/etedmeto rápdo do comportameto da população. 7

8 04/03/06 Eercíco Resolvdo Alturas de 00 estudates do seo masculo da Uversdade XYZ Altura (cm) Número de estudates TOTAL 00 Ampltude Classes Lmtes de classe Comprmeto de classe Frequêca Hstograma Como costrur um hstograma? ) Cote a quatdade de valores coletados a tabulação. ) Determe a ampltude R de toda a tabulação, subtrado o meor valor do maor. 3) Determe a quatdade de classes K desejada. 4) Determe o tervalo de classe H = R/K. 5) Determe o lmte das classes ou os potos lmtes. Smplfcado, tome a meor medda dvdual da tabulação para ser o valor feror do prmero tervalo. A este úmero acrescete o valor H e obterá o valor superor. Proceda da mesma forma com todos os outros valores até chegar à maor medda. 6) Costrua uma tabela de frequêca baseada os valores defdos o passo 5 para os dados trabalhados o passo. 7) Costrua o hstograma baseado a tabela de frequêcas. 3 Eercíco A tabela abao mostra a dstrbução de frequêca dos saláros, em reas, de 65 empregados da Compaha X & Y. Com referêca a esta tabela, determar: Saláros (Reas) Número de empregados 500,00 599, ,00 699, ,00 799, ,00 899, ,00 999, ,00 099, ,00 99,00 TOTAL 65 a) O lmte feror da seta classe; b) O lmte superor da quarta classe; c) O poto médo da tercera classe; d) Os lmtes reas da quta classe; e) Ampltude do quto tervalo de classe; f) A frequêca da tercera classe; g) A frequêca relatva da tercera classe; h) O tervalo de classe que tem a maor frequêca (classe modal); ) A porcetagem de empregados que gaham meos de R$800,00; j) A porcetagem de empregados que gaham acma de R$599,00 e abao de R$000,00; k) Costrur a dstrbução de frequêca acumulada. 4 8

9 04/03/06 Eercíco Resolvdo 5 Eercíco Resolvdo k) Costrur a dstrbução de frequêca acumulada. 6 Eercíco Na tabela segute estão relacoados os pesos de quareta estudates do seo masculo da Uversdade Estadual, arredodados para meo qulo. Costrur o hstograma e hstograma de frequêca relatva, cosderado 6 classes ,5 74,5 78, , ,5 59,5 77 8, ,5 7 73,5 67,5 76, ,5 80,5 7,5 67, ,

10 04/03/06 Eercíco Resolvdo 8 Eercíco Resolvdo 9 Estatístca Meddas de tedêca cetral Méda artmétca M N N = = Medaa: é o valor que ocupa o poto termedáro. (separatrzes: quarts, decs, percets) Moda: o valor que mas frequetemete se repete. 30 0

11 04/03/06 Estatístca Eemplo: Seja uma amostra de tamaho. A sua méda artmétca é = = Se cada um dos r valores dsttos de ocorrer a amostra com uma frequêca j, a fórmula ateror assumrá a forma = r j= j j r j j. j sedo f j = a frequêca relatva. j= = f 3 Eercíco p() 0 0,00 0,00 0,00 3 0, ,00 5 0, ,80 7 0, ,50 9 0,0 0 0,00 3 Estatístca Meddas de dspersão Varâca da população Varâca da amostra ε = = v = s = Varâca evolve soma de quadrados udade dferete dos dados 33

12 04/03/06 Estatístca Meddas de dspersão Erro padrão ε = = Desvo padrão s = = v Desvo padrão da méda s = v = = ( ) s 34 Meddas de dspersão Curva ormal reduzda = 0 = z = 35 Eercíco O cojuto de dados, mostrado abao, represeta a porção em segudos de arco de 50 meddas de uma dreção. Calcular a méda, a medaa, desvo padrão da amostra e costrur um hstograma de classes. L(0:0) = [ ]; L(:0) = [ ]; L(:30) = [ ]; L(3:40) = [ ]; L(4:50) = [ ]; 36

13 04/03/06 Eercíco Resolvdo fucto [classe, frequeca] = hsto(observacoes, umeroclasses) ampltude = ma(observacoes) - m(observacoes); TamahoClasse = ampltude / umeroclasses; MetadeTamahoClasse = TamahoClasse/; for K = : umeroclasses LmteIferorClasse(K) = m(observacoes) +(K-)*TamahoClasse; LmteSuperorClasse(K) = LmteIferorClasse(K) + TamahoClasse; frequeca(k) = legth(observacoes((lmteiferorclasse(k)<=observacoes) & (observacoes<lmtesuperorclasse(k)))); classe(k) = LmteIferorClasse(K) + MetadeTamahoClasse; ed; plot(classe, frequeca) 37 Eercíco Resolvdo fucto [sada] = medaa(dados) % Fução que calcula a medaa % Tamaho do cojuto de dados m = legth(dados); % Classfcação ascedete dos dados dados_em_ordem = sort(dados); % Qtde de elemetos do cojuto é par ou mpar? f (mod(m,) == 0) sada = (dados_em_ordem(m/)+dados_em_ordem(m/+))/; else sada = dados_em_ordem(cel(m/)); ed 38 Eercíco Resolvdo 39 3

