AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM
|
|
- Washington Caiado Botelho
- 6 Há anos
- Visualizações:
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:
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 maisbinomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal.
biomial seria quase simétrica. Nestas codições será também melhor a aproximação pela distribuição ormal. Na prática, quado e p > 7, a distribuição ormal com parâmetros: µ p 99 σ p ( p) costitui uma boa
Leia maisESTIMAÇÃO POR INTERVALO (INTERVALOS DE CONFIANÇA)
06 ETIMÇÃO OR INTERVLO (INTERVLO DE CONINÇ) Cada um dos métodos de estimação potual permite associar a cada parâmetro populacioal um estimador. Ora a cada estimador estão associadas tatas estimativas diferetes
Leia maisn ) uma amostra aleatória da variável aleatória X.
- Distribuições amostrais Cosidere uma população de objetos dos quais estamos iteressados em estudar uma determiada característica. Quado dizemos que a população tem distribuição FX ( x ), queremos dizer
Leia maisCapítulo 5- Introdução à Inferência estatística. (Versão: para o manual a partir de 2016/17)
Capítulo 5- Itrodução à Iferêcia estatística. (Versão: para o maual a partir de 2016/17) 1.1) Itrodução.(222)(Vídeo 39) Na iferêcia estatística, aalisamos e iterpretamos amostras com o objetivo de tirar
Leia maisCapítulo 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 maisAmostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?
Amostras Aleatórias e Distribuições Amostrais Probabilidade e Estatística: afial, qual é a difereça? Até agora o que fizemos foi desevolver modelos probabilísticos que se adequavam a situações reais. Por
Leia maisDistribuições de Estatísticas Amostrais e Teorema Central do Limite
Distribuições de Estatísticas Amostrais e Teorema Cetral do Limite Vamos começar com um exemplo: A mega-sea de 996 a N 894 úmeros de a 6: Média: m 588 Desvio padrão: 756 49 amostras de 6 elemetos Frequêcia
Leia maisEstatística para Economia e Gestão REVISÕES SOBRE VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS
Estatística para Ecoomia e Gestão REVISÕES SOBRE VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS Primavera 008/009 Variável Aleatória: Defiição: uma variável aleatória é uma fução que atribui a cada elemeto
Leia maisb) Fabrico de peças cilíndricas Capítulo 5 - Distribuições conjuntas de probabilidades e complementos X - comprimento da peça Y - diâmetro da peça
Capítulo 5 - Distribuições cojutas de probabilidades e complemetos 5.1 Duas variáveis aleatórias discretas. Distribuições cojutas, margiais e codicioais. Idepedêcia Em relação a uma mesma eperiêcia podem
Leia maisMestrado 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 maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Itervalo Amostragem e iferêcia estatística População: cosiste a totalidade das observações em que estamos iteressados. Nº de observações a população é deomiado tamaho=n. Amostra:
Leia maisDistribuições Amostrais
7/3/07 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/07/07 09:3 ESTATÍSTICA APLICADA I - Teoria
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Estimação pontual e intervalar
potual por itervalos Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos potual e itervalar Lic. Eg. Biomédica e Bioegeharia-2009/2010 potual por itervalos A Teoria das Probabilidades cosiste
Leia maisLista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação
Assuto: Propriedade dos Estimadores e Métodos de Estimação. ANPEC 08 - Questão 6 Por regulametação, a cocetração de um produto químico ão pode ultrapassar 0 ppm. Uma fábrica utiliza esse produto e sabe
Leia maisDistribuições Amostrais
9/3/06 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/09/06 3:38 ESTATÍSTICA APLICADA I - Teoria
Leia maisProf. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL
Prof. Fabrício Maciel Gomes Departameto de Egeharia Química Escola de Egeharia de Lorea EEL Referêcias Bibliográficas Sistema de Avaliação Duas Provas teóricas Um Trabalho em Grupo MédiaFial 0,4 P 0,4
Leia maisPropriedades: Notação: X ~ U(α, β). PRINCIPAIS MODELOS CONTÍNUOS
0 CONTÍNUOS PRINCIPAIS MODELOS Notação: ~ U(α β). Propriedades: Eemplo A dureza de uma peça de aço pode ser pesada como sedo uma variável aleatória uiforme o itervalo (5070) uidades. Qual a probabilidade
Leia maisAULA Subespaço, Base e Dimensão Subespaço.
