Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
|
|
- Isaac Campelo Vilarinho
- 6 Há anos
- Visualizações:
Transcrição
1 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 previamente planejado, pode ser um conjunto de dados ou não Definições Básicas Definição. As quantidades da população, em geral desconhecidas, sobre as quais tem-se interesse, são denominadas parâmetros e, usualmente, representadas por letras gregas tais como α, β, γ, θ, μ, λ, π, ρ, σ, φ, dentre outras. Definição. À combinação dos elementos da amostra, construída com a finalidade de representar, ou estimar, um parâmetro de interesse na população, denomina-se estimador ou estatística. Denota-se os estimadores por símbolos com o acento circunflexo, tais como α, β, γ, θ, μ, λ, π, ρ, σ, φ, dentre outras. Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas Propriedades dos estimadores Definição. Um estimadores θ é não viciado ou não viesado para um parâmetro θ se θ = θ. Ou seja, um estimador é não viciado se o seu valor esperado é exatamente o valor do parâmetro. Definição. Um estimador θ é consistente se as duas condições são satisfeitas: ) θ = θ; ) θ = 0. Ou seja, se, à medida que o tamanho da amostra aumenta, seu valor esperado converge para o parâmetro e sua variância converge para zero. Definição. Dado dois estimadores θ e θ, não viciados em relação à θ, diz-se que θ é mais eficiente que θ se θ < θ.
2 Exercício: Baseado nas definições das propriedades dos estimadores demonstre os resultados que seguem no quadro abaixo: Parâmetro Estimador Propriedades μ = Não viciado e consistente = í í Não viciado e consistente σ = 1 1 ) σ σ = 1 ) Não viciado e consistente Viciado e consistente 1.3. Distribuição Amostral Distribuição Amostral da Média Seja uma população identificada pela variável aleatória X, cujos parâmetros média populacional = ) e variância populacional = ) são supostamente conhecidos. Retira-se todas as amostras possíveis de tamanho dessa população e para cada uma delas, calcular a média X. Supõe-se a seguinte população 2, 3, 4, 5 com média = 3,5 e variância = 1,25. Vamos relacionar todas as amostras possíveis de tamanho 2, com reposição, desta população. (2,2) (2,3) (2,4) (2,5) (3,2) (3,3) (3,4) (3,5) (4,2) (4,3) (4,4) (4,5) (5,2) (5,3) (5,3) (5,5)
3 Agora, calcula-se a média de cada amostra. Tem-se: 2,0 2,5 3,0 3,5 2,5 3,0 3,5 4,0 3,0 3,5 4,0 4,5 3,5 4,0 4,5 5,0 Por fim, vamos calcular a média das médias, ou seja, ) = 2,0 + 2, ,0 16 = 3,5 Agora, calcula-se a variância: ) = 1 ) = 1 ) + ) + + ) ) = 1 [2,0 3,5) + 2,5 3,5) + + 5,0 3,5) ] ) = 0,625 Sendo assim, ) = ), em que é o tamanho das amostras retiradas da população. No nosso exemplo, ) = ) = 1,25 2 = 0,625 Exemplo: Seja o caso de uma população Normal, isto é, a variável de interesse é ~μ, σ ). Portanto, tem-se que,,, ) representa uma amostra aleatória cujos elementos são independentes, e identicamente distribuídos, com densidade Normal de média μ e variância, ou seja: ~, ), = 1,, ;
4 é,. Sabe-se que para quaisquer constantes,,,, a combinação linear também tem distribuição de probabilidade dada pelo modelo Normal. A distribuição da média amostral segue diretamente deste resultado ao utilizar-se =, para = 1,,. Assim, ~μ, σ, e, com o auxílio das propriedades da esperança e variância tem-se que: μ = [] = 1 = 1 = 1 [ ] = 1 μ σ = [] = 1 = 1 = 1 [ ] = 1 = 1 σ. = 1 μ = μ; σ = 1 σ Conclui-se que para uma coleção de variáveis aleatórias independentes com uma mesma distribuição de probabilidade, dada por um modelo Normal com média e variância, a média amostral também terá distribuição Normal, com média e variância. Ou seja: ~, = ~0, 1). Observação: Se a população é finita e de tamanho conhecido, e se a amostra de tamanho dela retirada é sem reposição, então: σ = 1. Onde é o fator de correção para população finita. Exemplo: Seja,,, uma amostra aleatória de uma variável aleatória tal que ~80, 26). Calcule:
5 a. > 83) = > = > 2,94) = 0,001641; b. < 82) = < = < 1,96) = 0,975002; c. μ 2 σ < < μ + 2 σ ) = 80 2 < < , , ,96 < < 82,04) = 26 < < < < +2) = 0, Exercício: Seja,,, uma amostra aleatória de uma variável aleatória tal que ~100, 85). Calcule: a. 95 < < 105); b. 98 < < 102); c. μ Z σ < < μ + Z σ = 0,95. Teorema Central do Limite TCL Seja,,, uma amostra aleatória simples de tamanho de uma população com média e variância (note que o modelo da variável aleatória não é especificado), então a média amostral também terá distribuição Normal, com média e variância, ou seja: ~, = ~0, 1). Exercício: Supõe-se que o consumo mensal de água por residência em um certo bairro mineiro tem distribuição normal com média 10 e desvio padrão 2 (em ).
