Infer^encias sobre o vetor de M edia: Regi~oes de Con an»ca e Intervalos Simult^aneos. (Johnson & Wichern, Cap. 5)
|
|
- Marisa Carvalhal
- 5 Há anos
- Visualizações:
Transcrição
1 Infer^encias sobre o vetor de M edia: Regi~oes de Con an»ca e Intervalos Simult^aneos (Johnson & Wichern, Cap. 5) Dizemos que R(X) e uma regi~ao de 100(1 α)% de con an»ca para θ se Pr(R(X) compreender θ)=1 α. Aregi~aodecon an»caparaovetordem ediaµquandose disp~oedeumaamostraaleat oriadadistribui»c~aon p (µ, ) e dada por n(¹x µ) T S 1 (¹X µ)<= (n 1)p n p F p,n p(1 α) F p,n p (1 α) - representando o quantil acumulado de 100(1 α)% da distribui»c~ao F p,n p Este resultado e obtido usando-se a distribui»c~ao amostral da estat ³stica T 2 apresentada na aula anterior. Observe que a regi~ao de con an»ca e dada pelo hiperelips oide de eixos determinados pelos autovetores da matriz de covari^ancia amostral S e cujas medidas s~ao proporcionais µas raizes quadradas dos respectivos autovalores. Para veri car se um dado vetor µ 0 pertence µa regi~ao de con an»ca, basta calcular n(¹x µ 0 ) T S 1 (¹X µ 0 ) e comparar com (n 1)p n p F p,n p(1 α). 1
2 Para p >= 4 n~ao e poss ³vel representar visualmente a regi~ao de con an»ca. No entanto, podemos calcular as medidas dos eixos do hiperelips oide de con an»ca centrado em ¹X: n(¹x µ) T S 1 (¹X µ)<=c 2 = (n 1)p n p F p,n p(1 α) Lembre-se que os semi-eixos t^em medida λj c n = λ j (n 1)p n(n p) F p,n p(1 α). Exemplo: Construir uma regi~ao de con an»ca para o vetor de m edia, usando os dados sobre readia»c~ao em fornos de microondas. Os dados est~ao nas tabelas 4.1 e 4.5 do livro-texto. 2
3 O departamento de controle de qualidade de uma fabricante de fornos de microondas foi cobrado pelo governo federal a monitorar a quantidade de radia»c~ao quando as portas dos microondas s~ao fechadas. Observa»c~oes da radia»c~ao emitida atrav es das portas fechadas de n = 42 fornos selecionados ao acaso foram feitas. Medidas de radia»c~ao tamb em foram feitas com as portas abertas dos 42 fornos selecionados. Este conjunto de dados foi trabalhado no nal do cap ³tulo 4, exemplos 4.10 e Nestes exemplos veri cou-se que a suposi»c~ao de normalidade n~ao era apropriada e uma transforma»c~ao pot^encia dos dados foi buscada. Vamos trabalhar aqui com a pot^encia 0,25 ou seja,araizquartadaescalaoriginaldamedida de radia»c~ao. 3
4 Nogr a coaseguir, eposs ³velverquecomesta transforma»c~ao nas duas medidas, os pontos nos qq-plots apresentam um comportamento mais pr oximo do linear. 4
5 Pede-se construir uma elipse de 95% de con- an»ca para o vetor de m edia, considerando a escala dos dados transformados de modo que a suposi»c~ao de normalidade e razo avel. Para isso vamos primeiro calcular o vetor de m edia e a matriz de vari^ancia amostrais. dados=read.table(" avia/ mad484/microondas.txt",header=t) dadost=dados for (i in 1:2) dadost[,i]=dadost[,i] (1/4) xbarra=mean(dadost) S=cov(dadosT) IS=solve(dadosT) DES=eigen(S) n=42, p=2, qf(.95,p,n-p) 5
6 (Comandos em elipsemicroondas.txt) 6
7 Intervalos de Con an»ca Simult^aneos para os componentes do vetor de m edia Seja X N p (µ, ). Vimos que se a e um vetor de constantes em R p, ent~ao Z=a T X N(a T µ,a T a). Logo,seX 1,X 2,...,X n eumaamostraaleat oria da N p (µ, ), segue que Z 1,Z 2,...,Z n, de nidos por Z i = a T X i, i = 1,..,n e uma amostra aleat oria da N(a T µ,a }{{}} T {{ a } ). µ Z σ 2 Z Da teoria normal univariada, temos que um intervalo de 100(1 α)% de con an»ca para µ Z =a T µ e dado por IC(µ Z,1 α):a T ¹X±t n 1 (1 α/2) a T Sa n 7
