ESTATÍSTICAS DE ORDEM DA DISTRIBUIÇÃO DE POISSON: UM ESTUDO ASSINTÓTICO DE SEUS MOMENTOS
|
|
- Flávio Duarte Felgueiras
- 7 Há anos
- Visualizações:
Transcrição
1 ESTATÍSTICAS DE ORDEM DA DISTRIBUIÇÃO DE POISSON: UM ESTUDO ASSINTÓTICO DE SEUS MOMENTOS Flavia Barbato RIBEIRO 1 Maria Cecilia Medes BARRETO 2 RESUMO: O cohecimeto de certas propriedades de estatísticas de ordem, em particular, seus mometos, tem sido de fudametal importâcia o estudo dos estimadores lieares ão viciados ótimos obtidos a partir de amostragem de cojutos ordeados. Pela literatura recete, o procedimeto de amostragem de cojutos ordeados tem grade aplicação em pesquisa do Meio Ambiete, pricipalmete quado o custo de observação exige estimadores mais eficietes. Neste trabalho fizemos um estudo das estatísticas de ordem para uma variável com distribuição de Poisso, que pouca ateção tem tido a literatura e que é de grade importâcia em aplicações práticas. Para isso calculamos os valores esperados e variâcias de estatísticas de ordem, através de uma fução criada o software S-Plus e ivestigamos se para algum tamaho de amostra, as médias e variâcias das estatísticas de ordem padroizadas covergem para valores assitóticos à medida que λ aumeta. Cocluímos que os valores esperados e as variâcias padroizadas das estatísticas de ordem estudadas covergem para os respectivos valores da distribuição Normal Padrão à medida que λ aumeta, para cada tamaho de amostra. PALAVRAS-CHAVE: Amostragem de Cojutos Ordeados, Mometos de Estatísticas de Ordem, Potos Extremos, S-Plus, Distribuição de Poisso, Distribuição Normal Padroizada, Estatística Aplicada ao Meio Ambiete. 1 Departameto de Estatística da UFSCar Caixa Postal 676, CEP São Carlos SP. cbarreto@power.ufscar.br (Bacharelado em Estatística). 2 Departameto de Estatística da UFSCar Caixa Postal 676, CEP São Carlos SP. cbarreto@power.ufscar.br Rev. Mat. Estat., São Paulo, 19: , 21 13
2 1 Itrodução O procedimeto de amostragem de cojutos ordeados foi elaborado para situações em que a variável resposta de iteresse é difícil e cara de ser coletada, mas é possível fazer alguma suposição ecoômica a respeito das ordes dos futuros resultados. Itroduzido por McItyre (1952), sua grade vatagem está o aumeto da precisão da media amostral como um estimador da média populacioal. O processo cosiste a seleção de poteciais amostras, cada uma de tamaho. A seguir um profissioal especializado da área, ordea os idivíduos detro de cada amostra através de valores de uma variável cocomitate ou por algum método barato. Para i = 1,,, a i-ésima amostra ordeada, observa-se a variável de iteresse, X, apeas o idivíduo que obteve o posto i, obtedo-se o valor x i( i). A amostra de cojutos ordeados (raked set samplig RSS) é formada, etão, por x1 ( 1 ),x2( 2 ),, x( ), ode dos idivíduos 2 selecioados, apeas são efetivamete mesurados a quatia X. Uma propriedade importate dos elemetos dessa amostra é que as observações x i( i) são idepedetes, uma vez que cada elemeto amostral provém de uma amostra idepedetemete selecioada. A média dos elemetos da amostra de cojutos ordeados é um estimador ão viciado da média populacioal e sua variâcia é meor ou igual a variâcia de uma média amostral de uma amostra aleatória simples de mesmo tamaho. Esses resultados são válidos para qualquer tipo de distribuição. Na literatura recete, o procedimeto de amostragem de cojutos ordeados tem sido amplamete estudado por diversos autores. Por exemplo, a estimação de parâmetros de várias distribuições (Muttlak & McDoald, 199; Muttlak & McDoald, 1992; Lam et al, 1994; Boh, 1996; Kaur et al, 1996; Samawi et al, 1996; Siha et al, 1996; Yu & Lam, 1997; Barett & Moore, 1997); a estimação da fução de distribuição (Kvam & Samaiego, 1994; Stokes, 1995; Boh, 1996; Stokes & Sager, 1998); em testes de hipóteses para duas populações ( Boh & Wolfe, 1992; Boh & Wolfe, 1994; Koti & Babu, 1996); a estimação de parâmetros em modelos de regressão liear simples (Muttlak, 1995; Barreto & Barett, 1999) e o plaejameto de experimetos de um fator de classificação (Muttlak, 1996). 14 Rev. Mat. Estat., São Paulo, 19: , 21
3 Etre os estimadores cosiderados esses artigos, estão estimadores defiidos por combiações lieares mais gerais de observações de amostragem de cojuto ordeados ( Stokes,1995; Bhoj & Ashsaullah, 1996; Siha et al, 1996; Bhoj,1997; Barett & Moore, 1997 e Barreto & Barett, 1999). Nesses trabalhos, a variável de iteresse, X, é cotíua e sua distribuição pertece à família locaçãoescala, isto é, pode ser escrita a forma F[ ( X µ ) / σ ], ode F é uma família de distribuições. e os estimadores obtidos são os estimadores lieares ão viciados ótimos a classe de combiações lieares da amostra de cojutos ordeados (best liear ubiased estimators BLUEs). A variável reduzida U = ( X µ ) / σ tem uma distribuição livre de parâmetros. Nesse caso as estatísticas de ordem reduzida, U ( i ) = ( X( i ) µ )/ σ, têm esperaça α i:, variâcia ν i: e covariâcia ν ij: que depedem da ordem da estatística, do tamaho da amostra e da distribuição da variável aleatória origial. Na situação de amostras de cojutos ordeados, ode cada observação provém de uma amostra idepedete, os mometos podem ser escritos por E 2 2 ( Y ) µ + σα, Var ( Y ) = σ ν e Cov( Y, Y ) = σ ν = r( r ) = r:m r( r ) r:m r( r ) s( s ) rs: m Os estimadores lieares ão viciados ótimos de µ e σ correspodem a combiações lieares dos elemetos da amostra de cojutos odeados, cujos coeficietes depedem das esperaças α e das variâcias ν i:. Barreto (21) apreseta uma revisão sobre estimadores lieares ão viciados ótimos de amostras de cojutos ordeados para a média populacioal e para os parâmetros de uma regressão liear simples quado a distribuição da variável de iteresse é a Normal. Nos trabalhos citados maior ateção tem sido dada às variáveis aleatórias cotíuas, pricipalmete àquelas que pertecem a distribuição da família locação escala. Nehuma ateção, etretato tem sido dada às variáveis discretas. Por outro lado, estatísticas de ordem e suas propriedades tem sido estudadas por diversos autores e algumas refereciais básicas são: David (1981), Arold & Balakrisha (1989), Balakrisha & Cohe (1991) e Johso et al (1992). No caso de distribuições discretas, Balakrisha (1986) obteve várias relações de recorrêcia e ide- i: Rev. Mat. Estat., São Paulo, 19: , 21 15
4 tidades para mometos e produto de mometos de estatísticas de ordem. Gupta & Pachapakesa (1974) preocuparam-se com estatísticas de ordem vidas de populações biomiais idepedetes. Melick (198) apreseta um método para calcular mometos de variáveis discretas ordeadas, baseado em uma relação recursiva etre os mometos da i-ésima estatística de ordem e os mometos das estatísticas de ordem dos extremos. O método foi ilustrado com variáveis Poisso idepedetes, ode a média e a variâcia do míimo e do máximo foram calculadas. Uma lacua parece existir, portato, o estudo da distribuição assitótica das estatísticas de ordem para distribuições discretas. Com o adveto de microcomputadores muitos softwares estatísticos calculam para diversas distribuições de probabilidade, a desidade, a fução acumulada e a iversa da fução acumulada. Não existe, etretato, ehuma fução específica que calcule os mometos das estatísticas de ordem. Nosso iteresse foi, etão, fazer um estudo da distribuição assitótica das estatísticas de ordem de uma variável aleatória com distribuição de Poisso. Como coseqüêcia, foi elaborada uma fução o S Plus que calcula os mometos das estatísticas de ordem de uma variável com distribuição de Poisso, para qualquer valor de λ e. Na seção 2 apresetam-se algus resultados sobre estatísticas de ordem para distribuições discretas. Os resultados específicos para estatísticas de ordem da distribuição de Poisso estão a seção 3. Nessa seção também é apresetada a estratégia de aálise para o estudo do comportameto assitótico dos mometos. Os resultados e discussões sobre as esperaças e variâcias das estatísticas de ordem obtidas a partir da fução escrita em S Plus são apresetadas a seção 4, jutamete com o estudo de seu comportameto assitótico para diversos valores do parâmetro λ e do tamaho de amostra. 2 Uma revisão sobre estatísticas de ordem e seus mometos Ates de obter uma forma explícita para a média e variâcia das estatísticas de ordem para a distribuição de Poisso, apreseta-se uma revisão sobre algus resultados básicos, que podem ser ecotrados, por exemplo, em David (1981). 16 Rev. Mat. Estat., São Paulo, 19: , 21
5 Para um cojuto de variáveis aleatórias idepedetes e ideticamete distribuídas, X 1, X 2,, X, cada uma com fução distribuição acumulada P ( x ), as estatísticas de ordem são defiidas como seu arrajo em ordem crescete e idicadas por X ( 1 ),X ( 2 ),, X ( ), ode X ( r ) correspode a r-ésima estatística de ordem. A fução distribuição acumulada da r-ésima estatística de ordem, idicada por F r ( x ), r = 1,,, pode ser obtida por i Fr ( x ) = P 1 i i= 1 i ( x) [ P( x) ] Como casos especiais têm-se a fução distribuição do míimo e do máximo das estatísticas de ordem que são idicadas por [ P( x )] F1 ( x ) = 1 1 e F ( x ) = P ( x ) respectivamete. Um resultado importate sobre a fução distribuição acumulada de estatísticas de ordem é dado por ode ( x) = I ( r, r +1) F r P( x ) I p ( a,b) p a 1 t = 1 t a 1 ( 1 t) ( 1 t) b 1 b 1 dt dt é a chamada fução beta icompleta. Esses resultados são válidos para qualquer variável aleatória. Quado a variável de iteresse é discreta assumido, sem perda de geeralidade, os valores, 1, 2,, a distribuição de probabilidade da r-ésima estatística de ordem pode ser escrita como f r P( x ) P( x ) 1 ( x ) = I ( r, r + 1) I 1 ( r, r + ). Rev. Mat. Estat., São Paulo, 19: , 21 17
6 O k-ésimo mometo de X ( r ) pode ser obtido, etão, diretamete pela defiição µ ( k ) r: k ( x) = x fr. x= Como coseqüêcia desses resultados, tem-se que o valor esperado e a variâcia da r-ésima estatística de ordem podem ser escritas como: [ 1 I ) ( r, r 1 ] µ r : P( x + ) (1) = e V( X 2 [ 1 I ( r, r 1 ] + µ µ ( r ) ) = 2 x P( x ) + ) r: r: x= (2) Na próxima seção vamos usar esses resultados para obter umericamete as médias e as variâcias das estatísticas de ordem de uma distribuição de Poisso, uma vez que ão ecotramos a literatura sua forma explícita. 3 Os mometos das estatísticas de ordem a distribuição de Poisso Para o cálculo do valor esperado e da variâcia da r-ésima estatística de ordem dados em (1) e (2) é importate cohecer a forma da fução distribuição acumulada de uma variável aleatória com distribuição de Poisso. Ela é dada por P( x ) x e = i! i= λ i λ (3) Sabe-se que a distribuição de Poisso coverge para a distribuição Normal (por exemplo, Mood et al, 1974). Ivestigamos se as 18 Rev. Mat. Estat., São Paulo, 19: , 21
