Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Estimação pontual e intervalar
|
|
- Levi Teixeira Almeida
- 7 Há anos
- Visualizações:
Transcrição
1 potual por itervalos Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos potual e itervalar Lic. Eg. Biomédica e Bioegeharia-2009/2010
2 potual por itervalos A Teoria das Probabilidades cosiste o estudo dos modelos matemáticos capazes de descrever o comportameto de feómeos aleatórios, modelos esses que se dizem probabiĺısticos. Foi sobre o estudo de tais modelos que os debruçamos os capítulos ateriores. Daqui em diate falaremos sobre Estatística, que cosiste um cojuto de técicas quatitativas para recolher, apresetar e iterpretar dados relativos a feómeos aleatórios.
3 potual por itervalos Amostra e dado estatístico Dada a impossibilidade de observar toda uma população, é ecessário recolher um subcojuto que se pretede represetativo da população. A esse subcojuto dá-se o ome de amostra. A cada resultado observado, relativo à v.a. (ou característica) de iteresse (i.e., uma característica crucial para o cohecimeto do feómeo aleatório em estudo) dá-se o ome de dado estatístico.
4 Amostragem potual por itervalos Trata-se de uma vasto cojuto de procedimetos estatísticos que ecotra motivação a ecessidade de obteção de amostras represetativas de uma população. Na população as medidas de localização e de dispersão são fixas e ivariates; são características da população e desigam-se por parâmetros. Na amostra, estas medidas são estimativas dos parâmetros da população e desigam-se por estatísticas.
5 potual por itervalos Exemplos de algus tipos de amostragem Aleatória sistemática: Uma amostra aleatória sistemática é costituída pelos elemetos da população seleccioados de k em k elemetos. Aleatória simples: Sigifica que todos os elemetos da população têm a mesma probabilidade de serem escolhidos e de virem a fazer parte da amostra de dimesão previamete fixada. Estratificada: Iicialmete a população é dividida em estratos e depois seleccioa-se uma amostra em cada estrato.
6 potual por itervalos Com a recolha da amostra obtém-se um cojuto de dados cuja leitura ada parece cotribuir para a compreesão do feómeo aleatório em estudo. A estatística Descritiva resolve parcialmete este problema, resumido e/ou orgaizado a iformação cotida os dados. A iferêcia estatística compreede um vasto cojuto de métodos que usado a iformação cotida a amostra, respode a questões específicas da população, tais como Idicar valores ou itervalos de valores razoáveis para parâmetros descohecidos da população; Averiguar a razoabilidade de cojecturas sobre parâmetros descohecidos ou famílias de distribuições (testes de hipóteses) e/ou a razoabilidade de modelos de regressão que expliquem a relação etre duas variáveis (regressão simples).
7 potual por itervalos Amostra Sejam X uma v.a. de iteresse; X 1, X 2,..., X v.a idepedetes e ideticamete distribuídas (i.i.d.) a X, i.e., X i i.i.d X, i = 1, 2,...,. Etão o vector aleatório X = (X 1, X 2,..., X ) diz-se uma amostra aleatória (a.a.) de dimesão proveiete da população X. À observação particular da a.a. X = (X 1, X 2,..., X ) dá-se o ome de amostra e represeta-se por x = (x 1, x 2,..., x ).
8 potual por itervalos Porque a a.a. é costituída por v.a. i.i.d. a X, a caracterização probabiĺıstica da a.a. é dada por 1 Caso discreto P(X = x) = P(X 1 = x 1, X 2 = x 2,..., X = x ) 2 Caso cotíuo = P(X 1 = x 1 )... P(X = x ) = P(X i = x i ) = P(X = x i ) i=1 i=1 f X (x) = f X1,X 2,...,X (x 1, x 2,..., x ) = f X1 (x 1 )... f X (x ) = f Xi (x i ) = f X (x i ) i=1 i=1
9 potual por itervalos Estatística Seja X = (X 1, X 2,..., X ) a.a.de dimesão proveiete da população X. T diz-se uma estatística se se tratar de uma fução exclusiva da a.a. i.e., T = T (X ). Note que T ão depede de ehum parâmetro descohecido. Exemplo Estatística Valor observado da estatística Míimo da a.a. X (1) = mi i=1,..., X i x (1) = mi i=1,..., x i Máximo da a.a. X () = max i=1,..., X i x () = mi i=1,..., x i Amplitude da a.a. R = X () X (1) r = x () x (1) Média da a.a. X = 1 i=1 X i x = 1 i=1 x i S 2 = 1 i=1 (X 1 i X ) 2 s 2 = 1 i=1 (x Var. corrigida da a.a. = 1 1 i=1 Xi i x) 2 = 1 1 i=1 xi S 2 = 1 i=1 (X Var. ão corrigida da a.a. i X ) 2 2 s = 1 i=1 = 1 (x i x) 2 i=1 Xi 2 1 X 2 = 1 i=1 xi 2 1 x2
10 potual por itervalos O objectivo pricipal da Estatística é iferir sobre características da v.a. de iteresse com base a amostra recolhida. Cosidera-se, geralmete, que a distribuição de X é parcial ou totalmete descohecida Parcialmete descohecida, se cohecermos o tipo distribucioal de X (p.e., Poisso) a meos de um ou mais parâmetros Totalmete descohecida, se o tipo distribucioal de X for especificado de modo muito vago (p.e., distribuição discreta).
11 potual por itervalos Parâmetro descohecido e espaço paramétrico Um parâmetro descohecido será daqui em diate represetado por θ. O espaço paramétrico correspode ao cojuto de todos os valores possíveis para o parâmetro θ e represeta-se por Θ. Tedo como objectivo adiatar valores razoáveis para os parâmetros descohecidos a distribuição da variável de iteresse, iremos recorrer a estatísticas com características especiais, a que chamaremos estimadores.
