Estatística: Aplicação ao Sensoriamento Remoto SER ANO Teste de Hipótese

Tamanho: px
Começar a partir da página:

Download "Estatística: Aplicação ao Sensoriamento Remoto SER ANO Teste de Hipótese"

Transcrição

1 Estatística: Aplicação ao Sesoriameto Remoto SER 4 - ANO 18 Teste de Hipótese Camilo Daleles Reó camilo@dpi.ipe.br

2 Estimação de Parâmetros Como já foi visto, um parâmetro pode ser estimado através de um úico valor (estimador potual) ou a partir de um itervalo de cofiaça Por exemplo: f(x) f( )? amostra 1,,..., descohecido IC Isso é particularmete útil quado ão se cohece ada a respeito do parâmetro e/ou distribuição estudada. Mas se já houvesse uma ideia de qual deveria ser o valor deste parâmetro descohecido, haveria algum procedimeto para comprovar ou refutar esta suposição? Teste de Hipótese

3 Uma amostra de 5 valores foi selecioada, chegado a uma média amostral igual a 11,3. Poderia esta média amostral ter sido obtida de uma população com média = 1? Hipóteses H : = 1 H 1 : 1 z (hipótese ula) (hipótese alterativa),4 defiição de uma estatística que relacioa o parâmetro ao seu, estimador (válida sob qualquer hipótese) ~ N(,1) Teste de Hipótese para,14,1,1,8,6 Pressuposições: a) População tem distribuição Normal ou Teorema do Limite Cetral é válido b) Variâcia populacioal é cohecida N(,1) - + 3

4 Teste de Hipótese para Uma amostra de 5 valores foi selecioada, chegado a uma média amostral igual a 11,3. Poderia esta média amostral ter sido obtida de uma população com média = 1? Hipóteses H : = 1 H 1 : 1 z Se H é verdadeira, etão 1 z ~ N (,1) (hipótese ula) (hipótese alterativa) ~ N(,1),14,1,1,8,6,4, (válida somete se H for verdadeira) Quais os valores desta estatística idicariam que H seria verdadeira? E quais os valores desta estatística idicariam que H seria falsa? N(,1) z <<< Se H falsa z = Se H verdadeira z >>> Se H falsa 4

5 Uma amostra de 5 valores foi selecioada, chegado a uma média amostral igual a 11,3. Poderia esta média amostral ter sido obtida de uma população com média = 1? Hipóteses H : = 1 H 1 : 1 z Se H é verdadeira, etão 1 z ~ N (,1) Região Crítica: (hipótese ula) (hipótese alterativa) ~ N(,1) aceito H se z crít < z < z crít rejeito H caso cotrário Teste de Hipótese para,14,1,1,8,6,4, -z crít 1 z crít N(,1) rejeição de H P( z crít < z < z crít ) = 1 - P( z > z crít ) = aceitação de H rejeição de H Coclusão (sempre associada a um ível de sigificâcia ) 5

6 Teste de Hipótese para Uma amostra de 5 valores foi selecioada, chegado a uma média amostral igual a 11,3. Poderia esta média amostral ter sido obtida de uma população com média = 1? Por simplificação, cosideremos que,14 = 16. Adote = 5%. Hipóteses H : = 1 H 1 : 1 z (hipótese ula) (hipótese alterativa) ~ N(,1),1,8,6,4, Se H é verdadeira, etão 1 11,3 1 z ~ N (,1) z 1, Região Crítica:,1 -z crít 1,96 z crít N(,1) - -1, rejeição de H aceito H se 1,96 z crít < z z < z crít 1,96 P( z crít < z < z crít ) = 1 - rejeito H caso cotrário P( z > z crít ) =,5% 195%,5% aceitação de H rejeição de H Coclusão: (sempre ão há razões associada para a discordar um ível de que sigificâcia) a média seja de fato 1, adotado-se 5% de sigificâcia 6 1,65

7 Teste de Hipótese para Em algus casos, há evidêcias de que, se o parâmetro ão for aquele defiido a hipótese ula, ele será maior ou etão meor do que o valor testado. No exemplo aterior, 11,3 Com esta média amostral, pode-se pesar que o verdadeiro valor de é a realidade maior do que aquele defiido a hipótese ula (H : = 1). Neste caso, pode-se defiir a hipótese alterativa como uilateral. 7

8 Hipóteses H : = 1 H 1 : > 1 z z ~ N(,1) Se H é verdadeira, etão 1 ~ N (,1) Região Crítica: Teste de Hipótese para Uma amostra de 5 valores foi selecioada, chegado a uma média amostral igual a 11,3. Poderia esta média amostral ter sido obtida de uma população com média = 1? Por simplificação, cosideremos que = 16. Adote = 5%. (teste uilateral),14,1,1,8,6,4, aceito H se z < z crít P(z < z crít ) = 1 - rejeito H caso cotrário P(z > z crít ) = 1 N(,1) - z crít aceitação de H rejeição de H se H for falso, etão espera-se valores de z bem maiores que zero. Coclusão (sempre associada a um ível de sigificâcia ) 8

9 Hipóteses H : = 1 H 1 : > 1 z z ~ N(,1) Se H é verdadeira, etão 1 ~ N (,1) Região Crítica: Teste de Hipótese para Uma amostra de 5 valores foi selecioada, chegado a uma média amostral igual a 11,3. Poderia esta média amostral ter sido obtida de uma população com média = 1? Por simplificação, cosideremos que = 16. Adote = 5%. (teste uilateral),14,1,1,8,6,4, 11,3 1 z 1, aceito H se z < z1,645 crít P(z < z crít ) = 1 - rejeito H caso cotrário P(z > z crít ) = 95% N(,1) 5% ,645 z crít + aceitação de H 1,65 rejeição de H Coclusão: (sempre ão há razões associada para a discordar um ível de que sigificâcia) a média seja de fato 1, adotado-se 5% de sigificâcia 9

10 Teste de Hipótese para Uma v.a. qualquer tem uma distribuição ormal com média e variâcia descohecidas. Retira-se uma amostra de 5 valores e calcula-se a variâcia amostral. Teste a hipótese de que a verdadeira variâcia seja igual a 4. Hipóteses H : = 4 H 1 : 4 ( 1) s (hipótese ula) (hipótese alterativa) ~ Se H é verdadeira, etão ( 1) s 4 Região Crítica: ~ 1 aceito H se x a < < x b P(x a < < x b ) = 1 - rejeito H caso cotrário xa xb + rejeição de H aceitação de H rejeição de H Coclusão (sempre associada a um ível de sigificâcia ) 1

11 Teste de Hipótese para Uma v.a. qualquer tem uma distribuição ormal com média e variâcia descohecidas. Retira-se uma amostra de 5 valores e calcula-se a variâcia amostral. Teste a hipótese de que a verdadeira variâcia seja igual a 4. Supoha que s =,34. Cosidere = 5%. Hipóteses H : = 4 H 1 : 4 ( 1) s ~ 1,5% 95% 4,5% Se H é verdadeira, etão 4s 4 Região Crítica: ~ 4 4.,34 14,4 4 xa xb +?? 11

12 Distribuição t + P 4 x a P ( ),975 P 4 x b ( ),5 ( g t ) g,5,1,5,5,1,9,95,975,99, ,88 6,63 5, 3,84,71,16,39,1,16,4 1,6 9,1 7,38 5,99 4,61,1,1,51,,1 3 1,84 11,34 9,35 7,81 6,5,58,35,,11,7 4 14,86 13,8 11,14 9,49 7,78 1,6,71,48,3,1 5 16,75 15,9 1,83 11,7 9,4 1,61 1,15,83,55, ,55 16,81 14,45 1,59 1,64, 1,64 1,4,87,68 7,8 18,48 16,1 14,7 1,,83,17 1,69 1,4,99 8 1,95,9 17,53 15,51 13,36 3,49,73,18 1,65 1,34 9 3,59 1,67 19, 16,9 14,68 4,17 3,33,7,9 1,73 1 5,19 3,1,48 18,31 15,99 4,87 3,94 3,5,56, ,76 4,7 1,9 19,68 17,8 5,58 4,57 3,8 3,5,6 1 8,3 6, 3,34 1,3 18,55 6,3 5,3 4,4 3,57 3,7 13 9,8 7,69 4,74,36 19,81 7,4 5,89 5,1 4,11 3, ,3 9,14 6,1 3,68 1,6 7,79 6,57 5,63 4,66 4,7 15 3,8 3,58 7,49 5,,31 8,55 7,6 6,6 5,3 4, ,7 3, 8,85 6,3 3,54 9,31 7,96 6,91 5,81 5, ,7 33,41 3,19 7,59 4,77 1,9 8,67 7,56 6,41 5, ,16 34,81 31,53 8,87 5,99 1,86 9,39 8,3 7,1 6, ,58 36,19 3,85 3,14 7, 11,65 1,1 8,91 7,63 6,84 4, 37,57 34,17 31,41 8,41 1,44 1,85 9,59 8,6 7, ,4 38,93 35,48 3,67 9,6 13,4 11,59 1,8 8,9 8,3 4,8 4,9 36,78 33,9 3,81 14,4 1,34 1,98 9,54 8, ,18 41,64 38,8 35,17 3,1 14,85 13,9 11,69 1, 9,6 4 45,56 4,98 39,36 36,4 33, 15,66 13,85 1,4 1,86 9, ,93 44,31 4,65 37,65 34,38 16,47 14,61 13,1 11,5 1,5 6 48,9 45,64 41,9 38,89 35,56 17,9 15,38 13,84 1, 11, ,64 46,96 43,19 4,11 36,74 18,11 16,15 14,57 1,88 11,81 8 5,99 48,8 44,46 41,34 37,9 18,94 16,93 15,31 13,56 1,46 9 5,34 49,59 45,7 4,56 39,9 19,77 17,71 16,5 14,6 13,1 3 53,67 5,89 46,98 43,77 4,6,6 18,49 16,79 14,95 13, ,77 63,69 59,34 55,76 51,81 9,5 6,51 4,43,16, ,49 76,15 71,4 67,5 63,17 37,69 34,76 3,36 9,71 7, ,95 88,38 83,3 79,8 74,4 46,46 43,19 4,48 37,48 35, ,1 1,43 95, 9,53 85,53 55,33 51,74 48,76 45,44 43, ,3 11,33 16,63 11,88 96,58 64,8 6,39 57,15 53,54 51, ,3 14,1 118,14 113,15 17,57 73,9 69,13 65,65 61,75 59, 1 14,17 135,81 19,56 14,34 118,5 8,36 77,93 74, 7,6 67,33 1

