Cálculo das Probabilidades e Estatística I

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Cálculo das Probabilidades e Estatística I"

Transcrição

1 Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB

2 Introdução O curso foi dividido em três etapas: 1 vimos como resumir descritivamente variáveis de um conjunto de dados. 2 conhecemos modelos probabilísticos, caracterizados por parâmetros, capazes de representar adequadamente o comportamento de algumas variáveis. 3 esta etapa, apresentaremos métodos para fazer afirmações sobre as características de uma população (parâmetros), com base em informações dadas por amostras.

3 Revisando alguns conceitos... População: conjunto de todos os elementos ou indivíduos sob investigação. Amostra: qualquer subconjunto (não vazio) da população. Variável Aleatória: característica da população sujeita a variação. Parâmetro: Característica numérica observada na população. Estimador: Característica numérica estabelecida por valores da amostra (uma função da amostra). Estimativa: um particular valor assumido por um estimador.

4 Introdução à Inferência Estatística O uso de informações de uma amostra para concluir sobre o todo faz parte do dia a dia da maioria das pessoas. Por exemplo: Uma cozinheira ao verificar o sal de um prato que está preparando; Um comprador, após experimentar uma pequena fatia de queijo, decide se vai ou não comprar o queijo; A forma como as mães verificam a temperatura do mingau de seus bebês.

5 Inferência Inferência Estatística: conjunto de métodos de análise estatística que permitem tirar conclusões sobre uma característica da população com base em somente uma parte dela (uma amostra). Em outras palavras, a inferência estatística trata de métodos que permitem a obtenção de conclusões sobre um ou mais parâmetros de uma ou mais populações através de quantidades (estimadores) calculadas a partir da(s) amostra(s);

6 Inferência Fazer inferência (ou inferir) = tirar conclusões sobre as características de uma população (parâmetros), com base em informações dadas a partir da amostra (estimadores); Os métodos de inferência podem ser agrupados em duas categorias: 1 Estimação: pontual ou intervalar 2 Testes de Hipóteses

7 Com o que lida a Inferência? Suponha que desejamos saber qual a altura média dos brasileiros adultos. Como podemos obter essa informação? Medindo a altura de todos os brasileiros adultos. Nesse caso, não será necessário usar inferência estatística. Selecionar adequadamente uma amostra aleatória (X 1, X 2,..., X n ) da população de brasileiros adultos e, através dessa amostra, inferir sobre a altura média (parâmetro).

8 Podemos inferir sobre a altura média dos brasileiros adultos de duas formas: 1 Estimação: Estimativa Pontual: calculando a média das alturas dos brasileiros adultos selecionados na amostra; Estimativa Intervalar: através dos valores da amostra construir um intervalo de tal forma que a probabilidade de o verdadeiro valor da altura média dos brasileiros pertencer a este intervalo seja alta. 2 Testes de Hipóteses: Em uma outra situação, poderíamos estar interessados em testar se a afirmação os brasileiros têm, em média, 169 cm é verdadeira. Com base na amostra, podemos realizar um Teste de Hipóteses. Contudo, estes resultados dependerão da qualidade da amostra, que tem que ser representativa da população.

9

10 A forma como selecionamos uma amostra interfere nos resultados? Ex 1: Análise da quantidade de glóbulos brancos no sangue de certo indivíduo. Uma gota do dedo seguramente será representativa para a análise. Caso Ideal! Ex 2: Opinião sobre um projeto governamental. Se escolhermos uma cidade favorecida, o resultado certamente conterá erro (viés) OBS: Observe que a forma como se obtém a amostra é determinante para a validade da pesquisa.

11 Como selecionar uma amostra? A maneira de selecionar a amostra é tão importante que existem diversos procedimentos de obtê-la. A teoria da amostragem é o ramo da estatística que fornece procedimentos adequados para a seleção de amostras. Aqui, trataremos do caso mais simples de amostragem probabilística, e que serve como base para procedimentos mais elaborados: a amostragem aleatória simples, com reposição, a ser designada por AAS.

12 Amostragem Aleatória Simples (AAS) Supomos que podemos listar todos os N elementos de uma população homogênea e finita. Usando um procedimento aleatório, sorteia-se um elemento da população. Repete-se o procedimento até que sejam sorteadas as n unidades da amostra. Temos AAS com reposição e sem reposição, contudo, com reposição implica independência entre as unidades selecionadas facilitando o estudo das propriedades dos estimadores. Neste curso, será considerada a amostragem aleatória simples, com reposição, a ser designada por AAS.

13 Estimação Em qualquer área do conhecimento nos deparamos com o problema de estimar alguma quantidade de interesse. Exemplo: estimar a proporção de indivíduos que votarão em determinado candidato. A estimação pode ser feita de duas formas: 1 Estimação Pontual: um único valor e utilizado para inferir sobre um parâmetro de interesse. 2 Estimação Intervalar: uma faixa de valores ou intervalo é utilizado para inferir sobre um parâmetro de interesse, com algum grau de confiança.

14 Estimação Pontual Na estimação pontual desejamos encontrar um único valor numérico que esteja bastante próximo do verdadeiro valor do parâmetro. Parâmetro Média (µ) Variância (σ 2 ) Desvio Padrão (σ) Proporção (p) Estimador n i=1 X = X i n n S 2 i=1 = (X i X) 2 n 1 S = S 2 ˆp = X onde X é o número de indivíduos n que possuem a mesma característica de interesse

15 Os preços de um determinado produto em 10 diferentes mercados em um determinado mês foram: Exemplo A estimativa pontual da média do preço do produto é dada por X = = A estimativa pontual da proporção de preços menores que 1 real é dada por ˆp = 4 10 = 0.4

16 Propriedades desejáveis de um estimador Considere θ um estimador pontual (função de uma amostra) para um parâmetro θ desconhecido. P1 Não-Viesado: diz-se que θ é não-viesado (nãotendencioso) se seu valor esperado é igual a θ. P2 Consistência: diz-se que θ é consistente se além de não-viesado, sua variância tende a zero quando o tamanho de n é suficientemente grande. P3 Eficiência: Se θ 1 e θ 2 são dois estimadores não-viesados de um mesmo parâmetro θ, e ainda V ar(ˆθ 1 ) < V ar(ˆθ 2 ), então, dizemos que ˆθ 1 é mais eficiente do que ˆθ 2.

17 Suponha que alguém deseje comprar um rifle e, escolha quatro (A, B, C e D) para testá-los. foram dados 15 tiros com cada um deles. A representação gráfica é dada abaixo.

18 Estimação Pontual Estimação Intervalar Estimadores pontuais, especificam um único valor para o parâmetro. Mas, sabemos que diferentes amostras levam a diferentes estimativas, pois o estimador é uma função de uma amostra aleatória. E, estimar um parâmetro através de um único valor não permite julgar a magnitude do erro que podemos estar cometendo. Daí, surge a ideia de contruir um intervalo de valores que tenha uma alta probabilidade de conter o verdadeiro valor do parâmetro (denominado intervalo de confiança).

19 Como construir um intervalo de confiança? Um intervalo de confiança (ou estimativa intervalar) é construído de forma que a estimativa pontual esteja acompanhada de uma medida de erro. [ Intervalo Estimativa de Confiança = Pontual ± Erro de Estimação ] Mas como obter o erro de estimação????

20 Distribuição Amostral dos Estimadores Como dissemos, um estimador é uma função de uma amostra. Uma amostra consiste de observações de uma variável aleatória. Assim, estimadores também são variáveis aleatórias. Por esta razão, cada estimador possui uma distribuição de probabilidades e é importante conhecêla, pois a partir dela conhecemos o comportamento do estimador e podemos determinar a precisão das suas estimativas. A distribuição de probabilidades desses estimadores é comumente denominada de distribuição amostral do estimador.

