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

Tamanho: px
Começar a partir da página:

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

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. 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

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

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

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

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

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

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

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

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

Modelos básicos de distribuição de probabilidade

Modelos básicos de distribuição de probabilidade Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não

Leia mais

Estatística. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal.

Estatística. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Estatística Probabilidade Profa. Ivonete Melo de Carvalho Conteúdo Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Objetivos Utilizar a probabilidade como estimador

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

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

ICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim. ICMS PE 2014: Resolução da prova de Estatística Prof.

ICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim. ICMS PE 2014: Resolução da prova de Estatística Prof. ICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim 1 de 6 Pessoal, segue a resolução das questões de Estatística da prova realizada pela SEFAZ-PE, para o cargo de Auditor Fiscal do Tesouro

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

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

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

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

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

Uma estatística é uma característica da amostra. Ou seja, se

Uma estatística é uma característica da amostra. Ou seja, se Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral

Leia mais

ESTATÍSTICA. x(s) W Domínio. Contradomínio

ESTATÍSTICA. x(s) W Domínio. Contradomínio Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.

Leia mais

Noções de Amostragem

Noções de Amostragem Noções de Amostragem AMOSTRAGEM Amostragem: é a área da estatística que estuda técnicas e procedimentos para retirar e analisar uma amostra com o objetivo de fazer inferência a respeito da população de

Leia mais

PARTE TEÓRICA Perguntas de escolha múltipla

PARTE TEÓRICA Perguntas de escolha múltipla PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza

Leia mais

IND 1115 Inferência Estatística Aula 6

IND 1115 Inferência Estatística Aula 6 Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal

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

CAPÍTULOS 7 E 8 AMOSTRAGEM POR ATRIBUTOS OU VARIÁVEIS

CAPÍTULOS 7 E 8 AMOSTRAGEM POR ATRIBUTOS OU VARIÁVEIS CAPÍTULOS 7 E 8 AMOSTRAGEM POR ATRIBUTOS OU VARIÁVEIS 1. PLANOS DE AMOSTRAGEM tamanho do lote; nível de inspeção; tamanho da amostra; tipos de inspeção; regime de inspeção; nível de qualidade aceitável

Leia mais

Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)

Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:

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

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 1 Na prática da pesquisa em geral, o tamanho da amostra parece sintetizar todas as questões relacionadas ao processo

Leia mais

Prof. Dr. Engenharia Ambiental, UNESP

Prof. Dr. Engenharia Ambiental, UNESP INTRODUÇÃO A ESTATÍSTICA ESPACIAL Análise Exploratória dos Dados Estatística Descritiva Univariada Roberto Wagner Lourenço Roberto Wagner Lourenço Prof. Dr. Engenharia Ambiental, UNESP Estrutura da Apresentação

Leia mais

Medidas de Dispersão 1

Medidas de Dispersão 1 Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Medidas de Dispersão 1 Introdução Uma breve reflexão sobre as medidas de tendência central permite-nos concluir que elas não

Leia mais

Licenciatura em Ciências Biológicas Universidade Federal de Goiás. Bioestatística. Prof. Thiago Rangel - Dep. Ecologia ICB

Licenciatura em Ciências Biológicas Universidade Federal de Goiás. Bioestatística. Prof. Thiago Rangel - Dep. Ecologia ICB Licenciatura em Ciências Biológicas Universidade Federal de Goiás Bioestatística Prof. Thiago Rangel - Dep. Ecologia ICB rangel.ufg@gmail.com Página do curso: http://www.ecologia.ufrgs.br/~adrimelo/bioestat

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 DOUTORADO - TURMA 20 VERSÃO

Leia mais

Estatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc. Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável

Leia mais

Estatística Descritiva (I)

Estatística Descritiva (I) Estatística Descritiva (I) 1 O que é Estatística Origem relacionada com a coleta e construção de tabelas de dados para o governo. A situação evoluiu: a coleta de dados representa somente um dos aspectos

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

Distribuições de Probabilidade. Distribuição Normal

Distribuições de Probabilidade. Distribuição Normal Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno

Leia mais

Soluções da Colectânea de Exercícios

Soluções da Colectânea de Exercícios Soluções da Colectânea de Exercícios (Edição de Fevereiro de 2003) Capítulo 1 1.1 d) x = 3.167; s = 0.886 (dados não agrupados) e) mediana = x = 3.25; q 1 = 2.4 ; q 3 = 3.9 1.2 a) x = 2.866 ; x = 3; moda

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

a) 19% b) 20% c) Aproximadamente 13% d) 14% e) Qualquer número menor que 20%

a) 19% b) 20% c) Aproximadamente 13% d) 14% e) Qualquer número menor que 20% 0. 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

Sumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47

Sumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47 CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................

