Cláudio Tadeu Cristino 1. Julho, 2014

Save this PDF as:

Tamanho: px
Começar a partir da página:

Download "Cláudio Tadeu Cristino 1. Julho, 2014"

Transcrição

1 Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

2 Estimação Inferência Estatística A Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através de evidências fornecidas por uma amostra. É a amostra que contém os elementos que podem ser observados e, a partir daí, quantidades de interesse podem ser medidas. Alguns exemplos: Suponha que a quantidade de empresas que são abertas em um mês seja modelada como sendo uma variável de Poisson, mas desconhecemos a sua média (que é essencial para podermos calcular as probabilidades relacionadas). A variância no consumo de etanol no país é um importante indicador para tal consumo (que pode ser utilizado para programar de maneira ótima a produção e as exportações). C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

3 Parâmetros, Estimadores e Estimativas Parâmetros, Estimadores e Estimativas Para formalizar as ideias que serão apresentados nesta parte do curso, precisamos definir alguns conceitos: Definição As quantidades da população, em geral desconhecidas, sobre as quais temos interesse, são denominadas parâmetros e, usualmente, representadas por letras gregas, tais como θ, µ, σ. Por exemplo: Se a altura de uma população é modelada pela Normal, este modelo dependerá de dois parâmetros: a média, µ, e a variância, σ 2. Se as pontuações de um pessoa em dois tipos diferentes de provas são dadas por variáveis aleatórias com correlação desconhecidas, deve-se estimar esta grandeza. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

4 Parâmetros, Estimadores e Estimativas Parâmetros, Estimadores e Estimativas Definição Toda função de elementos de uma amostra é chamada estatística. Estas funções são utilizadas para produzir aproximações para os parâmetros da população (que são inacessíveis). Esta combinação dos elementos a amostra é denominada estimador do parâmetro de interesse. Como uma notação comum, escreve-se θ para um estimador do parâmetro θ. Aos valores numéricos assumidos pelos estimadores denominamos estimativas pontuais ou, simplesmente, estimativas. Matematicamente, escrevemos: para um parâmetro (ou grandeza de interesse) da população θ: θ = f(x 1,X 2,...,X n ), em que (X 1,X 2,...,X n ) é uma amostra de elementos da população e f é uma função adequada. Nesta caso, θ é um estimador de θ. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

5 Parâmetros, Estimadores e Estimativas Estimação - Exemplo Estimação - Exemplo Estimando a média Suponha que desejemos obter o salário médio, µ de pessoas entre 18 e 25 anos, residentes na Região Metropolitana de Recife. Qual seria o procedimento? A ideia é retirar (adequadamente) uma amostra da população com o perfil desejado e fazer uma estimação. Suponha que tenhamos uma amostra de tamanho 10, (X 1,X 2,...,X 10 ), e vamos observar algumas estatísticas que podem no ajudar: µ 1 = f 1 (X 1,...,X 10 ) = mínimo+máximo ; 2 µ 2 = f 2 (X 1,...,X 10 ) = X 1 ; µ 3 = f 3 (X 1,...,X 10 ) = X 1 +X 2 + +X = X. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

6 Parâmetros, Estimadores e Estimativas Estimação - Exemplo Estimação - Exemplo Estimando a média Se a amostra é dada por: 830,00 714,00 530, ,00 400,00 620,00 530,00 280,00 475,00 320,00 Tabela: Salário (em reais) de trabalhadores entre 18 e 25 anos, RMR (fictício). Temos: µ 1 = (280, ,00)/2 = 740,00. µ 2 = 830,00. µ 3 = (830, ,00)/10 = 589,90. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

7 Parâmetros, Estimadores e Estimativas Estimação - Exemplo Estimadores usuais Temos alguns estimadores naturais para certos parâmetros: X n = X 1 +X 2 + +X n a média amostral. n σ 2 = 1 n i=1 n 1 (X i X n ) 2, a variância amostral; número de ítens com a características na amostra p =. n C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

8 Parâmetros, Estimadores e Estimativas Como escolher um estimador? Como escolher um estimador? Definição Um estimador θ é dito não viciado ou não viesado para um parâmetro θ se E( θ) = θ. Se θ = f(x 1,...,X n ) é um estimador de θ, então o vício ou viés desse estimador é dado pelo valor b θ (n) = E( θ) θ. Definição Um estimador θ é dito consistente se as seguintes propriedades são satisfeitas: 1 lim n E( θ) = θ (ou seja, é assintoticamente não viciado); 2 lim n Var( θ) = 0 (tende a uma constante). C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

