CAPÍTULO 5: AMOSTRAGEM
|
|
- Luciano Bastos Barreiro
- 6 Há anos
- Visualizações:
Transcrição
1 CAPÍTULO 5: AMOSTRAGEM 5. Itrodução A estatístca dutva busca trar coclusões probablístcas ou fazer ferêcas, sobre populações, com base em resultados verfcados em amostras retradas dessas populações. Além de descrever coveetemete os dados da amostra, é ecessáro garatr que as amostras são obtdas por processos adequados, coferdo-lhes represetatvdade da população. Os problemas de amostragem podem ser mas ou meos complexos e sutís, depededo das populações e das varáves em estudo. Na dústra, ode amostras são frequetemete retradas para efeto de cotrole da qualdade dos produtos e materas, em geral, os problemas de amostragem são mas smples de resolver. Em pesqusas socas, ecoômcas ou de opão, a complexdade dos problemas de amostragem é geralmete bastate grade. A forma de selecoar uma amostra exge algumas cosderações. As observações colhdas uma amostra são tato mas formatvas sobre a população quato mas cohecemos esta mesma população. Por exemplo, a aálse da quatdade de glóbulos bracos obtda de algumas gotas de sague da pota do dedo de um pacete, dará uma déa geral da quatdade de glóbulos bracos o corpo todo, pos sabe-se que a dstrbução dos glóbulos bracos o corpo é mas ou meos homogêea, e de qualquer parte do corpo que seja retrada a amostra, ela será represetatva do todo (população). Porém em sempre a escolha de uma amostra represetatva é medata. Por exemplo, quado se retra uma amostra de habtates para saber sobre a acetação de um projeto goverametal, se escolhermos tecoalmete uma amostra de 00 dvíduos moradores de uma certa regão que será beefcada pelo projeto, saberemos de atemão que o resultado coterá um vés de seleção ; sto é, a amostra, a proporção de pessoas favoráves ao projeto deve ser maor do que o todo (população). Assm, a maera de se obter a amostra é tão mportate, e exstem tatos modos de fazê-la, que estes procedmetos costtuem uma especaldade detro da Estatístca, cohecda como Amostragem. Mas esses város procedmetos podem ser agrupados em dos grades grupos: os chamados plaos probablístcos e os plaos ão-probablístcos. 5. Amostragem Probablístca Exstem dos tpos de amostragem: a probablístca e a ão probablístca. A amostragem será probablístca se todos os elemetos da população tverem probabldade cohecda e dferete de zero, de pertecer à amostra; caso cotráro será ão probablístca. A amostragem probablístca mplca em se ter a população fta e totalmete acessível. 5.. Amostragem Casual Smples Smples ao acaso, aleatóra, casual smples, elemetar, radômca, é aquela em que todos os elemetos da população tem gual probabldade de pertecer à amostra e todas as possíves amostras tem gual probabldade de ocorrer. Sedo N o úero de elemetos da população e o úmero de elemetos da amostra, cada elemeto da população tem probabldade /N de pertecer à amostra. A relação /N deoma-se fração de amostragem, e sedo a amostragem feta sem reposção, exstem C N possíves amostras. Para escolher amostras casuas smples, costuma-se usar tabelas de úmeros aleatóros, que são coleções de dígtos costruídos aleatóramete e que smulam o processo de
2 sorteo. A tabela 5. apreseta um pequeo cojuto de úmeros aleatóros, cuja utlzação pode ser exemplfcada da segute maera: ao se desejar selecoar dez omes de uma lsta de 90 pessoas, deve-se começar umerado-os de 0, 0,..., 90. Em seguda, escolhese uma colua, por exemplo a prmera, e toma-se os dez prmeros úmeros; que o caso serão: 6, 94, 50, 5, 5, 63,, 38,, 07 No caso o 94 deve ser elmado, pos ão exste este úmero a população, e o 6 deverá aparecer repetdo, devedo ser substtuído. Exstem dversas tabelas de úmeros aleatóros, porém em algus casos deve-se fazer uma correlação etre os valores reas da população e os úmeros da tabela de úmeros aleatóros. Tabela 5. Números Aleatóros
