TP010 ENGENHARIA DA QUALIDADE 1. VARIÁVEIS, DESCRIÇÃO E DISTRIBUIÇÕES DE PROBABILIDADE.

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "TP010 ENGENHARIA DA QUALIDADE 1. VARIÁVEIS, DESCRIÇÃO E DISTRIBUIÇÕES DE PROBABILIDADE."

Transcrição

1 TP010 ENGENHARIA DA QUALIDADE 1. VARIÁVEIS, DESCRIÇÃO E DISTRIBUIÇÕES DE PROBABILIDADE TIPOS DE VARIÁVEIS A característica populacioal de iteresse é em geral classificada de qualitativa e quatitativa, e tratada como uma variável. Assim, a variável que represeta uma determiada característica populacioal é chamada de variável qualitativa quado resultar de uma classificação por tipos ou atributos. Exemplos: a) População: cosumidores da cerveja A. Característica de iteresse: reda (baixa, média e alta). b) População: peças produzidas por uma máquia. Característica de iteresse: qualidade (perfeita ou defeituosa). Já uma variável que represeta uma determiada característica populacioal é deomiada de variável quatitativa quado assumir resultados uméricos. Exemplos: a) População: aéis de pistão produzidos em certo processo. Característica de iteresse: diâmetro itero (mm). b) População: compoete eletrôico da idústria B. Característica de iteresse: tempo de vida (até falhar). Outras características de iteresse: c) ph da água i atura e tratada. d) Cloro residual da água tratada (mg/ ). e) Dimesões de um bloco cerâmico de costrução. VARIÁVEL QUANTITATIVA: DISCRETA E CONTÍNUA As variáveis quatitativas podem ser classificadas em discretas ou em cotíuas. Uma variável quatitativa discreta é aquela cujo cotradomíio é um cojuto fiito ou ifiito eumerável. E, uma variável quatitativa cotíua é, etão, aquela cujo cotradomíio é um cojuto ifiito.

2 Exemplos: a) Variável quatitativa discreta: úmero de semicodutores defeituosos idetificados em uma amostra de tamaho. Cotradomíio: 0, 1,,...,. OBS. Como o cotradomíio é um cojuto fiito a variável é discreta (ela também seria discreta com um cojuto ifiito eumerável como cotradomíio). b) Variável quatitativa cotíua: Diâmetro itero do ael do pistão. Cotradomíio: 73,965 ;... ; 73,970 ;... ; 73,9701 ;... OBS. Como o cotradomíio é um cojuto ifiito a variável é cotíua. c) Variável quatitativa discreta: Número de carros que passam em certa esquia durate determiado istate. Cotradomíio: 0, 1,, 3,... OBS. Como o cotradomíio é um cojuto ifiito, mas eumerável, a variável é discreta. Exercícios: 1) A idade de uma pessoa, em aos iteiros, é uma variável quatitativa cotíua ou discreta? Por quê? R: ) O custo de produção mesal com valor aproximado para cetavos de real é uma variável quatitativa cotíua ou discreta? Por quê? R: 3) O úmero de ites ão-coformes presetes em uma amostra extraída da produção de uma máquia é uma variável quatitativa cotíua ou discreta? Por quê? R: 4) O úmero de ites produzidos por hora, em uma máquia, é uma variável quatitativa cotíua ou discreta? Por quê? R: 1.- DESCRIÇÃO DAS VARIÁVEIS As variáveis qualitativas são descritas, em geral, por meio de gráficos dos tipos: Diagrama em barras 400 Evolução das Vedas da Empresa X - R$ 1000 faturameto ao

3 MINITAB>Graph/BarChart/Values from table/simple/graph Variables (vedas)/ Categorical v. (ao)/labels Bars represet: values From tables Ao Vedas Diagrama em setores circulares MINITAB/Graph/Pie Chart/Chart values from table/categorical v. (tipo)/summary v. (faturameto)/labels Tipo de Faturameto da Empresa X % 17.54% 6.3% 35.09% Tipo de Faturametto 90 dias 60 dias 30 dias à vista FAT TIPO 90 dias 60 dias 30 dias à vista Diagrama de liha MINITAB/Graph/Scatterplot/With coect lie/y vs. (cpk)/ X vs. (aos)/labels Evolução da Capacidade Média a Característica X Ao C pk ,90 capacidade ,11 1,15 1, ao Já as variáveis quatitativas podem ser descritas graficamete (histograma, diagrama de dispersão, etc.) ou umericamete (média, mediaa, míimo, máximo, desvio padrão, etc.). A seguir tem-se uma tabela com as pricipais estatísticas descritivas de um cojuto de dados e um histograma.

4 MINITAB/Stat/Basic Statistics/Display Descriptive Statistics/Variables (X 1, X, X 3)/Statistics (escolher) Variável: X1 X X Tamaho da amostra () Média ( x ) Mediaa (ˆ ) Moda (m o) Variâcia (s ) Desvio padrão (s) Erro padrão (s/ ) Míimo (x (1)) Máximo (x ()) Amplitude (a) Quartil iferior (Q1) Quartil superior (Q3) Coef.de variação (s/ x ) Histograma das Medidas da Característica X freqüêcia X MINITAB/Graph/Histogram/With fit/graph vs. (ormal)/labels X1 X X3 90,0 90,5 91,0 90,8 91,0 9,0 91,0 91,5 100,0 101,0 100,5 10,0 100,5 100,0 99,5 100,0 105,0 107,0 106,5 107,5 107,0 106,9 107,0 105,5

5 1.3- VARIÁVEL ALEATÓRIA DEF.:- Uma v.a. X em um espaço de probabilidade (, A, P), ode é o espaço amostral de um experimeto, A é a sigma-álgebra de e P é a medida de probabilidade, é uma fução real defiida em, tal que o eveto [X x] é um eveto aleatório x, isto é a fução X: é v.a. se o eveto [X x] A, x A. Exemplo 1: Seja uma amostra aleatória com tamaho = de determiado produto. Sabe-se que o item produzido pode ser perfeito (P) ou defeituoso (D). a) Descreva o espaço amostral b) Uma associação etre cada situação (eveto aleatório) e um úmero real pode ser feita por meio de uma fução. Deotado-se a fução por X e cada eveto por, e aida se o iteresse está o úmero de ites defeituosos presete a amostra. Descreva os evetos possíveis. c) Quais os valores possíveis para o cotradomíio? VARIÁVEL ALEATÓRIA DISCRETA Uma v.a. é chamada de discreta quado o seu cotradomíio é um cojuto fiito ou ifiito eumerável. Exemplo Seja X a v.a. que associa 1 ou 0 a codição de um artigo ser perfeito ou defeituoso, respectivamete. Sabe-se que a proporção de artigos bos produzidos por determiada maquia é cosequetemete a proporção de artigos defeituosos é (1- ). Codição do artigo P(X = x) Perfeito x = 1 P(X = 1) = Defeituoso x = 0 P(X = 0) = (1 - ) Uma v.a. desse tipo é chamada de Beroulli e represetada pela otação, X ~ b(1, ), X tem distribuição Beroulli 1,. O cojuto de valores P(X = x) é chamado de distribuição de probabilidade da v.a. X e o caso da v.a. ser discreta a fução associada a estes valores chama-se fução de probabilidade (f.p.). A fução de probabilidade de uma v.a. Beroulli, b(1, ), é dada por: x ( 1x) P( X x) ( 1 ), x 0, 1; 0 1

6 Exemplo : Seja Y uma v.a. que cota o úmero de ites perfeitos em uma amostra composta por artigos. Sabe-se que cada item é perfeito com probabilidade e defeituoso com probabilidade (1 - ). Y x i, Y é a soma de v.a s Beroulli i1 Y = y P(Y =y) 0 p(0) 1 p(1) p() p() Y é deomiada v.a. biomial e represetada pela otação, Y ~ b(, ) e sigifica: Y tem distribuição biomial,. O cojuto de valores de P(Y = y) é a distribuição de probabilidades da v.a. Y e os valores P(Y = y) são associados ao valor específico da v.a., Y, pela f.p. cuja expressão é: y y P( Y y) p( y) (1 ), y 0,1,,..., ;0 1 y ou! y y P( Y y) p( y) (1 ), y 0,1,,..., ;0 1 y! y! Se = 0,7 e = 10, tem-se b(10; 0,7), preecha a tabela: Y = y P(Y = y) Soma

7 Exemplo 3: Seja a situação do exemplo com a probabilidade do artigo ser perfeito = 0,8 e o tamaho da amostra =. Seja a v.a. Y que cota o umero de ites perfeitos a amostra. Preecha a tabela. eveto Y() = y P(Y =y) (dist. prob. de y) (D 1, D ) 0 (D 1, P ) ou (P 1,D ) 1 (P 1, P ) VARIÁVEL ALEATÓRIA CONTÍNUA Uma v.a. é chamada de cotíua quado o seu cotradomíio é um cojuto ifiito. O exemplo clássico de v.a. cotíua é a v.a. Normal (Gaussiaa), este modelo de probabilidade é muito usado em várias aplicações estatísticas. Se X é uma v.a. N(; ), ou seja, uma v.a. Gaussiaa com parâmetros e, o cotradomíio de X é o cojuto dos reais R, ou seja, varia de - a + e os seus parâmetros têm espaço paramétrico respectivamete de R (reais) para e R + (reais positivos) para. Fução Desidade de Probabilidade Distribuição Normal =0 e = X Uma v.a. cotíua ão tem uma f.p. que associe diretamete probabilidades a valores do seu cotradomíio. As probabilidades são calculadas para itervalos de valores do cotradomíio. A fução desidade de probabilidade (f.d.p.) associa aos valores de X uma certa ordeada de modo que a área sob a curva mede 1. A probabilidade de ocorrêcia de um valor etre x- e x+ pode ser obtida usado-se a f.d.p. (com > 0 tão pequeo, quato se queira). No caso da v.a. X ~ N(; ) a f.d.p tem expressão: 1 f ( x) e 1 x ( ), x, e 0 P ( a X b) f ( x) dx f ( x) dx 1 b a