7 estatísticas de ordem de Poisso covergem para as correspodetes estatísticas de ordem da distribuição Normal. Como estratégia de aálise da covergêcia, decidiu-se etão comparar os valores esperados e as variâcias padroizadas das estatísticas de ordem da distribuição de Poisso com os respectivos valores de uma distribuição Normal Padrão. Para tato os mometos das estatísticas de ordem da distribuição de Poisso foram reescritos como µ = λ + λα e V(X (r) ) = λνr:. Espera-se que α r: e ν r: covirjam para os respectivos valores de uma Normal Padrão. Usado os resultados (1), (2) e (3) com a somatória trucada em 2, uma fução foi criada o S-PLUS-4.5 (Veables & Ripley, 1977) especialmete para o cálculo dos valores de µ e V(X ). No Apêdice ecotra-se uma cópia desse procedimeto. Para sistematizar o estudo, primeiramete foram calculados os valores de µ e V(X (r) ) para diversos tamahos de amostras etre 3 r: e 19 e valores do parâmetro λ etre 1 e 1. Como a distribuição de Poisso é assimétrica e a distribuição Normal, simétrica, a difereça maior etre as respectivas estatísticas de ordem ocorreu, como esperado, os extremos. A estatística de ordem cetral também é um bom idicador de assimetria da distribuição padroizada. Assim, como elemetos de comparação apreseta-se e discute-se aqui os resultados para as estatísticas de ordem X 1 ( 1 ), X + + e ( ) ( 1 ) / 2[ ( 1) / 2] r: r: (r) r: X para tamahos de amostras ímpares, e X 1(1), X / 2 [ / 2 ] e X ( ) para tamahos de amostras pares. A comparação dos valores esperados e variâcias das duas distribuições foi feita através do erro relativo, a forma ER = 1 ( N P) / N ode P é o valor de α r: ou νr: a distribuição de Poisso e N, o respectivo valor tabelado a Normal (Pearso & Hartley, 1976). Para apresetar e discutir os resultados, foram selecioados algus valores do parâmetro λ e também algus tamahos de amostras. Na próxima seção são cometadas as esperaças e variâcias de Rev. Mat. Estat., São Paulo, 19: , 21 19
8 algumas estatísticas de ordem para a distribuição de Poisso para tamahos de amostras iguais a 3, 5, 1, 15 e Resultados e discussões A aálise da covergêcia da seqüêcia em λ dos valores esperados, α i:, e das variâcias, ν i:, da i-ésima estatística de ordem padroizadas em amostras aleatórias simples de tamaho da distribuição de Poisso com parâmetro λ pode ser feita através dos gráficos dessas seqüêcias, para valores escolhidos de, e de tabelas cotedo os erros relativos, para diversos valores de λ e de. A Figura 1 refere-se aos valores esperados padroizados, α 1:, da primeira estatística de ordem em amostras casuais da distribuição de Poisso de parâmetro λ. Quado λ cresce, estes valores esperados se aproximam dos valores esperados das respectivas estatísticas de ordem em amostras de tamaho da distribuição Normal Padrão, correspodedo o gráfico ao valor de λ igual a 11, para o mesmo tamaho de amostra. Pode-se observar aida que para diferetes valores de tamaho de amostra o comportameto das lihas são semelhates. valores esperados do míimo -, ,5-2 lambda =3 =5 =1 =15 =19 FIGURA 1 Valores esperados padroizados da primeira estatística de ordem ( α 1: ) em amostras de tamaho da distribuição de Poisso com parâmetro λ. Para melhor quatificar a covergêcia de apresetam-se os erros relativos para os valores de α 1:, a Tabela 1 α. Estes variam de,57% à 45,78%. Fixado o tamaho da amostra, o erro relativo dimiui coforme aumeta-se o valor do parâmetro λ. O valor do erro relativo é meor para tamahos pequeos de amostras, e maior para 1: 11 Rev. Mat. Estat., São Paulo, 19: , 21
9 tamahos grades de amostras. Pode-se dizer que o erro relativo dos valores de α aumeta à medida que cresce. 1: Tabela 1 Erro relativo dos valores esperados padroizados da primeira estatística de ordem ( α 1: ) em amostras de tamaho da distribuição de Poisso com parâmetro λ. λ ,89 22,8 35,64 42,42 45,78 3 5,43 9,33 14,14 16,83 18,39 5 3,74 6,66 1,14 12,5 13,14 7 2,97 5,4 8,26 9,81 1,7 1 2,34 4,36 6,69 7,96 8,69 2 1,5 2,92 4,52 5,38 5,89 3 1,17 2,33 3,61 4,31 4,72 4,98 1,99 3,9 3,69 4,4 5,86 1,76 2,74 3,27 3,59 6,77 1,6 2,48 2,96 3,26 7,71 1,47 2,28 2,73 3, 8,65 1,37 2,12 2,54 2,8 9,61 1,29 1,99 2,39 2,63 1,57 1,22 1,88 2,26 2,49 X 1 1, ν 1: As variâcias padroizadas de ( ), da distribuição de Poisso de parâmetro λ estão a Figura 2. Quado λ cresce, estas variâcias se aproximam das respectivas variâcias em amostras de tamaho da distribuição Normal Padrão, correspodedo o gráfico ao valor de λ igual a 11, para o mesmo tamaho de amostra. Assim como o caso deα 1: pode-se observar que as lihas se comportam de maeira semelhate, sedo quase paralelas. Na Tabela 2 tem-se os erros relativos dos valores de ν 1 : 1. Estes variam de 6.% à 99,96%, com valor meor para tamahos de amostras pequeas e maior para tamahos de amostras grades. Fixado o tamaho de amostra, o erro relativo dos valores de ν dimiui a medida que λ aumeta. 1: Rev. Mat. Estat., São Paulo, 19: ,
