AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM"

Transcrição

1 6 AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM Quado se pretede estudar uma determiada população, aalisam-se certas características ou variáveis dessa população. Essas variáveis poderão ser discretas ou cotíuas e ficam caracterizadas se cohecermos a sua fução de probabilidade ou fução desidade de probabilidade. Assim, idetificada a distribuição e respectivos parâmetros, coheceremos o comportameto da v.a.. Porém, a determiação dos parâmetros de uma população impõe que se estudem todos os elemetos que a costituem, o que só é possível para populações fiitas ão muito umerosas. Efectivamete, o custo associado ao estudo de toda uma população é por vezes tão elevado, que a melhor alterativa cosiste em seleccioar uma amostra dessa população e estimar os parâmetros ecessários a partir dos valores amostrais. Isto é, a partir do estudo da amostra tiram- -se coclusões que se pretedem válidas para a população como um todo. Cotudo, em todas as amostras permitem que, a partir dos seus resultados, se faça uma geeralização a toda a população com uma certa credibilidade. No fudo, pretedese que a amostra seleccioada seja um micro-cosmos da respectiva população e daí que os debrucemos a partir de agora, apeas sobre o método de amostragem aleatória. Este método de selecção de amostras, a que já fizemos referêcia o iício da disciplia, garate que todos os elemetos da população têm as mesmas hipóteses de serem itegrados a amostra, evitado-se assim qualquer

2 eviesameto da selecção, isto é, qualquer tedêcia sistemática para subrepresetar ou sobrerepresetar a amostra algus elemetos da população. Cosideremos etão que se pretede estudar a característica de uma população e que tem uma fdp f ( x ) (se estivessemos a trabalhar com uma fução de probabilidade o processo era aálogo). Se for retirada dessa população uma amostra A de dimesão x,x,x,..., em que o k-ésimo elemeto 3 x obteremos ( ) k da amostra ( k =,,..., ) é um valor do cojuto de todos os valores que pode assumir. Se retirarmos agora sucessivamete amostras de dimesão da ossa população obteremos: Amostra ( Amostra (... Amostra s (... A ) : ( x,x,x,..., ) 3 x A ) : ( x,x,x,..., ) s 3 x s s A ) : ( x,x,x,..., ) s s 3 x Etão podemos cosiderar que temos uma amostra tipo: (,,,..., ) 3 6

3 que por gerar as diferetes amostras ( A,A,...,A,...) 63 s pode ser cosiderada como uma variável aleatória -dimesioal com fução desidade de probabilidade cojuta f x,x,..., x.... ( ) Admitamos agora que, o caso de uma população fiita, cada amostra é obtida executado o seguite procedimeto: ) Numerar de até N todos os elemetos da população. ) Colocar bolas umeradas de até N uma máquia de extracção de úmeros do totoloto. 3) Seleccioar uma bola (a probabilidade de seleccioar uma dada bola é igual à probabilidade de seleccioar outra qualquer) e icluir a amostra o elemeto da população com o úmero correspodete. 4) Repor a bola a máquia. 5) Repetir os passos 3) e 4) tatas vezes quatas as ecessárias para seleccioar a amostra da dimesão pretedida (). Admite-se que as extracções sucessivas são idepedetes. Usado este processo de amostragem, as fuções de probabilidade das variáveis,,3,..., são idêticas às da variável origial, isto é: p ( x ) = p ( x ) =... = p ( x ) = p( x ) x

4 Isto traduz-se dizedo que o processo de amostragem é aleatório e as amostras assim obtidas dizem-se aleatórias. No procedimeto descrito admitiu-se que a amostragem era efectuada com reposição o que resulta o facto das variáveis,,,..., serem idepedetes, isto é: 3 64 p... ( x,x,...,x ) = p ( x ) p ( x )... p ( x ) x,x,...,x Sempre que esta situação se verificar, diz-se que o processo de amostragem e as amostras são aleatórios simples. NOTA: Como resultado da reposição o que está em causa é retirar amostras de dimesão uitária a partir de populações fiitas idêticas, de dimesão N. Isto é equivalete a retirar, sem reposição, uma amostra de dimesão a partir de uma população ifiita costituída por elemetos idêticos aos da população origial fiita, figurado as mesmas proporções. Exemplo: Cosiderar uma população costituída pelas alturas de 5 idivíduos, expressas em metros: {,70 ;,74 ;,75 ;,75 ;,8 } Defiir uma v.a. como a altura de um dos idivíduos seleccioados ao acaso. Etão a fução de probabilidade de é dada por: x,70,74,75,8 p x /5 /5 /5 /5 ( )

5 Cosiderem-se agora amostras de dimesão =, obtidas a partir da população desigado-se por e as réplicas da v.a. relativas ao primeiro e segudo elemetos da amostra. Seleccioado as amostras pelo procedimeto ateriormete apresetado teremos a seguite fução de probabilidade cojuta ( e fuções de probabilidade margiais): 65,70,74,75,8 p ( x ),70 /5 /5 /5 /5 /5,74 /5 /5 /5 /5 /5,75 /5 /5 4/5 /5 /5,8 /5 /5 /5 /5 /5 ( x ) p /5 /5 /5 /5 Da aálise da tabela coclui-se que, efectivamete: e p p ( x ) = p ( x ) = p( x ) x ( x,x ) = p ( x ) p ( x ) Cosideremos agora que as amostras eram recolhidas por um processo idêtico ao aterior com excepção da reposição da bola extraída, isto é, a amostra é recolhida sem reposição. Neste caso e dado que se admitiu que a população é fiita, as variáveis,,,..., deixam de ser idepedetes. 3

6 66 Isto sigifica que, existem valores de os quais: para,,3,..., p... ( x,x,...,x ) p ( x ) p ( x )... p ( x ) ou de outra maeira, valores de quais: para os,,3,..., ( x x ) p ( x ) p 3 ( x x,x ) p ( x ) p... p ( x x,x,...,x ) p ( x ) Neste caso a fução de probabilidade cojuta e as fuções de probabilidade margiais são dadas por:,70,74,75,8 p ( x ),70 0 /0 /0 /0 /5,74 /0 0 /0 /0 /5,75 /0 /0 /0 /0 /5,8 /0 /0 /0 0 /5 ( x ) p /5 /5 /5 /5 E podemos verificar que, apesar de: p ( x ) = p ( x ) = p( x ) x

7 67 temos agora: p ( x,x ) p ( x ) p ( x ) isto é, as variáveis e ão são idepedetes mas, dado que o procedimeto de selecção da amostra, ehum elemeto da população é tratado de modo diferete dos restates, as probabilidades dos diferetes elemetos da população virem a pertecer à amostra são iguais. NOTA: Quado a dimesão da população tede para ifiito e a dimesão da amostra se matém fiita, a depedêcia etre as variáveis,,3,..., tede a desaparecer. Assim, quado a população for ifiita, é idiferete realizar a amostragem com ou sem reposição, isto é, estaremos sempre uma situação de amostragem aleatória simples. A oção de amostragem aleatória pode ser facilmete geeralizado ao caso de variáveis cotíuas, que pressupõem populações ifiitas ou, a prática, populações fiitas de dimesão muito elevada. Seja etão uma população deste tipo e cosideremos uma característica a estudar desta população que represetamos pela v.a. cotíua, com fdp f ( x ). Seleccioemos amostras de dimesão a partir da ossa população: (,,,..., ) 3 em que cada um dos k ( k =,,..., ) represeta uma réplica da v.a. relativa ao k-ésimo elemeto de cada amostra.