8 FUNÇÃO DISTRIBUIÇÃO Fução distribuição ou fução distribuição acumulada (f.d.) de uma v.a. X é defiida como: F(x) = P(X x) ESPERANÇA E VARIÂNCIA DE VARIÁVEIS ALEATÓRIAS A esperaça matemática (média) de uma v.a. aleatória é defiida como segue os casos discreto e cotíuo: E(X) xp(x x), x caso v.a. discreta; E(X) xf(x)dx, caso v.a. cotiua. (a esperaça é um parâmetro de cetralidade, caracteriza o cetro da distribuição da v.a.), já a variâcia de uma v.a. X é defiida a seguir e este parâmetro populacioal idica o grau de dispersão dos valores da v.a. Uma grade variâcia para uma estatística (v.a.) idica um grade desvio padrão ( var iâcia ) e, cosequetemete itervalos de cofiaça de maior amplitude para os parâmetros. V( X) E( X ) ( x ) P( X x), caso v. a. discreta; x V( X) E( X ) ( x ) f( x) dx, caso v. a. cotiua. PROPRIEDADES DA ESPERANÇA E DA VARIÂNCIA A esperaça matemática (uma média) tem as seguites propriedades: 1ª) Se X = k, isto é X() = k, etão. E(X) = k ode k ão é v.a. ª) Liearidade E(aX + b) = a.e(x) + b a,b R, ode a e b ão são v.a's A liearidade pode ser estedida a situações mais gerais, 3ª) a) Sejam X e Y v.a's o espaço (, -A, P), etão: E(aX + by) = a.e(x) + b.e(y) a, b R

9 b) Sejam X 1, X,...,X v.a's o espaço (, A, P), etão: E( a. X ) a E( X ), a i1 i i i i i i1 4ª) Se as v.a's X 1, X,..., X são idepedetes e itegráveis etão o produto X 1. X.... X é itegrável e tem-se: E(X1.X.....X ) = E(X 1).E(X ).....E(X ) Ates de se abordar as propriedades da variâcia é importate itroduzir os coceitos de covariâcia e de correlação. COVARIÂNCIA e CORRELAÇÃO Se as v.a's X e Y ão são idepedetes, ou seja, a ocorrêcia de certos valores para uma altera a probabilidade da ocorrêcia de determiados valores para a outra, tem-se que existe uma difereça etre E(X.Y) e E(X).E(Y). Esta difereça é chamada de covariâcia e defiida por: xy = cov(x,y) = E(XY) - E(X).E(Y) Se cov(x,y) = 0 tem-se que as v.a's X e Y ão são correlacioadas. A correlação é a covariâcia para as variáveis aleatórias X e Y padroizadas, ou seja, com média 0 e variâcia 1, xy x y x y corr( X, Y) cov(, ) x y ode x é o desvio padrão da v.a. X, y é o desvio padrão da v.a Y, x é a média da v.a. X e y é a média da v.a. Y. O chamado coeficiete de correlação xy pode ser expresso em uma forma mais simples: xy xy x y A variação de xy é 1 xy 1 e quado xy = 1 o relacioameto etre X e Y é perfeito com uma variação direta, se xy = -1 o relacioameto também é perfeito, mas iverso e quado xy = 0 a correlação etre as v.a's ão existe. A variâcia tem as seguites propriedades: 1ª) Se X = k, isto é X() = k, etão, V(X) = E(X - ) = E(k - k) = 0 ª) Se X e Y são v.a's do espaço de probabilidade (, A, P) etão, V(aX + b) = a V(X), a,b R

10 3ª) Se X 1, X,...,X são v.a's ão-correlacioadas e itegráveis do espaço de probabilidade (, A, P), etão: V(x 1+x x ) = V( i1 x i ) = i1 V( x i ) 4ª) Se X e Y são v.a's do espaço de probabilidade (, A, P) etão, V(XY) = V(X) + V(Y) cov(x,y) 1.4- POPULAÇÃO, AMOSTRA E DESCRIÇÃO NUMÉRICA DE VARIÁVEIS POPULAÇÃO Deomia-se população alvo a totalidade de elemetos que estão sob discussão e dos quais se deseja iformação. AMOSTRA ALEATÓRIA Sejam as v.a's [X 1, X,..., X ] que têm a fução desidade cojuta f(x 1, x,..., x ) que fatora o produto das desidades margiais f(x 1, x,..., x ) = f(x 1).f(x ).....f(x ) com f(.) sedo a desidade comum a todas as variáveis x i, etão [X 1, X,..., X ] é defiida como amostra aleatória de tamaho da população que tem desidade (distribuição) f(.). POPULAÇÃO AMOSTRADA Seja [X 1, X,..., X ] uma amostra aleatória (a.a.) da população com distribuição f(x), etão esta população é chamada população amostrada. Quado se deseja iformações sobre os parâmetros de uma população (em estatística quado se fala em população associa-se imediatamete uma f.p. ou f.d.p. à característica populacioal de iteresse) toma-se uma a.a. da população. A amostra, sedo represetativa da população, carrega iformações sobre os parâmetros. Os resultados uméricos oriudos da a.a. são chamados de estatísticas e são variáveis aleatórias, pois coforme a amostra que se tome eles assumem valores distitos, embora próximos. ESTATÍSTICA Estatística é uma fução das variáveis observáveis e é por si própria uma v.a. observável que ão cotém qualquer parâmetro descohecido. Exemplo Seja a a.a. [X 1, X,..., X ] de uma característica populacioal com f.d.p. N(, ). A média amostral e a variâcia amostral s são estatísticas. São fuções de variáveis aleatórias observáveis e ão depedem de qualquer parâmetro descohecido. x A descrição umérica de dados (em geral amostras) [X 1, X,..., X ] é feita usado-se as estatísticas seguites (pricipais):

11 MEDIDAS DE CENTRALIDADE (MEDIDAS DE TENDÊNCIA CENTRAL) 1 média amostral x x i i1 (a média amostral x estima a verdadeira média populacioal ). Exemplo 1: Duas máquias produzem peças que estão especificadas com valor omial = mm e tolerâcia = 0. mm. Foi tomada da 1 a. máquia uma amostra com tamaho = 5 peças que foreceram as seguites observações: 1,98,01,0 1,99 e. Já a a. máquia foreceu uma amostra do mesmo tamaho com as observações:,01,01 1,98,0. Você diria, com base as amostras, que as duas máquias estão cetradas o alvo das especificações? Tome a sua decisão calculado as médias amostrais. Exemplo : Calcule a média amostral de cada uma das amostras aleatórias seguites: a) b) 1,5,0 1,0,5,5 c) d) X i f i mediaa = m e x 1 (separa os dados ordeados em duas partes com igual úmero de termos) P( X m ) P( X m ) 0, 50 e Exemplo 3: Calcule a mediaa amostral de cada uma das amostras aleatórias seguites: a) b) 1,5,0 1,0,5 3,0 c) X i Moda m o é o valor que possui mais alta frequêcia. (a moda pode ão ser úica) f i e Exemplo 4: Qual o valor da moda a amostra do item c do exemplo aterior?

12 EXERCÍCIOS 1) A mediaa é uma separatriz, além de uma medida de cetralidade. Etão, o que faz a separatriz? ) Os quartis são medidas de posição (ordem), ou aida, separatrizes. Quatos são os quartis e o qual a sua fução? 3) A aálise de uma amostra foreceu os seguites quartis: Q 1 = 7, Q = 10 e Q 3 = 13. Iterprete o sigificado de cada um dos quartis quato à população de ode vieram os dados. 4) Os percetís são medidas de posição (ordem), ou aida, separatrizes. Qual a sua fução? 5) O cálculo do percetil P i deve partir da orgaização dos valores dos dados em ordem crescete, X (1), X (),...,X (i), X (s),... X (), com i =1,, e s =,3,...,. A expressão de cálculo do percetil P i é: ode, ( posi Fai ) P i = X i + ( X s X i ) Fa Fa X i é o limite iferior do itervalo de valor que cotém o percetil P i; s i X s é o limite superior do itervalo de valor que cotém o percetil P i; Fa i é a frequêcia acumulada imediatamete iferior a posição, pos i, do percetil P i; Fa s é a frequêcia acumulada imediatamete superior a posição, pos i, do percetil P i; Pos i é a posição do percetil a ordem da frequêcia acumulada dada por pos i = in 100 ode N é o total de valores. Calcule o percetil P 5 o cojuto de dados: 5, 4, 5, 4, 6, 3,, 4, 5, 6, 6, 7, 3, 4, 5, 6, 7, 4, 3, 5, 5, 8, 3,, 8, 7, 5, 5, 9, 5. 6) A amostra do exercício 3 foreceu P 5 = 5,5 ; P 50 = 10 e P 95 = 15,. Iterprete o sigificado de cada um dos percetís quato à população de ode vieram os dados. Qual o valor da mediaa? 7) A amostra do exercício 3 foreceu P,5 = 5 ; P 50 = 10 e P 97,5 = 15,5. Iterprete o sigificado de cada um dos percetís quato à população de ode vieram os dados. Qual o valor da mediaa? MEDIDAS DE DISPERSÃO (VARIABILIDADE DOS DADOS) 1 1 variâcia amostral s xi x i1 (a variâcia amostral s estima a verdadeira variâcia populacioal e mede quato os dados estão dispersos em toro da média, assim ela é uma estimativa da medida de variabilidade dos dados). desvio padrão s s

