( ) ( ) Es'mador de Máxima-Verossimilhança. ,θ i. L( Θ; X) = f ( X;Θ) = f (x i
|
|
- Rui Covalski Barreiro
- 6 Há anos
- Visualizações:
Transcrição
1 5.. Esmador de Máxma-Verossmlhaça O prcípo básco do esmador de Máxma-Verossmlhaça cosste a obteção de esmavas de parâmetros populacoas de uma desdade de uma varável aleatóra a parr de um cojuto de formações (amostra) de modo que se cosga o mas elevado valor para a desdade cojuta. Fução de Verossmlhaça e Esmador de Máxma-Verossmlhaça Seja um desdade cojuta f ;Θ para um cojuto de varáves aleatóras {,..., }, ode Θ é um cojuto assocado de parâmetros. A fução de Verossmlhaça é defda como:. L( Θ; ) f ( ;Θ) f (x,θ ) Ou seja, L Θ; forece, dadas as formações em, dferetes valores de acordo o cojuto de parâmetros Θ.
2 5.. Esmador de Máxma-Verossmlhaça Note-se que L Θ; forece mesmos valores que a desdade f ;Θ, cotudo, seus valores são obdos para dado fxo, e ão Θ, como em f ( ;Θ). Por sua vez, uma esmava de Máxma-Verossmlhaça de Θ, obda como solução do segute problema: L ou seja, ( Θˆ ; ) máx L( Θ; ), Θ Θ Θˆ ˆ ML arg max L( Θ; ). ˆΘ ML, é
3 5.. Esmador de Máxma-Verossmlhaça Iterpretação e Operacoalzação ˆΘ ML Perceba-se que defca uma desdade parcular da famíla que apreseta mas chaces de ter gerado o cojuto de formações observados (). De outra forma, f ( ; Θˆ ) atrbu mas alta probabldade (v.a. dscreta) ML ou valor da desdade (v.a. covua) para dada formação. ˆΘ ML Além dsto, a obteção de exge a especfcação de f ;Θ e, assm, L Θ;. Ou seja, as esmavas a serem obdas exgem a cosderação de uma forma fucoal explícta para a desdade.
4 5.. Esmador de Máxma-Verossmlhaça Iterpretação e Operacoalzação Com a famíla de desdades f ( ;Θ) especfcada, a obteção de ˆΘ ML para o caso de L( Θ; ) dferecável com máxmo teror é feta a parr das codções ordáras do Cálculo: C. de ª ordem: L ( Θ; ) Θ ( Θ; ) L Θ. L. ; Θ k ( Θ ).. kx C. de ª ordem: L ( Θ; ) Θ Θ é matrz ( kxk) egatva defda
5 5.. Esmador de Máxma-Verossmlhaça Observe-se que, dada a forma ão-lear de algumas desdades, a obteção de ˆΘ ML pode ser facltada com maxmzação de l L( Θ; ), ao vés de L( Θ; ), uma vez que a fução logartmo é estrtamete mootocamete crescete: ˆΘ ML que maxmza L( Θ; ) também maxmza l L Θ;. Nos casos em que as codções de ª ordem ão permtem obter solução explícta para, métodos umércos devem ser ulzados para obter ˆΘ ML ˆΘ ML a parr destas codções. Quado ão exste máxmo teror ou quado L Θ; ão é dferecável, ˆΘ ada será o valor de Θˆ que maxmza L( Θ; ) ML, ão mporta como seja obdo.
