ANEXO 3 FUNÇÃO DE DISTRIBUIÇÃO NORMAL (NOR)
|
|
- Márcio Carlos Rocha
- 6 Há anos
- Visualizações:
Transcrição
1 ANEXO UNÇÃO DE DISTRIBUIÇÃO NORMAL (NOR) A.1 dp e/ou d 1 1 f ( ) ep, (A.1) A. Estimativa dos Parâmetros A.. Método da Máima Verosimelhança (MV) 1 N N i i 1 (A.8) s 1 N 1 N i i 1 (A.9) embora, em rigor, o estimador s corresponda à epressão dada pela Eq. (A.9), com N em vez de N-1. A. Obtenção dos Quantis Os quantis são dados por: ˆ s z (A.10) em que z tem a função de distribuição normal padronizada. O quantil da normal padronizada, z (tabelado), pode ser obtido em EXCEL com a função NORMSINV(). A.4 Obtenção do Valor da unção de Distribuição O valor da função de distribuição, (), pode ser obtido considerando que ( ) ( z), com a normal padronizada z epressa por: z (A.14) s e em que (z), a função de distribuição normal padronizada (tabelada) (função NORMSDIST(z), em EXCEL)
2 ANEXO 4 UNÇÃO DE DISTRIBUIÇÃO LOGNORMAL A PARÂMETROS (LN) A4.1 dp e/ou d Se u ln-ξ é NOR então é LN. 1 1 ln( ) f ( ) ep, (A4.1) ( ) A4. Estimativa dos Parâmetros A4.. Método dos Quantis com o Método da Máima Verosimelhança (QMV) Os parâmetros são estimados por (Stedinger, 1980): N ˆ ( ) (1) md, para (N) ( 1) md 0 (A4.8) ( N ) (1) md em que (N) e (1) representam os valores máimo e mínimo da amostra, respectivamente, e md o valor mediano. ln( ˆ) (A4.1) s N i 1 ln i N ˆ (A4.1) A4.4 Obtenção dos Quantis Os quantis são dados por: ˆ ˆ ep s z (A4.6) em que z é calculado como indicado para a fd normal (função NORMSINV(), em EXCEL). A4.5 Obtenção do Valor da unção de Distribuição O valor da função de distribuição, (), é obtido considerando que ( ) ( z), com a normal padronizada z epressa por: ln ˆ z s e (z) calculado como para a função de distribuição normal (função NORMSDIST(z), em EXCEL). (A4.7)
3 ANEXO 5 UNÇÃO DE DISTRIBUIÇÃO LOGNORMAL A PARÂMETROS (LN) A5.1 dp e/ou d Esta função constitui um caso particular da LN, com =0, isto é: 1 1 ln f ( ) ep, 0 (A5.1) pelo que, se u ln é NOR então é LN. A5. Estimativa dos Parâmetros A5.. Método da Máima Verosimelhança (MV) Os parâmetro são estimados por (Stedinger, 1980): ln (A5.6) s N i 1 ln i N (A5.7) A5.4 Obtenção dos Quantis Os quantis são dados pela Eq. (A4.6), com ˆ 0, e em que z é calculado como indicado para a fd normal (função NORMSINV(), em EXCEL), isto é: ˆ ep s z (A5.8) A5.5 Obtenção do Valor da unção de Distribuição O valor da função de distribuição, (), é obtido considerando que ( ) ( z), com a normal padronizada z epressa pela Eq. (A4.7), com ˆ 0, e (z) calculado como para a função de distribuição normal (função NORMSDIST(z), em EXCEL).
4 4 ANEXO 6 UNÇÃO DE DISTRIBUIÇÃO PEARSON TIPO (PR) A6.1 dp e/ou d f ( ) 1 1 ( ) ep, 0 (A6.1) em que u representa a função gama (função EXP(GAMMALN(u)), em EXCEL). A variável padronizada é definida por: (A6.) sendo uma variável aleatória com fd gama, com parâmetro de forma. As respectivas fdp e fd são dadas por: 1 e f ( ) (A6.) ( ) () (), 1 (), α 0, α 0, ξ ξ (A6.4) A6. Estimativa dos Parâmetros A6.. Método dos Momentos (MM) Os parâmetros são estimados por (Bobée e Robitaille, 1977): 4 ˆ (A6.1) ˆ c s ˆ sign ˆ c (A6.14) ˆ em que sign() representa o sinal do respectivo argumento. ˆ ˆ ˆ (A6.15) ˆ c ˆ sb ˆ N N N N sb (A6.16) M ˆ sb (A6.17) M em que M i representa o momento centrado da amostra, de ordem i.
