Intervalos Estatísticos para Uma Única Amostra
|
|
|
- Carla Raminhos Back
- 7 Há anos
- Visualizações:
Transcrição
1 Intervalos Estatísticos para Uma Única Amostra
2 OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Construir intervalos de confiança para a média de uma distribuição normal, usando tanto o método da distribuição normal como o da distribuição t 2.Construir intervalos de confiança para a variância e o desvio-padrão de uma distribuição normal 3.Construir intervalos de confiança para a proporção de uma população 4.Usar um método geral de construção de um intervalo aproximado de confiança para um parâmetro 5.Construir intervalos de previsão para uma observação futura 6.Construir um intervalo de tolerância para uma população normal 7.Explicar os três tipos de estimativas de intervalo: intervalos de confiança, intervalos de previsão e intervalos de tolerância
3 8-1 Introdução No capítulo anterior, ilustramos como um parâmetro pode ser estimado a partir de dados de uma amostra. Entretanto, é importante entender quão boa é a estimativa obtida. Uma estimativa de intervalo para um parâmetro de uma população é chamada de um intervalo de confiança. Três tipos de intervalo serão apresentados: Intervalo de Confiança Intervalo de Predição Intervalo de Tolerância
4 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Desenvolvimento do Intervalo de Confiança e suas Propriedades Suponha que X 1,X 2,,X n seja uma amostra proveniente de uma distribuição normal, com média desconhecida μ e variância conhecida σ 2. Dos resultados do Capítulo 5, sabemos que a média da amostra é normalmente distribuída, com média μ e variância σ 2 /n. Podemos padronizar subtraindo a média e dividindo pelo desvio-padrão, que resulta na variável: Agora, temos uma variável Z com distribuição normal padrão.
5 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Desenvolvimento do Intervalo de Confiança e suas Propriedades Uma estimativa de intervalo de confiança para μ é um intervalo da forma l μ u, em que os extremos l e u são calculados a partir de dados da amostra. Uma vez que diferentes amostras produzirão diferentes valores de l e u, esses extremos são valores variáveis aleatórias L e U, respectivamente. Suponha que possamos determinar os valores de L e U, tal que a seguinte afirmação de probabilidade seja verdadeira: Sendo 0 α 1. Há uma probabilidade de 1 α de selecionar uma amostra para a qual o IC conterá o valor verdadeiro de μ. Uma vez que tenhamos selecionado a amostra, de modo que X 1 =x 1, X 2 =x 2,, X n =x n e calculado l e u, o intervalo resultante de confiança para μ é:
6 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Desenvolvimento do Intervalo de Confiança e suas Propriedades Os extremos ou limites de l e u são chamados de limites inferior e superior de confiança, respectivamente e 1-α é chamado de coeficiente de confiança. Visto que Z segue uma distribuição normal padrão, Podemos escrever: Agora, manipule as grandezas dentro das chaves, (1) multiplicando por σ/ n, (2)subtraindo de cada termo, e (3) multiplicando por -1. Isso resulta em:
7 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Desenvolvimento do Intervalo de Confiança e suas Propriedades Definição Se for média amostral de uma amostra aleatória, de tamanho n, proveniente de uma população com variância conhecida σ 2, um intervalo com 100(1-α)% de confiança para μ é dado por Sendo z α/2 o ponto superior com 100α/2% da distribuição normal padrão.
8 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Exemplo 8-1 A norma padrão ASTM E23 define métodos padrões de testes para testar o impacto em barras entalhadas feitas com materias metálicos. A técnica Charpy V-notch (CVN) mede a energia de impacto e é frequentemente utilizada para determinar se um material experimenta ou não uma transição dúctil-frágil com o decréscimo de temperatura. Dez medidas de energia (J) de impacto nos corpos-de-prova de aço A238, cortados a 60ºC, são: 64.1,64.7,64.5,64.6, 64.5,64.3,64.6,64.8,64.2 e Considere que a energia de impacto seja normalmente distribuída, com σ = IJ Queremos encontrar um IC de 95% para μ, a energia média de impacto. As grandezas requeridas são: z α/2 = Z 0,025 = 1,96, n=10, σ = 1 e = 64,46. O IC resultante de 95% é encontrado a partir da equação 8-7, como a seguir: Ou seja, baseado nos dados da amostra, uma faixa de valores altamente plausíveis para a energia média de impacto para o aço!238 a 60ºC é 63,84J μ 65,08J
9 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Interpretando um Intervalo de Confiança Um intervalo de confiança é um intervalo aleatório A afimação apropriada é que o intervalo observado [l,u] envolve o verdadeiro valor de μ, com confiança de 100(1-α). Examine a Figura 8-1 no próximo slide.
10 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Figura 8-1 Construção repetida de um intervalo de confiança para μ.
11 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Nível de Confiança e Precisão da Estimação O comprimento de um intervalo é uma medida de precisão da estimação. Figura 8-2 Erro em estima μ com x.
12 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Escolha do Tamanho da Amostra Definição Se for usada como uma estimativa de μ, podemos estar 100(1-α)% confiantes de que o erro - μ não excederá um valor especificado E quando o tamanho da amostra for
13 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Exemplo 8-2 Para ilustrar o uso desse procedimento, considere o teste CVN, descrito no Exemplo 8-1, e suponha que quiséssemos determinar quantos espécimes teríamos de testar para assegurar que o IC de 95% para μ para o aço A238, cortado a 60º, tivesse um comprimento de no máximo 1,0J. Uma vez que o erro de estimação, E, é metado do comprimento do IC, para determinar n usamos a Equação 8-8, com E = 0,5, σ = 1 e z α/2 = 1,96. O tamanho requerido de amostra é 16 E visto que n tem de ser um inteiro, o tamanho requerido de amostra é n=16.