6 5.. Esmador de Máxma-Verossmlhaça Ex.5.9: Desdade Normal Seja,..., uma amostra aleatóra obda de uma população com desdade Normal. Assm, ( µ, ), ou, ~ N seja ( x µ ) ~ e, e x, π Neste caso, Θ µ. Dada a amostragem aleatóra, a Fução de Verossmlhaça é obda como: L ( µ, ; ) f ( ; µ, ) ( µ ) ( µ ) e... π ( µ ) e π e π π e ( ) µ
7 5.. Esmador de Máxma-Verossmlhaça Tomado o logartmo: l L( µ, ; ) Problema: l ( π ) / e ( ) µ l π l ( µ, ) máx l L ; µ, ( µ ) Cod. de ª ordem: l L µ ( µ ) () l L + ( ) ( µ ) ()
8 5.. Esmador de Máxma-Verossmlhaça µ l L ( µ ) ( µ ) ˆ µ ML / µ l L + ( ) ˆ µ ML µ / ( µ )
9 5.. Esmador de Máxma-Verossmlhaça Esmador de Máxma-Verossmlhaça para Modelo lear Assumdo que e, esmavas para os parâmetros e podem ser obdas por Máxma-Verossmlhaça. Neste caso, a Fução de Máxma-Verossmlhaça pode ser expressa como: + ε I, ~ N I, N ;, L π π π e e... e π π / / e e
10 5.. Esmador de Máxma-Verossmlhaça Tomado o logartmo: O que permte obter as segutes codções de ª ordem para o máxmo de ;, L π / e ;, l L π l l : ;, l L [ ] kx l L + [ ] kx
11 5.. Esmador de Máxma-Verossmlhaça ou As duas codções permtem, etão, obter: ;, l L π l l l L + l L [ ] ˆ ou ML kx ou + / ˆ ˆ ˆ ML
12 5..3 Métodos dos Mometos Método dos Mometos Tal método procura obter esmavas para parâmetros de uma desdade a parr da especfcação de codções sobre os mometos da varável aleatóra (assocada à desdade), da relação que tas mometos guardam com os parâmetros e da formação dos mometos amostras (ulzados as especfcações estabelecdas para os mometos populacoas) Ou seja, são ulzadas tato formações a respeto das caracteríscas da desdade como da amostra para, a parr de relações dos mometos com os parâmetros, obter estratéga de obteção de esmavas sobre os parâmetros populacoas.
13 5..3 Métodos dos Mometos a) Esmador do Método dos Mometos (MM) No caso mas smples, a amostra é assumda como aleatóra, obda dretamete da população: (,..., ), são d. s Neste caso, a obteção de esmadores MM para parâmetros de uma desdade f ( ;Θ) é operacoalzada: ) Explctado-se a relação dos mometos com os parâmetros:, r E( ) µ ( Θ) h r ode a fução h r ( Θ) Ex.: para a desdade Normal µ E ( Θ) pode ser verda. E h ( Θ) h + µ
14 5..3 Métodos dos Mometos ) Especfcado as codções para a obteção da versão sobre tas mometos:, t,...,. ) Adaptado-se as codções sobre os mometos com o uso dos mometos amostras e solucoado-se as equações para os valores dos parâmetros de teresse. Defdo os mometos amostras como: [ ],Θ r E g t [ ] kx k k t t t h h h E Θ Θ Θ. r r r r r m m, m m,
15 5..3 Métodos dos Mometos Assm, de r [ (,Θ)] E g t ( Θ) ( Θ) t h t h E. k t hk ( Θ) [ ] kx, t,...,, tem-se: r (,Θ) [ g t ] t, m h m h. m r h r ( Θ) ( Θ) ( Θ) [ ] kx
16 5..3 Métodos dos Mometos Ex. 5.3 (M.c.8): Esmador MM para parâmetros da desdade Normal Com uma amostra aleatóra de uma população com desdade Normal, obter esmavas MM da méda e da varâca. Parâmetros: Codções sobre os mometos e assocação com parâmetros: Ulzação dos mometos amostras:,..., µ µ E t + + µ µ µ µ µ t t t t E g E E,, [ ], µ Θ + µ µ µ,, m m g t
17 5..3 Métodos dos Mometos Ou seja, + µ µ µ,, m m g t ˆ ˆ m m m m m + µ µ µ MM MM µ ˆ ˆ
18 5..3 Métodos dos Mometos b. Método Geeralzado dos Mometos (GMM) O Método dos Mometos pode ser esteddo para os casos em que a amostra ão é ecessaramete d (ex.: ão obda dretamete da população) e ou para casos em que as codções sobre os mometos podem assumr formas varadas a depeder, por exemplo, das hpóteses assumdas para estrutura de probabldade da desdade populacoal e suas mplcações para as relações etre mometos e parâmetros. Os prcípos do método, todava, permaecem aplcados: defção de codções sobre os mometos assocadas aos parâmetros e substução ou uso de mometos amostras estas codções.