8 O processo de amostragem e as amostras obtidas dizem-se aleatórios (simples) se forem satisfeitas as seguites codições: f ( ) ( ) ( ) ( ) x x = f x =... = f x = f f ( x,x,...,x ) = f ( x ) f ( x )... f ( x )... x 68 x,x,...,x PARÂMETROS E ESTATÍSTICAS Um parâmetro é uma característica duma população, isto é, um valor que embora possa ser descohecido é fixo. Uma estatística é uma característica da amostra, isto é, um valor que caracteriza uma dada amostra e que é variável de amostra para amostra, ou seja, uma variável aleatória. Exemplo: Se para cada uma das amostras A,A,...,As,... referidas ateriormete, calcularmos a respectiva média, iremos obter: s x,x,...,x,... Podemos etão cosiderar que a média amostral é uma variável aleatória (amostral), que assume um dado valor i cocreto x para cada amostra A i. Desiga-se por estimativa o valor que uma estatística assume para uma dada amostra cocreta.

9 uma amostra aleatória de uma v.a. e x x os valores cocretos assumidos por essa amostra. Seja H uma fução defiida sobre a -upla ( x,x,..., x ). Defie-se Y = H(,,..., ) como uma estatística, que assume o valor y = H( x,x,..., x ). Isto é, uma estatística é uma fução real da amostra. Etão, uma estatística é uma variável aleatória e fará setido falar da sua distribuição de probabilidade, do seu valor esperado e da variâcia. Seja (,,..., ) sejam (,x,..., ) Sempre que uma v.a. for de facto uma estatística, isto é, uma fução da amostra, desiga-se a sua distribuição de probabilidade por distribuição amostral. 69 uma amostra aleatória de uma v.a.. Algumas estatísticas importates são: Seja (,,..., ) Média amostral : = i i= Variâcia amostral : S = ( ) i= Proporção amostral de uma população de Beroulli: Y P = em que Y represeta o º de elemetos de um dado tipo icluídos a amostra Míimo da amostra : K = mí (,,..., ) i

10 70 Máximo da amostra : M = máx(,,..., ) Amplitude da amostra : R = M K j ésima maior observação a amostra : ( j ) j=,,..., É óbvio que: j = j = ( ) = M ( ) = K DISTRIBUIÇÕES POR AMOSTRAGEM Como foi já referido existe uma difereça fudametal etre parâmetros e estatísticas. Efectivamete, para uma determiada população e uma dada variável aleatória sobre ela defiida, os parâmetros da distribuição correspodete (valor esperado, variâcia,...) são valores fixos. Por outro lado, as estatísticas (média amostral, variâcia amostral,...) variam de amostra para amostra. Dada esta variabilidade das estatísticas, que são afial ovas variáveis aleatórias, iteressa defiir a sua distribuição probabilística através das respectivas fuções de probabilidade ou desidade de probabilidade. As distribuições das estatísticas desigam-se por distribuições por amostragem ou distribuições amostrais.

11 Exemplo: Cosideremos uma população com 4 elemetos, que correspodem aos seguites valores da variável aleatória Y: {,4,6,6 }. A fução de probabilidade da variável aleatória Y, bem como o seu valor esperado e variâcia são: Y 4 6 P (Y = y) /4 /4 / E(Y) = µ Y =. (/4) + 4. (/4) + 6. (/) = 4,5 V(Y) = σ Y = ( 4,5). (/4) + (4 4,5). (/4) + + (6 4,5). (/) =,75 Pretede-se agora defiir a distribuição por amostragem de Y, média amostral, calculada com base em amostras de dimesão obtidas por um processo aleatório sem reposição. Cosiderado todas as amostras de dimesão que podem obter-se recorredo ao processo idicado, as respectivas médias amostrais e as correspodetes probabilidades de ocorrêcia, temos: Amostra y Prob. de ocorrêcia,4 3 /4. /3 = /,6 4 /4. /3 = / 4, 3 /4. /3 = / 4,6 5 /4. /3 = / 6, 4 /4. /3 = / 6,4 5 /4. /3 = / 6,6 6 /4. /3 = / A partir desta tabela podemos obter a fução de probabilidade da média amostral, isto é, a distribuição de Y. 7

12 7 Y P (Y = y ) /6 /3 /3 /6 Cocluido-se que: E(Y ) = µ = 3. (/6) + 4. (/3) + 5. (/3) + 6. (/6) = 4,5 Y V(Y ) = σ = (3 4,5). (/6) + (4 4,5). (/3) + Y + (5 4,5). (/3) + (6 4,5). (/6)= 0,97 Neste caso foi possível especificar de um modo simples, a distribuição por amostragem de Y a partir da distribuição da variável origial porque a população é bastate pequea. Se este método ão for aplicável, devido por exemplo à elevada dimesão da população, poderemos aida recorrer a métodos que os permitem obter de uma forma precisa ou aproximada a distribuição por amostragem de uma determiada estatística. Exemplo: ver aplicação de métodos aalíticos e teorema do limite cetral. Quado através de métodos aalíticos ão se cosegue deduzir a distribuição por amostragem de uma estatística, pode obter-se uma ideia aproximada (que pode até ser muito próxima) daquela distribuição recorredo ao método de Mote Carlo, que cosiste o seguite procedimeto:

13 73 i) Geram-se amostras aleatórias, costituídas por observações, de uma população com uma dada distribuição: ( ) x,x,...,x, ( x ',x ' ',...,x ), ( '' '' '' ) x,x,...,x,... ii) Calcula-se para cada amostra o valor particular da estatística: = ( ), t ' T( x ' ' ',x,...,x ) t T x,x,...,x =, t '' T( x '' '' '',x,...,x ) =,... iii) Com o cojuto dos valores particulares da ' '' estatística, t,t,t,..., costrói-se um histograma. iv) Toma-se para represetação (aproximada) da distribuição por amostragem o histograma a que pode ajustar-se uma fução desidade (fução probabilidade) ou a partir do qual se pode obter a média, a variâcia, a moda, os percetis, etc. O último problema a resolver cosiste em saber como gerar amostras aleatórias proveietes de uma população com uma dada distribuição. O problema é resolvido recorredo a úmeros aleatórios: gerados em computador (úmeros pseudo-aleatórios obtidos de um modo geral recorredo a geradores lieares

14 cogrueciais) ou a tabelas de úmeros aleatórios já dispoíveis. A geração de úmeros aleatórios é um assuto complexo e uma discussão detalhada deste tema está fora do âmbito da disciplia, porém, é de salietar a importâcia dos geradores de úmeros aleatórios que costituem o úcleo cetral da simulação computacioal. A geração de úmeros aleatórios com uma distribuição qualquer é coseguida a partir da geração e da trasformação de úmeros aleatórios de uma variável aleatória uiforme o itervalo (0,). 74 Método da Trasformação Iversa MÉTODO DA TRANSFORMAÇÃO INVERSA V.A. Cotíuas Admita-se que a variável aleatória é cotíua e tem uma fução de distribuição acumulada F com iversa F. Etão um algoritmo para gerar uma realização da variável aleatória é o seguite:

15 Dada a fução de distribuição acumulada F ( x) = P( x) ** Gerar uma realização u da v.a. U ~ U( 0, ) ** Obter a realização x = F ( x) da v.a.. 75 A figura abaixo ilustra o método da trasformação iversa para variáveis aleatórias cotíuas. u = F (x) u x EEMPLOS: i) Geração de realizações da distribuição uiforme U(a,b). Pretede-se assim determiar x F ( u) ~ U( a,b). = para o caso de

16 76 Atededo a que a fução de distribuição acumulada de ~ U( a,b) é: Fazedo u F ( x) 0 x < a x a F ( x) = a x b b a x > b = e resolvedo em ordem a x, obtém-se: x = a + u( b a) ii) Geração de realizações da distribuição expoecial E(λ). Pretede-se determiar x F ( u) ~ E( λ ). = para o caso de Atededo a que a fução de distribuição acumulada de ~ E( λ ) é: F ( x) = λx e x 0 0 x < 0 x Fazedo u F ( x) e λ obtém-se: = = e resolvedo em ordem a x,

