Conceitos Básicos de Estatística Aula 2
|
|
- Clara di Castro Franca
- 8 Há anos
- Visualizações:
Transcrição
1 Conceitos Básicos de Estatística Aula 2 ISCTE - IUL, Mestrados de Continuidade Diana Aldea Mendes diana.mendes@iscte.pt 13 de Setembro de 2011 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
2 Estatística Aplicada (Revisões) DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65
3 Programa Introdução Estatística Aplicada Medidas de estatística descritiva com destaque para as medidas de assimetria e de curtose. Variáveis aleatórias. Distribuições: Normal, Qui-quadrado, t-student e F-Snedecor. Intervalos de confiança e testes de hipóteses. DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
4 Estatística Descritiva A Estatística Descritiva consiste na apresentação, análise e interpretação de um conjunto de dados (amostra), através da criação de instrumentos adequados: representação gráfica (séries temporais, dispersão, caixas de bigodes, etc) distribuições de frequências cálculo de valores numéricos que caracterizam os dados de uma forma global: medidas de estatística descritiva. Essas medidas designam-se por parâmetros, quando os dados se referem a uma população e por estatísticas, quando os dados dizem respeito a uma amostra DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
5 Estatística Descritiva A estatística incide sobre as características relevantes dos elementos que constituem as amostras e as populações. Cada característica é geralmente representada por uma variável, pois os elementos podem ter diferentes posicionamentos relativamente a essa característica. Variáveis Discretas Contínuas A escolha da técnica mais adequada para o tratamento estatístico está condicionada pela natureza das variáveis: dados qualitativos e quantitativos. DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
6 Estatística Descritiva Distribuições de frequências (gráficos de barras) para uma variável discreta e para uma variável contínua Series: PETROLEO Sample 1986M M11 Observations 215 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque Bera Probability DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
7 Medidas de Estatística Descritiva Medidas de tendência central (posição, localização): identificam o centro de uma distribuição Média (mean, average) Mediana (median) Moda (mode) Medidas de tendência não-central (posição, localização): apontam para outras posições da distribuição Quartis (Q i, i = 1, 2, 3, 4) Decis (D i, i = 1, 2,..., 10) Percentis (P i, i = 1, 2,..., 100) Medidas de dispersão (variabilidade) variância (variance) desvio padrão (standard deviation) DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
8 Medidas de tendência central A média denota-se por µ para uma população e por x para uma amostra Média de uma amostra (x 1, x 2,..., x n ) onde n é o tamanho da amostra e x i é o valor da observação i na amostra, é dada por x = x 1 + x x n n = n x i i=1 n, Exemplo: Dada uma amostra de 5 observações 90, 95, 80, 60, 75, a média é: x = = = 80. DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
9 Medidas de tendência central média mean = 80; std = = median DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
10 Medidas de tendência central DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
11 Medidas de tendência central 8 LOGVOL vs. T 6 4 LOGVOL T DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
12 Medidas de tendência central Mediana: Me - é um outro nome atribuido ao percentile 50% e representa o centro posicional da distribuição Cálculo da mediana de um amostra ordenar os dados em ordem crescente: do mais pequeno para o maior se n (o número de dados na amostra) é ímpar, então a mediana é o número do meio (central) Me = x n+1 2 se n é par, então a mediana é a média dos dois números do meio (centrais) + x n 2 Me = x n Exemplo 1: amostra com um número ímpar de dados: 2, 8, 3, 4, 1 ordenar os dados: 1, 2, 3, 4, 8, logo Me = 3 Exemplo 2: amostra com um número par de dados: 2, 8, 3, 4, 1, 8 ordenar os dados: 1, 2, 3, 4, 8, 8 logo Me = (3 + 4)/2 = 3.5 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
13 Medidas de tendência central A moda (Mo) é o valor ou categoria que ocorre com a maior frequência Exemplo: a moda da amostra: 9, 2, 7, 11, 14, 7, 2, 7 é o 7, pois a sua frequência é 3 As distribuições podem ser: Unimodais 1 valor de Mo Bimodais 2 valores de Mo Multimodais vários valores de Mo Amodais Não regista qualquer valor de destaque DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
14 Medidas de dispersão Variância: σ 2 = Var (x) = n i=1 (x i µ) 2 n s 2 = Var (x) = n i=1 (x i x) 2 n 1 população amostra Desvio padrão (Standard Deviation): é a mais comum medida de variabilidade. Define-se para uma população (σ) e para uma amostra (s) como a seguir: σ = n i=1 (x i µ) 2 n e s = n i=1 (x i x) 2 n 1 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
15 Outras medidas Momento Estatístico Se x 1, x 2,..., x n são os n valores assumidos pela variável X, definimos o momento de ordem t dessa variável como: m t = n i=1 xt i n Note que se t = 1 temos a média aritmética. O momento de ordem t centrado em uma constante K, com K = 0 é definido como: m K t = n i=1 (x i K) t n DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
16 Assimetria Assimetria (skewness) é o grau de afastamento que uma distribuição apresenta do seu eixo de simetria. Este afastamento pode acontecer do lado esquerdo ou do lado direito da distribuição, chamado de assimetria negativa ou positiva respectivamente. Coeficiente do momento de assimetria s k = m 1 3 s 3 = n n i=1 (x i x) 3 ( 1 n n i=1 (x i x) 2) 3 Temos então s k = 0 s k > 0 s k < 0 distribuição simétrica distribuição assimétrica positiva distribuição assimétrica negativa DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
17 Assimetria 6 Distrib. simétrica Assim. positiva (enviesada à esquerda) Assim. negativa (enviesada à direita) DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
18 Curtose Curtose é o grau de achatamento da distribuição. Ou o quanto uma curva de frequência será achatada em relação a uma curva normal de referência. Para o cálculo do grau de curtose de uma distribuição utiliza-se o coeficiente do momento de curtose k = m 1 4 s 4 = n n i=1 (x i x) 4 ( 1 n n i=1 (x i x) 2) 2 Temos então k = 3 k > 3 k < 3 distribuição mesocúrtica distribuição leptocúrtica distribuição platicúrtica DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