12 potual por itervalos Estimador A estatística T = T (X ) diz-se um estimador do parâmetro descohecido θ se T = T (X ) apeas toma valores o espaço paramétrico Θ. Estimativa Ao valor observado do estimador de θ, t = T (x) dá-se o ome de estimativa de θ. Note que o estimador é uma v.a. e como tal tem uma distribuição de probabilidade.
13 potual por itervalos Um estimador coduzirá a estimativas mais rigorosas se usufruir de algumas propriedades. Vejamos quais. Estimador cetrado O estimador do parâmetro descohecido θ diz-se cetrado se E[T (X )] = θ. Estimador eviesado O estimador do parâmetro descohecido θ diz-se eviesado se θ Θ : E[T (X )] θ.
14 potual por itervalos Eviesameto de um estimador O estimador do parâmetro descohecido θ possui eviesameto dado por bias θ [T (X )] E[T (X )] θ. Notas: Um estimador cetrado possui eviesameto ulo; Regra geral há mais do que um estimador para um mesmo parâmetro descohecido. Quato meor for o eviesameto de um estimador mais rigorosas serão as estimativas por ele forecidas.
15 potual por itervalos Supohamos que X é uma v.a. de iteresse com distribuição arbitrária, valor esperado µ e variâcia σ 2. A média da a.a. X = 1 i=1 X i é um estimador cetrado de µ pois ( ) 1 E(X ) = E X i = 1 E(X i ) i=1 i=1 = 1 E(X ) = 1 µ = 1 µ = µ i=1 i=1 A variâcia corrigida é um estimador cetrado de σ 2 uma vez que [ ] [( E(S 2 1 ) ] ) = E (X i X ) 2 = E Xi 2 (ax ) 2 i=1 i=1 [ ] 1 = E(Xi 2 ) E[(X ) 2 ] 1 i=1 = = = { } [V (X i ) + E 2 (X i )] [V (X ) + E 2 (X )] i=1 [ ( σ (σ 2 + µ 2 2 ) ] ) + µ2 = 1 1 (σ2 + µ 2 σ 2 µ 2 ) i=1 1 1 ( 1)σ2 = σ 2.
16 potual por itervalos Não basta que um estimador seja cetrado para garatir estimativas mais rigorosas. Estas serão tato mais rigorosas quato meos o estimador se dispersar em toro do verdadeiro valor do parâmetro descohecido. Erro quadrático médio O erro quadrático médio do estimador T = T (X ), do parâmetro descohecido θ é dado por EQM θ [T (X )] = E { [T (X ) θ] 2} = V [T (X )] + {E[T (X )] θ} 2 = V [T (X )] + {bias θ [T (X )]} 2 O EQM quatifica a dispersão esperada do estimador em toro do parâmetro descohecido; Um estimador será tato melhor quato meor for o seu EQM.
17 potual por itervalos Eficiêcia relativa de estimadores Sedo T 1 (X ) e T 2 (X ) dois estimadores de um mesmo parâmetro descohecido θ, defie-se eficiêcia de T 1 em relação a T 2 por Assim, se e θ [T 1 (X ), T 2 (X )] = EQM θ[t 2 (X )] EQM θ [T 1 (X )]. e θ [T 1 (X ), T 2 (X )] > 1 EQM θ [T 2 (X )] > EQM θ [T 1 (X )], e portato o estimador T 1 (X ) é mais eficiete que o estimador T 2 (X ).
18 potual por itervalos Método da máxima verosimilhaça Este método permite obter o valor mais razoável de um parâmetro descohecido, de etre todos os valores possíveis para esse mesmo parâmetro, tedo em cota a amostra recolhida. Fução de verosimilhaça A fução de verosimilhaça L(θ x) : Θ R defie-se do seguite modo: Caso discreto L(θ x) = P(X = x θ) = P(X = x i θ), i=1 θ Θ Caso cotíuo L(θ x) = f X (x θ) = f X (x i θ), i=1 θ Θ ode P( θ) e f X ( θ) são a f.p e a f.d.p (resp.) da v.a. de iteresse X, tedo em cota que θ é o verdadeiro valor do parâmetro.