14 04/03/06 Eercíco Duas varáves, X e Y, assumem os valores X =, X = -5, X 3 = 4, X 4 = -8, e Y = -3, Y = -8, Y 3 = 0, Y 4 = 6, respectvamete. Calcular: a) ΣX = X ; b) ΣY; c) ΣXY d) ΣX ; e) ΣY ; f) (ΣX)(ΣY); g) ΣXY ; h) Σ((X+Y)(X-Y)). 40 Eercíco Resolvdo a)σx; X X - (X - ) Σ = -7 = -,75 3,75-3,5 5,75-6,5 4,065 0,565 33,065 39,065 Σ = 96,75 = N = ( X ) N 96,75 = = 3,5 3 4 Eercíco Resolvdo 4 4

15 04/03/06 Eercíco Prove que a soma dos desvos de X, X,..., X em relação à sua méda artmétca M, é gual a zero. N = = N X N = N = X N = X N = 0 N N X = 0 = = N = ( X ) = 0 43 Eercíco Um dstacômetro eletrôco e um refletor foram stalados os etremos de uma lha de base com 500m de etesão apromadamete. Um operador repetu 5 vezes a medda de seu comprmeto e obteve os segutes resultados: L(0:05) = [ ]; L(06:0) = [ ]; L(:5) = [ ]; L(6:0) = [ ]; L(:5) = [ ]; Pede-se: a) A méda, medaa e o desvo padrão dos dados; b) Costrur um hstograma dos dados e descrever suas propredades. No hstograma delmte o desvo padrão a partr da méda em ambos os lados; c) Quatas observações estão etre a méda e o desvo padrão? (M±s), e qual a percetagem que estas meddas represetam? 44 Eercíco Resolvdo 45 5

16 04/03/06 Eercíco Resolvdo * 68,6% * 95,45% 3* 99,73% 46 Eercíco Uma dstâca fo medda em duas partes com uma fta de aço de 00m de comprmeto, e depos, fo medda em sua totaldade com uma fta de aço de 00m. As meddas foram repetdas 0 vezes em cada método obtedo os segutes cojutos de dados: Observações fetas com a fta de aço de 00m: (parte e parte ) { } { } Observações fetas com a fta de 00m: (meddas do total) { } Pede-se: a) A méda, a varâca e o desvo padrão para cada um dos dos cojutos das meddas parcas de dstâca, e também para os cojutos das meddas cosderado-se a dstâca total; b) Cre uma tabela de classes de frequêca e hstograma para cada cojuto de dados usado a largura da classe 0,009 (9mm). 47 Eercíco Resolvdo 48 6

17 04/03/06 Eercícos Um pesqusador realzou um levatameto obtedo 84 observações sobre uma gradeza com méda 65,00. Após, verfcou que duas destas observações, com meddas 95,5 e 05,8, estavam comprometdas. Deseja-se elmar estas duas meddas e calcular o valor da méda. Sabedo-se que a varâca de todas as observações é 4,590, qual va ser o valor da ova varâca (cojuto de observações sem as meddas comprometdas)? 49 Eercícos Um pesqusador realzou um levatameto obtedo 84 observações sobre uma gradeza com méda 65,00. Após, verfcou que duas destas observações, com meddas 95,5 e 05,8, estavam comprometdas. Deseja-se elmar estas duas meddas e calcular o valor da méda. Sabedo-se que a varâca de todas as observações é 4,590, qual va ser o valor da ova varâca (cojuto de observações sem as meddas comprometdas)? 50 Eercícos Em uma sttução bacára, o saláro médo dos 00 empregados do seo masculo é de R$.500,00, com desvo padrão de R$00,00. O saláro médo dos 50 empregados do seo femo é de R$.000,00, com desvo padrão de R$00,00. A varâca em (R$) dos dos grupos reudos é de: (BACEN, 005) a) 5.600,00; b) 8.000,00; c) ,00; d) 6.500,00; e) ,00 5 7

18 04/03/06 Eercícos Em uma sttução bacára, o saláro médo dos 00 empregados do seo masculo é de R$.500,00, com desvo padrão de R$00,00. O saláro médo dos 50 empregados do seo femo é de R$.000,00, com desvo padrão de R$00,00. A varâca em (R$) dos dos grupos reudos é de: (BACEN, 005) a) 5.600,00; b) 8.000,00; c) ,00; d) 6.500,00; e) ,00 5 Eercícos Em uma sttução bacára, o saláro médo dos 00 empregados do seo masculo é de R$.500,00, com desvo padrão de R$00,00. O saláro médo dos 50 empregados do seo femo é de R$.000,00, com desvo padrão de R$00,00. A varâca em (R$) dos dos grupos reudos é de: (BACEN, 005) a) 5.600,00; b) 8.000,00; c) ,00; d) 6.500,00; e) ,00 53 Estatístca Dstrbução de probabldade de uma v.a. dscreta Seja X uma v.a. dscreta, sto é, que assume valores em assocação com úmeros teros,,...,. Assocemos a cada um úmero p( ) represetatvo da sua probabldade. tal que a) 0 p() b) p( ) = = p( ) = P(X = ) c) P(a X b) = p ( ) tal que a X b. 54 8