19 Curtose 0.8 Curtose 0.7 leptocúrtica f(x) 0.4 mesocúrtica 0.3 platicúrtica x= x DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
20 Output Eviews (PSI20): distribuição não-normal, assimétrica positiva (s k > 0) e platicúrtica (k < 3) PT pt Series: PT Sample 1/02/1990 5/12/2008 Observations 4790 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque Bera Probability t DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
21 Probabilidade de um Acontecimento Um tratamento estatístico é sempre um tratamento numérico, mesmo que a natureza das variáveis envolvidas não o seja. Assim, torna-se necessário encontrar um processo que permita atribuir valores reais aos resultados elementares de qualquer experiência aleatória. Fazer tais atribuições de valores, não é mais do que definir funções reais no espaço de acontecimentos Ω No entanto, não podem ser quaisquer funções. Têm que ser definidas de modo a que, ao trabalhar com elas, não se perca nenhuma informação sobre a forma como se distribuiam as probabilidades, em relação aos acontecimentos da experiência aleatória inicial; Tem que se poder estar seguro em relação à interpretação de qualquer intervalo ou valor real, e ainda assegurar a validade das operações entre acontecimentos. DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
22 Probabilidade de um Acontecimento Se uma experiência é repetida um número grande de vezes, n, e o acontecimento A é observado n A vezes, então a probabilidade de A é P (A) n A n, se n é suficientamente grande onde n A é a frequência do acontecimento A e n A n relativa de A. é a frequência Considere uma experiência aleatória cuja espaço de amostragem é S e com pontos de amostragem E 1, E 2,... Para cada acontecimento E i S define-se um número P(E i ) (a probabilidade do E i ) que satisfaz as seguintes três condições: 0 P(E i ) 1 para todo o i P(S) = 1 Propriedade de aditividade S P (E i ) = 1 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
23 Variáveis Aleatórias Definição: uma variável aleatória (v.a.) é uma regra (função) que asigna um valor numérico (x) a cada resultado possível de uma experiência aleatória (ω), isto é X : Ω R ω X (ω) = x Uma variável aleatória é discreta se só assume um número finito ou infinito numerável de valores distintos Uma variável aleatória diz-se contínua se assumir um número infinito não numerável de valores distintos A função (densidade) de probabilidade de uma v.a. X é uma função f X que associa a cada valor possível x de X a sua probabilidade de ocorrência: f X (x) = P (X = x). Tem-se que 0 f X (x) 1 e f X (x i ) = 1. x i DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
24 Variáveis Aleatórias Variável aleatória Discreta Contínua DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65
25 Variáveis Aleatórias A distribuição de probabilidades pode ainda ser descrita através da função de distribuição cumulativa F(x), que, para cada x, dá a probabilidade da v.a. assumir um valor inferior ou igual a x : F (x) = P (X x) (probabilidade acumulada até x), onde 0 F (x) 1, F (x) é não-decrescente lim F (x) = 0 e lim F (x) = 1 x x + DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
26 Variáveis Aleatórias Se X é uma variável aleatória contínua, então, se existe uma função não-negativa f X (x) 0, x R e integrável com + f X (x) dx = 1 tal que P (a X b) = b a f X (x) dx, a, b R então denotamos a função f X (x) por função densidade de probabilidades (fdp) da v.a. X. Também podemos descrever a distribuição de probabilidades através da função de distribuição cumulativa F (x) = P (X x) = x f X (t) dt F (x) = f X (x) DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
27 Variáveis Aleatórias Experimento: Lançar 2 Moedas. Seja X = # cabeças. 4 possibilidades T T T H H T H H Determinar P(x), i.e., P(X = x), para todo o x: Distribuição de probabilidades Valor de x Probabilidade 0 1/4 = /4 = /4 =.25 Probability x Statistics for Business and Economics, 6e 2007 Pearson Education, Inc. Chap 5 1 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de /
28 Variáveis Aleatórias f X Área a sombreado = P (a < X < b) a b x DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
29 Variáveis Aleatórias - Valor esperado e Variância Definição: o valor esperado (média) de uma v.a. µ e é definida como a seguir: µ = E (X) = x f X (x) = x P (x), µ = E (X) = x + x x f X (x) dx, X contínua X denota-se por X discreta Definição: Se X é uma variável aleatória com média µ, então a variância de X é definida por ((X µ) 2) σ 2 = Var (X) = (x µ) 2 f X (x) = x 2 f X (x) µ 2 = E x O desvio padrão de X define-se por σ = Var (X) = (x µ) 2 f X (x) = x x 2 f X (x) µ 2 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
30 Variáveis Aleatórias Example Continuação da experiência de lansamento de 2 moedas: temos a seguinte tabela x P (x) Calcular o valor esperado E (X) = x x P (x) = ( 0 }{{} }{{} 0.25) + (}{{} 1 }{{} 0.50) + (2 0.25) = 1 x 1 x 2 P(x 1 ) P(x 2 ) DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
31 Variáveis Aleatórias Teorema: Se f X (x) é a função probabilidade de uma variável aleatória X e g (X) é alguma função de variável X, então o valor esperado da função g é dado por E (g (X)) = g (X) f X (x) x DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
32 Variáveis Aleatórias Propriedades E (c) = c E (cx) = ce (X) E (ax + by) = ae (X) + be (Y) E (XY) = E (X) E (Y) + cov(x, Y) (se X, Y são independentes, então E (XY) = E (X) E (Y)) Var (X) = E ( X 2) (E (X)) 2 Var (c) = 0 Var (ax + b) = a 2 Var (X) Var(X ± Y) = Var(X) + Var(Y) ± 2cov(X, Y) (se X e Y são independentes, então Var(X ± Y) = Var(X) + Var(Y)) DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
33 Variáveis Aleatórias Bidimensionais Usa-se quando há interesse por dois resultados simultâneos (por exemplo, altura X e peso Y de duas pessoas) Sejam E um experimento aleatório e Ω o espaço amostral associado a E e sejam X = X(ω) e Y = Y(ω) duas funções, cada uma associando um número real a cada resultado ω Ω. Então o par (X, Y) designa-se variável aleatória bidimensional. Para (X, Y) variável aleatória bidimensional e para (x, y) R 2 define-se a função de distribuição conjunta de (X, Y) por: F X,Y (x, y) = P (X x, Y y) = F X,Y (x, y) = P (X x, Y y) = x i x y j y x y P X,Y ( xi, y j ), (discreto) P X,Y (x, y) dxdy, (contín DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
