Métodos de Amostragem

Tamanho: px
Começar a partir da página:

Download "Métodos de Amostragem"

Transcrição

1 Métodos de Amostragem Amostragem aleatória Este é o procedimeto mais usual para ivetários florestais e baseia-se o pressuposto de que todas as uidades amostrais têm a mesma chace de serem amostradas a população. Pré-requisito: Ambiete uiforme, por eemplo, uma mesma fisioomia de vegetação ou uma floresta platada com uma úica espécie e com uma úica idade. Procedimetos: 1. Delimitar o uiverso amostral. Eemplo: Trecho da cabeceira de um rio; um talhão de Eucalipto com a mesma idade.. Sobrepor uma grade de uidades amostrais sobre a área amostral. Pode-se usar mapas, images de satélite ou fotografias digitais obtidas por Veículo Aéreo Não Tripulável (VANT). O procedimeto cosiste em dividir a população em uidades de área fia com a forma e o tamaho das uidades amostrais (u.a.). 3. Sortear uma amostra (cojuto de uidades amostrais a serem medidas). Eemplo: 50 parcelas (u.a.) de 0m 50m em um total de 1000 u.a. da população; 4. Calcular a itesidade amostral segudo um limite de erro e ível de probabilidade estabelecidos. Os mais comus são 10% de erro a 95% de probabilidade para a variável de iteresse (volume, úmero de árvores detro das parcelas); 5. Complemetar a amostragem, se ecessário, para atigir o úmero ideal de uidades amostrais para garatir a represetatividade amostral; 6. Calcular os itervalos de cofiaça para a média e para o total. Eemplo Determiar o volume de madeira de uma floresta de eucalipto de 50 hectares sobre latossolo vermelho escuro (ambiete uiforme), com seis aos de idade. Após o mapeameto da área e a divisão das uidades amostrais, o próimo passo é realizar o Ivetário Piloto.

2 Neste caso, cosiderou-se um sorteio aleatório de 10 parcelas de 0m 50m detro de um uiverso amostral composto por 500 parcelas possíveis (50 hectares). O volume de madeira (m³) em cada parcela amostrada ecotra-se a tabela abaio. Volume de madeira (m³) de cada árvore cubada rigorosamete em cada uma das dez parcelas de 0m 50m do Ivetário Piloto Volume (m³) Árvore ,01 0,57 1,4 0,71 1,37 0,65 0,59 0,3 0,73 0,6 0,93 1,16 0,98 1,1 1,36 0,8 1,08 1,17 0,63 0,97 3 1,00 1,7 1,39 1,7 0,87 0,66 0,66 1,07 0,70 1,17 4 0,69 1,09 0,69 0,85 0,60 1,9 0,7 1,3 1,39 1,1 5 0,61 0,97 1,1 0,79 0,75 0,56 0,58 1 1,4 1,17 6 0,81 0,83 0,7 1,00 1,40 1,38 0,83 0,19 0,81 1,19 7 1,30 0,6 0,88 1,40 0,87 1,39 0,95 0,37 1,06 1,35 8 1,8 1,10 0,73 0,85 1,13 0,67 1,40 0,94 0,73 0,87 9 1,0 1,15 1,19 1,37 1,39 0,89 1,3 0,59 0,9 1,6 10 0,78 1,6 1, 1,14 0,86 1,04 0,96 0,64 1,09 1, ,61 1,36 1,10 0,65 1,41 1,6 0,69 0, 0,86 1,01 1 0,66 0,61 0,9 0,6 0,9 1,11 0,84 0,84 0, ,5 0,80 1,05 0,91 0,94 0,58 1,3 0,87 0, ,36 1,08 0,69 1,09 1,03 0,8 1,05 0,8 15 1,36 1,19 1,41 1,08 0,64 0, ,7 0,64 0,9 1,07 1,01 Total 15,39 1,7 9 16,14 15,7 17,11 13,3 3 14,41 7,7 1,9 15,3 A próima etapa é estimar os parâmetros da população que permitem checar a represetatividade amostral.