14 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Limites Unilaterais de Confiança Definição Limites Unilaterais de Confiança para a Média, Variância Conhecida O Limite superior com 100(1 - α)% de confiança para μ é E o Limite inferior com 100(1 - α)% de confiança para μ é
15 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Método Geral para Deduzir um Intervalo de Confiança É fácil dar um método geral para encontrar um intervalo de confiança para um parâmetro desconhecido θ. Seja X 1,X 2,,X n uma amostra aleatória com n observações. Suponha que possamos encontrar uma estatística g(x 1,X 2,,X n ; θ) com as seguintes propriedades: 1.g(X 1,X 2,,X n ; θ) depende da amotra e de θ. 2.A distribuição de probabilidades de g(x 1,X 2,,X n ; θ) não depende de θ ou de qualquer outro parâmetro desconhecido.
16 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Método Geral para Deduzir um Intervalo de Confiança No caso considerado nesta seção, o parâmetro θ = μ. A variável aleatória g(x 1,X 2,,X n ; μ) = e satisfaz ambas as condições anteriores; ela depende da amostra e de μ, e tem uma distribuição normal padrão desde que σ seja conhecida. Agora tem-se de encontrar as constantes C L e C U de modo a Devido à propriedade 2, C L e C U não dependem de θ. Em nosso exemplo, C L = - z α/2 e C U = z α/2. Finalmente, você tem de manipular as desigualdades no enunciado de probabilidade, de modo a
17 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Método Geral para Deduzir um Intervalo de Confiança Isso fornce L(X 1,X 2,,X n ) e U(X 1,X 2,,X n ) como os limites inferior e superior de confiança, definindo o intervalo de confiança de 100(1-α)% para θ. A grandeza g(x 1,X 2,,X n ; θ) é frequentemente chamada de uma grandeza pivotal, visto que pivotamos essa grandeza na Equação 8-11 para produzir a Equação Em nosso exemplo, manipulamos a grandeza pivotal para obter L(X 1,X 2,,X n ) = e U(X 1,X 2,,X n ) =
18 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Intervalo de Confiança Aproximado para a Média, Definição Quando n tende para infinito, a grandeza Tem uma distribuição normal padrão aproximada. Consequentemente, Éum intervalo de confiança para μ para amostras grandes, com nível de confiança de aproximadamente 100(1-α)%.
19 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Exemplo 8-4 Um artigo no volume de 1993 da Transactions of the American Fisheries Society reportou os resultados de um estudo para investigar a contaminação por mercúrio em um peixe de boca grande. Uma mostra de peixe foi selecionada proveniente de 53 lagos da Flórida e mediu-se a concentração (em ppm) de mercúrio no tecido muscular. Os valores de concentração de mercúrio foram
20 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Exemplo 8-4 (continuação) O sumário das estatísticas provenientes do Minitab está disposto a seguir:
21 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Exemplo 8-4 (continuação) Figura 8-3 Concentração de mercúrio em um peixe de boca grande. (a) Histograma. (b)gráfico de probabilidade normal.
22 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Exemplo 8-4 (continuação) A Figura 8-3 (a) e (b) apresenta o histograma e o gráfico de probabilidade normal dos dados de concentração de mercúrio. Ambos os gráficos indicam que a distribuição de concentração de mercúrio não é normal e é positivamente deslocada. Queremos achar um IC aproximado para μ, com 95%. Uma vez que n>40, a suposição de normalidade não é necessária para usar a Equação As grandezas requeridas são n = 53, x =0,5250, s = 0,3486 e z 0,025 = 1,96. O IC aproximado para μ com 95% é Esse intervalo é razoavelmente largo visto que há uma grande variabilidade nas medidas de concentração de mercúrio.
23 8-2 Intervalo de Confiança para a Média de uma Distribuição Normal de Variância Conhecida Intervalo de Confiança Aproximado para Amostras Grandes
24 8-3 Intervalo de Confiança para a Média de uma Distribuição Normal, Variância Desconhecida Distribuição t Seja X 1,X 2,,X n uma amostra aleatória proveniente de uma distribuição normal, com média μ e variância σ 2 desconhecidas. A variável aleatória Tem uma distribuição t, com n-1 graus de liberdade.
25 8-3 Intervalo de Confiança para a Média de uma Distribuição Normal, Variância Desconhecida Distribuição t Figura 8-4 Funções densidade de probabilidade de várias distribuições t.
26 8-3 Intervalo de Confiança para a Média de uma Distribuição Normal, Variância Desconhecida Distribuição t Figura 8-5 Pontos percentuais da distribuição t.
27 8-3 Intervalo de Confiança para a Média de uma Distribuição Normal, Variância Desconhecida Intervalo de Confiança t para μ Se e s forem média e o desvio-padrão de uma amostra aleatória proveniente de uma população normal, com variância desconhecida σ 2, então um intervalo de confiança de 100(1-α)% para a média μ é dado por Sendo t α/2,η-1 o ponto superior 100α/2% da distribuição t, com n-1 graus de liberdade. Limites Unilaterais de confiança para a média de uma distribuição normal são também de interesse e são fáceis de usar. Use simplesmente o limite inferior ou superior apropriado da Equação 8-18 e troque t α/2,n-1 por t α,n-1.