34 Variáveis Aleatórias Bidimensionais Propriedades da função de distribuição conjunta 0 F X,Y (x, y) 1, (x, y) R 2 F X,Y ( x + x, y + y ) FX,Y (x, y), x, y 0 lim x,y + F X,Y (x, y) = 1 lim F X,Y (x, y) = 0 e x lim F X,Y (x, y) = 0 y DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
35 Variáveis Aleatórias Bidimensionais Seja (X, Y) uma variável aleatória bidimensional. Então P X,Y (x, y) = P (X = x, Y = y), (x, y) R 2 diz-se a função (densidade) de probabilidade conjunta de (X, Y). P X,Y (x, y) 0, (x, y) R 2 x y P X,Y (x, y) = 1 (discreto) + + P X,Y (x, y) dxdy = 1 (contínuo) DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
36 Variáveis Aleatórias Bidimensionais A partir do conhecimento do comportamento conjunto de (X, Y) é também possível analisar separadamente X e Y uma vez que lim F X,Y (x, y) = F Y (y) e lim F X,Y (x, y) = F X (x) x + y + Função (densidade) de probabilidade marginal de X; p X (x) p X (x) = P (X = x, Y qualquer) = P X,Y (x, y) p X (x) = P (X = x, Y qualquer) = y + P X,Y (x, y) dy Função (densidade) de probabilidade marginal de Y; p Y (y) p Y (y) = P (X qualquer, Y = y) = P X,Y (x, y) p Y (y) = P (X qualquer, Y = y) = x + P X,Y (x, y) dx DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
37 Variáveis Aleatórias Bidimensionais Dada uma variável aleatória bidimensional (X, Y), diz-se que as v.a. unidimensionais que a integram, X e Y, são independentes, se a sua função de probabilidade conjunta, P X,Y (x, y), for igual ao produto das funções de probabilidade marginais correspondentes, isto é: P X,Y (x, y) = p X (x) p Y (y), (x, y) R 2 Teorema: Se X e Y são variáveis aleatórias independentes então as variáveis aleatórias U = g(x) e V = h(y) são também independentes DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
38 Variáveis Aleatórias Bidimensionais Sejam X e Y duas variáveis aleatórias discretas. A função probabilidade condicionada (condicional) da v.a. Y exprime a probabilidade de Y assumir o valor y quando é especificado o valor x para X. Define-se por P (Y = y X = x) = Tem-se analogamente P (X = x Y = y) = P (X = x, Y = y) P (X = x) P (X = x, Y = y) P (Y = y) = P X,Y (x, y) p X (x) = P X,Y (x, y) p Y (y) DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
39 Variáveis Aleatórias Bidimensionais Define-se a covariância entre X e Y, e denota-se por Cov(X, Y), como sendo Cov(X, Y) = E[(X µ X )(Y µ Y )] = (x µ X )(y µ Y )P X,Y (x, y) x y = E (XY) E (X) E (Y) A covariância mede a intensidade da relação linear existente entre duas variáveis e assume valores reais. Teorema: Se X e Y forem independentes então Cov(X, Y) = 0 O recíproco não é, em geral, verdadeiro, isto é: Cov(X, Y) = 0 não implica que X e Y sejam v.a. independentes DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
40 Y Y Y a) Relação linear positiva X b) Relação linear negativa X c) Ausência de relação X Y Y Y d) Relação não lin. posit. X e) Relação linear positiva X com menor grau de relação que em a) f) Relação linear positiva X Com maior grau de relação que em a). DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
41 Distribuição normal: caracterizada por dois parâmetros: média µ e desvio-padrão σ e dada pela função densidade de probabilidades (fdp) f (x) = 1 σ 2 2π e (x µ) /2σ 2, < x < Uma v.a. normalmente distribuída com µ = 0 e σ = 1 diz-se que tem uma distribuição normal padrão (standard). Denota-se por Z e a sua fdp é dada por f (z) = 1 e z2 /2, 2π < z < Trata-se de uma função em forma de sino, simétrica em relação a média com área abaixo do gráfico =1. Notação: X N ( µ, σ 2) e Z N (0, 1) Padronizar uma variável aleatória normal: z-score Z = X µ X σ X X = µ X + σ X Z, µ Z = 0, σ 2 Z = 1. DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
42 Distribuições Contínuas Distribuição normal 0.8 Distribuição normal sigma=0.57, mu=0.1 f(x) 0.4 sigma=1.36, mu=0.1 sigma=1.7, mu= x= x DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
43 Distribuições Contínuas Distribuição Qui-Quadrado Seja um conjunto de k variáveis Z i (i = 1,..., k) tal que: cada variável Z i segue uma distribuição normal padronizada, Z i N(0, 1) as variáveis Z i são mutuamente independentes A variável aleatória X = i Z 2 i, segue uma Distribuição Qui-quadrado com k graus de liberdade quando a sua função densidade de probabilidades tem a forma f (x) = 1 2 k/2 Γ (k/2) e x/2 x (k/2) 1, Γ função gamma Notação: X = i Z 2 i χ 2 (k) Média: µ = k e Variância: σ 2 = 2k É uma distribuição assimétrica, que se aproxima da distribuição normal, à medida que k aumenta DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
44 Distribuições Contínuas Distribuição Qui-Quadrado DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65
45 Distribuições Contínuas Distribuição t-student Sejam duas variáveis independentes Z N (0, 1) e V χ 2 (k). Define-se a nova variável X = Z. V/k A variável X tem uma distribuição t de Student com k graus de liberdade se a sua função densidade de probabilidades tem a forma ( ) f (x) = Γ k+1 ) k+1 2 ( (1 + kπγ k 2) x2 2, < x <, k > 0 k Notação: X t (k) Média: µ = 0 para k > 1 e Variância: σ 2 = k k 2 para k > 2 Distrib. simétrica em relação à origem, que se aproxima da distrib. normal à medida que k aumenta; DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
46 Distribuições Contínuas Distribuição t-student DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65
47 Distribuições Contínuas Distribuição F de Snedecor Sejam duas variáveis independentes V 1 χ 2 (k 1 ) e V 2 χ 2 (k 2 ). Define-se a nova variável X = V 1/k 1 V 2 /k 2. A variável X segue uma distribuição F com k 1 e k 2 graus de liberdade se a sua função densidade de probabilidades tem a forma f (x) = Notação: X F (k1,k 2 ) Γ ( ) k1 +k 2 2 ( ) k2 2 Γ ( k1 2 ) Γ Média: µ = k 2 k 2 2 para k 2 > 2 ( k1 k 2 ) k1 2 x k (k 2 + k 1 x) k 1 +k 2 2 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
48 Distribuições Contínuas Distribuição F de Snedecor Variância: σ 2 = 2k2 2 (k 1+k 2 2) k 1 (k 2 2) 2 (k 2 4) para k 2 > 4 É uma distribuição positiva e assimétrica e os seus valores encontram-se em tabelas DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
49 Inferência Estatística (Estatística Inferencial, Indutiva) A inferência estatística tem como objectivos tirar conclusões sobre os parâmetros da população a partir da recolha, tratamento e análise dos dados de uma amostra, obtida dessa população. População (desconhecida) Amostragem aleatória Inferência estatística Amostra (conhecida) DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