19 5..3 Métodos dos Mometos Uma forma de perceber tal geeralzação a aplcação do método é cosderado o tradcoal modelo lear, caso do exemplo a segur. Ex.5.3: Esmavas GMM para modelo lear + ε ε d, E[ ε ] e Var( ε ),. ão aleatóro, com rak k Deotado t a lha t de, t,...,, o esmador GMM para pode ser obdo especfcado as segutes codções sobre os mometos de : [ (, )] g t t t(t - t ), t. t t tk k. tk kx t,..., ou [... ], t,...,.
20 5..3 Métodos dos Mometos Tomado o Valor Esperado: E [ (, )] g t t E[ t(t - t )] E[ t.εt] [] ou E t tk (... ) t.. (... ) t t t tk tk k k [ ], t,...,. kx Substudo os mometos amostras: E[ t(t - t )] t (t - t ) t t ( ) g t t, t t (t - t ) [] [ ] [ ] kx GMM ( ) ˆ OLS ˆ
21 5..3 Métodos dos Mometos Ex.5.4: Esmavas GMM para modelo lear Modelo lear: + ε, [ ] ε d, E ε e Var ε,. Caso clua varáves que são smultaeamete determadas com, haverá a possbldade de dupla causaldade (ex.: educação e reda) e, este caso: E E [( ) ε ] ( ˆ OLS ) + E[ ( ) ε ] e ˆ OLS + p lm[ ( ) ε ] p lm ˆ OLS Ou seja, é esmador vesado de e ão cosstete de.
22 5..3 Métodos dos Mometos Supoha que exsta uma matrz xl de varáves Z (dtas strumetas ) tal que: E[gt(t, )] E[Z t.(t - t )] E[Z t.(εt)] []lx, t,...,. Ode Z Z A, uma matrz posva defda, etão esmavas GMM para podem ser obdas em dferetes stuações. ) L K (úmero de varáves strumetas úmero de regressores) Com Z ão sgular, o esmador GMM para pode ser obdo a parr das segutes codções t g t (t, ) Z t (t - t ) t [ Z Z ] [ ] kx Z Z ( ) Z ˆ GMM
23 5..3 Métodos dos Mometos ˆ GMM Z, como será vsto mas adate as dscplas de Ecoometra, também correspode ao tradcoal esmador de Varáves Istrumetas (IV) para o Modelo Lear. ) L > K (úmero de varáves strumetas > úmero de regressores) Neste caso, depos de substur os mometos amostras, o cojuto de equações (codções) [ Z Z ] [ ] lx é composto por L > K equações e o sstema em geral ão tem solução úca. Uma estratéga pata obter uma esmava GMM para os parâmetros correspode à escolha de valores tas que mmze o segute produto: [ Z Z ] xl [ Z Z ] lx
24 5..3 Métodos dos Mometos Uma extesão deste procedmeto permte um melhor esmador GMM (o que dz respeto à efcêca ou meor varâca). É possível, este sedo, ulzar um crtéro de poderação para mmzação da soma de quadrados ateror que atrbua maor peso aos mometos de meor varâca, o que é operacoalzado através de uma matrz W (lxl), matrz quadrada posva defda (preserva forma quadráca), passado o problema a ser colocado como: m b [ Z Z b ] W [ Z Z b] xl lx W, por exemplo, podera ser uma matrz dagoal com elemetos desta versamete assocados à varâca dos erros. [ Z Z b] A codção acma permte obter as codções de ª ordem para a escolha dos parâmetros.
25 5..3 Métodos dos Mometos m b O que equvale a: m b mm b [ Z Z b ] W [ Z Z b] O que permte obter: xl lx [ ZWZ ZWZ bz b ZWZ + b Z WZ b] [ ZWZ b ZWZ + b ZWZ b] b [ ZWZ b ZWZ + b ZWZ b] [ ] ZWZ + ZWZ b ( ZWZ ) ZWZ ˆ GMM [ ] ou
26 6. Testes de Hpóteses M.cap.9 e
27 6. Noção e Cocetos Objevo do Teste de Hpótese Verfcar ou refutar uma asserva ou cojectura a respeto de uma ou mas caracteríscas populacoas. Idéa: A parr do valor de uma estavsca ( EstaVsca do Teste ), obdo ulzado-se uma amostra aleatóra, gerar formação que permta, com algum grau especfcado de cofaça, avalar se amostra fo gerada ou ão por suposta população (hpótese). Hpótese estavsca (H) Dada uma amostra aleatóra, (,..., ), uma hpótese estavsca correspode a um cojuto de potecas dstrbuções de probabldade para a população da amostra.