3 3 Um outro etedmeto do sgfcado da amostra casual smples é dado da segute forma: cosderemos a stuação em que se levata todas as possíves amostras de tamaho, com reposção, da população [, 3, 5, 5, 7}. Defda a varável X valor assumdo pelo elemeto a população, tem-se que a dstrbução de X é dada a tabela 5.: Tabela 5.: Dstrbução de X valor assumdo pelo elemeto da população X P(X x) /5 /5 /5 /5 Idcado por X o úmero selecoado a prmera extração e por X o úmero extraído a seguda extração, vê-se que é possível escrever a dstrbução cojuta do par (X, X ). As dstrbuções margas de X e de X, são depedetes e guas à dstrbução de X. Assm, as 5 possíves amostras de tamaho que podemos extrar dessa população correspodem a observar uma partcular realzação da varável aleatóra (X, X ), X e X, depedetes e tas que P(X x) P(X x) para todo x, como dcado a tabela 5.3. Tabela 5.3: Dstrbução de (X, X ) X X Total /5 /5 /5 /5 /5 3 /5 /5 /5 /5 /5 5 /5 /5 4/5 /5 /5 7 /5 /5 /5 /5 /5 Total /5 /5 /5 /5 Uma amostra casual smples de tamaho de uma varavél aleatóra X com uma dada dstrbução é o cojuto de varáves aleatóras depedetes X, X,..., X, cada uma com a mesma dstrbução de X. Ou seja, a amostra será a -upla ordeada (X, X,..., X ), ode X dca a observação do -ésmo elemeto sorteado. 5.. Amostragem Sstemátca Quado os elemetos da população se apresetam ordeados e a retrada dos elemetos da amostra é feta perodcamete, tem-se a chamada amostragem sstemátca Amostragem por meo de coglomerados É quado a população apreseta uma subdvsão em pequeos grupos, chamados coglomerados e é possível e mutas vezes coveete, fazer-se a amostragem por meo desses coglomerados, a qual cosste em sortear um úmero sufcete de coglomerados, cujos elemetos costturão a amostra.
4 Amostragem Estratfcada Mutas vezes a população se dvde em sub-populações ou estratos, sedo razoável supor que, de estrato para estrato, a varável de teresse apresete um comportameto substacalmete dverso, tedo, etretato, comportameto razoavelmete homogêeo detro de cada estrato. A amostragem estratfcada cosste em especfcar quatos elemetos da amostra serão retrados de cada estrato. É de costume cosderar três tpos de amostragem estratfcada: uforme, proporcoal e ótma. Na amostragem estratfcada uforme, sortea-se gual úmero de elemetos de cada estrato; a proporcoal, o úmero de elemetos sorteados em cada estrato é proporcoal ao úmero de elemetos exstetes o estrato; a ótma, por sua vez, toma-se em cada estrato um úmero de elemetos proporcoal ao úmero de elemetos do estrato e também à varação da varável de teresse o estrato, medda pelo seu desvo padrão Amostragem Múltpla Neste caso a amostra é retrada em dversas etapas sucessvas. Depededo dos resultados observados, etapas suplemetares podem ser dspesadas. 5.3 Amostragem Não-Probablístca Amostras ão-probablístcas são também, mutas vezes empregadas em trabalhos estatístcos, por smplcdade ou por mpossbldade de se obter amostras probablístcas. A segur são apresetados algus casos deste tpo de amostragem Iacessbldade a toda a população Essa stuação ocorre com muta frequêca a prátca, obrgado a amostragem somete da parte acessível da população, defdo etão a dstção etre população-objeto e população-amostrada Amostragem a esmo ou sem orma É quado o amostrador, para smplfcar o processo, procura ser aleatóro sem, o etato, realzar o sorteo usado algum dspostvo aleatóro cofável População formada por materal cotíuo Neste caso é mpossível realzar amostragem probablístca devdo á mpratcabldade de um sorteo rgoroso. Se a população for líquda ou gasosa, o que costuma apresetar resultado satsfatóro, é homogeezá-la e retrar a amostra a esmo; o que às vezes também pode ser feto com materal sóldo. Outro procedmeto a ser empregado estes casos, especalmete quado a homogeezação ão é pratcável, é a equartação, a qual cosste em subdvdr a amostra em dversas partes (a orgem do ome pressupõe a dvsão em quatro partes), sorteado-se uma ou mas delas para costtur a amostra ou para delas retrar a amostra Amostras Itecoas É quado o amostrador, delberadamete, escolhe certos elemetos para pertecer à amostra, por julgá-los bem represetatvos da população. O pergo desta amostragem é grade pos o amostrador pode faclmete se equvocar em seu pré-julgameto.