8 Claramente, poder ³amos construir v arios intervalos de con an»ca sobre combina»c~oes lineares dos componentes do vetor µ, cada um associado com um coe ciente de con an»ca 1 α, escolhendo diferentes vetores de constantes a. Por em, o coe ciente de con an»ca conjunto do conjunto de intervalos resultantes n~ao ser a mais 1 α. E desej avel associar um coe ciente de con- an»ca COLETIVO de 1 α aos intervalos de con an»ca que podem ser gerados para todas as escolhas de a. Naturalmente, um pre»co dever a ser pago pela conveni^encia de uma con an»ca simult^anea grande para todos os intervalos: intervalos que s~ao mais largos (menos precisos) do que os intervalos apresentados anteriormente via a distribui»c~ao amostral t com n 1 graus del liberdade. 8
9 Dadooconjuntodedadosobservadosx 1,x 2,...,x n e um a particular t = n(a T x a t µ) a T Sa <=t n 1 (1 α/2) ou, equivalentemente, t 2 = n(at x a t µ) 2 a T Sa <=t 2 n 1 (1 α/2) Uma regi~ao de con an»ca simult^anea e dada para o conjunto de valores a T µ tais que t 2 e relativamente pequeno para todas as escolhas de a. Parece razo avel esperar que o valor t 2 n 1 (1 α/2) sejasubstitu ³doporumvalormaior,c 2,quando a rma»c~oes s~ao feitas para muitas escolhas de a. 9
10 Considerando os valores de a para os quais t 2 <=c 2, somos naturalmente levados a max a t 2 =max a n(a T x a t µ) 2 a T Sa Usando os resultados sobre desigualdades do cap ³tulo 2, e f acil ver que o m aximo ocorrer a para a S 1 (¹x µ). Ora, isto nos levar a µa estat ³stica T 2. Por conveni^encia, costuma se referir a esses intervalos como intervalos-t 2. Em particular, tomando os vetores a's como os vetores da base can^onica do R p, obt em-se p(n 1) ¹x j ± n p F p,n p(1 α) sjj n, j=1,2,...,n 10
11 Agoraosintervalos-T 2 coletivamentet^emn ³vel de con an»ca 1 α. Observe que tamb em podemos construir intervalos de con an»ca para rela»c~oes estruturais entre os componentes do vetor µ como, por exemplo, intervalos para as diferen»cas entre os componentes de µ. Fazendo a T =(0,...,0, 1 }{{} i- esima entrada,0,...0, 1 }{{} r- esima entrada,0,...,0), teremos atµ=µ i µ r, at¹x=¹x i ¹x r e a T Sa=s ii +s rr 2s ir. O intervalo para a diferen»ca µ i µ r ser a dado por ¹x i ¹x r ± p(n 1) n p F sii +s rr 2s p,n p(1 α) ir n 11
12 Exemplo: Obtivemos uma elipse de 95% de con an»ca para o vetor µ nos dados sobre radia»c~ao em microondas. Pede-se construir os intervalos-t 2 de95%decon an»caparaoscomponentes individuais do vetor µ, identi candoos como as \sombras" da elipse de 95% de con an»ca sobre os eixos coordenados. Pedese tamb em construir os intervalos baseados na distribui»c~ao t e compar a-los com os correspondentes intervalos T 2. linf1= lsup1= linf2= lsup2=
13 13
14 Uma Compara»c~ao entre os intervalos T 2 e os intervalos separados A tabela a seguir mostra uma compara»c~ao entre os comprimentos dos intervalos de con- an»ca separados e os intervalos\simult^aneos" T 2 para alguns valores selecionados de p, n e α=0,05%. n t n 1 (0.975) p=4 p= Os valores nas duas ultimas colunas da tabela (n 1)p correspondem a n p F p,n p(.95). 14
15 A compara»c~ao feita e impr opria, pois o n ³vel de con an»ca associado a qualquer cole»c~ao de intervalos T 2, para p xado, e 0,95, e o n ³vel global associado com uma cole»c~ao de intervalos separados via distribui»c~ao t deve ser menor do que 0,95. Uma outra abordagem, conhecida como M etodo de Bonferroni de Compara»c~oes M ultiplas, ser a considerada. O m etodo leva este nome devido µa desigualdade de Bonferroni. SejaA 1,A 2,...,A m umacole»c~aodeeventosnum espa»co de probabilidade tais que P(A i )=1 α i, i=1,...,m. Ent~ao, P ( m i=1 A i) =1 P(\pelo menos um dos A i s e falso )>= >=1 m i=1 P(Ac i )=1 m i=1 α i=1 (α 1 +α α m ). 15
16 A desigualdade de Bonferroni permite ao investigador controlar a taxa de erro α 1 +α α m, sem olhar a estrutura de correla»c~ao por tr as dos intervalos de con an»ca. Assim, se o problema envolve a constru»c~ao de m intervalos importantes, a id eia e fazer α i =α/m e tomar os intervalos separados dados por a T ( ) ¹X±t n 1 1 α a T Sa 2m n Observe que agora vale que o coe ciente coletivo de con an»ca e pelo menos 1 α m + α m α }{{ m} m termos =1 α. 16