5 5 A6.4 Obtenção dos Quantis ou Os quantis podem ser obtidos através das epressões equivalentes: ˆ ˆ ˆ ˆ (A6.6) ˆ ˆ ˆ K (A6.7) em que K, designado de factor de frequência, é uma v.a. com fd Pearson, com K 0, K 1 e coeficiente de assimetria ˆ (estimando os parâmetros com o método dos momentos: ˆ ˆ c ). À medida que o coeficiente de assimetria tende para zero, o parâmetro de forma tende para infinito, e a fd de Pearson converge para a fd Normal. Os valores ˆ e ˆ apenas correspondem à média e desvio padrão amostrais se o método de estimativa de parâmetros tiver sido o método dos momentos. A Eq. (A6.6) é utilizada para valores de caso contrário. ˆ não muito próimos de zero e a Eq. (A6.7) no Se ˆ 0.1, calcula-se ( ) ( ), 1 ( ), se se 0 0 (A6.9) seguido de 1 ( ) (função GAMMAINV((); ; 1), em EXCEL). inalmente, o quantil pretendido obtém-se por aplicação da Eq. (A6.6). Se ˆ 0.1, o processo acima descrito não pode ser utilizado, pois a função GAMMAINV perde rigor para valores daquele coeficiente perto do zero e não tem solução quando este é nulo. Neste caso, a aproimação para o factor de frequência apresentada por Wilson-Hilfert (Henriques, 1990), fornece bons resultados para aquele intervalo de variação do coeficiente de assimetria (Chowdhur e Stedinger, 1991): ˆ ˆ K 1 ˆ z (A6.0) em que z é valor da normal padronizada correspondente à probabilidade pretendida, obtida como eplicado para a função de distribuição normal (função NORMSINV(), em EXCEL). No entanto, como a Eq. (A6.0) é indeterminada para ˆ P 0, é preferível utilizá-la epandindo a potência do membro direito, o que conduz a (Chowdhur e Stedinger, 1991): ˆ 1 ˆ z z 6z z ˆ ˆ 1 ˆ 1 z K z (A6.0b) inalmente, o quantil pretendido é estimado por aplicação da Eq. (A6.7). A6.5 Obtenção do Valor da unção de Distribuição Se ˆ 0.1, obtém-se por aplicação da Eq. (A6.), com as estimativas ˆ e ˆ. Seguidamente, em EXCEL, o valor de () é obtido através da função GAMMADIST( ; ; 1; TRUE). inalmente, o valor de () é obtido por aplicação da Eq. (A6.4).
6 6 Se ˆ 0.1, obtém-se o valor de K a partir da epressão: K ˆ ˆ (A6.) Em seguida a Eq. (A6.0) é resolvida em ordem a z, o que conduz a: ˆ P 6 ˆ z K 1 1 (A6.5) 6 ˆ Como a Eq. (A6.5) é indeterminada para ˆ P 0, é preferível utilizá-la epandindo a potência do membro direito, o que conduz a: z ˆ 6 K 18 18ˆ K 6ˆ K (A6.5b) inalmente, ( ) ( z), com (z) calculado como para a função de distribuição normal (função NORMSDIST(z), em EXCEL).
7 7 ANEXO 7 UNÇÃO DE DISTRIBUIÇÃO GAMA A PARÂMETROS (GAM) A7.1 dp e/ou d Esta função constitui um caso particular da PR, com 0, isto é: f ( ) 1 ( ) 1 ep, 0 (A7.1) Sendo a variável padronizada definida por: (A7.) e as respectivas fdp e fd dadas por: e 1 e f ( ) ( ) (A7.) ( ) ( ), 0, 0 1 ( ), 0, 0 (A7.4) No entanto, para as séries a considerar, esta função só tem interesse quando 0, já que não há caudais negativos. A7. Estimativa dos Parâmetros A7.. Método da Máima Verosimelhança (MV) Os parâmetros são estimados por (Kite, 1980): C ln ln (A7.1) para 0 C (erro inferior a %): ˆ C C (A7.14) C para C 17 (erro inferior a %): e, finalmente: ˆ C C (A7.15) C C C ˆ ˆ (A7.16)
8 8 A7.4 Obtenção dos Quantis Os quantis podem ser obtidos através das epressões equivalentes, correspondentes às Eqs. (A6.6), com ˆ 0, e (A6.7), isto é: ou ˆ ˆ ˆ (A7.17) ˆ GAM μˆ σˆ K γ (A7.18) Primeiro, GAM é estimado com (Henriques, 1990): GAM sign ˆ ˆ (A7.18b) Se GAM 0. 1, calcula-se () com a Eq. (A6.9), 1 ( ) com a função GAMMAINV((); ; 1) do EXCEL e o quantil pretendido com a Eq. (A7.17). Se 0 GAM 0. 1, calcula-se primeiro o valor do factor de frequência, com a Eq. (A6.0b). Estima-se: e ˆ ˆ ˆ (A7.18c) ˆ ˆ ˆ (A7.18d) e, de seguida, estima-se o quantil pretendido por aplicação da Eq. (A7.18). A7.5 Obtenção do Valor da unção de Distribuição O valor do coeficiente de assimetria é obtido por aplicação da Eq. (A7.18b). Se GAM 0. 1, obtém-se por aplicação da Eq. (A7.), com o valor estimado ˆ, e o valor de () é obtido através da função GAMMADIST(; ; 1; true) do EXCEL. inalmente, o valor de () é obtido por aplicação da Eq. (A7.4). Se 0 0. P 1, então obtém-se o valor de K a partir das Eqs. (A6.), (A7.18c) e (A.7.18d), z a partir da Eq. (A6.5b) e, finalmente, ( ) ( z), com (z) calculado como para a função de distribuição normal (função NORMSDIST(z), em EXCEL).