13 (o desvio padrão s estima o verdadeiro desvio padrão populacioal, e tem a vatagem de estar a mesma uidade de medida dos dados, e ão elevado ao quadrado como é o caso da variâcia, mede a dispersão dos dados em toro de um valor médio). Erro padrão da média é o desvio padrão da estatística X amplitude a = R x x 1 (a amplitude é uma medida de dispersão, correspode a difereça etre o maior valor observado x [] e o meor valor observado x [1]). coeficiete de variação C v s x (o coeficiete de variação é uma medida relativa de dispersão e mede a variabilidade dos dados em termos de uidades da média). Exemplo 1: Duas máquias produzem peças que estão especificadas com valor omial = mm e tolerâcia = 0. mm. Foi tomada da 1 a. máquia uma amostra com tamaho = 5 peças que foreceram as seguites observações: 1,98,01,0 1,99 e. Já a a. máquia foreceu uma amostra do mesmo tamaho com as observações:,01,01 1,98,0. Você diria, com base as amostras, que as duas máquias estão com a mesma dispersão? a) Tome a sua decisão calculado as variâcias amostrais das observações das máquias. b) Tome a sua decisão calculado os desvios padrões das observações das máquias. c) Tome a sua decisão calculado os coeficietes de variação amostrais das observações das máquias. d) Tome a sua decisão calculado a amplitude de cada amostra. e) Qual o erro padrão da média de cada máquia? Exemplo : Calcule a variâcia amostral, o desvio padrão, o erro padrão, o coeficiete de variação e a amplitude de variação de cada uma das amostras aleatórias seguites: a) b) 1,5,0 1,0,5,5 c) d) X i f i

14 Exemplo 3: Uma máquia está produzido determiado item com um valor médio igual a 5,0 e um desvio padrão igual a 1,0. Outra máquia está produzido o mesmo tipo de item, porém está com uma média de 3,0 e um desvio padrão de 0,8. O valor omial (alvo) especificado para a dimesão do item é 4,0. Portato, ambos os processos estão descetrados e, é lógico, deverão ser colocados o cetro. A perguta que se faz agora é: qual máquia apreseta maior variabilidade (dispersão)? Exemplo 4 Os dados abaixo correspodem a uma amostra aleatória do diâmetro do furo (em mm) para fixação de certo equipameto aeroáutico. Descreva os dados umericamete e graficamete. 10,5 10,9 10,3 11,3 10,4 10, 10,1 10,5 10,7 11,1 10,9 10,8 10,3 10, 10,3 10,4 10,5 10, 10,8 10,9 10,5 10,6 10,4 10,7 10,5 10,6 10,5 10,7 10,6 10,5 LISTA DE EXERCÍCIOS N o 1 1) Os diâmetros de oito macais selecioados ao acaso são os seguites (em mm): 50,001 50,00 49,998 50,006 50,005 49,996 50,003 50,004 a) Calcule a média amostral. b) Calcule o desvio padrão amostral. c) Calcule o erro padrão amostral. d) Calcule a amplitude da amostra. ) O tempo de vida até falhar em horas de um compoete eletrôico sujeito a um teste de durabilidade acelerado é mostrado abaixo para uma amostra com tamaho = 40. Para acelerar a falha o teste, as uidades experimetais são testadas sob uma temperatura elevada a) Calcule a media amostral. b) Calcule o desvio padrão amostral. c) Costrua o histograma. d) Calcule o P 95. e) Calcule a mediaa e os quartis. f) Qual a fialidade das estatísticas que você calculou os ites ateriores. 3) Os dados abaixo são leituras do redimeto de um processo químico em dias sucessivos (leia da esquerda para a direita). Faça o histograma dos dados, comete o aspecto do histograma e verifique se o histograma lembra alguma distribuição de probabilidade cohecida.

15 94,1 87,3 94,1 9,4 84,6 85,4 93, 84,1 9,1 90,6 83,6 86,6 90,6 90,1 96,4 89,1 85,4 91,7 91,4 95, 88, 88,8 89,7 87,5 88, 86,1 86,4 86,4 87,6 84, 86,1 94,3 85,0 85,1 85,1 85,1 95,1 93, 84,9 84,0 89,6 90,5 90,0 86,7 87,3 93,7 90,0 95,6 9,4 83,0 89,6 87,7 90,1 88,3 87,3 95,3 90,3 90,6 94,3 84,1 86,6 94,1 93,1 89,4 97,3 83,7 91, 97,8 94,6 88,6 96,8 8,9 86,1 93,1 96,3 84,1 94,4 87,3 90,4 86,4 94,7 8,6 96,1 86,4 89,1 87,6 91,1 83,1 98,0 84,5 4) Cosidere o redimeto do processo químico do exercício aterior. Calcule a média amostral, o desvio padrão amostral e a amplitude amostral. 5) Supoha que dois dados ão-viciados são laçados e uma variável aleatória observada, digamos X, que correspode à soma das duas faces superiores. Descreva o espaço amostral do experimeto e determie a fução de probabilidade da v.a. X. 6) Calculadoras eletrôicas são classificadas ao fial de um trabalho de ispeção. Três tipos de ão-coformidade podem ocorrer as calculadoras: crítica, maior e meor. A experiêcia tem idicado que os defeitos ocorrem da maeira seguite: calculadoras com defeitos percetual críticos 0,5% maiores 1,0% meores,0% ambos crítico e maior 1,% ambos crítico e meor 0,8% ambos maior e meor 0,5% os três defeitos 0,1% a) Qual a porcetagem da produção que estão de acordo com as especificações de projeto? b) Calculadoras que tem defeito crítico ou defeito crítico e outro tipo de defeito devem ser jogadas fora. Qual a porcetagem da produção jogada fora? c) Calculadoras com defeito maior ou meor ou ambos devem ser cosertadas. Qual a porcetagem da produção sujeita a retrabalho? 7) A distribuição de probabilidade da v.a. cotíua X tem a seguite fução desidade de x probabilidade f ( x) k e, 0 x. Ache a valor da costate k e também a média e a variâcia de X. X 8) A v.a. X assume os valores 1,, ou 3 com probabilidades (1+3k)/3, (1+k)/3 e (0,5+5k)/3, respectivamete. a) Determie o valor adequado de k. b) Determie a média e a variâcia de X. c) Determie a fução distribuição acumulada de X.

16 x 9) A distribuição de probabilidade de uma v.a. discreta é: p ( x) k r, 0 r 1. Ache o valor adequado de k sabedo-se que o cotradomíio de x é 0, 1,,... 10) Uma fábrica de calculadoras eletrôicas oferece garatia de um ao. Se a calculadora falha por qualquer razão este período, ela é substituída. O tempo de falha é modelado pela seguite 0, 15x distribuição de probabilidade f ( x) 0, 15 e, x 0. X a) Qual a porcetagem de calculadoras que falham o período da garatia? X 1.5- DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE a) A distribuição Beroulli Uma v.a. X tem distribuição Beroulli quado assume apeas um de dois valores 1 ou 0, sedo que assume o valor 1 com probabilidade e 0 com probabilidade 1 -, ou seja, P(X=1) = e P(X=0) = 1 -. A fução de probabilidade (f.p.) dessa v.a. X é: P ( X x ) p ( x X ) x (1 x) x = 0, 1 e 0 < < 1 (1 ) Os parâmetros média e variâcia são dados por: E(X) = = e V(X) = = (1-) Esta distribuição é usada a idicação de peça perfeita (0) ou defeituosa (1), se o "sucesso" de iteresse é peça defeituosa. b) A distribuição Biomial Uma v.a. Y tem distribuição Biomial quado cota o úmero de sucessos em provas idepedetes tipo Beroulli, ou seja, provas que coduzem a um de dois resultados: sucesso ou fracasso, perfeito ou defeituoso, masculio ou femiio, etc. A fução de probabilidade (f.p.) dessa v.a. Y é:. P( Y y) py ( y) (1 ) y ou y y y = 0, 1,,..., 0 < < 1! y y P( Y y) p( y) (1 ), y 0,1,,..., ;0 1 y! y! Os parâmetros média e variâcia dessa v.a. são dados por: E( Y) e V ( Y) (1 ) A distribuição Biomial é usada frequetemete em Cotrole de Qualidade e é o modelo de probabilidade idicado quado se amostra uma população que possui a fração de defeituosos. Assim se o tamaho da amostra é, tem-se pela expressão acima a probabilidade de se obter

17 y ites defeituosos a amostra de tamaho. Uma estatística muito importate em Cotrole Estatístico da Qualidade é a variável aleatória: ˆ x y, ode y ~ b(, ) Esta estatística estima à verdadeira proporção de ites ão-coformes a população (probabilidade de um item defeituoso) e é cohecida como fração amostral de defeituosos. A esperaça e a variâcia dessa estatística são: E( ) e V( ( 1 ) ) Esses parâmetros são estimados pelas estatísticas: xi ˆ i1 y x e V(X) ˆ ˆ = X x ( 1 x) c) Distribuição de Poisso Uma v.a. X tem distribuição de Poisso quado a sua f.p. é dada por: x e P( X x) px ( x), x 0,1,,... e... x! Os parâmetros: média () e variâcia ( ) dessa v.a. são dados por: E (X ) e V(X) = = Uma aplicação importate desta distribuição de probabilidade, ecotrada em Cotrole Estatístico de Qualidade, está em utilizá-la como um modelo para o úmero de defeitos que podem ocorrer por uidade do produto. A uidade do produto pode ser etedida como uidade de comprimeto, uidade de área, uidade de volume, uidade de tempo, etc. De uma maeira geral, uma v.a. do tipo Poisso cota o úmero de ocorrêcias de um feômeo em um itervalo de tempo, de comprimeto de área, de volume, etc. d) Distribuição Hipergeométrica Uma v.a. X tem distribuição hipergeométrica quado a sua f.p. tem a expressão: D N D x 0, 1,,..., mi(, D) x x D 0, 1,,..., N P( X x), N 1,, 3,..., N N 1,, 3,... Os parâmetros: média e variâcia dessa v.a. são dados por:

