Sumarização dos dados
|
|
- Benedito Mirandela Vasques
- 7 Há anos
- Visualizações:
Transcrição
1 Inferênca e Decsão I Soluções da Colectânea de Exercícos 22/3 LMAC Capítulo 2 Sumarzação dos dados Nota: neste capítulo é apresentada a resolução apenas de alguns exercícos e a título ndcatvo. Exercíco 2.1 Comecemos por determnar a f.d.p. conjunta do vector aleatóro X 1,...,X n. Fazendo f X (x ) f X (x ) e n! x I (, ) (mn x ) h(x) x, g(mn X,) en! I (, ) (mn x ) decorre do crtéro de factorzação que T(X) mn X é efectvamente uma estatístca sufcente para. Exercíco 2.2 A f.d.p. conjunta correspondente a este vector aleatóro é dada por: pelo que fazendo T(x) (mn f X (x ) 1 2 I (,)(x ) 1 (2) n n! I (,)(mn x )I x (,)(max ) x,max x ), h(x) 1, g(t(x),) 1 (2) n n! I x (,)(mn )I x (,)(max ) X vem que, usando o crtéro da factorzação, T(X) (mn,max X ) é efectvamente uma estatístca sufcente para. 1
2 Exercíco 2.3 Notemos que a f.d.p. conjunta das n estatístcas ordnas provenentes de uma amostra a.a. de dmensão n é dada por Logo dado que f (X(1),X (2),...,X (n) (x (1),x (2),...,x (n) ) n! f X (x ) f ( x ) f X (x () )δ {x(1) x (2)... x (n) } 1 n n! n! f X (x () ) f X (x () )δ {x(1) x (2)... x (n) } 1 n! f (X (1),X (2),...,X (n) )(x (1),x (2),...,x (n) ) multplcação é comutatva consderando h(x) 1 n! e g((x (1),X (2),...,X (n) ),) f (X(1),X (2),...,X (n) )(x (1),x (2),...,x (n) ), decorre do crtéro de factorzação que as n estatístcas ordnas de uma a.a. de dmensão n consttuem efectvamente uma estatístca sufcente para o parâmetro da correspondente f.d.p. da população. Note-se porém que, à semelhança do que se passa com a própra amostra, esta estatístca não opera qualquer redução na própra amostra. Exercíco 2.4 Para resolver este exercíco vamos recorrer sstematcamente ao crtéro da factorzação (para provar a sufcênca) e ao teorema da Lehman-Scheffé (para provar a mnmaldade), excepto na prmera alínea (onde nvocaremos resultados respetantes à famíla exponencal). Seja anda X uma amostra aleatóra de dmensão n de X e x uma sua concretzação. (a) Note-se que a f.d.p. ndcada corresponde a uma N(, 1), que pertence à famíla exponencal, uma vez que f X (x ) 1 2π e x2 /2 2 /2+x 1 2π e x2 /2 e 2 /2 e x pelo que, usando a defnção e notação de famíla exponencal, segue-se que h(x) 1 2π e x2 /2, c() e 2 /2, k 1, w 1 () e t 1 (x). Logo segue-se que a estatístca T(X) n X é uma estatístca sufcente completa e, consequentemente, é uma estatístca sufcente mínma. (b) Dado que a exponencal deslocada não pertence à famíla exponencal (por causa da função ndcatrz), teremos de usar o crtéro da factorzação. f X (x ) x e n I (, ) (mn x ) pelo que fazendo T(x) x (1) vem que f X (x ) h(x)g(t(x),), com h(x) x e g(t(x),) e n I (, ) (x (1) ). Logo T(X) (X (1) ) é uma estatístca sufcente. Resta ver 2