Note bem: a leitura destes apotametos ão dispesa de modo algum a leitura ateta da bibliografia pricipal da cadeira TÓPICOS Subespaço. ALA Chama-se a ateção para a importâcia do trabalho pessoal a realizar
Leia maisCapítulo 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 maisA DESIGUALDADE DE CHEBYCHEV
A DESIGUALDADE DE CHEBYCHEV Quado se pretede calcular a probabilidade de poder ocorrer determiado acotecimeto e se cohece a distribuição probabilística que está em causa o problema, ão se colocam dificuldades
Leia maisDistribuições Amostrais
Distribuições Amostrais O problema da iferêcia estatística: fazer uma afirmação sobre os parâmetros da população θ (média, variâcia, etc) através da amostra. Usaremos uma AAS de elemetos sorteados dessa
Leia mais1 Distribuições Amostrais
1 Distribuições Amostrais Ao retirarmos uma amostra aleatória de uma população e calcularmos a partir desta amostra qualquer quatidade, ecotramos a estatística, ou seja, chamaremos os valores calculados
Leia maisMQI 2003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE Teste 2 07/07/2008 Nome: PROBLEMA 1 Sejam X e Y v.a. contínuas com densidade conjunta:
MQI 003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 07/07/008 Nome: PROBLEMA Sejam X e Y v.a. cotíuas com desidade cojuta: f xy cy xy x y (, ) = + 3 ode 0 e 0 a) Ecotre a costate c que faz desta
Leia maisSumário. 2 Índice Remissivo 17
i Sumário 1 Itrodução à Iferêcia Estatística 1 1.1 Defiições Básicas................................... 1 1.2 Amostragem....................................... 2 1.2.1 Tipos de Amostragem.............................
Leia mais6.1 Estimativa de uma média populacional: grandes amostras. Definição: Um estimador é uma característica amostral (como a média amostral
6 ESTIMAÇÃO 6.1 Estimativa de uma média populacioal: grades amostras Defiição: Um estimador é uma característica amostral (como a média amostral x ) utilizada para obter uma aproximação de um parâmetro
Leia maisTRANSPORTES. Sessão Prática 4 Amostragem de escalares
Mestrado Itegrado em Egeharia Civil TRNPORTE Prof. Resposável: Luis Picado atos essão Prática 4 mostragem de escalares Istituto uperior Técico / Mestrado Itegrado Egeharia Civil Trasportes ulas Práticas
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semaas 1 2 3 4 5 6 7 8 9 1 11 12 13 14 15 e 16 Itrodução à probabilidade evetos
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÃO DE PROBABILIDADE Seja uma v.a. que assume os valores,,..., com probabilidade p, p,..., p associadas a cada elemeto de, sedo p p... p diz-se que está defiida
Leia mais3. Seja C o conjunto dos números complexos. Defina a soma em C por
Eercícios Espaços vetoriais. Cosidere os vetores = (8 ) e = ( -) em. (a) Ecotre o comprimeto de cada vetor. (b) Seja = +. Determie o comprimeto de. Qual a relação etre seu comprimeto e a soma dos comprimetos
Leia maisNOTAS DE AULA: DISTRIBUIÇÃO AMOSTRAL E INTERVALOS DE CONFIANÇA
NOTAS DE AULA: DISTRIBUIÇÃO AMOSTRAL E INTERVALOS DE CONFIANÇA Objetivos da aula: Compreeder que um estimador é uma variável aleatória e, portato, pode-se estabelecer sua distribuição probabilística; Estabelecer
Leia maisIntrodução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ...
Itrodução Exemplos Para curar uma certa doeça existem quatro tratametos possíveis: A, B, C e D. Pretede-se saber se existem difereças sigificativas os tratametos o que diz respeito ao tempo ecessário para
Leia maisCap. VI Histogramas e Curvas de Distribuição
TLF /11 Capítulo VI Histogramas e curvas de distribuição 6.1. Distribuições e histogramas. 6 6.. Distribuição limite 63 6.3. Sigificado da distribuição limite: frequêcia esperada e probabilidade de um
Leia maisObtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n.