18 E( X ) D N D D N V ( X ) 1 N N N 1 A situação do modelo hipergeométrico é aquela ode existe uma população fiita composta por N ites. Uma parte da população é formada por ites com alguma característica especial ou ãocoformes, D ( D N). Uma amostra aleatória com tamaho é selecioada da população, sem reposição. O úmero de ites com aquela característica especial é observado, X. Neste caso a v.a. X tem distribuição hipergeométrica e a sua f.p. é dada pela expressão acima. Este modelo de probabilidade é idicado quado se está selecioado uma a.a. com ites, sem reposição, de um lote com um total de N, sedo que do total D são defeituosos. Assim a v.a. X represeta o úmero de ites defeituosos ou fora de especificação presetes a amostra. e) Distribuição de Pascal A distribuição de Pascal, da mesma forma que a Biomial, é baseada as chamadas "provas de Beroulli". Seja uma sequêcia de provas idepedetes, cada uma com a probabilidade de sucesso e supoha que X deota a prova a qual ocorreu o r-ésimo sucesso. Etão X é uma v.a. com Distribuição de Pascal e tem a seguite f.p.: x 1 P( X r 1 r xr x) p X ( x) (1 ) x r, r 1, r,..., e r 1 (it eiro) Os parâmetros: média e variâcia dessa v.a. são dados por: r E( x) e V( x) r( 1 ) A Distribuição de Pascal é iteressate em dois casos especiais: 1 º ) Quado r > 1 obtêm-se a forma da distribuição de Pascal uma v.a. com distribuição Biomial Negativa. Na distribuição Biomial Negativa se fixa o úmero de sucessos, r, e se observa o tamaho da amostra, X, ecessário para que aquele úmero de sucessos seja obtido. 0. )- Quado r = 1 tem-se uma v.a. com a chamada distribuição geométrica que cota o umero de provas Beroulli até que ocorra o primeiro sucesso, a f.p. adquire a forma: x1 P( X x) ( 1 ) x = 1,,... = E(X) = e = V(x) = (1-)

19 ( x 1)! resultado para ( r 1)!( x 1 r 1)! com r = 1 o seguite ( x 1)! ( 1 1)!( x 1)! ( x 1)! 1 ( x 1)! 1.6- DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE a) Distribuição Normal Uma v.a. X tem distribuição ormal ou distribuição Gaussiaa quado a sua f.d.p. tem a forma: 1 f ( x) e 1 x, x, e 0 Na distribuição Gaussiaa a probabilidade da v.a. X assumir um valor etre a e b (a < b) é dado por: P( a X b) fx ( x) dx A média e a variâcia da v.a. X são dadas por: a b E(X ) e V(X) = Na prática é mais fácil trabalhar-se com a chamada distribuição Normal Padrão, correspodete a v.a. Z, que tem média 0 e variâcia 1, A v.a. Z tem f.d.p. dada por: x Z ~ N(0, 1) f 1 1 z Z ( z) e, z A média e a variâcia dessa v.a. são: E ( Z) 0 e V(Z) = 1 a X b E, veja que a P( a X b) P P( z1 Z z ) b) Distribuição Expoecial Uma v.a. X tem distribuição Expoecial quato a sua f.d.p é dada pela expressão, f x X( x) e x > 0 e > 0 A média e a variâcia dessa v.a. são:

20 1 1 E ( X ) e V ( X ) A distribuição Expoecial é muito usada em Cofiabilidade como modelo da v.a. tempo de falha de um compoete de um sistema. sistema e a média 1 Assim, o parâmetro é chamado de taxa de falha do é deomiada tempo médio até falhar. A taxa de falha do sistema,, é cosiderada costate o tempo e devido isto a distribuição Expoecial é cosiderada uma distribuição "sem memória", pois ão leva em cota o evelhecimeto do equipameto. Uma proposta mais realista é a de que a taxa de falhas aumeta com o evelhecimeto, o que ão é cosiderado a distribuição Expoecial. É importate defiir-se aqui o que se etede por taxa de falhas ou fução risco: ode f x(t) é a f.d.p. da v.a. T e F X(t) é a f.d. ( t) 1 fx ( t) F ( t) No caso da distribuição expoecial tem-se esta taxa costate, c) Distribuição Gama t ( t) e t ( e ) 1 1 Uma v.a X tem distribuição chamada de Gama quado a sua f.d.p tem a seguite expressão, ode é a fução matemática gama igual a 1 x fx ( x) x e, x 0, 0 e 0 ( ) ( m ) x m 1 e dx ( m 1 ) m( m) m! (fórmula de recorrêcia) 0 X ax 1 A média e a variâcia da v.a. X com distribuição Gama são dadas por, E(X) e V(X)

21 Algumas distribuições importates são derivadas da Gama, ou seja, são Gama com valores específicos para os parâmetros, tais como: c1) Distribuição Expoecial Quado = 1 a distribuição Gama tora-se uma Expoecial com parâmetro. c) Distribuição Qui-quadrado Quado e 1 a distribuição Gama tora-se uma distribuição com graus de liberdade) cuja f.d.p é dada por: 1 x fx ( x) x 1 1 e, x 0 e N A esperaça e a variâcia da v.a. X são dadas por, E(X) e V(X) * (qui-quadrado d) Distribuição Weibull Uma v.a. X tem distribuição Weibull quado a sua f.d.p. é defiida por: 1 x f ( x) x e, x,, X Se = 1 a distribuição Weibull tora-se uma expoecial com parâmetro. A média e a variâcia da v.a. X com distribuição Weibull são respectivamete: E(X) 1 e V(X) 1 1 A pricipal característica da distribuição de Weibull é a de que possui a taxa de falhas variado o tempo, ( ). 1 x x, x 0 Sedo que quado o parâmetro > 1 a taxa de falhas, (x), aumeta e passa a dimiuir quado < 1, ficado costate para = 1, como se pode observar a fução acima.

22 OBS: é comum ecotrar-se a literatura a f.d.p. da v.a. Weibull escrita em uma forma diferete da clássica, que é a defiida ateriormete. Esta forma alterativa ocorre quato se faz = a e 1 b a, obtedo-se f X a x a1 b a x e ( x), x 0, a 0, b 0 a b O pacote estatístico MINITAB trabalha com esta forma. e) Distribuição "t" de Studet Sejam as v.a's Z ~ N(0, 1) e U ~ o úmero de graus de liberdade. A estatística t =, etão a v.a. T x s Z U, ode tem distribuição t, ode é x ~ N(, ) tem distribuição t com um úmero de graus de liberdade (G.L's) igual ao deomiador de s (estimador de ). A esperaça e a variâcia da v.a. T são dadas por: E( T) 0 e V( T) A difereça básica etre a distribuição t de Studet e a distribuição Normal Padrão é que a variâcia da t é um pouco maior, como se pode observar a expressão da variâcia de T O TEOREMA CENTRAL DO LIMITE E APROXIMAÇÕES IMPORTANTES Como já se afirmou ateriormete a distribuição de probabilidade Gaussiaa é o modelo mais frequetemete adotado para uma v.a. Mas acotece algumas vezes desse modelo ão se ajustar adequadamete aos dados. O Teorema Cetral do Limite pode ser útil este caso, pois ele garate que se, X 1, X, X 3,..., X são v.a.'s idepedetes com médias i e variâcias i e S E( S) se S = X 1 + X X, etão a distribuição da estatística tem distribuição Normal V ( S) Padrão quado ou seja: S i1 i1 i i N( 0, 1).

23 APROXIMAÇÃO DA BINOMIAL PARA HIPERGEOMÉTRICA Quado a distribuição Hipergeométrica a fração de amostragem for muito baixa ou seja N 0, 1 a distribuição Biomial com parâmetros D e é uma boa aproximação para N esta distribuição APROXIMAÇÃO DA POISSON PARA A BINOMIAL A distribuição de Poisso pode ser tratada como a distribuição limite da distribuição Biomial quado se tem próximo de zero e tededo para o ifiito com costate. Desta forma a distribuição de Poisso com parâmetro pode ser usada para aproximar a Biomial. A aproximação é boa quado é grade e < 0,1. O Teorema Cetral do Limite pode ser usado para garatir a aproximação Normal para a distribuição Biomial. A v.a. Y com distribuição Biomial pode ser cosiderada como uma soma de v.a's idepedetes Beroulli, cada uma com probabilidade de sucesso. Assim, se é grade pelo Teorema Cetral do Limite tem-se que, Y ( 1 ) N( 0, 1 ) Esta aproximação é aceitável quado está em toro de 0,5 e é maior que 10. LISTA DE EXERCÍCIOS N.º 1) A variabilidade do volume egarrafado de uma bebida está sedo aalisada. Uma amostra com tamaho = 10 foi tomada do processo. Os volumes medidos e os resultados são os seguites, a uidade adequada: 10,05 10,03 10,0 10,04 10,05 10,01 10,0 10,0 10,03 10,01 Descreva a amostra. ) Seja a v.a. X que represeta o úmero de ites defeituosos presetes em uma amostra de tamaho = 10, tomada de um lote que possui 100 ites, iclusive 5 defeituosos. A amostra é tomada sem reposição. Calcule a probabilidade de aparecer a amostra o máximo 1 dos defeituosos. 3) Em um processo de produção de tecido aparecem determiado defeito com uma média de 4 defeitos por uidade de comprimeto. Calcule probabilidade de em uma uidade de comprimeto selecioada ao caso ocorrer o máximo defeitos. 4) A resistêcia à tração é uma característica muito importate do papel usada para fazer sacolas para carregar matimetos. Supodo que a v.a. X represete esta força e que ela tem uma distribuição N(40, 4) para determiado tipo de papel e que a alça dessa sacola requer que a força

24 de resistêcia seja de pelo meos 35 uidades, calcule a probabilidade de que uma sacola produzida com este papel atija ou exceda a especificação. 5) O diâmetro do pio de metal usado em uma uidade de "disk-drive", é ormalmete distribuído com média de 0,508 e desvio padrão de 0,0005 uidades. A especificação de projeto do pio estabeleceu que o diâmetro deve ficar etre 0,500 0,0015 uidades. Determie a fração de defeituosos produzidos de acordo com a especificação.