3 Média = i=1 X i = (15,39 + 1, ,3) 10 = 14,08m³ Variâcia s = i=1 (X i ) 1 = (15,39 14,08) + (1,79 14,08) + + (15,3 14,08) 9 = (7,0481m³)² A represetatividade amostral é calculada da seguite forma: (1-95) é: = t s E =,6 7,0481 1,408 = 18,19 parcelas O valor tabelado de t-studet com 9 graus de liberdade (10-1) e 95% de probabilidade t (9;0,05) =,6 ver Aeo A. O limite de erro admitido para esta amostragem foi de 10% da média: E = 0,1 14,08 = 1,408m³ Neste caso, verificou-se que a amostragem ão foi suficiete para represetar sigificativamete a população, pois, com esta variâcia os volumes das parcelas seriam ecessárias pelo meos 18 parcelas para coseguir a represetatividade estatística da população. O passo seguite é ajustar a itesidade amostral até atigir um valor de costate. Isso é feito calculado-se sucessivos valores de. Primeiramete calcula-se um cosiderado uma amostragem de 18 parcelas ode foram obtidas a mesma média e variâcia das 10 parcelas já amostradas(suposição). Note que agora o valor de t será ajustado para o valor que represete 17 graus de liberdade [t (17;0,05) =,11], com os mesmos 95% de cofiabilidade, da seguite forma: = t s E =,11 7,0481 1,408 = 15,8 parcelas O úmero 15 aida ão é suficiete para ser cosiderado represetativo da população, pois ão está próimo de 18, o valor aterior. Dessa forma, repete-se o cálculo de cosiderado 14 graus de liberdade e 95% de cofiaça [t (14;0,05) =,145]: = t s E =,145 7,0481 1,408 = 16,3 parcelas

4 Note que desta vez a itesidade amostral foi praticamete a mesma que a aterior, ou seja, 16 parcelas. O procedimeto agora é voltar ao campo e medir mais seis parcelas, pois 10 já foram medidas o ivetário piloto. Isto feito pode-se dar sequêcia às estimativas dos parâmetros populacioais. Como eercício lista-se mais seis valores de volume total (m³) para as parcelas complemetares do ivetário florestal, cosiderado-o como o ivetário defiitivo: Parcelas Volume total (m³) 14,3 13, 1,6 10,01 13,4 11,05 Segue o ivetário florestal Calcula-se uma ova média e variâcia amostral e as demais estimativas dos parâmetros populacioais. Média = i=1 X i = (15,39 + 1, ,05) 16 = 13,46m³ Variâcia s = i=1 (X i ) 1 = (15,39 13,46) + 15 = (5,7694m³)² Erro padrão s = s = 5, Erro de amostragem - t (15;0,05) =,131 = 0,6005m³ ou s (%) = 0, , = 4,46% Erro _ absoluto: E a t. s,1310,6005 1,7m³ Erro _ relativo : E r t. s,131 0, ,50% 13,46 Itervalo de cofiaça para a média IC ts X ts IC 13,46m³ 1,7m³ 95% IC[1,19m³ X 14,73m³] 95% P

5 Total da população IC Xˆ Nts Estimativa do total por hectare X = 500 parcelas 13,46m³. parcela 1 = 6.730m³ X = 6,730m³ 50ha Itervalo de cofiaça para o total da população X Xˆ Nts IC[6.730m³ 500 parcelas1,7m³. parcela IC[6.730m³ 635m³] 95% IC[6.095m³ X 7.365m³] 95% P 1 = 1346m³. ha 1 X 6.730m³ 500 parcelas1,7m³. parcela 1 ] 95% A floresta estudada possui etre 6.095m³ e 7.365m³ de madeira, com 95% de cofiaça. Ou seja, se forem feitos 100 amostrages com 16 parcelas esta população, 95% dessas amostrages vão apresetar um volume florestal detro do itervalo de cofiaça estimado. Cosiderado que a floresta tem seis aos de idade, uma estimativa média de produção por ao é obtida dividido-se os totais por hectare pela idade. Com isso, estima-se, com 95% de cofiaça, que a floresta cresceu em média etre 0,31m³.ha -1.ao -1 e 4,55m³.ha -1.ao Parcelas de área variável: o método de Proda Este método é cohecido como o método das seis árvores e foi apresetado por Proda em 1968 em Freiburg, a Alemaha (Péllico Neto; Brea, 1997). O Método cosiste em alocar potos amostrais a floresta segudo um delieameto amostral qualquer, o aleatório, por eemplo. Em cada poto amostral medem-se as seis (6) árvores mais próimas ao poto amostral (sorteia-se os potos a floresta), cosiderado o limite de iclusão a amostragem (DAP > 5cm, por eemplo), e assume-se que essas árvores ecotram-se em uma parcela circular cujo raio R é dado pela distâcia poto-árvore etre a última árvore (seta árvore) e o poto, coforme apresetado a Figura 5.