9 9 ANEXO 8 UNÇÃO DE DISTRIBUIÇÃO LOG-PEARSON TIPO (L) A8.1 dp e/ou d Se u ln é PR então é L. f ( ) 1 ln ( ) 1 ln ep (A8.1) em que, e são os parâmetros de localização, escala e forma, respectivamente, da variável transformada u, ou seja, é um parâmetro de escala e e são parâmetros de forma no espaço da variável. Se CV CV, então 0, 0 ep( ), u <0 e eistem todos os momentos; se 0 a fd é a Log-Normal; se CV CV, então >0, ep( ), u pode ser positivo ou negativo e só há momentos de ordem inferior a 1/. Podemos definir a variável padronizada: ln (A8.) e as respectivas fdp e fd: 1 e f ( ) (A8.) ( ) () (), 1 (), α 0 α 0 (A8.4) A8. Estimativa dos Parâmetros A8..1 Método dos Momentos, no Espaço Real (MM) A relação entre os primeiros momentos em relação à origem e é dada por (Arora e Singh, 1989): ' ln ln ln 1 ' ln ln ln 1 B α ln1 α α ln1 α (A8.5) donde se pode deduzir: 1 0 B B B (A8.6)
10 10 O valor de B é estimado por substituição dos momentos em relação à origem, pelos respectivos momentos amostrais,, ' M e μ, ' μ e ' μ, ' M, no membro esquerdo da Eq. (A8.5). A estimativa de (resolução da Eq. A8.5) efectua-se numericamente de diferentes formas, consoante o valor obtido para B ( Bˆ ), não se considerando valores de Bˆ a que já correspodem valores de α ˆ 4000, nem de B ˆ 6 a que já correspondem valores de αˆ 0.. Para.0784 B ˆ. 944 ( ˆ 0 ) o valor de ˆ tem de se obter por interpolação linear a partir dos valores apresentados no Quadro A8.1 (Arora e Singh, 1989); Quadro A8.1 Valores de e B para utilizar no método directo dos momentos aplicado à L para.944 ˆ. 065 B B ˆ 0.0 ˆ 1 Bˆ 5Bˆ 14 B ln(1 ) ln(1 ) / ln(1 ) ln(1 onte: Arora e Singh (1989) ) vem (Bobée e Robitaille, 1975, em Henriques, 1990): (A8.7) para.065 B ˆ 6 vem (Kite, 1988): ˆ 1 A (A8.8) com:
11 11 A C, para.065 Bˆ.5 A C C C, (A8.9) para.5 Bˆ 6 1 C (A8.10) B ˆ inalmente, uma vez obtido ˆ, os restantes parâmetros são estimados com: ˆ ln M ln(1 ˆ ) ' ln ln(1 ˆ ) (A8.11) ˆ ln ˆ ln(1 ˆ ) (A8.1) A8.4 Obtenção dos Quantis ou Os logarítmos dos quantis podem ser obtidos através das epressões equivalentes: ˆ ln ˆ ˆ ˆ (A8.) u u u ln ˆ ˆ ˆ K (A8.) Primeiro, u é estimado com: ˆ u signˆ (A8.4) ˆ Se 0. 1, calcula-se: u ( ) ( ), 1 ( ), se se 0 0 (A8.5) sendo 1 ( ) obtido a partir da função GAMMAINV((); ; 1) do EXCEL. inalmente, o quantil pretendido é: ˆ ˆ ep ˆ ˆ (A8.6) Se u 0. 1, o factor de frequência é calculado com a Eq. (A6.0b), com ˆ u no lugar de ˆ. Estima-se (Arora e Singh, 1989): e ˆ u ˆ ˆ ˆ (A8.6b) ˆ u ˆ ˆ (A8.6c) e, de seguida, estima-se o quantil pretendido por aplicação sucessiva das Eqs. (A8.) e (A8.6). A8.5 Obtenção do Valor da unção de Distribuição O valor do coeficiente de assimetria dos logaritmos de é obtido por aplicação da Eq. (A8.4).