19 04/03/06 Estatístca Dstrbução de probabldade de uma v.a. cotíua Seja X uma v.a. cotíua. A probabldade potual assocada à varável dscreta é substtuída pela desdade de probabldade φ() relatva a um tervalo ftésmo. φ()d = P( X +d) ou ϕ( ) = lm 0 tal que a) φ() 0 P( X + ) b) + ϕ( ). d = c) P(a X b) = b ϕ().d a 55 Estatístca A fução φ que estabelece a correspodêca etre um valor da v.a. cotdo o tervalo elemetar e a desdade de probabldade é deomada fução desdade de probabldade (fdp). P( X ) ϕ( ). d = 56 Estatístca Fução de dstrbução de probabldade acumulada A fução φ tal que ϕ( ) = P( X ) = ϕ( u). du chama-se fução de dstrbução (de probabldade) acumulada (fda) de uma v.a. cotíua X. 57 9

20 04/03/06 Eercíco A méda dos dâmetros teros de uma amostra de 00 arruelas produzdas por uma certa máqua é 0,50 cm e o desvo padrão é 0,005 cm. A faldade para a qual essas arruelas são fabrcadas permte a tolerâca máma, para o dâmetro de 0,496cm a 0,508cm; se sso ão se verfcar, as arruelas serão cosderadas defetuosas. Determar a percetagem de arruelas defetuosas produzdas pela máqua, admtdo-se que os dâmetros são dstrbuídos ormalmete. Curva ormal reduzda = 0 = z = 58 Eercíco Resolvdo 59 Eercíco O peso médo de 500 estudates do seo masculo, de uma determada uversdade, é 75,5kg e o desvo padrão é 7,5kg. Admtdo-se que os pesos estão dstrbuídos ormalmete, com largura de classe cosderada de 0,5kg, determar quatos estudates pesam: a) Etre 60,0kg e 77,5kg; b) Mas do que 9,5kg; c) Meos do que 64,0kg; d) 64,0kg; e) 64,0kg ou meos; 60 0

21 04/03/06 Eercíco Resolvdo 6 Eercíco Resolvdo 6 Eercíco Resolvdo 63

22 04/03/06 Eercíco Resolvdo 64 Eercíco Resolvdo 65 Eercíco Uma varável aleatóra cotíua X, que pode assumr somete valores compreeddos etre e 8, clusve, tem uma fução de desdade de probabldade dada por a*(x+3), em que a é uma costate. a) Calcular o valor de a; b) Determar Prob{3<X<5} c) Determar Prob{X 4} d) Determar Prob{ X-5 <0,5} 66

23 04/03/06 Eercíco Resolvdo = a) P ( a X b) ϕ( ). d b a b) Prob{3<X<5} = 67 Eercíco Resolvdo 8 c) Prob{X 4} = a *( X + 3)* d 4 d) Prob{ X-5 <0.5} = Prob{4,5<X<5,5} 68 Eercíco Resolvdo Usado a tabela de dstrbução ormal reduzda, determar de tal forma que: a) P(0 X ) d) P(X ) b) P(- X ) e) P(X - ou X ) c) P(X ) Elaborar uma tabela com 9 lhas cotedo todas as probabldades de 5% a 95%, em cremetos de 5%. 69 3

24 04/03/06 Eercíco Resolvdo a) P(0 X ) d) P(X ) b) P(- X ) e) P(X - ou X ) c) P(X ) 70 Dstrbuções Fução de dstrbução ormal (Gauss) e f ( ) = π 7 Dstrbuções Fução de dstrbução t (Studet) É usada para comparar a méda da população com a méda da amostram com base o úmero de graus de lberdadeν da amostra. Esta dstrbução é dcada quado a amostra é meor do que 30 (pequeas amostras). Assm ela é muto mportate para aalsar dados de levatametos. t = z χ ν 7 4

25 04/03/06 Dstrbuções Fução de dstrbução t (Studet) Para pequeas amostras a dstrbução ormal apreseta valores meos precsos. A prcpal dfereça etre a dstrbução ormal e a t de Studet é que esta tem mas área as caudas. 73 Dstrbuções Fução de dstrbução Ch-Quadrado χ Compara a relação etre a varâca da amostra s e a varâca da população com base o úmero de redudâcas ou graus de lberdade ν da amostra. χ s ν. = 74 Dstrbuções Fução de dstrbução Ch-Quadrado χ A dstrbução Ch-Quadrado é usada as amostrages estatístcas para determar o lmte (superor e/ou feror) o qual a varâca da população pode ser esperada a ocorrer com base em: a) Alguma porcetagem de probabldade especfcada; b) A varâca da amostra; c) O úmero de graus de lberdade da amostra. 75 5