21 Distribuição Amostral dos Estimadores A Distribuição Amostral retrata a distribuição de probabilidades de um estimador ˆθ, caso retirássemos todas as possíveis amostras de tamanho n de uma população. A figura abaixo ilustra a ideia de distribuição amostral.

22 Distribuição Amostral de X Considere, como exemplo, uma população de 5 elementos {2, 3, 6, 8, 11}. Nesta população temos que µ = E(X) = 6 e σ 2 = Var(X) = 10, 8. Se agora retirarmos todas as possíveis amostras de tamanho n = 2, com reposição, teremos: (2, 2); (2, 3); (2, 6); (2, 8); (2, 11); (3, 2)... (11, 11) Calculando a média para cada amostra, temos: (X 1, X 2 ) (2, 2) (2, 3) (2, 6) (2, 8) (2, 11) (3, 2) (11, 11) X 2 2, , 5 2,5 11

23 Distribuição Amostral de X Note que temos todos os possíveis resultados de X. Desta forma, podemos obter a distribuição de probabilidade da variável aleatória X. X 2 2, , P(X = x i ) 1/25 2/25 1/25 2/25 2/25 2/25 1/25 Baseando-se nestes dados, temos que: E(X) = x i p(x i ) = = 6 i E(X 2 ) = x 2 i p(x i ) = = 41, 4 i Var(X) = E(X 2 ) [E(X)] 2 = 41, = 5, 4

24 Distribuição Amostral de X Com respeito a distribuição de X, podemos observar que 1) A sua média é igual à media da população, E(X) = 6 = µ. 2) A sua variância é igual à variância da população dividida pelo tamanho da amostra Var(X) = 5, 4 = 10, 8 = σ2 2 n. Coincidência?

25 Distribuição Amostral de X Não, estes dois fatos não são isolados. Na realidade temos o seguinte resultado: Teorema: Seja X uma v.a. com média µ e variância σ 2, e seja (X 1,..., X n ) uma AAS de X. Então, µ X = E(X) = µ e σ X = Var(X) = σ2 n. Prova: E(X) = E Var(X) = Var ( n ) i=1 X i = 1 n n n i=1 E(X i) = nµ n = µ. ( n i=1 X i n ) = 1n 2 ni=1 Var(X i) = nσ2 n 2 Temos, então, informação sobre a média e a variância de X. Mas, o que dizer sobre sua distribuição de probabilidades? = σ2 n.

26 Distribuição Amostral de X A forma da distribuição amostral de X dependerá da distribuição da v.a. X. Duas situações são consideradas: 1 Se X N(µ, σ 2 ), então, X N(µ, σ2 n ). 2 Se a v.a. X tem distribuição qualquer, a distribuição da média amostral X aproxima-se da distribuição normal quando o tamanho da amostra cresce. Esse resultado é garantido por um teorema chamado Teorema Central do Limite. (Tipicamente, se n > 30 então X N(µ, σ2 n ).)

27 Distribuição Amostral de X

28 Exemplo Numa empresa A, os tempos de execução de uma certa tarefa pelos funcionários são distribuídos conforme uma distribuição normal com média µ = 22 minutos e variância σ 2 = 9 minutos 2. Considere uma amostra de 25 funcionários selecionados para executar a tarefa. Qual a probabilidade de o tempo de execução médio amostral ser menor que 20 minutos?

29 Exemplo Resposta: Temos n = 25 < 30, mas como a população tem distribuição normal, então, X N ( 22 min; 9 25 min2). Daí: ( ) X P (X < 20) = P < 9/25 9/25 = P (Z < 3, 33) = 0, 0004

30 Exemplo Considere que a distribuição das idades no momento do aparecimento de problemas de audição relacionados ao ruído no ambiente de trabalho em funcionários de um determinado setor industrial tenha média µ = 53, 9 anos e desvio padrão σ = 18, 1 anos. Numa amostra de 36 indivíduos qual a probabilidade de a média amostral das idades no momento do aparecimento dos problemas ser inferior a 45 anos?

31 Exemplo Resposta: Temos n = 36 > 30 podemos utilizar a aproximação ( normal. Nesse caso, temos que X N 53, 9 anos; 18,12 36 anos ). 2 Daí: P (X < 45) = P ( X 53, 9 18, 1/6 = P (Z < 2, 95) = 0, 0016 ) 45 53, 9 < 18, 1/6

32 Distribuição Amostral de ˆp Vamos considerar uma população em que a proporção de indivíduos com uma certa característica é p. Logo, podemos definir uma v.a. X como: X = { 1, se o indivíduo possui a característica 0, se o indivíduo não possui a característica, logo, µ = E(X) = p e σ 2 = Var(X) = p(1 p). Retirada uma AAS de tamanho n dessa população, seja Y n = n i=1 X i, o número de indivíduos com a característica de interesse na amostra. Já vimos que Y n binomial(n, p).

33 Distribuição Amostral de ˆp Observando que a proporção amostral é dada por: ˆp = Y n n n = i=1 X i = X. n E, lembrando que X tem distribuição normal, para n suficientemente grande (n > 30), com a mesma média que X e com variância igual à variância de X dividido por n. Neste caso, temos que se n é grande, então, a distribuição amostral de ˆp é: ( ) p(1 p) ˆp N p; n

34 Exemplo Um banco propõe a seus clientes inadimplentes um desconto para que quitem suas dívidas. O gerente espera, com base em estratégias similares realizadas anteriormente, que 50% desses clientes procurem o banco para tentar uma negociação. Num grupo de 200 clientes inadimplentes, qual a probabilidade de a proporção amostral de clientes que tentam a negociação estar entre 0, 48 e 0, 53?

35 Exemplo Resposta: Temos ( que n = 200 e p = 0, 5, o que implica que ˆp N 0, 5; 0,5(1 0,5) 200 anos ). 2 Daí: P (0, 48 < ˆp < 0, 53) = ( 0, 48 0, 5 = P < 0, 25/200 = P ( 0, 57 < Z < 0, 85) ˆp 0, 5 0, 25/200 < = P (Z < 0, 85) P (Z < 0, 57) = 0, , 2843 = 0, 518 ) 0, 53 0, 5 0, 25/200

36 Estimação Intervalar Vimos que como os estimadores pontuais especificam um único valor para o estimador, não podemos julgar qual a possível magnitude do erro que estamos comentendo. Daí, surge a idéia de construir os intervalos de confiança, de forma que a estimativa pontual esteja acompanhada de uma medida de erro. Intervalo de Confiança = [ Estimativa Pontual ± Erro de Estimação Mas como obter o erro de estimação??? Através da distribuição amostral do estimador pontual. ]

37 Estimação Intervalar Um intervalo de confiança (ou estimativa intervalar) representa uma amplitude de valores que tem alta probabilidade (grau de confiança) conter o verdadeiro valor do parâmetro. O grau de confiança (ou nível de confiança) é uma medida que representa a probabilidade do intervalo conter o parâmetro populacional. Tal probabilidade é chamada de 1 α. Logo, α será a probabilidade de erro ao se afirmar que o intervalo contém o verdadeiro valor do parâmetro.

38 Intervalo de confiança para a média populacional Duas situações são consideradas quando desejamos estabelecer um intervalo de confiança para a média de uma população: 1 A variância σ 2 é conhecida; 2 A variância σ 2 é desconhecida;

39 Intervalo de confiança para a média populacional Adicionalmente, deve-se verificar se uma das duas suposições seguintes é satisfeita: 1 A amostra é proviniente de uma população normal. Pois, sabemos que se X N(µ, σ 2 ) então X N(µ, σ 2 /n). 2 A amostra tem tamanho maior do que 30, n > 30, o que nos permite aproximar a distribuição da média amostral X pela distribuição normal, como na suposição anterior.