17 Portanto, com um coe ciente de con an»ca global de pelo menos 1 α, podemos construir os seguintes m=p intervalos para os componentes do vetor µ: IC(µ i,1 α): ¹X i ±t n 1 ( 1 α 2p ) sii n, i=1,2,...,p. Esses intervalos, podem ent~ao, de forma mais apropriada, ser comparados aos intervalos T 2. Exemplo: Usando novamente os dados sobre radia»c~ao em fornos de microondas, pede-se compararosintervalost 2 paraoscomponentes do vetor de m edia com os intervalos via Bonferroni. 17
18 linf1t= , lsup1t= linf2t= , lsup2t=
19 A tabela a seguir ilustra uma compara»c~ao entre os comprimentos dos intervalos via Bonferroni e T 2 para alguns valores selecionados de p, m = p, n e α = 0,05. As entradas nas tr^es colunas referentes aos diferentes valores de p selecionados representam a raz~ao entre o comprimento do intervalo via Bonferroni e o comprimento do intervalo T 2. n p= ,88 0,69 0, ,90 0,75 0, ,91 0,78 0, ,91 0,80 0,62 0,91 0,81 0,66 Podemos ver desta tabela que os intervalos via Bonferroni produzem intervalos mais estreitos quando m=p. Devido µa facilidade de aplica»c~ao e aos resultados mais e cientes em termos de estima»c~ao, geralmente e prefer ³vel usar os intervalos simult^aneos via Bonferroni. 19
20 Infer^encias sobre um vetor de m edia para grandes amostras Quando o tamanho da amostra e grande, testes de hip oteses e regi~oes de con an»ca para µ podem ser constru ³dos mesmo que a popula»c~ao subjacente n~ao seja normal. Veja os exerc ³cios 5.15, 5.16 e Neles, para n grande, somos capazes de fazer infer^encias sobre o vetor de m edia da popula»c~ao apesar da distribui»c~ao populacional ser discreta. De fato, desvios fortes de uma popula»c~ao normal podem ser superados para tamanhos amostrais grandes. Ambos, testes de hip oteses e intervalos de con- an»ca simult^aneos, ter~ao n ³veis nominais aproximados. 20
21 As vantagens associadas com grandes amostras podem ser parcialmente compensadas por uma perda de informa»c~ao amostral causada pelo uso somente das estat ³sticas sum ario ¹X e S. Por outro lado, como (¹X,S) e uma estat ³stica su ciente para popula»c~oes normais, quanto mais pr oximas da normal multivariada forem as distribui»c~oes das popula»c~oes, mais e cientemente a informa»c~ao amostral ser a utilizada ao fazer infer^encias. Todas as infer^encias sobre µ quando se tem grandes amostras s~ao baseadas na distribui»c~ao de qui-quadrado. 21
22 Proposi»c~ao1: SejaX 1,X 2,...,X n umaamostra aleat oriadeumapopula»c~aocomm ediaµematriz de vari^ancia positiva de nida. Quando n p e grande, a hip otese H 0 : µ = µ 0 e rejeitada em favor de H 1 : µ µ 0, ao n ³vel de signi c^ancia α, se n(¹x µ 0 ) T S 1 (¹x µ 0 )>χ 2 p(1 α) Comparando este teste com o obtido via teoria normal, no in ³cio destas notas, vemos que a estat ³stica de teste e a mesma, o que muda e o valor cr ³tico. Um exame mais minucioso revela, por em, que ambos os testes produzir~ao os mesmos resultados em situa»c~oes nas quais o teste χ 2 e apropriado. De fato, (n 1)p n p F p,n p(1 α) e χ 2 p(1 α) s~ao aproximadamente iguais para n >> p. 22
23 Proposi»c~ao2: SejaX 1,X 2,...,X n umaamostra aleat oria de uma popula»c~ao com m edia µ e matriz de vari^ancia positiva de nida. Se n p e grande, a T ¹X± χ 2 a T Sa p(1 α) n compreeder a a T µ, para todo a com probabilidade aproximadamente 1 α. Consequentemente, podemos fazer a rma»c~oes simult^aneas para os p componentes do vetor de m edias dadas por ¹x i ± χ 2 sii p(1 α) n, i=1,2,...,p Observa»c~ao: Elipses de con an»ca para pares de componentes tamb em podem ser facilmente constru ³das. 23