50 Inferência Estatística Parâmetro Medida usada para descrever a distribuição da população a média µ e a variância σ 2 são parâmetros de uma distribuição Normal Estatística Função de uma amostra aleatória que não depende de parâmetros desconhecidos Média amostral, Variância amostral Num problema de inferência estatística a estimação dos parâmetros pode ser pontual (estatística, estimador = é a v.a. que estima (pontualmente) um parâmetro (populacional) ) por intervalos (intervalos de confiança) Estimação pontual: procedimento que vai permitir obter um valor que seja o melhor (de acordo com algum critério) para um parâmetro desconhecido θ. Um estimador de θ é uma v.a. com uma dada distribuição. Chama-se estimativa de θ e representa-se por ˆθ, um valor concreto DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
51 Inferência Estatística - Propriedades dos estimadores O estimador ˆΘ do parâmetro θ, diz-se centrado ou não enviesado se e só se E( ˆΘ) = θ. Dados dois estimadores centrados para θ, ˆΘ e ˆΘ diz-se que ˆΘ é mais eficiente do que ˆΘ se Var[ ˆΘ] Var[ ˆΘ ]. Um estimador diz-se suficiente, quando utiliza toda a informação disponível na amostra. Seja X 1,..., X n uma amostra aleatória de dimensão n extraída de uma população com média µ e variância σ 2. Então, X = n i=1 X i n ( e S 2 = n i=1 Xi X ) 2 n 1 são estimadores centrados de µ e σ 2, respectivamente. DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
52 Inferência Estatística - Estimação por Intervalos Na estimação por intervalos, em vez de se indicar um determinado valor estimado para certo parâmetro da população, constrói-se um intervalo que, com certo grau de certeza, previamente fixado, o contenha. Um intervalo de confiança para um parâmetro θ, a um grau de confiança 1 α, é um intervalo aleatório (L inf, L sup ) tal que: P(L inf < θ < L sup ) = 1 α, α (0, 1) onde α deve ser um valor muito reduzido por forma a temos confianças elevadas. α é o nível de confiança (significância), ou seja o erro que estamos a cometer DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
53 Intervalo de confiança IC para a média quando a variância é conhecida Seja X 1,..., X n uma amostra aleatória de dimensão n. Consideramos que a v. a. X tem um distribuiçao normal, i.e., X N ( µ, σ 2). Se σ é conhecido, então considere-se a nova variável Z = X µ σ/ N (0, 1). n Fixamos α (o nível de significância) e notamos por z α/2 o valor crítico de Z tal que P (Z > z α/2 ) = α/2. Então ( P ( z α/2 < Z < z α/2 ) = 1 α P z α/2 < X µ ) σ/ n < z α/2 = 1 α e portanto o intervalo a (1 α) 100% de confiança para µ é X z α/2 σ n < µ < X + z α/2 σ n (1) DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
54 Intervalo de confiança IC para a média quando a variância é desconhecida Se a variância σ é desconhecida e a amostra é grande, então podemos substituir σ S Se a amostra é pequena, a variável obtida no caso anterior já não é normal. Mas, se a população é normal, então a variável aleatória ( ) X µ T = S/ n t (n 1) tem distribuição t-student com n 1 graus de liberdade. Então, o intervalo a (1 α) 100% de confiança para µ é s s x t α/2,(n 1) < µ < x + t α/2,(n 1) n n DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
55 Intervalo de confiança Diminuindo o grau de confiança de 99% a 95%, aumentamos o risco de estar errados: de 1% de risco passamos a 5% de risco, ou seja temos mais possibilidades (5/100 em vez de 1/100) de que o IC não contenha a média populacional. Ao aumentar o risco, o intervalo deve ser mais preciso DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
56 Testes (ensaios) de hipóteses Decisão estatística: tomar uma decisão baseando-nos numa amostra Exemplos: Verificar se mais de metade da população irá consumir um novo produto lançado no mercado; Testar se um sistema educacional é melhor em média que outro Decidir se um novo medicamento cura ou não uma certa doença Uma hipótese estatística é uma afirmação acerca dos parâmetros de uma ou mais populações (testes paramétricos) ou acerca da distribuição da população (testes de ajustamento, não-paramétricos). Os testes de hipóteses têm como objectivo decidir, com base na informação fornecida pelos dados de uma amostra, sobre a aceitação ou não de uma dada hipótese (conjectura sobre aspectos desconhecidos da(s) população(ões)). DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
57 Testes de hipóteses Formular duas hipóteses: hipótese nula H 0 (aqui se especifica o valor do parâmetro ou a distribuição a verificar) hipótese alternativa H 1 A resposta num teste de hipóteses é dada na forma rejeição ou não rejeição de H 0 Os pontos de fronteira chamam-se valores críticos DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
58 Testes de hipóteses A tomada de decisões no processo de inferência posui riscos, o que determina a aparição dos erros de decisão Tipos de erros: Erro do tipo I: rejeitar H 0 sendo H 0 verdadeira (erro de rejeição); Erro do tipo II: não rejeitar H 0 sendo H 0 falsa (erro de não-rejeição). Definem-se α = P(erro do tipo I) = P (Rejeitar H 0 H 0 é verdadeira), onde α chama-se nível de significância do teste. Em geral, atribuir-se um valor muito baixo à probabilidade do erro do tipo I (0.05 ou 0.01) β = P(erro do tipo II) = P(Não-rejeitar H 0 H 0 é falsa), onde 1 β chama-se potência do teste DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
59 Testes de hipóteses Procedimento Geral dos Testes de Hipóteses (Testes de Significância ou Teste Estatístico) Pelo contexto do problema identificar o parâmetro de interesse Especificar a hipótese nula H 0 e a hipótese alternativa apropriada H 1 Escolher o nível de significância, α Escolher uma estatística de teste adequada (variável aleatória utilizada para decidir: por exemplo média amostral) Definir a região crítica ou região de rejeição RC Determinar o valor real da estatística de teste Decidir sobre a rejeição ou não de H 0 Se o valor calculado RC rejeita-se H 0 Se o valor calculado / RC não se rejeita H 0 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
60 Testes de hipóteses Região de aceitação Região crítica Não rejeitar H 0 Região crítica Rejeitar H 0 Rejeitar H Valor crítico Valor crítico DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