Vamos observar elemetos, extraídos ao acaso e com reposição da população; Para cada elemeto selecioado, observamos o valor da variável X de iteresse. Obtemos, etão, uma amostra aleatória de tamaho de X,
Leia maisEstimação da média populacional
Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ NOTAS DE AULA PROFa. SONIA MÜLLER
PROBABILIDADE. DEFINIÇÕES BÁSICAS:.- INTRODUÇÃO: UNIVERSIDADE FEDERAL DO PARANÁ NOTAS DE AULA PROFa. SONIA MÜLLER PROBABILIDADE POPULAÇÃO AMOSTRA ESTATÍSTICA Uiverso : Ω ou U Vazio: Uião: A B Itersecção:
Leia maisProbabilidade II Aula 12
Coteúdo Probabilidade II Aula Juho de 009 Desigualdade de Marov Desigualdade de Jese Lei Fraca dos Grades Números Môica Barros, D.Sc. Itrodução A variâcia de uma variável aleatória mede a dispersão em
Leia maisTeoria Elementar da Probabilidade
10 Teoria Elemetar da Probabilidade MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado o acaso iterfere a ocorrêcia de um ou mais dos resultados os quais tal processo
Leia maisSucessões. , ou, apenas, u n. ,u n n. Casos Particulares: 1. Progressão aritmética de razão r e primeiro termo a: o seu termo geral é u n a n1r.
Sucessões Defiição: Uma sucessão de úmeros reais é uma aplicação u do cojuto dos úmeros iteiros positivos,, o cojuto dos úmeros reais,. A expressão u que associa a cada a sua imagem desiga-se por termo
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UB FUB/0 fa 5 4 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B correspode ao quartil cetral (Q ) da distribuição A.
Leia maisDISTRIBUIÇÃO 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 maisEstimadores de Momentos
Estimadores de Mometos A média populacioal é um caso particular daquilo que chamamos de mometo. Na realidade, ela é o primeiro mometo. Se X for uma v.a. cotíua, com desidade f(x; θ 1,..., θ r ), depededo
Leia maisAvaliação de Desempenho de Sistemas Discretos
Distribuições Comus Avaliação de Desempeho de Sistemas Discretos Probabilidade e Estatística 2 Uiforme Normal Poisso Hipergeométrica Biomial Studet's Geométrica Logormal Expoecial Beta Gamma Qui-Quadrado
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - 1o Ao 00 - a Fase Proposta de resolução GRUPO I 1. Como a probabilidade do João acertar em cada tetativa é 0,, a probabilidade do João acertar as tetativas é 0, 0, 0, 0,
Leia maisLista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas
. ANPEC 8 - Questão Seja x uma variável aleatória com fução desidade de probabilidade dada por: f(x) = x, para x f(x) =, caso cotrário. Podemos afirmar que: () E[x]=; () A mediaa de x é ; () A variâcia
Leia maisProbabilidades e Estatística
Departameto de Matemática robabilidades e Estatística LEGM, LEIC-A, LEIC-T, LEMat, MEBiom, MEFT, MEQ 2 o semestre 2011/2012 2 o Teste A 08/06/2012 9:00 Duração: 1 hora e 30 miutos Justifique coveietemete
Leia maisProbabilidades 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 maisEstatística. Estatística II - Administração. Prof. Dr. Marcelo Tavares. Distribuições de amostragem. Estatística Descritiva X Estatística Inferencial
Estatística II - Admiistração Prof. Dr. Marcelo Tavares Distribuições de amostragem Na iferêcia estatística vamos apresetar os argumetos estatísticos para fazer afirmações sobre as características de uma
Leia mais4 Teoria da Probabilidade
48 4 Teoria da Probabilidade Apresetam-se este capítulo coceitos de probabilidade e de estimação de fuções desidade de probabilidade ecessários ao desevolvimeto e compreesão do modelo proposto (capítulo
Leia mais; 2N 2N.! " j %.(1 & q)2 N & j.q j. j!(2n & j)!