19 potual por itervalos Estimativa de máxima verosimilhaça Obtida a a amostra x = (x 1,..., x ), a estimativa de máxima verosimilhaça (EMV) do parâmetro descohecido correspode ao poto de máximo da fução de verosimilhaça ou, equivaletemete, ao poto de máximo do logaritmo da fução de verosimilhaça. Esta estimativa represeta-se por ˆθ e é etão dada por ou equivaletemete L(ˆθ x) = max θ Θ L(θ x) l L(ˆθ x) = max l L(θ x) θ Θ
20 potual por itervalos Exemplo Um iquérito realizado a um grupo de 1000 idivíduos com queixas de isóia revelou que 448 respodem ter dormido bem após a toma de um certo soporífero. Deduza a EMV da probabilidade (p) de uma pessoa escolhida ao acaso ter dormido bem tedo tomado o soporífero. V.a. de iteresse: X =resposta ao iquérito Distribuição: X Beroulli(p) Parâmetro descohecido: p = P(X = 1), 0 p 1 F.p.: P(X = x) = p x (1 p) 1 x, x = 0, 1 Amostra: x = (x 1,..., x ) amostra de dimesão = 1000, proveiete da população ode x i = resposta de i-ésima pessoa. x = 448 = = 44.8% de respostas afirmativas. 1000
21 potual por itervalos Exemplo (cot.) Fução de verosimilhaça: L(p x) = i=1 P(X = x i) = p i=1 x i (1 p) i=1 x i i=1 ( p x i (1 p) 1 x ) i = Fução de log-verosimilhaça: ( l L(p x) = l p ) i=1 x i (1 p) i=1 x i = l(p) i=1 x i + l(1 p) ( i=1 x i) Maximização: A EMV de p, ˆp, obtém-se resolvedo { d l L(p x) dp p=ˆp = 0 (poto de estacioaridade) ˆp : d 2 l L(p x) dp 2 p=ˆp < 0 (poto de máximo)
22 potual por itervalos Exemplo (cot.) ˆp : d[l(p) i=1 x i +l(1 p)( i=1 x i)] dp p=ˆp = 0 d 2 [l(p) i=1 x i +l(1 p)( i=1 x i)] dp 2 p=ˆp < 0 ( i=1 x i i=1 x i ˆp 1 ˆp i=1 x i ˆp 2 i=1 x i ) = 0 (1 ˆp) 2 < 0 ( i=1 x i i=1 x i ( p 1 p i=1 x i p 2 i=1 ) x i (1 p) 2 ) p=ˆp = 0 p=ˆp < 0 { (1 ˆp) i=1 x i ˆp ( i=1 x ) i = 0 i=1 x i ˆp 2 i=1 x i (1 ˆp) 2 < 0 { ˆp = 1 i=1 x i proposição verdadeira
23 potual por itervalos Exemplo (cot.) Estimador de MV de p: EMV (p) = 1 i=1 X i = X (média da amostra). Cocretização: ˆp = 1 x i i=1 = o de respostas afirmativas o de pessoas iquiridas = 0.448
24 potual por itervalos Exemplo Os tempos observado (em aos) até à 1 a colisão de detritos espaciais com diâmetro iferior a 1mm em 4 satélites em MEO foram de 1.2, 1.5, 1.8 e 1.4. Admitido que tal tempo tem distribuição pertecete ao modelo expoecial de parâmetro λ, vamos determiar o estimador e a estimativa de MV de λ. V.a. de iteresse: X =tempo (em aos) até à 1 a colisão de detritos espaciais Distribuição: X expoecial(λ) Parâmetro descohecido: λ, λ > 0 F.d.p.: f X (x) = { λe λx, x 0 0, c.c. Amostra: x = (x 1,..., x ) amostra de dimesão = 4, proveiete da população ode x i = resposta de i-ésima pessoa. x = = 1.475
25 potual por itervalos Exemplo (cot.) Fução de verosimilhaça: L(λ x) = i=1 f X (x i ) = i=1 Fução de log-verosimilhaça: l L(λ x) = l ( λ e λ i=1 x i ) ( λe λx i ) = λ e λ i=1 x i = l(λ) λ i=1 x i Maximização: A EMV de λ, ˆλ, obtém-se resolvedo ˆλ : { d l L(λ x) dλ λ=ˆλ = 0 (poto de estacioaridade) d 2 l L(λ x) dλ 2 λ=ˆλ < 0 (poto de máximo)
26 potual por itervalos Exemplo (cot.) ˆλ : { ( λ i=1 x i) λ=ˆλ = 0 λ { < 0 2 λ=ˆλ ṋ λ i=1 x i = 0 ṋ < 0 λ 2 { ˆλ = i=1 x i proposição verdadeira
27 potual por itervalos Exemplo (cot.) Estimador de MV de p: EMV (λ) = = (X ) 1 (média da amostra). Cocretização: i=1 X i ˆλ = i=1 x i = ( x) 1 iverso da média da amostra = = Nota: Repare que ão se trata de um estimador cetrado de λ.
28 potual por itervalos Distribuições amostrais A caracterização probabiĺıstica de estatísticas, de estimadores ou de suas fuções é crucial ão só para avaliar as propriedades dos estimadores (como p.e., eviesameto, EQM, eficiêcia), mas também como veremos a seguir, para obter estimativas itervalares dos parâmetros descohecidos (aos quais chamaremos itervalos de cofiaça). É etão fudametal cohecer a distribuição de uma estatística, de um estimador ou de sua fução, à qual chamamos distribuição amostral (ou distribuição por amostragem). Exemplo Sedo X = (X 1,..., X ) uma a.a. de dimesão proveiete da população X com f.d. F X (x), etão facilmete se mostra que Estatística X (1) = mi i=1,..., X i X () = max i=1,..., X i Distribuição amostral F X(1) (x) = 1 [1 F X (x)] F X() (x) = [F X (x)]
29 potual por itervalos A média é, em geral, o estimador de MV (ou de alguma forma está com ele relacioada) do valor esperado de uma v.a. de iteresse, pelo que é fudametal cohecer a sua distribuição. Seja X = (X 1,..., X ) uma a.a. de dimesão proveiete da população X. Etão População X ormal(µ, σ 2 ) X com distribuição arbitrária (ão ormal) E(X ) = µ, V (X ) = σ 2, grade Distribuição amostral da média X ormal(µ, σ2 ) X µ ormal(0, 1) σ O 1 o dos dois resultados é exacto e deve-se ao facto de a combiação liear de ormais aida possuir distribuição ormal. O 2 o resultado é aproximado e é cohecido como o Teorema do Limite Cetral e só deve ser aplicado quado a v.a. ão tem distribuição ormal e a dimesão da amostra é suficietemete grade.