24 Aquest~aodequ~aograndedeveserotamanho da amostra n~ao e simples de ser respondida. Em uma ou duas dimens~oes, tamanhos amostrais em torno de 30 a 50 podem geralmente ser considerados grandes. A medida que o n umero de caracter ³sticas torna-se maior, certamente tamanhos amostrais maiores ser~ao exigidos para que as distribui»c~oes assint oticas forne»cam boas aproxima»c~oes das verdadeiras distribui»c~oes das v arias estat ³sticas de teste. Na falta de estudos de nitivos os autores simplesmente prop~oem que n p deve ser grande, reconhecendo que o caso real pode ser mais complicado do que isso. Uma aplica»c~ao com p = 2 e n = 50 e muito diferente de uma aplica»c~ao com p = 52 e n = 100 apesar de ambas apresentarem n p=48. 24
25 Deve-se realizar as mesmas veri ca»c~oes exigidas para os m etodos baseados na normal. Apesar de pequenos desvios da normalidade n~ao causarem quaisquer di culdades para n grande, desvios extremos podem causar problemas. Especi camente, a taxa de erro verdadeira pode estar bem afastada do n ³vel nominal α. Se, combasenosq-qplotseoutrosesquemasde investiga»c~ao outliers e outras formas de desvios extremos aparecem, a»c~oes corretivas apropriadas, incluindo transforma»c~oes, s~ao desej aveis. 25
26 Exerc ³cios recomendados do cap ³tulo 5: 1 a 11, 15, 16 e 17, 18 a
Ralph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário
Leia maisAnálise de Variância Multivariada (MANOVA) (Johnson & Wichern, Cap. 6)
Análise de Variância Multivariada (MANOVA) (Johnson & Wichern, Cap. 6) 1. Comparações emparelhadas Começaremos com uma breve revisão deste problema no caso univariado. O problema aqui pode ser descrito
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisInferências sobre o vetor de Média. (Johnson & Wichern, Cap. 5) Considere o problema univariado no qual temse uma amostra aleatória de tamanho n da
Inferências sobre o vetor de Média (Johnson & Wichern, Cap. 5) Considere o problema univariado no qual temse uma amostra aleatória de tamanho n da distribuição N(µ, σ 2 ), em que ambos os parâmetros de
Leia maisEstatística e Probabilidade. Aula 11 Cap 06
Aula 11 Cap 06 Intervalos de confiança para variância e desvio padrão Confiando no erro... Intervalos de Confiança para variância e desvio padrão Na produção industrial, é necessário controlar o tamanho
Leia maisDivisibilidade e o algoritmo da divis~ao em Z
3 Divisibilidade e o algoritmo da divis~ao em Z 31 Divisibilidade Em nossa educa»c~ao b asica, aprendemos que quando um n umero inteiro e dividido por um n umero inteiro n~ao nulo, o quociente pode ou
Leia maisEstatística Não Paramétrica. Como construir testes de aderência
Estatística Não Paramétrica Como construir testes de aderência Teste Qui-quadrado Suposições amostra aleatória Dados nominais (sexo: M ou F) ou numéricos (idade: menor que 15, 15-24, 25-34, 35-44, 45-54,
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia mais3. Experimentos a um único fator: Análise de Variância (ANOVA) 3.7 Comparações entre médias de tratamento
3. Experimentos a um único fator: Análise de Variância (ANOVA) 3.7 Comparações entre médias de tratamento Suponha que a hipótese nula, de médias de tratamento iguais, tenha sido rejeitada em favor da hipótese
Leia maisLimites. Uma introdu»c~ao intuitiva
Aula 4 Limites. Uma introdu»c~ao intuitiva Nos cap ³tulos anteriores, zemos uso de um ite especial para calcular derivadas: f 0 f(+ ) f() () =.!0 Neste cap ³tulo veremos os ites como ferramentas de estudo
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 maisInferência para duas populações
Inferência para duas populações Capítulo 13, Estatística Básica (Bussab&Morettin, 8a Edição) 7a AULA 27/04/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 7a aula (27/04/2015) MAE229 1 / 27 1.