40 Intervalo de confiança para a média populacional De modo geral, estamos interessados em encontrar um intervalo na forma: IC = [X ε 0 ; X + ε 0 ] = [X ± ε 0 ] onde ε 0 representa a margem de erro ou erro de precisão em relação à média µ. Portanto, o objetivo é encontrar ε 0 tal que que é equivalente a P( X µ < ε 0 ) = 1 α, P( ε 0 < X µ < ε 0 ) = 1 α. A última expressão pode ser reescrita da forma P(µ ε 0 < X < µ + ε 0 ) = 1 α.

41 Caso 1: A variância σ 2 é conhecida Sabemos que X é o estimador de µ. Supondo que pelo menos uma das suposições está satisfeita, temos que X N(µ, σ 2 /n) e, então, X µ σ/ = Z N(0, 1). n P( µ ε 0 µ σ/ n P(µ ε 0 < X < µ + ε 0 ) = 1 α < X µ σ/ n < µ + ε 0 µ σ/ n ) = 1 α. Daí, P( ε 0 σ/ n < Z < +ε 0 σ/ n ) = 1 α. P( z α/2 < Z < +z α/2 ) = 1 α. z α/2 = ε 0 σ/ n e z α/2 = ε 0 σ/ n

42 Caso 1: A variância σ 2 é conhecida Logo, ε 0 = z α/2 σ n

43 Caso 1: A variância σ 2 é conhecida Dessa forma, se X for a média de uma amostra aleatoria de tamanho n, proveniente de uma população com variância conhecida, um intervalo de 100(1 α)% de confiança para a média populacional é dado por: IC µ 100(1 α)% = ( X z α/2 σ n, X + z α/2 σ n ) em que z α/2 é o quantil da normal padrão de nível α/2.

44 Exemplo Em uma industria de cerveja, a quantidade de cerveja inserida em latas se comporta como uma distribuição normal com média 350 ml e desvio padrão 3 ml. Após alguns problemas na linha de produção, suspeita-se que houve alteração na média. Uma amostra de 20 latas acusou uma média de 346 ml. Obtenha um intervalo de 95% para a quantidade média de cerveja inserida em latas, supondo que não tenha ocorrido alteração na variabilidade.

45 Resposta: A variância σ 2 é conhecida, então o intervalo é dado por IC µ 100(1 α)% = ( X z α/2 σ n, X + z α/2 σ n ) Exemplo Como 1 α = 0, 95, temos que α = 0, 05. Então, α/2 = 0, 025. Ou seja, devemos olhar na tabela da normal padrão qual o número z 0,025.

46 Exemplo Olhando na tabela, temos que z α/2 = 1, 96. Assim, o intervalo é obtido através de: IC µ 95% = ( 346 1, , , ) = (344.69, ) Isto é, o intervalo de valores [344, 69; 347, 31] contém a quantidade média de cerveja inserida nas latas está com 95% de confiança. Logo, conclui-se que realmente houve alteração, após os problemas encontrados na linha de produção, na quantidade média de cerveja inserida em latas.

47 Calculando o tamanho da amostra Note que, a partir da expressão obtida para a margem de erro ε 0, podemos estimar o tamanho da amostra, se α e ε 0 estiverem especificados: ε 0 = z α/2 σ n n = z α/2 σ ε 0 n = ( z α/2 σ ε 0 ) 2 Se a população for finita, com N elementos, devese utilizar o fator de correção para populações finitas. Nesse caso, o tamanho da amostra será determinado por: n = n 1 + n N

48 Exemplo Uma construtora deseja estimar a resistência média das barras de aço utilizadas na construção de casas. Qual o tamanho amostral necessário para garantir que haja um risco de 0, 001 de ultrapassar um erro de 5kg ou mais na estimação? O desvio padrão da resistência para este tipo de barra é de 25kg.

49 Exemplo Resposta: Do enunciado tem-se α = 0, 001, ε 0 = 5 e σ = 25. Da tabela da distribuição normal padrão obtemos z α/2 = z 0,0005 = 3, 29. Assim, ( ) 2 ( σ n = z α/2 = 3, ) 2 = 270, 602 ε 0 5 = 271

50 Intervalo de confiança para a média populacional Caso 2: A variância σ 2 é desconhecida O processo para se obter o intervalo de confiança é semelhante ao anterior. Contudo, como σ 2 é desconhecida, é preciso substitui-la pela variância amostral (S 2 ): S 2 = n i=1 (X i X) 2 n 1 Nessa situação, a quantidade T = X µ S/ n t (n 1) tem distribuição t-student com n 1 graus de liberdade, e não mais distribuição normal padrão.

51 Distribuição t-student A distribuição t-student apresenta propriedades semelhantes as da distribuição normal padrão (como, por exemplo, simetria em torno de 0), no entanto, é mais dispersa. Em outras palavras, a distribuição t-student concentra mais probabilidades nas caldas do que a distribuição normal padrão. A medida que n cresce, a distribuição t-student se aproxima mais da distribuição normal padrão, pois S se aproxima mais de σ.

52 Distribuição t-student Existe uma distribuição t-student para cada valor dos graus de liberdade (n 1).

53 Intervalo de confiança para a média populacional Caso 2: A variância σ 2 é desconhecida Dessa forma, se X for a média de uma amostra aleatória de tamanho n, proveniente de uma população com variância desconhecida, um intervalo de 100(1 α)% de confiança para a média populacional é dado por: IC µ 100(1 α)% = ( X t (n 1,α/2) S n, X + t (n 1,α/2) S n ), onde t (n 1,α/2) é o quantil da t-student de nível α/2. Obs: Se σ 2 for desconhecida, mas o tamanho da amostra for grande (n > 30), pode-se utilizar z α/2 no lugar de t (n 1;α/2)

54 Exemplo Deseja-se avaliar a dureza média do aço produzido sob um novo processo de têmpera. Uma amostra de 10 corpos de prova de aço produziu os seguintes resultados, em HRc: 36, 4 35, 7 37, 2 36, 5 34, 9 35, 2 36, 3 35, 8 36, 6 36, 9. Construir um intervalo de 95% de confiança para a dureza média do aço.

55 Exemplo Resposta: Temos a média amostral dada por: X = E a variância amostral: n i=1 X i n = S 2 = n i=1 (X i X) 2 n 1 = 4, = E, portanto, S = Além disso, n = 10 e 1 α = 0, 95, daí t (n 1,α/2) = t (9,0.025) = 2.26

56 Exemplo Assim, IC µ 95% = ( X t (n 1,α/2) S n, X + t (n 1,α/2) S n ) = ( , ) = (35.625, ). Ou seja, com 95% de confiança o intervalo [35, 625; 36, 675] contém a dureza média do aço.

57 Intervalo de confiança para a proporção populacional Vimos que, para n suficientemente grande (n > 30), ( ) p(1 p) ˆp N p,. n O intervalo que estamos procurando é da forma IC = [ˆp ± ε 0 ] Assim, por um caminho semelhante ao adotado no caso da média, a margem de erro é dada por ε 0 = z α/2 p(1 p) n

58 Intervalo de confiança para a proporção populacional Dessa forma, se ˆp for a proporção de indivíduos com uma característica de interesse em uma amostra aleatória, de tamanho n, proveniente de uma população onde a proporção verdadeira de indivíduos com a característica é p, um intervalo de 100(1 α)% de confiança para essa proporção populacional p é dado por IC p 100(1 α)% = ( p(1 p) p(1 p) ˆp z α/2, ˆp + z α/2 n n em que z α/2 é o quantil da normal padrão com α/2 de nível de confiança. )

59 Na prática, o valor de p é desconhecido (é justamente p que queremos estimar!). Nessa situação, duas abordagens são razoáveis: 1 Abordagem otimista: substituir o valor de p por sua estimativa ˆp. Nesse caso, IC p 100(1 α)% = ( ˆp(1 ˆp) ˆp(1 ˆp) ˆp z α/2, ˆp + z α/2 n n 2 Abordagem conservadora: substituir p(1 p) por seu valor máximo, 1/4, quando p = 1/2. Nesse caso, ( ) IC p 100(1 α)% = 1 1 ˆp z α/2, ˆp + z α/2 4n 4n )

60 Exemplo Um estudo foi feito para determinar a proporção de famílias que tem telefone em uma certa comunidade. Uma amostra de 200 famílias é selecionada ao acaso, e 160 afirmam ter telefone. Qual o intervalo para p com 95% de confiança?