17 77 x l = λ ( u) iii) Geração de realizações da distribuição ormal N( 0, ) Uma vez que ão é possível obter aaliticamete x = F ( u) recorre-se por exemplo ao método de Box e Muller que, a partir de duas realizações u e v de uma variável aleatória U~(0,) as trasforma em duas N 0, usado as ( ) observações ormais estadardizadas ( ) trasformações: x x ( ) = lu cos π v ( ) = lu se π v Se se preteder que as observações geradas sigam uma Y ~ N µ, σ, apeas distribuição ormal qualquer ( ) haverá que modificar coveietemete a expressão para x obtida ateriormete do seguite modo: y = µ + σ x MÉTODO DA TRANSFORMAÇÃO INVERSA V.A. Discretas Admita-se que a variável aleatória é discreta, que assume os valores x,x,... e que x < x <... Neste caso, a fução de distribuição acumulada F é dada por:

18 78 em que f ( x ) P( x ) ( ) ( ) ( ) F x = P x = f x i i x i < x = = é a fução de probabilidade. Etão um algoritmo para gerar uma realização da variável aleatória é o seguite: Dada a fução de distribuição acumulada F ( x) = P( x) ** Gerar uma realização u da v.a. U ~ U( 0, ) ** Determiar o meor iteiro positivo α tal que ( ) ** Obter a realização x = x α da v.a.. i u F x α A figura abaixo ilustra o método da trasformação iversa para variáveis aleatórias discretas. u = F (x) u x x x 3 x 4 x 5

19 79 EEMPLO: i) Geração de realizações da distribuição de Beroulli de parâmetro p. A fução de probabilidade da v.a. de Beroulli é como já vimos: p x = 0 p( x) = p x = 0 outros valores e a fução de distribuição acumulada é: 0 x < 0 F( x) = p 0 x < x Gerada uma realização u da v.a. U ~ U( 0, ) etão se 0 u p temos x = 0, se pelo cotrário p < u obtemos x =.

20 80 DISTRIBUIÇÃO DA MÉDIA AMOSTRAL ( DISTRIBUIÇÃO AMOSTRAL DE ) Para uma v.a., represetativa de uma dada população, e para amostras de dimesão, a média amostral é defiida como vimos, por: = i i= Atededo às propriedades do valor esperado temos : E i= ( ) = E = E = E( ) i= i i i= i = i= ( ) ( E( )) = E( ) E = isto é: µ = µ Para defiir a variâcia, é ecessário estabelecer a distição etre amostras aleatórias simples (população fiita com reposição ou população ifiita) e amostras aleatórias que ão sejam simples (população fiita sem reposição). No caso das amostras aleatórias simples, as variáveis i são idepedetes. Etão, atededo às propriedades da variâcia, temos que:

21 8 Var ( ) = Var = i Var i i = i= = ( ) Var( ) ( Var( )) Var = i= i = i= = Var ( ) ou seja: σ = σ Se as amostras aleatórias ão forem simples é possível demostrar que a variâcia da média amostral é dada por: N σ σ (população fiita, amostragem sem = N reposição). Em que N e represetam respectivamete a dimesão da população e da amostra. N O termo ( N ), desiga-se por factor de correcção N (ou de redução) para populações fiitas. De um modo geral este factor é iferior à uidade visto que < < N.

22 8 Nota: N : o factor de correcção tede para a uidade e a amostra, que se admite ter dimesão fiita, é aleatória simples, haja ou ão reposição. = : o factor de redução é igual à uidade. Neste caso, tedo a amostra apeas um elemeto, ão há qualquer difereça etre a amostragem com ou sem reposição. A média amostral coicide com a variável origial ( = ). N = : a amostra coicide com a população e portato a média amostral correspode ao valor esperado da variável origial, sedo portato uma costate. O factor de redução e a variâcia da média amostral são ulos. Calculado o valor esperado e a variâcia da média amostral, falta especificar a forma da distribuição de. Se ~ N( σ ) µ, etão a média amostral é uma combiação liear das variáveis todas elas com distribuição ( σ ) i N µ, e idepedetes etre si ( o facto de ser Normal presume que a população seja ifiita, e que portato, as amostras aleatórias sejam simples). Neste caso, como já vimos, a média amostral segue uma distribuição Normal.

23 Se a distribuição de ão for Normal, podemos recorrer ao teorema do limite cetral, o qual estabelece que a soma de v.a. idepedetes tede para a distribuição Normal quado, isto é: 83 N µ, σ µ σ ou N( 0,) DISTRIBUIÇÃO DA VARIÂNCIA AMOSTRAL ( DISTRIBUIÇÃO AMOSTRAL DE S ) Se a população em aálise for caracterizada por uma v.a. ( ) cotíua ~ N µ, σ e se desta população forem obtidas amostras aleatórias de dimesão com variâcia amostral S, etão podemos afirmar que: i) e S são idepedetes ii) A v.a.: S ~ χ σ As afirmações ateriores correspodem ao euciado de um teorema cuja demostração itegral está fora do âmbito desta disciplia. Podemos porém salietar algus aspectos dessa demostração.

24 84 Demostração: Comecemos por verificar que: i = ( ) = ( µ ). ( µ ) i i = i (ver) Se agora dividirmos ambos os membros da equação por obtemos: σ i = i µ σ = σ S + µ σ/ atededo a que: S = i = ( ) i Etão, com base os teoremas ateriormete apresetados temos o primeiro membro uma v.a. com distribuição quiquadrado com graus de liberdade e o segudo termo do segudo membro uma v.a. com distribuição qui-quadrado com grau de liberdade. Nota: Quado uma amostra aleatória i.i.d. é obtida de uma N µ, σ, as variáveis aleatórias: distribuição ( ) σ i = ( µ ) i ~ χ σ e ( ) ( ) S i = ~ χ σ i = Isto é, a substituição da média populacioal (µ) pela média amostral, resulta a perda de um grau de liberdade.

25 85 DISTRIBUIÇÃO DA PROPORÇÃO AMOSTRAL Y ( DISTRIBUIÇÃO AMOSTRAL DE P = ) Cosideremos uma população costituída apeas por elemetos de dois tipos. O valor p, que correspode à proporção de um dos dois tipos a população, desiga-se por proporção biomial (a proporção do outro tipo é q = p ). Se extrairmos uma amostra de dimesão desta população ela irá icluir y elemetos de um dos tipos. Etão y é uma proporção para uma dada amostra. Esta estimativa correspode a um valor particular da estatística (ou Y estimador) proporção amostral, P =. Se o processo de amostragem for aleatório simples (o que pressupõe que a população é ifiita ou caso cotrário, que a amostragem é efectuada com reposição) etão a v.a. Y, que represeta o úmero de elemetos de um dado tipo uma qualquer amostra, pode ser iterpretada como o úmero de sucessos em experiêcias de Beroulli. Como vimos já, esta situação Y apreseta uma distribuição b ~ (,p). O teorema do limite cetral permite-os afirmar que para valores de suficietemete elevados podemos aproximar a distribuição de Y por uma distribuição Normal com µ = p e σ = p ( p ). Etão podemos cocluir que: P = Y ~ N p, p ( p )

26 86 DISTRIBUIÇÃO DO MÁIMO E DO MÍNIMO DA AMOSTRA Seja uma variável aleatória com fução desidade de probabilidade f( x ) e fução de distribuição F ( x ). Dada uma amostra aleatória de tamaho de e sedo: ( ) = K Mí,,..., M ( ) = Máx,,..., Etão: ( ) = [ ] ( ) f m F (m) f m M ( ) = ( ) fk k F (k) f k Nota: Sugere-se a demostração destes resultados.

DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos:

DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos: 48 DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL LEI DOS GRANDES NÚMEROS Pretede-se estudar o seguite problema: À medida que o úmero de repetições de uma experiêcia cresce, a frequêcia relativa

Leia mais

Capítulo 5- Introdução à Inferência estatística.