DERIVA GENÉTICA Seja uma população de tamaho fiito N, costate ao logo das gerações; sejam aida p e q as freqüêcias dos alelos A e a de um loco autossômico a geração ; como o tamaho da população é costate,
Leia maisTeorema do limite central e es/mação da proporção populacional p
Teorema do limite cetral e es/mação da proporção populacioal p 1 RESULTADO 1: Relembrado resultados importates Seja uma amostra aleatória de tamaho de uma variável aleatória X, com média µ e variâcia σ.temos
Leia mais2.2. Séries de potências
Capítulo 2 Séries de Potêcias 2.. Itrodução Série de potêcias é uma série ifiita de termos variáveis. Assim, a teoria desevolvida para séries ifiitas de termos costates pode ser estedida para a aálise
Leia maisA Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através de evidências fornecidas por uma amostra.
UNIVERSIDADE FEDERAL DA PARAÍBA Distribuição Amostral Luiz Medeiros de Araujo Lima Filho Departameto de Estatística INTRODUÇÃO A Iferêcia Estatística é um cojuto de técicas que objetiva estudar a população
Leia maisSecção 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 maisSéries de Fourier. As séries de Fourier são séries cujos termos são funções sinusoidais.
Séries de Fourier As séries de Fourier são séries cujos termos são fuções siusoidais. Importâcia prática: uma fução periódica (em codições bastate gerais) pode ser represetada por uma série de Fourier;
Leia maisMas 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 maisCONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA
1 CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA 1. Coceitos Básicos de Probabilidade Variável aleatória: é um úmero (ou vetor) determiado por uma resposta, isto é, uma fução defiida em potos do espaço
Leia maisESCOLA BÁSICA DE ALFORNELOS
ESCOLA BÁSICA DE ALFORNELOS FICHA DE TRABALHO DE MATEMÁTICA 9.º ANO VALORES APROXIMADOS DE NÚMEROS REAIS Dado um úmero xe um úmero positivo r, um úmero x como uma aproximação de x com erro iferior a r
Leia maisEstatística. 7 - Distribuições Amostrais
Estatística 7 - Distribuições Amostrais 07 - Distribuição da Média Amostral Distribuição costituída de todos os valores de, cosiderado todas as possíveis amostras de tamaho i ( Ode,,..., são V.A. com mesma
Leia maisProbabilidades e Estatística
Departameto de Matemática Probabilidades e Estatística Primeiro exame/segudo teste 2 o semestre 29/21 Duração: 18/9 miutos Grupo I Justifique coveietemete todas as respostas. 17/6/21 9: horas 1. Com base
Leia maisInferência Estatística
Iferêcia Estatística opulação Amostra Itroduç Itrodução à Iferêcia Estatística Como tirar coclusões tomar decisões a partir de iformação parcial / icompleta (amostra) projectado /geeralizado resultados
Leia mais5 Teoria dos Valores Extremos
Teoria dos Valores Extremos 57 5 Teoria dos Valores Extremos A Teoria dos Valores Extremos vem sedo bastate utilizada em campos ligados a evetos raros. Sua estatística é aplicada a estimação de evetos
Leia maisSéquências e Séries Infinitas de Termos Constantes
Capítulo Séquêcias e Séries Ifiitas de Termos Costates.. Itrodução Neste capítulo estamos iteressados em aalisar as séries ifiitas de termos costates. Etretato, para eteder as séries ifiitas devemos ates
Leia maisStela Adami Vayego DEST/UFPR
Resumo 0 Estimação de parâmetros populacioais 9.. Itrodução Aqui estudaremos o problema de avaliar certas características dos elemetos da população (parâmetros), com base em operações com os dados de uma
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 miutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique coveietemete todas as respostas 1 o semestre 2018/2019 30/01/2019 15:00 2 o Teste C 10 valores 1. Seja X X 1, X 2,...,
Leia maisDisciplina: TRANSPORTES. Sessão Prática 4 (Tipo A): Amostragem