Leia maisCanal do YouTube Prof. Guilherme Neves
Oi, pessoal!! Aqui quem vos fala é o professor Guilherme Neves. Vamos resolver a prova de Estatística Aplicada do concurso da SEFAZ-BA (Administração Tributária). Para tirar dúvidas e ter acesso a dicas
Leia maisExpansão linear e geradores
Espaços Vectoriais - ALGA - 004/05 Expansão linear e geradores Se u 1 ; u ; :::; u n são vectores de um espaço vectorial V; como foi visto atrás, alguns vectores de V são combinação linear de u 1 ; u ;
Leia maisEsse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Leia maisInferência a partir de duas amostras
Inferência a partir de duas amostras Inferência a partir de duas amostras. Inferência sobre duas médias: amostras dependentes. Inferência sobre duas médias: amostras grandes e independêntes 3. Comparação
Leia maisEPGE / FGV MFEE - ECONOMETRIA. Monitoria 01-18/04/2008 (GABARITO)
EGE / FGV MFEE - ECONOMETRIA Monitoria 01-18/04/008 (GABARITO) Eduardo. Ribeiro eduardopr@fgv.br ofessor Ilton G. Soares iltonsoares@fgvmail.br Monitor Tópicos de Teoria: 1. Hipóteses do Modelo Clássico
Leia maisDeriva»c~ao em cadeia e deriva»c~ao impl ³cita
Aula 3 Deriva»c~ao em cadeia e deriva»c~ao impl ³cita A regradacadeia e umaregradederiva»c~ao que nos permite calcular a derivada de uma composi»c~ao (ou um encadeamento) de fun»c~oes, tais como f(g(x))
Leia mais,,,,,,,, e são constantes com,,,, e, não todas nulas. Uma equação desse tipo é a equação de uma quádrica. Observe que a equação
Capítulo 5 As Superfícies O estudo das superfícies do espaço, iniciado com os planos no capítulo anterior, tem como sequência natural a classi cação das superfícies que podem ser expressas por equações
Leia maisEspaços vectoriais reais
ALGA - 00/0 - Espaços Vectoriais 49 Introdução Espaços vectoriais reais O que é que têm em comum o conjunto dos pares ordenados de números reais, o conjunto dos vectores livres no espaço, o conjunto das
Leia maisDistância Estatística
Distância Estatística Renato Assunção 0/05/03 Pressão sistólica A pressão sistólica mede a força do sangue nas artérias, à medida que o coração contrai para impulsionar o sangue através do corpo. Se alta
Leia maisINTRODUÇÃO. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ... ANÁLISE DE VARIÂNCIA. Departamento de Matemática ESTV.
INTRODUÇÃO Exemplos Para curar uma certa doença existem quatro tratamentos possíveis: A, B, C e D. Pretende-se saber se existem diferenças significativas nos tratamentos no que diz respeito ao tempo necessário
Leia maisExemplo 1: Variáveis padronizadas Z t = ( Z 1 (1), Z 2 (1), Z 1 (2), Z 2 Z 1 (1) Z (1) = Z (2) = Z 2. Matriz de correlações:
Exemplo : Variáveis padronizadas t = (,,, ) = = Matriz de correlações: Ρ Ρ Ρ Ρ Ρ.0 0.4 0.5 0.6 0.4.0 0.3 0.4 0.5 0.3.0 0. 0.6 0.4 0..0 De onde se obtém: /.068 0.9.047 0.083 Ρ Ρ 0.9.068 0.083.047 Ρ / /
Leia maisTécnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisEqua»c~oes diofantinas lineares
7 Equa»c~oes diofantinas lineares Considere o seguinte problema. Se um trabalhador recebe 510 reais em t ³quetes de alimenta»c~ao, com valores de 20 reais ou 50 reais cada t ³quete, de quantas formas pode
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisDistribuições Amostrais
Estatística II Antonio Roque Aula Distribuições Amostrais O problema central da inferência estatística é como fazer afirmações sobre os parâmetros de uma população a partir de estatísticas obtidas de amostras
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisFORMA CANÔNICA DE JORDAN
FORMA CANÔNICA DE JORDAN Álgebra Linear (MAT-27) Ronaldo Rodrigues Pelá IEFF-ITA 4 de novembro de 2011 Roteiro Motivação 1 Motivação 2 3 4 5 6 Roteiro Motivação 1 Motivação 2 3 4 5 6 Matrizes Quase Diagonalizáveis
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 maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia mais29 e 30 de julho de 2013
Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 29 e 30 de julho de 2013 Dia 2 - Conteúdo 1 2 3 Dados multivariados Estrutura: n observações tomadas de p variáveis resposta.