61 Resposta:Temos que ˆp = 160/200 = 0, 8. Como 1 α = 0, 95 então z α/2 = z 0,025 = 1, 96. Assim, adotando abordagem otimista, temos Exemplo ( ) IC µ ˆp(1 ˆp) ˆp(1 ˆp) 95% = ˆp z α/2, ˆp + z n α/2 n ( ) 0, 8(1 0, 8) 0, 8(1 0, 8) = 0, 8 1, 96, 0, 8 + 1, = (0.7446, ). Ou seja, com 95% de confiança o intervalo [74, 46%; 85, 54%] contém a porcentagem de famílias que tem telefone nessa comunidade.

62 Exemplo Se calcularmos o intervalo adotando abordagem conservadora, temos ( ) IC µ 95% = 1 1 ˆp z α/2, ˆp + z α/2 4n 4n ( ) 1 1 = 0, 8 1, 96, 0, 8 + 1, = (0.7307, ). Observe que, o intervalo com a abordagem conservadora fornece um intervalo maior.

63 Calculando o tamanho da amostra Mais uma vez, podemos estimar o tamanho da amostra a partir da margem de erro ε 0, basta especificar α e ε 0 : ε 0 = z α/2 p(1 p) n n = z α/2 p(1 p) n = (z α/2 ) 2 ε 0 p(1 p) (ε 0 ) 2 Como p é desconhecido, para a substituição de p(1 p) ou utiliza-se 1/4 ou adota-se um valor de ˆp obtida de um estudo piloto ou de um estudo similar. Se a população for finita, deve-se utilizar, de forma similar o fator de correção para populações finitas: n = n 1 + n N

64 Considerações: interpretação do intervalo de confiança Um erro comum é dizer que a probabilidade do parâmetro (µ ou p) estar no intervalo de 100(1 α)%. O parâmetro (µ ou p) não é uma variável aleatória, portanto não existe probabilidade sobre ele. O parâmetro é uma constante desconhecida, sobre a qual desejamos inferir, através das quantidades amostrais (Xou ˆp). Então, qual a interpretação do intervalo de confiança?????

65 Considerações: interpretação do intervalo de confiança A interpretação correta é do intervalo de confiança conter o verdadeiro valor do parâmetro (µ ou p) com 100(1 α)% de confiança.

66 Fatores determinantes do erro de estimação O erro de estimação dependende do(a): Tamanho da amostra (n): Quanto menor o tamanho da amostra, maior será o erro de estimação. Variabilidade da característica na população: Quanto maior for a variabilidade da característica cuja média está sendo estimada, maior será o erro de estimação. Nível de confiança (1 α): Se quisermos uma confiança maior no intervalo teremos um erro de estimação maior.

67 Teste de Hipóteses O Teste de Hipóteses consiste em uma regra de decisão elaborada para rejeitar (ou não) uma afirmação (hipótese) feita a respeito de um parâmetro populacional desconhecido, com base em informações colhidas de uma amostra aleatória. Exemplo: Verificar se o salário médio de certa categoria profissional no Brasil é igual a R$1.500, 00. Testar se 40% dos eleitores votarão em certo candidato nas próximas eleições. Testar se um medicamento é mais eficaz que outro.

68 Conceitos fundamentais Hipótese Nula (H 0 ): É a hipótese a ser testada. Hipótese Alternativa (H 1 ): É a hipótese a ser confrontada com H 0. O teste será feito de tal forma que deverá sempre concluir na rejeição (ou não) de H 0. Como estamos tomando uma decisão com base em informações de uma amostra, estaremos sujeitos a cometer dois tipos de erros.

69 Conceitos fundamentais Erro do tipo I: Rejeitarmos H 0 quando H 0 é verdadeira. α = P(erro do tipo I) = P(rejeitar H 0 H 0 é verdadeira) Erro do tipo II: Não rejeitarmos H 0 quando H 0 é falsa. β = P(erro do tipo II) = P(não rejeitar H 0 H 0 é falsa) Obs: α é denominado de nível de significância do teste.

70 Conceitos fundamentais Nossas decisões em um teste de hipóteses podem ser resumidas na seguinte tabela:

71 Conceitos fundamentais Estatística do teste: É a estatística utilizada para julgar H 0. Região crítica do teste (RC): É formada pelo conjunto de valores que levam a rejeição de H 0. Ela depende do tipo de hipótese alternativa, do nivel de significância (α) adotado, e da distribuição de probabilidade da estatística do teste.

72 Etapas para a elaboração de um Teste de Hipóteses 1 Definir as hipóteses nula (H 0 ) e alternativa (H 1 ); 2 Fixar o nível de significância (α); 3 Determinar a estatística do teste; 4 Determinar a região crítica do teste; 5 Calcular o valor da estatística do teste (com base numa amostra da população de interesse); 6 Se o valor calculado no passo 5 pertencer a RC, rejeitar H 0, caso contrário, não rejeitar H 0 ; 7 Conclusão do teste.

73 Teste de Hipóteses para a média populacional Caso 1: σ 2 conhecida. 1. Definição das hipóteses: H 0 : µ = µ 0 H 0 : µ = µ 0 H 0 : µ = µ 0 H 1 : µ µ 0 ou H 1 : µ < µ 0 ou H 1 : µ > µ 0 2. Fixar o nível de significância α; 3. Definir a estatística de teste: Z = X µ σ/ N (0, 1) n

74 Teste de Hipóteses para a média populacional 4. Definir a região crítica do teste (RC):

75 Teste de Hipóteses para a média populacional 5. Com base nos valores observados da amostra, calcular o valor da Estatística de teste Z : Z c = X µ 0 σ/ n 6. Se Z c RC rejeitar H 0 (aceitar H 1 ). Se Z c / RC não rejeitar H 0 (não aceitar H 1 ). 7. Concluir sobre a decisão tomada no passo 6.

76 Exemplo Os sistemas de escapamento de uma aeronave funcionam devido a propelente sólido. A taxa de queima desse propelente é uma característica importante do produto. As especificações requerem que a taxa média de queima tem de ser 50 centímetros por segundo. Sabemos que a taxa de queima é normalmente distribuída com desvio padrão de σ = 2 centímetros por segundo. O experimentalista seleciona uma amostra aleatória de tamanho 25 e obtém uma taxa média amostral igual a 51, 3 centímetros por segundo. Que conclusões poderiam ser tiradas ao nível de significância, de 0, 05?

77 Resolução: Teste para média com σ 2 conhecida 1. As hipóteses que queremos testar são: H 0 : µ = 50 contra H 1 : µ Fixamos α = 0, 05; 3. A estatística de teste é: Z = X µ σ/ N (0, 1) n 4. A região crítica é do tipo: onde z = z α/2 = z 0,025 = 1, 96 (tabela da distribuição normal padrão).

78 Resolução: continuação 5. A partir dos dados amostrais temos que: Z c = X µ 0 σ/ n = 51, / Temos que Z c RC pois 3, 25 > 1, 96, portanto, rejeitamos a hipótese nula. 7. Baseados nos dados amostrais, podemos concluir, ao nível de 5% de significância, que a taxa média de queima difere de 50 centímetros por segundo.