Capítulo 5- Introdução à Inferência estatística. Capítulo 5- Itrodução à Iferêcia estatística. 1.1) Itrodução.(184) Na iferêcia estatística, aalisamos e iterpretamos amostras com o objetivo de tirar coclusões acerca da população de ode se extraiu a amostra.

Leia mais

Amostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?

Amostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença? Amostras Aleatórias e Distribuições Amostrais Probabilidade e Estatística: afial, qual é a difereça? Até agora o que fizemos foi desevolver modelos probabilísticos que se adequavam a situações reais. Por

Leia mais

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES. Sessão Prática 4: Amostragem

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES. Sessão Prática 4: Amostragem Mestrado Itegrado em Egeharia Civil Disciplia: TRNSPORTES Prof. Resposável: José Mauel Viegas Sessão Prática 4: mostragem Istituto Superior Técico / Mestrado Itegrado Egª Civil Trasportes ulas Práticas

Leia mais

Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Estimação pontual e intervalar

Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Estimação pontual e intervalar potual por itervalos Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos potual e itervalar Lic. Eg. Biomédica e Bioegeharia-2009/2010 potual por itervalos A Teoria das Probabilidades cosiste

Leia mais

Capítulo I Séries Numéricas

Capítulo I Séries Numéricas Capítulo I Séries Numéricas Capitulo I Séries. SÉRIES NÚMERICAS DEFINIÇÃO Sedo u, u,..., u,... uma sucessão umérica, chama-se série umérica de termo geral u à epressão que habitualmete se escreve u u...

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADE

DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÃO DE PROBABILIDADE Seja uma v.a. que assume os valores,,..., com probabilidade p, p,..., p associadas a cada elemeto de, sedo p p... p diz-se que está defiida

Leia mais

Cap. VI Histogramas e Curvas de Distribuição

Cap. VI Histogramas e Curvas de Distribuição TLF /11 Capítulo VI Histogramas e curvas de distribuição 6.1. Distribuições e histogramas. 6 6.. Distribuição limite 63 6.3. Sigificado da distribuição limite: frequêcia esperada e probabilidade de um

Leia mais

A Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através de evidências fornecidas por uma amostra.

A 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 Luiz Medeiros de Araujo Lima Filho Departameto de Estatística INTRODUÇÃO A Iferêcia Estatística é um cojuto de técicas que objetiva estudar a população

Leia mais

Probabilidades e Estatística LEIC-A, LEIC-T, LEGM, MA, MEMec

Probabilidades e Estatística LEIC-A, LEIC-T, LEGM, MA, MEMec Duração: 90 miutos Grupo I Probabilidades e Estatística LEIC-A, LEIC-T, LEGM, MA, MEMec Justifique coveietemete todas as respostas! 2 o semestre 2015/2016 30/04/2016 9:00 1 o Teste A 10 valores 1. Uma

Leia mais

Probabilidade II Aula 12

Probabilidade II Aula 12 Coteúdo Probabilidade II Aula Juho de 009 Desigualdade de Marov Desigualdade de Jese Lei Fraca dos Grades Números Môica Barros, D.Sc. Itrodução A variâcia de uma variável aleatória mede a dispersão em

Leia mais

DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia

DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia ROTEIRO DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL 1. Itrodução. Teorema Cetral do Limite 3. Coceitos de estimação potual 4. Métodos de estimação potual 5. Referêcias Estatística Aplicada à Egeharia 1 Estatística

Leia mais

Secção 1. Introdução às equações diferenciais

Secção 1. Introdução às equações diferenciais Secção. Itrodução às equações difereciais (Farlow: Sec..,.) Cosideremos um exemplo simples de um feómeo que pode ser descrito por uma equação diferecial. A velocidade de um corpo é defiida como o espaço

Leia mais

Probabilidade II Aula 9

Probabilidade II Aula 9 Coteúdo Probabilidade II Aula 9 Maio de 9 Môica Barros, D.Sc. Estatísticas de Ordem Distribuição do Máximo e Míimo de uma amostra Uiforme(,) Distribuição do Máximo e Míimo caso geral Distribuição das Estatísticas

Leia mais

Séquências e Séries Infinitas de Termos Constantes

Séquências e Séries Infinitas de Termos Constantes Capítulo Séquêcias e Séries Ifiitas de Termos Costates.. Itrodução Neste capítulo estamos iteressados em aalisar as séries ifiitas de termos costates. Etretato, para eteder as séries ifiitas devemos ates

Leia mais

CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA

CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA 1 CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA 1. Coceitos Básicos de Probabilidade Variável aleatória: é um úmero (ou vetor) determiado por uma resposta, isto é, uma fução defiida em potos do espaço

Leia mais

Mas o que deixou de ser abordado na grande generalidade desses cursos foi o estudo dos produtos infinitos, mesmo que só no caso numérico real.

Mas o que deixou de ser abordado na grande generalidade desses cursos foi o estudo dos produtos infinitos, mesmo que só no caso numérico real. Resumo. O estudo das séries de termos reais, estudado as disciplias de Aálise Matemática da grade geeralidade dos cursos técicos de liceciatura, é aqui estedido ao corpo complexo, bem como ao caso em que

Leia mais

Objetivo. Estimar a média µ de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra.

Objetivo. Estimar a média µ de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra. ESTIMAÇÃO PARA A MÉDIAM Objetivo Estimar a média µ de uma variável aleatória X, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Exemplos: µ : peso médio de homes

Leia mais

Variáveis Aleatórias e Distribuições de Probabilidade

Variáveis Aleatórias e Distribuições de Probabilidade PROBABILIDADES Variáveis Aleatórias e Distribuições de Probabilidade BERTOLO Fução de Probabilidades Vamos cosiderar um experimeto E que cosiste o laçameto de um dado hoesto. Seja a variável aleatória

Leia mais

Estimativa de Parâmetros

Estimativa de Parâmetros Estimativa de Parâmetros ENG09004 04/ Prof. Alexadre Pedott pedott@producao.ufrgs.br Trabalho em Grupo Primeira Etrega: 7/0/04. Plao de Amostragem - Cotexto - Tipo de dado, frequêcia de coleta, quatidade

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 1

MAE Introdução à Probabilidade e Estatística II Resolução Lista 1 MAE 229 - Itrodução à Probabilidade e Estatística II Resolução Lista 1 Professor: Pedro Moretti Exercício 1 (a) Fazer histograma usado os seguites dados: Distribuição de probabilidade da variável X: X

Leia mais

CAPÍTULO 6 ESTIMATIVA DE PARÂMETROS PPGEP. Introdução. Introdução. Estimativa de Parâmetros UFRGS

CAPÍTULO 6 ESTIMATIVA DE PARÂMETROS PPGEP. Introdução. Introdução. Estimativa de Parâmetros UFRGS CAPÍTULO 6 Itrodução Uma variável aleatória é caracterizada ou descrita pela sua distribuição de probabilidade. ETIMATIVA DE PARÂMETRO URG Em aplicações idustriais, as distribuições de probabilidade são

Leia mais

CAPÍTULO IV DESENVOLVIMENTOS EM SÉRIE

CAPÍTULO IV DESENVOLVIMENTOS EM SÉRIE CAPÍTUO IV DESENVOVIMENTOS EM SÉRIE Série de Taylor e de Mac-auri Seja f ) uma fução real de variável real com domíio A e seja a um poto iterior desse domíio Supoha-se que a fução admite derivadas fiitas

Leia mais

DFS Série Discreta de Fourier DFT Transformada Discreta de Fourier Convolução Circular

DFS Série Discreta de Fourier DFT Transformada Discreta de Fourier Convolução Circular Sistemas de Processameto Digital Egeharia de Sistemas e Iformática Ficha 4 5/6 4º Ao/ º Semestre DFS Série Discreta de Fourier DFT Trasformada Discreta de Fourier Covolução Circular Para calcular a DFT,