3 se é mínma. Para sso vejamos que para y (y 1,...,y n ): f X (x ) f X (y ) e n x y I (, ) (x (1) ) I (, ) (y (1) ) que não depende de se e só se y (1) x (1). Logo T(X) (X (1) ) é efectvamente uma estatístca sufcente mínma. (c) Como vmos no exercíco 2.3, a estatístca correspondente às n estatístcas ordnas de uma a.a. T(X) (X (1),...,X (n) ) é uma estatístca sufcente para qualquer famíla de f.d.p. pelo que, em partcular, é sufcente para o modelo logístco aqu apresentado. Vejamos pos se nesta stuação anda é estatístca sufcente mínma. Consdere-se a f.d.p. conjunta de uma amostra f X (x ) (x ) n (1 + e (x ) )) 2 Seja agora y (y 1,...,y n ) outra amostra, e consdere-se o ráco das f.d.p. conjuntas assocadas às duas amostras: n f X (x ) f X (y ) e (x ) n (1 + e (y ) ) 2 (y ) n (1 + e (x ) ) 2 n x n (1 + e y e ) 2 e y n n e x y (1 + e x e ) 2 ( ) λu 1 + λv com λ e,u e y e V e x. Então a questão da mnmaldade passa por ndagar em que condções o quocente dos polnómos [ n ( )] 1+λU 1+λV é ndependente de λ. Note-se que se trata do quocente de dos polnómos de grau n, pelo que o quocente é ndependente de λ se e só se as raízes forem guas,.e., se e só se {1,2,...,n}, k {1,2,...,n} : U V k pelo que efectvamente T(X) (X (1),...,X (n) ) é uma estatístca sufcente mínma. (d) A resolução é dêntca à da alínea anteror, deduzndo-se gualmente que as estatístcas ordnas correspondentes a uma amostra aleatóra de dmensão n consttuem uma estatístca sufcente mínma. (e) Idem. Exercíco 2.5 (a) Uma f.d.p. pertence à famíla da Exp(1,λ) se a sua f.d.p. for da forma: f X (x λ) e (x λ) I (λ, ) (x) Utlzando o crtéro da factorzação, vem que uma estatístca sufcente é T(X) X (1) 3
4 Vajamos agora se a famíla em questão é completa. Para tal seja h(.) : [λ, ) IR uma função e calculemos: E[h(T(X)) λ] n λ λ λ h(x)f X(1) (x λ)dx h(x)n (f X (x λ)) n dx h(x)e n(x λ) dx Dado que e n(x λ) >, n IN,x (λ, ) e que n >, então E[h(T(X)) λ] se e só se h(x) para x λ quase em toda a parte (note-se que X (1) λ q.c.) donde se conclu que a famíla da Exp(1,λ) é completa para a f.d.p. assocadas à estatístca X (1). Logo T(X) X (1) é completa para λ pelo que, dado que é sufcente, é também estatístca mínma. (b) Dado que a famíla da Posson pertence à famíla exponencal, uma estatístca sufcente completa é dada por T(X) pelo que também é estatístca sufcente mínma. Exercíco 2.6 Uma estatístca sufcente mínma para a famíla F é X T(X) X (1) Note-se que a f.d.p. assocada a esta estatístca é dada por Seja h : [, + 1] IR. Então f T (t ) n [1 F X (t )] n 1 f X (t ) n(1 x + ) n 1 I (,+1) (t) E[h(T(X)) ] E[h(X (1) ) ] +1 se e somente se +1 h(x)(1 x + ) n 1 dx Dervando a expressão anteror em ordem a, tem-se h(x)n(1 x + ) n 1 dx h( + 1)(1 1 + ) n 1 h()(1 + ) n h() pelo que T(X) X (1) é uma estatístca sufcente completa e, consequentemente, é estatístca sufcente mínma. Exercíco 2.7 Dado que a famíla de dstrbuções geométrca pertence à famíla exponencal, então T(X) n X é seguramente uma estatístca sufcente completa e, consequentemente, T(X) é uma estatístca sufcente mínma. Vejamos agora qual a dstrbução da soma de n v.a...d. a uma v.a. geométrca de parâmetro p (,1). Note-se que {Geo(p),p (,1)} {BN(1,p),p (,1)}. Além dsso 4