6 Raio da parcela de área variável Figura 5. Cofiguração de uma uidade amostral de área variável ode o raio circular é determiado pela distâcia etre o cetro da uidade amostral (poto) e a seta arvore mais próima O raio da parcela de área variável R é calculado pela distâcia do poto cetral à seta árvore (R 6 ) adicioado da metade o diâmetro desta seta árvore: R = R 6 + d 6 Estimativa do úmero de arvores por hectare A estimativa do úmero de árvores por hectare é feita relacioado-se a área em que se ecotram as árvores amostras (seis árvores) com o úmero de árvores em cada poto (seis árvores). Como em todos os potos são medidas eatamete seis árvores, varia-se somete a área das parcelas, ou seja, a distâcia da seta árvore ao poto. Daí vem o ome: parcela de área variável. Cosiderado que apeas metade da seta árvore está detro da parcela, pois é a distâcia etre o poto cetral P e o cetro da seta árvore que determiam o raio da parcela R, cada parcela possuirá 5,5 árvores e ão seis. Desta forma, a estimativa do úmero de árvores por hectare (N) se dá pela relação abaio: N = (5,5) πr = πr Ode πr é a área da uidade amostral.

7 Estimativa da área basal por hectare Estimativa do volume por hectare [d 1 + d + d 3 + d 4 + d 5 + ( d 6 ) ] G = R 500 A estimativa do volume por hectare, a partir da volumetria de cada uma das seis arvores amostradas é dada por: V = (V 1 + V + V 3 + V 4 + V 5 + V 6 ) πr Vatages e desvatages do método de Proda (1997) são: As pricipais vatages do método de Proda idicadas por Péllico Netto e Brea É um método prático e de fácil operacioalidade o campo; Dado o tamaho da uidade é possível levatar várias uidades amostrais o tempo equivalete à medição de uma úica uidade de área fia; Com uma rede de potos distribuídos detro do povoameto pode-se coseguir uma visão mais abragete do mesmo; Não ocorrem erros de demarcação de uidades de amostra; Dimiui o efeito de borda. As pricipais desvatages deste método, segudo os mesmos autores: Péllico Netto e Brea são: Os estimadores podem gerar tedêcias quado as árvores estão muito agrupadas ou muito espalhadas o povoameto; Devido ao pequeo tamaho da uidade amostral ão há como obter bos estimadores para variáveis de maejo florestal, como altura domiate e mortalidade.

Cap. 4 - Estimação por Intervalo

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

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Teoria da amostragem

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

Leia mais

Intervalos de Confiança

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

Leia mais

Exame MACS- Inferência-Intervalos.

Exame MACS- Inferência-Intervalos. Exame MACS- Iferêcia-Itervalos. No iício deste capítulo, surgem algumas ideias que devemos ter presetes: O objectivo da iferêcia estatística é usar uma amostra e tirar coclusões para toda a população.

Leia mais

Capítulo 5- Introdução à Inferência estatística.

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

Leia mais

Avaliação de Desempenho de Sistemas Discretos

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

Leia mais

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

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

Leia mais

Distribuições de Estatísticas Amostrais e Teorema Central do Limite

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

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Técnicas de Reamostragem

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

Leia mais

Universidade São Judas Tadeu Faculdade de Tecnologia e Ciências Exatas Laboratório de Física e Química

Universidade São Judas Tadeu Faculdade de Tecnologia e Ciências Exatas Laboratório de Física e Química Uiversidade São Judas Tadeu Faculdade de Tecologia e Ciêcias Exatas Laboratório de Física e Química Aálise de Medidas Físicas Quado fazemos uma medida, determiamos um úmero para caracterizar uma gradeza

Leia mais

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

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

Leia mais

ESTIMAÇÃO DE PARÂMETROS

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

Leia mais

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

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

Leia mais

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

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

Leia mais

Estimação por Intervalo (Intervalos de Confiança):

Estimação por Intervalo (Intervalos de Confiança): Estimação por Itervalo (Itervalos de Cofiaça): 1) Itervalo de Cofiaça para a Média Populacioal: Muitas vezes, para obter-se a verdadeira média populacioal ão compesa fazer um levatameto a 100% da população