28 6. Noção e Cocetos Ex. 6. (M.c.9) Cojectura a respeto de peças defetuosas uma caxa a parr de amostra aleatóra de tamaho. Fscal pode verfcar afrmava de fabrcate de que ão mas que % das peças são defetuosas: H f x x ( ) { } [ ] p : p p I, p,. ;, já que as varáves são d. Ex.6. (M.c.9) Modelo para a produvdade agrícola: Ode, r chuva/acre e f fer<lzate/acre. Iteresse verfcar se,5 + f + r + ε, ε ~ N,
29 6. Noção e Cocetos Com ~ N + f + r,, (,..., ), é dada por:, a desdade cojuta para amostra aleatóra ~ ( + f r, ) N + ; Assm, a hpótese estavsca deve ser formulada como: Observações: H {f(;, } {f(;, ) N( ; + f + r, ),, 5 } ) Em testes paramétrcos, já é assumda ou formada a famíla da desdade. Assm, as hpóteses estavscas podem ser apresetadas para os exemplos 6. e 6., respecvamete, as formas: H: H: p, 5,
30 6. Noção e Cocetos ) Usualmete, a apresetação das hpóteses estavscas são acompahadas de stuações alteravas ou hpóteses alteravas àquela cojecturada, que é cohecda como hpótese ula. Para os exemplos 6. e 6., pode-se ter, respecvamete: H : p, e H : p, 5. H a : p >, H a : p, 5 Teste EstaVsco Uma teste estavsco é uma regra de decsão a respeto da hpótese estavsca baseada a amostra aleatóra obda da população. Para operacoalzação do teste estavsco faz-se ecessáro a especfcação de dos cojutos dsjutos para os potecas resultados da amostragem (ou da estavsca do teste a ela assocada) que defem regões de rejeção e ão rejeção da hpótese.
31 6. Noção e Cocetos Especfcamete, com os potecas resultados de defdos como Cr C a, ode C C r a e regão regão Cr C a de de rejeção ou ão rejeção φ, observa-se que: crítca Para Para C C r a rejeta se ão se H rejeta H A regra de decsão é dretamete repassada para uma estavsca de usada para efevação do teste.
32 6. Noção e Cocetos EstaVsca de Teste Se C r defe uma regão de rejeção de H e T t() é uma estavsca escalar tal que T C, de tal forma que pode ser defda a r { : t C } C t r T parr dos resultados de C t, etão T t() é dta estavsca de teste de H versus H. H a Ex.6.3: Seja uma amostra aleatóra de uma população com desdade Normal com méda µ e varâca (cohecda), ~ N ( µ, ). Como se sabe que H H a : µ µ : µ µ ( µ, ) ~ N / com desdade cohecda sera: ( µ ) T ( ) ~ N (, ), uma estavsca de teste para
33 6. Noção e Cocetos Sob H ( µ ) µ T t ( ), ter-se-a: Z ( µ ) ~ N (, ) O que permte defr: { Z : P( t( ) Z Z )} C T C r > C ode delmta regões de rejeção e ão-rejeção de t : Z
34 6. Noção e Cocetos Erro Tpo I e Erro Tpo II Caso fosse possível defr a pror os potecas resultados de ou t() de forma que os resultados a regão de ão-rejeção sempre ocorressem quado H fosse válda e os resultados a regão de rejeção sempre ocorressem quado H fosse falsa: teríamos um teste deal : a hpótese estavsca corretamete sempre sera ão-rejetada ou rejetada. Como raramete sto é possível, em geral, a amostra pode gerar resultados tato cosstetes com o cojuto de desdades assocado a H como cosstetes com a hpótese alterava. Ou seja, há regularmete erros potecas presetes. Erro Tpo I: rejetar H quado H é verdadera Erro Tpo II: ão rejetar H quado esta é falsa
35 6. Noção e Cocetos Como, em geral, ão é possível rejetar o testes deal, alguma probabldade de ocorrêca de erro tem que ser aceta. Neste sedo, dealmete, sera teressate torar as probabldades dos erros Tpo I e de erros do Tpo II tão pequeas quato possíves. Mas, como pode ser percebdo a parr da defção da regão críca (rejeção de H), sto evolve um dlema: T Escolha de C r ou C de forma a torar a probabldade de erro do r Tpo I meor possível mplca aumeto da probabldade de erro do Tpo II. Ex. 6.4: Do exemplo 6.3, escolha de C T { Z : P( t( ) Z ) > Z } com Z > Z r mplca dmução de probabldade de erro do Tpo I, mas elevação de probabldade de erro do Tpo II.