12 1 Se 0. 1, obtém-se por aplicação da Eq. (A8.), utilizando as estimativas ˆ e ˆ. O valor u de () é obtido através da função GAMMADIST(; ; 1; true) do EXCEL. inalmente, o valor de () é obtido por aplicação da Eq. (A8.4). Se 0. 1, então obtém-se o valor de K a partir da epressão: u K ln ˆ ˆ u u (A8.7) em que o valor médio e desvio padrão dos logaritmos de é dado pelas Eqs. (A8.6b) e (A8.6c). De seguida, z é obtido através da Eq. (A6.5b), com ˆ u no lugar de ˆ, e finalmente, ( ) ( z), com (z) calculado como para a função de distribuição normal (função NORMSDIST(z), em EXCEL).
13 1 ANEXO 9 UNÇÃO DE DISTRIBUIÇÃO GERAL DE EXTREMOS (GEV) A9.1 dp e/ou d 1 κ ξ ep 1 0 (A9.1) α em que, e são os parâmetros de localização, escala e forma, respectivamente. α Se 0 então ξ : esta função é utilizada em Hidrologia sobretudo na caracterização de caudais mínimos, sendo conhecida como a função de etremos tipo III (relacionada com a conhecida função de Weibull). α Se 0 então ξ : conhecida como função de etremos tipo II (ou réchet ou Log- Gumbel). A9. Estimativa dos Parâmetros A9..1 Método dos Momentos Lineares (Momentos-L) Os parâmetros são estimados por (Stedinger et al., 199): com: ˆ 7.859cˆ.9554cˆ (A9.) ln c ˆ (A9.) ˆ ln e em que ˆ representa a estimativa da ª razão entre momentos-l. Seguidamente: ˆ ˆ ˆ, (A9.4) ˆ 1 ˆ 1 em que ˆ é estimativa do º momento linear e EXP(GAMMALN(u)), em EXCEL). inalmente: u representa a função gama (função ˆ ˆ 1 ˆ 1 (A9.5) ˆ A9.4 Obtenção dos Quantis A resolução da Eq. (A9.1) em ordem a conduz a: ˆ ˆ ˆ ˆ 1 ln (A9.6) ˆ Note-se que a Eq. (A9.6) pode ser escrita como: ˆ ˆ ˆ (A9.6b) em que é a variável padronizada GEV, dada por:
14 14 1 ˆ 1 ln (A9.6c) ˆ A9.5 Obtenção do Valor da unção de Distribuição O valor da função de distribuição é dado pela Eq. (A9.1).
15 15 ANEXO 10 UNÇÃO DE DISTRIBUIÇÃO DE EXTREMOS TIPO I (Gumbel) A10.1 dp e/ou d Esta função corresponde à que se obtém quando na GEV 0 : 1 f ( ) ep ep,, 0 (A10.1) ( ) ep ep (A10.) A variável padronizada é definida como: (A10.b) sendo as respectivas fdp e fd dadas por: e a, isto é: g G e e (A10.c) e e (A10.d) Dada uma probabilidade p G p, o valor p obtém-se por solução da Eq. (A10.c) em ordem p ln ln p (A10.e) Note-se que p G. p p A10. Estimativa dos Parâmetros A10..1 Método dos Momentos Lineares (Momentos-L) Os parâmetros são estimados por (Stedinger et al., 199): ˆ ˆ (A10.9) ln ˆ ˆ (A10.10) em que ˆ é estimativa do º momento linear A10.4 Obtenção dos Quantis Os quantis obtêm-se por: ˆ ˆ ˆ ln ln (A10.19)
16 16 A10.5 Obtenção do Valor da unção de Distribuição O valor da função de distribuição obtém-se por aplicação da Eq. (A10.). ATENÇÃO: Estas fórmulas são para máimos. No caso de mínimos podem ser utilizadas desde que se trabalhe com i.
17 17 REERÊNCIAS BIBLIOGRÁICAS Arora, K. e V.P. Singh (1989). A Comparative Evaluation of the Estimators of the Log Pearson Tpe (LP) Distributions, J. Hdrol., 105:19-7. Bobée, B. e R. Robitaille (1977). The Use of the Pearson Tpe and Log Pearson Tpe Distributions Revisited, Water Resour. Res.,1(): Chowdhur, J.U. e J.R. Stedinger (1991). Confidence Interval for Design loods with Estimated Skew Coefficient, J.Hdraul. Eng., 117(7): Haan, C.T. (1977). Statistical Methods in Hdrolog, Iowa State Universit Press, Ames, Iowa. Henriques, A.G. (1990). Modelos de Distribuição de requência de Caudais de Cheia, Dissertação apresentada ao Instituto Superior Técnico para a obtenção do grau de Doutor em Engenharia Civil. Kite, G.W. (1988). requenc and Risk Analsis in Hdrolog, Water Resources Publications, U.S.A. Stedinger, J.R. (1980). itting Log Normal Distributions to Hdrologic Data, Water Resour. Res., 16(): Stedinger, J.R., R.M. Vogel e E. oufoula-georgiou (199). requenc Analsis of Etreme Events, em: Handbook of Hdrolog, D.R. Maidment (Editor), McGraw-Hill, Inc.