30 potual por itervalos Exemplo Assuma que a pressão sistólica de uma população saudável segue uma distribuição ormal de média 120mmHg e desvio padrão 10mmHg. Num grupo de 25 pessoas, a média da pressão sistólica foi de 124mmHg. Qual a probabilidade de se ecotrar uma média superior a esta uma amostra de 25 idivíduos? Ou, dito de outro modo, qual a proporção de amostras de 25 idivíduos escolhidas ao acaso essa população que têm uma média superior a 124mmHg? De acordo com o 1 o dos resultados ateriores, a distribuição amostral da média segue uma distribuição ormal de parâmetros µ = 120 e σ 2 = X ormal(120, 4). A probabilidade pedida é etão dada por = 4, i.e., P(X > 124) = 1 P(X 124) = 1 F X (124) = o scilab: cdfor( PQ, 124, 120, 2) = com cosulta das tabelas Sedo Z = X ormal(0, 1) 25 P(X 124) = P( X ) = P(Z 2) = Φ(2). 25
31 potual por itervalos Itervalos de cofiaça Para além de uma estimativa potual para um parâmetro descohecido é importate obter um itervalo que os dê uma ideia da cofiaça que se pode depositar a estimativa potual. Essa estimativa itervalar é desigada por itervalo de cofiaça (IC). A um itervalo de cofiaça está associado um grau de cofiaça, usualmete represetado por (1 α) 100%, cujos valores mais usuais são 90%, 95% e 99% (ou, α = 0.1, 0.05, 0.01, respectivamete). Ates de mais é ecessário descever a situação com que lidamos, em particular a v.a. X de iteresse e a respectiva distribuição o parâmetro descohecido para o qual se pretede obter um IC outro evetual parâmetro (cohecido ou ão) da distribuição de X.
32 potual por itervalos IC para a média, variâcia cohecida IC para o valor esperado de uma população ormal com variâcia cohecida Sedo Z = X µ, pretedemos determiar a σ α e b α tal que P(a α Z b α) = 1 α ou aida, recorredo às tabelas ou ao scilab, determiar a α e b α tal que { P(Z < aα) = α { aα = Φ 2 P(Z > b α) = α 1 ( ) α 2 = Φ 1 ( 1 α ) 2 2 b α = Φ 1 ( 1 α ) 2 Assim P(a α Z b α) = 1 α P(a α X µ σ b α) = 1 α P (X b α σ µ X a α σ ) = 1 α ( ( P X Φ 1 1 α ) σ ( µ X + Φ 1 1 α ) σ ) = 1 α 2 2 [ ( IC (1 α) 100% (µ) = x Φ 1 1 α ) σ (, x + Φ 1 1 α ) σ ] 2 2
33 potual por itervalos IC para a média, variâcia cohecida IC para o valor esperado de uma população arbitrária com variâcia cohecida Sedo Z = X µ σ a α e b α tal que ormal(0, 1) (Teorema do limite cetral), pretedemos determiar P(a α Z b α) 1 α ou aida, recorredo às tabelas ou ao scilab, determiar a α e b α tal que { P(Z < aα) = α { aα = Φ 2 P(Z > b α) = α 1 ( ) α 2 = Φ 1 ( 1 α ) 2 2 b α = Φ 1 ( 1 α ) 2 Assim P(a α Z b α) = 1 α P(a α X µ σ b α) 1 α P (X b α σ µ X a α σ ) 1 α ( ( P X Φ 1 1 α ) σ ( µ X + Φ 1 1 α ) σ ) 1 α 2 2 [ ( IC (1 α) 100% (µ) = x Φ 1 1 α ) σ (, x + Φ 1 1 α ) σ ] 2 2
34 potual por itervalos Exemplo O QI uma população segue uma distribuição ormal de variâcia Com base uma amostra de dimesão 25, com média amostral de 100, vejamos como cotruir o IC a 95% para a média a população. Ora [ ( IC (1 α) 100% (µ) = x Φ 1 1 α ) σ (, x + Φ 1 1 α ) σ ] 2 2 ode, este caso α = No scilab, o comado cdfor( X, 0, 1, , ) devolve-os o valor de Φ 1 ( ) 2 = 1.96, logo [ IC 95% (µ) = , ] = [94.1, 105.6] 25 25
35 potual por itervalos Quado ão cohecemos o valor de σ 2 a população, etão a v.a. deixa de ser útil. Neste caso, σ 2 será estimado por S 2 e usa-se a v.a. Z = X µ S t 1 X µ σ ormal(0, 1) e lê-se Z possui distribuição de t-studet com ( 1) graus de liberdade. A distribuição de t-studet é semelhate à distribuição ormal reduzida. É simétrica em relação à média, (0), mas com um desvio padrão depedete de um parâmetro deomiado graus de liberdade; Existe uma distribuição de t-studet diferete para cada o de graus de liberdade; Geralmete, os graus de liberdade correspodem à difereç a etre a dimesão amostral e o o de parâmetros a estimar.