5 sabemos que a bnomal negatva tem a propredade reprodutva,.e., se X, 1,...,n são v.a...d. a X com X BN(m,p) então n X (nm,p). Logo Exercíco 2.8 X BN(n,p). (a) Seja N o número de provas de Bernoull..d., com parâmetro, e X 1,...,X N a respectva amostra. Então f X (x ) N x (1 ) (N N x ) N x (1 ) ( N x) (1 ) N ( ) N x (1 ) N 1 pelo que pelo frtéro de factorzação, decorre que ( n X,N) (X,N) (onde X é o número total de sucessos em N provas) é efectvamente uma estatístca sufcente. Além dsso decorre da defnção que N pode ser escolhdo aleatoramente e ndependentemente de pelo que se trata de uma estatístca anclar. (b) Os resultados são trvas se N for uma v.a. degenerada. Vejamos o que se passa se for uma v.a. não degenerada. Já vmos na alínea anteror que (X,N) é uma estatístca sufcente. Vejamos agora se é completa. Para tal seja h : (IN,IN) IR uma função qualquer. E[h(X,N) ] n IN h(x,n)( n x) x (1 ) n x P(N n) x Então dado que n IN : ( n x) x (1 ) n x P(N n) >, E[h(X,N) ] > para todo o (,1) se só se h(x,n) para todos os pontos onde P(N n) >, pelo que a famíla Bernoull é efectvamente uma famíla completa para a famíla de f.d.p. assocadas a (X,N). Logo (X,N) é uma estatístca sufcente completa e, consequentemente, é uma estatístca sufcente mínma. Note-se que E [E [X N]] E [X], pelo que E [X] E[N]. Por outro lado decorre do teorema de Basu que (X, N) é ndependente de qualquer estatístca anclar; em partcular é ndependente de N (que já vmos ser estatístca anclar) e de 1 N (pos é uma estatístca equvalente, pelo que é também anclar). Logo E[X] E E [N] E [ ] X N N E [ ] X E [N] N [ ] X E [N] N pelo que E [ ] X N 5
6 .e., X N é um estmador centrado de. Vejamos agora a sua varânca. V ar[x] E [V ar[x N]] + V ar [E[X N]] E[N(1 )] + V ar[n] (1 )E[N] + 2 V ar[n] Por outro lado V ar[x] V ar[ X ( ) X 2 N N] E[ N 2 ] E 2 [ X N N N] ( ) X 2 E[ ]E[N 2 ] E 2 [ X N N ]E2 [N] pos são v.a. ndependentes (V ar[ XN ) ] + 2 E[N 2 ] 2 E 2 [N] pelo que Exercíco 2.9 V ar[ X N ]E[N2 ] + 2 V ar[n] (1 )E[N] V ar[ X N ]E[N2 ] V ar[ X E[N] ] (1 ) N E[N 2 ] (a) Dado que a f.d.p. conjunta de uma amostra x é dada por: ( ) 2 n n f X (x ) 2 x I (,) (x (n) ) vem, de acordo com o crtéro da factorzação, que uma estatístca sufcente para a famíla de f.d.p. é T(X) X (n) Quanto a ser completa, note-se que a f.d.p. de T é dada por f X(n) (x ) nf n 1 X (x )f X(x ) com F X (x ) mn(x,) x < f X (s )ds x 2 x 2 1 x > pelo que ( x ) 2(n 1) 2x f X(n) (x ) n 2 I (,)(x). Seja agora h : (, IR uma função mensurável em IR tal que E[h(X (n) ) ]. Então ( x ) 2(n 1) 2x E[h(X (n) ) ] n h(x) 2 dx h(x)x 2n 1 dx h(x), x (,) pelo que a estatístca sufcente é também completa. 6
7 Exercíco 2.1 (a) Seja então F {f(x ) 2x I 2 (,) (x), IR + }. Note-se que a famíla em questão não pertence à famíla exponencal, pelo que é necessáro recorrer ao crtéro da factorzação, o qual permte conclur que a estatístca T(X) X (n) é uma estatístca sufcente. Vejamos agora se é completa. Seja h : (,) uma função mensurável. Note-se que pelo que F X (x ) x2 2 I (,)(x)i (,) (x) ( x ) 2(n 1) 2x f X(n) (x ) n 2 I (,)(x) E[h(T) ] n 2n 2n 1 h(x)f X(n) (x )dx ( x ) 2(n 1) 2x h(x) h(x)x 2n 1 dx 2 dx que é gual a zero se e só se h(x) com probabldade 1. Logo T(X) X (n) é estatístca completa. Nota: outra forma de verfcar que h(x) tem de ser nula com probabldade 1 é a segunte: Seja então h(.) uma função para a qual E[g(T) ], para todo o Θ. Uma vez que E[g(T) ] é constante (como função de ), então a sua dervada em relação a tem de ser nula. Logo d d E[g(T) ] d d 2n 2n 1 2n d 2n 1 d ( d 2n + d 2n 1 h(x)x 2n 1 dx h(x)x 2n 1 dx ) h(x)x 2n 1 dx 2n 2n 1h()2n 1 + 2nh() se e só se g(), pelo que, uma vez que este resultado é váldo para todo o, T é estatístca completa. Por fm note-se que na dedução anteror utlzámos os seguntes argumentos: Permuta de dervada e ntegral d g(t)dt g() d (teorema fundamental do cálculo, só váldo para funções Remann-ntegráves, o que cobre as nossas funções, essencalmente) 7