61 Testes de hipóteses Teste bilateral: H 0 : µ = µ 0 H 1 : µ = µ 0 Teste unilateral à direita: H 0 : µ = µ 0 H 1 : µ > µ 0 Os valores da estatística de teste que nos levarão a rejeitar H 0 e concluir que µ > µ 0, também nos levarão a rejeitar qualquer valor menor do que µ 0. Teste unilateral à esquerda H 0 : µ = µ 0 H 1 : µ < µ 0 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
62 Testes de hipóteses 0.4 Testes unilaterais H 1 : mu < mu 0 H 1 : mu > mu Região crítica 0.1 Região crítica 0.05 Rejeitar H 0 Não rejeitar H 0 Região de aceitação Valor crítico 0.05 Não rejeitar H 0 Região de aceitação Rejeitar H Valor crítico DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
63 Testes de hipóteses A indicação do valor observado da estatística do teste, seguido da consulta de uma tabela para a procura de um valor crítico, tem sido recentemente substituído pelo cálculo de: a probabilidade de se observar um valor igual ou mais extremo do que o observado, se a hipótese nula é verdadeira chama-se a isto valor de prova; valor p ( p-value, possível calcular com ajuda do qualquer software ) Podemos interpretar o valor do p-value como o maior nível de significância que levaria à não rejeição da hipótese nula (ou o menor que levaria à rejeição). Assim, quanto menor for o p-value, menor é a consistência entre os dados e a hipótese nula (Quanto mais baixo for o valor-p maior é a evidência contra a hipótese nula.) Habitualmente adopta-se como regra de decisão: rejeitar H 0 se p-value α DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
64 Testes de hipóteses Examples Máquina de encher pacotes de açúcar. O peso de cada pacote deve ser 8g (isto é, µ = 8). Será que a máquina está a funcionar correctamente? Solution Temos então a hipótese nula H 0 : µ = 8 contra a hipótese alternativa H 1 : µ = 8. Seja X - variável aleatória que representa o peso de um pacote de açúcar, com E (X) = µ e Var (X) = 1. Vamos considerar que numa amostra aleatória de 25 observações: X 1,..., X 25 observou-se x = 8.5. Quer-se saber se, ao nível de significância de 5%, se pode afirmar que a máquina continua afinada. DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
65 Testes de hipóteses Estatística do teste: Z 0 = X 8 1/ 25 e para α = 0.05 a = 1.96 donde se obtem a região crítica: Com x = 8.5 obtém-se Z 0 < 1.96 ou Z 0 > z 0 = / 25 = 2.5. Como z 0 > 1.96 rejeita-se H 0, ou seja existe evidência (ao nível de significância considerado) de que a máquina está desafinada. Considerando agora um valor-p, temos que: quando z 0 = 2.5, para este valor H 0 não é rejeitada se ou seja, p = α 2 (1 Φ (2.5)) = DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro de / 65
66 DMQ, ISCTE-IUL Estatística 13 de Setembro de / 65
Capítulo 8 - Testes de hipóteses. 8.1 Introdução
Capítulo 8 - Testes de hipóteses 8.1 Introdução Nos capítulos anteriores vimos como estimar um parâmetro desconhecido a partir de uma amostra (obtendo estimativas pontuais e intervalos de confiança para
Leia maisEstatística descritiva. Também designada Análise exploratória de dados ou Análise preliminar de dados
Estatística descritiva Também designada Análise exploratória de dados ou Análise preliminar de dados 1 Estatística descritiva vs inferencial Estatística Descritiva: conjunto de métodos estatísticos que
Leia maisCapítulo 3 Modelos Estatísticos
Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide
Leia maisExemplos de Testes de Hipóteses para Médias Populacionais
Exemplos de Testes de Hipóteses para Médias Populacionais Vamos considerar exemplos de testes de hipóteses para a média de uma população para os dois casos mais importantes na prática: O tamanho da amostra
Leia maisRevisão: Noções básicas de estatística aplicada a avaliações de imóveis
Curso de Avaliações Prof. Carlos Aurélio Nadal cnadal@ufpr.br 1 AULA 03 Revisão: Noções básicas de estatística aplicada a avaliações de imóveis 2 OBSERVAÇÃO: é o valor obtido durante um processo de medição.
Leia maisO comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
Leia maisTestes (Não) Paramétricos
Armando B. Mendes, DM, UAç 09--006 ANOVA: Objectivos Verificar as condições de aplicabilidade de testes de comparação de médias; Utilizar ANOVA a um factor, a dois factores e mais de dois factores e interpretar
Leia mais1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.
TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à
Leia maisEstatística II Antonio Roque Aula 9. Testes de Hipóteses
Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para
Leia maisCAP5: Amostragem e Distribuição Amostral
CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?
Leia maisTipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.
Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração
Leia maisMÓDULO 1. I - Estatística Básica
MÓDULO 1 I - 1 - Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos e empíricamente observáveis. Unidade Estatística nome dado a cada observação de um
Leia maisDistribuição Gaussiana. Modelo Probabilístico para Variáveis Contínuas
Distribuição Gaussiana Modelo Probabilístico para Variáveis Contínuas Distribuição de Frequências do Peso, em gramas, de 10000 recém-nascidos Frequencia 0 500 1000 1500 2000 2500 3000 3500 1000 2000 3000
Leia maisFaculdade Sagrada Família
AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer
Leia maisAula 6. Testes de Hipóteses Paramétricos (I) Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán. Teste de Hipóteses
Aula 6. Testes de Hipóteses Paramétricos (I) Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Teste de Hipóteses Procedimento estatístico que averigua se os dados sustentam
Leia maisEquações Diferenciais Ordinárias
Capítulo 8 Equações Diferenciais Ordinárias Vários modelos utilizados nas ciências naturais e exatas envolvem equações diferenciais. Essas equações descrevem a relação entre uma função, o seu argumento
Leia mais4. Tangentes e normais; orientabilidade
4. TANGENTES E NORMAIS; ORIENTABILIDADE 91 4. Tangentes e normais; orientabilidade Uma maneira natural de estudar uma superfície S consiste em considerar curvas γ cujas imagens estão contidas em S. Se
Leia maisSÉRIE: Estatística Básica Texto 4: TESTES DE HIPÓTESES SUMÁRIO
SUMÁRIO. INTRODUÇÃO... 3.. GENERALIDADES... 3.. METODOLOGIA DO TESTE DE HIPÓTESES... 3.3. AS HIPÓTESES... 3.4. A ESCOLHA DO TESTE ESTATÍSTICO... 4.5. CONCEITOS ADICIONAIS DO TESTE DE HIPÓTESES... 4.6.