36 potual por itervalos IC para a média, variâcia descohecida IC para o valor esperado de uma população ormal com variâcia descohecida Sedo Z = X µ S t ( 1), pretedemos determiar a α e b α tal que P(a α Z b α) 1 α ou aida, recorredo às tabelas ou ao scilab, determiar a α e b α tal que { { P(Z < aα) = α aα = F 1 ( α ) 2 t P(Z > b α) = α ( 1) 2 = F 1 ( ) t ( 1) 1 α 2 2 b α = Ft 1 ( ) ( 1) 1 α 2 P(a α Z b α) = 1 α P(a α X µ b S α) 1 α P (X b α S µ X a α S ) 1 α ( ( P X Ft 1 ( 1) 1 α ) S ( µ X + F 1 2 t ( 1) 1 α ) S ) 1 α 2 [ ( IC (1 α) 100% (µ) = x Ft 1 ( 1) 1 α ) s (, x + F 1 2 t ( 1) 1 α ) s ] 2
37 potual por itervalos Exemplo A duração em horas de uma pilha de certa máquia possui distribuição que se admite ormal com valor esperado e variâcia descohecidas. Recolheu-se uma amostra de 10, tedo-se obtido o seguite cojuto de dados: x = (251, 238, 236, 229, 252, 253, 245, 242, 235, 230). Determiemos um itervalo de cofiaça a 99% para µ. Cosiderado a v.a. Z = X µ t S ( 1), o IC pedido é dado por [ ( IC (1 α) 100% (µ) = x Ft 1 ( 1) 1 α ) s (, x + F 1 2 t ( 1) 1 α ) s ] 2 ode α = 0.01, = 10, x = 241.1, s 2 = e Ft 1 ( ) ( 1) 1 α 2 = F 1 ( ) t ( No scilab, o comado cdft( T, 9, , 0.01 ) devolve-os o valor de 2 = Ft 1 ( ) (9) = , logo IC 99% (µ) = [ ] , = [ , ]
38 potual por itervalos IC para a média, variâcia descohecida IC para o valor esperado de uma população arbitrária com variâcia descohecida Usa-se a v.a. Z = X µ ormal(0, 1) (Teorema do limite cetral). Pretedemos S determiar a α e b α tal que P(a α Z b α) 1 α Recorredo às tabelas ou ao scilab, determiar a α e b α tal que { P(Z < aα) = α { aα = Φ 2 P(Z > b α) = α 1 ( ) α 2 = Φ 1 ( 1 α ) 2 2 b α = Φ 1 ( 1 α ) 2 P(a α Z b α) = 1 α P(a α X µ b S α) 1 α P (X b α S µ X a α S ) 1 α ( ( P X Φ 1 1 α ) S ( µ X + Φ 1 1 α ) S ) 1 α 2 2 [ ( IC (1 α) 100% (µ) = x Φ 1 1 α ) s (, x + Φ 1 1 α ) s ] 2 2
39 potual por itervalos IC para a variâcia de uma população ormal IC para a variâcia de uma população ormal com valor esperado descohecido Usa-se a v.a. Z = ( 1)S2 σ 2 χ 2 e lê-se Z possui distribuição do qui-quadrado com ( 1) ( 1) graus de liberdade. Como esta distribuição ão é simétrica em relação à origem e tem com suporte R + temos que determiar a α e b α tal que { P(Z < aα) = α 2 P(Z > b α) = α 2 P(a α Z b α) = 1 α P a α P P(a α Z b α) 1 α a α = F 1 ( ) α2 χ 2 ( 1) b α = F 1 χ 2 ( 1) ( 1)S 2 F 1 χ 2 ( 1) ( 1 α 2 IC (1 α) 100% (σ 2 ) = ( 1)S2 σ 2 ( ) 1 α 2 b α 1 α ) σ 2 ( 1)S2 F 1 ( ) α2 1 α χ 2 ( 1) ( 1)S 2 F 1 χ 2 ( 1) ( 1 α 2 ( 1)S 2 ), F 1 ( ) α2 χ 2 ( 1)
40 potual por itervalos IC para a variâcia de uma população ormal IC para a variâcia de uma população ormal com valor esperado cohecido Procede-se como o caso aterior mas a distribuição de Z passa a ter () graus de liberdade. Nota: No scilab, o comado cdfchi( X,, α 2, 1 α 1 ( ) devolve o valor de F α ) 2 χ 2 2 ()
41 potual por itervalos IC para uma proporção Cosideremos a população X Beroulli(p), ode a probabilidade de sucesso, p, é descohecida. Cosideramos que a dimesão da amostra,, é suficietemete grade ( > 30). Cosidera-se a v.a., com distribuição aproximada: Z = Determiamos a α e b α por P X ( Φ 1 1 α 2 { aα = Φ 1 ( 1 α ) 2 b α = Φ 1 ( 1 α ) 2 X p X (1 X ) ormal(0, 1). P(a α Z b α) 1 α P a α X p X (1 X ) ) X (1 X ) ( p X + Φ 1 1 α ) 2 b α 1 α X (1 X ) 1 α O seguite [ IC possui grau de cofiaça aproximadamete igual a (1 α) 100%: IC(p) = x Φ 1 ( 1 α ) x(1 x) 2, x + Φ 1 ( 1 α ) ] x(1 x) 2
6. Estimação pontual. 6.1 Inferência estatística. (7-1)
6. Estimação potual A Teoria das Probabilidades compreede o estudo dos modelos matemáticos capazes de descrever o comportameto de feómeos aleatórios, modelos esses que se dizem probabilísticos. Foi sobre
Leia maisProbabilidades e Estatística LEAN, LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 miutos Grupo I Probabilidades e Estatística LEAN, LEGM, LEIC-A, LEIC-T, MA, MEMec Justifique coveietemete todas as respostas 2 o semestre 2016/2017 16/06/2017 9h:00 2 o teste 10 valores 1.
Leia maisProbabilidades e Estatística
Departameto de Matemática robabilidades e Estatística LEGM, LEIC-A, LEIC-T, LEMat, MEBiom, MEFT, MEQ 2 o semestre 2011/2012 2 o Teste A 08/06/2012 9:00 Duração: 1 hora e 30 miutos Justifique coveietemete
Leia maisProbabilidades e Estatística
Departameto de Matemática robabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 miutos Justifique
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 miutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique coveietemete todas as respostas o semestre 017/018 04/07/018 15:00 o Teste C 10 valores 1. Admita que os tempos (em cetea
Leia maisCap. 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 maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 miutos Grupo I robabilidades e Estatística TODOS OS CURSOS Justifique coveietemete todas as respostas 2 o semestre 2016/2017 05/07/2017 15:00 2 o Teste C 10 valores 1. Admita que a proporção
Leia maisProbabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC
Duração: 90 miutos Grupo I Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC Justifique coveietemete todas as respostas o semestre 207/208 /0/208 09:00 2 o teste A 0 valores. Admita
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 miutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique coveietemete todas as respostas 1 o semestre 2018/2019 30/01/2019 15:00 2 o Teste C 10 valores 1. Seja X X 1, X 2,...,
Leia maisn ) uma amostra aleatória da variável aleatória X.