8 Nuldade do valor esperado h(x)x 2n 1 dx pos este ntegral é, a menos de uma constante, gual a E[g(T) ] que, por hpótese, é nulo. (b) Dado que pertence à famíla exponencal, T(X) log( n (1 + X )) é uma estatístca sufcente completa. (c) Idêntco (com T(X) n X ) Exercíco 2.11 Note-se que a famíla ndcada pertence à famíla exponencal, é possível provar que T(X) ( X, X 2 ) é uma estatístca sufcente pelo que T 1 (X) ( X,S 2 ) é também sufcente pos trata-se de uma estatístca equvalente a T. Porém não se trata de uma estatístca completa. Vejamos porquê. O espaço paramétrco ncal é Θ {(µ,σ) : σ aµ} Dado que os parâmetros naturas de uma população normal são δ 1 µ σ 2, δ 2 1 2σ 2 vem que para este modelo o espaço paramétrco natural é {( 1, 2 ) : δ 1 1 a,δ 2 < } que não contém um rectângulo bdmensonal, pelo que a estatístca sufcente não é necessaramente completa. De facto neste caso não é completa. Tome-se, por exemplo, a segunte função: ( ) 2 ( ) g( X,S 2 ) k X (n + 1) Note-se que ( ) 2 ( E[g( X,S 2 ) ] E[k X (n + 1) que é gual a zero se e só se X 2 ( ) k V ar( X ) + E 2 [ X ] (n + 1)nE[X 2 ] k(nv ar[x] + (ne[x]) 2 ) (n + 1)(V ar(x) + E 2 [X]) k(na 2 + n 2 2 ) (n + 1)(a ) ) X 2 ] k 1 + n + a(1 + n), IR. n(a + n) 8
9 Note-se porém que pelo que a famíla não é completa. ( ) 2 ( P(k X (n + 1) X 2 ) ), IR 9
DEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisSistemas de equações lineares
Sstemas - ALGA - / Sstemas de equações lneares Uma equação lnear nas ncógntas ou varáves x ; x ; :::; x n é uma expressão da forma: a x + a x + ::: + a n x n = b onde a ; a ; :::; a n ; b são constantes
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisAnálise Complexa Resolução de alguns exercícios do capítulo 1
Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisNotas de Aula de Probabilidade A
VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável
Leia maisTopologia, geometria e curvas no plano
Topologa, geometra e curvas no plano Roberto Imbuzero Olvera 23 de Março de 2011 1 Abertos, fechados e compactos Defnção 1 Um subconjunto F C é dto fechado se qualquer sequênca convergente em F tem lmte
Leia maisExame final de Estatística 2ª Época - 24 de Junho de 2004
xame fnal de statístca ª Época - de Junho de Faculdade de conoma José Antóno nhero Unversdade Nova de Lsboa Mara Helena Almeda Note bem:. Resolva grupos dferentes em folhas dferentes;. IDNTIFIQU todas
Leia maisMATEMÁTICA A - 12o Ano N o s Complexos - Potências e raízes Propostas de resolução
MATEMÁTICA A - 1o Ano N o s Complexos - Potêncas e raízes Propostas de resolução Exercícos de exames e testes ntermédos 1. Smplfcando a expressão de z na f.a., como 5+ ) 5 1 5, temos: z 1 + 1 ) + 1 1 1