Leia maisEstatística (MAD231) Turma: IGA. Período: 2016/2
Estatística (MAD231) Turma: IGA Período: 2016/2 Aula #02 de Inferência Estatística: 28/11/2016 1 Intervalos de Confiança Vamos começar com um exemplo. Suponha que se deseja estimar a média µ de uma população
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 maisLimites (c alculo e signi cado)
Unidade 3 Limites c alculo e signi cado) C alculos de ites s~ao importantes ferramentas auxiliares no estudo de fun»c~oes e seus gr a cos. A de ni»c~ao formal de ite e matematicamente so sticada. Faremos
Leia mais8. Análise em Componentes Principais - ACP
8. Análise em Componentes Principais - ACP 8.1 Introdução O propósito principal da ACP é substituir as variáveis originais por um número menor de variáveis que são função das variáveis originais. A ACP
Leia maisMétodos Estatísticos Avançados em Epidemiologia
1 / 44 Métodos Estatísticos Avançados em Epidemiologia Análise de Variância - ANOVA Referência: Cap. 12 - Pagano e Gauvreau (2004) - p.254 Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 44
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7: Intervalos de Confiança com uma amostra Leitura obrigatória: Devore, cap 7 ou Montgomery e Runger, cap 8 Chap 8-1 Objetivos Como inferir sobre um parâmetro da população,
Leia maisOs n umeros inteiros. 1.1 Propriedades b asicas
1 Os n umeros inteiros 1.1 Propriedades b asicas Nesta se»c~ao exploraremos propriedades b asicas dos n umeros inteiros, ponto de partida para um estudo sistem atico de suas propriedades. Assumiremos axiomaticamente,
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisAnálise Bayesiana de Dados - Aplicações 1 -
Análise Bayesiana de Dados - Aplicações 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Aplicações da IB : Pressão sistólica
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 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 maisConjuntos Enumer aveis e Conjuntos N~ao Enumer aveis
4 Conjuntos Enumer aveis e Conjuntos N~ao Enumer aveis Ade ni»c~ao de Dedekind, de conjunto in nito, e usada ma discuss~ao de propriedades de conjuntos in nitos e de conjuntos nitos. E demonstrado, dentre
Leia maisCM005 Álgebra Linear Lista 3
CM005 Álgebra Linear Lista 3 Alberto Ramos Seja T : V V uma transformação linear. Se temos que T v = λv, v 0, para λ K. Dizemos que λ é um autovalor de T e v autovetor de T associado a λ. Observe que λ
Leia mais54 CAPÍTULO 2. GEOMETRIA ANALÍTICA ( ) =
54 CAPÍTULO. GEOMETRIA ANALÍTICA.5 Cônicas O grá co da equação + + + + + = 0 (.4) onde,,,, e são constantes com, e, não todos nulos, é uma cônica. A equação (.4) é chamada de equação geral do grau em e
Leia maisMatrizes Semelhantes e Matrizes Diagonalizáveis
Diagonalização Matrizes Semelhantes e Matrizes Diagonalizáveis Nosso objetivo neste capítulo é estudar aquelas transformações lineares de R n para as quais existe pelo menos uma base em que elas são representadas
Leia maisTestes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
Leia maisEstatística Descritiva. Objetivos de Aprendizagem. 6.1 Sumário de Dados. Cap. 6 - Estatística Descritiva 1. UFMG-ICEx-EST. Média da amostra: Exemplo:
6 ESQUEMA DO CAPÍTULO Estatística Descritiva 6.1 IMPORTÂNCIA DO SUMÁRIO E APRESENTAÇÃO DE DADOS 6.2 DIAGRAMA DE RAMO E FOLHAS 6.3 DISTRIBUIÇÕES DE FREQUÊNCIA E HISTOGRAMAS 6.4 DIAGRAMA DE CAIXA 6.5 GRÁFICOS
Leia maisUnidade 6. Fun»c~oes trigonom etricas Regras de L'Hopital. 6.1 Pequena revis~ao de trigonometria Trigonometria geom etrica