13 Teste de Hipótese para Uma v.a. qualquer tem uma distribuição ormal com média e variâcia descohecidas. Retira-se uma amostra de 5 valores e calcula-se a variâcia amostral. Teste a hipótese de que a verdadeira variâcia seja igual a 4. Supoha que s =,34. Cosidere = 5%. Hipóteses H : = 4 H 1 : 4 ( 1) s ~ 1,5% 95% 4,5% Se H é verdadeira, etão 4s 4 Região Crítica: ~ 4 aceito H se 1,4 < < 39,36 rejeito H caso cotrário 4.,34 14,4 4 xa xb +? 1,4? 39,36 Coclusão: Aceito H, ou seja, ão há razões para discordar que, a 5%, = 4. 13

14 Teste de Hipótese para com descohecida Uma v.a. qualquer tem uma distribuição ormal com média e variâcia descohecidas. Retira-se uma amostra de 5 valores e calcula-se a média amostral e a variâcia amostral. Supodo que 1,7 e s = 4,5, teste a hipótese uilateral de que = 15. Hipóteses H : = 15 (hipótese ula) H 1 : < 15 (hipótese alterativa uilateral) t ~ t 1 s Se H é verdadeira, etão 15 t ~ t 1 s Região Crítica: aceito H se t > t crít P(t > t crít ) = 1 - rejeito H caso cotrário,14,1,1,8,6,4, Coclusão (sempre associada a um ível de sigificâcia ) t crít rejeição de H 1 t 1 aceitação de H 14

15 Teste de Hipótese para com descohecida Uma v.a. qualquer tem uma distribuição ormal com média e variâcia descohecidas. Retira-se uma amostra de 5 valores e calcula-se a média amostral e a variâcia amostral. Supodo que 1,7 e s = 4,5, teste a hipótese uilateral de que = 15. Cosidere = 1%. Hipóteses H : = 15 H 1 : < 15 t s ~ t 1 Se H é verdadeira, etão 15 t ~ t4 s Região Crítica: 1, 7 15 t,1 5 5,43,14,1,1,8,6,4, 1% -? rejeição de H 99% t 4 aceitação de H 15

16 Distribuição t de Studet,14,1,1,8,6,4, t + P( T t),1 4 PT ( 4, 49), 1 P( T t) g g,1,5,5,1,5 1 3,78 6,314 1,76 31,81 63,656 1,886,9 4,33 6,965 9,95 3 1,638,353 3,18 4,541 5, ,533,13,776 3,747 4,64 5 1,476,15,571 3,365 4,3 6 1,44 1,943,447 3,143 3,77 7 1,415 1,895,365,998 3, ,397 1,86,36,896 3, ,383 1,833,6,81 3,5 1 1,37 1,81,8,764 3, ,363 1,796,1,718 3,16 1 1,356 1,78,179,681 3, ,35 1,771,16,65 3,1 14 1,345 1,761,145,64, ,341 1,753,131,6, ,337 1,746,1,583, ,333 1,74,11,567, ,33 1,734,11,55, ,38 1,79,93,539,861 1,35 1,75,86,58, ,33 1,71,8,518,831 1,31 1,717,74,58, ,319 1,714,69,5,87 4 1,318 1,711,64,49, ,316 1,78,6,485, ,315 1,76,56,479, ,314 1,73,5,473, ,313 1,71,48,467, ,311 1,699,45,46, ,31 1,697,4,457,75 4 1,33 1,684,1,43,74 5 1,99 1,676,9,43, ,96 1,671,,39,66 1 1,89 1,658 1,98,358,617 1,8 1,645 1,96,36,576 16

17 Teste de Hipótese para com descohecida Uma v.a. qualquer tem uma distribuição ormal com média e variâcia descohecidas. Retira-se uma amostra de 5 valores e calcula-se a média amostral e a variâcia amostral. Supodo que 1,7 e s = 4,5, teste a hipótese uilateral de que = 15. Cosidere = 1%. Hipóteses H : = 15 H 1 : < 15 t s ~ t 1 Se H é verdadeira, etão 15 t ~ t4 s Região Crítica: aceito H se t > -,49 rejeito H caso cotrário 1, 7 15 t 5,43,1 5,14,1,1,8,6,4, - -, rejeição de H Coclusão: rejeito H, ou seja, a média é sigificativamete (a 1%) meor que 15 1% 99% t 4 aceitação de H 17

18 Hipóteses H : p = p H 1 : p p pˆ p pq ~ N(,1) Se H é verdadeira, etão z pˆ p pq Região Crítica: Teste de Hipótese para p ~ N(,1) difereça para a abordagem do IC para p aceito H se z crít < z < z crít rejeito H caso cotrário,14,1,8,6,4, P( z crít < z < z crít ) = 1 - P( z > z crít ) = Coclusão (sempre associada a um ível de sigificâcia ),1 1 N(,1) - -z crít z crít rejeição de H aceitação de H rejeição de H 18

19 Teste de Hipótese Erros I e II Toda coclusão de um teste de hipótese está associada a um ível de sigificâcia e portato ão pode ser cosiderado 1% cofiável. Imagie a seguite situação: Hipóteses H : = H 1 : > Mesmo sedo H verdadeira, existe a possibilidade de se selecioar uma amostra desta população e obter uma média amostral tão alta que leve a coclusão errada de que H,14 é falsa? N(,1) f(x),1 >>> z > z,1 crít Se H é verdadeira, etão H falsa,8 z,4 ~ N(,1),,6 1 - z crít aceita H rejeita H amostra { 1,, 3, 4, 5 } 19

20 Teste de Hipótese Erros I e II Toda coclusão de um teste de hipótese está associada a um ível de sigificâcia e portato ão pode ser cosiderado 1% cofiável. Imagie a seguite situação: Hipóteses H : = H 1 : > Mesmo sedo H verdadeira, existe a possibilidade de se selecioar uma amostra desta população e obter uma média amostral tão alta que leve a coclusão errada de que H é falsa? Sim. Este erro é chamado de erro do tipo I e equivale ao ível de sigificâcia. Este erro é sempre cohecido sedo, em geral, defiido previamete pelo tomador de decisão.

21 Teste de Hipótese Erros I e II Toda coclusão de um teste de hipótese está associada a um ível de sigificâcia e portato ão pode ser cosiderado 1% cofiável. Imagie a seguite situação: Hipóteses H : = H 1 : >,14,1 Se H fosse verdadeira: z ~ N(,1) ~ N(, ) z Agora, sedo H falsa, existe a,8 possibilidade de se selecioar uma,6 amostra desta população cuja média,4 verdadeira é 1 (> ) e obter uma, média amostral tão pequea que leve a coclusão errada de que H é verdadeira?,1 1 - z crít aceita H rejeita H 1

22 Teste de Hipótese Erros I e II Toda coclusão de um teste de hipótese está associada a um ível de sigificâcia e portato ão pode ser cosiderado 1% cofiável. Imagie a seguite situação: Hipóteses H : = H 1 : >,14 Agora, sedo H falsa, existe a,1 possibilidade de se selecioar uma,1,8 amostra desta população cuja média,6 verdadeira é 1 (> ) e obter uma,4, média amostral tão pequea que leve a coclusão errada de que H é verdadeira? Se H for, de fato, falsa: N ~ (, ) ~ N( 1, ) 1 crít 1 N 1 ~ (, ) Sim. Este erro é chamado de erro do tipo II ou erro. aceita H crít z crít rejeita H

23 Teste de Hipótese Erros I e II Toda coclusão de um teste de hipótese está associada a um ível de sigificâcia e portato ão pode ser cosiderado 1% cofiável. Imagie a seguite situação: Hipóteses H : = H 1 : >,14 Agora, sedo H falsa, existe a,1 possibilidade de se selecioar uma,1,8 amostra desta população cuja média,6 verdadeira é 1 (> ) e obter uma,4, média amostral tão pequea que leve a coclusão errada de que H é verdadeira? Se H for, de fato, falsa: N ~ (, ) ~ N( 1, ) crít 1 N 1 ~ (, ) Sim. Este erro é chamado de erro do tipo II ou erro. aceita H rejeita H Este erro é quase sempre egligeciado sedo iflueciado por diversos fatores (ver detalhes adiate). 3

24 Teste de Hipótese Erros I e II Hipóteses H : = H 1 : >,14,1,1,8 N ~ (, ) N 1 ~ (, ) Aceita H H é verd.,4 H é falso 1 -,6, crít 1 Rejeita H 1 - aceita H rejeita H P(rejeitar H / H é verdadeira) = (ível de sigificâcia ou erro do tipo I) P(aceitar H / H é verdadeira) = 1 - (ível de cofiaça) P(aceitar H / H 1 é verdadeira) = (erro do tipo II) P(rejeitar H / H 1 é verdadeira) = 1 - (poder do teste) Alterativas para dimiuir : distaciar 1 de aumetar aumetar melhor opção!!! 4

25 Cálculo do erro tipo II (erro ) Exemplo: uma amostra de 5 valores foi selecioada, chegado-se a uma média amostral igual a 11,3. Através de um teste z uilateral, chegou-se a coclusão de que a verdadeira média poderia ser igual a 1, adotado-se um ível de sigificâcia de 5% (cosiderado = 16). Mas qual a probabilidade de chegarmos a esta mesma coclusão, sedo a verdadeira média igual a 1, ou seja, qual o valor de? H : = 1 H 1 : > 1 z ~ N(,1) Se H é verdadeira, etão z 1 ~ N (,1) 11,3 1 z,14 1,65 4,1 5,1,8 aceito H se z < 1,645,6 rejeito,4 H se z > 1,645 N(,1) 95%, 5% z crít =? 1,645 Coclusão: Aceito H, ou seja, a média é igual a 1 cosiderado 5% de sigificâcia 5

26 Cálculo do erro tipo II (erro ) Agora, cosiderado = 1 H : = 1 H 1 : = 1 = P(aceitar H / H 1 é verdadeiro) P(aceitar H ) P( Z 1, 645),14,1,1,8,6,4, 1 P(aceitar H ) P( 1, 645) 4 5 N(,1) 95% 5% H verdadeiro z crít = 1,645 aceitação de H 6