6 Para uma amostra de 25 dessas residências, qual é a probabilidade de a média amostral não se afastar da verdadeira média por mais de 1? Exercício: Um fabricante afirma que produz em média 75 componentes por dia com desvio padrão de 10 componentes por dia. Para uma amostra de 1 mês (25 dias úteis), qual a probabilidade de a média amostral ficar entre 70 e 80 componentes dia? Se o fabricante estabelecer uma meta média mensal de 80 componentes por dia, qual a probabilidade de ser alcançada? Distribuição Amostral da Proporção Uma aplicação importante do TCL relaciona-se com a distribuição da proporção amostral, que é definida como a fração dos indivíduos com uma dada característica em uma amostra de tamanho, isto é: = í í. Seja a proporção de indivíduos com a dada característica na população é e que os indivíduos são selecionados aleatóriamente, tem-se assim que,,, formam uma sequência de variáveis aleatórias independentes com distribuição de Bernoulli, ou seja, ~). Desta forma: = 1 çã í = 0 çã ã í Logo, = 1) =, = 0) = 1, [ ] =, [ ] = 1 ). Pode-se reescrever a proporção amostral como: = = =. Logo, a proporção amostral é a média de variáveis aleatórias convenientemente definidas. Calculando a esperança e variância de tem-se que: μ = [ ] = 1 = 1 = 1 [ ] = 1 = 1 = ;
7 σ = [ ] = 1 = 1 = 1 [ ] = 1 1 ) = 1 1 ) 1 ) = ; Portanto, μ =, σ = ), σ = ). Desta forma, pelo TCL: ~, 1 ) = ~0, 1). 1 ) Observação: Quando é desconhecida e a amostra com reposição é grande, determina-se = e σ ). Para alguns autores e estatísticos, uma amostra é suficientemente grande quando 5 e 1 ) 5. Exemplo: Em uma população, a proporção de pessoas favoráveis a uma determinada lei é de 40%. Retira-se uma amostra de 300 pessoas dessa população. Determine Z σ < < + Z σ = 0,95. Dado que = 300 e = 0,40, então σ = ) que Z,% = 1,96, então: =,,) 0,4 1,96 0,0283 < < 0,4 + 1,96 0,0283) = 0,95 0,4 0,0555 < < 0,4 + 0,0555) = 0,95 0,3445 < < 0,4555) = 0,95 34,45% < < 45,55%) = 0,95 = 0,0283. Tem-se Exemplo: Deseja-se obter a proporção de estudantes de Economia e Administração portadores de habilidades intrínsecas de gestão e liderança. Retira-se uma amostra de 400 estudantes, obtendo-se 8 portadores de tais habilidades. Determine um intervalo de confiabilidade de 99% para a proporção populacional. Z σ < < + Z σ = 0,99
8 Dado que = 400 e = = = 0,02, então σ ) =,,) = 0,007. Tem-se que Z,% = 2,57, então: 0,02 2,57 0,007 < < 0,02 + 2,57 0,007 = 0,99 0,02 0,018 < < 0,02 + 0,018 = 0,99 0,002 < < 0,038 = 0,99 0,2% < < 3,8% = 0,99. Exercício: Uma fábrica de peças específica em suas embalagens que a proporção de defeitos é de 4%. Um cliente dessa fábrica inspeciona uma amostra de 200 peças e constata que 12 são defeituosas. Baseado nesses dados, em quantas amostras o cliente encontraria uma proporção de defeitos maior que o especificado pelo fabricante? Distribuição t-student O trabalho desenvolvido por W. S. Gosset (que o divulgou sob o pseudônimo de ), no começo dos anos 1900 resultou na distribuição, ou mais simplesmente a distribuição. Definição. Seja,,, uma amostra aleatória de uma distribuição ~,. A quandidade, σ =, tem distribuição, com 1 graus de liberdade. Ou seja: Pode-se verificar que: ~ = = = = = ; 1 1
9 ~. A função de densidade de probabilidade de uma variável aleatória que tem distribuição com graus de liberdade (denota-se por ~ ) é: ,. Características da distribuição : Simétrica em relação a media; Forma de sino; Quando, a distribuição se torna equivalente a distribuição Gaussiana, conforme pode-se ver pela figura abaixo. Obersvação: A distribuição de Cauchy é um caso particular da distribuição quando 1.