9 Parâmetros, Estimadores e Estimativas Como escolher um estimador? Precisão ou Exatidão? C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

10 Parâmetros, Estimadores e Estimativas Como escolher um estimador? Escolha de estimadores Definição Dados dois estimadores θ 1 e θ 2, ambos não viciados para um parâmetro θ, dizemos que θ 1 é mais eficiente do que θ 2 se Var( θ 1 ) < Var( θ 2 ). Tabela: Estimadores para a média (µ), proporção (p) e variância (σ 2 ). Parâmetro Estimador Propriedades µ X = (X 1 + +X n )/n não viciado/consistente p p = (freq.na amostra)/n não viciado/consistente σ 2 σ 2 S 2 = ( n i=1 X2 i nx2 ) /(n 1) não viciado/consistente σ 2 = ( n i=1 X2 i nx2 ) /n viciado e consistente C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

11 Distribuições Amostrais Distribuição de X e S 2 Nosso objetivo é determinar uma possível distribuição para a média amostral. Lembre-se: como X e S 2 são duas estatísticas (funções) de elementos de uma amostra, tal média e tal variância amostrais podem ser vistas como variáveis aleatórias, possuindo, portanto, função de distribuição, esperança e variância, etc... Estas medidas qualificam a média e a variância amostral. Exemplo Suponha que estejamos interessados em estudar o número de contaminações pela dengue em nossa cidade. A ANVISA - Ag. Nac. de Vigilância Sanitária, informa que em Recife as probabilidades de número de infecções de uma pessoa pelo vírus da dengue é: X P(X = x) 0,10 0,25 0,35 0,30 Tabela: Número de infecções de uma mesma pessoa pelo vírus da dengue em Recife (dados fictícios). C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

12 Distribuições Amostrais As distribuições da média e da variância amostral foram obtidas e apresentadas como: Tabela: Distribuição da média amostral X = (X 1 +X 2 +X 3 )/3. X 0 1/3 2/3 1 4/3 P(X = x) 0,001 0,0075 0, , , X 5/3 2 7/3 8/3 3 P(X = x) 0, , , ,0945 0,027 Tabela: Distribuição da variância amostral S 2 = (X 2 1 +X 2 2 +X X 2 )/2. S 2 0 1/3 1 4/3 7/3 3 0,0865 0,3885 0,21 0,171 0,108 0,036 C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

13 Distribuições Amostrais Consideremos primeiramente o caso de uma população Normal, isto é, a variável de interesse X N(µ,σ 2 ). Portanto, temos que (X 1,X 2,...,X n ) representa uma amostra distribuídos com densidade Normal de média µ e variância σ 2, ou seja, X i N(µ,σ 2 ), i = 1,...,n; X i é independente de X j, para todo i j. É fácil ver que qualquer combinação linear n i=1 a ix i de variáveis aleatórias Normais e constantes (nem todas nulas) a i s, também segue o modelo Normal. Assim X N(µ X,σ 2 X ) com µ X = E(X) = E ( 1 n n i=1 σ 2 X = Var(X) = Var ( 1 n ) X i = 1 nµ = µ; n ) n X i i=1 = 1 n 2nσ2 = σ2 n. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

14 Distribuições Amostrais Exemplo Considere uma amostra independente de tamanho n de uma variável aleatória N(10,16). Isto é, X 1,...,X n são independentes e todas com distribuição Normal com média 10 e variância 16. Assim X tem distribuição Normal como média 10 e variância 16/n. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

15 Distribuições Amostrais Teorema do Limite Central Um grande resultado Teorema (Teorema do Limite Central) Suponha que uma amostra aleatória simples de tamanho n seja retirada de um população com média µ e variância σ 2 (nenhum modelo de distribuição está sendo especificado). Então para a média amostral, X temos: em que Z N(0,1). X µ σ/ n n Z, (3.1) C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

16 Distribuições Amostrais Teorema do Limite Central Uma aplicação Uma aplicação do Teorema do Limite Central relaciona-se com a distribuição da proporção amostral. Esta grandeza é dada por p = número de indiv. da amostra com a característica de interesse. n Se construirmos para o i-ésimo indivíduo uma variável aleatória Y i tal que: { 1, se o indivíduo apresenta a característica, Y i = 0, caso contrário. Podemos escrever a proporção como p = Y 1 + +Y n n = 1 n n Y i = Y. i=1 C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