- Distribuições amostrais Cosidere uma população de objetos dos quais estamos iteressados em estudar uma determiada característica. Quado dizemos que a população tem distribuição FX ( x ), queremos dizer
Leia maisAmostras 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 maisProbabilidades e Estatística LEIC-A, LEIC-T, LEGM, MA, MEMec
Duração: 90 miutos Probabilidades e Estatística LEIC-A, LEIC-T, LEGM, MA, MEMec Justifique coveietemete todas as respostas! 2 o semestre 2015/2016 09/06/2016 11:00 2 o teste B Grupo I 10 valores 1. Seja
Leia maisEstimadores de Momentos
Estimadores de Mometos A média populacioal é um caso particular daquilo que chamamos de mometo. Na realidade, ela é o primeiro mometo. Se X for uma v.a. cotíua, com desidade f(x; θ 1,..., θ r ), depededo
Leia maisESTIMAÇÃO 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 maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 miutos Grupo I Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ Justifique coveietemete todas as respostas 1 o semestre 2017/2018 11/01/2018
Leia maisProbabilidades e Estatística LEAN, LEE, LEGI, LEMat, LETI, LMAC, MEAmb, MEAer, MEBiol, MEBiom, MEEC, MEFT, MEQ
Duração: 90 miutos Grupo I Probabilidades e Estatística LEAN, LEE, LEGI, LEMat, LETI, LMAC, MEAmb, MEAer, MEBiol, MEBiom, MEEC, MEFT, MEQ Justifique coveietemete todas as respostas! o semestre 015/016
Leia maisTeoria da Estimação 1
Teoria da Estimação 1 Um dos pricipais objetivos da estatística iferecial cosiste em estimar os valores de parâmetros populacioais descohecidos (estimação de parâmetros) utilizado dados amostrais. Etão,
Leia maisProbabilidades e Estatística LEE, LEGI, LEMat, LERC/LETI, LMAC, MEAer, MEAmb, MEBiol, MEBiom, MEEC, MEFT, MEQ
Duração: 90 miutos Grupo I Probabilidades e Estatística LEE, LEGI, LEMat, LERC/LETI, LMAC, MEAer, MEAmb, MEBiol, MEBiom, MEEC, MEFT, MEQ Justifique coveietemete todas as respostas 2 o semestre 206/207
Leia maisCapítulo 5- Introdução à Inferência estatística. (Versão: para o manual a partir de 2016/17)
Capítulo 5- Itrodução à Iferêcia estatística. (Versão: para o maual a partir de 2016/17) 1.1) Itrodução.(222)(Vídeo 39) Na iferêcia estatística, aalisamos e iterpretamos amostras com o objetivo de tirar
Leia maisObtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n.
Vamos observar elemetos, extraídos ao acaso e com reposição da população; Para cada elemeto selecioado, observamos o valor da variável X de iteresse. Obtemos, etão, uma amostra aleatória de tamaho de X,
Leia maisCapítulo 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 maisProbabilidades e Estatística
Departameto de Matemática robabilidades e Estatística LEGM, LEIC-A, LEIC-T, LEMat, MEBiom, MEFT, MEQ o semestre 0/0 o Teste A 08/06/0 9:00 Duração: hora e 30 miutos Justifiue coveietemete todas as respostas!
Leia maisDISTRIBUIÇÃO 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 maisSumário. 2 Índice Remissivo 17
i Sumário 1 Itrodução à Iferêcia Estatística 1 1.1 Defiições Básicas................................... 1 1.2 Amostragem....................................... 2 1.2.1 Tipos de Amostragem.............................
Leia mais6.1 Estimativa de uma média populacional: grandes amostras. Definição: Um estimador é uma característica amostral (como a média amostral
6 ESTIMAÇÃO 6.1 Estimativa de uma média populacioal: grades amostras Defiição: Um estimador é uma característica amostral (como a média amostral x ) utilizada para obter uma aproximação de um parâmetro
Leia maisAvaliação 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 maisDistribuições Amostrais
Distribuições Amostrais O problema da iferêcia estatística: fazer uma afirmação sobre os parâmetros da população θ (média, variâcia, etc) através da amostra. Usaremos uma AAS de elemetos sorteados dessa
Leia mais1 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 maisDistribuições de Estatísticas Amostrais e Teorema Central do Limite
Distribuições de Estatísticas Amostrais e Teorema Cetral do Limite Vamos começar com um exemplo: A mega-sea de 996 a N 894 úmeros de a 6: Média: m 588 Desvio padrão: 756 49 amostras de 6 elemetos Frequêcia
Leia maisEstimação da média populacional
Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa
Leia maisDistribuições 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 maisbinomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal.