36 6. Noção e Cocetos Mas especfcamete: O expedete é, etão, assumr dada regão de rejeção sob H e, assm, certa probabldade de erro do Tpo I, e tetar mmzar a probabldade de erro do Tpo II.
37 6. Noção e Cocetos Potêca e Nível de Sgfcâca do Teste Potêca do Teste Seja Θ um cojuto de parâmetros assocado a uma determada famíla de desdades f (; Θ) e que está sujeto à determada hpótese H. A potêca de um teste em valor específco de Θ correspode à probabldade de se rejetar H quado tal valor específco de Θ é o verdadero valor dos parâmetros. Note-se que, da defção, segue que: π ( Θ ) potêca do teste em Θ P( Erro do TpoI ) se Θ H P( Erro do TpoII ) se Θ H ( prob. de se rejetar H quado esta é falsa) Quado a hpótese H é falsa ( Θ H ), deve-se escolher testes de mas alta potêca: meor probabldade de Erro do Tpo II.
38 6. Noção e Cocetos Nível de Sgfcâca do Teste Um teste com ível de sgfcâca α é um teste em que a probabldade de se cometer Erro do Tpo I é meor ou gual a P Θ Erro do TpoI α,, para qualquer. Θ H α Ou seja, o Nível de Sgfcâca do teste estabelece um lmte para a probabldade de ocorrêca de Erro do Tpo I, sob a hpótese H. Ex. 6.5 Do exemplo 6.3, sedo uma amostra aleatóra com população com desdade Normal, ~ N( µ, / ), com cohecda. Já vmos que para o teste da hpótese: H H a : µ µ : µ µ Uma estavsca de teste pode ser ( µ ) T ( ) ~ N(, )
39 6. Noção e Cocetos Assumdo um Nível de Sgfcâca de 5%: Sob, H ( µ ) ~ N (, ) P Θ ( Erro do TpoI ), 5 Com α,5, a regão de rejeção pode ser defda como: C T r ( µ ) :, 96 P µ C C > Z, 5 Z, 96 uma vez que.,
40 6. Noção e Cocetos Assm, para Z ( ) ( µ ) µ, 96 ou Z, 96 µ C r :, 96 rejeta-se H : µ µ, em teste com Nível de Sgfcâca de 5%. Neste caso, a potêca do teste pode ser obda para dferetes valores de µ µ, ou seja, quado µ H a, fazedo: P Z ( µ ), 96
41 6. Noção e Cocetos P- value (Valor de Probabldade) Quado há desacordo a respeto do ível de sgfcâca, é comum a reportagem do Valor de Probabldade ou P Value. Tal valor forma a respeto da força da evdêca cotra a hpótese postulada (H hpótese ula). P-Value: O P-Value correspode ao meor ível de sgfcâca do teste que levara à rejeção da hpóteses ula. Formalmete: P Value arg m α H ( ( α )) C r Assm, para uma escolha do ível de sgfcâca α, que defe uma regão críca para teste empírco: Se P-Value α evdêca favorável a [ Cr ( α )] ou à rejeçãode H Se P-Value [ C ( )] ou à ão rejeçãode H > α evdêca favorável a r α
42 6. Noção e Cocetos A obteção do P-value é feta a parr da obteção do valor da estavsca do teste sob a hpótese ula, de acordo com sua dstrbução e o Nível de Sgfcâca para o qual a referda hpótese sera rejetada. Ex. 6.6: Amostra aleatóra de uma população com desdade Normal com segutes especfcações:, 5, e, ~ N µ ;,. Hpótese: H H a : µ 5 : µ > 5 EstaHs<ca do teste: como ~ N( µ;, ) T( ) Nível de Sgfcâca para teste e Regão Crí<ca : α,5 ( µ ) ~ N (, )
43 6. Noção e Cocetos Com tal Nível de Sgfcâca e da Dstrbução Normal Padrão, é possível obter: { Z C }, 5 Z, 645 P Z > C e para a Regão Críca: C r ( µ ) :, 645, Ou seja, C r ( 5) :, 645,
44 6. Noção e Cocetos Decsão: Para o caso em questão 5,, ( 5, 5) x 5 Z, (, 5), calculado Logo, Z, 645 Z Cr α,5,, calculado C C r ( 5) :, 645, o que mplca a rejeção de H : µ 5 com Nível de Sgfcâca de 5%. Para obter o P-Value, ote-se que as possíves regões crícas podem ser represetadas geeralzadamete por C r ( 5) : K α, ode K(α) valor de Z crí<co assocado à escolha de α.