5 5 5.4 Estatístcas e Parâmetros Do fato de os valores da amostra serem aleatóros, decorre que qualquer quatdade calculada em fução dos elemetos da amostra também será uma varável aleatóra. Os valores calculados em fução dos elemetos da amostra são chamados de Estatístcas. As estatístcas, sedo varáves aleatóras, terão alguma dstrbução de probabldade, com uma méda, uma varâca, etc. À dstrbução de probabldade de uma estatístca dá-se comumete o ome de Dstrbução Amostral ou Dstrbução por Amostragem. Os símbolos ão-dexados passarão a ser usados para parâmetros populacoas, ao passo que as formações correspodetes às dstrbuções amostras coterão uma dcação quato à estatístca à qual se referem. Os símbolos mas comus são dcados a tabela 5.4. Tabela 5.4: Símbolos mas comus Estatístca Parâmetro Méda x ou E(x) µ Varâca S σ Nº de elemetos N Proporção pˆ ou p p 5.5 Dstrbuções Amostras O coceto de dstrbução de probabldade, mutas vezes assocado à déa dâmca de varável aleatóra, pode ser esteddo às populações, e efetvamete será usado para descrevê-las. Supoha que se procura fazer uma afrmação sobre parâmetros da população, através da amostra. Seja este parâmetro, θ. Será usada uma amostra casual smples, com reposção, de elemetos sorteados dessa população. A decsão será baseada a estatístca T, que será uma fução da amostra (X, X,..., X ), ou seja, T ƒ(x, X,..., X ). Colhda uma amostra, pode-se observar um valor partcular de T, t 0, e baseado esse valor será feta a afrmação sobre θ, o parâmetro populacoal. A valdade da resposta sera melhor compreedda se fosse cohecdo o comportameto da estatístca T em todas as amostras da população. Isto é, qual a dstrbução de T quado (X, X,..., X ) assume todos os valores possíves. Esta dstrbução é chamada de dstrbução amostral da estatístca T. A fgura 5. apreseta esquematcamete este racocío: População Amostras Dstrbução Amostral X θ x k t t.. θ t. θ t k Fgura 5.: Dstrbução Amostral de T
6 Dstrbução amostral de x Determam-se as prcpas característcas da dstrbução amostral da estatístca x, méda de uma amostra de elemetos. Sedo a população fta ou a amostragem feta com reposção, resulta que os dversos valores da amostra podem ser cosderados como valores de varáves aleatóras depedetes, com a mesma dstrbução de probabldade da população, portato com a mesma méda µ e a mesma varâca σ da população. Da teora do cálculo de probabldades, sabe-se que: a) multplcado-se os valores de uma varável aleatóra por uma costate, a méda fca multplcada por essa costate; b) a méda de uma soma de varáves aleatóras é gual à soma das médas dessas varáves: x +... x ( x + x x ) ( x) E( x ) + E( x ) E( x ) (5.) E [ ] [ µ + µ µ ] [. µ ] µ (5.) Portato a méda em toro da qual devem varar os possíves valores da estatístca x é a própra méda da população. c) multplcado-se os valores de uma varável aleatóra por uma costate, a varâca fca multplcada pelo quadrado dessa costate; d) a varâca de uma soma de varáves aleatóras depedetes é gual à soma das varâcas: s ( x) [ s ( x ) + s ( x ) s ( x )] [ + σ... + σ ] σ σ σ (5.3) Portato a varâca com que se dspersam os possíves valores da estatístca x é vêzes meor do que a varâca da população de ode é retrada a amostra. Isto mostra que há detro da amostra uma atural compesação etre valores mas elevados e valores mas baxos, produzdo valores de x que tedem a ser tato mas próxmos da méda µ da população quato maor for o tamaho da amostra. Resulta medatamete que: s ( x) σ σ x (5.4) No caso de amostrages sem reposção de populações ftas, em que a depedêca etre os valores de x ão se verfca, demostra-se que: s ( x) σ N. N (5.5)