10 Exemplo: Calcule as probabilidades por meio da tabela da distribuição. a. > 2,2281) = 0,025; b. < 2,2281) = 0,025; c. > 1,9759) = 0,025; d. < 1,9759) = 0,025; e. > 1,9600) = 0,025; f. < 1,9600) = 0,025; g. > 1,4149) = 0,100; h. < 1,4149) = 0,100; i. > 1,8949) = 0,050; j. < 1,8949) = 0,050; k. > 2,3646) = 0,025; l. < 2,3646) = 0,025; m. > 2,9980) = 0,010; n. < 2,9980) = 0,010; o. > 3,4995) = 0,005; p. < 3,4995) = 0,005. Exemplo: Seja,,, uma amostra aleatória de uma variável aleatória tal que ~80, σ ). Dada a variância amostral = 26 e por meio da distribuição pode-se calcular: a. > 83) = > = > 2,94) = 0, ); b. < 82) = < = < 1,96) = 0, ); c. μ 2 σ < < μ + 2 σ ) = 80 2 < <
11 77, , ,96 < < 82,04) = 26 < < < < +2) = 0, ). Exercício: Por meio da tabela da distribuição : a. Calcule > 0,6864); b. Calcule < 2,4345); c. Calcule > 2,6757); d. Obtenha tal que > ) = 0,250; e. Obtenha tal que > ) = 0,100; f. Obtenha tal que > ) = 0,050; g. Obtenha tal que < ) = 0,010; h. Obtenha tal que < ) = 0,005; Exercício: Seja,,, uma amostra aleatória de uma variável aleatória tal que ~100, σ ). Dada a variância amostral = 85, calcule: a. 95 < < 105); b. 98 < < 102); c. μ σ < < μ + σ = 0, Intervalo de Confiança (uma população) Em todas as áreas do conhecimento existe a necessidade de se obter conclusões a respeito dos parâmetros de uma população. A estimação destes parâmetros pode ser realizada por meio de estimação pontual ou estimação por intervalo. Estimação Pontual É pontual quando a estimativa do parâmetro é representada apenas por um valor. A principal desvantagem é que a estimativa pontual é pouco informativa. Esta
12 estimação não fornece nenhuma idéia do erro que se comete ao assumir o valor da estimativa como igual ao verdadeiro valor do parâmetro desconhecido. Estimação Intervalar É intervalar quando estabelece-se um intervalo que contém, com uma determinada probabilidade pré-estabelecida, o verdadeiro valor do parâmetro desconhecido. Uma maneira de se expressar a precisão da estimação é estabelecer limites da forma,, que, probabilidade 1, incluam o verdadeiro valor do parâmetro de interesse. Sendo assim, a estimação por intervalo consiste na fixação de dois valores,, e, tais que 1 seja a probabilidade de que o intervalo, por eles determinado, contenha o real valor de. O intervalo, pode ser constituído a partir das distribuições amostrais. Ou seja, utilizando as distribuições de amostragem, pode-se obter expressões do tipo: Assim, pode-se interpretar sob as expressões acima que existe 1001 % de confiança que o verdadeiro valor de, e esteja contido no intervalo,. Em outras palavras,, é uma estimativa para, e em que a probabilidade 1 ou 1001 % expressa o grau de confiança que se tem na estimação. Se, é uma estimativa com 1001 % de confiança para, então, O intervalo a, b é chamado intervalo de confiança para θ. a e b são chamados limite inferior e limite superior do intervalo de confiança para θ. A probabilidade 1 α 1001 α% é chamada coeficiente de confiança. A probabilidade α é chamada nível de significância.
13 Intervalo de confiança para a média populacional Intervalo de confiança para a média populacional com variância populacional conhecida Pelo TCL tem-se que ~, ~0, 1, então: Sendo assim, o intervalo com 1 α 1001 α% de confiança para com conhecida é: ;. Observação: 1. Denota-se por erro padrão ou erro de estimação; 2. Os níveis de confiança de confiança mais usados são: 1 α 0,90,% 1,64; 1 α 0,95,% 1,96; 1 α 0,99,% 2,58. Exemplo: A especificação de uma peça é uma variável aleatória com 9. O setor de controle de qualidade extraiu uma amostra de tamanho 25 e obteve 152. Deseja-se determinar o intervalo de confiança de 90% e o erro de estimação para a média populacional da especificação da peça.