26 04/03/06 Dstrbuções Fução de dstrbução F (Sedecor) Esta dstrbução é usada quado se quer comparar a varâca de duas amostras. χ / ν F = χ / ν 76 Estmatva de Parâmetros (Estmação) A estmatva de um parâmetro populacoal, dada por um úmero úco, é deomada estmatva por potos. A estmatva de um parâmetro populacoal, dada por dos úmeros, etre os quas pode-se cosderar que ele esteja stuado, é deomado estmatva por tervalos. As estmatvas por tervalos dcam sua precsão e são, portato, preferíves às estmatvas por potos. Eemplo: Dzedo-se que uma dstâca fo observada com 5,8m, está se apresetado uma estmatva por potos. Se, por outro lado, se dsser que a dstâca mede 5,8±0,03m, sto é, que ela está compreedda etre 5,5 e 5,3m, detro de uma certa probabldade, apreseta-se uma estmatva por tervalos. 77 Eercícos Um âgulo fo meddo dez vezes, coforme a tabela. Calcule as estmatvas potual e por tervalo. ESTIMATIVA PONTUAL a) Méda b) Erro Médo Quadrátco de uma observação solada c) Erro Médo Quadrátco da Méda Observação Âgulo (a ) 0 3' 40," 0 3' 4," 3 0 3' 40,8" 4 0 3' 4," 5 0 3' 4,9" 6 0 3' 4,4" 7 0 3' 43,0" 8 0 3' 40,7" 9 0 3' 4,9" 0 0 3' 4,5" 78 6

27 04/03/06 Eercícos Teste ulateral Teste blateral 79 Eercícos O ível de sgfcâca é represetado pela letra grega α (usualmete epresso em porcetagem α*00%). Idca a probabldade de erro. O ível de cofaça é o complemeto do ível de sgfcâca (-α)*00%, e dca a probabldade de certeza as ferêcas estatístcas. 80 Eercícos ESTIMATIVA POR INTERVALO a) Itervalo de cofaça para a méda (em fução do desvo padrão) ˆ P t ˆ + [ α / t α / ] = α Desvo padrão da méda 8 7

28 04/03/06 Eercícos ESTIMATIVA POR INTERVALO a) Itervalo de cofaça para a méda (em fução do desvo padrão) ˆ P t ˆ + [ α / t α / ] = α 8 Eercícos ESTIMATIVA POR INTERVALO b) Itervalo de cofaça para a varâca ˆ ( ) ˆ ( ) P[ Cauda χ α / χ superor α / ] = α Graus de lberdade Cauda feror 83 Eercícos ESTIMATIVA POR INTERVALO b) Itervalo de cofaça para a varâca ˆ ( ) ˆ ( ) P[ ] = α χ χ α / α / 84 8

29 04/03/06 Eercícos Um âgulo fo meddo em quatro etapas. Tomado pesos proporcoas ao úmero de observações, estmar o valor do âgulo e sua precsão. ESTIMATIVA PONTUAL a) Méda poderada Âgulo Observações Peso b) Erro Médo Quadrátco de uma observação solada ( pv ) m = ˆ = = c) Erro Médo Quadrátco da Méda Poderada ˆ m ˆ = = p 85 Eercícos ESTIMATIVA POR INTERVALO a) Itervalo de cofaça para a méda poderada P[ ˆ α + ˆ t / tα / ] = α 86 Eercícos ESTIMATIVA POR INTERVALO b) Itervalo de cofaça para a varâca pv P χ pv ] = α χ [ α / α / 87 9

30 04/03/06 Estatístca Esperaça Matemátca de uma v.a. Defe-se valor esperado, valor médo, epectâca, esperaça matemátca, ou smplesmete esperaça de uma v.a. cotíua X por + E{ X} = =. ϕ( ). d De maera aáloga defe-se a esperaça de uma fução de v.a. f(x) + E{ f ( X )} = = f ( X ). ϕ( ). d Esperaça matemátca de uma v.a. dscreta E{ X} =. p( = ) 88 Estatístca f ) E{X } Se e p( Propredades da esperaça matemátca: a) Sedo C e C costates E{C} = C; E{CX} = CE{X}; E{C+C X} = C+C E{X} b) E{X+Y+...+Z} = E{X} + E{Y} E{Z} E{CX+C Y} = CE{X} + C E{Y} c) E{XY} = E{X}. E{Y} +cov(xy) d) E{E{X}} = E{X} e) E{X } (E{X}) 89 Estatístca Mometo de ordem r de uma v.a. em relação à sua esperaça matemátca (mometo cetrado) é defdo como: M r r r = E{( X ) } = + ( ). Φ( ). d Tem partcular mportâca o mometo de seguda ordem ou VARIÂNCIA (r = ) var( X ) = = E{( X ) } = + = ( ). Φ( ). d ( ). p( ) (v.a.c.) (v.a.d.) 90 30