Leia mais

Estimativa de Parâmetros

Estimativa de Parâmetros Estimativa de Parâmetros ENG09004 04/ Prof. Alexadre Pedott [email protected] Trabalho em Grupo Primeira Etrega: 7/0/04. Plao de Amostragem - Cotexto - Tipo de dado, frequêcia de coleta, quatidade

Leia mais

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

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

Leia mais

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

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

Leia mais

10 - Medidas de Variabilidade ou de Dispersão

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

Leia mais

F- MÉTODO DE NEWTON-RAPHSON

F- MÉTODO DE NEWTON-RAPHSON Colégio de S. Goçalo - Amarate - F- MÉTODO DE NEWTON-RAPHSON Este método, sob determiadas codições, apreseta vatages sobre os método ateriores: é de covergêcia mais rápida e, para ecotrar as raízes, ão

Leia mais

) E X. ) = 0 2 ( 1 p ) p = p. ) E 2 ( X ) = p p 2 = p ( 1 p ) ( ) = i 1 n. ( ) 2 n E( X) = ( ) = 1 p ( ) = p V ( X ) = E ( X 2 E X

) E X. ) = 0 2 ( 1 p ) p = p. ) E 2 ( X ) = p p 2 = p ( 1 p ) ( ) = i 1 n. ( ) 2 n E( X) = ( ) = 1 p ( ) = p V ( X ) = E ( X 2 E X 3.5 A distribuição uiforme discreta Defiição: X tem distribuição uiforme discreta se cada um dos valores possíveis,,,, tiver fução de probabilidade P( X = i ) = e represeta-se por, i =,, 0, c.c. X ~ Uif

Leia mais

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

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

Leia mais

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

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

Leia mais

ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p

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

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADE

DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÃO DE PROBABILIDADE Seja uma v.a. que assume os valores,,..., com probabilidade p, p,..., p associadas a cada elemeto de, sedo p p... p diz-se que está defiida

Leia mais

CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES

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

Leia mais

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

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

Leia mais

ESTATÍSTICA- II DISTRIBUIÇÃO DE FREQUÊNCIA. 1- CONCEITO É a série estatística que tem o tempo, o espaço e a espécie como variáveis dependentes.

ESTATÍSTICA- II DISTRIBUIÇÃO DE FREQUÊNCIA. 1- CONCEITO É a série estatística que tem o tempo, o espaço e a espécie como variáveis dependentes. ESTATÍSTICA- II DISTRIBUIÇÃO DE FREQUÊNCIA 1- CONCEITO É a série estatística que tem o tempo, o espaço e a espécie como variáveis depedetes. - DISTRIBUIÇÃO DE FREQUÊNCIA a) Dados Brutos É um cojuto resultate

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 1

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

Leia mais

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

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

Leia mais

1 Distribuições Amostrais

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

Leia mais

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

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

Leia mais

ESTATÍSTICA E PROBABILIDADES

ESTATÍSTICA E PROBABILIDADES ESTATÍSTICA E PROBABILIDADES Aluo(a): Turma: Professores: Data: Edu/Vicete Noções de Estatística Podemos eteder a Estatística como sedo o método de estudo de comportameto coletivo, cujas coclusões são

Leia mais

A finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra.

A finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra. Jaete Pereira Amador Itrodução A aálise de regressão tem por objetivo descrever através de um modelo matemático, a relação existete etre duas variáveis, a partir de observações dessas viráveis. A aálise

Leia mais

d) A partir do item c) encontre um estimador não viciado para σ 2.

d) A partir do item c) encontre um estimador não viciado para σ 2. Uiversidade de Brasília Departameto de Estatística 6 a Lista de PE 1 Seja X 1,, X ) uma AAS tal que EX i ) = µ e VarX i ) = σ 2 a) Ecotre EXi 2 ) e E X 2) b) Calcule EX i X) X i X) 2 c) Se T =, mostre

Leia mais

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

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

Leia mais

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

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

Leia mais

Comparação de testes paramétricos e não paramétricos aplicados em delineamentos experimentais

Comparação de testes paramétricos e não paramétricos aplicados em delineamentos experimentais Comparação de testes paramétricos e ão paramétricos aplicados em delieametos experimetais Gustavo Mello Reis (UFV) [email protected] José Ivo Ribeiro Júior (UFV) [email protected] RESUMO: Para comparar

Leia mais

( 1,2,4,8,16,32,... ) PG de razão 2 ( 5,5,5,5,5,5,5,... ) PG de razão 1 ( 100,50,25,... ) PG de razão ½ ( 2, 6,18, 54,162,...