14 1 25 = 6,08 σ = = 3 25 = 0,60,% 1,64 + = 1 6,08 1,64 0,60 6,08 + 1,64 0,60) = 0,90 5,096 7,064) = 0,90 % 5,096; 7,064] ã = = 1,64 0,60 = 0,984. Exercício: Obtenha os intervalos de confiança de 95% e 99% e o erro de estimação para a média populacional da especificação da peça do exemplo anterior. Exemplo: De uma população de 1000 elementos com distribuição aproximadamente Normal com = 400, tira-se uma amostra de 25 elementos, obtendo-se = 150. Obtenha o intervalo de confiança para um nível de significância de = 5%. σ = 1 = ,% = ±1, = 3,95 + = ,96 3, ,96 3,95 = 0,95 142,25 157,75 = 0,95 % = 142,25; 157,75 ã = = 1,96 3,95 = 7,742. 1
15 Exercício: Obtenha os intervalos de confiança de 90% e 99% para a média populacional e o erro de estimação dos dados do exemplo anterior Intervalo de Confiança para a média populacional com variância populacional desconhecida Pelo TCL tem-se que ~ ; ~0; 1. No entanto, quando não se conhece a variância populacional, situação mais comum na prática, se as amostras forem pequenas tem-se que utilizar a distribuição. Sabe-se ainda que é: ~, desta forma, um intervalo com 1 α 1001 α% de confiança para ; Onde é o desvio padrão amostral e ;. ; ;. é o valor tabelado da distribuição Observação: 1. Denota-se ; por erro padrão ou erro de estimação; 2. Quando, a distribuição se torna equivalente a distribuição Gaussiana. Por esta razão, alguns autores sugerem o uso da distribuição Gaussiana quando > 30. Exemplo: A amostra 9, 8, 12, 7, 9, 6, 11, 6, 10, 9 foi extraída de uma população aproximadamente normal. Deseja-se construir um intervalo de confiança para com um nível de 95% de confiança.
16 8,7 = ) = 1 = 10 1 = 9 ; = ;,% 2,262 ) ) = ; % 8,7 2,262 2 ; + ; 10 % 7,27; 10,13] ; 8,7 + 2, ã = ; = 2, = 1,43. Exercício: Obtenha os intervalos de confiança de 90% e 99% para a média populacional e o erro de estimação dos dados do exemplo anterior. Exercício: Por meio de uma amostra aleatória simples referente ao numero de ocorrências criminais num certo bairro na cidade de São Paulo, coletada durante 30 dias, obteve-se os seguintes valores: Construa um intervalo de confiança de 90%, 95% e 99% Intervalo de confiança para a proporção populacional Pelo TCL tem-se que ~, = intervalo com 1 = 1001 % de confiança para é: = 1 ; + ~0, 1. Logo, o 1. Observação: 1. Denota-se = = por erro padrão ou erro de estimação;
17 2. Tem-se que e para suficientemente grande σ. Para alguns autores e estatísticos, uma amostra é suficientemente grande quando 5 e 1 ) 5; 3. Se a população é finita e de tamanho conhecido, e se 0,05, σ ), onde é o fator de correção para população finita; 4. Pode-se utilizar 1 ) = se desejar ser conservador na estimativa da variância populacional. Exemplo: Pretende-se estimar a proporção p de peças que atendem às especificações/exigências para exportação. Em uma amostra selecionada de tamanho 200, escolhida ao acaso, observou-se que 160 deles apresentam as exigências atendidas. O que pode-se dizer da proporção p na população em geral? (use = 5%) : = = = 80% ) ) =,% = ±1,96 1 ) ; + ) 1 0,81 0,8) 0,81 0,8) % ) = 0,8 1,96 ; 0,8 + 1, %) ) = [0,745; 0,855]. ) 0,81 0,8) ã = 1 = 1,96 = 0, Exercício: Obtenha os intervalos de confiança de 90% e 99% para a proporção populacional e o erro de estimação dos dados do exemplo anterior. Exercício: O setor de controle de qualidade esta intervindo em um processo produtivo por acreditar que a proporção de peças fora das especificações esta muito elevado. Uma amostra de 100 peças foi avaliada e observou-se 20 peças fora das
18 especificações. Sendo 1%, determine um intervalo de confiança para a proporção de peças defeituosas deste processo produtivo. : %) ) = [9,72%; 30,28%] Exercício: Para se estimar a porcentagem de alunos de um curso favoráveis a modificação do currículo escolar, tomou-se uma amostra de 100 alunos, dos quais, 80 foram favoráveis. Construa um intervalo de confiança a 96% para a proporção de todos os alunos favoráveis a modificação. : %) ) = [71,8%; 88,2%] Intervalo de confiança para a variância populacional Uma variável aleatória obtida por = ) é definida como com 1) graus de liberdade. Desta forma, o intervalo com 1 ) = 1001 )% de confiança para é: ) 1) 1) ) = ;. ; ; Onde = ) é o desvio padrão amostral e ; e ; são os valores tabelados da distribuição. Exemplo: Observou-se a volatilidade (variância) da 4 durante 42 dias úteis e obteve-se uma variância amostral de = 0,45 45% ). Deseja-se construir um intervalo de confiança de 95% para a volatilidade da 4. ; = ;,% = 60,561 ; = ;,% = 25,215 ) 1) 1) ) = ; ; ; % 41 0, ,45 ) = ; 60,561 25,215 % ) = [30,42%; 73,17%]