10 valores esperados do míimo -, ,5-2 lambda =3 =5 =1 =15 =19 FIGURA 2 Valores das variâcias padroizadas da primeira estatística de ordem ( ν 1: ) em amostras de tamaho da distribuição de Poisso com parâmetro λ. Tabela 2 Erro relativo das variâcias padroizadas da primeira estatística de ordem ( ν 1: ) em amostras de tamaho da distribuição de Poisso com parâmetro λ. λ ,64 77,76 97,9 99,67 99, ,2 44,44 57,54 64,29 67, ,87 34,88 45,13 5,36 53,2 7 22,3 29,75 38,56 43,6 45, ,56 25,11 32,61 36,47 38, ,27 17,99 23,47 26,31 27,59 3 1,88 14,77 19,31 21,69 22,69 4 9,45 12,84 16,8 18,89 19,73 5 8,46 11,5 15,7 16,96 17,69 6 7,73 1,51 13,78 15,53 16,17 7 7,16 9,74 12,78 14,41 14,98 8 6,7 9,12 11,97 13,5 14,2 9 6,32 8,6 11,3 12,75 13,22 1 6, 8,16 1,72 12,11 13,62 A apresetação e aálise do comportameto dos mometos das estatísticas cetrais estão agrupados para tamahos de amostras ímpares e tamahos de amostras pares. 112 Rev. Mat. Estat., São Paulo, 19: , 21
11 Na Figura 3 tem-se os valores de α + para tamahos de ( 1 ) / 2: amostras ímpares da distribuição de Poisso de parâmetro λ. Percebese que eles covergem para o valor esperado a Normal Padrão, correspodete o gráfico ao valor de λ igual a 11, à medida que λ aumeta, idepedete do valor de. As lihas defiidas para cada tamaho de amostra são praticamete paralelas. Como o respectivo valor a Normal é zero, ão é possível calcular o correspodete erro relativo. valores esperados das estatísticas cetrais ,4 -,9 -,14 lambda =3 =5 =11 =15 =19 FIGURA 3 Valores esperados padroizados da estatística de ordem cetral ( α ( + 1 ) / 2: ) em tamahos de amostras ímpares da distribuição de Poisso com parâmetro λ. / 2: Na Figura 4 tem-se os valores de α da distribuição de Poisso com parâmetro λ para tamahos de amostras pares. Coforme λ aumeta, eles covergem para o valor esperado a Normal Padrão, correspodete o gráfico ao valor de λ igual a 11, idepedete do valor de. As lihas defiidas para cada tamaho de amostra são praticamete paralelas. Neste caso podemos observar dois tipos de situações, uma para tamahos de amostras pares e outra para ímpares. Na figura 5 tem-se os valores de ν da distribuição de Pois- / 2: so com parâmetro λ. Percebe-se que coforme λ aumeta, eles covergem para as respectivas variâcias da Normal Padrão, correspodete o gráfico ao valor de λ igual a 11, para o mesmo valor de. Podemos observar aida o mesmo comportameto paralelo das lihas. A quatificação da covergêcia dos erros relativos dos valores de ν / 2: estão a Tabela 3. Eles variam de,11% à 48,39%, com valor meor para tamahos de amostras pequeas e maior, para ta- Rev. Mat. Estat., São Paulo, 19: ,
12 mahos de amostras grades. Porém, coforme λ aumeta, seu valor dimiui. valores esperados das estatísticas cetrais -, ,2 -,3 -,4 -,5 lambda =4 =6 =1 =14 =18 FIGURA 4 Valores esperados padroizados da estatística de ordem cetral ( α / 2: ) em tamahos de amostras pares da distribuição de Poisso com parâmetro λ. variâcia dos valores cetrais,6,5,4,3,2, lambda =3 =5 =1 =15 =19 FIGURA 5 Valores das variâcias padroizadas estatística de ordem cetral ( ν / 2: ) em amostras de tamaho da distribuição de Poisso com parâmetro λ. Na Figura 6 temos os valores de α : para diversos valores de λ e de. Eles covergem para os valores esperados a Normal Padrão, correspodete o gráfico ao valor de λ igual a 11, coforme λ aumeta, para o mesmo tamaho de amostra. Pode-se observar aida que para diferetes valores de o comportameto das lihas são semelhates. A Tabela 4 apreseta algus valores dos erros relativos de α :. Estes variam de,38% à 18,16%, com valor meor para tamahos de amostras pequeas e maior para tamahos de amostras grades. Podese dizer que o erro relativo dos valores de α dimiui coforme : aumeta o valor de λ, fixados os tamahos de amostras. 114 Rev. Mat. Estat., São Paulo, 19: , 21
13 Tabela 3 Erro relativo das variâcias padroizadas da estatística de ordem cetral ( ν ) em amostras de tamaho da / 2: distribuição de Poisso com parâmetro λ. λ ,32 31,49 62,72 51,62 48,39 3 4,28 7,95 12,3 26,19 32,71 5 2,46 4,68 6,23 15,38 19,68 7 1,73 3,32 3,94 1,93 13,97 1 1,2 2,31 2,32 7,63 9,75 2,59 1,15,62 3,81 4,86 3,39,77,14 2,53 3,23 4,29,58,7 1,9 2,42 5,23,47,17 1,52 1,94 6,19,39,23 1,26 1,61 7,16,34,27 1,8 1,38 8,14,3,29,95 1,21 9,12,26,31,84 1,7 1,11,24,32,76,96 valores esperados dos máximos 2,5 2 1,5 1, lambda =3 =5 =1 =15 =19 FIGURA 6 Valores esperados padroizados da -ésima estatística de ordem ( α : ) em amostras de tamaho da distribuição de Poisso com parâmetro λ. Rev. Mat. Estat., São Paulo, 19: ,
14 Tabela 4 Erro relativo dos valores esperados padroizados da -ésima estatística de ordem ( α : ) em amostras de tamaho da distribuição de Poisso com parâmetro λ. λ ,38 5,98 12,99 16,36 18,16 3 1,19 4,66 8,67 1,66 11,71 5 1,26 3,92 7,4 8,6 9,42 7 1,22 3,46 6,11 7,44 8,13 1 1,14 3, 5,24 6,35 6,93 2,94 2,25 3,85 4,65 5,5 3,82 1,88 3,2 3,86 4,18 4,74 1,65 2,8 3,37 3,66 5,68 1,49 2,53 3,4 3,29 6,63 1,37 2,32 2,79 3,2 7,59 1,27 2,16 2,6 2,81 8,56 1,2 2,3 2,44 2,63 9,54 1,13 1,92 2,31 2,49 1,51 1,8 1,83 2,2 2,37 Na Figura 7 estão os valores de ν :. Eles covergem para as respectivas variâcias em amostras de tamaho a Normal Padrão, correspodete o gráfico ao valor de λ igual a 11, coforme aumeta o valor de λ, para o mesmo tamaho de amostra. Assim como o caso de α : pode-se observar que as lihas se comportam de maeira semelhate, além de serem paralelas. Na Tabela 5 ecotram-se os erros relativos para os valores de ν :. Estes variam de 6,37% à 171,33%, com valor meor para tamahos de amostras pequeas e maior para tamahos de amostras grades. Pode-se dizer que o erro relativo dos valores de ν dimiui a medida que λ aumeta, fixado o tamaho da amostra. : 116 Rev. Mat. Estat., São Paulo, 19: , 21