Mestrado Itegrado em Egeharia Civil Disciplia: TRANSPORTES Prof. Resposável: José Mauel Viegas Sessão Prática 4 (Tipo A): Amostragem 008 / 009 Istituto Superior Técico / Mestrado Itegrado Egª Civil Trasportes
Leia maisAprendizagem de Máquina
predizagem de Máquia Modelos de Mistura lgoritmo EM Estimação semi-paramétrica de desidade abordagem paramétrica para estimação de desidade supõe que a amostra X é extraída de uma distribuição que segue
Leia maisDistribuição Amostral da Média: Exemplos
Distribuição Amostral da Média: Eemplos Talvez a aplicação mais simples da distribuição amostral da média seja o cálculo da probabilidade de uma amostra ter média detro de certa faia de valores. Vamos
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 miutos Grupo I robabilidades e Estatística TODOS OS CURSOS Justifique coveietemete todas as respostas 2 o semestre 2016/2017 05/07/2017 15:00 2 o Teste C 10 valores 1. Admita que a proporção
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A I I PARTE
FACULDADE DE ECONOMIA DO PORTO Liceciatura em Ecoomia E C O N O M E T R I A I (LEC0) Exame Fial 0 de Jaeiro de 00 RESOLUÇÃO: I PARTE I GRUPO a) Dispoível uma amostra de observações de Y para períodos cosecutivos,
Leia mais1 Estimação de Parâmetros
1 Estimação de arâmetros Vários tipos de estudos tem o objetivo de obter coclusões fazer iferêcias a respeito de parâmetros de uma população. A impossibilidade de avaliar toda a população faz com que a
Leia maisExame Final Nacional de Matemática Aplicada às Ciências Sociais a Fase
Exame Fial Nacioal de Matemática Aplicada às Ciêcias Sociais 006 -. a Fase Proposta de resolução 1. 1.1. 1.1.1. Utilizado a iformação da tabela dada e idetificado o úmero de votos de cada partido com a
Leia maisInstruções gerais sobre a Prova:
DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2012/2013 Istruções gerais sobre a Prova: (a) Cada questão respodida corretamete vale 1 (um) poto. (b) Cada
Leia maisCAPÍTULO 6 ESTIMATIVA DE PARÂMETROS PPGEP. Introdução. Introdução. Estimativa de Parâmetros UFRGS
CAPÍTULO 6 Itrodução Uma variável aleatória é caracterizada ou descrita pela sua distribuição de probabilidade. ETIMATIVA DE PARÂMETRO URG Em aplicações idustriais, as distribuições de probabilidade são
Leia maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 miutos Grupo I Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ Justifique coveietemete todas as respostas 1 o semestre 2017/2018 11/01/2018
Leia maisEstimativa de Parâmetros
Estimativa de Parâmetros ENG09004 04/ Prof. Alexadre Pedott pedott@producao.ufrgs.br Trabalho em Grupo Primeira Etrega: 7/0/04. Plao de Amostragem - Cotexto - Tipo de dado, frequêcia de coleta, quatidade
Leia maisESTIMAÇÃO PARA A MÉDIA
ESTIMAÇÃO PARA A MÉDIA Objetivo Estimar a média de uma variável aleatória, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Vamos observar elemetos, extraídos ao
Leia maisEPR 007 Controle Estatístico de Qualidade
EP 7 Cotrole Estatístico de Qualidade Prof. Dr. Emerso José de Paiva Gráficos e tabelas origiadas de Costa, Epprecht e Carpietti (212) 1 Num julgameto, ifelizmete, um iocete pode ir pra cadeia, assim como
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Esperaça de uma Variável Aleatória 1 1.1 Variáveis aleatórias idepedetes........................... 1 1.2 Esperaça matemática................................. 1 1.3 Esperaça de uma Fução de
Leia maisVariáveis 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 maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 2
MAE 9 - Itrodução à Probabilidade e Estatística II Resolução Lista Professor: Pedro Moretti Exercício 1 Deotado por Y a variável aleatória que represeta o comprimeto dos cilidros de aço, temos que Y N3,
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) PROJETO FATORIAL 2 k COMPLETO E REPLICADO. Dr. Sivaldo Leite Correia