Estatística de Extremos Vazões Máximas e Mínimas
Universidade de São Paulo PHA3307 Hidrologia Aplicada Escola Politécnica Departamento de Engenharia Hidráulica e Ambiental Estatística de Etremos Vazões Máimas e Mínimas Aula 8 Parte de Prof. Dr. Arisvaldo
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisBOOTSTRAP. - APLICAÇÃO DO MB: podem ser aplicados quando existe, ou não, um modelo probabilístico bem definido para os dados.
OOTSTRAP INTRODUÇÃO - IDEIA ÁSICA: reamostrar de um conjunto de dados, diretamente ou via um modelo ajustado, a fim de criar replicas dos dados, a partir das quais podemos avaliar a variabilidade de quantidades
Leia maisUniversidade Tecnológica Federal do Paraná. CC54Z - Hidrologia. Introdução a hidrologia estatística. Prof. Fernando Andrade Curitiba, 2014
Universidade Tecnológica Federal do Paraná CC54Z - Hidrologia Introdução a hidrologia estatística Prof. Fernando Andrade Curitiba, 2014 Objetivos da aula Revisar estatística básica aplicada a hidrologia
Leia maisREGIONALIZAÇÃO DE VAZÕES MÁXIMAS - APLICAÇÃO NOS RIOS ARRAIAL E GUARICANA
REGIONALIZAÇÃO DE VAZÕES MÁXIMAS - APLICAÇÃO NOS RIOS ARRAIAL E GUARICANA Martha R. v. Borstel Sugai 1, Fabricio Muller 2 e Heinz Dieter Fill 1 Resumo - As vazões máximas neste estudo são calculadas a
Leia maisA distribuição normal é a distribuição mais importante do campo da Estatística, Muitas funções convergem para a normal (Poisson, Binomial);
Distribuições de Probabilidades Contínuas Capítu 7lo. DISTRIBUIÇÃO NORMAL A distribuição normal é a distribuição mais importante do campo da Estatística, uma vez que: Serve de parâmetro de comparação;
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros α e β (α β) se sua função densidade de probabilidade é dada por f ( ) β α 0, Notação:
Leia maisINSTITUTO SUPERIOR TÉCNICO DEPARTAMENTO DE ENGENHARIA CIVIL E ARQUITECTURA SECÇÃO DE HIDRÁULICA E DOS RECURSOS HÍDRICOS E AMBIENTAIS
INSTITUTO SUPERIOR TÉCNICO DEPARTAMENTO DE ENGENHARIA CIVIL E ARQUITECTURA SECÇÃO DE HIDRÁULICA E DOS RECURSOS HÍDRICOS E AMBIENTAIS º Ano da Licenciatura em Engenharia do Ambiente 005/006 º semestre Hidrologia
Leia maisAula 12. Interpolação Parte 1
CÁLCULO NUMÉRICO Aula 12 Interpolação Parte 1 INTERPOLAÇÃO Cálculo Numérico 3/57 MOTIVAÇÃO A seguinte tabela relaciona densidade da água e temperatura: Temperatura ( o C) 20 25 30 35 40 Densidade (g/m
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 00 5.. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros α e β (α β) se sua função densidade de probabilidade é dada por f ( ) β α 0, Notação:
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Leia maisTESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS
TESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS Antes de apresentar alguns dos testes de hipóteses e intervalos de confiança mais usuais em MLG, segue a definição de modelos
Leia maisXIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
ANÁLISE DE DISTRIBUIÇÕES DE PROBABILIDADES E ESTIMATIVA DA Q 7,10 PARA A REGIÃO DO RIO ITABAPOANA, ESPÍRITO SANTO/RIO DE JANEIRO. LEANDRO CAMPOS PINTO 1, EWERTON FELIPE DO PRADO MACHADO 2 ; CARLOS ROGÉRIO
Leia maisCapítulo 151 Distribuição de Gumbel e Log-Pearson Tipo III
Capítulo 151 Distribuição de Gumbel e Log-Pearson Tipo III 151-1 Capitulo 151- Distribuição de Gumbel e Log-Pearson Tipo III 151.1 Introdução Quando queremos a máxima precipitação, o máximo vento, o máximo
Leia maisNOTAS DE AULA. Medidas Descritivas. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DE AULA Medidas Descritivas Prof.: Idemauro Antonio Rodrigues de Lara 2 PRINCIPAIS MEDIDAS DESCRITIVAS 1. Medidas de tendência central 1.1 Média 1.2 Mediana 1.3 Moda 2. Medidas de dispersão 2.1
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
Leia maisESTIMAÇÃO DE PARÂMETROS
ESTIMAÇÃO DE PARÂMETROS Um dos principais objetivos da estatística inferencial consiste em estimar os valores de parâmetros populacionais desconhecidos (estimação de parâmetros) utilizando dados amostrais.