17 Distribuições Amostrais Teorema do Limite Central Uma aplicação Cont. Logo, a proporção amostral nada mais é do que a média das variáveis aleatórias convenientemente definidas. Considerando a proporção de indivíduos com a característica de interesse seja p e que os indivíduos são selecionados aleatoriamente, temos que Y 1,...,Y n formam uma sequência de variáveis aleatórias independentes com distribuição de Bernoulli. Assim E(Y i ) = p e Var(Y i ) = p(1 p). Logo, E( p) = E ( 1 n ) n Y i = p e Var( p) = Var i=1 ( 1 n ) n Y i i=1 = p(1 p), n ou seja p é um estimador não viciado e consistente para p. Tendo em vista o Teorema do Limite Central, temos que para n suficientemente grande: Y E(Y) Var(Y) = p p p(1 p)/n n N(0,1). C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

18 Estimação por Intervalos Estimação por Intervalos Os estimadores até agora discutidos foram estimadores pontuais, pois fornecem como estimativa um único valor numérico para o parâmetro de interesse. Seria mais prudente que pudéssemos estabelecer uma faixa para nossas estimativas, levando em consideração que os estimadores são variáveis aleatórias e, assim, podem ocorrer com uma certa probabilidade para valores longe da estimativa encontrada. Está faixa será denominada intervalo de confiança da estimativa calculada. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

19 Estimação por Intervalos Intervalo de confiança Intervalos de confiança Consideremos, inicialmente, o intervalo de confiança para a média µ de uma certa população Normal com a variância σ 2 conhecida. Supondo uma amostra aleatória de tamanho n dada por (X 1,...,X n ), temos que a média amostral tem distribuição Normal com a mesma média µ e variância σ 2 /n. Assim, Z = X µ σ/ n N(0,1). Fixando um valor γ tal que 0 < γ < 1, podemos encontrar um valor z γ/2 tal que: P ( Z z γ/2 ) = P ( z γ/2 Z z γ/2 ) = γ. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

20 Estimação por Intervalos Intervalo de confiança O índice de z γ/2 apresenta o valor de γ dividido por 2, uma vez que a massa γ deve ser dividida igualmente em torno do 0 (Figura). O valor z γ/2 pode ser obtido da tabela da Normal padrão, localizando o valor γ/2 no miolo da tabela e tomando-se os valores nas margens correspondentes. Assim, z γ/2 < Z < z γ/2 z γ/2 < X µ σ/ n < z γ/2 X z γ/2 σ n < µ < X +z γ/2 σ n E o intervalo de confiança para µ, com coeficiente de confiança γ é: [ σ σ ] IC(µ,γ) = X z γ/2 n,x +z γ/2 n C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

21 Estimação por Intervalos Intervalo de confiança O que representa o intervalo de confiança A interpretação do intervalo de confiança deve ser feita com cuidado:... se obtivermos várias amostras de mesmo tamanho e, para cada uma delas, calcularmos os correspondentes intervalos de confiança com coeficiente de confiança γ, esperamos que a proporção de intervalos que contenham o valor verdadeiro de µ seja igual a γ. Esta interpretação do IC é chamada uma visão clássica para o estimador por intervalos. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

22 Estimação por Intervalos Exemplo - intervalo de confiança Uma Aplicação Exemplo Suponha que desejemos estudar a variação de preços gerais de uma maneira mais rápida e de modo a saber se em média houve deflação ou inflação. Na Tabela 6, são apresentadas as variações percentuais de 30 produtos escolhidos ao acaso. 2,49% 0,85% 2,80% 2,80% 3,07% 3,78% 3,92% 2,69% 8,17% 1,69% -0,58% 0,37% 2,72% -3,37% 7,56% 4,27% 0,21% 5,07% 5,56% 0,90% -0,40% 5,26% -2,67% -0,33% -5,65% 3,20% -3,98% 2,44% 1,12% 1,85% Tabela: Variação de preços (dados fictícios). C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

23 Estimação por Intervalos Exemplo - intervalo de confiança Uma Aplicação - continuação Para os dados apresentados, temos: Média (amostral): X = 1,86%. Mediana (amostral): Med X = 2,47%. Variância (amostral): S 2 = 0, , desvio padrão (amostral): S = 0, Baseado nas medidas de resumo, podemos afirmar que (em média) os preços aumentaram. Será? C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