biomial seria quase simétrica. Nestas codições será também melhor a aproximação pela distribuição ormal. Na prática, quado e p > 7, a distribuição ormal com parâmetros: µ p 99 σ p ( p) costitui uma boa
Leia maisDESIGUALDADES, 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 maisEstatística. Estatística II - Administração. Prof. Dr. Marcelo Tavares. Distribuições de amostragem. Estatística Descritiva X Estatística Inferencial
Estatística II - Admiistração Prof. Dr. Marcelo Tavares Distribuições de amostragem Na iferêcia estatística vamos apresetar os argumetos estatísticos para fazer afirmações sobre as características de uma
Leia maisProbabilidades e Estatística / Introd. às Probabilidades e Estatística TODOS OS CURSOS
Probabilidades e Estatística / Itrod. às Probabilidades e Estatística TODOS OS CURSOS Exame Época Especial 7/8 3/7/7 9: Duração: 3 horas Justifique coveietemete todas as respostas Grupo I 5 valores. Uma
Leia maisProbabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMat, MEQ
Duração: 90 miutos Grupo I Probabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMat, MEQ Justifique coveietemete todas as respostas 2 o semestre 207/208
Leia maisComparação entre duas populações
Comparação etre duas populações AMOSTRAS INDEPENDENTES Comparação etre duas médias 3 Itrodução Em aplicações práticas é comum que o iteresse seja comparar as médias de duas diferetes populações (ambas
Leia maisDistribuições Amostrais
7/3/07 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/07/07 09:3 ESTATÍSTICA APLICADA I - Teoria
Leia maisTeorema do limite central e es/mação da proporção populacional p
Teorema do limite cetral e es/mação da proporção populacioal p 1 RESULTADO 1: Relembrado resultados importates Seja uma amostra aleatória de tamaho de uma variável aleatória X, com média µ e variâcia σ.temos
Leia maisAMOSTRAGEM 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 mais1 Estimação de Parâmetros
1 Estimação de arâmetros Vários tipos de estudos tem o objetivo de obter coclusões fazer iferêcias a respeito de parâmetros de uma população. A impossibilidade de avaliar toda a população faz com que a
Leia maisStela Adami Vayego DEST/UFPR
Resumo 0 Estimação de parâmetros populacioais 9.. Itrodução Aqui estudaremos o problema de avaliar certas características dos elemetos da população (parâmetros), com base em operações com os dados de uma
Leia maisNOTAS DE AULA: DISTRIBUIÇÃO AMOSTRAL E INTERVALOS DE CONFIANÇA
NOTAS DE AULA: DISTRIBUIÇÃO AMOSTRAL E INTERVALOS DE CONFIANÇA Objetivos da aula: Compreeder que um estimador é uma variável aleatória e, portato, pode-se estabelecer sua distribuição probabilística; Estabelecer
Leia maisProbabilidades e Estatística
Duração: 90 miutos Probabilidades e Estatística LEIC-A, LEIC-T, LEGM, MA, MEMec Justifique coveietemete todas as respostas! o semestre 015/016 09/06/016 11:00 o teste B Grupo I 10 valores 1. Seja (X 1,
Leia maisESTIMAÇÃO 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 maisProbabilidades e Estatística
Departameto de Matemática Probabilidades e Estatística Primeiro exame/segudo teste 2 o semestre 29/21 Duração: 18/9 miutos Grupo I Justifique coveietemete todas as respostas. 17/6/21 9: horas 1. Com base
Leia maisESTIMAÇÃO PARA A MÉDIA
ESTIMAÇÃO PARA A MÉDIA Objetivo Estimar a média de uma variável aleatória, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Vamos observar elemetos, extraídos ao
Leia maisLista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação
Assuto: Propriedade dos Estimadores e Métodos de Estimação. ANPEC 08 - Questão 6 Por regulametação, a cocetração de um produto químico ão pode ultrapassar 0 ppm. Uma fábrica utiliza esse produto e sabe
Leia maisIntervalos 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 maisLista 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 maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 2
MAE 9 - Itrodução à Probabilidade e Estatística II Resolução Lista Professor: Pedro Moretti Exercício 1 Deotado por Y a variável aleatória que represeta o comprimeto dos cilidros de aço, temos que Y N3,
Leia maisUniversidade Federal de Mato Grosso Probabilidade e Estatística - Curso: Engenharia Civil Introdução à Inferência Estatística - Prof a Eveliny
1 Itrodução Uiversidade Federal de Mato Grosso Probabilidade e Estatística - Curso: Egeharia Civil Itrodução à Iferêcia Estatística - Prof a Eveliy Vimos o iício do curso como resumir descritivamete variáveis
Leia maisCaderno de Exercício 2
1 Cadero de Exercício Estimação Potual e Itervalos de Cofiaça 1. Exercícios Aulas 1. Exercício 8.6 do livro Statistics for Ecoomics ad Busiess. O úmero de adares vedidos em cada dia por uma empresa imobiliária
Leia maisEstimação A estimação de um parâmetro, θ, de uma população pode ser feita por dois processos: Estimação Pontual e Estimação intervalar.
Escola uperior de Tecologia de Viseu ETIMAÇÃO Estimação A estimação de um parâmetro, θ, de uma população pode ser feita por dois processos: Estimação Potual e Estimação itervalar. Exemplo: Num dos diversos
Leia maisTRANSPORTES. Sessão Prática 4 Amostragem de escalares
Mestrado Itegrado em Egeharia Civil TRNPORTE Prof. Resposável: Luis Picado atos essão Prática 4 mostragem de escalares Istituto uperior Técico / Mestrado Itegrado Egeharia Civil Trasportes ulas Práticas
Leia maisFaculdade 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 mais7. Estimação por intervalos
7. Estimação por itervalos 7.1 Itervalos de cofiaça. (8-1, 8-2.4) Motivação 7.1 Itervalos de cofiaça Para além de uma estimativa potual para o parâmetro descohecido, é importate adiatar um itervalo que
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Probabilidades e Estatística TODOS OS CURSOS Exame Época Especial 2016/2017 24/07/2017 09:00 Duração: 3 horas Justifique coveietemete todas as respostas Grupo I 5 valores 1. Uma compahia de seguros divide
Leia maisb) 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 maisEstimação da média populacional
Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa
Leia maisLista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas
. ANPEC 8 - Questão Seja x uma variável aleatória com fução desidade de probabilidade dada por: f(x) = x, para x f(x) =, caso cotrário. Podemos afirmar que: () E[x]=; () A mediaa de x é ; () A variâcia
Leia maisESTIMAÇÃO 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 maisσ = Proporção (estrato C): =
Ficha para praticar 16 1.1. Por exemplo: Amostra:.º 7 (Vera Lima).º 6 (Vasco Braga).º 5 (Berardo Silva).º (Liliaa Pires).º 1 (Joaa Cardoso).º 1 (Pedro Vieira).º (Aa Sousa).º 10 (Fracisco Medes) 1.. a)
Leia maisCapítulo 6 - Amostragem e estimação pontual 11
Capítulo 6 - Amostragem e Estimação Potual Coceição Amado Capítulo 6 - Amostragem e estimação potual 11 6.1 Iferêcia Estatística. Amostragem aleatória................................ 12 6.2 Estimação potual.
