Cláudio Tadeu Cristino 1. Julho, 2014

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Leia mais

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

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

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

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

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

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

CAPÍTULO 4 Exercícios Resolvidos

CAPÍTULO 4 Exercícios Resolvidos CAPÍTULO 4 Exercícios Resolvidos R4.1) Condição para concretização de uma venda Um certo tipo de componente é vendido em lotes de 1000 itens. O preço de venda do lote é usualmente de 60 u.m. Um determinado

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

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

AULAS 13, 14 E 15 Correlação e Regressão

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

Leia mais

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

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

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

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

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

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

ESTATÍSTICA. Comando da Aeronáutica. EXAME DE ADMISSÃD Estágio de Adaptação de Oficiais Temporários da Aeronáutica 2013

ESTATÍSTICA. Comando da Aeronáutica. EXAME DE ADMISSÃD Estágio de Adaptação de Oficiais Temporários da Aeronáutica 2013 ESTATÍSTICA Comando da Aeronáutica EXAME DE ADMISSÃD Estágio de Adaptação de Oficiais Temporários da Aeronáutica 013 1 8 Poisson ESPECIALIDADE 31) Seja X uma variável aleatória com função de densidade

Leia mais

Estatística stica para Metrologia

Estatística stica para Metrologia Aula 5 Estatística stica para Metrologia Aula 5 Variáveis Contínuas Uniforme Exponencial Normal Lognormal Mônica Barros, D.Sc. Maio de 008 1 Distribuição Uniforme A probabilidade de ocorrência em dois

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

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

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

(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

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

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

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

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

Leia mais

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

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

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

Bioestatística Aula 3

Bioestatística Aula 3 Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento

Leia mais

Aula 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

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

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

Intervalos Estatísticos para uma Única Amostra

Intervalos Estatísticos para uma Única Amostra Roteiro Intervalos Estatísticos para uma Única Amostra 1. Introdução 2. Intervalo de Confiança para Média i. População normal com variância conhecida ii. População normal com variância desconhecida 3.

Leia mais

LISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS

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

Leia mais

ESCOLA SECUNDÁRIA MANUEL DA FONSECA, SANTIAGO DO CACÉM GRUPO DISCIPLINAR: 500 Matemática Aplicada às Ciências Sociais

ESCOLA SECUNDÁRIA MANUEL DA FONSECA, SANTIAGO DO CACÉM GRUPO DISCIPLINAR: 500 Matemática Aplicada às Ciências Sociais ANO: 11º ANO LECTIVO : 008/009 p.1/7 CONTEÚDOS MODELOS MATEMÁTICOS COMPETÊNCIAS A DESENVOLVER - Compreender a importância dos modelos matemáticos na resolução de problemas de problemas concretos. Nº. AULAS

Leia mais

Teste de Hipótese para uma Amostra Única

Teste de Hipótese para uma Amostra Única Teste de Hipótese para uma Amostra Única OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Estruturar problemas de engenharia de tomada de decisão, como

Leia mais

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

ESCOLA SUPERIOR DE TECNOLOGIA

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

Leia mais

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

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

PE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,

PE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado, Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis

Leia mais

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

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

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

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

Instituto Politécnico de Viseu Escola Superior de Tecnologia

Instituto Politécnico de Viseu Escola Superior de Tecnologia Instituto Politécnico de Viseu Escola Superior de Tecnologia Departamento: Matemática Estatística I Curso: Contabilidade e Administração Ano: 3 o Semestre: o Prova: Exame Época: Normal Ano Lectivo: 2004/2005

Leia mais

Exercício de Revisao 1

Exercício de Revisao 1 Exercício de Revisao 1 Considere que seu trabalho é comparar o desempenho de dois algoritmos (A e B) de computação gráfica, que usam métodos diferentes para geração de faces humanas realistas. São sistema

Leia mais

Métodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF)

Métodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF) Métodos Estatísticos II 1 o. Semestre de 010 ExercíciosProgramados1e VersãoparaoTutor Profa. Ana Maria Farias (UFF) Esses exercícios abrangem a matéria das primeiras semanas de aula (Aula 1) Os alunos