24 Estimação por Intervalos Exemplo - intervalo de confiança Uma Aplicação - continuação Como X é uma estatística (função de variáveis aleatórias), numa outra amostra com outros produtos, poderíamos chegar uma conclusão divergente: ou que os preços sofreram deflação ou que estiveram estáveis. Qual seria o intervalo de confiança para a média da variação de preços para uma confiança de γ = 80%, sabendo que a variância da população é de 0,0009? [ σ Sabemos que IC(µ,γ) = X z γ/2 n σ,x +z γ/2 n ], em que X = 1,86%, σ = 0,03, n = 30. Resta-nos determinar o valor de z γ/2, tal que: ( ) X µ P σ/ n z γ/2 = γ P ( ) ( ) z γ/2 Z z γ/2 = γ Z N(0,1) C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

25 Estimação por Intervalos Exemplo - intervalo de confiança Uma Aplicação - continuação Figura: Determinando z γ/2 para uma tabela da normal padrão P(Z z) = p. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

26 Estimação por Intervalos Exemplo - intervalo de confiança Uma Aplicação - continuação Logo, da tabela da Normal padrão que apresenta valores de P(Z z) = p, temos que z γ/2 = 1,28 (este é o valor mais próximo para a probabilidade de 0,9, o valor real para P(Z 1,28) é 0,899727). Assim, IC(µ,80%) = [ 1,86 1,28 0,03 ;1,86+1,28 0,03 ] IC(µ,80%) = [1,853;1,867]. Este intervalo nos garante que 80% de outras amostras de variação de preços terão a média contida neste intervalo. A conclusão: houve uma inflação de preços. C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

27 Estimação por Intervalos Amplitude do intervalo de confiança Amplitude do IC e o tamanho a amostra A amplitude do intervalo de confiança é dada pela diferença entre os σ extremos de tal intervalo, isto é, 2 z γ/2 n, o que claramente indica que ela depende da confiança γ, do desvio padrão σ e do tamanho da amostra n. É usual se referir à metade da amplitude como o erro envolvido na estimação. Note que podemos estabelecer a seguinte condição a priori: Qual é o tamanho da amostra para que a amplitude do intervalo de confiança (erro envolvido) seja de ε? σ ( σ ) 2. 2 z γ/2 n = ε n = 2 z γ/2 ε C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

28 Estimação por Intervalos Amplitude do intervalo de confiança Intervalo de confiança para a proporção populacional Um estimador pontual para a proporção populacional p é foi dado com p, a proporção amostral. Pelo Teorema do Limite Central, para uma amostra suficientemente grande: ( p N p, p(1 p) ). n Assim o intervalo de confiança com coeficiente de confiança γ é dado por: [ ] p(1 p) p(1 p) IC(p,γ) = p z γ/2 ; p+z n γ/2. n Note que na expressão acima o IC depende de p, que é desconhecido. O que fazer? C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

29 Estimação por Intervalos Amplitude do intervalo de confiança IC da proporção: otimismo ou conservadorismo? Uma solução para obtermos o IC(p, γ), já que ele originalmente depende de p (desconhecido), é substituir p(1 p) por p(1 p). Desta forma, temos: [ ] p(1 p) p(1 p) IC 1 (p,γ) = p z γ/2 ; p+z n γ/2, n que é uma estimativa (intervalar) otimista, pois acredita que p está suficientemente perto de p. Outra visão seria utilizara o maior valor possível para p(1 p), que seria uma visão conservadora para o caso. Neste caso o máximo da função f(x) = x(1 x) pode ser encontrado fazendo f (x) = 0 (pontos críticos de f), o que implica que x = 1/4 é o máximo para f em [0,1]. Logo, [ ] 1 1 IC 2 (p,γ) = p z γ/2 4n ; p+z γ/2 4n C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

30 Estimação por Intervalos Resumo A aplicação do Teorema do Limite Central permite a obtenção de intervalos de confiança para µ, mesmo quando a distribuição das variáveis aleatórias que constituem a amostra não seja Normal. Neste caso, o intervalo construído terá um coeficiente de confiança aproximadamente igual a γ, sendo que esta aproximação melhora à medida que aumenta o tamanho da amostra. Tabela: Intervalos de confiança para a média µ e a proporção populacional p. Parâmetro µ p p Intervalo de Confiança ] σ [X z γ/2 n σ,x +z γ/2 n p(1 p) [ p z γ/2 n ; p+z γ/2 [ p z γ/2 1 4n ; p+z γ/2 1 4n ] (otimista) ] (conservador) p(1 p) n C.T.Cristino (PosNAFPF) Inferência Estatística Estimação 07/ / 30