27 Cálculo do erro tipo II (erro ) Agora, cosiderado = 1 H H 1,14 H : = 1 H 1 : = 1 P(aceitar H ) P( 11,316) P ( 11,316 / 1),1,1,8,6,4 = P(aceitar H / H 1 é verdadeiro) P(aceitar H ) P( Z 1, 645), 1 P(aceitar H ) P( 1, 645) % aceitação de H 1 11,316 1 P( ) PZ (,855) PZ (,855), ,63% 1 crít 5% 11,316 1 Mas, e para outras hipóteses alterativas? + 7

28 Cálculo do erro tipo II (erro ) Cosiderado que a verdadeira média seja de fato igual a H : = 1 H 1 : = 11 = P(aceitar H / H 1 é verdadeiro) 5% 5 65,36% Este resultado idica que há uma alta probabilidade de se aceitar erroeamete a hipótese de que a média é igual a 1, mesmo sedo, de fato, a média igual a 11 Mas como dimiuir este erro, coservado-se o mesmo ível de sigificâcia ()? << aumetado-se o tamaho da amostra! >> 8

29 Cálculo do erro tipo II (erro ) Cosiderado que a verdadeira média seja de fato igual a H : = 1 H 1 : = 11 = P(aceitar H / H 1 é verdadeiro) 65,36% para = 5 45,11% para = 5 19, 6% para = 1 8 1,91.1 % para = % 9

30 Teste de Hipótese valor-p (p-value) Toda coclusão de um teste de hipótese está associada a um ível de sigificâcia. Por exemplo: Com base um teste z uilateral a 5% de sigificâcia, pôde-se cocluir que a média é maior que uma vez que a estatística z obtida foi de,5 (z crítico = 1,645). H : = H 1 : >,14,1,1,8 Se H é verdadeira, etão,6 z z,5 ~ N(,1),4, N(,1) A média cotiuaria ser sigificativamete maior do que se fosse adotado um ível de sigificâcia de 1%? Para respoder a esta perguta, é ecessário calcular o ovo z crítico! 95% 1,645 5% Aceita H Rejeita H,5 Coclusão: Rejeita-se H a 5%, ou seja, a média parece ser mesmo maior que. 3

31 Teste de Hipótese valor-p (p-value) Toda coclusão de um teste de hipótese está associada a um ível de sigificâcia. Por exemplo: Com base um teste z uilateral a 5% de sigificâcia, pôde-se cocluir que a média é maior que uma vez que a estatística z obtida foi de,5 (z crítico = 1,645). H : = H 1 : >,8 Se H é verdadeira, etão z z,5 ~ N(,1),14,1,1,6,4, 99% N(,1) ,33,5 Para = 1%, aida sim, rejeita-se H, ou seja, é maior que. 1% Aceita H Rejeita H Para que valores de, a média poderia ser cosiderada igual a? Coclusão: Rejeita-se H a 1% 31

32 Teste de Hipótese valor-p (p-value) Toda coclusão de um teste de hipótese está associada a um ível de sigificâcia. Por exemplo: Com base um teste z uilateral a 5% de sigificâcia, pôde-se cocluir que a média é maior que uma vez que a estatística z obtida foi de,5 (z crítico = 1,645). N(,1) H : = H 1 : >,14,1,1,8 Se H é verdadeira, etão z z,5 ~ N(,1),6,4, Aceita H Rejeita H Para = 1%, aida sim, rejeita-se H, ou seja, é maior que.,5,6%? valor-p = P(Z > z) Para que valores de, a média poderia ser cosiderada igual a? Pode-se aceitar H para qualquer ível de sigificâcia () meor que,6% uma vez que valor-p = P(Z >,5) =,6% 3

33 Teste de Hipótese valor-p (p-value) De fato, o valor-p refere-se à probabilidade de se obter uma estatística com um valor tão extremo (muito grade ou muito pequeo) quato ao obtido para uma amostra em particular. Este coceito pode ser aplicado para qualquer distribuição. Mas qual lado da distribuição devo escolher? Sempre o lado que iclui a área de rejeição de H ou aquele em que os valores mais raros estejam mais próximos da estatística calculada para a amostra,14 N(,1) 1 1,1,1,8,6,4, z valor-p = P(Z > z) valor-p = P( > ) valor-p = P( < ) 33

34 Teste de Hipótese valor-p (p-value) O valor-p quase sempre se refere a uma iterpretação de um teste uilateral pois é calculado cosiderado-se apeas um dos lados da distribuição Nos casos em que se pretede utilizar o valor-p para tirar coclusões a partir de testes bilaterais, basta multiplicar o valor-p por. 1 + valor-p = P( < ) valor-p bilateral = *P( < ) Para se calcular o valor-p, em geral, ão é possível utilizar tabelas de probabilidade, ecessitado o uso de fuções específicas em programas como o R ou o Excel R: pchisq(x,gl) Excel: DIST.QUIQUA(x;gl;1) ambas fuções calculam a área a esquerda do poto! Na prática, H será rejeitado toda vez que o valor-p for meor que o ível de sigificâcia () escolhido 34

35 Teste de Hipótese valor-p (p-value) Exemplo: Foram coletadas amostras (5 potos) em mapas a fim de avaliar sua exatidão. Procedeu-se o teste z para verificar quais deles possuíam exatidão (p) de,9 (ou 9%). A tabela abaixo apreseta a exatidão estimada, o resultado do teste (estatística z) e o valor-p de cada mapa. ˆp p Hipóteses H : p =,9 H 1 : p <,9 ˆp z valor-p Mapa 1,87 -,77,397 Mapa,6-6,6, Mapa 3,8-1,886,97 Mapa 4,84-1,414,786 z pq Quais mapas possuem exatidão meor que,9, com 5% de sigificâcia? Mapas e 3 Quais mapas possuem exatidão meor que,9, com 1% de sigificâcia? Somete Mapa 35

36 Iferêcia etre parâmetros de duas populações E ( ) 1 1 E( ) Mesmo ão se cohecedo as médias 1 e, seria possível verificar se elas são iguais a partir de seus valores amostrais? Se 1 e são iguais, etão 1 - =? ~? 1 36

37 Teste de Hipótese para 1 = Hipóteses H : 1 - = ( 1 = ) H 1 : 1 - i e i descohecidas mas 1 (t homocedástico) ( ) ( ) 1 1 ( 1 1) s1 ( 1) s ~ t 1,14,1 t 1,1 Se H é verdadeira, etão,8 t 1 ( 1 1) s1 ( 1) s 1 1 Região Crítica: 1 1 aceito H se t crít < t < t crít rejeito H caso cotrário,6 ~ t,4, t crít t crít P( t crít < t < t crít ) = 1 - P( t > t crít ) = 37

38 Teste de Hipótese para 1 = Hipóteses H : 1 - = ( 1 = ) H 1 : 1 - ( 1 ) ( 1 ) ~ t g s1 s 1 Se H é verdadeira, etão g,8 i e i s1 s, ,14 s1 s,1 1 descohecidas mas 1 (t heterocedástico) t g t 1 s s 1 1 ~ t g Região Crítica: aceito H se t crít < t < t crít rejeito H caso cotrário,6,4, 1 - -t crít t crít P( t crít < t < t crít ) = 1 - P( t > t crít ) = 38

39 Teste de Hipótese para 1 = Exemplo: duas v.a. quaisquer têm distribuições ormais com médias e variâcias descohecidas. Retira-se uma amostra de cada população e calcula-se a média e a variâcia para cada amostra. Teste a hipótese de que as médias populacioais ão diferem sigificativamete a 5% etre si, cosiderado que: 6 1,3 s, ,7 s 1, Usar teste t homocedástico ou heterocedástico? primeiramete deve-se testar se 1 39

40 Teste de Hipótese para Exemplo: duas v.a. quaisquer têm distribuições ormais com médias e variâcias descohecidas. Retira-se uma amostra de cada população e calculam-se a média e a variâcia para cada amostra. Teste a hipótese de que as médias populacioais ão diferem sigificativamete a 5% etre si, cosiderado que: s s ,3 s, ,7 s 1, Hipóteses H : / 1 ( ) ~ F 1; 1 1 Se H é verdadeira, etão F 1 1 H : / s s 1 ~ F 1; 1 1 Região Crítica:,5%? 1 95% F 5;4,5% fa fb +? 4