( 1,2,4,8,16,32,... ) PG de razão 2 ( 5,5,5,5,5,5,5,... ) PG de razão 1 ( 100,50,25,... ) PG de razão ½ ( 2, 6,18, 54,162,... Progressões Geométricas Defiição Chama se progressão geométrica PG qualquer seqüêcia de úmeros reais ou complexos, ode cada termo a partir do segudo, é igual ao aterior, multiplicado por uma costate deomiada

Leia mais

KRIGAGEM UNIVERSAL (Metodologia geoestatística para dados não estacionários)

KRIGAGEM UNIVERSAL (Metodologia geoestatística para dados não estacionários) KRIGAGEM UNIVERSAL (Metodologia geoestatística para dados ão estacioários) Para a obteção de um variograma é suposto que a variável regioalizada teha um comportameto fracamete estacioário, ode os valores

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 2

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

Leia mais

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

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

Leia mais

Intervalo de Confiança para uma Média Populacional

Intervalo de Confiança para uma Média Populacional Estatística II Atoio Roque Aula 5 Itervalo de Cofiaça para uma Média Populacioal Um dos objetivos mais importates da estatística é obter iformação sobre a média de uma dada população. A média de uma amostra

Leia mais

Exercícios de Intervalos de Confiança para media, variância e proporção

Exercícios de Intervalos de Confiança para media, variância e proporção Exercícios de Itervalos de Cofiaça para media, variâcia e proporção 1. Se uma amostra aleatória =5, tem uma média amostral de 51,3 e uma desvio padrão populacioal de σ=. Costrua o itervalo com 95% de cofiaça

Leia mais

INFERÊNCIA. Fazer inferência (ou inferir) = tirar conclusões

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

Leia mais

DETERMINANDO A SIGNIFICÂNCIA ESTATÍSTICA PARA AS DIFERENÇAS ENTRE MÉDIAS

DETERMINANDO A SIGNIFICÂNCIA ESTATÍSTICA PARA AS DIFERENÇAS ENTRE MÉDIAS DTRMINANDO A SIGNIFIÂNIA STATÍSTIA PARA AS DIFRNÇAS NTR MÉDIAS Ferado Lag da Silveira Istituto de Física - UFRGS [email protected] O objetivo desse texto é apresetar através de exemplos uméricos como se

Leia mais

Soluções dos Exercícios do Capítulo 6

Soluções dos Exercícios do Capítulo 6 Soluções dos Eercícios do Capítulo 6 1. O poliômio procurado P() a + b + c + d deve satisfazer a idetidade P(+1) P() +, ou seja, a(+1) + b(+1) + c(+1) + d a + b + c + d +, o que é equivalete a (a 1) +

Leia mais

População x Amostra. statística descritiva X inferência estatística. Revisão de Estatística e Probabilidade

População x Amostra. statística descritiva X inferência estatística. Revisão de Estatística e Probabilidade Revisão de Estatística e Probabilidade Magos Martiello Uiversidade Federal do Espírito Sato - UFES Departameto de Iformática DI Laboratório de Pesquisas em Redes Multimidia LPRM statística descritiva X

Leia mais

1.1. Ordem e Precedência dos Cálculos 1) = Capítulo 1

1.1. Ordem e Precedência dos Cálculos 1) = Capítulo 1 Capítulo. Aritmética e Expressões Algébricas O estudo de cálculo exige muito mais que o cohecimeto de limite, derivada e itegral. Para que o apredizado seja satisfatório o domíio de tópicos de aritmética

Leia mais

Estatística Aplicada Medidas Resumo Apostila 4 Prof. Fábio Hipólito Aluno(a):

Estatística Aplicada Medidas Resumo Apostila 4 Prof. Fábio Hipólito Aluno(a): Medidas Resumo Apostila 4 Prof. Fábio Hipólito Aluo(a): # Objetivo desta aula: Calcular as medidas de tedêcia cetral: média, moda e mediaa para distribuições de frequêcias potuais e por itervalos de classes.

Leia mais

Amostragem Sistemática

Amostragem Sistemática CAPÍTULO VII Amostragem Sistemática Professor Gilson Fernandes da Silva Departamento de Engenharia Florestal Centro de Ciências Agrárias CCA/UFES 1 Introdução Por este processo, diferentemente do processo

Leia mais