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

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

Leia mais

Disciplinas: Cálculo das Probabilidades e Estatística I

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

Leia mais

Vetores Aleatórios, correlação e conjuntas

Vetores Aleatórios, correlação e conjuntas Vetores Aleatórios, correlação e conjuntas Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Segundo Semestre, 2013 C.T.Cristino (DEINFO-UFRPE) Vetores Aleatórios 2013.2

Leia mais

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,

Leia mais

Teorema Central do Limite e Intervalo de Confiança

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

Leia mais

Teorema do Limite Central e Intervalo de Confiança

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

Leia mais

Inferência Estatística

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

Leia mais

CAPÍTULO 9 Exercícios Resolvidos

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

Leia mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos

Leia mais

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

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

Leia mais

Distribuições de Probabilidade Distribuição Normal

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

Leia mais

Probabilidade. Distribuição Normal

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

Leia mais

DISTRIBUIÇÃO NORMAL 1

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

Leia mais

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

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

Leia mais

Universidade Federal Fluminense

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

Leia mais

Logo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A:

Logo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A: MQI 00 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 6/05/008 GABARITO PROBLEMA O preço de um certo carro usado é uma variável Normal com média R$ 5 mil e desvio padrão R$ 400,00. a) Você está interessado

Leia mais

Trabalhando com Pequenas Amostras: Distribuição t de Student

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

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

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

Leia mais

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

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

Leia mais

Métodos de Monte Carlo

Métodos de Monte Carlo Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,

Leia mais

UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2

UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 LISTA N O 2 Prof.: William Morán Sem. I - 2011 1) Considere a seguinte função distribuição conjunta: 1 2 Y 0 0,7 0,0

Leia mais

Hipótese Estatística:

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

Leia mais

Variáveis Aleatórias Contínuas

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

Leia mais

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

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

Leia mais

Inferência Estatística-Macs11ºano

Inferência Estatística-Macs11ºano INFERÊNCIA ESTATÍSTICA Inferência Estatística-Macs11ºano Estatística Descritiva: conjunto de métodos para sintetizar e representar de forma compreensível a informação contida num conjunto de dados. Usam-se,

Leia mais

http://www.de.ufpb.br/~luiz/

http://www.de.ufpb.br/~luiz/ UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ Vimos que é possível sintetizar os dados sob a forma de distribuições de frequências

Leia mais

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

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

Leia mais

O que é a estatística?

O que é a estatística? Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os

Leia mais

9. Derivadas de ordem superior

9. Derivadas de ordem superior 9. Derivadas de ordem superior Se uma função f for derivável, então f é chamada a derivada primeira de f (ou de ordem 1). Se a derivada de f eistir, então ela será chamada derivada segunda de f (ou de

Leia mais

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

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

Leia mais

Probabilidades e Estatística

Probabilidades e Estatística Departamento de Matemática - IST(TP) Secção de Estatística e Aplicações Probabilidades e Estatística 1 o Exame/1 o Teste/2 o Teste 2 o Semestre/1 a Época 2008/09 Duração: 3 horas/1 hora e 30 minutos 16/01/09

Leia mais

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

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

Leia mais

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

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

Leia mais

Aula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos

Aula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos Aula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos Organização: Airton Kist Digitação: Guilherme Ludwig Exercício Se X b(n, p), sabendo-se que E(X ) = 12 e σ 2 = 3, determinar:

Leia mais

Aula de Exercícios - Testes de Hipóteses

Aula de Exercícios - Testes de Hipóteses Aula de Exercícios - Testes de Hipóteses Organização: Airton Kist Digitação: Guilherme Ludwig Testes de Hipóteses Exemplo Para decidirmos se os habitantes de uma ilha são descendentes da civilização A

Leia mais

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADE

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

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

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

Leia mais

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

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

Leia mais

Introdução à Inferência Estatística

Introdução à Inferência Estatística Introdução à Inferência Estatística 1. População: conjunto de indivíduos, ou itens, com pelo menos uma característica em comum. Também será denotada por população objetivo, que é sobre a qual desejamos

Leia mais

Aula 4 Estatística Conceitos básicos

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

Leia mais

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit

Leia mais

Métodos Matemáticos para Gestão da Informação

Métodos Matemáticos para Gestão da Informação Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação

Leia mais

CÁLCULO DE ZEROS DE FUNÇÕES REAIS

CÁLCULO DE ZEROS DE FUNÇÕES REAIS 15 CÁLCULO DE ZEROS DE FUNÇÕES REAIS Um dos problemas que ocorrem mais frequentemente em trabalhos científicos é calcular as raízes de equações da forma: f() = 0. A função f() pode ser um polinômio em

