Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana
|
|
- Ana Carolina César Anjos
- 6 Há anos
- Visualizações:
Transcrição
1 Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana Edney Luís Oliveira Fernandes, Maria Regina Madruga Tavares, Programa de Pós-Graduação em Matemática e Estatística, ICEN, UFPA, , Belém, PA edneyluis@yahoo..br, madruga@ufpa.br. 1 Introdução A determinação do tamanho amostral (n) é um dos problemas mais simples e mais estudado em Teste de Hipóteses, sendo largamente estudado nas abordagens Clássica e Bayesiana. Na abordagem Bayesiana, alguns autores [Weiss (1997), De Santis (2004), Adcock (1997) e Joseph e Bélisle (1997)] avaliam a determinação do tamanho amostral sob vários aspectos. Por exemplo, Weiss (1997) baseia-se na função poder bayesiana que é obtida utilizando o logaritmo do Fator de Bayes, Adcock (1997) baseiase nos Intervalos de Credibilidade Posterior, De Santis (2004) baseia-se no Fator de Bayes para determinar o tamanho amostral e Joseph e Bélisle (1997) utilizam os métodos de Adcock (1997) para determinar o tamanho amostral nos casos envolvendo a distribuição Normal variância conhecida e variância desconhecida. O objetivo deste trabalho é determinar o tamanho amostral usando a medida de evidência Bayesiana proposta Pereira e Stern (1999) que considera, em favor da hipótese nula precisa (hipótese dimensão estritamente menor que a dimensão do espaço paramétrico), todos os pontos do espaço paramétrico (Θ) cujos valores da densidade posterior são, no máximo, tão grandes quanto seu supremo no subconjunto que define a hipótese nula. O critério de determinação do valor de n segue a proposta de De Santis (2004), através da sugestão de Royall (1997, 2000), de considerar o procedimento de teste em duas fases: Fase pré-experimental e Fase pós-experimental. Na fase pré-experimental obtém-se n, o menor valor de n, tal que a probabilidade de obter uma evidência decisiva e correta em favor da hipótese verdadeira seja suficientemente grande, e na fase pósexperimental coleta-se a amostra de tamanho n e, base na evidência obtida, toma-se a decisão de rejeitar ou aceitar a hipótese nula. 2 Teste de Hipóteses Bayesiano O problema estatístico de Teste de Hipóteses, no contexto Bayesiano, acerca do valor de um parâmetro desconhecido, θ Θ, consiste em decidir sobre a rejeição ou não de uma hipótese base na informação trazida pela amostra. Sejam H 0 : θ Θ 0 e H 1 : θ Θ 1 as hipóteses a serem testadas Θ 0 Θ 1 = Θ, Θ 0 Θ 1 =, Θ 0 e Θ 1 onde H 0 é denominada Hipótese nula e H 1 é denominada Hipótese alternativa. O pesquisador necessita, ao final de um Teste de Hipóteses, obter uma medida de evidência em favor de H 0. Na abordagem Clássica é muito usada uma medida de evidência conhecida o p-value (cujo cálculo baseia-se na distribuição amostral da estatística do teste). Na abordagem Bayesiana, as medidas de evidência usuais para teste de hipóteses são o Fator de Bayes e a Probabilidade Posterior de H 0. No caso em que Θ 0 = θ 0 } diz-se que H 0 é simples. Caso contrário, diz-se que H 0 é posta. O mesmo vale para a hipótese alternativa H 1. 3 Medida de Evidência Bayesiana Berger e Selke (1987) e Berger e Delampady (1987) apresentam e discutem os conflitos entre o p-value e as medidas Bayesianas usuais, aler-