Unidade 6 Fun»c~oes trigonom etricas Regras de L'Hopital Agora estaremos fazendo uma pequena revis~ao de fun»c~oes trigonom etricas e apresentando suas derivadas. Estaremos estudando tamb em um m etodo
Leia maisEstudo de desempenho de testes de hipóteses multivariados no caso de dados de duas populações independentes
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS ICEX PROGRAMA DE PÓS GRADUAÇÃO EM ESTATÍSTICA ABRIL DE Estudo de desempenho de testes de hipóteses multivariados no caso de dados de duas
Leia maisAULA 04 Teste de hipótese
1 AULA 04 Teste de hipótese Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal
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 maisÁlgebra Linear I - Aula Bases Ortonormais e Matrizes Ortogonais
Álgebra Linear I - Aula 19 1. Bases Ortonormais e Matrizes Ortogonais. 2. Matrizes ortogonais 2 2. 3. Rotações em R 3. Roteiro 1 Bases Ortonormais e Matrizes Ortogonais 1.1 Bases ortogonais Lembre que
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Leia maisAula 00 Aula Demonstrativa
Aula 00 Modelos de questões comentadas CESPE-UnB... 4 Relação das questões comentadas... 13 Gabaritos... 14 1 Olá, pessoal. Vamos começar a estudar Estatística para o futuro concurso do TCU? Esta é a aula
Leia maisEsbo»cando gr a cos: primeiros passos
Aula 6 Esbo»cando gr a cos: primeiros passos Eiste o processo simples de esbo»car-se o gr a co de uma fun»c~ao cont ³nua ligando-se um n umero nito de pontos P 1 =( 1 ;f( 1 ));::: ;P n =( n ;f( n )), deseugr
Leia maisPlanejamento de Experimentos Suposições do Modelo e Comparações Múltiplas
1 / 30 Planejamento de Experimentos Suposições do Modelo e Comparações Múltiplas Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 30 Exemplo típico: Resistência de uma nova fibra sintética
Leia mais1. Conceitos básicos de estatística Níveis de medição Medidas características de distribuições univariadas 21
OS SABERES INDISPENSÁVEIS 7 Índice Prefácio 13 Capítulo 1 Os Saberes Indispensáveis 1. Conceitos básicos de estatística 17 1.1. Níveis de medição 18 1.2. Medidas características de distribuições univariadas
Leia maisIntervalos de Confiança
Intervalos de Confiança Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques e Nuno Bastos (DepMAT) Intervalos de Confiança 2010/2011 1 / 33 Introdução
Leia maisMudança de Coordenadas
Mudanças de Coordenadas Mudança de Coordenadas A origem O = (0, 0, 0) e os vetores i, j, k da base canônica de R determinam um sistema de coordenadas: se as coordenadas de um ponto no espaço são (x, y,
Leia maisUniversidade Federal de Viçosa Centro de Ciências Exatas e Tecnológicas Departamento de Matemática
1 Universidade Federal de Viçosa Centro de Ciências Exatas e Tecnológicas Departamento de Matemática Lista 4 - MAT 137 -Introdução à Álgebra Linear 2017/II 1. Entre as funções dadas abaixo, verifique quais
Leia maisEstatística Descritiva
Estatística Descritiva ESQUEMA DO CAPÍTULO 6.1 IMPORTÂNCIA DO SUMÁRIO E APRESENTAÇÃO DE DADOS 6.2 DIAGRAMA DE RAMO E FOLHAS 6.3 DISTRIBUIÇÕES DE FREQUÊNCIA E HISTOGRAMAS 6.4 DIAGRAMA DE CAIXA 6.5 GRÁFICOS
Leia maisCORRELAÇÃO. Flávia F. Feitosa
CORRELAÇÃO Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Junho de 2015 Revisão Inferência Estatística: Método científico para tirar conclusões sobre os parâmetros
Leia maisEquação Geral do Segundo Grau em R 2
8 Equação Geral do Segundo Grau em R Sumário 8.1 Introdução....................... 8. Autovalores e autovetores de uma matriz real 8.3 Rotação dos Eixos Coordenados........... 5 8.4 Formas Quadráticas..................