28 O IC é razoavelmente amplo porque há uma grande variabilidade nas medidas do teste trativo de adesão. 8-3 Intervalo de Confiança para a Média de uma Distribuição Normal, Variância Desconhecida Exemplo 8-5 Um artigo no periódico Material Engineering (1989, Vol II, No.4, pp ) descreve os resultados de testes trativos de adesão em 22 corpos-de-prova de liga U-700. A carga no ponto de falha do corpo-de-prova é dada a seguir (em megapascal): A média da amostra é x = 13,71 e o desvio-padrão é s = 3,55. As Figs. 8-6 e 8-7 mostram um diagrama de caixa e um gráfico de probabilidades normal dos dados de testes trativos de adesão, respectivamente. Esses gráficos fornecem um bom suporte para a suposição de que a população é normalmente distribuída. Queremos encontrar um IC de 95% para μ. Uma vez que n = 22, temos n 1 = 21 graus de liberdade para t; logo t0,025,21 = 2,080. O IC resultante é
29 8-3 Intervalo de Confiança para a Média de uma Distribuição Normal, Variância Desconhecida Figura 8-6 Diagrama de Caixa e Linha para os dados de carga de falha do Exemplo 8-5.
30 8-3 Intervalo de Confiança para a Média de uma Distribuição Normal, Variância Desconhecida Figura 8-7 Gráfico de probabilidade normal dos dados de carga de falha do Exemplo 8-5.
31 8-4 Intervalo de Confiança para a Variância e para o Desvio-Padrão de uma População Normal Definição Seja X 1,X 2,,X n uma amostra aleatória proveniente de uma distribuição normal, com média μ e variância σ 2, e seja S 2 a variância da amostra. Então a variável aleatória Tem uma distribuição qui-quadrado (Χ 2 ), com n-1 graus de liberdade.
32 8-4 Intervalo de Confiança para a Variância e para o Desvio-Padrão de uma População Normal Figura 8-8 Funções densidade de probabilidade de várias distribuições χ 2.
33 8-4 Intervalo de Confiança para a Variância e para o Desvio-Padrão de uma População Normal Definição Se s 2 for a variância amostral de uma amostra aleatória de η observações provenientes de uma população normal, com variância desconhecida σ 2, então um intervalo de confiança de 100(1-α)% para σ 2 será Sendo X 2 α/2,n-1 e X 2 1-α/2,n-1 os pontos percentuais superior e inferior 100α/2% da distribuição qui-quadrado, com n-1 graus de liberdade, respectivamente. Um intervalo de confiança para σ tem limites inferior e superior que são as raízes quadradas dos limites correspondentes na Equação 8-21.
34 8-4 Intervalo de Confiança para a Variância e para o Desvio-Padrão de uma População Normal Limites Unilaterais de Confiança para Variância Os limites inferior e superior de confiança de 100(1-α)% para σ 2 são Respectivamente.
35 Consequentemente, com um nível de confiança de 95%, os dados indicam que o desviopadrão do processo poderia ser tão grande quanto 0,17 onça fluída 8-4 Intervalo de Confiança para a Variância e para o Desvio-Padrão de uma População Normal Exemplo 8-6 Uma máquina automática de enchimento é usada para encher garrafas com detergente líquido. Uma amostra aleatória de 20 garrafas resulta em uma variância amostral de volume de enchimento de s 2 = 0,0153 (onça fluída) 2. Se a variância do volume de enchimento for muito grade, existirá uma proporção inaceitável de garrafas cujo enchimento não foi completo e cujo enchimento foi em demasia. Consideraremos que o volume de enchimento seja distribuído de forma aproximadamente normal. Um intervalo superior de confiança de 95% é encontrado a partir da Equação 8-22 conforme se segue: Ou Essa última afimação pode ser convertida em um intervalo de confiança para o desviopadrão σ, extraindo a raiz quadrada de ambos os lados, resultando em
36 8-5 Intervalo de Confiança para a Proporção de uma População, Amostra Grande Aproximação da Normal para uma Proporção Binomial Se n for grande, a distribuição de Será aproximadamente normal padrão. A grandeza pontual Pˆ. p ( 1 p) / n é chamada de erro-padrão do estimador
37 8-5 Intervalo de Confiança para a Proporção de uma População, Amostra Grande Se p é a proporção de observações em uma amostra aleatória de tamanho n que pertença a uma classe de interesse, então um intervalo aproximado de confiança de 100(1-α)% para a proporção p da população que pertença a essa classe é Sendo z α/2 o ponto superior α/2% da distribuição normal padrão.
38 8-5 Intervalo de Confiança para a Proporção de uma População, Amostra Grande Exemplo 8-7 Em uma amostra aleatória de 85 mancais de eixos de manivelas de motores de automóveis, 10 tem um acabamento de superfície que é mais rugoso do que as especificações permitiam. Consequentemente, uma estimativa pontual da proporção de mancais na população que excede a especificação de rugosidade é p^ = x/n = 10/85 = Um intervalo bilateral de confiança para p é calculado da Equação 8-25 como: Ou Que simplifica para
39 8-5 Intervalo de Confiança para a Proporção de uma População, Amostra Grande Escolha do Tamanho da Amostra O tamanho da amostra para um valor específico de E é dado por Um limite superior para n édado por
40 8-5 Intervalo de Confiança para a Proporção de uma População, Amostra Grande Exemplo 8-8 Considere a situação do Exemplo 8-7. Quão grande deverá ser a amostra, se quisermos estar 95% confiantes de que o erro em usar para estimar p é menor do que 0,05? Usando P = 0,12 como uma estimativa inicial de p, encontramos, da Equação 8-26, que tamanho requerido da amostra é Se quiséssemos estar no mínimo 95% confiantes de que nossa estimativa da proporção verdadeira ρ estivesse dentro de 0.05, independentemente do valor de p, então usaríamos a Equação 8-27 para encontrar o tamanho da amostra Note que se tivéssemos a informação relativa ao valor de ρ, tanto a partir de uma amostra preliminar como de uma experiência passada, poderíamos usar uma amostra menor, embora mantendo a precisão desejada de estimação.