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisINFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE
INFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE A análise de deviance é uma generalização, para modelos lineares generalizados, da análise de variância. No caso de modelos lineares, utiliza-se
Leia maisUMa das abordagens mais úteis para modelagem de sistemas é a caracterização de eventos
3 Capítulo 1 Distribuições de Probabilidade 1.1 Introdução UMa das abordagens mais úteis para modelagem de sistemas é a caracterização de eventos através de distribuições de probabilidade. As distribuições
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisINSTITUTO SUPERIOR TÉCNICO DEPARTAMENTO DE ENGENHARIA CIVIL E ARQUITECTURA SECÇÃO DE HIDRÁULICA E DOS RECURSOS HÍDRICOS E AMBIENTAIS
INSTITUTO SUPERIOR TÉCNICO DEPARTAMENTO DE ENGENHARIA CIVIL E ARQUITECTURA SECÇÃO DE HIDRÁULICA E DOS RECURSOS HÍDRICOS E AMBIENTAIS 4º Ano da Licenciatura em Engenharia Civil 00/004 1º semestre Hidrologia
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Explicar os conceitos gerais de estimação de
Leia maisAula 10. Integração Numérica
CÁLCULO NUMÉRICO Aula Integração Numérica Integração Numérica Cálculo Numérico 3/4 Integração Numérica Em determinadas situações, integrais são difíceis, ou mesmo impossíveis de se resolver analiticamente.
Leia maisESTUDO DA PRECIPITAÇÃO DO MUNICÍPIO DE POMBAL-PB USANDO DISTRIBUIÇÃO DE PROBABILIDADE
ESTUDO DA PRECIPITAÇÃO DO MUNICÍPIO DE POMBAL-PB USANDO DISTRIBUIÇÃO DE PROBABILIDADE Valneli da Silva Melo ; Kelly Dayane Silva do Ó ; Eliane Andrade de Araújo Pereira UEPB-Universidade Estadual da Paraíba/Campina
Leia maisHIDROLOGIA BÁSICA Capítulo 5 - Hidrologia Estatística 5 HIDROLOGIA ESTATÍSTICA 5.1
5 HIDROLOGIA ESAÍSICA 5.1 5 - HIDROLOGIA ESAÍSICA 5.1 - Considerações Iniciais Séries de variáveis hidrológicas como precipitações, vazões, evaporação e outras, quando observadas ao longo do tempo, apresentam
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variância amostral Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum Likehood
Leia mais2.3 Operações sobre uma variável aleatória - Esperança matemática
matemática 58 atingir a mosca dado que ele atingiu o alvo. Exercício 2.33. [3] Duas caixas tem bolas vermelhas, verdes e azuis dentro; a quantidade de cada uma é dada a seguir. Caixa 01-5 vermelhas; 35
Leia maisHidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira
Hidrologia, Ambiente e Recursos Hídricos 2009 / 2010 Rodrigo Proença de Oliveira Avaliação do escoamento IST: Hidrologia, Ambiente e Recursos Hídricos Rodrigo Proença de Oliveira, 2009 2 Ciclo hidrológico:
Leia mais10. Aplicação das Técnicas de Probabilidade e Estatística em Hidrologia
10.1. Determinação do valor de projeto Em favor da segurança, geralmente as obras de recursos hídricos são dimensionadas para valores extremos ou característicos que garantam ao mesmo tempo a segurança
Leia maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Probabilidade Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Planejamento Experimental 2 fatores manipuláveis x 1 x 2 x p entradas Processo...... saídas
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisHIDROLOGIA AULA 14 HIDROLOGIA ESTATÍSTICA. 5 semestre - Engenharia Civil. Profª. Priscila Pini
HIDROLOGIA AULA 14 5 semestre - Engenharia Civil HIDROLOGIA ESTATÍSTICA Profª. Priscila Pini prof.priscila@feitep.edu.br INTRODUÇÃO Chuva e vazão Grande variabilidade no tempo! Estatística em Hidrologia:
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisAnálise estatística da precipitação máxima diária anual da cidade de Uberaba e vazão mínima diária anual do Rio Uberaba
Revista Agrogeoambiental v4n3, dezembro 202 Análise estatística da precipitação máxima diária anual da cidade de Uberaba e vazão mínima diária anual do Rio Uberaba Michael Silveira Thebaldi* * Universidade
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Análise Estatística. Análise Estatística Motivação: Fila de 1 servidor. Clientes chegam em um banco (sistema)
Leia maisJosé Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas
UNIVERSIDADE FEDERAL DE OURO PRETO Instituto de Ciências Eatas e Biológicas Departamento de Computação José Álvaro Tadeu Ferreira Cálculo Numérico Notas de aulas Integração Numérica Ouro Preto (Última
Leia mais10.3 Métodos estatísticos
10.3 Métodos estatísticos O estudo de VAZÕES MÁXIMAS pode ser realizado através de DISTRIBUIÇÕES ESTATÍSTICAS DE VARIÁVEIS CONTÍNUAS Métodos: - Distribuição de Gumbel - Distribuição Exponencial de dois
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisCAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES
CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios não lineares; Equações transcendentais equações que envolvem funções
Leia maisEstatística Aplicada II. } Regressão Linear
Estatística Aplicada II } Regressão Linear 1 Aula de hoje } Tópicos } Regressão Linear } Referência } Barrow, M. Estatística para economia, contabilidade e administração. São Paulo: Ática, 007, Cap. 7
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia maisHIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia (cont.)