Leia mais

ÁLGEBRA. Licenciatura em Engenharia Electrotécnica e de Computadores LEEC Ano lectivo de 2002/2003

ÁLGEBRA. Licenciatura em Engenharia Electrotécnica e de Computadores LEEC Ano lectivo de 2002/2003 ÁLGEBRA Liceciatura em Egeharia Electrotécica e de Computadores LEEC Ao lectivo de 00/003 Apotametos para a resolução dos exercícios da aula prática 5 MATRIZES ELIMINAÇÃO GAUSSIANA a) Até se obter a forma

Leia mais

PROVA 1 27/10/ Os dados apresentados na seqüência mostram os resultados de colesterol

PROVA 1 27/10/ Os dados apresentados na seqüência mostram os resultados de colesterol PROVA 1 7/10/009 Nome: GABARITO 1. Os dados apresetados a seqüêcia mostram os resultados de colesterol mg /100ml em dois grupos de aimais. O grupo A é formado por 10 total ( ) aimais submetidos a um cotrole

Leia mais

Revisando... Distribuição Amostral da Média

Revisando... Distribuição Amostral da Média Estatística Aplicada II DISTRIBUIÇÃO AMOSTRAL MÉDIA AULA 08/08/16 Prof a Lilia M. Lima Cuha Agosto de 016 Revisado... Distribuição Amostral da Média Seja X uma v. a. de uma população com média µ e variâcia

Leia mais

ESTATÍSTICA. PROF. RANILDO LOPES U.E PROF EDGAR TITO

ESTATÍSTICA. PROF. RANILDO LOPES  U.E PROF EDGAR TITO ESTATÍSTICA PROF. RANILDO LOPES http://ueedgartito.wordpress.com U.E PROF EDGAR TITO Medidas de tedêcia cetral Medidas cetrais são valores que resumem um cojuto de dados a um úico valor que, de alguma

Leia mais

CAP. I ERROS EM CÁLCULO NUMÉRICO

CAP. I ERROS EM CÁLCULO NUMÉRICO CAP I ERROS EM CÁLCULO NUMÉRICO 0 Itrodução Por método umérico etede-se um método para calcular a solução de um problema realizado apeas uma sequêcia fiita de operações aritméticas A obteção de uma solução

Leia mais

Capítulo II - Sucessões e Séries de Números Reais

Capítulo II - Sucessões e Séries de Números Reais Capítulo II - Sucessões e Séries de Números Reais 2 Séries de úmeros reais Sabemos bem o que sigifica u 1 + u 2 + + u p = p =1 e cohecemos as propriedades desta operação - comutatividade, associatividade,

Leia mais

Experimento 1 Estudo da Lei de Hooke

Experimento 1 Estudo da Lei de Hooke Experimeto 1 Estudo da Lei de Hooke 1.1 Objetivos Físicos Verificação experimetal da lei de Hooke para uma mola helicoidal: Medida experimetal do módulo de rigidez do material μ. 1. Objetivos Didáticos

Leia mais

3.4.2 Cálculo da moda para dados tabulados. 3.4 Moda Cálculo da moda para uma lista Cálculo da moda para distribuição de freqüências

3.4.2 Cálculo da moda para dados tabulados. 3.4 Moda Cálculo da moda para uma lista Cálculo da moda para distribuição de freqüências 14 Calcular a mediaa do cojuto descrito pela distribuição de freqüêcias a seguir. 8,0 10,0 10 Sabedo-se que é a somatória das, e, portato, = 15+25+16+34+10 = 100, pode-se determiar a posição cetral /2

Leia mais

Seqüências e Séries. Notas de Aula 4º Bimestre/2010 1º ano - Matemática Cálculo Diferencial e Integral I Profª Drª Gilcilene Sanchez de Paulo

Seqüências e Séries. Notas de Aula 4º Bimestre/2010 1º ano - Matemática Cálculo Diferencial e Integral I Profª Drª Gilcilene Sanchez de Paulo Seqüêcias e Séries Notas de Aula 4º Bimestre/200 º ao - Matemática Cálculo Diferecial e Itegral I Profª Drª Gilcilee Sachez de Paulo Seqüêcias e Séries Para x R, podemos em geral, obter sex, e x, lx, arctgx

Leia mais

CÁLCULO DIFERENCIAL. Conceito de derivada. Interpretação geométrica

CÁLCULO DIFERENCIAL. Conceito de derivada. Interpretação geométrica CÁLCULO DIFERENCIAL Coceito de derivada Iterpretação geométrica A oção fudametal do Cálculo Diferecial a derivada parece ter sido pela primeira vez explicitada o século XVII, pelo matemático fracês Pierre

Leia mais

Cálculo II Sucessões de números reais revisões

Cálculo II Sucessões de números reais revisões Ídice 1 Defiição e exemplos Cálculo II Sucessões de úmeros reais revisões Mestrado Itegrado em Egeharia Aeroáutica Mestrado Itegrado em Egeharia Civil Atóio Beto beto@ubi.pt Departameto de Matemática Uiversidade

Leia mais

DERIVADAS DE FUNÇÕES11

DERIVADAS DE FUNÇÕES11 DERIVADAS DE FUNÇÕES11 Gil da Costa Marques Fudametos de Matemática I 11.1 O cálculo diferecial 11. Difereças 11.3 Taxa de variação média 11.4 Taxa de variação istatâea e potual 11.5 Primeiros exemplos

Leia mais

ESTIMAÇÃO DE PARÂMETROS

ESTIMAÇÃO DE PARÂMETROS ESTIMAÇÃO DE PARÂMETROS 1 Estimação de Parâmetros uiverso do estudo (população) dados observados O raciocíio idutivo da estimação de parâmetros Estimação de Parâmetros POPULAÇÃO p =? AMOSTRA Observações:

Leia mais

CORRELAÇÃO Aqui me tens de regresso

CORRELAÇÃO Aqui me tens de regresso CORRELAÇÃO Aqui me tes de regresso O assuto Correlação fez parte, acompahado de Regressão, do programa de Auditor Fiscal, até 998, desaparecedo a partir do cocurso do ao 000 para agora retorar soziho.

Leia mais

Teorema 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 Teorema do Limite Cetral, distribuição amostral, estimação por poto e itervalo de cofiaça Prof. Marcos Pó Métodos Quatitativos para Ciêcias Sociais Distribuição amostral Duas amostrages iguais oriudas

Leia mais

Estimação por Intervalo (Intervalos de Confiança):

Estimação por Intervalo (Intervalos de Confiança): Estimação por Itervalo (Itervalos de Cofiaça): 1) Itervalo de Cofiaça para a Média Populacioal: Muitas vezes, para obter-se a verdadeira média populacioal ão compesa fazer um levatameto a 100% da população

Leia mais

PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA

PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Aexo PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Uiversidade de Évora, Departameto de Egeharia Rural.. Itrodução Nehum processo hidrológico é puramete determiístico, isto é, ão é possível determiar

Leia mais

Sucessão ou Sequência. Sucessão ou seqüência é todo conjunto que consideramos os elementos dispostos em certa ordem. janeiro,fevereiro,...