41 8-5 Intervalo de Confiança para a Proporção de uma População, Amostra Grande Limites Unilaterais de Confiança Os limites aproximados inferior e superior de confiança de 100(1-α)% são Respectivamente.
Capítulo 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 variância de
Probabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra
Probabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra Fernando Deeke Sasse 14 de maio de 2010 Introdução Quão boa é uma dada estimação de um parâmetro? Suponha que estimamos
Estimação. Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança
Estimação Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança Motivação A partir da média de uma a amostra em uma colheita recente, o conselho de qualidade
AULA 04 Estimativas e Tamanhos Amostrais
1 AULA 04 Estimativas e Tamanhos Amostrais Ernesto F. L. Amaral 27 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Teorema do Limite Central e Intervalo de Confiança
Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Análise de Regressão Linear Simples III
Análise de Regressão Linear Simples III Aula 03 Gujarati e Porter Capítulos 4 e 5 Wooldridge Seção.5 Suposições, Propriedades e Teste t Suposições e Propriedades RLS.1 O modelo de regressão é linear nos
Regressão linear múltipla. Prof. Tatiele Lacerda
Regressão linear múltipla Prof Tatiele Lacerda Yi = B + Bx + B3X3 + u Plano de resposta E(Y i ) = 0,00 Y i i 0 (,33;,67) Y i 0 X i Xi X p i, p i 3 Modelo de regressão linear múltipla em termos matriciais,
IND 1115 Inferência Estatística Aula 8
Conteúdo IND 5 Inferência Estatística Aula 8 Setembro 4 Mônica Barros O - aproximação da Binomial pela Este teorema é apenas um caso particular do teorema central do limite, pois uma variável aleatória
Cap. 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
Modelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Qui-quadrado, t-student e F de Snedecor 04/14
Aula 8 Intervalos de confiança para proporções amostras grandes
Aula 8 Intervalos de confiança para proporções amostras grandes Objetivos Na aula anterior, foram apresentadas as idéias básicas da estimação por intervalos de confiança. Para ilustrar o princípio utilizado
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Tipos de Pesquisa Censo: é o levantamento de toda população. Aqui não se faz inferência e sim uma descrição
cuja distribuição é t de Student com n 1 graus de liberdade.
Aula 13 Teste de hipótese sobre a média de uma população normal σ 2 desconhecida Objetivos: Nesta aula você completará seu estudo básico sobre testes de hipóteses, analisando a situação relativa a uma
AULA 12 Inferência a Partir de Duas Amostras
1 AULA 12 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 15 de setembro de 2011 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Aula 12 Teste de hipótese sobre proporções amostras grandes
Aula 12 Teste de hipótese sobre proporções amostras grandes Objetivos Na aula anterior, você aprendeu a construir testes de hipóteses sobre a média de uma população normal com variância σ 2 conhecida.
Aula 11 Teste de hipótese sobre a média de uma população normal - σ 2 conhecida
Aula 11 Teste de hipótese sobre a média de uma população normal - σ 2 conhecida Objetivo: Nesta aula, iremos aplicar os conceitos básicos sobre a teoria de teste de hipótese a uma situação específica.
Coeficiente de Assimetria e Curtose. Rinaldo Artes. Padronização., tem as seguintes propriedades: Momentos
Coeficiente de Assimetria e Curtose Rinaldo Artes 2014 Padronização Seja X uma variável aleatória com E(X)=µ e Var(X)=σ 2. Então a variável aleatória Z, definida como =, tem as seguintes propriedades:
Teste de Hipótese e Intervalo de Confiança. Parte 2
Teste de Hipótese e Intervalo de Confiança Parte 2 Questões para discutirmos em sala: O que é uma hipótese estatística? O que é um teste de hipótese? Quem são as hipóteses nula e alternativa? Quando devemos
AULA 11 Experimentos Multinomiais e Tabelas de Contingência
1 AULA 11 Experimentos Multinomiais e Tabelas de Contingência Ernesto F. L. Amaral 24 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG)
AMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA
AMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA META Dimensionar o tamanho ideal de amostra para cada população.
Intervalo de Confiança - Margem de Erro
Intervalo de Confiança - Margem de Erro Tatiene Correia de Souza / UFPB tatiene@de.ufpb.br October 26, 2014 Souza () Intervalo de Confiança - Margem de Erro October 26, 2014 1 / 31 Margem de erro - relatórios
Probabilidade III. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período 2014.1
Probabilidade III Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.1 Ulisses Umbelino (DE-UFPB) Probabilidade III Período 2014.1 1 / 42 Sumário 1 Apresentação
MAE116 - Noções de Estatística
MAE116 - Noções de Estatística Grupo A - 1 semestre de 2015 Gabarito da Lista de exercícios 10 - Introdução à Estatística Descritiva - CASA Exercício 1. (2 pontos) Sabe-se que, historicamente, 18% dos
é 4. Portanto, o desvio padrão é 2. Neste caso 100% dos valores da população estão a um desvio padrão da média.