Leia maisMAP Cálculo Numérico e Aplicações
MAP0151 - Cálculo Numérco e Aplcações Lsta 5 (Correção Neste ponto, todos já sabemos que todas as questões têm o mesmo valor, totalzando 10.0 pontos. (Questão 1 Fque com vontade de fazer mas do que fo
Leia mais2003/2004. então o momento total das forças exercidas sobre o sistema é dado por. F ij = r i F (e)
Resolução da Frequênca de Mecânca Clássca I/Mecânca Clássca 2003/2004 I Consdere um sstema de N partículas de massas m, =,..., N. a Demonstre que, se a força nterna exercda sobre a partícula pela partícula
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais6. Amostragem e estimação pontual
6. Amostragem e estimação pontual Definição 6.1: População é um conjunto cujos elementos possuem qualquer característica em comum. Definição 6.2: Amostra é um subconjunto da população. Exemplo 6.1: Um
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisDepartamento de Matemática da Universidade de Aveiro
Departamento de Matemática da Universidade de Aveiro ANÁLISE MATEMÁTICA II 7/8 Folha 4 - soluções: Séries de Fourier; notação complexa. Vamos mostrar que se f e g são funções periódicas de período T, fg
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisPágina 293. w1 w2 a b i 3 bi a b i 3 bi. 2w é o simétrico do dobro de w. Observemos o exemplo seguinte, em que o afixo de 2w não
Preparar o Exame 0 0 Matemátca A Págna 9. Se 5 5 é o argumento de z, é argumento de z e 5 5. Este ângulo é gual ao ângulo de ampltude 5 é argumento de z.. Resposta: D w w a b b a b b. a b a a b b b bem
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisMECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor
1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisAerodinâmica I. Verificação de Códigos. Objectivo: verificar que o programa não tem erros
e Verfcação de Códgos Objectvo: verfcar que o programa não tem erros - O erro numérco tende para zero quando o tamanho da malha / passo no tempo tendem para zero? p ( φ ) = φ φ e + αh exact - A ordem de
Leia maisInferência para CS Tópico 12 - Suficiência e Famílias Exponenciais
Inferênca para CS Tópco 12 - Sufcênca e Famílas Exponencas Renato Martns Assunção DCC - UFMG 2013 Renato Martns Assunção (DCC - UFMG) Inferênca para CS Tópco 12 - Sufcênca e Famílas Exponencas 2013 1 /
Leia maisEXERCÍCIOS SUPLEMENTARES
PROBABILIDADES E ESTATÍSTICA PROBABILIDADES E ESTATÍSTICA I EXERCÍCIOS SUPLEMENTARES Secção de Estatístca e Aplcações Departamento de Matemátca Insttuto Superor Técnco 2004/2005 Adenda A1. De um lote de
Leia maisAnálise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas
Análse de Projectos ESAPL / IPVC Taxas Equvalentes Rendas Taxas Equvalentes Duas taxas e, referentes a períodos dferentes, dzem-se equvalentes se, aplcadas a um mesmo captal, produzrem durante o mesmo
Leia maisExercícios de CPM e PERT Enunciados
Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a
Leia maisOcorrência (i) Total Freq. Observada (n i )
apítulo 4 Problema H L : p p p6 / 6 Ocorrênca ( 3 4 5 6 Total Freq. Observada (n 43 49 56 45 66 4 3 Freq. Esperada ( n * 5 5 5 5 5 5 3 ( n / n n,98,,7,5 5,,6 8,96 8,96 ; s 6; g.l. 5. ˆ 5 α P ( χ > 8,96,.