15 α : variâcias dos máximos 1,2 1,8,6,4, lambda =3 =5 =1 =15 =19 FIGURA 7 Valores das variâcias padroizadas da -ésima estatística de ordem ( ν : ) em amostras de tamaho da distribuição de Poisso com parâmetro λ. Tabela 5 Erro relativo das variâcias padroizadas da -ésima estatística de ordem ( ν : ) em amostras de tamaho da distribuição de Poisso com parâmetro λ. λ ,76 14,43 139,22 159,4 171, ,83 55, 73,27 82,88 88,91 5 3,6 41,46 55,7 62,17 66, ,8 34,55 45,81 51,65 55,45 1 2,75 28,56 37,79 42,55 45, ,45 19,85 26,18 29,4 31, ,72 16,9 21,19 23,76 25,64 4 1,12 13,88 18,26 2,45 22,11 5 9,3 12,39 16,28 18,22 19,72 6 8,24 11,29 14,83 16,58 17,98 7 7,62 1,44 13,7 15,32 16,63 8 7,12 9,76 12,8 14,3 15,55 9 6,71 9,2 12,6 13,46 14,65 1 6,37 8,72 11,43 12,75 13,9 Rev. Mat. Estat., São Paulo, 19: ,
16 5 Coclusões Em amostras de cojutos ordeados, os mometos das estatísticas de ordem padroizadas são importates a obteção de BLUEs. Neste trabalho foram apresetados os resultados de um estudo sobre o comportameto assitótico do valor esperado e da variâcia de algumas estatísticas de ordem para variáveis aleatórias com distribuição de Poisso com parâmetro λ. Mostrou-se que os valores de médias e variâcias das estatísticas de ordem X ( 1 ) X vidos de uma distribuição Poisso com 1 e ( ) parâmetro λ, quado padroizadas, covergem para os valores das esperaças e variâcias das respectivas estatísticas de ordem de uma Normal Padrão, em amostras de tamaho, a medida que se aumeta o valor do parâmetro. A variação do erro relativo pode ser cosiderada baixa e sofre um acréscimo a medida que o tamaho da amostra aumeta. Para as estatísticas de ordem do míimo e do máximo existe um comportameto muito semelhate e as difereças os erros relativos são muito pequeas. Além do mais, o comportameto do erro relativo idica que a aproximação é melhor para amostras de tamaho pequeo. Em relação aos valores de α pôde-se observar que eles se / 2: aproximam, quado λ cresce, do correspodete valor esperado a distribuição Normal, coforme aumeta o valor do parâmetro, para cada tamaho de amostra. Resultado aálogo obteve-se para as variâcias. Coclui-se etão que os dois primeiros mometos cetrais das estatísticas de ordem padroizadas de uma amostra aleatória de tamaho de uma variável aleatória com distribuição de Poisso com parâmetro λ covergem para os mometos correspodetes destas estatísticas em amostras de mesmo tamaho vido as de uma distribuição Normal padrão, quado λ. 118 Rev. Mat. Estat., São Paulo, 19: , 21
17 RIBEIRO, F. B., BARRETO, M. C. M. Order stastistics for poisso distributio: a asymptotic study of its momets, Rev. Mat. Estat. (São Paulo), v.19, p , 21. ABSTRACT: The kowledge of the properties of the momets of order statistics are very importat i the study of best liear ubiased estimators for raked set samplig. I recet papers, the procedure of raked set samplig are used i reseach of the Eviromet, maily whe the cost of observatios required more efficiet estimators. I this paper we have studied the properties of order statistics from Poisso distributio, which is little attetio is give i the literature but is very importat i applicatios. We have calculated the expected values ad variaces of the order statistics from Poisso distributio usig a fuctio i S-Plus software. We have checked for some sample values, if the meas ad variaces of reduced order statistics from Poisso distributio coverge for some values as λ icrease. We have cocluded that the expected values ad the variaces of reduced order statistics for Poisso distributio coverge for same figures of the stadard Normal distributio as λ icrease, for the same values of sample size. KEYWORDS: Raked set samplig, momets of order statistics, extreme poits, S-Plus, Poisso distributio ad stadard ormal distributio, Evirometal statistics. Referêcias bibliográficas BALAKRISHNAN, N. Order Statistics from discrete distributios, Comu. Stat, Part A-Theory Meth., v.15, p , BARNETT, V., MOORE, K. Best liear ubiased estimates i raked set samplig with particular referece to imperfect orderig, J. Appl. Stat., v.24, p , BARRETO, M. C. M., BARNETT, V. Best liear ubiased estimators for the simple liear regressio model usig raked set samplig. J. Ecol. Eviro. Stat., v.6, , BARRETO, M. C. M. Plaejametos eficietes em pesquisa o Meio Ambiete usado amostragem em cojutos ordeados. Rev. Mat. Estat., v.19, p.71-84, 21. Rev. Mat. Estat., São Paulo, 19: ,