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) PROJETO FATORIAL 2 k COMPLETO E REPLICADO Dr. Sivaldo Leite Correia CONCEITOS, LIMITAÇÕES E APLICAÇÕES Nos tópicos ateriores vimos as estratégias geeralizadas para
Leia maisCAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES
CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES 6. INTRODUÇÃO INFERÊNCIA ESTATÍSTICA Estimação por poto por itervalo Testes de Hipóteses População X θ =? Amostra θ Iferêcia Estatística X, X,..., X 6. ESTIMAÇÃO
Leia mais1. Dados: Deve compreender-se a natureza dos dados que formam a base dos procedimentos
9. Testes de Hipóteses 9.. Itrodução Uma hipótese pode defiir-se simplesmete como uma afirmação acerca de uma mais populações. Em geral, a hipótese se refere aos parâmetros da população sobre os quais
Leia maisProbabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC
Duração: 90 miutos Grupo I Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC Justifique coveietemete todas as respostas o semestre 207/208 8//207 :00 o Teste B 0 valores. Um teste
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 miutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique coveietemete todas as respostas o semestre 017/018 04/07/018 15:00 o Teste C 10 valores 1. Admita que os tempos (em cetea
Leia maisProbabilidade II Aula 9
Coteúdo Probabilidade II Aula 9 Maio de 9 Môica Barros, D.Sc. Estatísticas de Ordem Distribuição do Máximo e Míimo de uma amostra Uiforme(,) Distribuição do Máximo e Míimo caso geral Distribuição das Estatísticas
Leia maisCAP. 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 maisCONHECIMENTOS ESPECÍFICOS
Acerca dos coceitos de estatística e dos parâmetros estatísticos, julgue os ites seguites. CONHECIMENTOS ESPECÍFICOS CESPE/UB STM 67 A partir do histograma mostrado a figura abaixo, é correto iferir que
Leia maisÁLGEBRA. 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 maisTeoria da Estimação 1
Teoria da Estimação 1 Um dos pricipais objetivos da estatística iferecial cosiste em estimar os valores de parâmetros populacioais descohecidos (estimação de parâmetros) utilizado dados amostrais. Etão,
Leia maisCapítulo 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 maisDFS 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 maisIntervalos de Confiança
Itervalos de Cofiaça Prof. Adriao Medoça Souza, Dr. Departameto de Estatística - PPGEMQ / PPGEP - UFSM - 0/9/008 Estimação de Parâmetros O objetivo da Estatística é a realização de iferêcias acerca de
Leia maisExperimento 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 maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Teoria da amostragem
Estatística: Aplicação ao Sesoriameto Remoto SER 04 - ANO 017 Teoria da amostragem Camilo Daleles Reó camilo@dpi.ipe.br http://www.dpi.ipe.br/~camilo/estatistica/ Algumas Cosiderações... É importate ter
Leia maisCaderno de Exercício 2
1 Cadero de Exercício Estimação Potual e Itervalos de Cofiaça 1. Exercícios Aulas 1. Exercício 8.6 do livro Statistics for Ecoomics ad Busiess. O úmero de adares vedidos em cada dia por uma empresa imobiliária
Leia maisCritérios de correção e orientações de resposta p-fólio
Miistério da Ciêcia, Tecologia e Esio Superior U.C. 037 Elemetos de Probabilidade e Estatística de Juho de 0 Critérios de correção e orietações de resposta p-fólio Neste relatório apresetam-se os critérios
Leia maisProbabilidades e Estatística / Introd. às Probabilidades e Estatística TODOS OS CURSOS
Probabilidades e Estatística / Itrod. às Probabilidades e Estatística TODOS OS CURSOS Exame Época Especial 7/8 3/7/7 9: Duração: 3 horas Justifique coveietemete todas as respostas Grupo I 5 valores. Uma
Leia maisNovo Espaço Matemática A 12.º ano Proposta de Teste [outubro ]
Proposta de Teste [outubro - 017] Nome: Ao / Turma: N.º: Data: / / Não é permitido o uso de corretor. Deves riscar aquilo que pretedes que ão seja classificado. A prova iclui um formulário. As cotações
Leia mais