Leia maisMQI 2003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE Teste 2 07/07/2008 Nome: PROBLEMA 1 Sejam X e Y v.a. contínuas com densidade conjunta:
MQI 003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 07/07/008 Nome: PROBLEMA Sejam X e Y v.a. cotíuas com desidade cojuta: f xy cy xy x y (, ) = + 3 ode 0 e 0 a) Ecotre a costate c que faz desta
Leia maisIntervalos 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 maisEstatística. 7 - Distribuições Amostrais
Estatística 7 - Distribuições Amostrais 07 - Distribuição da Média Amostral Distribuição costituída de todos os valores de, cosiderado todas as possíveis amostras de tamaho i ( Ode,,..., são V.A. com mesma
Leia maisObjetivo. 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 maisMestrado 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 maisEstimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação
ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p 1 Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma
Leia maisA DESIGUALDADE DE CHEBYCHEV
A DESIGUALDADE DE CHEBYCHEV Quado se pretede calcular a probabilidade de poder ocorrer determiado acotecimeto e se cohece a distribuição probabilística que está em causa o problema, ão se colocam dificuldades
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 miutos Gruo I Probabilidades e Estatística TODOS OS CURSOS Justifique coveietemete todas as resostas 1 o semestre 2017/2018 30/01/2018 15:00 2 o Teste C 10 valores 1. A variável aleatória X
Leia mais3 Introdução à inferência estatística
3 Itrodução à iferêcia estatística Itrodução à iferêcia estatística Pág. 00 1.1. Este tipo de estudos as sodages eleitorais têm como objetivo aferir o setido de voto dos eleitores. Isto permite, ão só
Leia maisObjetivo. Estimar a média de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra.
Objetivo Estimar a média de uma variável aleatória X, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Exemplos: : peso médio de homes a faixa etária de 20 a 30 aos,
Leia maisESTIMAÇÃO 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 X S pˆ (parâmetros:
Leia maisProbabilidade 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 maisESTATÍSTICA 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 maisDISTRIBUIÇÕES 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 maisProbabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC
Duração: 90 miutos Grupo I Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC Justifique coveietemete todas as respostas o semestre 207/208 8//207 :00 o Teste B 0 valores. Um teste
Leia maisCAPÍTULO 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 maisPedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004
Estatística para Cursos de Egeharia e Iformática Pedro Alberto Barbetta / Marcelo Meezes Reis / Atoio Cezar Boria São Paulo: Atlas, 004 Cap. 7 - DistribuiçõesAmostrais e Estimaçãode deparâmetros APOIO:
Leia maisMAE 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 maisESTATÍSTICA NÃO-PARAMÉTRICA
ESTATÍSTICA NÃO-PARAMÉTRICA Prof. Dr. Edmilso Rodrigues Pito Faculdade de Matemática - UFU edmilso@famat.ufu.br 1 Programa Itrodução - Plao de curso, sistema de avaliação - Coceitos básicos de iferêcia
Leia maisInferência Estatística
Iferêcia Estatística opulação Amostra Itroduç Itrodução à Iferêcia Estatística Como tirar coclusões tomar decisões a partir de iformação parcial / icompleta (amostra) projectado /geeralizado resultados
Leia maisESTATÍSTICA. 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 maisd) A partir do item c) encontre um estimador não viciado para σ 2.
Uiversidade de Brasília Departameto de Estatística 6 a Lista de PE 1 Seja X 1,, X ) uma AAS tal que EX i ) = µ e VarX i ) = σ 2 a) Ecotre EXi 2 ) e E X 2) b) Calcule EX i X) X i X) 2 c) Se T =, mostre
Leia maisMAE 116 Estimação para a média FEA - 2º Semestre de 2018
MAE 116 Estimação para a média FEA - 2º Semestre de 2018 1 Objetivo da aula O objetivo é estimar a média de uma população (ou de uma variável aleatória) Vamos iicialmete estudar de forma empírica a distribuição
Leia maisStela Adami Vayego Estatística II CE003/DEST/UFPR
Resumo 0 Estimação de parâmetros populacioais Defiição : Estimador e Estimativa Um estimador do parâmetro θ é qualquer fução das observações... isto é g(... ). O valor que g assume isto é g(x x... x )
Leia maisUma 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 maisPropriedades: Notação: X ~ U(α, β). PRINCIPAIS MODELOS CONTÍNUOS
0 CONTÍNUOS PRINCIPAIS MODELOS Notação: ~ U(α β). Propriedades: Eemplo A dureza de uma peça de aço pode ser pesada como sedo uma variável aleatória uiforme o itervalo (5070) uidades. Qual a probabilidade
Leia maisUma 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 maisCAPÍTULO 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 maisEstimativa 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 maisIntrodução. 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 maisAULA Subespaço, Base e Dimensão Subespaço.
Note bem: a leitura destes apotametos ão dispesa de modo algum a leitura ateta da bibliografia pricipal da cadeira TÓPICOS Subespaço. ALA Chama-se a ateção para a importâcia do trabalho pessoal a realizar
Leia maisUma 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 maisEstatística para Economia e Gestão REVISÕES SOBRE VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS
Estatística para Ecoomia e Gestão REVISÕES SOBRE VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS Primavera 008/009 Variável Aleatória: Defiição: uma variável aleatória é uma fução que atribui a cada elemeto
Leia maisTeorema 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 maisComo a dimensão da amostra é , o número de inquiridos correspondente é
41. p ˆ 0, 5 e z 1, 960 Se a amplitude é 0,, etão a margem de erro é 0,1. 0,5 0,48 1,960 0,1 0,496 96 0,0510 0,496 0,0510 0,496 0,0510 Tema 5 71) 1.1 4 11 6% Como a dimesão da amostra é 15 800, o úmero
Leia mais