45 6. Noção e Cocetos Perceba-se, etão, que para os valores de α que mplquem sempre rejeção de H : µ 5, já que ter-se-a: Z C ( 5), K ( α ) K( α), haverá Como o P-value correspode ao α mímo que mplca rejeção de H : µ 5 : P-value α ( ( ) K( α ) ( P( C ( α ), µ 5), tal que K( α ) ) arg m T m α m N α k( α ) r ( Z ;, ) dz, tal que K α ( Z ;, ) dz, 3 N
46 6. Noção e Cocetos Ou seja, grafcamete: P-value ( Z ;, ) dz, 3 N Logo, rejeta-se H para α,5, mas ão para α,. : µ 5
Macroeconometria 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisProbabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC
Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se
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 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 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 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 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 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 maisCurso de Graduação. Inferência I N F ERÊNCI A ESTAT ÍSTICA
Iferêca Estatístca I N F ERÊNCI A ESTAT ÍSTICA CAPÍTULO N O Ç Õ ES PRELIMINAR ES SOBR E AMOSTRAGEM A elaboração de um projeto de pesqusa por amostragem, objetvado a vestgação sobre um certo feômeo, evolve
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 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 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 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 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 mais3. TESTES DE QUALIDADE DE AJUSTAMENTO
Testes da qualdade de ajustameto 3 TESTES DE QULIDDE DE JUSTMENTO 3 Itrodução formação sobre o modelo da população dode se extra uma amostra costtu, frequetemete, um problema estatístco forma da dstrbução
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 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 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 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 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 maisTópicos Extras 2ª parte. Análise de Correlação e Regressão
Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO
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 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 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 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 maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
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 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 maisApêndice 1-Tratamento de dados
Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação
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 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 Experimento com Mistura com Respostas Não-Normais
Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 5 Epermeto com Mstura com Respostas Não-Normas Neste capítulo é apresetado o plaejameto e aálse de um EM com respostas ão ormas,
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 maisMAE 5776 ANÁLISE MULTIVARIADA. Júlia M Pavan Soler
MAE 5776 ANÁLISE MULTIVARIADA Júla M Pava Soler ava@me.us.br º Semestre IME/09 Baco de Dados: Dados Multvarados Varáves Udades Amostras j j j j j j : Matrz de Dados resosta do -ésmo dvíduo a j-ésma varável
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 maisDistribuições 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 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 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 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 maisNº de sucessos ,3277 0,4096 0,2048 0,0512 0,0064 0,0003. n Limite superior de 0,025 0,01 0,0025 0,000625
Capíulo Problema 0 Nº de sucessos 0 4 5 0,0 0, 0,4 0,6 0,8,0 P 0,77 0,4096 0,048 0,05 0,0064 0,000 E 0, p ; 0,0 5 Problema 0 4 0 5 00 400 Lme superor de 0,05 0,0 0,005 0,00065 Lme superor de p^ 0,00 0,05
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 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 mais2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida
. MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +
Leia maisPropriedades dos estimadores
Propredades dos estmadores Os estmadores gozam de quatro propredades: sufcêca, ão vés, cosstêca e efcêca. Aqueles estmadores que ão apresetarem tas caracatersítcas, ão podem ser cosderados um bom estmador.