19 Exercício: Obtenha os intervalos de confiança de 98% e 99% para a variância populacional dos dados do exemplo anterior. Exemplo: Observou-se a volatilidade (variância) da 5 durante 42 dias úteis e obteve-se uma variância amostral de = 0,55 55% ). Deseja-se construir um intervalo de confiança de 98% e 99% para a volatilidade da 5. Observação: Quando a média populacional é conhecida, o intervalo com 1 ) = 1001 )% de confiança para é: ) ) = ; ; ;. Onde = ) é o desvio padrão amostral e ; e ; são os valores tabelados da distribuição Cálculo de tamanho de amostra Cálculo de tamanho de amostra para a estimação da média populacional Pelo TCL tem-se que ~, = ~0, 1), então: = = = = =. Onde = é o erro de estimação aceitável. Para o caso em que a população é finita, inclue-se o fator de correção, então: = 1) +.
20 Cálculo de tamanho de amostra para a estimação da proporção populacional Pelo TCL tem-se que ~, ) = ) ~0, 1), então: = 1 ) 1 ) = = 1 ) = 1 ) Onde = é o erro de estimação aceitável. = 1 ). Para o caso em que a população é finita, inclue-se o fator de correção, então: = 1 ) 1) + 1 ). Exemplo: O Instituto DataVoto desenvolverá no próximo mês pesquisa de intenção de voto, para um candidado particular, estabelecendo um intervalo de confiança de 99%. Deseja que a proporção amostral esteja entre ±3% da proporção populacional. Em uma campanha eleitoral recente, estimou-se que 220 eleitores, entre 500 entrevistados, preferem este candidato em particular. Deseja-se estimar o tamanho de amostra adequado considerando população finita de tamanhos 1000, 10000, e população infinita. = 1000 = = = = = 44% = 2,576 = 3% 1 ) 1) + 1 ) 10002,576) 0,441 0,44) )0,03 + 2,576) 645 ; 0,441 0,44)
21 100002,576) 0,441 0,44) = )0,03 + 2,576) 1537 ; 0,441 0,44) = = ,576) 0,441 0,44) )0,03 + 2,576) 1665 ; 0,441 0,44) = 1 ) = 2,576) 0,441 0,44) 0, Exercício: Estime o tamanho de amostra adequado para um erro de estimação de ±2% considerando população finita de tamanhos 5000 e e população infinita Intervalo de Confiança (duas populações) Intervalo de confiança para diferença de médias ) com variâncias e conhecidas. Seja ~ ; ) e ~ ; ) variáveis aleatórias associadas às populações 1 e 2. A partir de amostras e retiradas das populações, para e conhecidos, o intervalo com 1 ) = 1001 )% de confiança para ) é: ) ) = ) + ; ) + Onde é a média da amostra e é a média da amostra. +. Observação: O objetivo deste intervalo de confiança é concluir se há diferença entre as duas médias. Assim, se o intervalo de confiança contiver o valor zero, não tem-se evidencias significativas para afirmar que uma média difere da outra. Exemplo: Seja duas variáveis aleatórias Gaussianas e cujas variâncias populacionais são = 3,64 e = 4,03. Deseja-se construir um intervalo de 95% de confiança para a diferença de médias populacionais, considerando as amostras obtidas apresentadas na tabela abaixo: AMOSTRA 1 = 32 = 16,20
22 AMOSTRA 2 40 = 14,85 ) ) = ) + ; ) + +. % 16,20 14,85) 1,96 3, ,03 40 ; 16,20 14,85) + 1,96 3, ,03 40 % 0,44; 2,26] Observação importante: O intervalo de confiança não contém o zero, ou seja, pode-se concluir, ao nível de 95%, que há evidências estatísticas para afirmar que existe diferença entre as médias populacionais entre as populações. Exercício: Seja o número de peças produzidas, de duas unidades de negócios, duas variáveis aleatórias Gaussianas e cujas variâncias populacionais são = 10,5 e = 15,0. Deseja-se construir um intervalo de 98% de confiança para a diferença de peças produzidas (médias populacionais), considerando as amostras obtidas apresentadas na tabela abaixo. Pode-se afirmar que as unidades de negócio apresentam a mesma produtividade? UNIDADE DE NEGÓCIO 1 = 25 = 121,5 UNIDADE DE NEGÓCIO 2 = 35 = 100, Intervalo de confiança para diferença de médias com variâncias e desconhecidas, porém iguais = Neste caso, o intervalo com 1 = 1001 % de confiança para é: = ; ; + ; Onde é a variância amostral ponderada, ou seja, = Intervalo de confiança para diferença de médias com variâncias e desconhecidas, porém diferentes Neste caso, o intervalo com 1 = 1001 % de confiança para é: = ; 2 + ; ; 2 +