Leia mais

Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS

Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é

Leia mais

Lista 5 de exercícios

Lista 5 de exercícios Lista 5 de exercícios 1. (ANDRADE; OGLIARI, 2010) Em um experimento, 320 em 400 sementes germinaram. Determine o intervalo de confiança de 99% para a verdadeira proporção de sementes que germinaram. Para

Leia mais

PROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano

PROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 11/2014 Variáveis Aleatórias Variáveis Aleatórias Probabilidade e Estatística 3/41 Variáveis Aleatórias Colete

Leia mais

Um conceito importante em Probabilidades e Estatística é o de

Um conceito importante em Probabilidades e Estatística é o de Variáveis Aleatórias Um conceito importante em Probabilidades e Estatística é o de Variável Aleatória. Variável Aleatória Seja (Ω, A) um espaço de acontecimentos. À função X : Ω IR chamamos variável aleatória.

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

SUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20

SUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20 SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17

Leia mais

Modelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira

Modelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira

Leia mais

Métodos Quantitativos em Medicina

Métodos Quantitativos em Medicina Métodos Quantitativos em Medicina Comparação de Duas Médias Terceira Aula 009 Teste de Hipóteses - Estatística do teste A estatística do teste de hipótese depende da distribuição da variável na população

Leia mais

CAPÍTULO 3 POPULAÇÃO E AMOSTRA

CAPÍTULO 3 POPULAÇÃO E AMOSTRA DEPARTAMENTO DE GEOCIÊNCIAS GCN 7901 ANÁLISE ESTATÍSTICA EM GEOCIÊNCIAS PROFESSOR: Dr. ALBERTO FRANKE CONTATO: alberto.franke@ufsc.br F: 3721 8595 CAPÍTULO 3 POPULAÇÃO E AMOSTRA As pesquisas de opinião

Leia mais

Estatística para Cursos de Engenharia e Informática

Estatística para Cursos de Engenharia e Informática Estatística para Cursos de Engenharia e Informática BARBETTA, Pedro Alberto REIS, Marcelo Menezes BORNIA, Antonio Cezar MUDANÇAS E CORREÇOES DA ª EDIÇÃO p. 03, após expressão 4.9: P( A B) = P( B A) p.

Leia mais

META Estudar características de populações com base nas informações colhidas por amostras de dados selecionados aleatoriamente nestas populações.

META Estudar características de populações com base nas informações colhidas por amostras de dados selecionados aleatoriamente nestas populações. AMOSTRAGEM: POPULAÇÃO E AMOSTRA. TIPOS DE AMOSTRAGEM. AMOSTRA PILOTO. NÍVEL DE CONFIANÇA. ESTIMATIVA DA MÉDIA E PROPORÇÃO POPULACIONAL POR PONTO E POR INTERVALO. META Estudar características de populações

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

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

HEP Bioestatística

HEP Bioestatística HEP 57800 Bioestatística DATA Aula CONTEÚDO PROGRAMÁTICO 05/03 Terça 1 Níveis de mensuração, variáveis, organização de dados, apresentação tabular 07/03 Quinta 2 Apresentação tabular e gráfica 12/03 Terça

Leia mais

6 Intervalos de confiança

6 Intervalos de confiança 6 Intervalos de confiança Estatística Aplicada Larson Farber Seção 6.1 Intervalos de confiança para a média (amostras grandes) Estimativa pontual DEFINIÇÃO: Uma estimativa pontual é a estimativa de um

Leia mais

Aproximação da Distribuição Binomial pela Distribuição Normal

Aproximação da Distribuição Binomial pela Distribuição Normal Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.

Leia mais

Distribuição de frequências. Prof. Dr. Alberto Franke

Distribuição de frequências. Prof. Dr. Alberto Franke Distribuição de frequências Prof. Dr. Alberto Franke E-mail: alberto.franke@ufsc.br 1 Distribuição de frequências Há necessidade de distinguir entre: Distribuição observada Distribuição verdadeira Distribuição

Leia mais

Universidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria-PPGEAB Prova de Conhecimentos Específicos

Universidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria-PPGEAB Prova de Conhecimentos Específicos -PPGEAB Dados que podem ser necessários na resolução de algumas questões: Quantis de distribuições P (t > t α ) = α P (F > F 0,05 ) = 0, 05 ν 1 ν 0,05 0,025 ν 2 42 43 56 57 89 1,66 1,99 42 1,67 1,67 1,63

Leia mais

Distribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD

Distribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável

Leia mais

UNIVERSIDADE FEDERAL DA PARAÍBA. Cálculo das Probabilidades e Estatística I. Lista de Exercícios Terceira Prova. Parte I: Distribuição Amostral

UNIVERSIDADE FEDERAL DA PARAÍBA. Cálculo das Probabilidades e Estatística I. Lista de Exercícios Terceira Prova. Parte I: Distribuição Amostral UNIVERSIDADE FEDERAL DA PARAÍBA Cálculo das Probabilidades e Estatística I Professora: Juliana Freitas Pires Lista de Exercícios Terceira Prova Parte I: Distribuição Amostral Questão 1. Seja X N(90; 26).