Leia maisTeste Exacto de Fisher
Teste Exacto de Fsher O teste deal para aplcar com tabelas de contngênca de dados pequenos esparsos e não balanceados. Embora seja aplcável noutras stuações, vamos sempre usar em tabelas x. É um teste
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisEstatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard
Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisCap. 6 - Energia Potencial e Conservação da Energia Mecânica
Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia maisUniversidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 951) Método de Máxima Verossimilhança (M.M.V.
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 95) Método de Máxima Verossimilhança (MMV) Definição: Qualquer ˆθ = ˆθ(X,, X n ) Θ tal que L(ˆθ; x,, x n ) = Sup{L(θ)
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisUNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Ciências Económicas e Empresariais. Microeconomia I
UNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Cêncas Económcas e Empresaras Mcroeconoma I Lcencaturas em Admnstração e Gestão de Empresas e em Economa de Abrl de 003 Fernando Branco Exame para Fnalstas
Leia maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisEM (Dempster, Laird, Rubin: 1977)
EM (Dempster, Lard, Rubn: 1977) Algortmo teratvo para localzação do(s) parâmetro(s) que maxmza(m) a função de verossmlhança p(x ) Dos passos por teração Passo E: cálculo do valor esperado de uma certa
Leia maisAjuste dos Mínimos Quadrados
TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisEXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS
EEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS Exemplo: Peso de 25 bolos ndustras Forma bruta: Dsposção ordenada 266 267 266 26 22 255 266 26 272 22 260 272 25 262 23 25 266 270 274 22 2 270 20
Leia maisCristina Caldeira 97. Tem-se assim uma decomposição da região Q em mkq paralelipípedos rectangulares
Crstna Caldera 97 (c) T {(x, y) R : y a x } (a R + ) e ρ(x, y) é a dstânca de (x, y) ao ponto (, ); (d) T [, 3] [, ] e ρ(x, y) xy..4 Integral trplo.4.1 efnção e propredades Seja Q um paralelpípedo rectangular
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisEXERCÍCIOS DE MATEMÁTICA Prof. Mário
EXERCÍCIOS DE MATEMÁTICA Prof. Máro e-mal: maroffer@yahoo.com.br 0 Conjuntos dos Números Complexos 0. Undade magnára º) Determne as raíes magnáras da equação x + 75 = 0 º) Encontre as raíes magnáras da
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012
ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
Leia maisIntegração com splines integração com splines cúbicos
Integração com splnes ntegração com splnes cúbcos Um modo de obter regras de ntegração semelhante às compostas é utlzando splnes. A utlzação de splnes de grau zero conduz às regras do rectângulo compostas,
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia maisCAPÍTULO IV TEORIA DE JOGOS
CAPÍTULO IV TEORIA DE JOGOS 66 Teora de Jogos Caracterzação:. Cenáro determnístco.. v. Um conjunto de agentes de decsão (jogadores) Um conjunto de estratégas (acções) puras Uma função utldade para cada
Leia mais4 Sistemas de partículas
4 Sstemas de partículas Nota: será feta a segunte convenção: uma letra em bold representa um vector,.e. b b Nesta secção estudaremos a generalzação das les de Newton a um sstema de váras partículas e as
Leia maisRamos Energia e Automação
Mestrado Integrado em Engenhara Electrotécnca e de Computadores Investgação Operaconal Ramos Energa e Automação 2009.01.15 Prova com consulta Alunos admtdos a exame com avalação contínua Duração: 2h30
Leia maisTE210 FUNDAMENTOS PARA ANÁLISE DE CIRCUITOS ELÉTRICOS
TE0 FUNDAMENTOS PARA ANÁLISE DE CIRCUITOS ELÉTRICOS Números Complexos Introdução hstórca. Os números naturas, nteros, raconas, rraconas e reas. A necessdade dos números complexos. Sua relação com o mundo
Leia maisBC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011
BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares novembro 0 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares quadrmestre 0 Além destes eercícos,
Leia mais