Desvio Padrão From Wikipedia, the free encyclopedia probabilidade e estatística, o desvio padrão de uma distribuição de probabilidade, de uma variável aleatória, ou população é uma medida do espalhamento
Testes Qui-Quadrado - Teste de Aderência
Testes Qui-Quadrado - Teste de Aderência Consideremos uma tabela de frequências com k frequências, k 2 k: total de categorias frequências observadas: O 1,, O k seja p 1 = p 01,, p k = p 0k as probabilidades
Correlação e Regressão linear simples
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Regressão linear simples Prof. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Correlação linear Diagrama de dispersão Covariância
Plano da Apresentação. Correlação e Regressão linear simples. Correlação linear. Associação entre hábitos leitura e escolaridade.
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Plano da Apresentação Correlação linear Diagrama de dispersão Covariância Coeficiente de correlação de Pearson Teste de correlação
Probabilidade e Estatística, 2009/2
Probabilidade e Estatística, 2009/2 CCT - UDESC Prof. Fernando Deeke Sasse Problemas Resolvidos - Testes de Hipóteses 1. Uma empresa de manufatura têxtil está testando rolos de fio que o fornecedor afirma
AULAS 08 E 09 Distribuição de Probabilidade Normal
1 AULAS 08 E 09 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 02 e 09 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed.
Análise de Regressão. Notas de Aula
Análise de Regressão Notas de Aula 2 Modelos de Regressão Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma variável Y com outra X. Quando a função f que relaciona duas
Técnicas estatísticas para análise de dados e de resultados de modelos de simulação
Parte XIV Técnicas estatísticas para análise de dados e de resultados de modelos de simulação A saída de um modelo de simulação geralmente constitui-se de VA s, muitas das quais podem ter variância grande.
Carta de controle para o desvio-padrão
Carta de controle para o desvio-padrão O desvio padrão é um indicador mais eficiente da variabilidade, principalmente para amostras grandes (a amplitude perde eficiência). Recomenda-se o uso da carta Xb
Apresentação de Dados
Probabilidade e Estatística CCT - UDESC Apresentação de Dados Departamento de Matemática CCT-UDESC 1 Média amostral Variância amostral 2 Média populacional 3 3 Variância amostral 4 Fórmula eficiente para
Aula 1 Variáveis aleatórias contínuas
Aula 1 Variáveis aleatórias contínuas Objetivos: Nesta aula iremos estudar as variáveis aleatórias contínuas e você aprenderá os seguintes conceitos: função de densidade de probabilidade; função de distribuição
Probabilidade e Estatística, 2011/2
média verdadeira de 104F? Estabeleçamos a média 100F como um limite não tolerado:, Probabilidade e Estatística, 2011/2 CCT - UDESC Prof. Fernando Deeke Sasse Testes de Hipóteses Problemas Resolvidos em
Medidas de dispersão e assimetria
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Medidas de dispersão e assimetria Profª Cesaltina Pires cpires@uevora.pt Plano da Apresentação Medidas de dispersão Variância Desvio padrão Erro
Medidas de Localização
MATEMÁTICA APLICADA ÀS CIÊNCIAS SOCIAIS RESUMO Estatística 2 Medidas de Localização e Dispersão 10º ano Cláudia Henriques Medidas de Localização Estatísticas Medidas que se calculam a partir dos dados
Intervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
MEDIDAS DE DISPERSÃO. o grau de variabilidade, ou dispersão, dos valores em torno da média.
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Tarciana Liberal As medidas de posição apresentadas fornecem a informação dos dados apenas a nível pontual, sem ilustrar
Capítulo 5. Inferência no Modelo de Regressão Simples: Estimação de Intervalos, Teste de Hipóteses e Previsão
Capítulo 5 Inferência no Modelo de Regressão Simples: Estimação de Intervalos, Teste de Hipóteses e Previsão Hipóteses do Modelo de Regressão Linear Simples RS1. y x e t 1 t t RS. RS3. RS4. RS5. RS6. Ee
Modelo Normal. Aplicações: Parte 1. Prof. Caio Azevedo. Prof. Caio Azevedo
Variância conhecida Seja X 1 θ,..., X n θ, θ = (µ, σ 2 ) uma amostra aleatória de X θ N(µ, σ 2 ). Se σ 2 conhecido, e µ N(α, ψ), (família conjugada) então µ x N(ψ α, ψ ), em que ψ = ( n σ 2 + 1 ) 1 ( α
Unidade 5.2. Teste de hipóteses. Hipótese estatística. (uma população) Formulando as hipóteses. Teste de Hipóteses X Intervalo de Confiança
Hipótese estatística Unidade 5. Teste de Hipóteses (uma população) Hipótese estatística-qualquer afirmação feita sobre um parâmetro populacional desconhecido. Hipótese: Duração média da bateria (µ) > 300
BIOESTATÍSTICA. Parte 1 - Estatística descritiva e análise exploratória dos dados
BIOESTATÍSTICA Parte 1 - Estatística descritiva e análise exploratória dos dados Aulas Teóricas de 17/02/2011 a 03/03/2011 1.1. População, amostra e dados estatísticos. Dados qualitativos e quantitativos
Testes de variância e Análise de Variância (ANOVA)
Testes de variância e Análise de Variância (ANOVA) Introdução à Inferência Estatística Introdução à Inferência Estatística TESTE DE VARIÂNCIAS E DISTRIBUIÇÃO F Testes sobre variâncias Problema: queremos
Melhorias de Processos segundo o PDCA Parte IV
Melhorias de Processos segundo o PDCA Parte IV por José Luis S Messias, em qualidadebrasil.com.br Introdução Em prosseguimento aos artigos escritos sobre PDCA, escrevo hoje sobre a terceira fase da etapa
Aula 6 Propagação de erros
Aula 6 Propagação de erros Conteúdo da aula: Como estimar incertezas de uma medida indireta Como realizar propagação de erros? Exemplo: medimos A e B e suas incertezas. Com calcular a incerteza de C, se
Estatística II Aula 4. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística II Aula 4 Prof.: Patricia Maria Bortolon, D. Sc. Fundamentos do Teste de Hipóteses Teste de Hipóteses - Definições É uma regra de decisão para aceitar, ou rejeitar, uma hipótese estatística
Erros e Incertezas. Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.
Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.) I. INTRODUÇÃO Quando se faz um experimento, deseja-se comparar o resultado obtido
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS» PROBABILIDADE E ESTATÍSTICA «21. Uma fábrica, que produz pequenas peças utilizadas em materiais eletrônicos, armazena essa mercadoria em lotes com 1000 unidades. Inspecionada
Inferência sobre duas proporções
Teste para duas populações duas populações Amostra :,,,, alor comum para delta 0 Amostra 2:,,,, Tamanho Tamanho Média amostral x Média amostral x Desvio-padrão Desvio-padrão Teste para duas populações
Distribuições Conjuntas (Tabelas de Contingência)
Cruzamento de Dados Distribuições Conjuntas (Tabelas de Contingência) Lorí Viali, Dr. DESTAT/FAMAT/PUCRS viali@pucrs.br http://www.pucrs.br/famat/viali Distribuição Conjunta Exemplo (tabela um) Suponha
Regressão Linear Múltipla
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EATAS E NATURAIS FACULDADE DE ESTATÍSTICA DISCIPLINA: Estatística Aplicada PROFESSORES: Heliton Tavares e Regina Madruga ALUNO: Wemenson avier Trabalho
3 Modelos de Simulação
43 3 Modelos de Simulação 3.1 Simulação de Monte Carlo O método de Monte Carlo foi concebido com este nome nos anos 40 por John Von Neumann, Stanislaw Ulam e Nicholas Metropolis durante o projeto de pesquisa
Teste de hipóteses para médias e proporções amostrais
Teste de hipóteses para médias e proporções amostrais Prof. Marcos Pó Métodos Quantitativos para Ciências Sociais Intervalo de confiança: outro entendimento É o intervalo que contém o parâmetro que queremos
DISTRIBUIÇÃO DE FREQUÊNCIA DE VARIÁVEIS QUALITATIVAS E QUANTITATIVAS DISCRETAS (TABELAS E GRÁFICOS)
DISTRIBUIÇÃO DE FREQUÊNCIA DE VARIÁVEIS QUALITATIVAS E QUANTITATIVAS DISCRETAS (TABELAS E GRÁFICOS) O QUE É ESTATÍSTICA Estatística é a ciência de obter conclusões a partir de dados. Envolve métodos para
PLANO DE ENSINO CONTEÚDO PROGRAMÁTICO. Unidade 1: MEDIDAS E GRANDEZAS. 1.1.- Introdução. 1.2.- Padrões usados para avaliar grandezas físicas
PLANO DE ENSINO FACULDADE: CIÊNCIAS DA SAÚDE DE JUIZ DE FORA CURSO: FARMÁCIA Período: 2º DISCIPLINA: MATEMÁTICA E BIOESTATÍSTICA Ano: 2015 CARGA HORÁRIA: 40 H PRÉ-REQUISITO: - SEMANAL: 02 T TOTAL: 02 AULAS
Meta-análise: aplicações em fisioterapia
Meta-análise: aplicações em fisioterapia Arminda Lucia Siqueira 1 George Schayer Sabino 1 Pollyanna Vieira Gomes da Silva 1 1 Introdução A junção de resultados de vários estudos recebe o nome de meta-análise
Medida de Tendência Central
Medida de Tendência Central um valor no centro ou no meio de um conjunto de dados 1 Definições Média (Média Aritmética) o número obtido somando-se todos os valores de um conjunto de dados, dividindo-se
Medidas de Tendência Central
Média, Mediana e Moda 1 Coletando Dados A coleta de dados produz um conjunto de escores de uma ou mais variáveis Para chegar à distribuição dos escores, estes têm de ser arrumados / ordenados do menor
As constantes a e b, que aparecem nas duas questões anteriores, estão ligadas à constante ρ, pelas equações: A) a = ρs e b = ρl.
9.3. Representando a constante de proporcionalidade por ρ, podemos reunir as equações R = a L e R = b S 1 (vistas nas duas questões anteriores) da seguinte maneira: L R = ρ (segunda lei de Ohm). S As constantes
Contabilometria. Análise Discriminante
Contabilometria Análise Discriminante Fonte: Corrar, L. J.; Theóphilo, C. R. Pesquisa Operacional para Decisão em Contabilidade e Administração, Editora Atlas, São Paulo, 010 Cap. 3 Análise Discriminante
Introdução. Ou seja, de certo modo esperamos que haja uma certa
UNIVERSIDADE FEDERAL DA PARAÍBA Teste de Independência Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução Um dos principais objetivos de se construir uma tabela de contingência,
O cilindro deitado. Eduardo Colli
O cilindro deitado Eduardo Colli São poucas as chamadas funções elementares : potências e raízes, exponenciais, logaritmos, funções trigonométricas e suas inversas, funções trigonométricas hiperbólicas
ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA Teste Final 2009/2010. Curso: 12/06/2010.
ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA Teste Final 2009/2010 Curso: 12/06/2010 Nome: N o Instruções: Estaprovatemaduraçãode120 minutos e é constituída
Universidade Federal do Amazonas Instituto de Ciências Exatas Departamento de Estatística
PLANO DE ENSINO 1. IDENTIFICAÇÃO Disciplina: PROBABILIDADE E ESTATÍSTICA Código: IEE001 Pré-Requisito: IEM011 - CÁLCULO I N O de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: 0 Semestre: 1 O Ano:
Matemática Aplicada às Ciências Sociais
ESCOLA SECUNDÁRIA DE AMORA PLANIFICAÇÃO ANUAL Matemática Aplicada às Ciências Sociais Ensino Regular Curso Geral de Ciências Sociais e Humanas 11º ANO Ano Letivo 2014 / 2015 PLANIFICAÇÃO A LONGO PRAZO
A. Equações não lineares
A. Equações não lineares 1. Localização de raízes. a) Verifique se as equações seguintes têm pelo menos uma solução nos intervalos dados: i) (x - 2) 2 ln(x) = 0, em [1, 2] e [e, 4]. ii) 2 x cos(x) (x 2)
Aula 3 Função do 1º Grau
1 Tecnólogo em Construção de Edifícios Aula 3 Função do 1º Grau Professor Luciano Nóbrega 2 FUNÇÃO POLINOMIAL DO 1º GRAU Uma função polinomial do 1º grau (ou simplesmente, função do 1º grau) é uma relação
Aula 8. Teste Binomial a uma proporção p
Aula 8. Teste Binomial a uma proporção p Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Teste Binomial a uma Proporção p Seja p ˆ = X n a proporção de indivíduos com uma
Avaliação e Desempenho Aula 1 - Simulação
Avaliação e Desempenho Aula 1 - Simulação Introdução à simulação Geração de números aleatórios Lei dos grandes números Geração de variáveis aleatórias O Ciclo de Modelagem Sistema real Criação do Modelo
Desvio Padrão ou Erro Padrão
NOTAS METODOLÓGICAS ISSN 0871-3413 ArquiMed, 2006 Desvio Padrão ou Erro Padrão Nuno Lunet, Milton Severo, Henrique Barros Serviço de Higiene e Epidemiologia da Faculdade de Medicina da Universidade do
Tópico 9. Teste t-student
Tópico 9 Teste t-student Teste t Teste t pode ser conduzido para Comparar uma amostra com uma população Comparar duas amostras pareadas Mesmos sujeitos em dois momentos distintos Comparar duas amostras
Análise estatística. Aula de Bioestatística. 17/9/2008 (2.ª Parte) Paulo Nogueira
Análise estatística Aula de Bioestatística 17/9/2008 (2.ª Parte) Paulo Nogueira Testes de Hipóteses Hipótese Estatística de teste Distribuição da estatística de teste Decisão H 0 : Não existe efeito vs.
Plano de Ensino PROBABILIDADE E ESTATÍSTICA APLICADA À ENGENHARIA - CCE0292
Plano de Ensino PROBABILIDADE E ESTATÍSTICA APLICADA À ENGENHARIA - CCE0292 Título PROBABILIDADE E ESTATÍSTICA APLICADA À ENGENHARIA Código da disciplina SIA CCE0292 16 Número de semanas de aula 4 Número
DISCIPLINA DE ESTATÍSTICA
UNIC UNIVERSIDADE DE CUIABÁ DISCIPLINA DE ESTATÍSTICA REPRESENTANDO DADOS Dados Qualitativos Quantitativos Métodos Gráficos Métodos Tabulares Métodos Gráficos Métodos Tabulares Barras Tabelas de Freqüência
EXAME DE MACS 2º FASE 2014/2015 = 193
EXAME DE MACS 2º FASE 2014/2015 1. Divisor Padrão: 00+560+80+240 200 = 190 = 19 200 20 Filiais A B C D Quota Padrão 1,088 58,01 86,010 24,870 L 1 58 86 24 L(L + 1) 1,496 58,498 86,499 24,495 Quota Padrão
Planejamento e Análise Estatística de Experimentos Fatoriais em blocos completos
Planejamento e Análise Estatística de Experimentos Fatoriais em blocos completos Contexto Já vimos como analisar um experimento em blocos na presença de um único fator de interesse. Podemos ter experimentos
Estatística. Slide 0. Ana M. Abreu - 2006/07
Estatística Slide 0 Capítulo 1 Estatística Descritiva Slide 1 I-1 Introdução à organização e ao processamento de dados. I-2 Amostra e população; cuidados a ter na recolha da amostra. I-3 Ordenação dos
CAPÍTULO 8. de Variância - ANOVA ANOVA. Análise
CAPÍTULO 8 Análise de Variância - UFRGS Os testes de hipótese apresentados até aqui limitaram-se à comparação de duas médias ou duas variâncias. Contudo, há situações onde se deseja comparar várias médias,
25 a 30 de novembro de 2013
LSD Introdução à Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 25 a 30 de novembro de 2013 LSD 1 2 3 LSD 4 Parte 2 - Conteúdo LSD Quando o F da ANOVA está sendo utilizado
MOQ 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 Probabilidade e Estatística The Science of collecting and analyzing data for the purpose of drawing
1 Hipótese Nula e Hipótese Alternativa
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 203 Aula Professor: Carlos Sérgio UNIDADE 7 - TESTES DE HIPÓTESES (NOTAS DE AULA) Hipótese Nula e Hipótese
I-094 - COLIFORMES E ph MÉDIAS ARITMÉTICAS, MÉDIAS GEOMÉTRICAS E MEDIANAS
I-9 - COLIFORMES E ph MÉDIAS ARITMÉTICAS, MÉDIAS GEOMÉTRICAS E MEDIANAS Marcos von Sperling ( 1 ) Engenheiro Civil (UFMG). Doutor em Engenharia Ambiental (Imperial College, Universidade de Londres Inglaterra).