2 tando para o fato de que em algumas situações o p-value pode não ser uma boa medida de evidência para uma hipótese estatística precisa. Devido a esses conflitos, Pereira e Stern (1999) criaram uma medida de evidência Bayesiana em favor de uma hipótese precisa definida a seguir: Definição 1 Considere um modelo estatístico paramétrico, i.e., uma quíntupla (X, A, F, Θ, π), onde X é um espaço amostral, A é uma sigma-álgebra conveniente de subconjuntos de X, F é uma classe de distribuições de probabilidade em A indexadas no espaço paramétrico Θ e π é uma densidade a priori em (uma sigma-álgebra de) Θ. Suponha que um subconjunto Θ 0 de Θ tendo medida de Lebesgue nula ( respeito a Θ) é de interesse. Seja π(θ x) uma densidade posterior de θ, dada a observação amostral x, e T (x) = θ Θ : π(θ x) > sup Θ0 π(θ x)}. A medida de evidência de Pereira-Stern é definida o EV (Θ 0 ; x) = 1 P [θ T (x) x] e um teste (ou procedimento) de Pereira- Stern é aceitar Θ 0 sempre que EV (Θ 0, x) é grande. A medida de evidência Bayesiana de Pereira- Stern considera todos os pontos que são menos prováveis do que algum ponto em Θ 0. Um valor grande da evidência significa que o subconjunto Θ 0 cai em uma região do espaço paramétrico de alta densidade posterior, tanto os dados favorecem a hipótese nula. Por outro lado, um valor pequeno da evidência levaria à rejeição da hipótese nula. Uma vantagem desta medida é que ela contorna a dificuldade de tratar uma hipótese precisa, pois não há necessidade de introduzir uma probabilidade a priori o no teste Bayesiano padrão (Jeffreys (1961)). Pereira e Stern (1999) defendem que o uso da EV (Θ 0, x) para avaliar a evidência trazida pelos dados para Θ 0 é um procedimento Bayesiano, uma vez que apenas a densidade posterior está envolvida. Baseando-se nas idéias de De Santis (2004), pode-se estabelecer uma escala de evidência em termos da EV (Θ 0 ; x). Portanto, se EV (Θ 0 ; x) < ω 1, rejeita-se H 0 (evidência decisiva) se ω 1 EV (Θ 0 ; x) ω 0, não decisão (evidência fraca) se EV (Θ 0 ; x) > ω 0, aceita-se H 0 (evidência decisiva) ω i [0; 1] e i = 0; Implementação da EV (Θ 0 ; x) Para determinar esta medida é necessário duas etapas descritas a seguir: 1 a Etapa - Etapa de Otimização: Consiste em maximizar a densidade posterior π(θ x) sob H 0, em outras palavras, consiste em obter o valor θ que maximiza a densidade posterior, π(θ x) = sup θ Θ 0 π(θ x). 2 a Etapa - Etapa de Integração: Consiste em integrar a densidade posterior π(θ x) sob o conjunto T c (x), I = π(θ x)dθ. T c (x) Com T c (x) = θ Θ : π(θ x) π(θ x)}. 4 Determinação do tamanho amostral O interesse é controlar a probabilidade dos seguintes eventos: Evidência Enganosa: ocorre quando a medida de evidência Bayesiana de Pereira- Stern está em favor da hipótese incorreta. Evidência Fraca: ocorre quando a medida de evidência Bayesiana de Pereira -Stern não favorece nenhuma das hipóteses. Evidência Decisiva e Correta: ocorre quando a medida de evidência Bayesiana de Pereira-Stern está em favor da hipótese correta. Sejam os subconjuntos do espaço amostral, R 0 (ω 0, n) e R 1 (ω 1, n), onde R 0 (ω 0, n) = x : EV (Θ 0 ; x) > ω 0 }