Sucessão ou Sequência. Sucessão ou seqüência é todo conjunto que consideramos os elementos dispostos em certa ordem. janeiro,fevereiro,... Curso Metor www.cursometor.wordpress.com Sucessão ou Sequêcia Defiição Sucessão ou seqüêcia é todo cojuto que cosideramos os elemetos dispostos em certa ordem. jaeiro,fevereiro,...,dezembro Exemplo : Exemplo

Leia mais

Sinais de Tempo Discreto

Sinais de Tempo Discreto Siais de Tempo Discreto Siais defiidos em istates discretos do tempo t 0, t 1, t 2,..., t,... são siais de tempo-discreto, deotados pelos símbolos f(t ), x(t ), y(t )... (sedo um iteiro). x(t )... t 1

Leia mais

Teorema 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 Teorema do Limite Cetral, distribuição amostral, estimação por poto e itervalo de cofiaça Prof. Marcos Pó Métodos Quatitativos para Ciêcias Sociais Distribuição amostral Duas amostrages iguais oriudas

Leia mais

Introdução ao Qui-Quadrado

Introdução ao Qui-Quadrado Técicas Laboratoriais de Física Lic. Física e g. Biomédica 007/08 Capítulo X Teste do Qui-quadrado, Itrodução ao qui-quadrado Defiição geral do qui-quadrado Graus de liberdade e reduzido abilidade do 66

Leia mais

ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p

ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma amostra.

Leia mais

Estudando complexidade de algoritmos

Estudando complexidade de algoritmos Estudado complexidade de algoritmos Dailo de Oliveira Domigos wwwdadomicombr Notas de aula de Estrutura de Dados e Aálise de Algoritmos (Professor Adré Bala, mestrado UFABC) Durate os estudos de complexidade

Leia mais

APROXIMAÇÃO POR MÍNIMOS QUADRADOS. Consideremos a seguinte tabela de valores de uma função y = f(x):

APROXIMAÇÃO POR MÍNIMOS QUADRADOS. Consideremos a seguinte tabela de valores de uma função y = f(x): APROXIAÇÃO POR ÍNIOS QUADRADOS Cosideremos a seguite tabela de valores de uma fução y = f(x): i 3 x i 6 8 y i 8 Pretede-se estimar valores da fução em potos ão tabelados. Poderíamos utilizar o poliómio

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 0: Medidas de Dispersão (webercampos@gmail.com) MÓDULO 0 - MEDIDAS DE DISPERSÃO 1. Coceito: Dispersão é a maior ou meor diversificação dos valores de uma variável, em toro

Leia mais

Fundamentos de Análise Matemática Profª Ana Paula. Sequência Infinitas

Fundamentos de Análise Matemática Profª Ana Paula. Sequência Infinitas Fudametos de Aálise Matemática Profª Aa Paula Sequêcia Ifiitas Defiição 1: Uma sequêcia umérica a 1, a 2, a 3,,a,é uma fução, defiida o cojuto dos úmeros aturais : f : f a Notação: O úmero é chamado de

Leia mais

SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO DE CIÊNCIAS BIOLÓGICAS DECB

SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO DE CIÊNCIAS BIOLÓGICAS DECB Govero do Estado do Rio Grade do Norte Secretaria de Estado da Educação e da Cultura - SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO

Leia mais

) E X. ) = 0 2 ( 1 p ) p = p. ) E 2 ( X ) = p p 2 = p ( 1 p ) ( ) = i 1 n. ( ) 2 n E( X) = ( ) = 1 p ( ) = p V ( X ) = E ( X 2 E X

) E X. ) = 0 2 ( 1 p ) p = p. ) E 2 ( X ) = p p 2 = p ( 1 p ) ( ) = i 1 n. ( ) 2 n E( X) = ( ) = 1 p ( ) = p V ( X ) = E ( X 2 E X 3.5 A distribuição uiforme discreta Defiição: X tem distribuição uiforme discreta se cada um dos valores possíveis,,,, tiver fução de probabilidade P( X = i ) = e represeta-se por, i =,, 0, c.c. X ~ Uif

Leia mais

4.2 Numeração de funções computáveis

4.2 Numeração de funções computáveis 4. Numeração de fuções computáveis 4.1 Numeração de programas 4.2 Numeração de fuções computáveis 4.3 O método da diagoal 4.4 O Teorema s-m- Teresa Galvão LEIC - Teoria da Computação I 4.1 4.1 Numeração

Leia mais

1- Resolução de Sistemas Lineares.

1- Resolução de Sistemas Lineares. MÉTODOS NUMÉRICOS PR EQUÇÕES DIFERENCIIS PRCIIS 1- Resolução de Sistemas Lieares. 1.1- Matrizes e Vetores. 1.2- Resolução de Sistemas Lieares de Equações lgébricas por Métodos Exatos (Diretos). 1.3- Resolução

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPTO. DE ESTATÍSTICA LISTA 4 PROBABILIDADE A (CE068) Prof. Benito Olivares Aguilera

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPTO. DE ESTATÍSTICA LISTA 4 PROBABILIDADE A (CE068) Prof. Benito Olivares Aguilera UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EATAS DEPTO. DE ESTATÍSTICA LISTA 4 PROBABILIDADE A (CE068) Prof. Beito Olivares Aguilera 2 o Sem./09 1. Das variáveis abaixo descritas, assiale quais são

Leia mais

Um estudo das permutações caóticas

Um estudo das permutações caóticas Um estudo das permutações caóticas Trabalho apresetado como atividade do PIPE a disciplia Matemática Fiita do Curso de Matemática o 1º semestre de 2009 Fabrício Alves de Oliveira Gabriel Gomes Cuha Grégory

Leia mais

Capítulo VII: Soluções Numéricas de Equações Diferenciais Ordinárias

Capítulo VII: Soluções Numéricas de Equações Diferenciais Ordinárias Capítulo VII: Soluções Numéricas de Equações Difereciais Ordiárias 0. Itrodução Muitos feómeos as áreas das ciêcias egearias ecoomia etc. são modelados por equações difereciais. Supoa-se que se quer determiar

Leia mais

A finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra.

A finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra. Jaete Pereira Amador Itrodução A aálise de regressão tem por objetivo descrever através de um modelo matemático, a relação existete etre duas variáveis, a partir de observações dessas viráveis. A aálise

Leia mais

Análise de Regressão Linear Múltipla I

Análise de Regressão Linear Múltipla I Aálise de Regressão Liear Múltipla I Aula 04 Gujarati e Porter, 0 Capítulos 7 e 0 tradução da 5ª ed. Heij et al., 004 Capítulo 3 Wooldridge, 0 Capítulo 3 tradução da 4ª ed. Itrodução Como pode ser visto

Leia mais

APONTAMENTOS DE ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA

APONTAMENTOS DE ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA UNIVERSIDADE DO ALGARVE ESCOLA SUPERIOR DE TECNOLOGIA APONTAMENTOS DE ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA (IV ) ÁREA DEPARTAMENTAL DE ENGENHARIA CIVIL Ídice 4 4 Defiição e exemplos 4 Subespaços4 4 Cojutos

Leia mais

INFERÊNCIA. Fazer inferência (ou inferir) = tirar conclusões

INFERÊNCIA. Fazer inferência (ou inferir) = tirar conclusões INFERÊNCIA Fazer iferêcia (ou iferir) = tirar coclusões Iferêcia Estatística: cojuto de métodos de aálise estatística que permitem tirar coclusões sobre uma população com base em somete uma parte dela

Leia mais

Ajuste de Curvas pelo Método dos Quadrados Mínimos

Ajuste de Curvas pelo Método dos Quadrados Mínimos Notas de aula de Métodos Numéricos. c Departameto de Computação/ICEB/UFOP. Ajuste de Curvas pelo Método dos Quadrados Míimos Marcoe Jamilso Freitas Souza, Departameto de Computação, Istituto de Ciêcias

Leia mais

Exame MACS- Inferência-Intervalos.

Exame MACS- Inferência-Intervalos. Exame MACS- Iferêcia-Itervalos. No iício deste capítulo, surgem algumas ideias que devemos ter presetes: O objectivo da iferêcia estatística é usar uma amostra e tirar coclusões para toda a população.