Cap. 4 - Estimação por Intervalo

Cap. 4 - Estimação por Intervalo Cap. 4 - Estimação por Itervalo Amostragem e iferêcia estatística População: cosiste a totalidade das observações em que estamos iteressados. Nº de observações a população é deomiado tamaho=n. Amostra:

Leia mais

Avaliação de Desempenho de Sistemas Discretos

Avaliação de Desempenho de Sistemas Discretos Distribuições Comus Avaliação de Desempeho de Sistemas Discretos Probabilidade e Estatística 2 Uiforme Normal Poisso Hipergeométrica Biomial Studet's Geométrica Logormal Expoecial Beta Gamma Qui-Quadrado

Leia mais

Distribuições Amostrais

Distribuições Amostrais 9/3/06 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/09/06 3:38 ESTATÍSTICA APLICADA I - Teoria

Leia mais

MOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel

MOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semaas 1 2 3 4 5 6 7 8 9 1 11 12 13 14 15 e 16 Itrodução à probabilidade evetos

Leia mais

Intervalos de Confiança

Intervalos de Confiança Itervalos de Cofiaça Prof. Adriao Medoça Souza, Dr. Departameto de Estatística - PPGEMQ / PPGEP - UFSM - 0/9/008 Estimação de Parâmetros O objetivo da Estatística é a realização de iferêcias acerca de

Leia mais

Objetivo. Estimar a média µ de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra.

Objetivo. Estimar a média µ de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra. ESTIMAÇÃO PARA A MÉDIAM Objetivo Estimar a média µ de uma variável aleatória X, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Exemplos: µ : peso médio de homes

Leia mais

DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos:

DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos: 48 DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL LEI DOS GRANDES NÚMEROS Pretede-se estudar o seguite problema: À medida que o úmero de repetições de uma experiêcia cresce, a frequêcia relativa

Leia mais

Capítulo 5- Introdução à Inferência estatística.

Capítulo 5- Introdução à Inferência estatística. Capítulo 5- Itrodução à Iferêcia estatística. 1.1) Itrodução.(184) Na iferêcia estatística, aalisamos e iterpretamos amostras com o objetivo de tirar coclusões acerca da população de ode se extraiu a amostra.

Leia mais

DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia

DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia ROTEIRO DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL 1. Itrodução. Teorema Cetral do Limite 3. Coceitos de estimação potual 4. Métodos de estimação potual 5. Referêcias Estatística Aplicada à Egeharia 1 Estatística

Leia mais

1 Distribuições Amostrais

1 Distribuições Amostrais 1 Distribuições Amostrais Ao retirarmos uma amostra aleatória de uma população e calcularmos a partir desta amostra qualquer quatidade, ecotramos a estatística, ou seja, chamaremos os valores calculados

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADE

DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÃO DE PROBABILIDADE Seja uma v.a. que assume os valores,,..., com probabilidade p, p,..., p associadas a cada elemeto de, sedo p p... p diz-se que está defiida

Leia mais

População x Amostra. statística descritiva X inferência estatística. Revisão de Estatística e Probabilidade

População x Amostra. statística descritiva X inferência estatística. Revisão de Estatística e Probabilidade Revisão de Estatística e Probabilidade Magos Martiello Uiversidade Federal do Espírito Sato - UFES Departameto de Iformática DI Laboratório de Pesquisas em Redes Multimidia LPRM statística descritiva X

Leia mais

Amostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?

Amostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença? Amostras Aleatórias e Distribuições Amostrais Probabilidade e Estatística: afial, qual é a difereça? Até agora o que fizemos foi desevolver modelos probabilísticos que se adequavam a situações reais. Por

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 1

MAE Introdução à Probabilidade e Estatística II Resolução Lista 1 MAE 229 - Itrodução à Probabilidade e Estatística II Resolução Lista 1 Professor: Pedro Moretti Exercício 1 (a) Fazer histograma usado os seguites dados: Distribuição de probabilidade da variável X: X

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPTO. DE ESTATÍSTICA LISTA 4 PROBABILIDADE A (CE068) Prof. Benito Olivares Aguilera

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPTO. DE ESTATÍSTICA LISTA 4 PROBABILIDADE A (CE068) Prof. Benito Olivares Aguilera UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EATAS DEPTO. DE ESTATÍSTICA LISTA 4 PROBABILIDADE A (CE068) Prof. Beito Olivares Aguilera 2 o Sem./09 1. Das variáveis abaixo descritas, assiale quais são

Leia mais

Probabilidade II Aula 9

Probabilidade II Aula 9 Coteúdo Probabilidade II Aula 9 Maio de 9 Môica Barros, D.Sc. Estatísticas de Ordem Distribuição do Máximo e Míimo de uma amostra Uiforme(,) Distribuição do Máximo e Míimo caso geral Distribuição das Estatísticas

Leia mais

ENGENHARIA DA QUALIDADE A ENG AULA 6 CARTAS DE CONTROLE PARA ATRIBUTOS

ENGENHARIA DA QUALIDADE A ENG AULA 6 CARTAS DE CONTROLE PARA ATRIBUTOS ENGENHARIA DA QUALIDADE A ENG 09008 AULA 6 CARTAS DE CONTROLE PARA ATRIBUTOS PROFESSORES: CARLA SCHWENGBER TEN CATEN Tópicos desta aula Cartas de Cotrole para Variáveis Tipo 1: Tipo 2: Tipo 3: X X X ~

Leia mais

Instruções gerais sobre a Prova:

Instruções gerais sobre a Prova: DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2012/2013 Istruções gerais sobre a Prova: (a) Cada questão respodida corretamete vale 1 (um) poto. (b) Cada

Leia mais

A Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através de evidências fornecidas por uma amostra.

A Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através de evidências fornecidas por uma amostra. UNIVERSIDADE FEDERAL DA PARAÍBA Distribuição Amostral Luiz Medeiros de Araujo Lima Filho Departameto de Estatística INTRODUÇÃO A Iferêcia Estatística é um cojuto de técicas que objetiva estudar a população

Leia mais

b) Fabrico de peças cilíndricas Capítulo 5 - Distribuições conjuntas de probabilidades e complementos X - comprimento da peça Y - diâmetro da peça

b) Fabrico de peças cilíndricas Capítulo 5 - Distribuições conjuntas de probabilidades e complementos X - comprimento da peça Y - diâmetro da peça Capítulo 5 - Distribuições cojutas de probabilidades e complemetos 5.1 Duas variáveis aleatórias discretas. Distribuições cojutas, margiais e codicioais. Idepedêcia Em relação a uma mesma eperiêcia podem

Leia mais

Lista 9 - Introdução à Probabilidade e Estatística

Lista 9 - Introdução à Probabilidade e Estatística Lista 9 - Itrodução à Probabilidade e Estatística Desigualdades e Teoremas Limites 2.=000. 1 Um ariro apota a um alvo de 20 cm de raio. Seus disparos atigem o alvo, em média, a 5 cm do cetro deste. Assuma

Leia mais

ESTIMAÇÃO POR INTERVALO (INTERVALOS DE CONFIANÇA)

ESTIMAÇÃO POR INTERVALO (INTERVALOS DE CONFIANÇA) 06 ETIMÇÃO OR INTERVLO (INTERVLO DE CONINÇ) Cada um dos métodos de estimação potual permite associar a cada parâmetro populacioal um estimador. Ora a cada estimador estão associadas tatas estimativas diferetes

Leia mais

ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p

ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma amostra.

Leia mais

Estimação por Intervalo (Intervalos de Confiança):

Estimação por Intervalo (Intervalos de Confiança): Estimação por Itervalo (Itervalos de Cofiaça): 1) Itervalo de Cofiaça para a Média Populacioal: Muitas vezes, para obter-se a verdadeira média populacioal ão compesa fazer um levatameto a 100% da população

Leia mais

Estimativa de Parâmetros

Estimativa de Parâmetros Estimativa de Parâmetros ENG09004 04/ Prof. Alexadre Pedott pedott@producao.ufrgs.br Trabalho em Grupo Primeira Etrega: 7/0/04. Plao de Amostragem - Cotexto - Tipo de dado, frequêcia de coleta, quatidade

Leia mais

Unidade IX Estimação

Unidade IX Estimação Uidade IX Estimação 6/09/07 Itervalos de cofiaça ii. Para a difereça etre médias de duas populações (μ μ ) caso : Variâcias cohecidas Pressupostos: 6/09/07 x - x x - x ; N é - x x ) ( x x x x E ) ( x x

Leia mais

ESTIMAÇÃO DE PARÂMETROS

ESTIMAÇÃO DE PARÂMETROS ESTIMAÇÃO DE PARÂMETROS 1 Estimação de Parâmetros uiverso do estudo (população) dados observados O raciocíio idutivo da estimação de parâmetros Estimação de Parâmetros POPULAÇÃO p =? AMOSTRA Observações:

Leia mais

PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 2005

PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 2005 PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 005 Istruções para a prova: a) Cada questão respodida corretamete vale um poto. b) Questões deixadas em braco valem zero potos (este caso marque todas alterativas).