7 7 N ode N é o úmero de elemetos da população e o fator é chamado de fator de N população fta. Note-se que este fator tede à udade quado o tamaho da população tede ao fto. Quato à forma da dstrbução amostral de x, se a dstrbução da população for ormal, a dstrbução amostral de x será também ormal para qualquer tamaho de amostra, devdo ao teorema das combações leares de varáves ormas depedetes (que dz: uma varável aleatóra obtda pela combação lear de varáves aleatóras depedetes tem também dstrbução ormal). Na fgura 5. é represetado um caso geérco evolvedo a dstrbução amostral de x, o caso de população ormal. Fgura 5. Dstrbução amostral de x - população ormal Por outro lado, se a dstrbução da população ão for ormal, mas a amostra for sufcetemete grade, resultará, pelo teorema do lmte cetral (dz que: sob codções bastate geras, uma varável aleatóra, resultate de uma soma de varáves aleatóras depedetes, o lmte, quado tede para o fto, tem dstrbução ormal), que o caso de população fta ou amostragem com reposção, a dstrbução amostral de x será aproxmadamete ormal, pos o valor de x resultará de uma soma de um úmero grade de varáves aleatóras depedetes. Na fgura 5.3 é represetado um caso geérco evolvedo a dstrbução amostral de x, o caso de uma dstrbução populacoal ão-ormal.
8 8 Fgura 5.3 Dstrbução amostral de x - população ão-ormal e amostra sufcetemete grade 5.5. Dstrbuções Amostras de f e p A frequêca f é uma estatístca, pos é determada em fução dos elemetos da amostra. Para cada elemeto da amostra pode-se cosderar a ocorrêca de um sucesso, caso a característca desejada se verfque, e de um fracasso, caso cotráro. Seja p a probabldade de ocorrêca de sucesso para cada elemeto da amostra. Se a população é fta ou amostragem é feta com reposção, p é costate para todos os elemetos da amostra, e os resultados observados para todos eles serão depedetes. Nestas codções a dstrbução amostral de f será uma dstrbução bomal com parâmetros e p, e pelas suas propredades: E f (5.6) ( ) p s ( f ) p( p) (5.7) A frequêca relatva p, por sua vez, sedo smplesmete o quocete de f pelo tamaho da amostra, terá méda e varâca que são obtdas por: f E ( p' ) E µ ( f ) p p (5.8) s f ( p ) s ( f ) p( p) ( p) p σ (5.9) ' O tpo de dstrbução de p cotua, para todos os efetos, sedo uma dstrbução bomal, porém cujos possíves valores foram comprmdos etre 0 e, com tervalos de /, ao vés de vararem de 0 a, segudo os úmeros aturas. Sedo a amostra sufcetemete grade, pode-se aproxmar as dstrbuções de f e p por dstrbuções ormas de mesma méda e mesmo desvo padrão. Em termos prátcos, em
9 9 geral, podemos cosderar que a amostra será sufcetemete grade, para efeto dessa aproxmação, se p 5 e (-p) Dstrbução Amostral de s Dstrbução χ Graus de Lberdade de uma Estatístca A varâca de uma amostra é dada por: ( x) ( x x) s (5.0) A razão pela qual se recomeda usar - ao vés de, o deomador dessa expressão, está relacoada com o úmero de graus de lberdade dessa estatístca. A questão de graus de lberdade é, possvelmete, abstrata. Cosdere-se, por exemplo, as estatístcas x x / e ( ) / x µ. Essas estatístcas tem graus de lberdade, e de tal fato pode ser eteddo como dcado haver valores x lvres que