Leia maisEstatística Descritiva I
Estatística Descritiva I Bacharelado em Economia - FEA - Noturno 1 o Semestre 2016 Profs. Fábio P. Machado e Gilberto A. Paula MAE0219 (Economia-FEA-Noturno) Estatística Descritiva I 1 o Semestre 2016
Leia maisVariáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder
Variáveis aleatórias contínuas e distribuiçao Normal Henrique Dantas Neder Definições gerais Até o momento discutimos o caso das variáveis aleatórias discretas. Agora vamos tratar das variáveis aleatórias
Leia maisTeste de Hipóteses e Intervalos de Confiança
Teste de Hipóteses e Intervalos de Confiança Teste de Hipótese e Intervalo de Confiança para a média Monitor Adan Marcel 1) Deseja-se estudar se uma moléstia que ataca o rim altera o consumo de oxigênio
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisCurvas em coordenadas polares
1 Curvas em coordenadas polares As coordenadas polares nos dão uma maneira alternativa de localizar pontos no plano e são especialmente adequadas para expressar certas situações, como veremos a seguir.
Leia maisIntrodução ao estudo de equações diferenciais
Matemática (AP) - 2008/09 - Introdução ao estudo de equações diferenciais 77 Introdução ao estudo de equações diferenciais Introdução e de nição de equação diferencial Existe uma grande variedade de situações
Leia maisA finalidade dos testes de hipóteses paramétrico é avaliar afirmações sobre os valores dos parâmetros populacionais.
Prof. Janete Pereira Amador Introdução Os métodos utilizados para realização de inferências a respeito dos parâmetros pertencem a duas categorias. Pode-se estimar ou prever o valor do parâmetro, através
Leia maisEstatística Descritiva
Estatística Descritiva Como construir uma distribuição de freqüências. Como construir gráficos de freqüências. Como encontrar medidas de tendência central. Como encontrar medidas de variabilidade. Como
Leia maisRevisão de Estatística Aplicada a Finanças
Revisão de Estatística Aplicada a Finanças INTRODUÇÃO A revisão que apresentaremos destina-se a examinar conceitos importantes de Estatística, que tornem possível a compreensão do conteúdo do livro de
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisDatas Importantes 2013/01
INSTRUMENTAÇÃO CARACTERÍSTICAS DE UM SISTEMA DE MEDIÇÃO PROBABILIDADE PROPAGAÇÃO DE INCERTEZA MÍNIMOS QUADRADOS Instrumentação - Profs. Isaac Silva - Filipi Vianna - Felipe Dalla Vecchia 2013 Datas Importantes
Leia maisAnálise de Regressão Linear Simples e Múltipla
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques (DepMAT ESTV) Análise de Regres. Linear Simples e Múltipla
Leia maisINSTITUTO TECNOLÓGICO
PAC - PROGRAMA DE APRIMORAMENTO DE CONTEÚDOS. ATIVIDADES DE NIVELAMENTO BÁSICO. DISCIPLINAS: MATEMÁTICA & ESTATÍSTICA. PROFº.: PROF. DR. AUSTER RUZANTE 1ª SEMANA DE ATIVIDADES DOS CURSOS DE TECNOLOGIA
Leia maisTipos de variáveis aleatórias
Tipos de variáveis aleatórias Variáveis aleatórias discretas se assumem um conjunto finito ou infinito numerável de valores. Exemplos: número de pintas que sai no lançamento de um dado; registo, a intervalos
Leia maisEduardo Camponogara. DAS-5103: Cálculo Numérico para Controle e Automação. Departamento de Automação e Sistemas Universidade Federal de Santa Catarina
Eduardo Camponogara Departamento de Automação e Sistemas Universidade Federal de Santa Catarina DAS-5103: Cálculo Numérico para Controle e Automação 1/48 Sumário Arredondamentos Erros 2/48 Sumário Arredondamentos
Leia maisPROBABILIDADES E ESTATÍSTICA
PROBABILIDADES E ESTATÍSTICA Ao conjunto de todos os resultados possíveis, de uma eperiência aleatória, chamamos espaço amostral e representamos por S. Define-se acontecimento como sendo um subconjunto
Leia maisAula 1: Introdução à Probabilidade
Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo
Leia maisTestedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado
Parte X Testedegeradoresde números aleatórios Os usuários de uma simulação devem se certificar de que os números fornecidos pelo gerador de números aleatórios são suficientemente aleatórios. O primeiro
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia maisAula 5 Distribuição amostral da média
Aula 5 Distribuição amostral da média Nesta aula você irá aprofundar seus conhecimentos sobre a distribuição amostral da média amostral. Na aula anterior analisamos, por meio de alguns exemplos, o comportamento
Leia maisEstatística Básica. Armando Oscar Cavanha Filho
Estatística Básica Armando Oscar Cavanha Filho 1- INTRODUÇÃO A Estatística tem ampliado a sua participação na linguagem das atividades profissionais da atualidade, já que os números e seus significados
Leia maisOperações sobre uma variável aleatória
Capítulo 3 Operações sobre uma variável aleatória - Esperança matemática Neste capítulo, introduz-se algumas operações importantes que podem ser realizadas sobre uma variável aleatória. 3.1 Esperança Valor
Leia maisDistribuição de probabilidades
Luiz Carlos Terra Para que você possa compreender a parte da estatística que trata de estimação de valores, é necessário que tenha uma boa noção sobre o conceito de distribuição de probabilidades e curva
Leia mais29/Abril/2015 Aula 17
4/Abril/015 Aula 16 Princípio de Incerteza de Heisenberg. Probabilidade de encontrar uma partícula numa certa região. Posição média de uma partícula. Partícula numa caixa de potencial: funções de onda
Leia maisCOMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia maisAnálise de Arredondamento em Ponto Flutuante
Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto
Leia maisPROBABILIDADE. Aula 5
Curso: Psicologia Disciplina: Métodos Quantitativos Profa. Valdinéia Data: 28/10/15 PROBABILIDADE Aula 5 Geralmente a cada experimento aparecem vários resultados possíveis. Por exemplo ao jogar uma moeda,
Leia maisEquações Diferenciais Ordinárias
Equações Diferenciais Ordinárias Uma equação diferencial é uma equação que relaciona uma ou mais funções (desconhecidas com uma ou mais das suas derivadas. Eemplos: ( t dt ( t, u t d u ( cos( ( t d u +
Leia maisDistribuição de Freqüência
Distribuição de Freqüência Representação do conjunto de dados Distribuições de freqüência Freqüência relativa Freqüência acumulada Representação Gráfica Histogramas Organização dos dados Os métodos utilizados
Leia maisAnálise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisElaborado por Eduardo Rebouças Carvalho Hermano Alexandre Lima Rocha DISTRIBUIÇÃO NORMAL
Faculdade de Medicina Universidade Federal do Ceará Elaborado por Eduardo Rebouças Carvalho Hermano Alexandre Lima Rocha DISTRIBUIÇÃO NORMAL - Uma curva de distribuição pode descrever a forma da distribuição
Leia maisCAPÍTULO 5 - Exercícios
CAPÍTULO 5 - Exercícios Distibuições de variáveis aleatórias discretas: Binomial 1. Se 20% dos parafusos produzidos por uma máquina são defeituosos, determinar a probabilidade de, entre 4 parafusos escolhidos
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - APO
Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - APO 11. O Dia do Trabalho, dia 1º de maio, é o 11º dia do ano quando o ano não é bissexto. No ano de 1958, ano em que o Brasil ganhou,
Leia maisMD Sequências e Indução Matemática 1
Sequências Indução Matemática Renato Martins Assunção assuncao@dcc.ufmg.br Antonio Alfredo Ferreira Loureiro loureiro@dcc.ufmg.br MD Sequências e Indução Matemática 1 Introdução Uma das tarefas mais importantes
Leia maisPotenciação no Conjunto dos Números Inteiros - Z
Rua Oto de Alencar nº 5-9, Maracanã/RJ - tel. 04-98/4-98 Potenciação no Conjunto dos Números Inteiros - Z Podemos epressar o produto de quatro fatores iguais a.... por meio de uma potência de base e epoente
Leia maisa) Suponha que na amostra de 20 declarações foram encontrados 15 com dados incorrectos. Construa um
Escola Superior de Tecnologia de Viseu Probabilidades e Estatística 2007/2008 Ficha nº 7 1. O director comercial de uma cadeia de lojas pretende comparar duas técnicas de vendas, A e B, para o mesmo produto.