23 Onde os graus de liberdade são dados pela fórmula de Satterthwaite 1946): + = Exercício: Seja as vendas (em $100000) durante e após a crise de 2008 duas variáveis aleatórias Gaussianas e com variâncias populacionais desconhecidas. Construia dois intervalos de 95% de confiança para a diferença das vendas (médias populacionais), um intervalo para o caso em que = e um intervalo para o caso em que, considerando as amostras obtidas apresentadas na tabela abaixo: VENDAS DURANTE A CRISE = 30 = 20,20 = 3,50 VENDAS DEPOIS DA CRISE = 42 = 28,50 = 4,50
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 mais1.1. 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 maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisProbabilidade e Estatística
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Inferência Estatística stica e Distribuições Amostrais Inferência Estatística stica O objetivo
Leia maisEstatística II. Intervalo de Confiança Lista de Exercícios
Estatística II Intervalo de Confiança Lista de Exercícios 1. IC da Média com a Variância Populacional Desconhecida De 50.000 válvulas fabricadas por uma companhia, retira-se uma amostra de 400 válvulas,
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisESTIMAÇÃO DE PARÂMETROS
ESTIMAÇÃO DE PARÂMETROS Um dos principais objetivos da estatística inferencial consiste em estimar os valores de parâmetros populacionais desconhecidos (estimação de parâmetros) utilizando dados amostrais.
Leia maisInferência 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 maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisTeorema central do limite e es/mação da proporção populacional p
Teorema central do limite e es/mação da proporção populacional p 1 RESULTADO 1: Relembrando resultados importantes Seja uma amostra aleatória de tamanho n de uma variável aleatória X, com média µ e variância
Leia maisAULA 03 Estimativas e tamanhos amostrais
1 AULA 03 Estimativas e tamanhos amostrais Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade
Leia maisDistribuição 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 Estatística Aplicada
Leia maisInferência 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 maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia maisEstimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
Leia maisInferência Estatística
Inferência Estatística Estimação Intervalar Média e Proporção Estimação Pontual x Estimação Intervalar Exemplo Inicial: Um estudo pretende estimar o valor de µ, a renda média familiar dos alunos da UFMG.
Leia mais1 Teoria da Decisão Estatística
1 Teoria da Decisão Estatística 1.1 Teste de Hipótese É uma metodologia estatística que permite tomar decisão sobre uma ou mais populações baseando no conhecimento de informações da amostra. Ao tentarmos
Leia maisIntervalos de Confiança Prof. Walter Sousa
Estatística Intervalos de Confiança Prof. Walter Sousa DISTRIBUIÇÕES AMOSTRAIS A distribuição amostral de um estimador (estatística, tal como a média ou uma proporção) é a distribuição de probabilidades
Leia maisEstatística Aplicada
Estatística Aplicada Intervalos de Confiança Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada INTERVALOS DE CONFIANÇA Processos de estimação Estimação por ponto: o processo em
Leia maisUniversidade Federal Fluminense INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA
Universidade Federal Fluminense INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA Estatística Básica para Engenharia Prof. Mariana Albi 8 a Lista de Exercícios Assuntos: Inferência Estatística.
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisInferência Estatística:
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Inferência Estatística: Princípios de Bioestatística decidindo na presença de incerteza Aula 8: Intervalos
Leia maisAula 9: Introdução à Inferência Estatística
Aula 9: Introdução à Inferência Estatística Professor: José Luiz Padilha da Silva email: jlpadilha@ufpr.br Departamento de Estatística Universidade Federal do Paraná Curitiba, 2018 José Luiz Padilha da
Leia mais6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA
6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA 2019 Problemas de inferência Inferir significa fazer afirmações sobre algo desconhecido. A inferência estatística tem como objetivo fazer afirmações sobre uma característica
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
Leia maisFernando 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 maisDE 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 maisEstatística Aplicada. Inferência estatística com desvio padrão populacional desconhecido Estimativa de proporção Capítulo 10 Itens 10.4 a 10.