18 BHOJ, D. S., AHSANULLAH, M. Estimatio of parameters of the geeralized geometric distributio usig raked set samplig. Biometrics, v.52, p , BOHN, L. L. A review of oparametric raked set samplig methodology. Comu. Stat., Part A-Theory Meth., v.25, p , BOHN, L. L., WOLFE, D. A. Noparametrics 2 sample procedures for raked set samples data, J. Am. Stat. Assoc., v.87, p , BOHN, L. L., WOLFE, D. A. The effect of imperfect judgmet rakigs o properties of procedures based o the raked set samples aalog of the Ma-Whitey-Wilcoxo statistics, J. Am. Stat. Assoc., v.89, p , DAVID, H. A. Order statistics. 2. ed. New York: Joh Wiley, p. DELL, T. R., CLUTTER, J. L. Raked set samplig theory with the use of raked set samplig o grass clover swards. Grass For. Sci., v.4, p JOHNSON, N., KOTZ, S., KEMP, A. Uivariate discrete distributios, 2. ed. New York: Joh Wiley, p. KAUR, A. et al. Evirometal samplig with a cocomitat variable ad stratified simple radom samplig. J. Appl. Stat., v.23, p , KOTI, K. M., BABU, G. J. Sig test for raked set samplig. Comu. Stat. Part A-Theory Meth., v.25, p , KVAM, P. H., SAMANIEGO, F. J. Noparametric maximumlikelihood-estimatio basead o raked set samples. J. Am. Stat. Assoc., v.89, p , LAM, K., SINHA, B. K., WU, Z. Estimatio of parameters i a 2- parameter expoetial distribuitio usig raked set sample. A. Ist. Stat. Math., v.46, p , MOOD, A. M., GRAYBILL, F. A., BOES, D. C. Itroductio to the theory of statistics, 3. ed. Tokyo: McGraw-Hill, p. MUTTLAK, H. A. Parameters estimatio i a simple liear-regressio usig rak set samplig. Biom. J., v.37, p , MUTTLAK, H. A. Estimatio of parameters for oe-way layout with rak set samplig. Biom. J., v.38, p.57-15, MUTTLAK, H. A., MCDONALD, L. L. Raked set samplig with respect to comcomitat variables ad with size biased probability of selectio. Comu. Stat. Part A-Theory Meth., v.19, p , Rev. Mat. Estat., São Paulo, 19: , 21
19 MUTTLAK, H. A., MCDONALD, L. L. Raked set samplig ad the lie itercept method-a more efficiet procedure. Biom. J., v.34, p PEARSON, E. S., HARTLEY, H. O. Biometrika tables for statisticias. Lodo: Griffi, v.2, 286p. SAMAWI, H. M., AHMED, M. S., ABUDAYYEH, W. Estimatig the populatio mea usig extreme raked set samplig. Biom. J., v.38, p , SINHA, B. K., SINHA, B. K., PURKAYASTHA, S. O some aspects of raked set samplig for estimatio of ormal ad expoetial parameters. Stat. Decisios, v.14, p , STOKES, L. S. Raked set samplig with cocomitat variables. Comu. Stat. Part A Theory Meth., v.25, p , STOKES, L. S. Parametric raked set samplig. A. Ist. Stat. Math., v.47, p , STOKES, L. S., SAGER, T. W. Characterizatio of a raked set sample with aplicatio to estimatig distributios fuctios. J. Am. Stat. Assoc., v.83, p , VENABLES, W. N., RIPLEY, B. D. Moder applied statistics with S- Plus, 2.ed. New York: Spriger Verlag, p. Recebido em Apêdice Fução do S-Plus para cálculo dos valores esperados e variâcias das estatísticas de ordem da distribuição de Poisso estatistica.ordem<-fuctio(lam,r,) { x<-seq(,2,1) px<-ppois(x,lam) ip<-pbeta(px,r,-r+1,cp=) w<-1-ip mi<-sum(w) Rev. Mat. Estat., São Paulo, 19: ,
20 sigma<-2*sum(x*w)+mi-mi^2 resposta<-c(mi,sigma) } 122 Rev. Mat. Estat., São Paulo, 19: , 21
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 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 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 maisUM ESTUDO SOBRE O DESEMPENHO DE INTERVALOS DE CONFIANÇA BOOTSTRAP
UM ESTUDO SORE O DESEMPENHO DE INTERVALOS DE CONFIANÇA OOTSTRAP PARA A MÉDIA DE UMA DISTRIUIÇÃO NORMAL USANDO AMOSTRAGEM POR CONJUNTOS ORDENADOS PERFEITAMENTE Luciaa Cristia CESÁRIO 1 Maria Cecília Medes
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 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 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 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 maisAula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança
Aula 5 Aula passada Valor esperado codicioal Espaço amostral cotíuo, fução desidade Limitates para probabilidade Desigualdades de Markov, Chebyshev, Cheroff with high probability Aula de hoje Limitate
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 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 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 maisEstimação 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 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 maisS E Q U Ê N C I A S E L I M I T E S. Prof. Benito Frazão Pires. Uma sequência é uma lista ordenada de números
S E Q U Ê N C I A S E L I M I T E S Prof. Beito Frazão Pires Uma sequêcia é uma lista ordeada de úmeros a, a 2,..., a,... ) deomiados termos da sequêcia: a é o primeiro termo, a 2 é o segudo termo e assim
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 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 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 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 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 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 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 maisAVALIAÇÃO DE UMA PROPOSTA DE INTERVALOS DE CONFIANÇA BOOTSTRAP EM AMOSTRAGEM POR CONJUNTOS ORDENADOS PERFEITAMENTE
AVALIAÇÃO DE UMA PROPOSTA DE INTERVALOS DE CONFIANÇA BOOTSTRAP EM AMOSTRAGEM POR CONJUNTOS ORDENADOS PERFEITAMENTE Cesar Augusto TACONELI Maria Cecília Medes BARRETO RESUMO: O delieameto por amostras em
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 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 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 maisCONHECIMENTOS ESPECÍFICOS
CESPE/UB FUB/0 fa 5 4 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B correspode ao quartil cetral (Q ) da distribuição A.