Leia maisESTATÍSTICA. Prof. Ari Antonio, Me. Ciências Econômicas. Unemat Sinop 2012
ESTATÍSTICA Prof. Ari Antonio, Me Ciências Econômicas Unemat Sinop 2012 1. Introdução Concepções de Estatística: 1. Estatísticas qualquer coleção consistente de dados numéricos reunidos a fim de fornecer
Leia maisO teste de McNemar. A tabela 2x2. Depois
Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br O teste de McNemar O teste de McNemar para a significância de mudanças é particularmente aplicável aos experimentos do tipo "antes
Leia maisEstatística e Probabilidade. Aula 8 Cap 05. Distribuição normal de probabilidade
Estatística e Probabilidade Aula 8 Cap 05 Distribuição normal de probabilidade Estatística e Probabilidade Na aula anterior vimos... Distribuições Binomiais Distribuição Geométrica Distribuição de Poisson
Leia maisAula 6 Derivadas Direcionais e o Vetor Gradiente
Aula 6 Derivadas Direcionais e o Vetor Gradiente MA211 - Cálculo II Marcos Eduardo Valle Departamento de Matemática Aplicada Instituto de Matemática, Estatística e Computação Científica Universidade Estadual
Leia maisModelos de Filas de Espera
Departamento de Informática Modelos de Filas de Espera Métodos Quantitativos LEI 2006/2007 Susana Nascimento (snt@di.fct.unl.pt) Advertência Autor João Moura Pires (jmp@di.fct.unl.pt) Este material pode
Leia maisCONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos
INTRODUÇÃO À PROAILIDADE Exemplos: O problema da coincidência de datas de aniversário O problema da mega sena A teoria das probabilidade nada mais é do que o bom senso transformado em cálculo A probabilidade
Leia maisESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS
ESTATÍSTICA BÁSICA COM ANÁLISE E TRATAMENTO ESTATÍSTICO DE DADOS EM SPSS Escola de Enfermagem UFRGS Julho/2007 Juscelino Zemiacki Estatístico Programa Básico: AULA 1 Noções Básicas de Estatística AULA
Leia maisNotas de Cálculo Numérico
Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo
Leia maisQUESTÕES COMENTADAS E RESOLVIDAS
LENIMAR NUNES DE ANDRADE INTRODUÇÃO À ÁLGEBRA: QUESTÕES COMENTADAS E RESOLVIDAS 1 a edição ISBN 978-85-917238-0-5 João Pessoa Edição do Autor 2014 Prefácio Este texto foi elaborado para a disciplina Introdução
Leia maisRoot Locus (Método do Lugar das Raízes)
Root Locus (Método do Lugar das Raízes) Ambos a estabilidade e o comportamento da resposta transitória em um sistema de controle em malha fechada estão diretamente relacionadas com a localização das raízes
Leia maisMODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS
MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS Definições Variáveis Aleatórias Uma variável aleatória representa um valor numérico possível de um evento incerto. Variáveis aleatórias
Leia maisDISTRIBUIÇÃO NORMAL 1
DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02
Leia maisNotas sobre a Fórmula de Taylor e o estudo de extremos
Notas sobre a Fórmula de Taylor e o estudo de etremos O Teorema de Taylor estabelece que sob certas condições) uma função pode ser aproimada na proimidade de algum ponto dado) por um polinómio, de modo
Leia maisLISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES
Monitora Juliana Dubinski LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES EXERCÍCIO 1 (INTERVALO DE CONFIANÇA PARA MÉDIA) Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se
Leia maisEspecialização em Engenharia Clínica
Especialização em Engenharia Clínica Introdução a Bioestatística Docente: > Marcelino M. de Andrade, Dr. Apresentação: Módulo 02 Teoria Elementar da Amostragem A teoria elementar da amostragem é um estudo
Leia maisITA - 2004 3º DIA MATEMÁTICA BERNOULLI COLÉGIO E PRÉ-VESTIBULAR
ITA - 2004 3º DIA MATEMÁTICA BERNOULLI COLÉGIO E PRÉ-VESTIBULAR Matemática Questão 01 Considere as seguintes afirmações sobre o conjunto U = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} I. U e n(u) = 10 III. 5 U e {5}
Leia maisRepresentação de números em máquinas
Capítulo 1 Representação de números em máquinas 1.1. Sistema de numeração Um sistema de numeração é formado por uma coleção de símbolos e regras para representar conjuntos de números de maneira consistente.