Estatística Aplicada Inferência estatística com desvio padrão populacional desconhecido Estimativa de proporção Capítulo 10 Itens 10.4 a 10.5 Casos população infinita Quando o desvio-padrão populacional
Leia maisIntrodução à Bioestatística Turma Nutrição
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução à Bioestatística Turma Nutrição Aula 8: Intervalos de Confiança para Média e Proporção Distribuição
Leia maisIntervalos 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 maisEstatística 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 maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Prof. Dr. Francisco Marcelo M. da Rocha 10 de Setembro de 2018 Rocha, F.M.M. (EPPEN - UNIFESP) Estatística I 10 de Setembro de 2018 1 / 60 Índice 1 Objetivo da Aula
Leia maisLista 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 maisDistribuições 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 mais6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA
6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA 214 Problemas de inferência Inferir significa fazer afirmações sobre algo desconhecido. A inferência estatística tem como objetivo fazer afirmações sobre uma característica
Leia maisErro e Tamanho Amostral
Erro e Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ 30 de agosto de 2018 Londrina 1 / 17 Estimação é o nome técnico para o processo que consiste em se utilizar os dados de uma amostra para
Leia maisIntervalos de Confiança
Universidade Federal do Paraná - Departamento de Estatística Projeto de Extensão Estatística com Recursos Computacionais Lista de Exercícios: Capitulos 4 Intervalos de Confiança Observação: Interpretar
Leia maisINFERÊNCIA 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 maisx P(X = x) 0,1 0,7 0,2
GET001 Fundamentos de Estatística Aplicada Exercícios de revisão para a 3 rofa. Ana Maria Farias 2018-1 1. Com objetivo de planejamento, um banco determinou a distribuição de probabilidade da idade de
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Profa. Airlane P. Alencar e Prof. Francisco Marcelo M. da Rocha 11 de Setembro de 2018 Alencar, A.P. e Rocha, F.M.M. (IME-USP e EPPEN - UNIFESP) Estatística I 11 de
Leia maisProfessora Ana Hermínia Andrade. Período
Estimação intervalar Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Estimação Intervalar Vimos que como
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisLista de Exercícios #8 Assunto: Teste de Hipóteses
. ANPEC 8 - Questão 5 Indique se as seguintes considerações sobre a teoria dos testes de hipótese são verdadeiras (V) ou falsas (F): () No teste de hipótese para proporções, se a variância da proporção
Leia maisDistribuição 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 maisTÉCNICAS 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 maisEstimador: combinação dos elementos da amostra, construída com a finalidade de representar, ou estimar, um parâmetro de interesse na população.
Objetivo: tirar conclusões sobre uma população com base na informação de uma amostra. estimação testes de hipóteses Parâmetro metro: quantidades desconhecidas da população e sobre as quais temos interesse.
Leia maisIntrodução 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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisInferência 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 maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7: Intervalos de Confiança com uma amostra Leitura obrigatória: Devore, cap 7 ou Montgomery e Runger, cap 8 Chap 8-1 Objetivos Como inferir sobre um parâmetro da população,
Leia maisIntervalos de Confiança
Intervalos de Confiança Jorge M. V. Capela, Marisa V. Capela, Instituto de Química - UNESP Araraquara, SP capela@iq.unesp.br Araraquara, SP - 2016 1 2 Teorema do Limite Central Se amostras de tamanho n
Leia maisContabilometria. Prof.: Patricia Maria Bortolon, D. Sc.
Contabilometria Prof.: Patricia Maria Bortolon, D. Sc. Intervalos de Confiança Fonte: LEVINE, D. M.; STEPHAN, D. F.; KREHBIEL, T. C.; BERENSON, M. L.; Estatística Teoria e Aplicações, 5a. Edição, Editora
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisTeorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança
Teorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança Prof. Marcos Pó Métodos Quantitativos para Ciências Sociais Distribuição amostral Duas amostragens iguais
Leia maisAULA 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 maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisEstatística Aplicada II. } Estimação e Intervalos de Confiança
Estatística Aplicada II } Estimação e Intervalos de Confiança 1 Aula de hoje } Tópicos } Revisão } Estimação } Intervalos de Confiança } Referências } Barrow, M. Estatística para economia, contabilidade
Leia maisPROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 2006
Instruções para a prova: PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 006 a) Cada questão respondida corretamente vale um ponto. b) Questões deixadas em branco valem zero pontos (neste caso marque todas
Leia maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisIntrodução 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 maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisIntervalo de confiança4
Intervalo de confiança4 4.1 Introdução 4.2 Intervalo de confiança (IC) 4.3 Erro-padrão da média e da proporção 4.4 Precisão da estimativa dos parâmetros 4.5 Conclusão Referências Dirce Maria Trevisan Zanetta
Leia maisLista de Exercicios 1. Medidas Resumo. Estimação. Distribuições Amostrais
Introcução à Inferência Estatística. Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 15 de agosto de 007 Lista de Exercicios 1 Medidas Resumo. Estimação. Distribuições Amostrais 1
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia maisEstimação 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 maisA Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através de evidências fornecidas por uma amostra.