Leia mais

AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM

AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM 6 AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM Quado se pretede estudar uma determiada população, aalisam-se certas características ou variáveis dessa população. Essas variáveis poderão ser discretas

Leia mais

CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA

CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA 1 CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA 1. Coceitos Básicos de Probabilidade Variável aleatória: é um úmero (ou vetor) determiado por uma resposta, isto é, uma fução defiida em potos do espaço

Leia mais

ESTATÍSTICA. PROF. RANILDO LOPES U.E PROF EDGAR TITO

ESTATÍSTICA. PROF. RANILDO LOPES  U.E PROF EDGAR TITO ESTATÍSTICA PROF. RANILDO LOPES http://ueedgartito.wordpress.com U.E PROF EDGAR TITO Medidas de tedêcia cetral Medidas cetrais são valores que resumem um cojuto de dados a um úico valor que, de alguma

Leia mais

MEDIDAS DESCRITIVAS DE POSIÇÃO, TENDÊNCIA CENTRAL E VARIABILIDADE

MEDIDAS DESCRITIVAS DE POSIÇÃO, TENDÊNCIA CENTRAL E VARIABILIDADE MEDIDAS DESCRITIVAS DE POSIÇÃO, TENDÊNCIA CENTRAL E VARIABILIDADE 1 Estatística descritiva (Eploratória) PRIMEIRO PASSO: Tabelas (distribuição de frequêcia) e Gráficos. SEGUNDO PASSO: Cálculo de medidas

Leia mais

DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA E PROBABILIDADE SELEÇÃO - MESTRADO/ UFMG /2016

DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA E PROBABILIDADE SELEÇÃO - MESTRADO/ UFMG /2016 DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA E PROBABILIDADE SELEÇÃO - MESTRADO/ UFMG - 205/206 Istruções:. Cada questão respodida corretamete vale (um poto. 2. Cada questão respodida icorretamete

Leia mais

5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO

5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO 5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO 5.1 INTRODUÇÃO Um sistema é defiido como todo o cojuto de compoetes itercoectados, previamete determiados, de forma a realizar um cojuto

Leia mais

ESTATÍSTICA E PROBABILIDADES

ESTATÍSTICA E PROBABILIDADES ESTATÍSTICA E PROBABILIDADES Aluo(a): Turma: Professores: Data: Edu/Vicete Noções de Estatística Podemos eteder a Estatística como sedo o método de estudo de comportameto coletivo, cujas coclusões são

Leia mais

3.4.2 Cálculo da moda para dados tabulados. 3.4 Moda Cálculo da moda para uma lista Cálculo da moda para distribuição de freqüências

3.4.2 Cálculo da moda para dados tabulados. 3.4 Moda Cálculo da moda para uma lista Cálculo da moda para distribuição de freqüências 14 Calcular a mediaa do cojuto descrito pela distribuição de freqüêcias a seguir. 8,0 10,0 10 Sabedo-se que é a somatória das, e, portato, = 15+25+16+34+10 = 100, pode-se determiar a posição cetral /2

Leia mais

Revisando... Distribuição Amostral da Média

Revisando... Distribuição Amostral da Média Estatística Aplicada II DISTRIBUIÇÃO AMOSTRAL MÉDIA AULA 08/08/16 Prof a Lilia M. Lima Cuha Agosto de 016 Revisado... Distribuição Amostral da Média Seja X uma v. a. de uma população com média µ e variâcia

Leia mais

Stela Adami Vayego DEST/UFPR

Stela Adami Vayego DEST/UFPR Resumo 3 Resumo dos dados uméricos por meio de úmeros 1. Medidas de Tedêcia Cetral A tedêcia cetral da distribuição de freqüêcias de uma variável em um cojuto de dados é caracterizada pelo valor típico

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 0: Medidas de Dispersão (webercampos@gmail.com) MÓDULO 0 - MEDIDAS DE DISPERSÃO 1. Coceito: Dispersão é a maior ou meor diversificação dos valores de uma variável, em toro

Leia mais

MODELOS PROBABILÍSTICOS DISCRETOS (BINOMIAL e POISSON)

MODELOS PROBABILÍSTICOS DISCRETOS (BINOMIAL e POISSON) MODELOS PROBABILÍSTICOS DISCRETOS (BINOMIAL e POISSON) Modelos probabilísticos Algumas variáveis aleatórias (V.A.) aparecem com bastate frequêcia em situações práticas de eperimetos aleatórios (E.: peso,

Leia mais

Sumário. 2 Índice Remissivo 19

Sumário. 2 Índice Remissivo 19 i Sumário 1 Estatística Descritiva 1 1.1 Coceitos Básicos.................................... 1 1.1.1 Defiições importates............................. 1 1.2 Tabelas Estatísticas...................................

Leia mais

A finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra.

A finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra. Jaete Pereira Amador Itrodução A aálise de regressão tem por objetivo descrever através de um modelo matemático, a relação existete etre duas variáveis, a partir de observações dessas viráveis. A aálise

Leia mais

) E X. ) = 0 2 ( 1 p ) p = p. ) E 2 ( X ) = p p 2 = p ( 1 p ) ( ) = i 1 n. ( ) 2 n E( X) = ( ) = 1 p ( ) = p V ( X ) = E ( X 2 E X

) E X. ) = 0 2 ( 1 p ) p = p. ) E 2 ( X ) = p p 2 = p ( 1 p ) ( ) = i 1 n. ( ) 2 n E( X) = ( ) = 1 p ( ) = p V ( X ) = E ( X 2 E X 3.5 A distribuição uiforme discreta Defiição: X tem distribuição uiforme discreta se cada um dos valores possíveis,,,, tiver fução de probabilidade P( X = i ) = e represeta-se por, i =,, 0, c.c. X ~ Uif

Leia mais

Variáveis Aleatórias e Distribuições de Probabilidade

Variáveis Aleatórias e Distribuições de Probabilidade PROBABILIDADES Variáveis Aleatórias e Distribuições de Probabilidade BERTOLO Fução de Probabilidades Vamos cosiderar um experimeto E que cosiste o laçameto de um dado hoesto. Seja a variável aleatória

Leia mais

CAPÍTULO 6 ESTIMATIVA DE PARÂMETROS PPGEP. Introdução. Introdução. Estimativa de Parâmetros UFRGS

CAPÍTULO 6 ESTIMATIVA DE PARÂMETROS PPGEP. Introdução. Introdução. Estimativa de Parâmetros UFRGS CAPÍTULO 6 Itrodução Uma variável aleatória é caracterizada ou descrita pela sua distribuição de probabilidade. ETIMATIVA DE PARÂMETRO URG Em aplicações idustriais, as distribuições de probabilidade são

Leia mais

Escola de Engenharia de Lorena EEL USP Departamento de Engenharia Química DEQUI Disciplina: Normalização e Controle da Qualidade NCQ

Escola de Engenharia de Lorena EEL USP Departamento de Engenharia Química DEQUI Disciplina: Normalização e Controle da Qualidade NCQ 1 Escola de Egeharia de orea EE SP Departameto de Egeharia Química DEQI Disciplia: Normalização e Cotrole da Qualidade NCQ Capítulo : Amostragem por Variáveis (MI STD 1) SEÇÃO A.1 Objetivo Este capítulo

Leia mais

Probabilidade II Aula 12

Probabilidade II Aula 12 Coteúdo Probabilidade II Aula Juho de 009 Desigualdade de Marov Desigualdade de Jese Lei Fraca dos Grades Números Môica Barros, D.Sc. Itrodução A variâcia de uma variável aleatória mede a dispersão em

Leia mais

) E 2 ( X) = p p 2 = p( 1 p) ) = 0 2 ( 1 p) p = p ( ) = ( ) = ( ) = p. F - cara (sucesso) C - coroa (insucesso)

) E 2 ( X) = p p 2 = p( 1 p) ) = 0 2 ( 1 p) p = p ( ) = ( ) = ( ) = p. F - cara (sucesso) C - coroa (insucesso) 3.6 A distribuição biomial Defiição: uma eperiêcia ou prova de Beroulli é uma eperiêcia aleatória só com dois resultados possíveis (um deles chamado "sucesso" e o outro "isucesso"). Seja P(sucesso) = p,

Leia mais

10 - Medidas de Variabilidade ou de Dispersão

10 - Medidas de Variabilidade ou de Dispersão 10 - Medidas de Variabilidade ou de Dispersão 10.1 Itrodução Localizado o cetro de uma distribuição de dados, o próximo passo será verificar a dispersão desses dados, buscado uma medida para essa dispersão.