79 Teste de Hipóteses para a média populacional Caso 2: σ 2 desconhecida. 1. Definição das hipóteses: H 0 : µ = µ 0 H 0 : µ = µ 0 H 0 : µ = µ 0 H 1 : µ µ 0 ou H 1 : µ < µ 0 ou H 1 : µ > µ 0 2. Fixar o nível de significância α; 3. Definir a estatística de teste: T = X µ S/ n t (n 1)

80 Teste de Hipóteses para a média populacional 4. Definir a região crítica do teste (RC):

81 Teste de Hipóteses para a média populacional 5. Com base nos valores observados da amostra, calcular o valor da Estatística de teste Z : T c = X µ 0 S/ n 6. Se T c RC rejeitar H 0 (aceitar H 1 ). Se T c / RC não rejeitar H 0 (não aceitar H 1 ). 7. Concluir sobre a decisão tomada no passo 6. Obs: se σ 2 for desconhecida, mas o tamanho da amostra for grande (n > 30), pode-se definir a região crítica através da distribuição Normal padrão.

82 Exemplo Suponha que, no exemplo anterior, o valor do desvio padrão fosse desconhecido e o experimentalista o tivesse estimado, a partir da amostra como S = 2, 5 centímetros por segundo. Ao nível de 5% de significância, que conclusão obteríamos acerca da queima média do propelente?

83 Resolução: Teste para média com σ 2 1. As hipóteses que queremos testar são: H 0 : µ = 50 contra H 1 : µ 50 desconhecida 2. Fixamos α = 0, 05; 3. A estatística de teste é: T = X µ S/ n t (n 1) 4. A região crítica é do tipo: onde t = t n 1;α/2 = t 24;0,025 = 2, 064 (tabela da distribuição t-student).

84 Resolução: continuação 5. A partir dos dados amostrais temos que: T c = X µ 0 S/ n = 51, , 3/ Temos que T c RC pois 2, 83 > 2, 064, portanto, rejeitamos a hipótese nula. 7. Baseados nos dados amostrais, podemos concluir, ao nível de 5% de significância, que a taxa média de queima difere de 50 centímetros por segundo.

85 Teste de Hipóteses para a proporção populacional 1. Definição das hipóteses: H 0 : p = p 0 H 0 : p = p 0 H 0 : p = p 0 H 1 : p p 0 ou H 1 : p < p 0 ou H 1 : p > p 0 2. Fixar o nível de significância α; 3. Definir a estatística de teste: Z = ˆp p 0 p 0 (1 p 0 ) n N (0, 1)

86 Teste de Hipóteses para a proporção populacional 4. Definir a região crítica do teste (RC):

87 Teste de Hipóteses para a proporção populacional 5. Com base nos valores observados da amostra, calcular o valor da Estatística de teste Z: Z c = ˆp p 0 p 0 (1 p 0 ) n 6. Se Z c RC rejeitar H 0 (aceitar H 1 ). Se Z c / RC não rejeitar H 0 (não aceitar H 1 ). 7. Concluir sobre a decisão tomada no passo 6.

88 Exemplo Dentre 1655 pacientes tratados com um medicamento A, 2, 1% tiveram reações adversas. A empresa que fabrica o medicamento afirma que apenas 1, 2% dos usuários têm algum tipo de reação adversa. Teste, ao nível de significância de 1%, a afirmativa da empresa pode ser considerada verdadeira.

89 onde z = z α = z 0,01 = 2, 33 (tabela da distribuição normal padrão). Resolução: Teste para porporção 1. As hipóteses que queremos testar são: H 0 : p = 0, 012 contra H 1 : p > 0, Fixamos α = 0, 01; 3. A estatística de teste é: Z = ˆp p 0 p 0 (1 p 0 ) N (0, 1) 4. A região crítica é do tipo: n

90 Resolução: continuação 5. A partir dos dados amostrais temos que: Z c = ˆp p 0 p 0 (1 p 0 ) n = 0, 021 0, 012 0,012(1 0,012) 1655 = 3, Temos que Z c RC, pois 3, 36 > 2, 33 portanto, rejeitamos a hipótese nula. 7. Ao nível de significância de 1%, a amostra fornece evidências estatísticas suficientes de que o percentual de usuários do medicamento que têm alguma reação adversa é superior a 1, 2%

91 Valor p Valor p: é a probabilidade de se obter um valor da estatística de teste que seja, no mínimo, tão extremo quanto aquele que representa os dados amostrais, supondo que a hipótese nula seja verdadeira. A hipótese nula deve ser rejeitada se o valor p for muito pequeno. Na prática, adota-se que se o valor p for menor ou igual ao nível de significância do teste, então devemos rejeitar a hipótese nula.

INFERÊNCIA ESTATÍSTICA. ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p

INFERÊNCIA ESTATÍSTICA. ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p INFERÊNCIA ESTATÍSTICA ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir

Leia mais

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,

Leia mais

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo

Leia mais

NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional

NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional Métodos Estatísticos Métodos Estatísticos Estatística Descritiva Inferência Estatística Estimação Teste de Hipóteses TESTE

Leia mais

Introdução à Inferência Estatística

Introdução à Inferência Estatística Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) 2a AULA 02/03/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 2a aula (02/03/2015) MAE229 1 / 16

Leia mais

Intervalos de Confiança - Amostras Pequenas

Intervalos de Confiança - Amostras Pequenas Intervalos de Confiança - Amostras Pequenas Teste de Hipóteses para uma Média Jorge M. V. Capela, Marisa V. Capela, Instituto de Química - UNESP Araraquara, SP capela@iq.unesp.br Araraquara, SP - 2016

Leia mais

NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional

NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional Estimação Teste de Hipóteses Qual é a probabilidade de "cara no lançamento de uma moeda? A moeda é honesta ou desequilibrada?

Leia mais

Inferência Estatística. Teoria da Estimação

Inferência Estatística. Teoria da Estimação Inferência Estatística Teoria da Estimação Os procedimentos básicos de inferência Estimação: usamos o resultado amostral para estimar o valor desconhecido do parâmetro Teste de hipótese: usamos o resultado

Leia mais

Estimação e Testes de Hipóteses

Estimação e Testes de Hipóteses Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas

Leia mais

Testes de Hipótese para uma única Amostra - parte I

Testes de Hipótese para uma única Amostra - parte I Testes de Hipótese para uma única Amostra - parte I 26 de Junho de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Estruturar problemas de engenharia como testes de hipótese. Entender os

Leia mais

Testes de Hipóteses. Professor: Josimar Vasconcelos Contato: ou

Testes de Hipóteses. Professor: Josimar Vasconcelos Contato: ou Testes de Hipóteses Professor: Josimar Vasconcelos Contato: josimar@ufpi.edu.br ou josimar@uag.ufrpe.br http://prof-josimar.blogspot.com.br/ Universidade Federal do Piauí UFPI Campus Senador Helvídio Nunes

Leia mais

Intervalos Estatísticos para uma única Amostra - parte I

Intervalos Estatísticos para uma única Amostra - parte I Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para

Leia mais

Testes de Hipóteses Paramétricos

Testes de Hipóteses Paramétricos Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto

Leia mais

Amostragem e distribuições por amostragem

Amostragem e distribuições por amostragem Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística

Leia mais

Nessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:

Nessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja: Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a

Leia mais

Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.

Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas. 1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 5

MAE Introdução à Probabilidade e Estatística II Resolução Lista 5 MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão

Leia mais

Princípios de Bioestatística Teste de Hipóteses

Princípios de Bioestatística Teste de Hipóteses 1/36 Princípios de Bioestatística Teste de Hipóteses Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG Tabela 2/36 3/36 Exemplo A concentração de certa substância

Leia mais

1.1. Definições importantes

1.1. Definições importantes Parte I. Inferência Estatística Trata-se do processo de se obter informações sobre uma população a partir dos resultados observados numa amostra. De um modo geral, tem-se uma população com um grande número

Leia mais

AULA 07 Inferência a Partir de Duas Amostras

AULA 07 Inferência a Partir de Duas Amostras 1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,

Leia mais

Intervalos de Confiança

Intervalos de Confiança Intervalos de Confiança Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques e Nuno Bastos (DepMAT) Intervalos de Confiança 2010/2011 1 / 33 Introdução

Leia mais

Fernando de Pol Mayer

Fernando de Pol Mayer Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative

Leia mais

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem) Amostragem: Em pesquisas científicas, quando se deseja conhecer características de uma população, é comum se observar apenas uma amostra de seus elementos e, a partir dos resultados dessa amostra, obter

Leia mais

Estimação parâmetros e teste de hipóteses. Prof. Dr. Alberto Franke (48)

Estimação parâmetros e teste de hipóteses. Prof. Dr. Alberto Franke (48) Estimação parâmetros e teste de hipóteses Prof. Dr. Alberto Franke (48) 91471041 Intervalo de confiança para média É um intervalo em que haja probabilidade do verdadeiro valor desconhecido do parâmetro

Leia mais

Distribuições Amostrais e Estimação Pontual de Parâmetros

Distribuições Amostrais e Estimação Pontual de Parâmetros Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição

Leia mais

Inferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva

Inferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos

Leia mais

Teste de Hipóteses. Enrico A. Colosimo/UFMG enricoc/ Depto. Estatística - ICEx - UFMG 1/24

Teste de Hipóteses. Enrico A. Colosimo/UFMG  enricoc/ Depto. Estatística - ICEx - UFMG 1/24 1/24 Introdução à Bioestatística Teste de Hipóteses Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG 2/24 Exemplo A concentração de certa substância no sangue entre

Leia mais

INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA

INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos

Leia mais

Intervalos de Confiança

Intervalos de Confiança Intervalos de Confiança INTERVALOS DE CONFIANÇA.1 Conceitos básicos.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição numérica de

Leia mais

Estatística Inferencial

Estatística Inferencial statística Inferencial A ou inferencial compreende a stimação e o Teste de hipótese. Na verdade, a estatística inferencial forma a base das atividades de controle da qualidade e também pode auxiliar na

Leia mais

Inferência Estatística

Inferência Estatística Metodologia de Diagnóstico e Elaboração de Relatório FASHT Inferência Estatística Profa. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Duas distribuições importantes Normal T- Student Estimação

Leia mais

Exemplo 7.0 Numa linha de produção, os pesos de pacotes de pó de café embalados por uma máquina têm distribuição Normal, com média

Exemplo 7.0 Numa linha de produção, os pesos de pacotes de pó de café embalados por uma máquina têm distribuição Normal, com média Exemplo 7.0 Numa linha de produção, os pesos de pacotes de pó de café embalados por uma máquina têm distribuição Normal, com média µ = 505g e desvio padrão σ = 9g. a) Selecionado ao acaso um pacote embalado

Leia mais

7 Teste de Hipóteses

7 Teste de Hipóteses 7 Teste de Hipóteses 7-1 Aspectos Gerais 7-2 Fundamentos do Teste de Hipóteses 7-3 Teste de uma Afirmação sobre a Média: Grandes Amostras 7-4 Teste de uma Afirmação sobre a Média : Pequenas Amostras 7-5

Leia mais

Inferência Estatística:

Inferência Estatística: Inferência Estatística: Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos Estimação É um processo que

Leia mais

Bioestatística CE001 Prof. Fernando de Pol Mayer Departamento de Estatística DEST Exercícios: inferência Nome: GABARITO

Bioestatística CE001 Prof. Fernando de Pol Mayer Departamento de Estatística DEST Exercícios: inferência Nome: GABARITO Bioestatística CE001 Prof. Fernando de Pol Mayer Departamento de Estatística DEST Exercícios: inferência Nome: GABARITO GRR: Observação: em todos os problemas que envolvem teste de hipótese, é necessário

Leia mais

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística

Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Capítulo 3 Introdução à Probabilidade e à Inferência Estatística INTERVALOS DE CONFIANÇA: Diferentes pesquisadores, selecionando amostras de uma mesma

Leia mais

Distribuições Amostrais

Distribuições Amostrais Distribuições Amostrais 1 Da população, com parâmetro, retira-se k amostras de tamanho n e calcula-se a estatística. Estas estatísticas são as estimativas de. As estatísticas, sendo variáveis aleatórias,

Leia mais

Fernando de Pol Mayer

Fernando de Pol Mayer Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative

Leia mais

Teste de Hipótese e Intervalo de Confiança

Teste de Hipótese e Intervalo de Confiança Teste de Hipótese e Intervalo de Confiança Suponha que estamos interessados em investigar o tamanho da ruptura em um músculo do ombro... para determinar o tamanho exato da ruptura, é necessário um exame

Leia mais

NOÇÕES DE TESTE DE HIPÓTESES (II)

NOÇÕES DE TESTE DE HIPÓTESES (II) NOÇÕES DE TESTE DE HIPÓTESES (II) Teste de Hipóteses sobre p Nível Descritivo 1 Resumo X ~ binomial (n; p ) (1) Estabelecer as hipóteses sobre p: H: p = p 0 x A: p p 0 ; (ou A: p p 0, ou A: p p 0 ) (2)

Leia mais

TÉCNICAS DE AMOSTRAGEM

TÉCNICAS DE AMOSTRAGEM TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Teorema Central do Limite (TCL) Se y 1, y 2,...,

Leia mais

DE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)

DE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA) 1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância

Leia mais

ESTIMAÇÃO POR INTERVALO DE CONFIANÇA. Profª Sheila Oro 1

ESTIMAÇÃO POR INTERVALO DE CONFIANÇA. Profª Sheila Oro 1 ESTIMAÇÃO POR INTERVALO DE CONFIANÇA Profª Sheila Oro 1 DEFINIÇÃO Um itervalo de confiança (ou estimativa intervalar) é uma faixa (ou um intervalo) de valores usada para se estimar o verdadeiro valor de

Leia mais

Estatística Indutiva

Estatística Indutiva Estatística Indutiva MÓDULO 7: INTERVALOS DE CONFIANÇA 7.1 Conceitos básicos 7.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição

Leia mais

AMOSTRAGEM. É a parte da Teoria Estatística que define os procedimentos para os planejamentos amostrais e as técnicas de estimação utilizadas.

AMOSTRAGEM. É a parte da Teoria Estatística que define os procedimentos para os planejamentos amostrais e as técnicas de estimação utilizadas. AMOSTRAGEM É a parte da Teoria Estatística que define os procedimentos para os planejamentos amostrais e as técnicas de estimação utilizadas. Nos planejamentos amostrais, a coleta dos dados deve ser realizada

Leia mais

Aula 6. Testes de Hipóteses Paramétricos (I)

Aula 6. Testes de Hipóteses Paramétricos (I) Aula 6. Testes de Hipóteses Paramétricos (I) Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Teste de Hipóteses Procedimento estatístico que averigua se os dados sustentam

Leia mais

Aula 7 Intervalos de confiança

Aula 7 Intervalos de confiança Aula 7 Intervalos de confiança Nesta aula você aprenderá um método muito importante de estimação de parâmetros. Na aula anterior, você viu que a média amostral X é um bom estimador da média populacional

Leia mais

Les Estatística Aplicada II AMOSTRA E POPULAÇÃO

Les Estatística Aplicada II AMOSTRA E POPULAÇÃO Les 0407 - Estatística Aplicada II AMOSTRA E POPULAÇÃO AULA 1 04/08/16 Prof a Lilian M. Lima Cunha Agosto de 2016 Estatística 3 blocos de conhecimento Estatística Descritiva Levantamento e resumo de dados

Leia mais

7. Testes de Hipóteses

7. Testes de Hipóteses 7. Testes de Hipóteses Suponha que você é o encarregado de regular o engarrafamento automatizado de leite numa determinada agroindústria. Sabe-se que as máquinas foram reguladas para engarrafar em média,