HIDROLOGIA E RECURSOS HÍDRICOS Aálie etatítica aplicada à hidrologia (cot.) Caudal de pota de cheia que ão é excedido em 9% da ocorrêcia? Máxima precipitação em D h com dada probabilidade de excedêcia?
Leia maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisPREVISÃO DE EVENTOS HIDROLÓGICOS
Universidade Federal do Ceará Centro de Ciências Agrárias Departamento de Engenharia Agrícola Disciplina: Drenagem na Agricultura Prof. Raimundo Nonato Távora Costa PREVISÃO DE EVENTOS HIDROLÓGICOS Previsão
Leia maisCapítulo Limites e continuidade
Cálculo 2 - Capítulo 2.2 - Limites e continuidade Capítulo 2.2 - Limites e continuidade 2.2. - Domínio e imagem 2.2.3 - Continuidade 2.2.2 - Limites Limites são a base do Cálculo Diferencial e Integral
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Leia maisAPLICAÇÃO CONVENCIONAL DE DISTRIBUIÇÕES DE PROBABILIDADES PARA VAZÕES MÍNIMAS
APLICAÇÃO CONVENCIONAL DE DISTRIBUIÇÕES DE PROBABILIDADES PARA VAZÕES MÍNIMAS Adelita Ramaiana Bennemann Granemann 1* ; Ana Paula Muhlenhoff 1 ; Pedro S. Jayo 1 ; Caroline Kozak 1 & Miriam Rita Moro Mine
Leia maisEstimação de valores. Luiz Carlos Terra
Luiz Carlos Terra Nesta aula, você conhecerá a parte mais importante da estatística, que é conhecida como inferência estatística, ou seja, você aprenderá como usar os dados de uma amostra para estimar
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisTeorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança
Teorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança Prof. Marcos Pó Métodos Quantitativos para Ciências Sociais Distribuição amostral Duas amostragens iguais
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisMatemática Computacional Ficha 5 (Capítulo 5) 1. Revisão matéria/formulário
Matemática Computacional Ficha 5 (Capítulo 5) Integração numérica 1. Revisão matéria/formulário A técnica de aproximar o integral de f pelo integral do seu polinómio interpolador passando num conjunto
Leia maisDistribuição de probabilidades para precipitação máxima diária na Bacia Hidrográfica do Rio Verde, Minas Gerais
Distribuição de probabilidades para precipitação máxima diária na Bacia Hidrográfica do Rio Verde, Minas Gerais Camila S. Franco, Rosângela F. P. V. Marques 2, Alisson S. Oliveira 3 & Luiz F. C. de Oliveira
Leia mais5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisMATEMÁTICA A - 12o Ano Funções - 2 a Derivada (concavidades e pontos de inflexão) Propostas de resolução
MATEMÁTICA A - 1o Ano Funções - a Derivada concavidades e pontos de infleão) Propostas de resolução Eercícios de eames e testes intermédios 1. Por observação do gráfico de f, podemos observar o sentido
Leia maisInferência Estatística:
Inferência Estatística: Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos Estimação É um processo que
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisDistribuições de Probabilidade. Variáveis aleatórias contínuas
Distribuições de Probabilidade Variáveis aleatórias contínuas 1 Variáveis contínuas Uma variável aleatória contínua toma um nº infinito não numerável de valores (intervalos de números reais), os quais
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisAnálise das Funções Weibull, Normal e Sb Johnson na modelagem da distribuição diamétrica de Eucalyptus urophylla na Região de Brasília- DF.