Leia maisSOCIEDADE BRASILEIRA DE MATEMÁTICA MESTRADO PROFISSIONAL EM REDE NACIONAL PROFMAT
SOCIEDADE BRASILEIRA DE MATEMÁTICA MESTRADO PROFISSIONAL EM REDE NACIONAL PROFMAT GABARITO da 3 a Avaliação Nacional de Aritmética - MA14-21/12/2013 Questão 1. (pontuação: 2) (1,0) a) Enuncie e demonstre
Leia maisVariáveis Aleatórias Contínuas
Variáveis aleatórias contínuas: vamos considerar agora uma lista de quantidades as quais não é possível associar uma tabela de probabilidades pontuais ou frequências tempo de duração de uma chamada telefônica
Leia maisXXVI Olimpíada de Matemática da Unicamp. Instituto de Matemática, Estatística e Computação Científica Universidade Estadual de Campinas
Gabarito da Prova da Primeira Fase 15 de Maio de 010 1 Questão 1 Um tanque de combustível, cuja capacidade é de 000 litros, tinha 600 litros de uma mistura homogênea formada por 5 % de álcool e 75 % de
Leia maisCAPÍTULO 6 TRANSFORMAÇÃO LINEAR
INODUÇÃO AO ESUDO DA ÁLGEBA LINEA CAPÍULO 6 ANSFOMAÇÃO LINEA Introdução Muitos problemas de Matemática Aplicada envolvem o estudo de transformações, ou seja, a maneira como certos dados de entrada são
Leia maisDescreve de uma forma adequada o
EST029 Cálculo de Probabilidade I Cap. 8 - Variáveis Aleatórias Contínuas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Variável Aleatória Normal Caraterização: Descreve de uma forma adequada
Leia maisProblemas de Valor Inicial para Equações Diferenciais Ordinárias
Problemas de Valor Inicial para Equações Diferenciais Ordinárias Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados
Leia maisEscola Secundária Gabriel Pereira Évora Matemática A 10º ano. Planificação da Unidade Geometria
Escola Secundária Gabriel Pereira Évora Matemática A 10º ano Planificação da Unidade Geometria 1. Generalidades Objecto da estatística e breve nota histórica sobre a evolução desta ciência; utilidade na
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisATAQUE TRIBUTÁRIO À INFORMALIDADE
LC/BRS/R.171 Dezembro de 2006 Original: português CEPAL COMISSÃO ECONÔMICA PARA A AMÉRICA LATINA E O CARIBE Escritório no Brasil ATAQUE TRIBUTÁRIO À INFORMALIDADE Samuel Pessoa Silvia Matos Pessoa Documento
Leia maisEventos independentes
Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos
Leia maisP. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)
Considerações Iniciais É impossível saber, antes de amostrar, de que maneira os valores das variáveis irão se comportar: se dependente ou independente uma da outra. Devido as limitações da estatística
Leia maisProva Escrita de Matemática Aplicada às Ciências Sociais
Exame Final Nacional do Ensino Secundário Prova Escrita de Matemática Aplicada às Ciências Sociais 11.º Ano de Escolaridade Decreto-Lei n.º 139/2012, de 5 de julho Prova 835/2.ª Fase 15 Páginas Duração
Leia maisUNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM
Unidade 2 Distribuições de Frequências e Representação Gráfica UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Ao finalizar esta Unidade, você deverá ser capaz de: Calcular
Leia maisUNIVERSIDADE FEDERAL DO MATO GROSSO CAMPUS
BIOESTATÍSTICA Aula 0 TÓPICOS ABORDADOS: Introdução a estatística; Coleta de dados; Estatística descritiva; Distribuição de frequências; Notação de somatório Medidas de posição. ESTATÍSTICA É um ramo da
Leia maisPROBABILIDADE Prof. Adriano Mendonça Souza, Dr.
PROBABILIDADE Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - O intelecto faz pouco na estrada que leva à descoberta, acontece um salto na consciência, chameo de
Leia maisMATEMÁTICA 3. Resposta: 29
MATEMÁTICA 3 17. Uma ponte deve ser construída sobre um rio, unindo os pontos A e, como ilustrado na figura abaixo. Para calcular o comprimento A, escolhe-se um ponto C, na mesma margem em que está, e
Leia maisMomentos de uma variável aleatória
Momentos de uma variável aleatória O cálculo de E[X] (valor médio de X) e E[X 2 ] (que intervém na variância), pode ser generalizado pensando em E[X k ] com k IN. Definição: Dada uma v.a. X, chama-se momento
Leia maisAjuste de Curvas. Ajuste de Curvas
Ajuste de Curvas 2 AJUSTE DE CURVAS Em matemática e estatística aplicada existem muitas situações em que conhecemos uma tabela de pontos (x; y). Nessa tabela os valores de y são obtidos experimentalmente
Leia maisPós-Graduação em Economia e Gestão em Saúde Módulo de Estatística Aplicada
ÍNDICE 1. CONCEITOS BÁSICOS 2 1.1 FASES DE UMA ANÁLISE ESTATÍSTICA 2 2. ANÁLISE EXPLORATÓRIA DOS DADOS 3 2.1 TABELAS E GRÁFICOS 3 2.2 ESTATÍSTICA DESCRITIVA 9 2.2.1 Medidas de Tendência Central 10 2.2.2
Leia maisEXCEL NA ANÁLISE DE REGRESSÃO
EXCEL NA ANÁLISE DE REGRESSÃO _2010_03_Exercicio _Regressão_exemplo O gerente de uma loja de artigos escolares, cada semana, deve decidir quanto gastar com propaganda e que atrativo (por exemplo preços
Leia maisEA616B Análise Linear de Sistemas Resposta em Frequência
EA616B Análise Linear de Sistemas Resposta em Frequência Prof. Pedro L. D. Peres Faculdade de Engenharia Elétrica e de Computação Universidade Estadual de Campinas 2 o Semestre 2013 Resposta em Frequência
Leia maisContabilometria. Aula 10 Grau de Ajustamento e Verificação das Premissas MQO
Contabilometria Aula 10 Grau de Ajustamento e Verificação das Premissas MQO Ferramentas -------- Análise de Dados -------- Regressão Regressão Linear - Exemplo Usando o Excel Regressão Linear Output do
Leia maisÉ usual representar uma função f de uma variável real a valores reais e com domínio A, simplesmente por y=f(x), x A
4. Função O objeto fundamental do cálculo são as funções. Assim, num curso de Pré-Cálculo é importante estudar as idéias básicas concernentes às funções e seus gráficos, bem como as formas de combiná-los
Leia maisApresentação Caule e Folha. Exemplo
Análise Exploratória de Dados As técnicas de análise exploratória de dados consistem em gráficos simples de desenhar que podem ser utilizados para resumir rapidamente um conjunto de dados. Uma destas técnicas
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEEC, MEMec o semestre 011/01 1 o Teste B 1/04/01 11:00 Duração: 1 hora e 30 minutos Justifique
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/12/2011 pelo CEPERJ
Resoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/1/011 pelo CEPERJ 59. O cartão de crédito que João utiliza cobra 10% de juros ao mês,
Leia mais24/Abril/2013 Aula 19. Equação de Schrödinger. Aplicações: 1º partícula numa caixa de potencial. 22/Abr/2013 Aula 18
/Abr/013 Aula 18 Princípio de Incerteza de Heisenberg. Probabilidade de encontrar uma partícula numa certa região. Posição média de uma partícula. Partícula numa caixa de potencial: funções de onda e níveis
Leia mais