41 Distribuição F P( F F),5 g, g 1 + F P F5,4 f b ( ),5 PF ( 5,4 1,99), 5 g , ,5 864, ,583 91, , ,17 956, ,85 968,67 973,5 976,78 984, ,13 998,81 11,414 15,598 18, ,175 38,563 39, 39, ,484 39,98 39, ,355 39,373 39, ,398 39,471 39, , , , , ,479 39, , , ,441 15,439 15,11 14, , ,644 14, , , ,374 14, ,57 14, , ,85 14,365 14,99 13, ,179 1,6491 9,979 9,645 9,3645 9,1973 9,741 8,9796 8,947 8,8439 8,7935 8,751 8,6565 8,5599 8,51 8,4613 8,4111 8,388 8, ,7 8,4336 7,7636 7,3879 7,1464 6,9777 6,8531 6,757 6,6811 6,619 6,5678 6,545 6,477 6,386 6,679 6,69 6,175 6,1436 6,8 6 8,8131 7,599 6,5988 6,7 5,9876 5,8198 5,6955 5,5996 5,534 5,4613 5,498 5,366 5,687 5,1684 5,169 5,65 5,15 4,984 4, ,77 6,5415 5,8898 5,56 5,85 5,1186 4,9949 4,8993 4,83 4,7611 4,795 4,6658 4,5678 4,4667 4,445 4,364 4,389 4,763 4,11 8 7,579 6,595 5,416 5,56 4,8173 4,6517 4,586 4,4333 4,357 4,951 4,434 4,1997 4,11 3,9995 3,9367 3,894 3,8398 3,867 3, ,93 5,7147 5,781 4,7181 4,4844 4,3197 4,197 4,1 4,6 3,9639 3,911 3,868 3,7694 3,6669 3,635 3,564 3,555 3,4719 3, ,9367 5,4564 4,856 4,4683 4,361 4,71 3,9498 3,8549 3,779 3,7168 3,6649 3,69 3,517 3,4185 3,3546 3,311 3,554 3,14 3, ,741 5,559 4,63 4,751 4,44 3,887 3,7586 3,6638 3,5879 3,557 3,4737 3,496 3,399 3,61 3,1616 3,1176 3,613 3,68, ,5538 5,959 4,474 4,11 3,8911 3,783 3,665 3,5118 3,4358 3,3736 3,315 3,773 3,177 3,78 3,77,9633,963,8714, ,4143 4,9653 4,347 3,9959 3,7667 3,643 3,487 3,388 3,31 3,497 3,1975 3,153 3,57,9477,881,837,7797,7443, ,979 4,8567 4,417 3,8919 3,6634 3,514 3,3799 3,853 3,93 3,1469 3,946 3,5,9493,8437,7777,734,674,6384,5646 g 15 6,1995 4,765 4,158 3,843 3,5764 3,4147 3,934 3,1987 3,17 3,6 3,78,9633,861,7559,6894,6437,585,5488, ,1151 4,6867 4,768 3,794 3,51 3,346 3,194 3,148 3,488,986,9337,889,7875,688,6138,5678,585,4719, ,4 4,6189 4,11 3,6648 3,4379 3,767 3,1556 3,61,9849,9,8696,849,73,6158,5484,5,44,453, ,9781 4,5597 3,9539 3,683 3,38 3,9 3,999 3,53,991,8664,8137,7689,6667,559,491,4445,384,3468, ,916 4,575 3,934 3,5587 3,337 3,1718 3,59,9563,881,817,7645,7196,6171,589,448,3937,339,95,167 5,8715 4,4613 3,8587 3,5147 3,891 3,183 3,74,918,8365,7737,79,6758,5731,4645,3959,3486,873,493, ,866 4,4199 3,8188 3,4754 3,51 3,895,9686,874,7977,7348,6819,6368,5338,447,3558,38,465,81,18 5,7863 4,388 3,789 3,441 3,151 3,546,9338,839,768,6998,6469,617,4984,389,3198,718,97,171,91 3 5,7498 4,349 3,755 3,483 3,1835 3,3,93,877,7313,668,615,5699,4665,3567,871,389,1763,1374, ,7166 4,3187 3,711 3,3794 3,1548,9946,8738,7791,77,6396,5865,5411,4374,373,574,9,146,167,43 5 5,6864 4,99 3,6943 3,353 3,187,9685,8478,7531,6766,6135,563,5149,411,35,33,1816,1183,787 1, ,5675 4,181 3,5894 3,499 3,65,8667,746,6513,5746,511,4577,41,37,195,137,739,89 1,9681 1, ,439 4,51 3,4633 3,161,937,7444,638,589,4519,388,3343,88,1819,677 1,9943 1,949 1,875 1,834 1, ,343 3,9749 3,39 3,544,837,6736,553,4579,388,3168,67,16,19 1,9933 1,9186 1,8659 1,7963 1,75 1, ,1786 3,884 3,496,9166,6961,5374,4168,315,439,1793,145,773 1,9679 1,8486 1,775 1,7148 1,641 1,5917 1,

42 Distribuição F P( F F),5 g, g 1 + F P F5,4 f a ( ),5 PF ( 4,5?),5 PF ( 4,5,1), 5 1 PF ( 5,4 ),5,1 PF ( 5,4, 47), 5 g , ,5 864, ,583 91, , ,17 956, ,85 968,67 973,5 976,78 984, ,13 998,81 11,414 15,598 18, ,175 38,563 39, 39, ,484 39,98 39, ,355 39,373 39, ,398 39,471 39, , , , , ,479 39, , , ,441 15,439 15,11 14, , ,644 14, , , ,374 14, ,57 14, , ,85 14,365 14,99 13, ,179 1,6491 9,979 9,645 9,3645 9,1973 9,741 8,9796 8,947 8,8439 8,7935 8,751 8,6565 8,5599 8,51 8,4613 8,4111 8,388 8, ,7 8,4336 7,7636 7,3879 7,1464 6,9777 6,8531 6,757 6,6811 6,619 6,5678 6,545 6,477 6,386 6,679 6,69 6,175 6,1436 6,8 6 8,8131 7,599 6,5988 6,7 5,9876 5,8198 5,6955 5,5996 5,534 5,4613 5,498 5,366 5,687 5,1684 5,169 5,65 5,15 4,984 4, ,77 6,5415 5,8898 5,56 5,85 5,1186 4,9949 4,8993 4,83 4,7611 4,795 4,6658 4,5678 4,4667 4,445 4,364 4,389 4,763 4,11 8 7,579 6,595 5,416 5,56 4,8173 4,6517 4,586 4,4333 4,357 4,951 4,434 4,1997 4,11 3,9995 3,9367 3,894 3,8398 3,867 3, ,93 5,7147 5,781 4,7181 4,4844 4,3197 4,197 4,1 4,6 3,9639 3,911 3,868 3,7694 3,6669 3,635 3,564 3,555 3,4719 3, ,9367 5,4564 4,856 4,4683 4,361 4,71 3,9498 3,8549 3,779 3,7168 3,6649 3,69 3,517 3,4185 3,3546 3,311 3,554 3,14 3, ,741 5,559 4,63 4,751 4,44 3,887 3,7586 3,6638 3,5879 3,557 3,4737 3,496 3,399 3,61 3,1616 3,1176 3,613 3,68, ,5538 5,959 4,474 4,11 3,8911 3,783 3,665 3,5118 3,4358 3,3736 3,315 3,773 3,177 3,78 3,77,9633,963,8714, ,4143 4,9653 4,347 3,9959 3,7667 3,643 3,487 3,388 3,31 3,497 3,1975 3,153 3,57,9477,881,837,7797,7443, ,979 4,8567 4,417 3,8919 3,6634 3,514 3,3799 3,853 3,93 3,1469 3,946 3,5,9493,8437,7777,734,674,6384,5646 g 15 6,1995 4,765 4,158 3,843 3,5764 3,4147 3,934 3,1987 3,17 3,6 3,78,9633,861,7559,6894,6437,585,5488, ,1151 4,6867 4,768 3,794 3,51 3,346 3,194 3,148 3,488,986,9337,889,7875,688,6138,5678,585,4719, ,4 4,6189 4,11 3,6648 3,4379 3,767 3,1556 3,61,9849,9,8696,849,73,6158,5484,5,44,453, ,9781 4,5597 3,9539 3,683 3,38 3,9 3,999 3,53,991,8664,8137,7689,6667,559,491,4445,384,3468, ,916 4,575 3,934 3,5587 3,337 3,1718 3,59,9563,881,817,7645,7196,6171,589,448,3937,339,95,167 5,8715 4,4613 3,8587 3,5147 3,891 3,183 3,74,918,8365,7737,79,6758,5731,4645,3959,3486,873,493, ,866 4,4199 3,8188 3,4754 3,51 3,895,9686,874,7977,7348,6819,6368,5338,447,3558,38,465,81,18 5,7863 4,388 3,789 3,441 3,151 3,546,9338,839,768,6998,6469,617,4984,389,3198,718,97,171,91 3 5,7498 4,349 3,755 3,483 3,1835 3,3,93,877,7313,668,615,5699,4665,3567,871,389,1763,1374, ,7166 4,3187 3,711 3,3794 3,1548,9946,8738,7791,77,6396,5865,5411,4374,373,574,9,146,167,43 5 5,6864 4,99 3,6943 3,353 3,187,9685,8478,7531,6766,6135,563,5149,411,35,33,1816,1183,787 1, ,5675 4,181 3,5894 3,499 3,65,8667,746,6513,5746,511,4577,41,37,195,137,739,89 1,9681 1, ,439 4,51 3,4633 3,161,937,7444,638,589,4519,388,3343,88,1819,677 1,9943 1,949 1,875 1,834 1, ,343 3,9749 3,39 3,544,837,6736,553,4579,388,3168,67,16,19 1,9933 1,9186 1,8659 1,7963 1,75 1, ,1786 3,884 3,496,9166,6961,5374,4168,315,439,1793,145,773 1,9679 1,8486 1,775 1,7148 1,641 1,5917 1,4833 4

43 Teste de Hipótese para Exemplo: duas v.a. quaisquer têm distribuições ormais com médias e variâcias descohecidas. Retira-se uma amostra de cada população e calculam-se a média e a variâcia para cada amostra. Teste a hipótese de que as médias populacioais ão diferem sigificativamete a 5% etre si, cosiderado que: s s ,3 s, ,7 s 1, Hipóteses H : / 1 ( ) ~ F 1; 1 1 Se H é verdadeira, etão F 1 1 H : / s s 1 ~ F 1; 1 1 Região Crítica:,34 F 1,51 1,91 aceito H se,47 < F < 1,99 rejeito H caso cotrário,5%,47? 1 95% F 5;4,5% fa fb + Coclusão: Aceito H, ou seja, ão há razões para discordar que, a 5%, 1,99? 43 1

44 Teste de Hipótese para 1 = (cot.) Exemplo: duas v.a. quaisquer têm distribuições ormais com médias e variâcias descohecidas. Retira-se uma amostra de cada população e calcula-se a média e a variâcia para cada amostra. Teste a hipótese de que as médias populacioais ão diferem sigificativamete a 5% etre si, cosiderado que: 6 1,3 s, ,7 s 1, ,14 Hipóteses H : 1 - = ( 1 = ) H 1 : 1 -,1,1 t 65 ( ) ( ) 1 1 ( 1 1) s1 ( 1) s ~ t,8,6 1 (t,4 homocedástico),,5% 95%,5% Se H é verdadeira, etão t 1 ( 1 1) s1 ( 1) s ~ t t = -14, t crít t crít + Região Crítica: 1,997? aceito H se -1,997 < t < 1,997 rejeito H caso cotrário Coclusão: Rejeito H, ou seja, as médias são diferetes sigificativamete a 5% 44

45 Teste de Hipótese para p 1 = p Hipóteses H : p 1 p = (p 1 = p ) H 1 : p 1 p ˆ ˆ ( p1 p ) ( ) p1 p ~ N (,1) p q p q Se H é verdadeira, etão pˆ1 pˆ z 1 1 pq ˆˆ 1 Região Crítica: pˆ aceito H se z crít < z < z crít rejeito H caso cotrário,14,1,1,8,6,4, 1 1 pˆ ˆ 1 p - -z crít z crít rejeição de H P( z crít < z < z crít ) = 1 - P( z > z crít ) = 1 aceitação de H N(,1) rejeição de H Coclusão (sempre associada a um ível de sigificâcia ) 45