Leia mais

Inferência Estatística. Estimação

Inferência Estatística. Estimação Inferência Estatística Estimação Inferência Estatística fazer inferências tirar conclusões fazer inferência estatística tirar conclusões sobre uma população com base em somente uma parte dela, a amostra,

Leia mais

Inferência Estatística - Teoria da Estimação

Inferência Estatística - Teoria da Estimação Inferência Estatística - Teoria da Estimação Introdução Neste capítulo abordaremos situações em que o interesse está em obter informações da população a partir dos resultados de uma amostra. Como exemplo,

Leia mais

Fernando de Pol Mayer

Fernando de Pol Mayer Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative

Leia mais

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

MOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,

Leia mais

Distribuição Amostral e Estimação Pontual de Parâmetros

Distribuição Amostral e Estimação Pontual de Parâmetros Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra

Leia mais

Teste de hipóteses para uma média populacional com variância conhecida e desconhecida

Teste de hipóteses para uma média populacional com variância conhecida e desconhecida Teste de hipóteses para uma média populacional com variância conhecida e desconhecida Teste de hipóteses para uma média populacional com variância conhecida Tomando-se como exemplo os dados de recém-nascidos

Leia mais

Intervalos de conança

Intervalos de conança Intervalos de conança Prof. Hemílio Fernandes Campos Coêlho Departamento de Estatística - Universidade Federal da Paraíba - UFPB Exemplo Suponha que se deseja estimar o diâmetro da pupila de coelhos adultos.

Leia mais

AULA 10 Estimativas e Tamanhos Amostrais

AULA 10 Estimativas e Tamanhos Amostrais 1 AULA 10 Estimativas e Tamanhos Amostrais Ernesto F. L. Amaral 18 de setembro de 2012 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

AULA 02 Distribuição de Probabilidade Normal

AULA 02 Distribuição de Probabilidade Normal 1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario

Leia mais

PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA

PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor

Leia mais

Inventário Florestal. Amostragem

Inventário Florestal. Amostragem Inventário Florestal Amostragem 1 Definição: Seleção de uma parte (amostra) de um todo (população), coletando na parte selecionada, algumas informações de interesse, com o objetivo de tirar conclusão (inferência)

Leia mais

Técnicas de Amostragem

Técnicas de Amostragem Técnicas de Amostragem 1 Amostragem é o processo de seleção de uma amostra, que possibilita o estudo das características da população. Quando obtemos informações a partir de amostras e tentamos atingir

Leia mais

TESTES DE HIPÓTESES. Conceitos, Testes de 1 proporção, Testes de 1 média

TESTES DE HIPÓTESES. Conceitos, Testes de 1 proporção, Testes de 1 média TESTES DE HIPÓTESES Conceitos, Testes de 1 proporção, Testes de 1 média 1 Testes de Hipóteses População Conjectura (hipótese) sobre o comportamento de variáveis Amostra Decisão sobre a admissibilidade

Leia mais

TESTES DE HIPÓTESES. HIPÓTESES: São suposições que fazemos para testar a fixação de decisões, que poderão ser verdadeiras ou não.

TESTES DE HIPÓTESES. HIPÓTESES: São suposições que fazemos para testar a fixação de decisões, que poderão ser verdadeiras ou não. TESTES DE HIPÓTESES HIPÓTESES: São suposições que fazemos para testar a fixação de decisões, que poderão ser verdadeiras ou não. HIPÓTESES ESTATÍSTICA: Hipótese Nula (H 0 ): a ser validada pelo teste.

Leia mais

Estatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc. Estatística II Aula Prof.: Patricia Maria Bortolon, D. Sc. Distribuições Amostrais ... vocês lembram que: Antes de tudo... Estatística Parâmetro Amostra População E usamos estatíticas das amostras para

Leia mais

Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM

Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Noções básicasb de Inferência Estatística descritiva inferencial População - Parâmetros desconhecidos (reais) Amostra

Leia mais

X e Y independentes. n + 1 m

X e Y independentes. n + 1 m DEPARTAMENTO DE ESTATÍSTICA / CCEN / UFPA Disciplina: Inferência I Prof: Regina Tavares 5.0. TESTE DE HIPÓTESES PARA DUAS POPULAÇÕES 5.0.. Duas Populações Normais independentes : X, X 2,, X n uma a.a.

Leia mais

Estimativas e Tamanhos de Amostras

Estimativas e Tamanhos de Amostras Estimativas e Tamanhos de Amostras 1 Aspectos Gerais 2 Estimativa de uma Média Populacional: Grandes Amostras 3 Estimativa de uma Média Populacional: Pequenas Amostras 4 Tamanho Amostral Necessário para

Leia mais

i. f Y (y, θ) = 1/θ... 0 y θ 0... y < 0 ou y > θ Se a amostra selecionada foi ( ), qual será a estimativa para θ?

i. f Y (y, θ) = 1/θ... 0 y θ 0... y < 0 ou y > θ Se a amostra selecionada foi ( ), qual será a estimativa para θ? Fundação Getulio Vargas Curso: Graduação Disciplina: Estatística Professor: Moisés Balassiano Lista de Exercícios Inferência. Seja (Y, Y 2,..., Y n ) uma amostra aleatória iid, de tamanho n, extraída de

Leia mais

Resolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.

Resolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016. de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%

Leia mais

Métodos Quantitativos para Ciência da Computação Experimental

Métodos Quantitativos para Ciência da Computação Experimental Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão

Leia mais

Turma: Engenharia Data: 12/06/2012

Turma: Engenharia Data: 12/06/2012 DME-IM-UFRJ - 2ª Prova de Estatística Unificada Turma: Engenharia Data: 12/06/2012 1 - Admita que a distribuição do peso dos usuários de um elevador seja uma Normal com média 75kg e com desvio padrão 15kg.

Leia mais

Aula 10 Estimação e Intervalo de Confiança

Aula 10 Estimação e Intervalo de Confiança Aula 10 Estimação e Intervalo de Confiança Objetivos da Aula Fixação dos conceitos de Estimação; Utilização das tabelas de Distribuição Normal e t de Student Introdução Freqüentemente necessitamos, por

Leia mais

Inferência Estatística: Conceitos Básicos II

Inferência Estatística: Conceitos Básicos II Inferência Estatística: Conceitos Básicos II Distribuição Amostral e Teorema do Limite Central Análise Exploratória de dados no SPSS Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação

Leia mais

Universidade Federal do Pará Instituto de Tecnologia. Estatística Aplicada I

Universidade Federal do Pará Instituto de Tecnologia. Estatística Aplicada I 8/8/05 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 8/08/05 06:55 ESTATÍSTICA APLICADA

Leia mais

TÉCNICAS DE AMOSTRAGEM

TÉCNICAS DE AMOSTRAGEM TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Amostragem estratificada Divisão da população em

Leia mais

Medidas de Dispersão ou variabilidade

Medidas de Dispersão ou variabilidade Medidas de Dispersão ou variabilidade A média - ainda que considerada como um número que tem a faculdade de representar uma série de valores - não pode, por si mesma, destacar o grau de homogeneidade ou

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Disciplina: AGR116 Bioestatística Professor: Celso Luiz Borges de Oliveira Assunto: Estatística Descritiva Tema: Amostragem,

Leia mais

Amostragem Aleatória e Descrição de Dados - parte I

Amostragem Aleatória e Descrição de Dados - parte I Amostragem Aleatória e Descrição de Dados - parte I 2012/02 1 Amostra e População 2 3 4 Objetivos Ao final deste capítulo você deve ser capaz de: Calcular e interpretar as seguintes medidas de uma amostra:

Leia mais

Em várias ocasiões há de se proceder à coleta de dados diretamente na origem, isto é, dos sujeitos com quem pretendemos realizar determinado estudo.