Leia mais

Estatística e Probabilidade

Estatística e Probabilidade Correlação Estatística e Probabilidade Uma correlação é uma relação entre duas variáveis. Os dados podem ser representados por pares ordenados (x,y), onde x é a variável independente ou variável explanatória

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

Métodos Quantitativos. PROF. DR. Renato Vicente

Métodos Quantitativos. PROF. DR. Renato Vicente Métodos Quantitativos PROF. DR. Renato Vicente Método Estatístico Amostra População Estatística Descritiva Inferência Estatística Teoria de Probabilidades Aula 4A Inferência Estatística: Um pouco de História

Leia mais

Universidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria Prova de Conhecimentos Específicos

Universidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria Prova de Conhecimentos Específicos Dados que podem ser necessários a algumas questões de Estatística: P (t > t α ) = α ν 0,05 0,025 15 1,753 2,131 16 1,746 2,120 28 1,791 2,048 30 1,697 2,042 (Valor: 1,4) Questão 1. Considere o seguinte

Leia mais

Testes de Ajustamento (testes da bondade do ajustamento)

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

Leia mais

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

UNIVERSIDADE ESTADUAL DE GOIÁS Unidade Universitária de Ciências Exatas e Tecnológicas Curso de Licenciatura em Matemática

UNIVERSIDADE ESTADUAL DE GOIÁS Unidade Universitária de Ciências Exatas e Tecnológicas Curso de Licenciatura em Matemática UNIVERSIDADE ESTADUAL DE GOIÁS Unidade Universitária de Ciências Exatas e Tecnológicas Curso de Licenciatura em Matemática Construção de intervalos de confiança percentil bootstrap para a média sob não

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

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

Leia mais

4 Gráficos de controle

4 Gráficos de controle 4 Gráficos de controle O gráfico de controle é uma ferramenta poderosa do Controle Estatístico de Processo (CEP) para examinar a variabilidade em dados orientados no tempo. O CEP é composto por um conjunto

Leia mais

Análise descritiva de Dados. a) Média: (ou média aritmética) é representada por x e é dada soma das observações, divida pelo número de observações.

Análise descritiva de Dados. a) Média: (ou média aritmética) é representada por x e é dada soma das observações, divida pelo número de observações. Análise descritiva de Dados 4. Medidas resumos para variáveis quantitativas 4.1. Medidas de Posição: Considere uma amostra com n observações: x 1, x,..., x n. a) Média: (ou média aritmética) é representada

Leia mais

Pesquisador em Informações Geográficas e Estatísticas A I GESTÃO DA QUALIDADE LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO.

Pesquisador em Informações Geográficas e Estatísticas A I GESTÃO DA QUALIDADE LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO. 7 EDITAL N o 04/2013 LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO. 01 - O candidato recebeu do fiscal o seguinte material: a) este CADERNO DE QUESTÕES, com os enunciados das 8 (oito) questões discursivas, sem

Leia mais

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

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

Leia mais

Variáveis Aleatórias Contínuas e Distribuição de Probabilidad

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

Leia mais

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

Prof. M. Sc. Jarbas Thaunahy Santos de Almeida 1

Prof. M. Sc. Jarbas Thaunahy Santos de Almeida 1 Prof. M. Sc. Jarbas Thaunahy Santos de Almeida 1 Aula 7 Covariância e suas aplicações Roteiro Introdução Covariância Valor esperado, Variância e Desvio-padrão da soma entre duas variáveis aleatórias Retorno

Leia mais

Probabilidade - aula III

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

Leia mais

Geração de Números Aleatórios e Simulação

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

Leia mais

CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE

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

Leia mais

Prova Escrita de Matemática Aplicada às Ciências Sociais

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

Leia mais

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

Lista 09: Estimação de Parâmetros

Lista 09: Estimação de Parâmetros INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA-AERONÁUTICA MB-210: Probabilidade e Estatística Lista 09: Estimação de Parâmetros Prof. Denise Beatriz Ferrari denise@ita.br 2 o Sem/2013