devem ser cosderados para se poder calcular o valor da estatístca. Em outras palavras, descohecedo qualquer dos valores de x da amostra, ão se pode determar o valor da estatístca, pos todos os valores são lvres, podedo varar aleatoramete. s x, coforme dada acma, por usar x ao vés do parâmetro Já a estatístca ( ) populacoal µ, tem um grau de lberdade a meos. Isso porque o cálculo dessa estatístca pressupõe que aterormete já se teha calculado x, quado já se tera usado uma vez todos os valores da amostra, os quas estaram sedo usados pela seguda vez para o cálculo de s. No mometo de se usar ovamete os valores da amostra para o cálculo de s, esses valores tem apeas - graus de lberdade, pos, dados quasquer - deles, o valor restate estará automatcamete determado, pelo fato de já cohecermos sua méda artmétca x, ão sedo portato este, um valor lvre. Adota-se o símbolo para deotar o úmero de graus de lberdade de uma estatístca Dstrbução Amostral de s Coforme já mecoado, a varâca de uma amostra é calculada por: ( x) ( x x) s (5.) A dstrbução amostral da estatístca s ( x) está relacoada com uma famíla de dstrbuções de probabldades, que são as dstrbuções tpo χ, que são dadas por: χ ode: x µ z (5.) σ x valores aleatóros depedetes retrados de uma população ormal µ méda dos valores aleatóros depedetes retrados de uma população ormal σ desvo padrão dos valores aleatóros úmero de graus de lberdade da dstrbução χ
10 0 Os valores z são os correspodetes valores da varável ormal reduzda. Portato pode-se cosderar a dstrbução da varável χ com graus de lberdade, como a soma dos quadrados de valores depedetes da varável ormal reduzda, a qual µ ( z ), e dode pode-se trar: µ ( χ ) µ z µ ( z ) (5.3) Pode-se também demostrar que: σ χ, (5.4) ( ) e que a moda da dstrbução de χ é -, para >. Como a varável χ resulta de uma soma de varáves depedetes e gualmete dstrbuídas, segue-se pelo teorema do lmte cetral que a famíla de dstrbuções do tpo χ tede à dstrbução ormal quado o úmero de graus de lberdade aumeta. Uma outra propredade das dstrbuções χ é a da adtvdade, que dz que a soma de duas varáves depedetes com dstrbuções χ com e graus de lberdade, terá também dstrbução χ com ( + ) graus de lberdade. A fgura 5.4 mostra algumas dstrbuções da famíla χ e a tabela 5.5 forece valores das varáves χ, para,,..., 30, em fução de valores otáves da probabldade correspodete à cauda à dreta, determada a respectva dstrbução. Fgura 5.4 Dstrbuções χ
11 Tabela 5.6 Dstrbuções χ - valores de χ, P, ode P P(χ χ, P ) O cohecmeto das dstrbuções χ coduz à determação da dstrbução amostral da estatístca s, coforme segue: A estatístca (x x ) x x σ σ tem dstrbução do tpo χ com (-) graus de lberdade. Logo: (x x) χ dode resulta: σ ( ) ( )sx x x σ σ (5.5) (5.6)
12 σ sx χ (5.7) Verfca-se pos que a estatístca s se dstrbu coforme uma dstrbução do tpo χ com (-) graus de lberdade. Cosderado a estatístca acma e a expressão (5.6), obtém-se a méda da mesma: σ σ µ ( s ) µ ( χ ) ( ) σ (5.8) Cosderado a expressão (5.3), tra-se a varâca da estatístca: σ σ σ σ ( s ) σ ( χ ) ( ) (5.9) ( ) ( ) Dstrbução t de Studet Supõe-se que para uma amostra de valores retrados de uma população ormal de méda µ e desvo padrão σ, é defda a estatístca: x µ z (5.0) σ / Como a dstrbução amostral de x sera precsamete ormal, com méda µ e desvo padrãoσ /, segue que essa estatístca tera smplemete dstrbução ormal reduzda, o que