Leia mais

Métodos Estatísticos de Previsão MÉTODOS ESTATÍSTICOS DE PREVISÃO. Regressão Linear. Bernardo Almada-Lobo

Métodos Estatísticos de Previsão MÉTODOS ESTATÍSTICOS DE PREVISÃO. Regressão Linear. Bernardo Almada-Lobo MÉTODO ETATÍTICO DE PREVIÃO 8 6 4 98 96 94 9 9 5 5 Regressão Liear Berardo Almada-Lobo Regressão A regressão é uma das técicas estatísticas mais potetes e de utilização mais frequete. É um método matemático

Leia mais

Material Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Soma de Elementos em Linhas, Colunas e Diagonais. Segundo Ano do Ensino Médio

Material Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Soma de Elementos em Linhas, Colunas e Diagonais. Segundo Ano do Ensino Médio Material Teórico - Módulo Biômio de Newto e Triagulo de Pascal Soma de Elemetos em Lihas, Coluas e Diagoais Segudo Ao do Esio Médio Autor: Prof Fabrício Siqueira Beevides Revisor: Prof Atoio Camiha M Neto

Leia mais

1. Revisão Matemática

1. Revisão Matemática Se x é um elemeto do cojuto Notação S: x S Especificação de um cojuto : S = xx satisfaz propriedadep Uião de dois cojutos S e T : S T Itersecção de dois cojutos S e T : S T existe ; para todo f : A B sigifica

Leia mais

Virgílio A. F. Almeida DCC-UFMG 1/2005

Virgílio A. F. Almeida DCC-UFMG 1/2005 Virgílio A. F. Almeida DCC-UFMG 1/005 !" # Comparado quatitativamete sistemas eperimetais: Algoritmos, protótipos, modelos, etc Sigificado de uma amostra Itervalos de cofiaça Tomado decisões e comparado

Leia mais

) x N(núcleos) = λ N desint./seg.

) x N(núcleos) = λ N desint./seg. FÍSICA NUCLEAR E PARTÍCULAS PERÍODOS DE SEMI - DESINTEGRAÇÃO (ACTIVAÇÃO COM NEUTRÕES) Um úcleo radioactivo, após a sua formação, pode decair em qualquer istate. Verifica-se que este processo de decaimeto

Leia mais

11 Aplicações da Integral

11 Aplicações da Integral Aplicações da Itegral Ao itroduzirmos a Itegral Defiida vimos que ela pode ser usada para calcular áreas sob curvas. Veremos este capítulo que existem outras aplicações. Essas aplicações estedem-se aos

Leia mais

CAPÍTULO 8 - Noções de técnicas de amostragem

CAPÍTULO 8 - Noções de técnicas de amostragem INF 6 Estatística I J.I.Ribeiro Júior CAPÍTULO 8 - Noções de técicas de amostragem. Itrodução A Estatística costitui-se uma excelete ferrameta quado existem problemas de variabilidade a produção. É uma

Leia mais

5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO

5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO 5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO 5.1 INTRODUÇÃO Um sistema é defiido como todo o cojuto de compoetes itercoectados, previamete determiados, de forma a realizar um cojuto

Leia mais

Métodos Estatísticos Aplicados à Economia I (GET00117) Variáveis Aleatórias Discretas

Métodos Estatísticos Aplicados à Economia I (GET00117) Variáveis Aleatórias Discretas Uiversidade Federal Flumiese Istituto de Matemática e Estatística Métodos Estatísticos Aplicados à Ecoomia I (GET00117) Variáveis Aleatórias Discretas Aa Maria Lima de Farias Departameto de Estatística

Leia mais

DETERMINANDO A SIGNIFICÂNCIA ESTATÍSTICA PARA AS DIFERENÇAS ENTRE MÉDIAS

DETERMINANDO A SIGNIFICÂNCIA ESTATÍSTICA PARA AS DIFERENÇAS ENTRE MÉDIAS DTRMINANDO A SIGNIFIÂNIA STATÍSTIA PARA AS DIFRNÇAS NTR MÉDIAS Ferado Lag da Silveira Istituto de Física - UFRGS lag@if.ufrgs.br O objetivo desse texto é apresetar através de exemplos uméricos como se

Leia mais

Hipótese Estatística. Tipos de Hipóteses

Hipótese Estatística. Tipos de Hipóteses Hipótese Estatística Hipótese, em estatística, é uma suposição formulada a respeito dos parâmetros de uma distribuição de probabilidade de uma ou mais populações. Podemos formular a hipótese que a produtividade

Leia mais

MEDIDAS DESCRITIVAS DE POSIÇÃO, TENDÊNCIA CENTRAL E VARIABILIDADE

MEDIDAS DESCRITIVAS DE POSIÇÃO, TENDÊNCIA CENTRAL E VARIABILIDADE MEDIDAS DESCRITIVAS DE POSIÇÃO, TENDÊNCIA CENTRAL E VARIABILIDADE 1 Estatística descritiva (Eploratória) PRIMEIRO PASSO: Tabelas (distribuição de frequêcia) e Gráficos. SEGUNDO PASSO: Cálculo de medidas

Leia mais

) E 2 ( X) = p p 2 = p( 1 p) ) = 0 2 ( 1 p) p = p ( ) = ( ) = ( ) = p. F - cara (sucesso) C - coroa (insucesso)

) E 2 ( X) = p p 2 = p( 1 p) ) = 0 2 ( 1 p) p = p ( ) = ( ) = ( ) = p. F - cara (sucesso) C - coroa (insucesso) 3.6 A distribuição biomial Defiição: uma eperiêcia ou prova de Beroulli é uma eperiêcia aleatória só com dois resultados possíveis (um deles chamado "sucesso" e o outro "isucesso"). Seja P(sucesso) = p,

Leia mais

APROXIMAÇÕES AO FILTRO IDEAL

APROXIMAÇÕES AO FILTRO IDEAL APROXIMAÇÕE AO FILTRO IDEAL INTRODUÇÃO No capítulo estudaram-se vários tipos de fuções de trasferêcia de primeira e de seguda ordem, que são ecessárias para realizar qualquer fução de trasferêcia Neste

Leia mais

Material Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Soma de Elementos em Linhas, Colunas e Diagonais. Segundo Ano do Ensino Médio

Material Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Soma de Elementos em Linhas, Colunas e Diagonais. Segundo Ano do Ensino Médio Material Teórico - Módulo Biômio de Newto e Triagulo de Pascal Soma de Elemetos em Lihas, Coluas e Diagoais Segudo Ao do Esio Médio Autor: Prof Fabrício Siqueira Beevides Revisor: Prof Atoio Camiha M Neto

Leia mais

Recredenciamento Portaria MEC 347, de D.O.U

Recredenciamento Portaria MEC 347, de D.O.U Portaria MEC 347, de 05.04.0 - D.O.U. 0.04.0. ESTATÍSTICA I / MÉTODOS QUANTITATIVOS E PROCESSO DECISÓRIO I / ESTATÍSTICA APLICADA À EDUCAÇÃO Elemetos de Probabilidade Quest(i) Ecotramos, a atureza, dois

Leia mais

Material Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Desenvolvimento Multinomial. Segundo Ano do Ensino Médio

Material Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Desenvolvimento Multinomial. Segundo Ano do Ensino Médio Material Teórico - Módulo Biômio de Newto e Triagulo de Pascal Desevolvimeto Multiomial Segudo Ao do Esio Médio Autor: Prof Fabrício Siqueira Beevides Revisor: Prof Atoio Camiha M Neto 1 Desevolvimeto

Leia mais

AULA Matriz inversa Matriz inversa.