Leia maisÁlgebra Linear I - Aula 22
Álgebra Linear I - Aula 1. Bases Ortonormais.. Matrizes Ortogonais. 3. Exemplos. 1 Bases Ortonormais Lembre que uma base β é ortogonal se está formada por vetores ortogonais entre si: para todo par de
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 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 2.2 Gabarito ) Considere a matriz 4 N = 4. 4 Observe que os vetores (,, ) e (,, ) são dois autovetores de N. a) Determine uma forma diagonal D de N. b) Determine uma matriz P tal
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 maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisRevisão de Estatística para ICMS-SC
1. Estatística Descritiva.... Distribuições de Probabilidade... 19 3. Intervalos de Confiança... 6 4. Testes de Hipóteses... 31 5. Correlação e Regressão... 34 6. Considerações Finais... 1 Olá, queridos
Leia maisX 2. (σ 2 + µ 2 ) = 1 n (nσ 2 + nµ 2 ) = σ 2 + µ 2. µ = 0 E(T ) = σ 2
Estatística II (GET00182) Turma A1 Prova 1 20/10/2017 2/2017 NOME: GABARITO 1. Seja X 1, X 2,, X n uma amostra aleatória simples de uma população X com média µ e variância σ 2. (a) Mostre que, se µ = 0,
Leia maisÁlgebra Linear I - Aula Forma diagonal de uma matriz diagonalizável
Álgebra Linear I - Aula 18 1 Forma diagonal de uma matriz diagonalizável 2 Matrizes ortogonais Roteiro 1 Forma diagonal de uma matriz diagonalizável Sejam A uma transformação linear diagonalizável, β =
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisOpera»c~oes Bin arias
3 Opera»c~oes Bin arias Neste cap ³tulo, faremos mais preciso o conceito de opera»c~ao bin aria, (ou simplesmente opera»c~ao), e introduziremos tamb em a nomenclatura j a consolidada de propriedades not
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 maisDE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)
1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisTécnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisAnálise Fatorial. Matriz R de coeficientes de correlação: Não confundir análise de componentes principais com análise fatorial!
Análise Fatorial 1 Na análise fatorial as variáveis y1, y,..., Yp, são combinações lineares de umas poucas variáveis F1, F,..., Fm (m
Leia maisMIEEC Probabilidades e Estatística 1 a Chamada 10/01/2008. Parte Prática
MIEEC Probabilidades e Estatística 1 a Chamada 1/1/8 Parte Prática Resolução 1. Definição dos acontecimentos: T 1 Cliente do operador Ptel 1 T Cliente do operador Ptel T 3 Cliente do operador Ptel 3 S
Leia maisProf. Dr. Engenharia Ambiental, UNESP
INTRODUÇÃO A ESTATÍSTICA ESPACIAL Análise Exploratória dos Dados Estatística Descritiva Univariada Roberto Wagner Lourenço Roberto Wagner Lourenço Prof. Dr. Engenharia Ambiental, UNESP Estrutura da Apresentação
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia mais54 CAPÍTULO 2. GEOMETRIA ANALÍTICA ( ) =
54 CAPÍTULO. GEOMETRIA ANALÍTICA.5 Cônicas O grá co da equação + + + + + = 0 (.4) onde,,,, e são constantes com, e, não todos nulos, é uma cônica. A equação (.4) é chamada de equação geral do grau em e
Leia maisTestes de hipóteses. Wagner H. Bonat Fernando P. Mayer Elias T. Krainski
Testes de hipóteses Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 07/06/2018 WB, FM, EK ( LEG/DEST/UFPR
Leia maisEconometria para Avaliação de Políticas Públicas
Aula 2: O Método de Diferenças em Diferenças Itaú Social 11/01/2016 Método extremamente popular nos últimos quinze anos. Exemplos de aplicação são os mais diversos: avaliação de programas de treinamento,
Leia maisAULA 02 Distribuição de probabilidade normal
1 AULA 02 Distribuição de probabilidade normal Ernesto F. L. Amaral 02 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH)
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 maisMétodos Quantitativos II
Métodos Quantitativos II MEDIDAS DE VARIABILIDADE O que significa Variabilidade? As medidas de tendência central nos dão uma ideia da concentração dos dados em torno de um valor. Entretanto, é preciso
Leia mais4 Medida de desempenho do gráfico de controle
4 Medida de desempenho do gráfico de controle Neste capítulo, são apresentadas as ferramentas que nos permitem comparar o desempenho do gráfico utilizado por Kang & Albin (2000) para monitorar perfis lineares,
Leia maisProbabilidade e Estatística, 2009/1
Probabilidade e Estatística, 2009/1 CCT - UDESC Prof. Fernando Deeke Sasse Problemas Resolvidos - Intervalos de Confiança 1. s dados relativos a cargas de falha sobre amostras de um tipo de aço fornecem
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 maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia mais