31 04/03/06 Eercíco ) Se um homem adqurr um blhete de lotera, poderá gahar um prmero prêmo de R$5000,00 ou um segudo de R$000,00, com as probabldades de 0,00 e de 0,003. Qual será o preço justo a pagar pelo blhete? ) Em uma certa especulação comercal, um homem pode ter um lucro de R$3000,00, com a probabldade de 0,6, ou um prejuízo de R$000,00, com a probabldade de 0,4. determar sua esperaça. 3) Qual é o preço justo a pagar para etrar em um jogo o qual se pode gahar R$5,00 com probabldade de 0, e R$0,00 com probabldade de 0,4? 4) Quato devera ser o valor do premo da megasea de forma que o preço justo a pagar para um jogo smples a MegaSea (6 úmeros) seja gual ao valor de aposta = R$,50? Probabldade de acerto = / Eercícos Probabldade (%) Fator de Sgma ,7 99,9 0,6745,645,960,576,968 3,9 Um observador realzou dversas medções de um objeto (dstrbução ormal) obtedo: L(0:05) = [.,.5,.3,.5,.3]; L(06:0) = [.,.9,.34,.,.4]; L(:5) = [.9,.5,.7,.0,.5]; Verfque se este alguma observação que possa ser rejetada por estar fora do ível de eatdão de 95,0%. 9 MVC Varável Aleatóra Bdmesoal Seja X o resultado de um epermeto e Y de um segudo epermeto, ambos com varâca própra. = E {( X ) } = E {( Y ) } X X Podemos agora defr a covarâca XY da v.a. bdmesoal para eprmr a correlação etre as duas compoetes, ou seja, o grau de depedêca etre as mesmas: cov( X, Y ) = = E{( X )( Y )} y Y y Y ou + = ( ).( y ). φ(, y). d dy y y. 93 3

32 04/03/06 MVC Desevolvedo a equação y = E {( X )( Y y )} y = E{ XY} + y E{ Y} ye{ X} y = E { XY}+ y y y = E { XY} y = E{ XY} E{ X}. E{ Y} y y Quado as compoetes são estatístcamete depedetes φ ( XY) = φ( X ). φ( Y) E{XY} = E{X}.E{Y} Quado as compoetes X e Y são estatístcamete depedetes a covarâca é ula, sem que a recíproca seja ecessaramete verdadera. y = 0 94 MVC Varável Aleatóra -Dmesoal Seja X = [... X ] T com cada represetado agora uma v.a. udmesoal. A esperaça matemátca da varável -dmesoal ou, em outras palavras, o vetor esperado E{X} da dstrbução -dmesoal, escreve-se: E{ } = E{ } = U = E{ X} = E M M M E{ } Cada compoete de X é uma v.a. udmesoal de varâca: = E {( ) } 95 MVC Varável Aleatóra -Dmesoal Temos assm varâcas,, L, (de cada uma das compoetes) e *(-) covarâcas etre os pares de compoetes de ídces dferetes ( j) cov(, ) = = E{( )( )} = j j j j j j 96 3

33 04/03/ MVC Matrz Varâca-Covarâca (MVC) As varâcas e as covarâcas ( j) das compoetes de uma varável -dmesoal X podem ser dspostas de maera a formar uma matrz quadrada ( ) que é dcada por j = X L L L L L L L L A matrz acma, smétrca, recebe o ome de matrz varâca-covarâca (MVC) ou smplesmete matrz covarâca (pos a varâca é um caso partcular da covarâca para =j). No caso das compoetes do vetor X serem depedetes etre s as covarâcas serão ulas e a MVC degeera uma matrz dagoal. 98 MVC Desevolvedo a epressão matrcal T U X U X ) )( ( ) )( ( ) )( ( ) )( ( ) )( ( ) )( ( ) )( ( ) )( ( ) )( ( ) )( ( L LLLL L LLLL LLLL L L o que os permte escrever } ) )( {( T X U X U X E = [ ] L M 99 MVC Obs.: Sempre que as varâcas da v.a. forem ftas a correspodete MVC será postva semdefda, sto é 0 )..( X MVC X T Propredades de matrz postva semdefda: Autovalores ão egatvos ( 0) Elemetos dagoas ão egatvos ( 0) Matrz smétrca para todos os vetores X Х

34 04/03/06 MVC As segutes matrzes NÃO podem ser matrzes de varâca e covarâca 3 4 A = B = C = 6 6 D = 3 5 E = [ 5 4 ] Covarâca é uma medda do grau de correlação estete etre duas compoetes quasquer de uma fução -dmesoal. 00 MVC Coefcete de Correlação Lear Chama-se coefcete de correlação lear o coefcete (admesoal) que descreve a depedêca lear etre as duas compoetes da v.a. bdmesoal. y ρ y =. y ρ Demostra-se que y + 0 MVC ρ y = Podemos afrmar que há uma perfeta relação lear etre X e Y ou, em outras palavras, que Y é uma fução lear de X. Ver fguras (a) e (b). ρ y = 0 Dzemos que as varáves ão são correlacoadas (X e Y ão tedem a varar jutas (fgura (c)), mas sso ão sgfca ecessaramete que as compoetes sejam depedetes estatístcamete. 0 34

35 04/03/ MVC 04 Matrz dos Coefcetes de Correlação A partr da MVC pode-se calcular a matrz dos coefcetes de correlação j j j R ρ ρ ρ ρ ρ ρ ρ ρ ρ ρ = = L L L L L L L L 05 MVC Correlação estatístca = = = = y y y y y, ) ( ) ( ) )( ( = = = = = = = = y y y y y, ) ( ) (