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 maisMOQ 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 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 mais5 Teoria dos Valores Extremos
Teoria dos Valores Extremos 57 5 Teoria dos Valores Extremos A Teoria dos Valores Extremos vem sedo bastate utilizada em campos ligados a evetos raros. Sua estatística é aplicada a estimação de evetos
Leia maisRevisando... 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 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 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 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 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 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 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 mais5. 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 maisEstimação dos parâmetros angular e linear da equação de regressão linear simples pelo método não-paramétrico
Estimação dos parâmetros agular e liear da equação de regressão liear simples pelo método ão-paramétrico Alícia Bolfoi Dias, Silvao Bolfoi Dias, 3 Luciae Flores Jacobi CEEMQ - CCNE/UFSM e-mail:aliciabdias@mailufsmbr
Leia maisCONCEITOS 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 maisO teste de McNemar. A tabela 2x2. Depois - Antes
Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br O teste de McNemar O teste de McNemar para a sigificâcia de mudaças é particularmete aplicável aos experimetos do tipo "ates e depois"
Leia maisStela Adami Vayego DEST/UFPR
Resumo 3 Resumo dos dados uméricos por meio de úmeros. Medidas de Tedêcia Cetral A tedêcia cetral da distribuição de freqüêcias de uma variável em um cojuto de dados é caracterizada pelo valor típico dessa
Leia maisProbabilidade 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 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 maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Técnicas de Reamostragem
Estatística: Aplicação ao Sesoriameto Remoto SER 202 - ANO 2016 Técicas de Reamostragem Camilo Daleles Reó camilo@dpi.ipe.br http://www.dpi.ipe.br/~camilo/estatistica/ Distribuição Amostral Testes paramétricos
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 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 maisCap. 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 maisEPR 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 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 maisP.M.S. Oliveira, C.S. Munita
Estudo comparativo de métodos de ormalização em resultados experimetais. P.M.S. Oliveira, C.S. Muita Istituto de Pesquisas Eergéticas e Nucleares - IPEN-CNEN/SP, Av. Prof. Lieu Prestes 4. CEP 05508-000,
Leia maisInstruções 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 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 maisn C) O EMV é igual a i 1
PROVA DE ESTATÍSTICA E PROBABILIDADE SELEÇÃO MESTRADO/UFMG 009 Istruções: a) Cada questão respodida corretamete vale (um) poto. c) Cada questão respodida icorretamete vale - (meos um) poto. b) Cada questão
Leia maisSumário. 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 mais4 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 maisINTERVALO DE CONFIANÇA BOOTSTRAP COMO FERRAMENTA PARA CLASSIFICAR RAÇAS DO NEMATÓIDE DE CISTO DA SOJA 1
INTERVALO DE CONFIANÇA BOOTSTRAP 71 INTERVALO DE CONFIANÇA BOOTSTRAP COMO FERRAMENTA PARA CLASSIFICAR RAÇAS DO NEMATÓIDE DE CISTO DA SOJA 1 JOSÉ ERIVALDO PEREIRA, JOÃO FLÁVIO VELOSO SILVA, WALDIR PEREIRA
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 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 maisCONHECIMENTOS ESPECÍFICOS
Acerca dos coceitos de estatística e dos parâmetros estatísticos, julgue os ites seguites. CONHECIMENTOS ESPECÍFICOS CESPE/UB STM 67 A partir do histograma mostrado a figura abaixo, é correto iferir que
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 maisDistribuição 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 maisAprendizagem de Máquina
predizagem de Máquia Modelos de Mistura lgoritmo EM Estimação semi-paramétrica de desidade abordagem paramétrica para estimação de desidade supõe que a amostra X é extraída de uma distribuição que segue
Leia maisCapítulo 5. CASO 5: EQUAÇÃO DE POISSON 5.1 MODELO MATEMÁTICO E SOLUÇÃO ANALÍTICA
Capítulo 5. CASO 5: EQUAÇÃO DE POISSON No presete capítulo, é abordado um problema difusivo uidimesioal com absorção de calor (Icropera e DeWitt, 199, o que resulta uma equação de Poisso, que é uma equação
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Teste de Hipótese
Estatística: Aplicação ao Sesoriameto Remoto SER 4 - ANO 18 Teste de Hipótese Camilo Daleles Reó camilo@dpi.ipe.br http://www.dpi.ipe.br/~camilo/estatistica/ Estimação de Parâmetros Como já foi visto,
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 maisDisciplina: Probabilidade e Estatística (MA70H) Profª Silvana Heidemann Rocha Estudante: Código: APRESENTAÇÃO DE DADOS PARA VARIÁVEL QUANTITATIVA
Miistério da Educação UIVERSIDADE TECOLÓGICA FEDERAL DO PARAÁ Câmpus Curitiba Diretoria de Graduação e Educação Profissioal Departameto Acadêmico de Estatística 1 Disciplia: Probabilidade e Estatística
Leia maisRegressão linear simples
Regressão liear simples Maria Virgiia P Dutra Eloae G Ramos Vaia Matos Foseca Pós Graduação em Saúde da Mulher e da Criaça IFF FIOCRUZ Baseado as aulas de M. Pagao e Gravreau e Geraldo Marcelo da Cuha
Leia maisCORRELAÇÃO 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 maisEconometria. Econometria. Aplicação. Modelo completo. Soma de Coeficientes. Teste para um Parâmetro
. Revisão/exemplos Ecoometria. Iferêcia grades amostras. Revisão/exemplos Ecoometria /00 /00 Aplicação Modelo completo LogG = β + β logy + β 3 logpg + β 4 logpnc + β 5 logpuc + β 6 logppt + β 7 logpn +
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 maisProf. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL
Prof. Fabrício Maciel Gomes Departameto de Egeharia Química Escola de Egeharia de Lorea EEL Referêcias Bibliográficas Sistema de Avaliação Duas Provas teóricas Um Trabalho em Grupo MédiaFial 0,4 P 0,4
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 maisCE-003: Estatística II - Turma K/O Avaliações Semanais (2 o semestre 2015)
CE-003: Estatística II - Turma K/O Avaliações Semaais (2 o semestre 20) Semaa 5 (av-01) 1. Um idivíduo vai participar de uma competição que cosiste em respoder questões que são lhe são apresetadas sequecialmete.