46 para para Teste de Hipótese (resumo) N(,1) t 1 1 N(,1) se é cohecida se é descohecida ( 1) s 1 z t se e são cohecidas s para 1 - t 1 1 se e são descohecidas, mas 1 t g 1 se e são descohecidas, mas z ( ) ( ) t t homo hetero 1 ( 1 ) ( 1 ) ( 1 1) s1 ( 1) s ( 1 ) ( 1 ) s1 s 1 46

47 Teste de Hipótese (resumo) para N(,1) t 1 se é cohecida se é descohecida para 1 N(,1) 1 se e são cohecidas para 1 - t 1 1 se e são descohecidas, mas 1 F 1, 1 1 para 1 t g para p N(,1) para p 1 p N(,1) z F 1 se e são descohecidas, mas s s 1 1 ˆp p pq z ( pˆ pˆ ) ( p p ) pq ˆˆ pˆ 1 1 pˆ ˆ 1 p

48 Esquema mesma posição amostrada Esquema 1 escolha aleatória Comparado médias em images... 1 potos são escolhidos em cada imagem Imagem A Imagem B amostra A B amostra A B

49 Esquema Esquema 1 Comparado médias em images... amostra A B A B 1,8 sa 66,84 3, sb 41,11 H : A / B 1 H 1 : A / B 1 H : H: 1 A A B B teste F teste t (homo ou heterocedástico) amostra A B

50 Esquema Esquema 1 Comparado médias em images... amostra A B A B 1 1,8 sa 66,84 para teste bilateral multiplicar por 3, sb 41,11 H : A / B 1 H 1 : A / B 1 H : A H: A B B Fcalc 1,63 (valor-p =,4) Aceito H a 5% usar teste t homocedástico tcalc,37 (valor-p =,36) Aceito H a 5% (as médias são iguais) amostra A B A B 1,8 sa 66,84 3,4 sb 74,4 H : A / B 1 H 1 : A / B 1 H : H: 1 A A B B Fcalc,9 (valor-p =,44) Aceito H a 5% (usar teste t homocedástico) tcalc,43 (valor-p =,34) Aceito H a 5% (as médias são iguais) As amostras ão são idepedetes!!! 5

51 Esquema Esquema 1 Teste t pareado amostra A B A B 1 1,8 sa 66,84 3, sb 41,11 H : A / B 1 H 1 : A / B 1 H : A H: A B B Fcalc 1,63 (valor-p =,4) Aceito H a 5% usar teste t homocedástico tcalc,37 (valor-p =,36) Aceito H a 5% (as médias são iguais) amostra A B A-B AB H : A-B = H 1 : A-B < 1,6 sab, 7 Se H verdadeiro AB tcalc ~ t 1 s AB Teste t pareado tcalc 3,36 (valor-p =,4) Coclusão: Rejeito H a 5%, ou seja, a média da difereça é meor que zero 51

52 Teste de Hipótese / ECEL Exemplo: Para se comparar a resposta espectral de alvos, 1 pixels são escolhidos aleatoriamete de cada alvo, cujos resultados são apresetados abaixo. Adotado um ível de sigificâcia de 5%, podemos cocluir que, em média, os alvos apresetam a mesma resposta? amostra Alvo 1 Alvo Comparação de duas médias: teste-t Mas qual? Homo ou heterocedástico? 5

53 Teste de Hipótese / ECEL Exemplo: Para se comparar a resposta espectral de alvos, 1 pixels são escolhidos aleatoriamete de cada alvo, cujos resultados são apresetados abaixo. Adotado um ível de sigificâcia de 5%, podemos cocluir que, em média, os alvos apresetam a mesma resposta? amostra Alvo 1 Alvo

54 Teste de Hipótese / ECEL Exemplo: Para se comparar a resposta espectral de alvos, 1 pixels são escolhidos aleatoriamete de cada alvo, cujos resultados são apresetados abaixo. Adotado um ível de sigificâcia de 5%, podemos cocluir que, em média, os alvos apresetam a mesma resposta? amostra Alvo 1 Alvo

55 Teste de Hipótese / ECEL Exemplo: Para se comparar a resposta espectral de alvos, 1 pixels são escolhidos aleatoriamete de cada alvo, cujos resultados são apresetados abaixo. Adotado um ível de sigificâcia de 5%, podemos cocluir que, em média, os alvos apresetam a mesma resposta? amostra Alvo 1 Alvo Teste-F: duas amostras para variâcias Alvo 1 Alvo Média 119, 11,6 Variâcia 9, ,4444 Observações 1 1 gl 9 9 F,5345 P(F<=f) ui-caudal,9349 F crítico ui-caudal 3, Para teste bilateral multiplicar por H : / 1 1 H : / Coclusão: através do teste-f, pode-se cocluir que ão há razões para discordar que as variâcias sejam iguais para os alvos 1 e, adotado-se um ível de sigificâcia de 5%, uma vez que valor-p foi maior que,5 (valor-p bilateral =,185). 55

56 Teste de Hipótese / ECEL Exemplo: Para se comparar a resposta espectral de alvos, 1 pixels são escolhidos aleatoriamete de cada alvo, cujos resultados são apresetados abaixo. Adotado um ível de sigificâcia de 5%, podemos cocluir que, em média, os alvos apresetam a mesma resposta? amostra Alvo 1 Alvo Teste-F: duas amostras para variâcias Alvo 1 Alvo Média 119, 11,6 Variâcia 9, ,4444 Observações 1 1 gl 9 9 F,5345 P(F<=f) ui-caudal,9349 F crítico ui-caudal 3,

57 Teste de Hipótese / ECEL Exemplo: Para se comparar a resposta espectral de alvos, 1 pixels são escolhidos aleatoriamete de cada alvo, cujos resultados são apresetados abaixo. Adotado um ível de sigificâcia de 5%, podemos cocluir que, em média, os alvos apresetam a mesma resposta? amostra Alvo 1 Alvo Teste-F: duas amostras para variâcias Alvo 1 Alvo Média 119, 11,6 Variâcia 9, ,4444 Observações 1 1 gl 9 9 F,5345 P(F<=f) ui-caudal,9349 F crítico ui-caudal 3,

58 Teste de Hipótese / ECEL Exemplo: Para se comparar a resposta espectral de alvos, 1 pixels são escolhidos aleatoriamete de cada alvo, cujos resultados são apresetados abaixo. Adotado um ível de sigificâcia de 5%, podemos cocluir que, em média, os alvos apresetam a mesma resposta? amostra Alvo 1 Alvo Teste-F: duas amostras para variâcias Alvo 1 Alvo Média 119, 11,6 Variâcia 9, ,4444 Observações 1 1 gl 9 9 F,5345 P(F<=f) ui-caudal,9349 F crítico ui-caudal 3, H : 1 - = H 1 : 1 - Teste-t: duas amostras presumido variâcias equivaletes Alvo 1 Alvo Média 119, 11,6 Variâcia 9, ,4444 Observações 1 1 Variâcia agrupada 63,44444 Hipótese da difereça de média gl 18 Stat t 4,94841 P(T<=t) ui-caudal 5,8E-5 t crítico ui-caudal 1,73464 P(T<=t) bi-caudal,16 t crítico bi-caudal,19 Coclusão: através do teste-t homocedástico (bilateral), pode-se cocluir que as médias dos alvos 1 e são diferetes, adotadose um ível de sigificâcia de 5%, uma vez que valor-p foi meor que,5 (valor-p bilateral =,16). 58

59 Teste de Hipótese / ECEL Exemplo: Para se comparar a resposta espectral de alvos, 1 pixels são escolhidos aleatoriamete de cada alvo, cujos resultados são apresetados abaixo. Adotado um ível de sigificâcia de 5%, podemos cocluir que, em média, os alvos apresetam a mesma resposta? amostra Alvo 1 Alvo Teste-F: duas amostras para variâcias Alvo 1 Alvo Média 119, 11,6 Variâcia 9, ,4444 Observações 1 1 gl 9 9 F,5345 P(F<=f) ui-caudal,9349 F crítico ui-caudal 3, H : 1 - = H 1 : 1 - > Teste-t: duas amostras presumido variâcias equivaletes Alvo 1 Alvo Média 119, 11,6 Variâcia 9, ,4444 Observações 1 1 Variâcia agrupada 63,44444 Hipótese da difereça de média gl 18 Stat t 4,94841 P(T<=t) ui-caudal 5,8E-5 t crítico ui-caudal 1,73464 P(T<=t) bi-caudal,16 t crítico bi-caudal,19 Coclusão: através do teste-t homocedástico uilateral, pode-se cocluir que a média do alvo 1 deve ser maior que a do alvo, adotado-se um ível de sigificâcia de 5%, uma vez que valor-p foi meor que,5 (valor-p =,58). 59

60 Teste de Hipótese / R Exemplo: Para se comparar a resposta espectral de alvos, 1 pixels são escolhidos aleatoriamete de cada alvo, cujos resultados são apresetados abaixo. Adotado um ível de sigificâcia de 5%, podemos cocluir que, em média, os alvos apresetam a mesma resposta? amostra Alvo 1 Alvo > a1<-c(18,134,11,11,15,17,111,115,13,1) > a<-c(98,15,99,19,95,11,1,9,17,11) > var.test(a1,a) F test to compare two variaces data: a1 ad a F =.53, um df = 9, deom df = 9, p-value =.1847 alterative hypothesis: true ratio of variaces is ot equal to 1 > mea(a1) [1] 119. > mea(a) [1] 11.6 H : 1 - = H 1 : 1 - > H : 1 / = 1 H 1 : 1 / 1 > t.test(a1,a,var.equal=t,alterative="greater") Two Sample t-test data: a1 ad a t = 4.948, df = 18, p-value = 5.77e-5 alterative hypothesis: true differece i meas is greater tha Coclusão: a média do alvo 1 é sigificativamete (5%) maior que a média do alvo. 6

61 Pressuposição de Normalidade dos Dados Como foi visto, algumas distribuições usadas para a costrução de Itervalos de Cofiaça e Testes de Hipótese têm sua origem fudametada a codição de que as populações sejam ormalmete distribuídas. 1,,, amostra aleatória N i ~ (, ) s ~ t ~ 1 1 ( 1) s ( ) ( ) 1 1 ( 1 1) s1 ( 1) s ~ t 1 s s 1 1 ~ F 1, 1 1 Mas como a falta de ormalidade dos dados pode afetar os resultados? Para eteder o papel da ormalidade os testes de hipóteses, vamos simular amostrages de diferetes tamahos em populações com e sem ormalidade e avaliar os impactos sobre as coclusões de testes de hipóteses para e. 61

62 Testes de Hipótese para e Foram realizadas 1 simulações de amostras com tamaho = 5, 1 e 5 cosiderado as distribuições: 1 ~ Uiforme(1,3) : {1, 11,..., 3} = = 3366,67 ~ N( =, = 3366,67) Para cada amostra, foram calculadas a média e a variâcia amostrais e as respectivas estatísticas t e usadas pata testar as hipóteses cosiderado = 5%: H : = t H : = 3366,67 H 1 : s H 1 : 3366,67 ( 1) s A distribuição dos valores simulados foram comparados aos valores da distribuição teórica esperada Em seguida, cotabilizou-se a frequêcia com que as hipóteses ulas foram rejeitadas idevidamete, o que deveria correspoder, em teoria, ao valor de sigificâcia. (SimulacaoTesteHip.xlsx) 6

63 Testes de Hipótese para e Distribuições Simuladas: ~ N( =, = 3366,67) 1 ~ Uiforme(1,3) Proporção de H falsa (α) = 5 = 1 = 5 H : = 6,7% 5,6% 5,1% H : = 3366,67 1,7%,7%,% = P(rejeitar idevidamete H ) = 5% Rejeita mais! Aceita mais! = 5 = 1 = 5 = 1 s 1 σ t = 1 μ s 1 63

64 Testes de Hipótese para e Distribuições Simuladas: ~ N( =, = 3366,67) 1 ~ Uiforme(1,3) Proporção de H falsa (α) = 5 = 1 = 5 H : = 4,8% 5,1% 4,9% H : = 3366,67 4,7% 5,1% 5,% = P(rejeitar idevidamete H ) = 5% = 5 = 1 = 5 = 1 s σ t = μ s 64

Hipótese Estatística. Tipos de Hipóteses

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

Leia mais

Comparação entre duas populações

Comparação entre duas populações Comparação etre duas populações AMOSTRAS INDEPENDENTES Comparação etre duas médias 3 Itrodução Em aplicações práticas é comum que o iteresse seja comparar as médias de duas diferetes populações (ambas

Leia mais

Teoria da Estimação 1

Teoria da Estimação 1 Teoria da Estimação 1 Um dos pricipais objetivos da estatística iferecial cosiste em estimar os valores de parâmetros populacioais descohecidos (estimação de parâmetros) utilizado dados amostrais. Etão,

Leia mais

Cap. 4 - Estimação por Intervalo

Cap. 4 - Estimação por Intervalo Cap. 4 - Estimação por Itervalo Amostragem e iferêcia estatística População: cosiste a totalidade das observações em que estamos iteressados. Nº de observações a população é deomiado tamaho=n. Amostra:

Leia mais

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

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

Leia mais

Teste de Hipóteses Paramétricos

Teste de Hipóteses Paramétricos Teste de Hipóteses Paramétricos Como costruir testes de hipóteses para difereças etre duas médias. Como costruir testes de hipóteses para difereças etre duas proporções. Como costruir testes de hipóteses

Leia mais

6.1 Estimativa de uma média populacional: grandes amostras. Definição: Um estimador é uma característica amostral (como a média amostral

6.1 Estimativa de uma média populacional: grandes amostras. Definição: Um estimador é uma característica amostral (como a média amostral 6 ESTIMAÇÃO 6.1 Estimativa de uma média populacioal: grades amostras Defiição: Um estimador é uma característica amostral (como a média amostral x ) utilizada para obter uma aproximação de um parâmetro

Leia mais

NOTAS DE AULA: DISTRIBUIÇÃO AMOSTRAL E INTERVALOS DE CONFIANÇA

NOTAS DE AULA: DISTRIBUIÇÃO AMOSTRAL E INTERVALOS DE CONFIANÇA NOTAS DE AULA: DISTRIBUIÇÃO AMOSTRAL E INTERVALOS DE CONFIANÇA Objetivos da aula: Compreeder que um estimador é uma variável aleatória e, portato, pode-se estabelecer sua distribuição probabilística; Estabelecer

Leia mais

Contabilometria. Prof.: Patricia Maria Bortolon, D. Sc.

Contabilometria. Prof.: Patricia Maria Bortolon, D. Sc. Cotabilometria Prof.: Patricia Maria Bortolo, D. Sc. Teste para Duas Amostras Fote: LEVINE, D. M.; STEPHAN, D. F.; KREHBIEL, T. C.; BERENSON, M. L.; Estatística Teoria e Aplicações, 5a. Edição, Editora

Leia mais

Testes de Hipóteses sobre uma Proporção Populacional

Testes de Hipóteses sobre uma Proporção Populacional Estatística II Atoio Roque Aula Testes de Hipóteses sobre uma Proporção Populacioal Seja o seguite problema: Estamos iteressados em saber que proporção de motoristas da população usa cito de seguraça regularmete.

Leia mais

ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p

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

Leia mais

Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004

Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Estatística para Cursos de Egeharia e Iformática Pedro Alberto Barbetta / Marcelo Meezes Reis / Atoio Cezar Boria São Paulo: Atlas, 004 Cap. 7 - DistribuiçõesAmostrais e Estimaçãode deparâmetros APOIO:

Leia mais

Estimadores de Momentos

Estimadores de Momentos Estimadores de Mometos A média populacioal é um caso particular daquilo que chamamos de mometo. Na realidade, ela é o primeiro mometo. Se X for uma v.a. cotíua, com desidade f(x; θ 1,..., θ r ), depededo

Leia mais

Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação

Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p 1 Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma

Leia mais

Estatística. Estatística II - Administração. Prof. Dr. Marcelo Tavares. Distribuições de amostragem. Estatística Descritiva X Estatística Inferencial

Estatística. Estatística II - Administração. Prof. Dr. Marcelo Tavares. Distribuições de amostragem. Estatística Descritiva X Estatística Inferencial Estatística II - Admiistração Prof. Dr. Marcelo Tavares Distribuições de amostragem Na iferêcia estatística vamos apresetar os argumetos estatísticos para fazer afirmações sobre as características de uma

Leia mais

Objetivos. Testes não-paramétricos

Objetivos. Testes não-paramétricos Objetivos Prof. Lorí Viali, Dr. http://www. ufrgs.br/~viali/ viali@mat.ufrgs.br Testar o valor hipotético de um parâmetro (testes paramétricos) ou de relacioametos ou modelos (testes ão paramétricos).

Leia mais

CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES

CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES 6. INTRODUÇÃO INFERÊNCIA ESTATÍSTICA Estimação por poto por itervalo Testes de Hipóteses População X θ =? Amostra θ Iferêcia Estatística X, X,..., X 6. ESTIMAÇÃO

Leia mais

ESTATÍSTICA EXPLORATÓRIA

ESTATÍSTICA EXPLORATÓRIA ESTATÍSTICA EXPLORATÓRIA Prof Paulo Reato A. Firmio praf6@gmail.com Aulas 19-0 1 Iferêcia Idutiva - Defiições Coceitos importates Parâmetro: fução diretamete associada à população É um valor fixo, mas

Leia mais

Distribuições de Estatísticas Amostrais e Teorema Central do Limite

Distribuições de Estatísticas Amostrais e Teorema Central do Limite Distribuições de Estatísticas Amostrais e Teorema Cetral do Limite Vamos começar com um exemplo: A mega-sea de 996 a N 894 úmeros de a 6: Média: m 588 Desvio padrão: 756 49 amostras de 6 elemetos Frequêcia

Leia mais

Distribuições Amostrais

Distribuições Amostrais 9/3/06 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/09/06 3:38 ESTATÍSTICA APLICADA I - Teoria

Leia mais

Faculdade de Economia Universidade Nova de Lisboa ESTATÍSTICA. Exame Final 2ª Época 26 de Junho de Grupo I (3 valores)

Faculdade de Economia Universidade Nova de Lisboa ESTATÍSTICA. Exame Final 2ª Época 26 de Junho de Grupo I (3 valores) Faculdade de Ecoomia Uiversidade Nova de Lisboa ESTATÍSTIA Exame Fial ª Época 6 de Juho de 00 Ateção:. Respoda a cada grupo em folhas separadas. Idetifique todas as folhas.. Todas as respostas devem ser

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Intervalo de Confiança

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Intervalo de Confiança Etatítica: Aplicação ao Seoriameto Remoto SER 4 - ANO 19 Itervalo de Cofiaça Camilo Dalele Reó camilo.reo@ipe.br http://www.dpi.ipe.br/~camilo/etatitica/ Itervalo de Cofiaça Um parâmetro pode er etimado

Leia mais

Nosso objetivo agora é estudar a média de uma variável quantitativa X. Denotamos a média desconhecida como E(X)=µ

Nosso objetivo agora é estudar a média de uma variável quantitativa X. Denotamos a média desconhecida como E(X)=µ TESTE DE HIPÓTESES PARA A MÉDIA POPULACIONAL µ Nosso objetivo agora é estudar a média de uma variável quatitativa X. Deotamos a média descohecida como E(X)µ Mais precisamete, estimamos a média µ, costruímos

Leia mais

Distribuições Amostrais

Distribuições Amostrais 7/3/07 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/07/07 09:3 ESTATÍSTICA APLICADA I - Teoria

Leia mais

7. INTERVALOS DE CONFIANÇA

7. INTERVALOS DE CONFIANÇA 7 INTRVALOS D CONFIANÇA 00 stimação por itervalos,, é uma amostra aleatória de uma variável cuja distribuição depede do parâmetro θ Se L(,, ) e U(,, ) são duas fuções tais que L < U e P(L θ U), o itervalo

Leia mais

Objetivos. Os testes de hipóteses ser: Paramétricos e Não Paramétricos. Testes não-paramétricos. Testes paramétricos

Objetivos. Os testes de hipóteses ser: Paramétricos e Não Paramétricos. Testes não-paramétricos. Testes paramétricos Objetivos Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br Testar o valor hipotético de um parâmetro (testes paramétricos) ou de relacioametos ou modelos (testes ão paramétricos).