3 é o subconjunto dos pontos do espaço amostral que produz uma evidência Bayesiana em favor da hipótese H 0 e R 1 (ω 1, n) = x : EV (Θ 0 ; x) < ω 1 } é o subconjunto dos pontos do espaço amostral que produz uma evidência Bayesiana em favor da hipótese H 1. Com isso, quando H i (i = 0; 1) é verdadeira, define-se a probabilidade do experimento produzir uma Evidência Decisiva e Correta dada i (ω i, n) = p(x H i )dx. R i (ω i,n) Onde p(x H i ) é a distribuição de probabilidade marginal dos dados amostrais sob H i, p(x H i ) = L(x θ)π i (θ)dθ Θ i onde L(x θ) e π i (θ) representam, respectivamente, a Função de Verossimilhança e a Distribuição a priori sob a hipótese H i. Pode-se também definir a probabilidade de obter uma Evidência Decisiva e Correta dada (ω 0, ω 1, n) = Π 0 0 (ω 0, n)+π 1 1 (ω 1, n). A intenção é determinar o menor tamanho amostral tal que (ω 0, ω 1, n) seja suficientemente grande. Portanto, De Santis (2004) sugere o seguinte procedimento dado em duas fases: 1 a Fase - Fase pré-experimental: Escolhidos ζ [0; 1] e ω i [0; 1], determinar n tal que n = minn N : (ω 0, ω 1, n) ζ}. 2 a Fase - Fase pós-experimental: Coletar a amostra de tamanho n e realizar o Teste de Hipóteses as seguintes regras de decisão: se EV (Θ 0 ; x) < ω 1, rejeita-se H 0 se ω 1 EV (Θ 0 ; x) ω 0, não decisão se EV (Θ 0 ; x) > ω 0, aceita-se H 0. 5 Resultados 5.1 Teste da média da distribuição Normal Seja x = (x 1,..., x n ) uma amostra aleatória de tamanho n da variável aleatória X tendo distribuição Normal média θ desconhecida e variância σ 2 conhecida, X N(θ; σ 2 ), o interesse é testar H 0 : θ = θ 0 contra H 1 : θ θ 0. Neste caso, e Θ 0 = θ Θ : θ = θ 0 } Θ = θ Θ : θ R}. A função de verosssimilhança de x é dada ( ) 1 n L(x θ) = σ exp 1 } 2π 2σ 2 [δ 1 + δ 2 ] (1) δ 1 = (n 1)S 2, δ 2 = n(θ x) 2, σ > 0, S 2 = (1/(n 1)) n i=1 (x i x) 2 representando a variância amostral e x = (1/n) n i=1 x i representando a média amostral. De acordo o Critério da Fatoração de Neyman para a obtenção da estatística suficiente, pode-se notar que, de acordo (1), a estatística suficiente é dada pela média amostral, X. Mas, a distribuição de X é Normal média θ e variância σ 2 /n, ou seja, X N(θ; σ 2 /n) e sua função densidade de probabilidade (f.d.p) é dada f(x θ) = σ 2π exp n 2σ 2 (x θ)2}. (2) Suponha que, sob H 1, θ tem distribuição a priori dada θ H 1 N(µ; cσ 2 ) f.d.p dada 1 π(θ) = σ c 2π exp 1 } (θ µ)2 (3) 2cσ2 µ R e c > 0. Tem-se que a distribuição posterior π(θ x) é procional ao produto da função de verossimilhança a distribuição a priori, π(θ x) exp 1 + nc } 2cσ 2 (θ c ) 2 representando o núcleo (parte da distribuição que depende somente de θ) de uma distribuição
4 Normal média c e variância cσ 2 /(1 + nc), ( θ x N c cσ 2 ) ; 1 + nc c = (µ + ncx)/(1 + nc). Construção da EV (Θ 0 ; x): Primeiramente, maximixa-se a distribuição posterior π(θ x) sob a hipótese nula, obtendo π(θ 0 x) exp 1 + nc } 2cσ 2 (θ 0 c ) 2. Em seguida, integra-se π(θ x) sob o conjunto T c (x) = θ Θ : π(θ x) π(θ 0 x)}, I = π(θ x)dθ T c (x) Em seguida, determina-se a probabilidade do experimento produzir uma Evidência Decisiva e Correta em favor da hipótese H 0, dada 0 (ω 0, n) = Φ[A] Φ[B] A = z ω 0 /2σ c(1 + nc) + θ 0 µ, B = z ω 0 /2σ c(1 + nc) + θ 0 µ e z α representando o α-nível percentílico da distribuição Normal Padrão. Também determinase a probabilidade do experimento produzir uma Evidência Decisiva e Correta em favor da hipótese H 1, dada T c (x) = θ Θ : θ 2c θ 0 ou θ θ 0 }. Logo, a medida de evidência Bayesiana é dada EV (Θ 0 ; x) = P [θ 2c θ 0 x] + P [θ θ 0 x] [ cσu ] n + µ θ 0 = 2Φ σ e c(1 + nc) u = (x θ 0 )/σ e Φ[ ] representando a função de distribuição acumulada (f.d.a.) da distribuição Normal Padrão. Determinação do tamanho amostral: Para a determinação do tamanho amostral, primeiramente determinam-se as distribuições de probabilidade marginais da média amostral sob as hipóteses H 0 e H 1 dadas, respectivamente, p(x H 0 ) = σ 2π exp n 2σ 2 (x θ 0) 2}, x H 0 N(θ 0 ; σ 2 /n) e } p(x H 1 ) = k n exp 2σ 2 (x µ)2 (1 + nc) k = x H 1 N σ 1 + nc 2π, ( ) µ; σ2 (1 + nc). n 1 (ω 1, n) = Φ[C] + 1 Φ[D] C = z ω 1 /2σ c (µ θ 0 ) 1 + nc D = z ω 1 /2σ c (µ θ 0 ) 1 + nc. A probabilidade (ω 0, ω 1, n) depende de n, ω 0, ω 1, σ, c, θ 0 e µ. As Tabelas 1 e 2 mostram valores de n obtidos adotando σ = 1, θ 0 = 0, Π 0 = Π 1 = 0, 5, ζ = 0, 8 e vários valores para ω 0, ω 1, c e µ. ω 0 = 0, 2 e ω 1 = 0, 1 c = 1 c = 2 µ n n , , , , Tabela 1: Valores do tamanho amostral para o teste bilateral, adotando ω 0 = 0, 2, ω 1 = 0, 1, σ = 1, θ 0 = 0, Π 0 = Π 1 = 0, 5 e ζ = 0, 8. Observa-se nas Tabelas 1 e 2 que os valores do tamanho amostral n tam-se dentro
5 ω 0 = 0, 3 e ω 1 = 0, 2 c = 1 c = 2 µ n n , , , , Tabela 2: Valores do tamanho amostral para o teste bilateral, adotando ω 0 = 0, 3, ω 1 = 0, 2, σ = 1, θ 0 = 0, Π 0 = Π 1 = 0, 5 e ζ = 0, 8. do esperado, uma vez que foram obtidos valores menores para n quando a média da priori, µ, estava distante do valor testado sob H 0, θ 0, e valores maiores quando a média da priori foi igual ou muito próxima do valor testado. A Figura 1 mostra (ω 0, ω 1, n) em função de n, adotando ω 0 = 0, 2, ω 1 = 0, 1, σ = 1, c = 1, θ 0 = µ = 0, Π 0 = Π 1 = 0, 5 e ζ = 0, 8. probabilidade [2] J. O. Berger e T. Selke, Testing a Point Null Hypothesis: The Irreconcilability of P values and Evidence, Journal of the American Statistical Association, 82 (1987) [3] J. O. Berger e M. Delampady, Testing Precise Hypotheses, Statistical Science, 2 (1987) [4] F. De Santis, Statistical evidence and sample size determination for Bayesian hypothesis testing, Journal of the Statistical Planning and Inference, 124 (2004) [5] H. Jeffreys, Theory of Probability, University Press, Oxford, [6] L. Joseph e P. Bélisle, Bayesian sample size determination for normal means and differences between normal means, The Statistician, 2 (1997) [7] C. A. de B. Pereira e J. Stern, Evidence and Credibility: a full Bayesian test of precise hypothesis, Entropy, 1 (1999) [8] M. R. Royall, On the Probability of Observing Misleading Statistical Evidence, Journal of the American Statistical Association, 451 (2000) [9] R. Weiss, Bayesian sample size calculations for hypothesis testing, The Statistician, 2 (1997) tamanho amostral Figura 1: Probabilidade (ω 0, ω 1, n) adotando ω 0 = 0, 2, ω 1 = 0, 1, σ = c = 1, θ 0 = µ = 0, Π 0 = Π 1 = 0, 5 e ζ = 0, 8. Neste caso, n = 40. Tais resultados indicam que a prosposta de De Santis (2004) adequou-se bem a medida de evidência Bayesiana proposta Pereira e Stern (1999), fornecendo resultados satisfatórios. Referências [1] C. J. Adcock, Sample size determination: a review, The Statistician, 2 (1997) 261-
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística 2 (ET593) Fases de uma Análise Estatística