Leia mais

CAP4: Distribuições Contínuas Parte 1 Distribuição Normal

CAP4: Distribuições Contínuas Parte 1 Distribuição Normal CAP4: Distribuições Contínuas Parte 1 Distribuição Normal Quando a variável sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada distribuição contínua. Exemplo 4.1

Leia mais

4. σ 2 Var X p x q e σ Dp X Podemos escrever o modelo do seguinte modo:

4. σ 2 Var X p x q e σ Dp X Podemos escrever o modelo do seguinte modo: Distribuições de Probabilidades Quando aplicamos a Estatística na resolução de problemas administrativos, verificamos que muitos problemas apresentam as mesmas características o que nos permite estabelecer

Leia mais

2 Modelo para o Sistema de Controle de Estoque (Q, R)

2 Modelo para o Sistema de Controle de Estoque (Q, R) Modelo para o Sistema de Controle de Estoque (, ) Neste capítulo é apresentado um modelo para o sistema de controle de estoque (,). Considera-se que a revisão dos estoques é continua e uma encomenda de

Leia mais

Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência.

Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Professor: Leandro Zvirtes UDESC/CCT 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 de

Leia mais

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA João Cirilo da Silva Neto jcirilo@araxa.cefetmg.br. CEFET-MG-Centro Federal de Educação Tecnológica de Minas Gerais-Campus IV, Araxá Av. Ministro Olavo Drumonnd,

Leia mais

Dedicado, Exclusivamente, A Todos Aqueles Que Querem A Aprovação!

Dedicado, Exclusivamente, A Todos Aqueles Que Querem A Aprovação! 1 Questões De Estatística Da Banca ESAF Que Você Precisa Aprender Como Resolver Antes De Fazer A Prova Do Concurso De Auditor-Fiscal Da Receita Federal 2014 Dedicado, Exclusivamente, A Todos Aqueles Que

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

Estatística Aplicada ao Serviço Social

Estatística Aplicada ao Serviço Social Estatística Aplicada ao Serviço Social Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução O que é Estatística? Coleção de métodos

Leia mais

Prova Escrita de Matemática Aplicada às Ciências Sociais

Prova Escrita de Matemática Aplicada às Ciências Sociais EXAME NACIONAL DO ENSINO SECUNDÁRIO Decreto-Lei n.º 74/2004, de 26 de março Prova Escrita de Matemática Aplicada às Ciências Sociais 10.º e 11.º Anos de Escolaridade Prova 835/2.ª Fase 13 Páginas Duração

Leia mais

Método de Monte Carlo e ISO

Método de Monte Carlo e ISO Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL

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

Leia mais

Aula 5 Metodologias de avaliação de impacto

Aula 5 Metodologias de avaliação de impacto Aula 5 Metodologias de avaliação de impacto Metodologias de Avaliação de Impacto Objetiva quantificar as mudanças que o projeto causou na vida dos beneficiários. Plano de Aula Método experimental: regressão

Leia mais

Probabilidade. Distribuição Binomial

Probabilidade. Distribuição Binomial Probabilidade Distribuição Binomial Distribuição Binomial (Experimentos de Bernoulli) Considere as seguintes experimentos/situações práticas: Conformidade de itens saindo da linha de produção Tiros na

Leia mais

A Curva Normal Luiz Pasquali

A Curva Normal Luiz Pasquali Capítulo 3 A Curva Normal Luiz Pasquali 1 A História da Curva Normal A curva normal, também conhecida como a curva em forma de sino, tem uma história bastante longa e está ligada à história da descoberta

Leia mais

ESTATÍSTICA APLICADA À GESTÃO Ficha de exercícios 1 Estatística Descritiva 2014/2015

ESTATÍSTICA APLICADA À GESTÃO Ficha de exercícios 1 Estatística Descritiva 2014/2015 Universidade da Beira Interior - Departamento de Matemática ESTATÍSTICA APLICADA À GESTÃO Ficha de exercícios 1 Estatística Descritiva 2014/2015 1. Numa revista foi publicada uma lista com as 100 empresas

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

Relação potência ou alométrica

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

Leia mais

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