Leia mais

INTERVALOS DE CONFIANÇA

INTERVALOS DE CONFIANÇA INTRVALOS D CONFIANÇA 014 stimação por itervalos 1,..., é uma amostra aleatória de uma variável cuja distribuição depede do parâmetro. Se L( 1,..., ) e U( 1,..., ) são duas fuções tais que L < U e P(L

Leia mais

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

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

Leia mais

1. Dados: Deve compreender-se a natureza dos dados que formam a base dos procedimentos

1. Dados: Deve compreender-se a natureza dos dados que formam a base dos procedimentos 9. Testes de Hipóteses 9.. Itrodução Uma hipótese pode defiir-se simplesmete como uma afirmação acerca de uma mais populações. Em geral, a hipótese se refere aos parâmetros da população sobre os quais

Leia mais

Intervalos de Confiança

Intervalos de Confiança Itervalos de Cofiaça Prof. Adriao Medoça Souza, Dr. Departameto de Estatística - PPGEMQ / PPGEP - UFSM - 0/9/008 Estimação de Parâmetros O objetivo da Estatística é a realização de iferêcias acerca de

Leia mais

Teorema do limite central e es/mação da proporção populacional p

Teorema do limite central e es/mação da proporção populacional p Teorema do limite cetral e es/mação da proporção populacioal p 1 RESULTADO 1: Relembrado resultados importates Seja uma amostra aleatória de tamaho de uma variável aleatória X, com média µ e variâcia σ.temos

Leia mais

Obtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n.

Obtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n. Vamos observar elemetos, extraídos ao acaso e com reposição da população; Para cada elemeto selecioado, observamos o valor da variável X de iteresse. Obtemos, etão, uma amostra aleatória de tamaho de X,

Leia mais

Distribuições Amostrais

Distribuições Amostrais Distribuições Amostrais O problema da iferêcia estatística: fazer uma afirmação sobre os parâmetros da população θ (média, variâcia, etc) através da amostra. Usaremos uma AAS de elemetos sorteados dessa

Leia mais

1 Distribuições Amostrais

1 Distribuições Amostrais 1 Distribuições Amostrais Ao retirarmos uma amostra aleatória de uma população e calcularmos a partir desta amostra qualquer quatidade, ecotramos a estatística, ou seja, chamaremos os valores calculados

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Teoria da amostragem

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Teoria da amostragem Estatística: Aplicação ao Sesoriameto Remoto SER 04 - ANO 017 Teoria da amostragem Camilo Daleles Reó camilo@dpi.ipe.br http://www.dpi.ipe.br/~camilo/estatistica/ Algumas Cosiderações... É importate ter

Leia mais

Testes de Comparação Múltipla

Testes de Comparação Múltipla Testes de Comparação Múltipla Quado a aplicação da aálise de variâcia coduz à reeição da hipótese ula, temos evidêcia de que existem difereças etre as médias populacioais. Mas, etre que médias se registam

Leia mais

ESTATÍSTICA NÃO-PARAMÉTRICA

ESTATÍSTICA NÃO-PARAMÉTRICA ESTATÍSTICA NÃO-PARAMÉTRICA Prof. Dr. Edmilso Rodrigues Pito Faculdade de Matemática - UFU edmilso@famat.ufu.br 1 Programa Itrodução - Plao de curso, sistema de avaliação - Coceitos básicos de iferêcia

Leia mais

Lista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação

Lista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação Assuto: Propriedade dos Estimadores e Métodos de Estimação. ANPEC 08 - Questão 6 Por regulametação, a cocetração de um produto químico ão pode ultrapassar 0 ppm. Uma fábrica utiliza esse produto e sabe

Leia mais

MOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel

MOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel MOQ-13 PROILIDDE E ESTTÍSTIC Professor: Rodrigo. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semaas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Itrodução à probabilidade (evetos, espaço

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Técnicas de Reamostragem

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

Leia mais

Estimação da média populacional

Estimação da média populacional Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa

Leia mais

1 Estimação de Parâmetros

1 Estimação de Parâmetros 1 Estimação de arâmetros Vários tipos de estudos tem o objetivo de obter coclusões fazer iferêcias a respeito de parâmetros de uma população. A impossibilidade de avaliar toda a população faz com que a

Leia mais

INFERÊNCIA. Fazer inferência (ou inferir) = tirar conclusões

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

Leia mais

Lista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas

Lista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas . ANPEC 8 - Questão Seja x uma variável aleatória com fução desidade de probabilidade dada por: f(x) = x, para x f(x) =, caso cotrário. Podemos afirmar que: () E[x]=; () A mediaa de x é ; () A variâcia

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 3

MAE Introdução à Probabilidade e Estatística II Resolução Lista 3 MAE 229 - Itrodução à robabilidade e Estatística II Resolução Lista rofessor: edro Moretti Exercício 1 a A hipótese ula H 0 é de que a média de vedas µ permaece ialterada, equato que a hipótese alterativa

Leia mais

Avaliação de Desempenho de Sistemas Discretos

Avaliação de Desempenho de Sistemas Discretos Distribuições Comus Avaliação de Desempeho de Sistemas Discretos Probabilidade e Estatística 2 Uiforme Normal Poisso Hipergeométrica Biomial Studet's Geométrica Logormal Expoecial Beta Gamma Qui-Quadrado

Leia mais

ESTIMAÇÃO PARA A MÉDIA

ESTIMAÇÃO PARA A MÉDIA ESTIMAÇÃO PARA A MÉDIA Objetivo Estimar a média de uma variável aleatória, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Vamos observar elemetos, extraídos ao

Leia mais

PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 2005

PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 2005 PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 005 Istruções para a prova: a) Cada questão respodida corretamete vale um poto. b) Questões deixadas em braco valem zero potos (este caso marque todas alterativas).

Leia mais

ESTIMAÇÃO POR INTERVALO (INTERVALOS DE CONFIANÇA)

ESTIMAÇÃO POR INTERVALO (INTERVALOS DE CONFIANÇA) 06 ETIMÇÃO OR INTERVLO (INTERVLO DE CONINÇ) Cada um dos métodos de estimação potual permite associar a cada parâmetro populacioal um estimador. Ora a cada estimador estão associadas tatas estimativas diferetes

Leia mais

Estimação da média populacional

Estimação da média populacional Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa

Leia mais

Intervalos Estatísticos para uma única Amostra - parte II

Intervalos Estatísticos para uma única Amostra - parte II Itervalos Estatísticos para uma úica Amostra - parte II Itervalo de cofiaça para proporção 2012/02 1 Itrodução 2 3 Objetivos Ao fial deste capítulo você deve ser capaz de: Costruir itervalos de cofiaça

Leia mais

ESTIMAÇÃO DE PARÂMETROS

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

Leia mais

Métodos Quantitativos para Ciência da Computação Experimental Aula #4

Métodos Quantitativos para Ciência da Computação Experimental Aula #4 Métodos Quatitativos para Ciêcia da Computação Experimetal Aula #4 Jussara Almeida DCC-UFMG 2017 Measuremets are ot to provide umbers, but isights Metodologia de Comparação de Sistemas Experimetais Comparado

Leia mais

CE-003: Estatística II - Turma K/O Avaliações Semanais (2 o semestre 2015)

CE-003: Estatística II - Turma K/O Avaliações Semanais (2 o semestre 2015) CE-003: Estatística II - Turma K/O Avaliações Semaais (2 o semestre 20) Semaa 5 (av-01) 1. Um idivíduo vai participar de uma competição que cosiste em respoder questões que são lhe são apresetadas sequecialmete.

Leia mais

Instruções gerais sobre a Prova:

Instruções gerais sobre a Prova: DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2012/2013 Istruções gerais sobre a Prova: (a) Cada questão respodida corretamete vale 1 (um) poto. (b) Cada

Leia mais

A finalidade dos testes de hipóteses paramétrico é avaliar afirmações sobre os valores dos parâmetros populacionais.

A finalidade dos testes de hipóteses paramétrico é avaliar afirmações sobre os valores dos parâmetros populacionais. Prof. Jaete Pereira Amador Itrodução Os métodos utilizados para realização de iferêcias a respeito dos parâmetros pertecem a duas categorias. Pode-se estimar ou prever o valor do parâmetro, através da

Leia mais

Teorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança

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

Leia mais

n ) uma amostra aleatória da variável aleatória X.

n ) uma amostra aleatória da variável aleatória X. - Distribuições amostrais Cosidere uma população de objetos dos quais estamos iteressados em estudar uma determiada característica. Quado dizemos que a população tem distribuição FX ( x ), queremos dizer

Leia mais

Estimativa de Parâmetros

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

Leia mais

6. Testes de Hipóteses Conceitos Gerais

6. Testes de Hipóteses Conceitos Gerais 6. Testes de Hipóteses Coceitos Gerais Este capitulo itrodutório, pretede apresetar todas as defiições e todo o vocabulário utilizado em testes de hipóteses. Em um primeiro mometo, talvez você fique um

Leia mais

Uma amostra aleatória simples de n elementos é selecionada a partir da população. Calcula-se o valor da média a partir da amostra

Uma amostra aleatória simples de n elementos é selecionada a partir da população. Calcula-se o valor da média a partir da amostra Distribuição amostral de Um dos procedimetos estatísticos mais comus é o uso de uma média da amostra ( ) para fazer iferêcias sobre uma população de média µ. Esse processo é apresetado a figura abaio.

Leia mais

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

A Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através de evidências fornecidas por uma amostra. UNIVERSIDADE FEDERAL DA PARAÍBA Distribuição Amostral Luiz Medeiros de Araujo Lima Filho Departameto de Estatística INTRODUÇÃO A Iferêcia Estatística é um cojuto de técicas que objetiva estudar a população

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 1

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

Leia mais

Teorema do Limite Central, distribuição amostral, estimação por ponto e intervalo de confiança

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

Leia mais

Revisando... Distribuição Amostral da Média

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

Leia mais

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

Objetivo. Estimar a média de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra. Objetivo Estimar a média de uma variável aleatória X, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Exemplos: : peso médio de homes a faixa etária de 20 a 30 aos,

Leia mais

Introdução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ...