Leia mais

Teoria das Probabilidades

Teoria das Probabilidades Capítulo 2 Teoria das Probabilidades 2.1 Introdução No capítulo anterior, foram mostrados alguns conceitos relacionados à estatística descritiva. Neste capítulo apresentamos a base teórica para o desenvolvimento

Leia mais

Considerações. Planejamento. Planejamento. 3.3 Análise de Variância ANOVA. 3.3 Análise de Variância ANOVA. Estatística II

Considerações. Planejamento. Planejamento. 3.3 Análise de Variância ANOVA. 3.3 Análise de Variância ANOVA. Estatística II UNIVERSIDADE FEDERAL DE RONDÔNIA CAMPUS DE JI-PARAN PARANÁ DEPARTAMENTO DE ENGENHARIA AMBIENTAL Estatística II Aula 8 Profa. Renata G. Aguiar Considerações Coleta de dados no dia 18.05.2010. Aula extra

Leia mais

Estatística e Probabilidade. Aula 11 Cap 06

Estatística e Probabilidade. Aula 11 Cap 06 Aula 11 Cap 06 Intervalos de confiança para variância e desvio padrão Confiando no erro... Intervalos de Confiança para variância e desvio padrão Na produção industrial, é necessário controlar o tamanho

Leia mais

Módulo IV Medidas de Variabilidade ESTATÍSTICA

Módulo IV Medidas de Variabilidade ESTATÍSTICA Módulo IV Medidas de Variabilidade ESTATÍSTICA Objetivos do Módulo IV Compreender o significado das medidas de variabilidade em um conjunto de dados Encontrar a amplitude total de um conjunto de dados

Leia mais

FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES

FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a

Leia mais

9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla

9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual

Leia mais

Avaliação de Sistemas de Medição

Avaliação de Sistemas de Medição Monitoramento de um processo: medição de uma característica da qualidade X por meio de um sistema de medição. Sistema de medição ideal: produz somente resultados corretos, ou seja, que coincidem com o

Leia mais

Estatística Descritiva

Estatística Descritiva C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística

Leia mais

A Metodologia de Box & Jenkins

A Metodologia de Box & Jenkins A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de

Leia mais

3. Probabilidade P(A) =

3. Probabilidade P(A) = 7 3. Probabilidade Probabilidade é uma medida numérica da plausibilidade de que um evento ocorrerá. Assim, as probabilidades podem ser usadas como medidas do grau de incerteza e podem ser expressas de

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

Princípios de Bioestatística

Princípios de Bioestatística Princípios de Bioestatística Cálculo do Tamanho de Amostra Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG 1 / 32 2 / 32 Cálculo do Tamanho de Amostra Parte fundamental

Leia mais

Conceitos básicos: Variável Aleatória

Conceitos básicos: Variável Aleatória : Variável Aleatória Variável aleatória (v.a.) valor numérico que é resultado de uma eperiência aleatória. Podemos ter variáveis aleatórias contínuas ou discretas. Eemplo 1: Suponha que lança duas moedas

Leia mais

MEDIDAS E INCERTEZAS

MEDIDAS E INCERTEZAS MEDIDAS E INCERTEZAS O Que é Medição? É um processo empírico que objetiva a designação de números a propriedades de objetos ou a eventos do mundo real de forma a descrevêlos quantitativamente. Outra forma

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

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

Cálculo das Probabilidades e Estatística I

Cálculo das Probabilidades e Estatística I Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço

Leia mais

Estatística. Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas. Professor Fernando Porto

Estatística. Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas. Professor Fernando Porto Estatística Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas Professor Fernando Porto Capítulo 4 Baseado no Capítulo 4 do livro texto, Distribuições Teóricas de Probabilidades

Leia mais

Inferência Estatística

Inferência Estatística Inferência Estatística Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Núcleo de Estatística e Informática HUUFMA email: alcione.miranda@terra.com.br Inferência Estatística Inferências

Leia mais

Instrumentação Industrial. Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição

Instrumentação Industrial. Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição Instrumentação Industrial Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição Introdução a Metrologia O que significa dizer: O comprimento desta régua é 30cm. A temperatura

Leia mais

Distribuições Discretas: Hipergeométrica, Binomial e Poisson

Distribuições Discretas: Hipergeométrica, Binomial e Poisson CAP3: Distribuições Discretas e Contínuas Distribuições Discretas: Hipergeométrica, Binomial e Poisson Uma distribuição de probabilidade é um modelo matemático que relaciona o valor da variável com a probabilidade

Leia mais

Estatística

Estatística Estatística 1 2016.2 Sumário Capítulo 1 Conceitos Básicos... 3 MEDIDAS DE POSIÇÃO... 3 MEDIDAS DE DISPERSÃO... 5 EXERCÍCIOS CAPÍTULO 1... 8 Capítulo 2 Outliers e Padronização... 12 VALOR PADRONIZADO (Z)...