justfca o emprego de z a sua represetação. Porém se for utlzado a expressão o desvo padrão da amostra s ( x) /, obtém-se uma estatístca cuja dstrbução ão é mas ormal. Assm Studet (W.S. Gosset estatístco glês) demostrou que a estatístca: x µ t (5.) s( x) / dstrbu-se smetrcamete, com méda 0, porém ão ormalmete em toro da méda. Para grades amostras, s(x) se aproxma de σ, e as correspodetes dstrbuções t se aproxmam da dstrbução ormal reduzda. Exste, portato, uma famíla de dstrbuções t cuja forma tede à da dstrbução ormal reduzda, quado cresce. A estatístca dcada a expressão (5.) tem (-) graus de lberdade, o que passa a ser dcado por: t -. A fgura 5.5 mostra comparatvamete uma dstrbução t geérca e a dstrbução ormal reduzda z, sedo que a prmera é mas alogada do que a seguda. Fgura 5.5 Dstrbução t e dstrbução ormal reduzda
13 3 A tabela 5.7 forece valores de t em fução de dversos valores do grau de lberdade e de probabldades otáves correspodetes à cauda dreta da dstrbução. Tabela 5.7 Dstrbuções t de Studet valores de t,p, ode P P(t t,p ) A expressão (5.) pode ser escrta da segute maera também: x µ σ σ t z (5.) σ / s( x) s( x) e cosderado a expressão (5.6), obtém-se: t z (5.3) χ que geércamete é dada por: t z (5.4) χ e que demostra a relação exstete etre as dstrbuções de t de Studet e a de χ
14 Dstrbução F de Sedecor Cohecdas duas amostras depedetes retradas de populações ormas com varâcas amostras s e s, uma dstrbução amostral do quocete delas s / s será deomada como dstrbução F de Sedecor (G. Sedecor adaptou coveetemete essas dstrbuções, aterormete estudadas por Fsher, adotado F em sua deomação como uma homeagem a este estatístco). Defe-se a varável F com graus de lberdade o umerador e graus de lberdade o deomador, ou smplesmete, F,, por: F, χ / χ / (5.5) ode, coforme a própra otação dca, χ desga uma varável aleatóra com dstrbução χ com graus de lberdade, sedo que estas devem ser depedetes. Esta defção geral egloba uma famíla de dstrbuções de probabldades para cada par de valores (, ) e a tabela 5.5 apreseta os valores da varável F que determam caudas à dreta com probabldades 0,5; ;,5; 5 e 0%, forecdos para dversos pares de valores (, ). Tabela 5.8 Dstrbução F de Sedecor valores de F,,p, ode P P ( F, F,,p); P 0,0
15 5 A fgura 5.6 mostra esquematcamete como se avala a probabldade de ocorrer um valor acma de um dado aleatóro: Fgura 5.6 Dstrbução F de Sedecor Cosdere-se que de duas populações ormas com mesma varâca σ (ou o que sera equvalete, de uma mesma população ormal), sejam extraídas duas amostras depedetes com, respectvamete, e elemetos e toma-se o quocete s / s das varâcas dessas amostras. Utlzado a expressão (5.7), pode-se coclur que a dstrbução amostral desse quocete será uma dstrbução F,, pos: [ σ /( ) ] σ /( ) ( ) ( ) F, [ ] χ χ / s s χ χ / (5.6) Relações partculares etre as dstrbuções z, t, χ e F A famíla de dstrbuções t de Studet coverge para a dstrbução ormal padrozada de z quado cresce. Logo a dstrbução z equvale à dstrbução t. A dstrbução χ surge de uma soma de valores depedetes de z. Logo a dstrbução de χ equvale à dstrbução do quadrado de z. Quato à dstrbução F, tem-se que: F, χ (5.7) χ Como χ z, tem-se que a dstrbução F, equvale à dstrbução do quadrado de t. Por outro lado sabedo que: µ χ (5.8) ( ) quado tede ao fto, a dstrbução de F, tede à de χ / : χ, F (5.9) Em partcular, a dstrbução de F, equvale à de χ, ou de z.
Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisDISTRIBUIÇÃO HIPERGEOMÉTRICA
7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisProf. Janete Pereira Amador 1
Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia mais6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS
7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda
Leia maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisO delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.
Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisa) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.
Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisNas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das
CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisHIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia
Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e
Leia mais50 Logo, Número de erros de impressão
Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de
Leia maisInferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisEstimação pontual, estimação intervalar e tamanho de amostras
Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisRevisão de Estatística X = X n
Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...
Leia maisIntrodução à Estatística
Itrodução à Estatístca Júlo Cesar de C. Balero Estatístca É a cêca que se preocupa com: () Orgazação; () Descrção; () Aálses; (v) Iterpretações. Estatístca Descrtva Estatístca Idutva ou Estatístca Ierecal
Leia maisRACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO
RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisDados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens
Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se
Leia mais1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade
Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada
Leia maisIntrodução à Estatística. Júlio Cesar de C. Balieiro 1
Itrodução à Estatístca Júlo Cesar de C. Balero Estatístca É a cêca que se preocupa com: () Orgazação; () Descrção; () Aálses; (v) Iterpretações. Estatístca Descrtva Estatístca Idutva ou Estatístca Ierecal
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisControle Estatístico de Qualidade. Capítulo 6 (montgomery)
Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisRevisão/Resumo de Análise Estatística I e Introdução à Tecnologia da Amostragem I
Dscpla: Tecologa da Amostragem I Professor: Marcelo Rubes Revsão/Resumo de Aálse Estatístca I e Itrodução à Tecologa da Amostragem I 1 - Modelos Estatístcos/Probablístcos São modelos que se aplcam quado
Leia maisNOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA
IND 5 Iferêca Estatístca Semestre 007.0 Teste 4 //007 Nome: NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA : O FORMULÁRIO ESTÁ NO FINAL DA PROVA PROBLEMA (5 potos) Em cada questão
Leia maisIntrodução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares
Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado
Leia maisProbabilidade II Aula 10
Probabldade II Aula 0 Mao de 009 Môca Barros, D.Sc. Coteúdo Esperaça Matemá (Valores esperados) Mometos e Mometos Cetras Valores esperados de uma fução de Covarâca e Correlação Matrz de covarâca, matrz
Leia mais3 Análises Probabilísticas de Estabilidade
3 Aálses Probablístcas de Establdade 3.1 Itrodução Para facltar o etedmeto das metodologas de aálse de cofabldade serão apresetados este capítulo algus cocetos báscos de probabldade e estatístca. 3. Cocetos
Leia maisParte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia mais13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL
3 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL Como vto em amotragem o prmero bmetre, etem fatore que fazem com que a obervação de toda uma população em uma pequa eja mpratcável, muta veze em vrtude
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia mais9 Medidas Descritivas
1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se
Leia maisEstatística. 2 - Estatística Descritiva
Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA
Leia maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia mais3 Fundamentação Teórica
3 Fudametação Teórca A segur são apresetados os fudametos teórcos os quas é embasado o desevolvmeto do trabalho. 3.. Espectros de Resposta De acordo com Sampao [3], é descrta a resposta máxma de um osclador
Leia maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
Leia maisProbabilidades e Estatística
Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete
Leia maisCEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias
CEDEPLAR - UFMG Nvelameto em Estatístca 3 Prof a Suel Moro Varáves aleatóras Varável aleatóra resultado ou produto de um epermeto aleatóro com um resultado úco. Varável resultado = Espaço amostral cojuto
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
Leia maisCaracterização de Partículas. Prof. Gerônimo
Caracterzação de Partículas Prof. Gerômo Aálse Graulométrca de partículas Tabela: Sére Padrão Tyler Mesh Abertura Lvre (cm) âmetro do fo () 2 ½ 0,7925 0,088 0,6680 0,070 ½ 0,56 0,065 4 0,4699 0,065
Leia maisA análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.
Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisObjetivos. O Modelo Linear Geral (GLM - General Linear Model) suporta, também, variáveis categóricas dependentes.
Prof. Lorí Val, Dr. http://www. ufrgs.br/~val val/ val@mat.ufrgs.br Obetvos álse de varâca (NOV) É utlzada para mostrar os efetos prcpas de varáves categórcas depedetes (deomadas de fatores) sobre uma
Leia mais1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística.
CAPÍTULO 7 VARIÁVEL ALEATÓRIA A probabldade teve íco com os jogos de azar (século XVII) com Cavalero de Nere, Fermat e Pascal, porém, coube a Beroull (73) laçar as bases da probabldade e a segur Laplace
Leia mais8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:
NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos
Leia maisESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Leia mais3 Teoria de Microestrutura de Mercado
3 Teora de Mcroestrutura de Mercado 3. Itrodução A aálse das mcroestruturas de mercado estuda a estrutura sttucoal, a qual as trasações evolvedo atvos faceros são, efetvamete, cocluídas. Na grade maora
Leia maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisDESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS
DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral
Leia maisTESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL
TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL As hpóteses a serem testadas serão: H 0 : p p 0 H : p p 0 p > p 0 p < p 0 Estatístca do Teste: pˆ p0 z c p ( p ) 0 0 EXEMPLOS. Uma máqua está regulada
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero
Leia maisModelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Jaete Perera Amador 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela
Leia maisNOÇÕES DE AMOSTRAGEM
OÇÕES DE AMOSTRAGEM APRESETAÇÃO. Motvação 2. Algus cocetos 3. Plaejameto de pesqusa 4. Prcpas casos da amostragem ão-probablístca 5. Prcpas casos da amostragem probablístca 6. Ilustrações. MOTIVAÇÃO Mutas
Leia maisd s F = m dt Trabalho Trabalho
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução
Leia maisMEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO
Leia maisNOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling
NOTAS DE AULA DA DISCIPLINA CE76 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ µ H : µ µ Nível de sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:
Leia maisEstabilidade no Domínio da Freqüência
Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;
Leia maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Uma uversdade oferece um curso para capactação profssoal de joves caretes. Ao fal do curso, cada jovem partcpate será avalado por meo de uma prova teórca e de uma prova prátca,
Leia maisRevisão/Resumo de Inferência Estatística
Dscpla: Boestatístca Professor: Marcelo Rubes Revsão/Resumo de Iferêca Estatístca - Modelos Estatístcos/Probablístcos São modelos que se aplcam quado este claramete a preseça de uma compoete aleatóra ou
Leia maisOrganização; Resumo; Apresentação.
Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado
Leia maisSumário. Mecânica. Sistemas de partículas
Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -
Leia mais