UNIVERSIDADE FEDERAL DA PARAÍBA Distribuição Amostral Prof. Tarciana Liberal Departamento de Estatística INTRODUÇÃO A Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisTópicos em Gestão da Informação II
Tópicos em Gestão da Informação II Aula 07 Inferência Estatística - Estimação Prof. Dalton Martins dmartins@gmail.com Gestão da Informação Faculdade de Informação e Comunicação Universidade Federal de
Leia maisIntervalos 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 maisProf. Eduardo Bezerra. 15 de setembro de 2017
Distribuições Amostrais Prof. Eduardo Bezerra Inferência Estatística 15 de setembro de 2017 Eduardo Bezerra (CEFET/RJ) Distribuições Amostrais 1 / 28 Roteiro Distribuições amostrais 1 Distribuições amostrais
Leia maisNessa 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 maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia maisi. 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 maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisEstimação de valores. Luiz Carlos Terra
Luiz Carlos Terra Nesta aula, você conhecerá a parte mais importante da estatística, que é conhecida como inferência estatística, ou seja, você aprenderá como usar os dados de uma amostra para estimar
Leia maisx P(X = x) 0,1 0,7 0,2
GET00172 Fundamentos de Estatística Aplicada Lista de Exercícios Inferência Profa. Ana Maria Farias CAPÍTULOS 1 e 2 1. Com objetivo de planejamento, um banco determinou a distribuição de probabilidade
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisAULA 04 Teste de hipótese
1 AULA 04 Teste de hipótese Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal
Leia mais3 2σ 2] = σ 2 C = 1 6
GET008 - Estatística II Lista de Exercícios Inferência para uma população Profa. Ana Maria Farias. Seja X, X,, X 6 uma amostra aleatória simples de tamanho 6 de uma população Nµ; σ. Determine o valor da
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Prof. Anderson Rodrigo da Silva
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Tipos de Pesquisa Censo: é o levantamento de toda população. Aqui não se faz inferência e sim uma descrição
Leia maisTAMANHO AMOSTRAL. Lucas Santana da Cunha 31 de julho de Universidade Estadual de Londrina. Tamanho da Amostra
TAMANHO AMOSTRAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 31 de julho de 2017 Tamanho da Amostra É muito comum ao pesquisador indagar sobre o número de
Leia maisEstatística Aplicada. Inferência estatística com desvio padrão populacional conhecido Amostragem Capítulo 10 Itens 10.1 a 10.3
Estatística Aplicada Inferência estatística com desvio padrão populacional conhecido Amostragem Capítulo 10 Itens 10.1 a 10.3 Definição Estimação consiste em usar dados amostrais para estimar parâmetros
Leia maisMétodos Estatísticos
Métodos Estatísticos 7 Inferência Estatística stica Estimação de Parâmetros Proporções Referencia: Estatística Aplicada às Ciências Sociais, Cap. 9 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 2002. Estimação
Leia maisFernando 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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisx P(X = x) 0,1 0,7 0,2
GET001 Fundamentos de Estatística Aplicada Lista de Exercícios Módulo IV Parte a Profa. Ana Maria Farias 2017-1 CAPÍTULOS 1 e 2 1. Com objetivo de planejamento, um banco determinou a distribuição de probabilidade
Leia maisLucas Santana da Cunha e 30 de julho de 2018 Londrina
Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 e 30 de julho de 2018 Londrina 1 / 18 Já se discutiu a diferença entre estimador e parâmetro: População Amostra Média
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS quantidade São Paulo (j = 1) Rio de Janeiro (j = 2) Minas Gerais (j = 3) Rio Grande do Sul (j = 4) total casos novos (X, em milhões) casos pendentes (Y, em milhões) processos
Leia maisExemplo 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 mais03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica
Tratamento de Incertezas TIC-00.176 Aula 18 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Leia maisPHD 5742 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos. 6 a aula Testes de Hipóteses
PHD 5742 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos 6 a aula Testes de Hipóteses Mario Thadeu Leme de Barros Luís Antonio Villaça de Garcia Abril / 2007 Estatística Aplicada ao Gerenciamento
Leia maisAULA 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 mais6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA
6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA 21 Problemas de inferência Inferir significa fazer afirmações sobre algo desconhecido. A inferência estatística tem como objetivo fazer afirmações sobre uma característica
Leia mais