Leia mais

ESTATÍSTICA EXPLORATÓRIA

ESTATÍSTICA EXPLORATÓRIA ESTATÍSTICA EXPLORATÓRIA Prof Paulo Reato A. Firmio praf6@gmail.com Aulas 19-0 1 Iferêcia Idutiva - Defiições Coceitos importates Parâmetro: fução diretamete associada à população É um valor fixo, mas

Leia mais

CAPÍTULO 5 - INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA

CAPÍTULO 5 - INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA CAPÍTULO 5 - INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA 5. INTRODUÇÃO É freqüete ecotrarmos problemas estatísticos do seguite tipo : temos um grade úmero de objetos (população) tais que se fossem tomadas as medidas

Leia mais

Universidade São Judas Tadeu Faculdade de Tecnologia e Ciências Exatas Laboratório de Física e Química

Universidade São Judas Tadeu Faculdade de Tecnologia e Ciências Exatas Laboratório de Física e Química Uiversidade São Judas Tadeu Faculdade de Tecologia e Ciêcias Exatas Laboratório de Física e Química Aálise de Medidas Físicas Quado fazemos uma medida, determiamos um úmero para caracterizar uma gradeza

Leia mais

Prova Escrita de MATEMÁTICA A - 12o Ano a Fase

Prova Escrita de MATEMÁTICA A - 12o Ano a Fase Prova Escrita de MATEMÁTICA A - 1o Ao 00 - a Fase Proposta de resolução GRUPO I 1. Como a probabilidade do João acertar em cada tetativa é 0,, a probabilidade do João acertar as tetativas é 0, 0, 0, 0,

Leia mais

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES. Sessão Prática 4: Amostragem

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES. Sessão Prática 4: Amostragem Mestrado Itegrado em Egeharia Civil Disciplia: TRNSPORTES Prof. Resposável: José Mauel Viegas Sessão Prática 4: mostragem Istituto Superior Técico / Mestrado Itegrado Egª Civil Trasportes ulas Práticas

Leia mais

Processos Estocásticos

Processos Estocásticos IFBA Processos Estocásticos Versão 1 Alla de Sousa Soares Graduação: Liceciatura em Matemática - UESB Especilização: Matemática Pura - UESB Mestrado: Matemática Pura - UFMG Vitória da Coquista - BA 2014

Leia mais

Teorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança

Teorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança Teorema do Limite Cetral, distribuição amostral, estimação por poto e itervalo de cofiaça Prof. Marcos Pó Métodos Quatitativos para Ciêcias Sociais Distribuição amostral Duas amostrages iguais oriudas

Leia mais

Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos

Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos Aálise de Algoritmos Aálise de Algoritmos Prof Dr José Augusto Baraauskas DFM-FFCLRP-USP A Aálise de Algoritmos é um campo da Ciêcia da Computação que tem como objetivo o etedimeto da complexidade dos

Leia mais

PROVA 1 27/10/ Os dados apresentados na seqüência mostram os resultados de colesterol

PROVA 1 27/10/ Os dados apresentados na seqüência mostram os resultados de colesterol PROVA 1 7/10/009 Nome: GABARITO 1. Os dados apresetados a seqüêcia mostram os resultados de colesterol mg /100ml em dois grupos de aimais. O grupo A é formado por 10 total ( ) aimais submetidos a um cotrole

Leia mais

Cap. VI Histogramas e Curvas de Distribuição

Cap. VI Histogramas e Curvas de Distribuição TLF /11 Capítulo VI Histogramas e curvas de distribuição 6.1. Distribuições e histogramas. 6 6.. Distribuição limite 63 6.3. Sigificado da distribuição limite: frequêcia esperada e probabilidade de um

Leia mais

Universidade Federal de Lavras Departamento de Ciências Exatas Prof. Daniel Furtado Ferreira 1 a Aula Prática Técnicas de somatório

Universidade Federal de Lavras Departamento de Ciências Exatas Prof. Daniel Furtado Ferreira 1 a Aula Prática Técnicas de somatório Uiversidade Federal de Lavras Departameto de Ciêcias Exatas Prof. Daiel Furtado Ferreira 1 a Aula Prática Técicas de somatório Notação e propriedades: 1) Variáveis e ídices: o símbolo x j (leia x ídice

Leia mais

Distribuição de Bernoulli

Distribuição de Bernoulli Algumas Distribuições Discretas Cálculo das Probabilidades e Estatística I Prof. Luiz Medeiros Departameto de Estatística UFPB Distribuição de Beroulli Na prática muitos eperimetos admitem apeas dois resultados

Leia mais

Teorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança

Teorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança Teorema do Limite Cetral, distribuição amostral, estimação por poto e itervalo de cofiaça Prof. Marcos Pó Métodos Quatitativos para Ciêcias Sociais Distribuição amostral Duas amostrages iguais oriudas

Leia mais

ESTATÍSTICA- II DISTRIBUIÇÃO DE FREQUÊNCIA. 1- CONCEITO É a série estatística que tem o tempo, o espaço e a espécie como variáveis dependentes.

ESTATÍSTICA- II DISTRIBUIÇÃO DE FREQUÊNCIA. 1- CONCEITO É a série estatística que tem o tempo, o espaço e a espécie como variáveis dependentes. ESTATÍSTICA- II DISTRIBUIÇÃO DE FREQUÊNCIA 1- CONCEITO É a série estatística que tem o tempo, o espaço e a espécie como variáveis depedetes. - DISTRIBUIÇÃO DE FREQUÊNCIA a) Dados Brutos É um cojuto resultate

Leia mais

Intervalos Estatísticos para uma única Amostra - parte II

Intervalos Estatísticos para uma única Amostra - parte II Itervalos Estatísticos para uma úica Amostra - parte II Itervalo de cofiaça para proporção 2012/02 1 Itrodução 2 3 Objetivos Ao fial deste capítulo você deve ser capaz de: Costruir itervalos de cofiaça

Leia mais

4. Inferência Estatística Estimadores Pontuais

4. Inferência Estatística Estimadores Pontuais 4. Iferêcia Estatística Estimadores Potuais 4.1. Itrodução Em lihas gerais, a Iferêcia Estatística objetiva estudar a população através de evidêcias forecidas pela amostra. É a amostra que cotém os elemetos

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL E MEDIDAS DE DISPERSÃO Í N D I C E

MEDIDAS DE TENDÊNCIA CENTRAL E MEDIDAS DE DISPERSÃO Í N D I C E MEDIDAS DE TENDÊNCIA CENTRAL E MEDIDAS DE DISPERSÃO Í N D I C E Medidas de Tedêcia Cetral Itrodução... 1- Média Aritmética... - Moda... 3- Mediaa... Medidas de Dispersão 4- Amplitude Total... 5- Variâcia

Leia mais

Uma amostra aleatória simples de n elementos é selecionada a partir da população. Calcula-se o valor da média a partir da amostra

Uma amostra aleatória simples de n elementos é selecionada a partir da população. Calcula-se o valor da média a partir da amostra Distribuição amostral de Um dos procedimetos estatísticos mais comus é o uso de uma média da amostra ( ) para fazer iferêcias sobre uma população de média µ. Esse processo é apresetado a figura abaio.

Leia mais

Exame MACS- Inferência-Intervalos.

Exame MACS- Inferência-Intervalos. Exame MACS- Iferêcia-Itervalos. No iício deste capítulo, surgem algumas ideias que devemos ter presetes: O objectivo da iferêcia estatística é usar uma amostra e tirar coclusões para toda a população.

Leia mais

Virgílio A. F. Almeida DCC-UFMG 1/2005

Virgílio A. F. Almeida DCC-UFMG 1/2005 Virgílio A. F. Almeida DCC-UFMG 1/005 !" # Comparado quatitativamete sistemas eperimetais: Algoritmos, protótipos, modelos, etc Sigificado de uma amostra Itervalos de cofiaça Tomado decisões e comparado

Leia mais

Fundamentos de Análise Matemática Profª Ana Paula. Números reais

Fundamentos de Análise Matemática Profª Ana Paula. Números reais Fudametos de Aálise Matemática Profª Aa Paula Números reais 1,, 3, cojuto dos úmeros aturais 0,1,,3, cojuto dos úmeros iteiros p q /p e q cojuto dos úmeros racioais a, a 0 a 1 a a, a e a i 0, 1,, 3, 4,

Leia mais

Introdução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ...

Introdução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ... Itrodução Exemplos Para curar uma certa doeça existem quatro tratametos possíveis: A, B, C e D. Pretede-se saber se existem difereças sigificativas os tratametos o que diz respeito ao tempo ecessário para

Leia mais

Análise de Regressão Linear Múltipla I

Análise de Regressão Linear Múltipla I Aálise de Regressão Liear Múltipla I Aula 04 Gujarati e Porter, 0 Capítulos 7 e 0 tradução da 5ª ed. Heij et al., 004 Capítulo 3 Wooldridge, 0 Capítulo 3 tradução da 4ª ed. Itrodução Como pode ser visto

Leia mais

CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES

CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES 6. INTRODUÇÃO INFERÊNCIA ESTATÍSTICA Estimação por poto por itervalo Testes de Hipóteses População X θ =? Amostra θ Iferêcia Estatística X, X,..., X 6. ESTIMAÇÃO

Leia mais

Recredenciamento Portaria MEC 347, de D.O.U

Recredenciamento Portaria MEC 347, de D.O.U Portaria MEC 347, de 05.04.0 - D.O.U. 0.04.0. ESTATÍSTICA I / MÉTODOS QUANTITATIVOS E PROCESSO DECISÓRIO I / ESTATÍSTICA APLICADA À EDUCAÇÃO Elemetos de Probabilidade Quest(i) Ecotramos, a atureza, dois

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 04: Medidas de Posição (webercampos@gmail.com) . MÉDIA ARITMÉTICA : Para um cojuto de valores Média Aritmética Simples: xi p Média Aritmética Poderada: MÓDULO 04 - MEDIDAS

Leia mais

Estatística Aplicada Medidas Resumo Apostila 4 Prof. Fábio Hipólito Aluno(a):

Estatística Aplicada Medidas Resumo Apostila 4 Prof. Fábio Hipólito Aluno(a): Medidas Resumo Apostila 4 Prof. Fábio Hipólito Aluo(a): # Objetivo desta aula: Calcular as medidas de tedêcia cetral: média, moda e mediaa para distribuições de frequêcias potuais e por itervalos de classes.