Universidade de Brasília Faculdade de Tecnologia Departamento de Engenharia Florestal Análise das Funções Weibull, Normal e Sb Johnson na modelagem da distribuição diamétrica de Eucalyptus urophylla na
Leia maisIncerteza e propagação de Erros em sistemas de medição. Prof. Valner Material desenvolvido com notas de aulas e bibliografia
Incerteza e propagação de Erros em sistemas de medição Prof. Valner Material desenvolvido com notas de aulas e bibliografia Incerteza de medição Documento importante: Guide to the Epression of Uncertaint
Leia mais4. Tensores cartesianos em 3D simétricos
4. Tensores cartesianos em D simétricos 4.1 Valores e vectores próprios ou valores e direcções principais Em D não é possível deduzir as fórmulas que determinam os valores e as direcções principais na
Leia maisEstatística I Aula 3. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 3 Prof.: Patricia Maria Bortolon, D. Sc. Estatística: Prof. André Carvalhal Dados quantitativos: medidas numéricas Propriedades Numéricas Tendência Central Dispersão Formato Média Mediana
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisPalavras Chave: Método dos Momentos, Método da Máxima Verossimilhança, Estimadores de parâmetros
ANÁLISE DA EFICIÊNCIA DOS MÉTODOS DOS MOMENTOS E DA MÁXIMA VEROSSIMILHANÇA NA ESTIMATIVA DE PARÂMETROS DA DISTRIBUIÇÃO GAMA II: UMA ABORDAGEM PROBABILÍSTICA José Nilson B. Campos 1 ; Luiz Sérgio Vasconcelos
Leia maisANÁLISE DE FREQUENCIA E PRECIPITAÇÃO HIDROLOGICA DE CINCO ESTAÇÕES AGROCLIMATOLÓGICAS DA REGIÃO CENTRO- SUL DA BAHIA
ANÁLISE DE FREQUENCIA E PRECIPITAÇÃO HIDROLOGICA DE CINCO ESTAÇÕES AGROCLIMATOLÓGICAS DA REGIÃO CENTRO- SUL DA BAHIA Fabiano de Sousa Oliveira (1) ; Cristiano Tagliaferre (2) ; (1) Engenheiro Agrônomo;
Leia maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisInferência Estatística. Medidas de Tendência Central Medidas de Variação Medidas de Posição
Inferência Estatística Medidas de Tendência Central Medidas de Variação Medidas de Posição Notações Estatísticas Característica amostra população Somatório de um conjunto de valores Valores individuais
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 221171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisExercícios de Cálculo p. Informática, Ex 1-1 Nas alíneas seguintes use os termos inteiro, racional, irracional, para classificar
Eercícios de Cálculo p. Informática, 2006-07 Números Reais. E - Nas alíneas seguintes use os termos inteiro, racional, irracional, para classificar o número dado: 7 a) b) 6 7 c) 2.(3) = 2.33 d) 2 3 e)
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisFernando Moura DME-UFRJ. V Escola de Amostragem
Modelos assimétricos para estimação em pequenos domínios Fernando Moura DME-UFRJ V Escola de Amostragem Cuiabá Outubro 2017 Fernando Moura DME-UFRJ () 1 / 1 Sumário Sumário Fernando Moura DME-UFRJ () 2
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Pertencem ao grupo de ferramentas estatísticas que permitem caracterizar um conjunto de dados sob ponto de vista da tendência
Leia maisANÁLISE ESTATÍSTICA DE DEFEITOS EM ROLAMENTOS FERROVIÁRIOS
ANÁLISE ESTATÍSTICA DE DEEITOS EM ROLAMENTOS ERROVIÁRIOS Ana Paula Nunes de Araujo, Eng. Jorge Luiz de Almeida erreira, Dr. Departamento de Engenharia Mecânica, aculdade de Tecnologia, Universidade de
Leia maisAVALIAÇÃO DE METODOLOGIAS DE ESTIMATIVA DA Q 7,10 NO RIO TIJUCO, EM MINAS GERAIS
AVALIAÇÃO DE METODOLOGIAS DE ESTIMATIVA DA Q 7,10 NO RIO TIJUCO, EM MINAS GERAIS Pedro Corsino Durant (*), Giulia Faria Shimamoto 2, Yasmim Twanne de Cássia Silva 3, Márcia Regina Batistela Morais 4, Hudson
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
Leia maisNoções sobre Regressão
Noções sobre Regressão Nos interessa estudar como uma variável varia em função de outra. Por exemplo, considere a questão de demanda e preço de bens. Quando se estuda a variação de uma variável Y em função
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisPRECIPITAÇÃO MENSAL PROVÁVEL DO MUNICÍPIO DE FORMIGA MG PROBABLE MONTHLY RAINFALL OF THE MUNICIPALITY OF FORMIGA MG
Revista Brasileira de Agricultura Irrigada v.12, nº.5, p. 2823 2833, 2018 ISSN 1982-7679 (On-line) Fortaleza, CE, INOVAGRI http://www.inovagri.org.br DOI: 10.7127/rbai.v12n500714 Protocolo 714.18 10/07/2018
Leia maisEstimativas e Erros. Propagação de erros e Ajuste de funções
Estimativas e Erros Propagação de erros e Ajuste de funções 1 Algumas referências Estimativas e Erros em Experimentos de Física - Vitor Oguri et al (EdUERJ) Fundamentos da Teoria de Erros - José Henrique
Leia maisEscola Secundária com 3º ciclo D. Dinis 12º Ano de Matemática A Tema III Trigonometria e Números Complexos. 5º Teste de avaliação versão B.
Escola Secundária com 3º ciclo D. Dinis º Ano de Matemática A Tema III Trigonometria e Números Compleos º Teste de avaliação versão B Grupo I As cinco questões deste grupo são de escolha múltipla. Para
Leia mais