Leia maisPreliminares 1. 1 lim sup, lim inf. Medida e Integração. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales. 8 de março de 2009.
Medida e Itegração. Departameto de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 8 de março de 2009. 1 lim sup, lim if Prelimiares 1 Seja (x ), N, uma seqüêcia de úmeros reais, e l o limite desta
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 maisPROVA 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 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 maisAnálise 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 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 maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROILIDDE E ESTTÍSTIC Professor: Rodrigo. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semaas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Itrodução à probabilidade (evetos, espaço
Leia maisDETERMINANDO A SIGNIFICÂNCIA ESTATÍSTICA PARA AS DIFERENÇAS ENTRE MÉDIAS
DTRMINANDO A SIGNIFIÂNIA STATÍSTIA PARA AS DIFRNÇAS NTR MÉDIAS Ferado Lag da Silveira Istituto de Física - UFRGS lag@if.ufrgs.br O objetivo desse texto é apresetar através de exemplos uméricos como se
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ NOTAS DE AULA PROFa. SONIA MÜLLER
PROBABILIDADE. DEFINIÇÕES BÁSICAS:.- INTRODUÇÃO: UNIVERSIDADE FEDERAL DO PARANÁ NOTAS DE AULA PROFa. SONIA MÜLLER PROBABILIDADE POPULAÇÃO AMOSTRA ESTATÍSTICA Uiverso : Ω ou U Vazio: Uião: A B Itersecção:
Leia maisMedidas de Posição. É igual ao quociente entre a soma dos valores do conjunto e o número total dos valores.
Medidas de Posição São as estatísticas que represetam uma série de dados orietado-os quato à posição da distribuição em relação ao eixo horizotal do gráfico da curva de freqüêcia As medidas de posições
Leia maisSéquências 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 maise, respectivamente. Os valores tabelados para a distribuição t-student dependem do número de graus de liberdade ( n 1 e
Prof. Jaete Pereira Amador 1 1 Itrodução Um fator de grade importâcia a pesquisa é saber calcular corretamete o tamaho da amostra que será trabalhada. Devemos ter em mete que as estatísticas calculadas
Leia maisCARTA DE CONTROLE PARA MONITORAMENTO DE FRAÇÃO DE CONFORMES UTILIZANDO UM NOVO ESTIMADOR
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. CARTA DE CONTROLE PARA MONITORAMENTO DE FRAÇÃO DE CONFORMES UTILIZANDO UM NOVO ESTIMADOR Ruth Pereira Loureço (USP) ruth.p.loureco@gmail.com Lida Lee Ho
Leia mais10 - 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 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 maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Estimação pontual e intervalar
potual por itervalos Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos potual e itervalar Lic. Eg. Biomédica e Bioegeharia-2009/2010 potual por itervalos A Teoria das Probabilidades cosiste
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 maisAp A r p e r n e d n i d z i a z ge g m e m Es E t s a t tí t s í t s i t c i a c de d e Dado d s Francisco Carvalho
Apredizagem Estatística de Dados Fracisco Carvalho Avaliação e Comparação de Classificadores Existem poucos estudos aalíticos sobre o comportameto de algoritmos de apredizagem. A aálise de classificadores
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Teoria da amostragem
Estatística: Aplicação ao Sesoriameto Remoto SER 04 - ANO 017 Teoria da amostragem Camilo Daleles Reó camilo@dpi.ipe.br http://www.dpi.ipe.br/~camilo/estatistica/ Algumas Cosiderações... É importate ter
Leia mais3. Seja C o conjunto dos números complexos. Defina a soma em C por
Eercícios Espaços vetoriais. Cosidere os vetores = (8 ) e = ( -) em. (a) Ecotre o comprimeto de cada vetor. (b) Seja = +. Determie o comprimeto de. Qual a relação etre seu comprimeto e a soma dos comprimetos
Leia maisA 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 maisSumário. 2 Índice Remissivo 11
i Sumário 1 Esperaça de uma Variável Aleatória 1 1.1 Variáveis aleatórias idepedetes........................... 1 1.2 Esperaça matemática................................. 1 1.3 Esperaça de uma Fução de
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 maisProf. Rafael A. Rosales 16 de abril de As respostas dos exercícios 14., 16. e 17. foram elaboradas por Felipe Polo e Denis Moreira.
USP-FFCLRP Itrodução a Iferêcia Estatística DCM Iformática Biomédica Prof. Rafael A. Rosales 16 de abril de 218 As respostas dos exercícios 14., 16. e 17. foram elaboradas por Felipe Polo e Deis Moreira.
Leia maisProva 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