Introdução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ... Itrodução Exemplos Para curar uma certa doeça existem quatro tratametos possíveis: A, B, C e D. Pretede-se saber se existem difereças sigificativas os tratametos o que diz respeito ao tempo ecessário para

Leia mais

Lista IC, tamanho de amostra e TH

Lista IC, tamanho de amostra e TH Lista IC, tamaho de amostra e TH 1. Cosidere a amostra abaixo e costrua um itervalo de cofiaça para a média populacioal. Cosidere um ível de cofiaça de 99%. 17 3 19 3 3 1 18 0 13 17 16 Como ão temos o

Leia mais

b) Fabrico de peças cilíndricas Capítulo 5 - Distribuições conjuntas de probabilidades e complementos X - comprimento da peça Y - diâmetro da peça

b) Fabrico de peças cilíndricas Capítulo 5 - Distribuições conjuntas de probabilidades e complementos X - comprimento da peça Y - diâmetro da peça Capítulo 5 - Distribuições cojutas de probabilidades e complemetos 5.1 Duas variáveis aleatórias discretas. Distribuições cojutas, margiais e codicioais. Idepedêcia Em relação a uma mesma eperiêcia podem

Leia mais

Capítulo 5- Introdução à Inferência estatística. (Versão: para o manual a partir de 2016/17)

Capítulo 5- Introdução à Inferência estatística. (Versão: para o manual a partir de 2016/17) Capítulo 5- Itrodução à Iferêcia estatística. (Versão: para o maual a partir de 2016/17) 1.1) Itrodução.(222)(Vídeo 39) Na iferêcia estatística, aalisamos e iterpretamos amostras com o objetivo de tirar

Leia mais

Capítulo 5- Introdução à Inferência estatística.

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

Leia mais

Sumário. 2 Índice Remissivo 17

Sumário. 2 Índice Remissivo 17 i Sumário 1 Itrodução à Iferêcia Estatística 1 1.1 Defiições Básicas................................... 1 1.2 Amostragem....................................... 2 1.2.1 Tipos de Amostragem.............................

Leia mais

CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA

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

Leia mais

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

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

Leia mais

Estatística Aplicada I DISTRIBUIÇÃO AMOSTRAL MÉDIA ERRO AMOSTRAL

Estatística Aplicada I DISTRIBUIÇÃO AMOSTRAL MÉDIA ERRO AMOSTRAL Estatística Aplicada I DISTRIBUIÇÃO AMOSTRAL MÉDIA ERRO AMOSTRAL AULA 8 16/05/17 Prof a Lilia M. Lima Cuha Maio de 017 PROPOSITO FUNDAMENTAL DA INFERÊNCIA ESTATISTICA DESENVOLVER ESTIMATIVAS E TESTAR HIPOTESES

Leia mais

Universidade Federal de Mato Grosso Probabilidade e Estatística - Curso: Engenharia Civil Introdução à Inferência Estatística - Prof a Eveliny

Universidade Federal de Mato Grosso Probabilidade e Estatística - Curso: Engenharia Civil Introdução à Inferência Estatística - Prof a Eveliny 1 Itrodução Uiversidade Federal de Mato Grosso Probabilidade e Estatística - Curso: Egeharia Civil Itrodução à Iferêcia Estatística - Prof a Eveliy Vimos o iício do curso como resumir descritivamete variáveis

Leia mais

ESTIMAÇÃO DE PARÂMETROS

ESTIMAÇÃO DE PARÂMETROS ESTIMAÇÃO DE PARÂMETROS 1 Estimação de Parâmetros uiverso do estudo (população) dados observados O raciocíio idutivo da estimação de parâmetros Estimação de Parâmetros População p Amostra X S pˆ (parâmetros:

Leia mais

Ap A r p e r n e d n i d z i a z ge g m e m Es E t s a t tí t s í t s i t c i a c de d e Dado d s Francisco Carvalho

Ap A r p e r n e d n i d z i a z ge g m e m Es E t s a t tí t s í t s i t c i a c de d e Dado d s Francisco Carvalho Apredizagem Estatística de Dados Fracisco Carvalho Avaliação e Comparação de Classificadores Existem poucos estudos aalíticos sobre o comportameto de algoritmos de apredizagem. A aálise de classificadores

Leia mais

10 - Medidas de Variabilidade ou de Dispersão

10 - Medidas de Variabilidade ou de Dispersão 10 - Medidas de Variabilidade ou de Dispersão 10.1 Itrodução Localizado o cetro de uma distribuição de dados, o próximo passo será verificar a dispersão desses dados, buscado uma medida para essa dispersão.

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 2

MAE Introdução à Probabilidade e Estatística II Resolução Lista 2 MAE 9 - Itrodução à Probabilidade e Estatística II Resolução Lista Professor: Pedro Moretti Exercício 1 Deotado por Y a variável aleatória que represeta o comprimeto dos cilidros de aço, temos que Y N3,

Leia mais

Aula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança

Aula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança Aula 5 Aula passada Valor esperado codicioal Espaço amostral cotíuo, fução desidade Limitates para probabilidade Desigualdades de Markov, Chebyshev, Cheroff with high probability Aula de hoje Limitate

Leia mais

TRANSPORTES. Sessão Prática 4 Amostragem de escalares

TRANSPORTES. Sessão Prática 4 Amostragem de escalares Mestrado Itegrado em Egeharia Civil TRNPORTE Prof. Resposável: Luis Picado atos essão Prática 4 mostragem de escalares Istituto uperior Técico / Mestrado Itegrado Egeharia Civil Trasportes ulas Práticas

Leia mais

Inferência Estatística

Inferência Estatística Iferêcia Estatística opulação Amostra Itroduç Itrodução à Iferêcia Estatística Como tirar coclusões tomar decisões a partir de iformação parcial / icompleta (amostra) projectado /geeralizado resultados

Leia mais

Estimação de Parâmetros. 1. Introdução

Estimação de Parâmetros. 1. Introdução Estimação de Parâmetros. Itrodução O objetivo da Estatística é a realização de iferêcia acerca de uma população, baseadas as iformações amostrais. Como as populações são caracterizados por medidas uméricas

Leia mais

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

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

Leia mais

MAE 116 Estimação para a média FEA - 2º Semestre de 2018

MAE 116 Estimação para a média FEA - 2º Semestre de 2018 MAE 116 Estimação para a média FEA - 2º Semestre de 2018 1 Objetivo da aula O objetivo é estimar a média de uma população (ou de uma variável aleatória) Vamos iicialmete estudar de forma empírica a distribuição

Leia mais

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

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

Leia mais

PROF. DR. MARCONE AUGUSTO LEAL DE OLIVEIRA

PROF. DR. MARCONE AUGUSTO LEAL DE OLIVEIRA UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE QUÍMICA GRUPO DE QUÍMICA ANALÍTICA E QUIMIOMETRIA (GQAQ) PROF. DR. MARCONE AUGUSTO LEAL DE OLIVEIRA ESTATÍSTICA BÁSICA

Leia mais

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

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

Leia mais

MQI 2003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE Teste 2 07/07/2008 Nome: PROBLEMA 1 Sejam X e Y v.a. contínuas com densidade conjunta:

MQI 2003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE Teste 2 07/07/2008 Nome: PROBLEMA 1 Sejam X e Y v.a. contínuas com densidade conjunta: MQI 003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 07/07/008 Nome: PROBLEMA Sejam X e Y v.a. cotíuas com desidade cojuta: f xy cy xy x y (, ) = + 3 ode 0 e 0 a) Ecotre a costate c que faz desta

Leia mais

Distribuição Amostral da Média: Exemplos

Distribuição Amostral da Média: Exemplos Distribuição Amostral da Média: Eemplos Talvez a aplicação mais simples da distribuição amostral da média seja o cálculo da probabilidade de uma amostra ter média detro de certa faia de valores. Vamos

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CESPE/UB FUB/0 fa 5 4 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B correspode ao quartil cetral (Q ) da distribuição A.

Leia mais

MAE0229 Introdução à Probabilidade e à Estatística II

MAE0229 Introdução à Probabilidade e à Estatística II Exercício : Sabe-se que o tempo de viagem de um local A a zoa orte de São Paulo até a USP segue uma distribuição ormal com desvio padrão 9 miutos. Em 200 dias aotou-se o tempo gasto para vir desse poto

Leia mais

Unidade IV Inferência estatística

Unidade IV Inferência estatística //05 Uidade IV Iferêcia estatística 4.. Itrodução e histórico 4.. Coceitos fudametais 4.3. Distribuições amostrais e Teorema cetral do limite 4.4. Estimação de parâmetros 4.5. Testes de hipóteses 4.6.

Leia mais

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

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

Leia mais

Probabilidades e Estatística

Probabilidades e Estatística Departameto de Matemática Probabilidades e Estatística Primeiro exame/segudo teste 2 o semestre 29/21 Duração: 18/9 miutos Grupo I Justifique coveietemete todas as respostas. 17/6/21 9: horas 1. Com base

Leia mais

EPR 007 Controle Estatístico de Qualidade

EPR 007 Controle Estatístico de Qualidade EP 7 Cotrole Estatístico de Qualidade Prof. Dr. Emerso José de Paiva Gráficos e tabelas origiadas de Costa, Epprecht e Carpietti (212) 1 Num julgameto, ifelizmete, um iocete pode ir pra cadeia, assim como

Leia mais

Estatística II Licenciatura em Gestão TESTE I

Estatística II Licenciatura em Gestão TESTE I Estatística II Liceciatura em Gestão 1 o semestre 2015/2016 14/01/2016 09:00 Nome N o Espaço reservado a classificações A utilização do telemóvel, em qualquer circustâcia, é motivo suficiete para a aulação

Leia mais

Estimação A estimação de um parâmetro, θ, de uma população pode ser feita por dois processos: Estimação Pontual e Estimação intervalar.

Estimação A estimação de um parâmetro, θ, de uma população pode ser feita por dois processos: Estimação Pontual e Estimação intervalar. Escola uperior de Tecologia de Viseu ETIMAÇÃO Estimação A estimação de um parâmetro, θ, de uma população pode ser feita por dois processos: Estimação Potual e Estimação itervalar. Exemplo: Num dos diversos

Leia mais

binomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal.

binomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal. biomial seria quase simétrica. Nestas codições será também melhor a aproximação pela distribuição ormal. Na prática, quado e p > 7, a distribuição ormal com parâmetros: µ p 99 σ p ( p) costitui uma boa

Leia mais