36 04/03/06 Eercícos Implemetar uma rota (fucto) em FreeMat que calcule a Matrz dos Coefcetes de Correlação, a partr da MVC. fucto [sada] = ome (etrada) fucto [CoefCor] = coefcor(mvc); [Lma,Cma] = sze(mvc); for L = :Lma for C = :Cma f (L==C) CoefCor(L,C) = ; else CoefCor(L,C) = mvc(l,c)/sqrt(mvc(l,l)*mvc(c,c)); ed; ed; ed; 06 Eercícos Dos estudates dscutem sobre quem realza a melhor medção de um âgulo. Para resolver a dsputa, ambos cocordam em medr um determado âgulo quze vezes. Os resultados das observações são: (Etraído de GHILANI, C. D. Adjustmet Computatos Spatal Data Aalyss. Joh Wley & Sos, Ic, New Jersey, 00. Ffth ed, pp 3) Aluo A Aluo B Eercícos ) Calcular a méda, medaa, desvo padrão, varâca, desvo padrão da méda: a) [6,, 4, 5, 3]; b) [6, 4, 5, 3,, 5]; c) [5, 7, 3, 6,, 9]; d) [8, 4, 3, 6, 5, 7, ]; ) Um operador eecuta uma determada atvdade em tempo médo de mutos e desvo padrão de,5 mutos, com dstrbução ormal. Qual é a probabldade de que este operador leve etre 0 mutos e 5 mutos para eecutar a atvdade? 08 36

37 04/03/06 Eercícos 3) Supoha que uma fábrca teha estabelecdo que a vda méda dos peus para automóves, de sua fabrcação, é de km rodados, com um desvo padrão de 3.000km. Supoha ada que o tempo de duração dos peus seja uma v.a. ormalmete dstrbuída. a) Se a fábrca oferecer uma garata de km, em codções ormas de uso do veículo, qual é a probabldade de que um peu veddo teha de ser substtuído? b) Qual qulometragem a fábrca deve oferecer como garata, para que ehum peu veddo teha de ser substtuído? c) A fábrca está teressada em melhorar a qualdade dos peus e, para sso, está estudado a possbldade de se aumetar a duração méda dos peus. Qual devera ser a duração méda para que, com uma garata de km, somete % dos peus veddos teham de ser trocados? 09 Eercícos 4) Um fabrcate de refrgerates vede um de seus produtos egarrafados em vaslhames de ltro. Para egarrafar este produto é utlzada uma máqua que, calbrada, permte obter o volume desejado, segudo uma dstrbução ormal, com um desvo padrão de 30ml. a) Se o Órgão Fscalzador do Govero (OFG) faz a egêca de que ão mas de 8% das garrafas teham um volume meor do que o omal, em quato deve ser regulada a máqua para que o fabrcate ão seja autuado? b) Se a máqua for calbrada para colocar,035ml de líqudo o vaslhame, qual a porcetagem de vaslhames que ão estarão atededo às especfcações do OFG? c) Para qual valor deve ser ajustada a precsão da máqua, para que estado calbrada em.350ml, as especfcações do OFG sejam ateddas? 0 Eercícos 5) Foram observados os tempos de duração do tervalo para o cafezho, para uma amostra de 0 empregados de uma grade empresa (000 fucoáros), obtedo-se os segutes resultados, em mutos: [ ] [ ] Supodo a varável tempo dstrbuída segudo uma Normal: a) Ecotre a méda e a varabldade estmadas do tempo de duração do tervalo para o cafezho dos fucoáros desta empresa. Ecotre, ada, tervalos de 90% de cofaça para a méda e a varâca. b) Quatos fucoáros da empresa terão o tempo de duração do tervalo para o cafezho maor que 0 mutos? 37

38 04/03/06 Eercícos 6) Um fabrcate de lâmpadas afrma que o tempo de duração do seu produto, em horas, é dstrbuído apromadamete ormal. Se uma amostra aleatóra de 30 lâmpadas teve tempo de vda médo de 780 horas, com desvo padrão de 40 horas, ecotre um tervalo de 95% de cofaça para o tempo médo de vda das lâmpadas desta fábrca. 7) Um aluo de egehara cartográfca realzou um levatameto fazedo observações de duas v.a., obtedo os segutes resultados: = [ ] y = [ ] Deseja-se saber se este correlação (estatístca) etre as varáves e y, e o valor do coefcete de correlação lear. Eercícos ) Calcular a méda, medaa, desvo padrão, varâca, desvo padrão da méda: a) [6,, 4, 5, 3]; b) [6, 4, 5, 3,, 5]; c) [5, 7, 3, 6,, 9]; d) [8, 4, 3, 6, 5, 7, ]; 3 Eercícos ) Um operador eecuta uma determada atvdade em tempo médo de mutos e desvo padrão de,5 mutos, com dstrbução ormal. Qual é a probabldade de que este operador leve etre 0 mutos e 5 mutos para eecutar a atvdade? 4 38