AULA Matriz inversa Matriz inversa. Note bem: a leitura destes apotametos ão dispesa de modo algum a leitura ateta da bibliografia pricipal da cadeira ÓPICOS Matriz iversa. U 6 Chama-se a ateção para a importâcia do trabalho pessoal a realizar

Leia mais

Testes de Ajustamento (testes da bondade do ajustamento)

Testes de Ajustamento (testes da bondade do ajustamento) Testes de Ajustameto (testes da bodade do ajustameto) Os testes de ajustameto servem para testar a hipótese de que uma determiada amostra aleatória teha sido extraída de uma população com distribuição

Leia mais

A letra x representa números reais, portanto

A letra x representa números reais, portanto Aula 0 FUNÇÕES UFPA, 8 de março de 05 No ial desta aula, você seja capaz de: Saber dizer o domíio e a imagem das uções esseciais particularmete esta aula as uções potêcias; Fazer o esboço de gráico da

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Técnicas de Reamostragem

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Técnicas de Reamostragem Estatística: Aplicação ao Sesoriameto Remoto SER 202 - ANO 2016 Técicas de Reamostragem Camilo Daleles Reó camilo@dpi.ipe.br http://www.dpi.ipe.br/~camilo/estatistica/ Distribuição Amostral Testes paramétricos

Leia mais

Estatística Aplicada Medidas Resumo Apostila 4 Prof. Fábio Hipólito Aluno(a):

Estatística Aplicada Medidas Resumo Apostila 4 Prof. Fábio Hipólito Aluno(a): Medidas Resumo Apostila 4 Prof. Fábio Hipólito Aluo(a): # Objetivo desta aula: Calcular as medidas de tedêcia cetral: média, moda e mediaa para distribuições de frequêcias potuais e por itervalos de classes.

Leia mais

Exercício: Mediu-se os ângulos internos de um quadrilátero e obteve-se 361,4. Qual é o erro de que está afetada esta medida?

Exercício: Mediu-se os ângulos internos de um quadrilátero e obteve-se 361,4. Qual é o erro de que está afetada esta medida? 1. Tratameto estatísticos dos dados 1.1. TEORIA DE ERROS O ato de medir é, em essêcia, um ato de comparar, e essa comparação evolve erros de diversas origes (dos istrumetos, do operador, do processo de

Leia mais

1. Experiência Aleatória. Espaço de resultados. Acontecimentos.

1. Experiência Aleatória. Espaço de resultados. Acontecimentos. Eperiêcia Aleatória Espaço de Resultados Acotecimetos Noção de robabilidade Frequêcia Relativa Arrajos ermutações Combiações Aiomas de robabilidade 5 artição do Espaço Teorema da robabilidade Total robabilidade

Leia mais

Probabilidades num jogo aos dados

Probabilidades num jogo aos dados Técicas Laboratoriais de Física Lic. Física e Eg. Biomédica 007/08 Capítulo VIII Distribuição Biomial Probabilidades um jogo aos dados Defiição de uma Distribuição Biomial Propriedades da Distribuição

Leia mais

População x Amostra. statística descritiva X inferência estatística. Revisão de Estatística e Probabilidade

População x Amostra. statística descritiva X inferência estatística. Revisão de Estatística e Probabilidade Revisão de Estatística e Probabilidade Magos Martiello Uiversidade Federal do Espírito Sato - UFES Departameto de Iformática DI Laboratório de Pesquisas em Redes Multimidia LPRM statística descritiva X

Leia mais

10 INFERÊNCIA ESTATÍSTICA Testes de Hipóteses Introdução Lógica dos Testes de Hipóteses

10 INFERÊNCIA ESTATÍSTICA Testes de Hipóteses Introdução Lógica dos Testes de Hipóteses INE 700 - Iferêcia Estatística Testes de Hipóteses 0 INFERÊNCIA ESTATÍSTICA Testes de Hipóteses 0. - Itrodução Viu-se ateriormete que uma determiada população pode ser descrita através de um modelo probabilístico,

Leia mais

Testes de Hipóteses. Júlio Osório. Os dois campos da Análise Estatística. Métodos Estatísticos. Inferência Estatística. Estatística Descritiva

Testes de Hipóteses. Júlio Osório. Os dois campos da Análise Estatística. Métodos Estatísticos. Inferência Estatística. Estatística Descritiva Testes de Hipóteses Júlio Osório Os dois campos da Aálise Estatística Métodos Estatísticos Estatística Descritiva Iferêcia Estatística Estimativa Testes de Hipóteses 1 Exemplo Ilustrativo Mediram-se os

Leia mais

Séries e aplicações15

Séries e aplicações15 Séries e aplicações5 Gil da Costa Marques Fudametos de Matemática I 5. Sequêcias 5. Séries 5. Séries especiais 5.4 Arquimedes e a quadratura da parábola 5.5 Sobre a Covergêcia de séries 5.6 Séries de Taylor

Leia mais

Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.

Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005. Ageda Aálise e Técicas de Algoritmos Jorge Figueiredo Relação de de Recorrêcia Derivado recorrêcia Resolvedo recorrêcia Aálise de de algoritmos recursivos Aálise de de Algoritmos Recursivos Itrodução A

Leia mais

Capítulo 3. Sucessões e Séries Geométricas

Capítulo 3. Sucessões e Séries Geométricas Capítulo 3 Sucessões e Séries Geométricas SUMÁRIO Defiição de sucessão Mootoia de sucessões Sucessões itadas (majoradas e mioradas) Limites de sucessões Sucessões covergetes e divergetes Resultados sobre

Leia mais

Prova-Modelo de Matemática

Prova-Modelo de Matemática Prova-Modelo de Matemática PROVA Págias Esio Secudário DURAÇÃO DA PROVA: miutos TOLERÂNCIA: miutos Cotações GRUPO I O quarto úmero de uma certa liha do triâgulo de Pascal é. A soma dos quatro primeiros

Leia mais

Licenciatura em Economia REVISÃO DE ALGUNS CONCEITOS EM ESTATÍSTICA. Luís Filipe Martins.

Licenciatura em Economia REVISÃO DE ALGUNS CONCEITOS EM ESTATÍSTICA. Luís Filipe Martins. 1 Ecoometria e Métodos de Modelização I Liceciatura em Ecoomia REVISÃO DE ALGUNS CONCEITOS EM ESTATÍSTICA Luís Filipe Martis luis.martis@iscte.pt http://home.iscte.pt/~lfsm Departameto de Métodos Quatitativos,

Leia mais

Função Logarítmica 2 = 2

Função Logarítmica 2 = 2 Itrodução Veja a sequêcia de cálculos aaio: Fução Logarítmica = = 4 = 6 3 = 8 Qual deve ser o valor de esse caso? Como a fução epoecial é estritamete crescete, certamete está etre e 3. Mais adiate veremos

Leia mais

Aula 5 de Bases Matemáticas

Aula 5 de Bases Matemáticas Aula 5 de Bases Matemáticas Rodrigo Hause de julho de 04 Pricípio da Idução Fiita. Versão Fraca Deição (P.I.F., versão fraca) Seja p() uma proposição aberta o uiverso dos úmeros aturais. SE valem ambas

Leia mais

Distribuição de Bernoulli

Distribuição de Bernoulli Algumas Distribuições Discretas Cálculo das Probabilidades e Estatística I Prof. Luiz Medeiros Departameto de Estatística UFPB Distribuição de Beroulli Na prática muitos eperimetos admitem apeas dois resultados

Leia mais

lim Px ( ) 35 x 5 ), teremos Px ( ) cada vez mais próximo de 35 (denotaremos isso da forma Px ( ) 35 ). UNIVERSIDADE FEDERAL DA PARAÍBA CAMPUS IV-CCAE

lim Px ( ) 35 x 5 ), teremos Px ( ) cada vez mais próximo de 35 (denotaremos isso da forma Px ( ) 35 ). UNIVERSIDADE FEDERAL DA PARAÍBA CAMPUS IV-CCAE CURSO DISCIPLINA PROFESSOR I) Itrodução ao Limite de uma Fução UNIVERSIDADE FEDERAL DA PARAÍBA CAMPUS IV-CCAE LICENCIATURA EM MATEMÁTICA CÁLCULO DIFERENCIAL E INTEGRAL I Limite de uma Fução José Elias

Leia mais