Leia mais

CAP5: Amostragem e Distribuição Amostral

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

Leia mais

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014 PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método

Leia mais

Lista IV - Curva Normal. Professor Salvatore Estatística I

Lista IV - Curva Normal. Professor Salvatore Estatística I Lista IV - Curva Normal Professor Salvatore Estatística I 19/12/2011 Consulta à tabela Normal: 1. Estabeleça a área entre 0 (zero) e Zi igual a a. + 1,35 b. + 1,58 c. +2,05 d. +2,76 e. -1,26 f. -2,49 g.

Leia mais

Descreve de uma forma adequada o

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

Leia mais

CURSO ON-LINE PROFESSOR GUILHERME NEVES

CURSO ON-LINE PROFESSOR GUILHERME NEVES Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os

Leia mais

Aula 11 Esperança e variância de variáveis aleatórias discretas

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

Leia mais

2. Método de Monte Carlo

2. Método de Monte Carlo 2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.

Leia mais

IBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 6. O trabalho feito pela força para deslocar o corpo de a para b é dado por: = =

IBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 6. O trabalho feito pela força para deslocar o corpo de a para b é dado por: = = Energia Potencial Elétrica Física I revisitada 1 Seja um corpo de massa m que se move em linha reta sob ação de uma força F que atua ao longo da linha. O trabalho feito pela força para deslocar o corpo

Leia mais

Ivan Guilhon Mitoso Rocha. As grandezas fundamentais que serão adotadas por nós daqui em frente:

Ivan Guilhon Mitoso Rocha. As grandezas fundamentais que serão adotadas por nós daqui em frente: Rumo ao ITA Física Análise Dimensional Ivan Guilhon Mitoso Rocha A análise dimensional é um assunto básico que estuda as grandezas físicas em geral, com respeito a suas unidades de medida. Como as grandezas

Leia mais

Aula 10 Testes de hipóteses

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

Leia mais

Definição. A expressão M(x,y) dx + N(x,y)dy é chamada de diferencial exata se existe uma função f(x,y) tal que f x (x,y)=m(x,y) e f y (x,y)=n(x,y).

Definição. A expressão M(x,y) dx + N(x,y)dy é chamada de diferencial exata se existe uma função f(x,y) tal que f x (x,y)=m(x,y) e f y (x,y)=n(x,y). PUCRS FACULDADE DE ATEÁTICA EQUAÇÕES DIFERENCIAIS PROF. LUIZ EDUARDO OURIQUE EQUAÇÔES EXATAS E FATOR INTEGRANTE Definição. A diferencial de uma função de duas variáveis f(x,) é definida por df = f x (x,)dx

Leia mais

Variáveis Aleatórias Discretas e Distribuições de Probabilidade

Variáveis Aleatórias Discretas e Distribuições de Probabilidade Variáveis Aleatórias Discretas e Distribuições de Probabilidade Objetivos do aprendizado a.determinar probabilidades a partir de funções de probabilidade b.determinar probabilidades a partir de funções

Leia mais

Modelo de distribuição de probabilidade para o número de bolas chamadas até que alguém bata em um bingo Convencional

Modelo de distribuição de probabilidade para o número de bolas chamadas até que alguém bata em um bingo Convencional Modelo de distribuição de probabilidade para o número de bolas chamadas até que alguém bata em um bingo Convencional Pedro Ferreira de Lima 1 Cícero Carlos Felix de Oliveira 2 Dr. Cláudio Tadeu Cristiano

Leia mais

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

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

Leia mais

UM TEOREMA QUE PODE SER USADO NA

UM TEOREMA QUE PODE SER USADO NA UM TEOREMA QUE PODE SER USADO NA PERCOLAÇÃO Hemílio Fernandes Campos Coêlho Andrei Toom PIBIC-UFPE-CNPq A percolação é uma parte importante da teoria da probabilidade moderna que tem atraído muita atenção

Leia mais

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar

Leia mais

Exercícios Resolvidos sobre Amostragem

Exercícios Resolvidos sobre Amostragem Exercícios Resolvidos sobre Amostragem Observe agora, nestes Exercícios Resolvidos, como alguns parâmetros estatísticos devem ser construídos para formar amostras fidedignas de certas populações ou fenômenos

Leia mais

Variáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder

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

Leia mais

a 1 x 1 +... + a n x n = b,

a 1 x 1 +... + a n x n = b, Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição

Leia mais

Estatística II Antonio Roque Aula 9. Testes de Hipóteses

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

Leia mais

CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES

CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:

Leia mais

APLICAÇÕES DA DERIVADA

APLICAÇÕES DA DERIVADA Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,

Leia mais

Exercícios resolvidos sobre Definição de Probabilidade

Exercícios resolvidos sobre Definição de Probabilidade Exercícios resolvidos sobre Definição de Probabilidade Nesta Unidade de estudo, até este ponto você aprendeu definições de probabilidade e viu como os conceitos se aplicam a várias situações. Observe agora

Leia mais

Risco e Retorno dos Investimentos. Paulo Pereira Ferreira Miba 507

Risco e Retorno dos Investimentos. Paulo Pereira Ferreira Miba 507 Risco e Retorno dos Investimentos Paulo Pereira Ferreira Miba 507 Risco e Retorno Esperados Linha Característica Linha do Mercado de Títulos Linha de Combinação Realidade Brasileira genda Risco e Retorno

Leia mais

Valor Prático da Distribuição Amostral de

Valor Prático da Distribuição Amostral de DISTRIBUIÇÃO AMOSTRAL DA MÉDIA DA AMOSTRA OU DISTRIBUIÇÃO AMOSTRAL DE Antes de falarmos como calcular a margem de erro de uma pesquisa, vamos conhecer alguns resultados importantes da inferência estatística.

Leia mais

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

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

Leia mais

6 Construção de Cenários

6 Construção de Cenários 6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.

Leia mais

POTENCIAL ELÉTRICO. por unidade de carga

POTENCIAL ELÉTRICO. por unidade de carga POTENCIAL ELÉTRICO A lei de Newton da Gravitação e a lei de Coulomb da eletrostática são matematicamente idênticas, então os aspectos gerais discutidos para a força gravitacional podem ser aplicadas para

Leia mais

Distribuições: Binomial, Poisson e Normal. Distribuição Binomial

Distribuições: Binomial, Poisson e Normal. Distribuição Binomial Distribuições: Binomial, Poisson e Normal Distribuição Binomial Monitor Adan Marcel e Prof. Jomar 1. Uma remessa de 800 estabilizadores de tensão é recebida pelo controle de qualidade de uma empresa. São

Leia mais

Capítulo 7 Medidas de dispersão

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

Leia mais

Simulação Estocástica

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

Leia mais

Probabilidade. Definições e Conceitos

Probabilidade. Definições e Conceitos Probabilidade Definições e Conceitos Definições Probabilidade Medida das incertezas relacionadas a um evento Chances de ocorrência de um evento Aplicação em: Avaliação de Desempenho de Sistemas Engenharia

Leia mais

DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES

DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração

Leia mais

Estimação por Intervalos

Estimação por Intervalos Capítulo 5 Estimação por Intervalos A principal restrição da estimação pontual é que quando estimamos um parâmetro através de um único valor numérico toda a informação presente nos dados é resumida através

Leia mais

Só Matemática O seu portal matemático http://www.somatematica.com.br FUNÇÕES

Só Matemática O seu portal matemático http://www.somatematica.com.br FUNÇÕES FUNÇÕES O conceito de função é um dos mais importantes em toda a matemática. O conceito básico de função é o seguinte: toda vez que temos dois conjuntos e algum tipo de associação entre eles, que faça

Leia mais

Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções

Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções 1. INTRODUÇÃO Ao se obter uma sucessão de pontos experimentais que representados em um gráfico apresentam comportamento

Leia mais

¹CPTL/UFMS, Três Lagoas, MS,Brasil, oliveiralimarafael@hotmail.com. ²CPTL/UFMS, Três Lagoas, MS, Brasil.

¹CPTL/UFMS, Três Lagoas, MS,Brasil, oliveiralimarafael@hotmail.com. ²CPTL/UFMS, Três Lagoas, MS, Brasil. Encontro de Ensino, Pesquisa e Extensão, Presidente Prudente, 22 a 25 de outubro, 2012 36 INTRODUÇÃO A CRIPTOGRAFIA RSA Rafael Lima Oliveira¹, Prof. Dr. Fernando Pereira de Souza². ¹CPTL/UFMS, Três Lagoas,

Leia mais

Bases Matemáticas. Aula 2 Métodos de Demonstração. Rodrigo Hausen. v. 2013-7-31 1/15

Bases Matemáticas. Aula 2 Métodos de Demonstração. Rodrigo Hausen. v. 2013-7-31 1/15 Bases Matemáticas Aula 2 Métodos de Demonstração Rodrigo Hausen v. 2013-7-31 1/15 Como o Conhecimento Matemático é Organizado Definições Definição: um enunciado que descreve o significado de um termo.