Conteúdo. 1 Introdução. Histograma do 1o Sorteio da Nota Fiscal Paraná 152/15. 1º Sorteio Eletrônico da Nota Fiscal Paraná
1º Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este relatório apresenta uma análise estatística
Conteúdo. 1 Introdução. Histograma do Quinto Sorteio da Nota Fiscal Paraná 065/16. Quinto Sorteio Eletrônico da Nota Fiscal Paraná
Quinto Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este documento apresenta a análise dos resultados
O QUE É AMOSTRAGEM? PARTE I
O QUE É AMOSTRAGEM? PARTE I! Teoria da amostragem! População x Amostra! O problema do censo! Amostragem probabilística e não probabilística Francisco Cavalcante(f_c_a@uol.com.br) Administrador de Empresas
Os dados quantitativos também podem ser de natureza discreta ou contínua.
Natureza dos Dados Às informações obtidas acerca das características de um conjunto dá-se o nome de dado estatístico. Os dados estatísticos podem ser de dois tipos: qualitativos ou quantitativos. Dado
Amostragem: Desenho e Procedimentos
Amostragem: Desenho e Procedimentos 1-1 Sumário do Capítulo 1) Amostragem ou censos 2) Desenho de um processo de amostragem i. Definir população alvo ii. Determinar o quadro de amostragem iii. Escolha
Stela Adami Vayego DEST/UFPR
Resumo 5 - Análise Bivariada (Bidimensional) 5.1. Introdução O principal objetivo das análises nessa situação é explorar relações (similaridades) entre duas variáveis. A distribuição conjunta das freqüências
Então, a distribuição de converge para a distribuição normal com média nμ e variância nσ 2
Aula 6 Distribuição amostral da proporção Nesta aula você verá uma importante aplicação do Teorema Central do Limite: iremos estudar a distribuição amostral de proporções. Assim, você verá os resultados
Resumo: Estudo do Comportamento das Funções. 1º - Explicitar o domínio da função estudada
Resumo: Estudo do Comportamento das Funções O que fazer? 1º - Explicitar o domínio da função estudada 2º - Calcular a primeira derivada e estudar os sinais da primeira derivada 3º - Calcular a segunda
As sete ferramentas da qualidade (Seven Tools)
As sete ferramentas da qualidade (Seven Tools) Gerência da Rotina Previsibilidade Gerência da Melhoria Competitividade 1 ROTI A Estabelecida de tal forma que a administração da empresa possa delegar a
x = xi n x = xifi fi 1. MÉDIA Exercício: Quando a distribuição é simétrica, a média e a mediana coincidem.
1. MÉDIA Exercício: Quando a distribuição é simétrica, a média e a mediana coincidem. Determine a média aritmética da distribuição: A mediana não é tão sensível, como a média, às observações que são muito
Variáveis Frequências Gráficos Medidas de Posição Medidas de Dispersão Medidas Complementares Inferência
Tipos de Variáveis Problema Motivador: Um pesquisador está interessado em fazer um levantamento sobre aspectos sócio-econômicos dos empregados da seção de orçamentos de uma companhia (vide tabela). Algumas
CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES
CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios) não lineares; Equações transcendentais equações que envolvem funções
Curso de Análise Estatística Comparação entre variáveis contínuas: correlação e regressão Linear
NÚCLEO DE ESTATÍSTICA E METODOLOGIA APLICADAS Desenvolvendo conhecimento para a excelência dos cuidados em saúde mental UNIVERSIDADE FEDERAL DE SÃO PAULO Curso de Análise Estatística Comparação entre variáveis
Como rodar a regressão no gretl. Usando o Console para calcular elasticidade. Elasticidade. Usando o Console para calcular predição
Como rodar a regressão no gretl Alguns tópicos do gretl Usando o console: Comando: ols y const 3 Estima uma função linear usando o método de Mínimos Quadrados Ordinários. Elasticidade Intuição: resposta
TECNÓLOGO EM CONSTRUÇÃO CIVIL. Aula 6 _ Função Polinomial do 2º Grau Professor Luciano Nóbrega
1 TECNÓLOGO EM CONSTRUÇÃO CIVIL Aula 6 _ Função Polinomial do 2º Grau Professor Luciano Nóbrega FUNÇÃO POLINOMIAL DO 2º GRAU 2 Uma função polinomial do 2º grau (ou simplesmente, função do 2º grau) é uma
Lição 5 Medidas Descritivas Medidas de Dispersão
99 Lição 5 Medidas Descritivas Medidas de Dispersão Após concluir o estudo desta lição, esperamos que você possa: identifi car o objetivo das medidas de dispersão; identifi car o conceito de variância;
Unidade 5 5.1 Medidas de Posição ou de Tendência Central
Unidade 5 5.1 Medidas de Posição ou de Tendência Central 1- Introdução Se estivermos numa parada de ônibus urbano e nos pedirem alguma informação sobre a demora em passar um determinado ônibus, que diremos?