Leia maisTeoria das Comunicações
Teora das Comucações.6ª Revsão de robabldade rof. dré Noll arreto rcíos de Comucação robabldade Cocetos áscos Eermeto aleatóro com dversos resultados ossíves Eemlo: rolar um dado Evetos são cojutos de
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 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 maisAPOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA PLANO DE ENSINO Fcha º APOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I Dscpla: Iferêca Estatístca I Turma : A Códgo:
Leia maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia mais(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0
EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()
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 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 mais3. ANPEC Questão 15 Ainda em relação à questão anterior pode-se concluir que, exceto por erro de arredondamento:
Lsta de Exercícos #9 Ass uto: Aáls e de Re gres s ão Mé todo de Mímos Quadrados. ANPEC 99 - Questão 8 A capacdade de produção stalada (Y), em toeladas, de uma frma, pode ser fução da potêca stalada (X),
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
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 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 maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisExercícios - Sequências de Números Reais (Solução) Prof Carlos Alberto S Soares
Exercícos - Sequêcas de Números Reas (Solução Prof Carlos Alberto S Soares 1 Dscuta a covergêca da sequẽca se(2. Calcule, se exstr, lm se(2. Solução 1 Observe que se( 2 é lmtada e 1/ 0, portato lm se(2
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 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 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 maisAlguns Fundamentos Acerca dos Testes de Hipóteses
UNIVERSIDADE DA BEIRA INTERIOR Cêcas Algus Fudametos Acerca dos Testes de Hpóteses Adré Marques de Adrade Relatóro de Estágo para obteção do Grau de Mestre em Eso da Matemátca o 3º Cclo do Eso Básco e
Leia maisCapítulo 1 Prova de 2008
0 Estatístca Capítulo Prova de 008 Questão Julgue as alteratvas que se seguem. Se X e Y são duas varáves aleatóras: O V(Y X) = E(Y² X) [E(Y X)]². Se E(Y) = E(X) = E(YX) = 0, etão E(Y X) = 0. V(Y) > V(Y
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 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 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 mais1. Revisão Matemática
1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado
Leia maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
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 mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais
48 Procedmetos para Ajuste e Tratameto Estatístco de Dados Expermetas. Itrodução Modelos matemátcos desevolvdos para descrever eômeos íscos a partr de observações expermetas devem ser baseados em dados
Leia maisA forma geral de um modelo de regressão linear para uma amostra de tamanho n e p variáveis é apresentada a seguir.
2 Regressão O termo regressão fo proposto pela prmera vez por Sr Fracs Galto (885) um estudo ode demostrou que a altura dos flhos ão tede a refletr a altura dos pas, mas tede sm a regredr para a méda da
Leia maisDistribuição Qui-Quadrado: teste de Hipótese para a Variância Populacional
/09/06 Estatístca Aplcada II Dstrbuçã Qu-Quadrad teste de pótese para a Varâca Ppulacal AULA /09/5 Prf a Lla M. Lma Cuha Dstrbuçã Qu-Quadrad testad a varâca -Fazams teste para a méda ps ã checams a cert
Leia maisLista de Exercícios #9 Assunto: Análise de Regressão Método de Mínimos Quadrados
Lsta de Exercícos #9 Assuto: Aálse de Regressão Método de Mímos Quadrados ANPEC 8 Questão 4 Cosdere o segute modelo de regressão lear smples: () y = β + β x + u Para uma amostra com 3 observações, foram
Leia maisPotenciais termodinâmicos, critérios de espontaneidade e condições de equilíbrio
Potecas termodâmcos crtéros de espotaedade e codções de equlíbro O Prcípo da Etropa Máxma váldo para um sstema solado estabelece um crtéro para determarmos o setdo em que ocorrem os processos de forma
Leia mais( k) Tema 02 Risco e Retorno 1. Conceitos Básicos
FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual
Leia maisRegressão e Correlação
Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas
Leia maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
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 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 mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisAULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância.
Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas
Leia mais