Em várias ocasiões há de se proceder à coleta de dados diretamente na origem, isto é, dos sujeitos com quem pretendemos realizar determinado estudo. UNIVERSIDADE FEDERAL DA PARAÍBA Amostragem Luiz Medeiros de Araujo Lima Filho Departamento de Estatística INTRODUÇÃO Em várias ocasiões há de se proceder à coleta de dados diretamente na origem, isto é,

Leia mais

População e Amostra. População: O conjunto de todas as coisas que se pretende estudar. Representada por tudo o que está no interior do desenho.

População e Amostra. População: O conjunto de todas as coisas que se pretende estudar. Representada por tudo o que está no interior do desenho. População e Amostra De importância fundamental para toda a análise estatística é a relação entre amostra e população. Praticamente todas as técnicas a serem discutidas neste curso consistem de métodos

Leia mais

VERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS

VERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO DE ORGANIZAÇÕES PROCESSO SELETIVO MESTRADO - TURMA 2012 PROVA

Leia mais

Aula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos

Aula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido

Leia mais

Exercícios Resolvidos

Exercícios Resolvidos Exercícios Resolvidos R10.1) Velocidade média na estrada Sergio afirma que Raquel dirige seu carro na estrada a uma velocidade média superior a 100 km/h, enquanto Raquel discorda, afirmando dirigir na

Leia mais

Catarina Marques. Estatística II Licenciatura em Gestão. Conceitos: População, Unidade Estatística e Amostra

Catarina Marques. Estatística II Licenciatura em Gestão. Conceitos: População, Unidade Estatística e Amostra Amostragem Estatística II Licenciatura em Gestão 1 Conceitos: População, Unidade Estatística e Amostra População (ou Universo) dimensão N Conjunto de unidades com uma ou mais características comuns População

Leia mais

Lista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL.

Lista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL. Introdução à Inferência Estatística Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 5 de setembro de 004 Lista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL. 1 Medidas Resumo DISTRIBUIÇÕES

Leia mais

Estatística e Probabilidade

Estatística e Probabilidade Teste de hipóteses Objetivo: Testar uma alegação sobre um parâmetro: Média, proporção, variação e desvio padrão Exemplos: - Um hospital alega que o tempo de resposta de sua ambulância é inferior a dez

Leia mais

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos

Leia mais

Universidade Federal da Paraíba Departamento de Estatística Lista Intervalo de Confiança e Teste de Hipótese

Universidade Federal da Paraíba Departamento de Estatística Lista Intervalo de Confiança e Teste de Hipótese 1. Considere a amostra aleatória simples X = X 1,X 2,X 3,X 4 de uma população com µ e desvio padrão σ. Dois estimadores da verdadeira média populacional µ são apresentados a seguir: µ 1 = X 1 + 3X 3 2

Leia mais

Universidade Federal da Paraíba Departamento de Estatística Lista Intervalo de Confiança e Teste de Hipótese - Abril de 2013

Universidade Federal da Paraíba Departamento de Estatística Lista Intervalo de Confiança e Teste de Hipótese - Abril de 2013 1. Considere a amostra aleatória simples X = X 1,X 2,X 3,X 4 de uma população com µ e desvio padrão σ. Dois estimadores da verdadeira média populacional µ são apresentados a seguir: µ 1 = X 1 + 3X 3 2

Leia mais

HEP-5800 BIOESTATÌSTICA

HEP-5800 BIOESTATÌSTICA HEP-58 BIOESTATÌSTICA UNIDADE IV INFERÊNCIA ESTATÍSTICA: TESTES DE HIPÓTESES Nila Nunes da Silva Regina I. T. Bernal I. QUADRO CONCEITUAL São procedimentos estatísticos que consistem em usar dados de amostras

Leia mais

A Estatística compreende um conjunto de

A Estatística compreende um conjunto de UNIVERSIDADE FEDERAL DA PARAÍBA INTRODUÇÃO Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ CONCEITOS FUNDAMENTAIS DE ESTATÍSTICA O que a Estatística significa para você? Pesquisas

Leia mais

(a) 0,90 (b) 0,67 (c) 1,0 (d) 0,005

(a) 0,90 (b) 0,67 (c) 1,0 (d) 0,005 359$'((67$7Ë67,&$6(/(d 0(675$'80*,QVWUXo}HVSDUDDSURYD D&DGDTXHVWmRUHVSRQGLGDFRUUHWDPHQWHYDOHSRQWR E4XHVW}HV GHL[DGDV HP EUDQFR YDOHP ]HUR SRQWRV QHVVH FDVR PDUTXH WRGDV DV DOWHUQDWLYDV F &DGDTXHVWmRUHVSRQGLGDLQFRUUHWDPHQWHYDOHSRQWR

Leia mais

PODER DO TESTE. Poder do Teste e Tamanho de Amostra para Testes de Hipóteses

PODER DO TESTE. Poder do Teste e Tamanho de Amostra para Testes de Hipóteses PODER DO TESTE Poder do Teste e Tamanho de Amostra para Testes de Hipóteses 1 Tipos de erro num teste estatístico Realidade (desconhecida) Decisão do teste aceita H rejeita H H verdadeira decisão correta

Leia mais

Conceitos Básicos Teste t Teste F. Teste de Hipóteses. Joel M. Corrêa da Rosa

Conceitos Básicos Teste t Teste F. Teste de Hipóteses. Joel M. Corrêa da Rosa 2011 O 1. Formular duas hipóteses sobre um valor que é desconhecido na população. 2. Fixar um nível de significância 3. Escolher a Estatística do Teste 4. Calcular o p-valor 5. Tomar a decisão mediante

Leia mais

6. Amostragem e estimação pontual

6. Amostragem e estimação pontual 6. Amostragem e estimação pontual Definição 6.1: População é um conjunto cujos elementos possuem qualquer característica em comum. Definição 6.2: Amostra é um subconjunto da população. Exemplo 6.1: Um

Leia mais

Profa.: Patricia Maria Bortolon, D.Sc. Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 9-1

Profa.: Patricia Maria Bortolon, D.Sc. Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 9-1 MÉTODOS QUANTITATIVOS APLICADOS À CONTABILIDADE Profa.: Patricia Maria Bortolon, D.Sc. Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 9-1 Fundamentos de Testes

Leia mais

TIPOS DE AMOSTRAGEM Amostragem Probabilística e Não-Probabilística. Amostragem PROBABILÍSTICA: Amostragem Aleatória Simples: VANTAGENS:

TIPOS DE AMOSTRAGEM Amostragem Probabilística e Não-Probabilística. Amostragem PROBABILÍSTICA: Amostragem Aleatória Simples: VANTAGENS: TIPOS DE AMOSTRAGEM Amostragem Probabilística e Não-Probabilística. Amostragem PROBABILÍSTICA: Técnicas de amostragem em que a seleção é aleatória de tal forma que cada elemento tem igual probabilidade

Leia mais

Estatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br

Estatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br Estatística - Análise de Regressão Linear Simples Professor José Alberto - (11 9.7525-3343 sosestatistica.com.br 1 Estatística - Análise de Regressão Linear Simples 1 MODELO DE REGRESSÃO LINEAR SIMPLES

Leia mais

3.1 - Medidas de Posição Medidas de Dispersão Quantis Empiricos Box-plots Graficos de simetria 3.

3.1 - Medidas de Posição Medidas de Dispersão Quantis Empiricos Box-plots Graficos de simetria 3. 3 - MEDIDAS RESUMO 3.1 - Medidas de Posição 3.2 - Medidas de Dispersão 3.3 - Quantis Empiricos 3.4 - Box-plots 3.5 - Graficos de simetria 3.6 - Transformações 1/17 3.1 - Medidas de Posição Muitas vezes

Leia mais

Lecture 3a Testes de Hipótese

Lecture 3a Testes de Hipótese Métodos Quantitativos em Contabilidade I Programa de Pós-Graduação em Controladoria e Contabilidade Lucas Barros lucasbarros@usp.br Henrique Castro hcastro@usp.br Universidade de São Paulo 1 of 19 Lecture

Leia mais