Leia mais

ESCOLA BÁSICA DE ALFORNELOS

ESCOLA BÁSICA DE ALFORNELOS ESCOLA BÁSICA DE ALFORNELOS FICHA DE TRABALHO DE MATEMÁTICA 9.º ANO VALORES APROXIMADOS DE NÚMEROS REAIS Dado um úmero xe um úmero positivo r, um úmero x como uma aproximação de x com erro iferior a r

Leia mais

4 Teoria da Probabilidade

4 Teoria da Probabilidade 48 4 Teoria da Probabilidade Apresetam-se este capítulo coceitos de probabilidade e de estimação de fuções desidade de probabilidade ecessários ao desevolvimeto e compreesão do modelo proposto (capítulo

Leia mais

Faculdade de Economia Universidade Nova de Lisboa ESTATÍSTICA. Exame Final 2ª Época 26 de Junho de Grupo I (3 valores)

Faculdade de Economia Universidade Nova de Lisboa ESTATÍSTICA. Exame Final 2ª Época 26 de Junho de Grupo I (3 valores) Faculdade de Ecoomia Uiversidade Nova de Lisboa ESTATÍSTIA Exame Fial ª Época 6 de Juho de 00 Ateção:. Respoda a cada grupo em folhas separadas. Idetifique todas as folhas.. Todas as respostas devem ser

Leia mais

Objetivos. Os testes de hipóteses ser: Paramétricos e Não Paramétricos. Testes não-paramétricos. Testes paramétricos

Objetivos. Os testes de hipóteses ser: Paramétricos e Não Paramétricos. Testes não-paramétricos. Testes paramétricos Objetivos Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br Testar o valor hipotético de um parâmetro (testes paramétricos) ou de relacioametos ou modelos (testes ão paramétricos).

Leia mais

CORRELAÇÃO Aqui me tens de regresso

CORRELAÇÃO Aqui me tens de regresso CORRELAÇÃO Aqui me tes de regresso O assuto Correlação fez parte, acompahado de Regressão, do programa de Auditor Fiscal, até 998, desaparecedo a partir do cocurso do ao 000 para agora retorar soziho.

Leia mais

SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO DE CIÊNCIAS BIOLÓGICAS DECB

SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO DE CIÊNCIAS BIOLÓGICAS DECB Govero do Estado do Rio Grade do Norte Secretaria de Estado da Educação e da Cultura - SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO

Leia mais

Lista 9 - Introdução à Probabilidade e Estatística

Lista 9 - Introdução à Probabilidade e Estatística UNIVERSIDADE FEDERAL DO ABC Lista 9 - Itrodução à Probabilidade e Estatística Desigualdades e Teoremas Limites 1 Um ariro apota a um alvo de 20 cm de raio. Seus disparos atigem o alvo, em média, a 5 cm

Leia mais

CPV O cursinho que mais aprova na fgv

CPV O cursinho que mais aprova na fgv CPV O cursiho que mais aprova a fgv FGV ecoomia a Fase 0/dezembro/0 MATEMÁTICA 0. Chamaremos de S() a soma dos algarismos do úmero iteiro positivo, e de P() o produto dos algarismos de. Por exemplo, se

Leia mais

2.2. Séries de potências

2.2. Séries de potências Capítulo 2 Séries de Potêcias 2.. Itrodução Série de potêcias é uma série ifiita de termos variáveis. Assim, a teoria desevolvida para séries ifiitas de termos costates pode ser estedida para a aálise

Leia mais

Séquências e Séries Infinitas de Termos Constantes

Séquências e Séries Infinitas de Termos Constantes Capítulo Séquêcias e Séries Ifiitas de Termos Costates.. Itrodução Neste capítulo estamos iteressados em aalisar as séries ifiitas de termos costates. Etretato, para eteder as séries ifiitas devemos ates

Leia mais

Distribuição Amostral da Média: Exemplos

Distribuição Amostral da Média: Exemplos Distribuição Amostral da Média: Eemplos Talvez a aplicação mais simples da distribuição amostral da média seja o cálculo da probabilidade de uma amostra ter média detro de certa faia de valores. Vamos

Leia mais

Sucessão ou Sequência. Sucessão ou seqüência é todo conjunto que consideramos os elementos dispostos em certa ordem. janeiro,fevereiro,...

Sucessão ou Sequência. Sucessão ou seqüência é todo conjunto que consideramos os elementos dispostos em certa ordem. janeiro,fevereiro,... Curso Metor www.cursometor.wordpress.com Sucessão ou Sequêcia Defiição Sucessão ou seqüêcia é todo cojuto que cosideramos os elemetos dispostos em certa ordem. jaeiro,fevereiro,...,dezembro Exemplo : Exemplo

Leia mais

10 INFERÊNCIA ESTATÍSTICA Testes de Hipóteses Introdução Lógica dos Testes de Hipóteses

10 INFERÊNCIA ESTATÍSTICA Testes de Hipóteses Introdução Lógica dos Testes de Hipóteses INE 700 - Iferêcia Estatística Testes de Hipóteses 0 INFERÊNCIA ESTATÍSTICA Testes de Hipóteses 0. - Itrodução Viu-se ateriormete que uma determiada população pode ser descrita através de um modelo probabilístico,

Leia mais

Estimação de parâmetros da distribuição beta-binomial: uso do programa SAS e uma aplicação a dados obtidos da Escala P-DUREL

Estimação de parâmetros da distribuição beta-binomial: uso do programa SAS e uma aplicação a dados obtidos da Escala P-DUREL Estimação de parâmetros da distribuição beta-biomial: uso do programa SAS e uma aplicação a dados obtidos da Escala P-DUREL Diorgies Herculao da Silva Itrodução Edso Zagiacomi Martiez O modelo beta-biomial

Leia mais

Secção 1. Introdução às equações diferenciais

Secção 1. Introdução às equações diferenciais Secção. Itrodução às equações difereciais (Farlow: Sec..,.) Cosideremos um exemplo simples de um feómeo que pode ser descrito por uma equação diferecial. A velocidade de um corpo é defiida como o espaço

Leia mais

Exercício: Mediu-se os ângulos internos de um quadrilátero e obteve-se 361,4. Qual é o erro de que está afetada esta medida?

Exercício: Mediu-se os ângulos internos de um quadrilátero e obteve-se 361,4. Qual é o erro de que está afetada esta medida? 1. Tratameto estatísticos dos dados 1.1. TEORIA DE ERROS O ato de medir é, em essêcia, um ato de comparar, e essa comparação evolve erros de diversas origes (dos istrumetos, do operador, do processo de

Leia mais

Uma coleção de todos os possíveis elementos, objetos ou medidas de interesse.

Uma coleção de todos os possíveis elementos, objetos ou medidas de interesse. rof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Uma coleção de todos os possíveis elemetos, objetos ou medidas de iteresse. Um levatameto efetuado sobre toda uma população é deomiado

Leia mais

EPR 007 Controle Estatístico de Qualidade

EPR 007 Controle Estatístico de Qualidade EP 7 Cotrole Estatístico de Qualidade Prof. Dr. Emerso José de Paiva Gráficos e tabelas origiadas de Costa, Epprecht e Carpietti (212) 1 Num julgameto, ifelizmete, um iocete pode ir pra cadeia, assim como

Leia mais

INFERÊNCIA. Fazer inferência (ou inferir) = tirar conclusões

INFERÊNCIA. Fazer inferência (ou inferir) = tirar conclusões INFERÊNCIA Fazer iferêcia (ou iferir) = tirar coclusões Iferêcia Estatística: cojuto de métodos de aálise estatística que permitem tirar coclusões sobre uma população com base em somete uma parte dela

Leia mais

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Algumas Distribuições

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Algumas Distribuições Deartameto de Iformática Discilia: do Desemeho de Sistemas de Comutação Algumas Distribuições Algumas Distribuições Discretas Prof. Sérgio Colcher colcher@if.uc-rio.br Coyright 999-8 by TeleMídia Lab.

Leia mais

Fundamentos de Análise Matemática Profª Ana Paula. Sequência Infinitas

Fundamentos de Análise Matemática Profª Ana Paula. Sequência Infinitas Fudametos de Aálise Matemática Profª Aa Paula Sequêcia Ifiitas Defiição 1: Uma sequêcia umérica a 1, a 2, a 3,,a,é uma fução, defiida o cojuto dos úmeros aturais : f : f a Notação: O úmero é chamado de

Leia mais

Métodos de Amostragem

Métodos de Amostragem Métodos de Amostragem Amostragem aleatória Este é o procedimeto mais usual para ivetários florestais e baseia-se o pressuposto de que todas as uidades amostrais têm a mesma chace de serem amostradas a

Leia mais

OPERAÇÃO 1 OPERAÇÃO 2 OPERAÇÃO 3 OPERAÇÃO mês 10% a.m. 100,00 110,00 121,00

OPERAÇÃO 1 OPERAÇÃO 2 OPERAÇÃO 3 OPERAÇÃO mês 10% a.m. 100,00 110,00 121,00 Módulo 7 J uros Compostos Os juros compostos são cohecidos, popularmete, como juros sobre juros. 7.1 Itrodução: Etedemos por juros compostos quado o fial de cada período de capitalização, os redimetos

Leia mais

Objetivos. Testes não-paramétricos

Objetivos. Testes não-paramétricos Objetivos Prof. Lorí Viali, Dr. http://www. ufrgs.br/~viali/ viali@mat.ufrgs.br Testar o valor hipotético de um parâmetro (testes paramétricos) ou de relacioametos ou modelos (testes ão paramétricos).

Leia mais