39 04/03/06 Eercícos 3) Supoha que uma fábrca teha estabelecdo que a vda méda dos peus para automóves, de sua fabrcação, é de km rodados, com um desvo padrão de 3.000km. Supoha ada que o tempo de duração dos peus seja uma v.a. ormalmete dstrbuída. a) Se a fábrca oferecer uma garata de km, em codções ormas de uso do veículo, qual é a probabldade de que um peu veddo teha de ser substtuído? b) Qual qulometragem a fábrca deve oferecer como garata, para que ehum peu veddo teha de ser substtuído? c) A fábrca está teressada em melhorar a qualdade dos peus e, para sso, está estudado a possbldade de se aumetar a duração méda dos peus. Qual devera ser a duração méda para que, com uma garata de km, somete % dos peus veddos teham de ser trocados? 5 Eercícos 6 Eercícos 4) Um fabrcate de refrgerates vede um de seus produtos egarrafados em vaslhames de ltro. Para egarrafar este produto é utlzada uma máqua que, calbrada, permte obter o volume desejado, segudo uma dstrbução ormal, com um desvo padrão de 30ml. a) Se o Órgão Fscalzador do Govero (OFG) faz a egêca de que ão mas de 8% das garrafas teham um volume meor do que o omal, em quato deve ser regulada a máqua para que o fabrcate ão seja autuado? b) Se a máqua for calbrada para colocar.035ml de líqudo o vaslhame, qual a porcetagem de vaslhames que ão estarão atededo às especfcações do OFG? c) Para qual valor deve ser ajustada a precsão da máqua, para que estado calbrada em.035ml, as especfcações do OFG sejam ateddas? 7 39

40 04/03/06 Eercícos 8 Eercícos 5) Foram observados os tempos de duração do tervalo para o cafezho, para uma amostra de 0 empregados de uma grade empresa (000 fucoáros), obtedo-se os segutes resultados, em mutos: [ ] [ ] Supodo o tempo v.a. em coformdade com a dstrbução Normal para pequeas amostras (t-studet) a) Ecotre a méda e a varabldade estmadas do tempo de duração do tervalo para o cafezho dos fucoáros desta empresa. Ecotre, ada, tervalos de 90% de cofaça para a méda e a varâca. b) Nestas codções, quatos fucoáros da empresa terão o tempo de duração do tervalo para o cafezho maor que 0 mutos? 9 Eercícos 0 40

41 04/03/06 Eercícos 5a) Cauda superor ˆ ( ) ˆ ( ) P[ ] = α χ χ α / α / Graus de lberdade Cauda feror Eercícos Eercícos 6) Um fabrcate de lâmpadas afrma que o tempo de duração do seu produto, em horas, é dstrbuído apromadamete ormal. Se uma amostra aleatóra de 30 lâmpadas teve tempo de vda médo de 780 horas, com desvo padrão de 40 horas, ecotre um tervalo de 95% de cofaça para o tempo médo de vda das lâmpadas desta fábrca. 7) Um aluo de egehara cartográfca realzou um levatameto fazedo observações de duas v.a., obtedo os segutes resultados: = [ ] y = [ ] Deseja-se saber se este correlação (estatístca) etre as varáves e y, e o valor do coefcete de correlação lear. 3 4

42 04/03/06 Eercícos 7) Um aluo de egehara cartográfca realzou um levatameto fazedo observações de duas v.a., obtedo os segutes resultados: = [ ] y = [ ] Deseja-se saber se este correlação (estatístca) etre as varáves e y, e o valor do coefcete de correlação lear., y = = ( )( y y) ( ) = = ( y y) 4 Eercícos 8) Duas varáves amostras X e Y assumem os valores X =, X = 5, X 3 = 4, X 4 = 8, e Y = 3, Y = 7, Y 3 =, Y 4 = 6. Calcular: a) MVC(X*Y); b) MVC(X)*MVC(Y); c) Méda, medaa e desvo padrão de X; d) Méda, medaa e desvo padrão de Y. 5 Eercícos 9) Dada a MVC de três varáves aleatóras [3,,;,5,;,,4] (stae Freemat), determar quas duas varáves apresetam a maor correlação etre s, e qual o porcetual. (ver fução de cálculo do coefcete de correlação slde 0) 6 4

43 04/03/06 Eercícos 0) Uma dstâca fo medda cco vezes, coforme a tabela. Calcule as estmatvas potual e por tervalo de cofaça (95%). Observação Dstâca (m) 55,88 56, , , ,0 7 Eercícos 8 Eercícos 0a) Cauda superor ˆ ( ) ˆ ( ) P[ ] = α χ χ α / α / Graus de lberdade Cauda feror 9 43

44 04/03/06 Eercícos ) Para se ajustar a uma máqua, a correa deve ter etre 0.98 e,0m de comprmeto. Tedo em vsta o processo de fabrcação, o comprmeto dessas correas pode ser cosderado como uma varável aleatóra com dstrbução ormal de méda 00,3cm e desvo padrão 0,8cm. Perguta-se qual a probabldade de uma correa, escolhda ao acaso, poder ser usada a máqua? 30 Eercícos ) Um fabrcate de lâmpadas afrma que o tempo de duração do seu produto, em horas, é dstrbuído apromadamete ormal. Se uma amostra aleatóra de 00 lâmpadas teve tempo de vda médo de 780 horas, com desvo padrão de 40 horas, qual o maor tempo médo de vda das lâmpadas que o fabrcate pode oferecer garata sabedo-se que ele está dsposto a trocar até 5% das lâmpadas? 3 Eercícos 3) Uma turma de 50 aluos fez uma prova em tempo médo de,5horas, com desvo-padrão de 5 mutos. Perguta-se: a) Quatos aluos termarão a prova em hora,5 hora,,5 hora,,75 hora e,0 hora? 3 44