Leia mais

Teste de hipóteses. Estatística Aplicada Larson Farber

Teste de hipóteses. Estatística Aplicada Larson Farber 7 Teste de hipóteses Estatística Aplicada Larson Farber Seção 7.1 Introdução ao teste de hipóteses Uma hipótese estatística é uma alegação sobre uma população. A hipótese nula H 0 contém uma alternativa

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

4 O Erro de Medição. Erro de Medição. Fundamentos de Metrologia. sistema de medição. mensurando. erro de medição

4 O Erro de Medição. Erro de Medição. Fundamentos de Metrologia. sistema de medição. mensurando. erro de medição 4 O Erro de Medição Fundamentos de Metrologia Erro de Medição sistema de medição mensurando indicação erro de medição valor verdadeiro 1 Um exemplo de erros... Teste de precisão de tiro de canhões: Canhão

Leia mais

Distribuições Importantes. Distribuições Discretas

Distribuições Importantes. Distribuições Discretas Distribuições Importantes Distribuições Discretas Distribuição de Bernoulli Definição Prova ou experiência de Bernoulli é uma experiência aleatória que apenas tem dois resultados possíveis: A que se designa

Leia mais

FICHA DE TRABALHO N. O 9

FICHA DE TRABALHO N. O 9 FICHA DE TRABALHO N. O 9 ASSUNTO: Modelos de probabilidade: probabilidade condicional 1. Sejam A e B dois acontecimentos tais que: P (A) = 0,3 e P (B ) = 0,7 Determine P (A B ), sabendo que: 1.1 Os acontecimentos

Leia mais

Medidas Resumo. Medidas de Posição/ Medidas de Dispersão. A intenção desse trabalho é introduzir os conceitos de Medidas de posição e de dispersão.

Medidas Resumo. Medidas de Posição/ Medidas de Dispersão. A intenção desse trabalho é introduzir os conceitos de Medidas de posição e de dispersão. Medidas Resumo Medidas de Posição/ Medidas de Dispersão A intenção desse trabalho é introduzir os conceitos de Medidas de posição e de dispersão. Prof. MSc. Herivelto Marcondes Março/2009 1 Medidas Resumo

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA

ESCOLA SUPERIOR DE TECNOLOGIA Departamento Matemática Curso Engenharia do Ambiente 2º Semestre 1º Folha Nº 5: Testes Paramétricos Probabilidades e Estatística 1. O director comercial de uma cadeia de lojas pretende comparar duas técnicas

Leia mais

Pesquisa Operacional II. Professor: Roberto César

Pesquisa Operacional II. Professor: Roberto César Pesquisa Operacional II Professor: Roberto César POPULAÇÃO E AMOSTRA População: refere-se ao grupo total. Amostra: é toda fração obtida de uma população (independente de seu tamanho). Quando usar Amostragem?

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 e Probabilidade

Estatística e Probabilidade Aula 3 Cap 02 Estatística Descritiva Nesta aula... estudaremos medidas de tendência central, medidas de variação e medidas de posição. Medidas de tendência central Uma medida de tendência central é um

Leia mais

DISTRIBUIÇÕES ESPECIAIS DE PROBABILIDADE DISCRETAS

DISTRIBUIÇÕES ESPECIAIS DE PROBABILIDADE DISCRETAS VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADES 1 1. VARIÁVEIS ALEATÓRIAS Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações

Leia mais

Universidade Federal de Viçosa Departamento de Estatística

Universidade Federal de Viçosa Departamento de Estatística Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do

Leia mais

CAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo

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

Variáveis Aleatórias Discretas e Distribuição de Probabilidade

Variáveis Aleatórias Discretas e Distribuição de Probabilidade Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das

Leia mais

Variável Aleatória. Gilson Barbosa Dourado 6 de agosto de 2008

Variável Aleatória. Gilson Barbosa Dourado 6 de agosto de 2008 Variável Aleatória Gilson Barbosa Dourado gdourado@uneb.br 6 de agosto de 2008 Denição de Variável Aleatória Considere um experimento E e seu espaço amostral Ω = {a 1, a 2,..., a n }. Variável aleatória

Leia mais