Leia mais

Decidir como medir cada característica. Definir as características de qualidade. Estabelecer padrões de qualidade

Decidir como medir cada característica. Definir as características de qualidade. Estabelecer padrões de qualidade Escola de Engenharia de Lorena - EEL Controle Estatístico de Processos CEP Prof. MSc. Fabrício Maciel Gomes Objetivo de um Processo Produzir um produto que satisfaça totalmente ao cliente. Conceito de

Leia mais

PLANIFICAÇÃO OPERACIONAL DA PESQUISA

PLANIFICAÇÃO OPERACIONAL DA PESQUISA Laboratório de Psicologia Experimental Departamento de Psicologia UFSJ Disciplina: Método de Pesquisa Quantitativa TEXTO 8: PLANIFICAÇÃO OPERACIONAL DA PESQUISA Autora: Prof. Marina Bandeira,Ph.D. 1. POPULAÇÃO-

Leia mais

Prof. Dr. Iron Macêdo Dantas

Prof. Dr. Iron Macêdo Dantas Governo do Estado do Rio Grande do Norte Secretaria de Estado da Educação e da Cultura - SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN MESTRADO EM CIÊNCIAS NATURAIS Prof. Dr. Iron Macêdo Dantas

Leia mais

Universidade Federal de Pernambuco Mestrado em Estatística

Universidade Federal de Pernambuco Mestrado em Estatística Universidade Federal de Pernambuco Mestrado em Estatística Lista 4 de Exercícios de Amostragem Prof. Cristiano Ferraz 1. Em relação ao plano amostral de Bernoulli: a) Explique como retirar uma amostra

Leia mais

PARTE 2 FUNÇÕES VETORIAIS DE UMA VARIÁVEL REAL

PARTE 2 FUNÇÕES VETORIAIS DE UMA VARIÁVEL REAL PARTE FUNÇÕES VETORIAIS DE UMA VARIÁVEL REAL.1 Funções Vetoriais de Uma Variável Real Vamos agora tratar de um caso particular de funções vetoriais F : Dom(f R n R m, que são as funções vetoriais de uma

Leia mais

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos

Leia mais

Chapter 2. 2.1 Noções Preliminares

Chapter 2. 2.1 Noções Preliminares Chapter 2 Seqüências de Números Reais Na Análise os conceitos e resultados mais importantes se referem a limites, direto ou indiretamente. Daí, num primeiro momento, estudaremos os limites de seqüências

Leia mais

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

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

Leia mais

Estabilidade. Carlos Alexandre Mello. Carlos Alexandre Mello cabm@cin.ufpe.br 1

Estabilidade. Carlos Alexandre Mello. Carlos Alexandre Mello cabm@cin.ufpe.br 1 Estabilidade Carlos Alexandre Mello 1 Introdução Já vimos que existem três requisitos fundamentais para projetar um sistema de controle: Resposta Transiente Estabilidade Erros de Estado Estacionário Estabilidade

Leia mais

Estatística Aplicada para Engenharia Inferência para Duas Populações

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

Leia mais

2 Modelo Clássico de Cramér-Lundberg

2 Modelo Clássico de Cramér-Lundberg 2 Modelo Clássico de Cramér-Lundberg 2.1 Conceitos fundamentais Nesta sessão introduziremos alguns conceitos fundamentais que serão utilizados na descrição do modelo de ruína. A lei de probabilidade que

Leia mais

Correlação e Regressão Linear

Correlação e Regressão Linear Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.

Leia mais

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

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

Leia mais

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

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

Leia mais

Medidas de Variação ou Dispersão

Medidas de Variação ou Dispersão Medidas de Variação ou Dispersão Estatística descritiva Recapitulando: As três principais características de um conjunto de dados são: Um valor representativo do conjunto de dados: uma média (Medidas de

Leia mais

AMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll

AMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll AMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll! Os parâmetros para decisão do auditor.! Tipos de planos de amostragem estatística em auditoria. Francisco Cavalcante(f_c_a@uol.com.br) Administrador de Empresas

Leia mais

Aula 5 Técnicas para Estimação do Impacto

Aula 5 Técnicas para Estimação do Impacto Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos

Leia mais