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

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

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

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

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

? 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

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

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

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

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

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

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

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

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

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

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

PROBABILIDADE E ESTATÍSTICA APLICADA À HIDROLOGIA

PROBABILIDADE E ESTATÍSTICA APLICADA À HIDROLOGIA UNIVERSIDADE DE ÉVORA DEPARTAMENTO DE ENGENHARIA RURAL PROBABILIDADE E ESTATÍSTICA APLICADA À HIDROLOGIA 0 ESTATÍSTICA E PROBABILIDADE APLICADA À HIDROLOGIA. Itrodução Nehum processo hdrológco é puramete

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

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

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

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

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

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

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

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

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

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

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

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

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. 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

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

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

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

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

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

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

Noções Básicas de Medidas e Algarismos Significativos

Noções Básicas de Medidas e Algarismos Significativos Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos

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

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

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

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

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

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

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

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

Leia mais

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

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

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

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

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

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística.

1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística. CAPÍTULO 7 VARIÁVEL ALEATÓRIA A probabldade teve íco com os jogos de azar (século XVII) com Cavalero de Nere, Fermat e Pascal, porém, coube a Beroull (73) laçar as bases da probabldade e a segur Laplace

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

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

a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.

a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9. Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),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

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

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

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

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

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

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

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

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

Econometria: 3 - Regressão Múltipla

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

Leia mais

Total Bom Ruim Masculino

Total Bom Ruim Masculino UNIDADE I - ESTUDO DIRIGIDO Questão - Classfque as varáves em qualtatva (omal ou ordal ou quattatva (cotíua ou dscreta: a. População: aluos de uma Uversdade. Varável: cor dos cabelos (louro, castaho, ruvo,

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

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

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

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

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

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

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

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

CEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias

CEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias CEDEPLAR - UFMG Nvelameto em Estatístca 3 Prof a Suel Moro Varáves aleatóras Varável aleatóra resultado ou produto de um epermeto aleatóro com um resultado úco. Varável resultado = Espaço amostral cojuto

Leia mais

Gráfico de Controle de Regressão Aplicado ao Monitoramento de Características da Qualidade do Eletrodo de Carbono

Gráfico de Controle de Regressão Aplicado ao Monitoramento de Características da Qualidade do Eletrodo de Carbono Gráfco de Cotrole de Regressão Aplcado ao Motorameto de Característcas da Qualdade do Eletrodo de Carboo Marcello Neva de Mello, evamarcello@gmal.com Wager Rogéro Ferrera Phero, wager35@gmal.com Edso Marcos

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

Organização; Resumo; Apresentação.

Organização; Resumo; Apresentação. Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado

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

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%

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

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

Apostila de Introdução Aos Métodos Numéricos

Apostila de Introdução Aos Métodos Numéricos Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste

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

APOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I

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

Leia mais

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero

Leia mais

Medidas de tendência central. Média Aritmética. 4ª aula 2012

Medidas de tendência central. Média Aritmética. 4ª aula 2012 Estatístca 4ª aula 2012 Meddas de tendênca central Ajudam a conhecer a analsar melhor as característcas de dados colhdos. Chamamos de meddas de tendênca central em decorrênca dos dados observados apresentarem

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

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

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se

Leia mais

Como CD = DC CD + DC = 0

Como CD = DC CD + DC = 0 (9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (

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

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Uma uversdade oferece um curso para capactação profssoal de joves caretes. Ao fal do curso, cada jovem partcpate será avalado por meo de uma prova teórca e de uma prova prátca,

Leia mais

TEORIA DE ERROS MEDIDAS E GRÁFICOS

TEORIA DE ERROS MEDIDAS E GRÁFICOS Uversdade Federal de Juz de Fora Isttuto de Cêcas Eatas Departameto de Físca TEORIA DE ERROS MEDIDAS E GRÁFICOS Prof. Carlos R. A. Lma Edção Março de 010 ÌNDICE CAPÍTULO 1 - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA

Leia mais

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO

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

Derivada de uma matriz em ordem a um escalar. Derivada de um escalar em ordem a uma matriz DERIVAÇÃO COM MATRIZES. Y = y m. X = x m X = y = = b.

Derivada de uma matriz em ordem a um escalar. Derivada de um escalar em ordem a uma matriz DERIVAÇÃO COM MATRIZES. Y = y m. X = x m X = y = = b. DEFINIÇÃO Dervada de uma matrz em ordem a um escalar [ ] Y = y m : ; y = f() z Y z = y : m z DEFINIÇÃO 2 Dervada de um escalar em ordem a uma matrz h = f( X ) ; [ ]: X = x m EXEMPLO [ y] h h m X = x :

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