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística 2 (ET593) Fases de uma Análise Estatística Dados Organização Estatística Descritiva Interpretação Os Dados vêm da amostra
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia mais1 Teoria da Decisão Estatística
1 Teoria da Decisão Estatística 1.1 Teste de Hipótese É uma metodologia estatística que permite tomar decisão sobre uma ou mais populações baseando no conhecimento de informações da amostra. Ao tentarmos
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Para que serve a inferência estatística? Método dos Momentos Maximum Likehood Estimator (MLE) Teste de hipótese: definições Aula de hoje Teste
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisMonotonicidade em testes de hipóteses. Gustavo Miranda da Silva
Monotonicidade em testes de hipóteses Gustavo Miranda da Silva Dissertação apresentada ao Instituto de Matemática e Estatística da Universidade de São Paulo para obtenção do título de Mestre em Ciências
Leia maisPrincípios de Bioestatística Teste de Hipóteses
1/36 Princípios de Bioestatística Teste de Hipóteses Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG Tabela 2/36 3/36 Exemplo A concentração de certa substância
Leia maisDE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)
1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisConceitos e aplicações de Estatística em pesquisa cientíca utilizando o R
Conceitos e aplicações de Estatística em pesquisa cientíca utilizando o R Resumo da Parte Teórica Silvio Rodrigues de Faria Junior Departamento de Estatística - IME-USP Eventos e Probabilidade. Experimento
Leia maisEstimação parâmetros e teste de hipóteses. Prof. Dr. Alberto Franke (48)
Estimação parâmetros e teste de hipóteses Prof. Dr. Alberto Franke (48) 91471041 Intervalo de confiança para média É um intervalo em que haja probabilidade do verdadeiro valor desconhecido do parâmetro
Leia maisTESTES DE HIPÓTESES. Conceitos, Testes de 1 proporção, Testes de 1 média
TESTES DE HIPÓTESES Conceitos, Testes de 1 proporção, Testes de 1 média 1 Testes de Hipóteses População Conjectura (hipótese) sobre o comportamento de variáveis Amostra Decisão sobre a admissibilidade
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisIntrodução a Inferência Bayesiana
Introdução a Inferência Bayesiana Helio S. Migon IM and COPPE - UFRJ migon@im.ufrj.br 2006 Conteúdo 1. Conceitos Básicos da Inferência 2. Distribuição a Priori 3. Sumariazação 4. Inferência Preditiva 1
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia maisMárcio Augusto da Cruz Almeida. Uso do FBST no Teste de Homogeneidade em. Misturas Finitas: Caso Normal e Poisson
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA E ESTATÍSTICA Márcio Augusto da Cruz Almeida Uso do FBST no Teste de Homogeneidade em Misturas
Leia maisTeste de Hipóteses. Enrico A. Colosimo/UFMG enricoc/ Depto. Estatística - ICEx - UFMG 1/24
1/24 Introdução à Bioestatística Teste de Hipóteses Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG 2/24 Exemplo A concentração de certa substância no sangue entre
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Testes de Hipóteses Paramétricos 1 / 41 Introdução. Hipóteses Estatísticas. Erro Tipo I
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia maisInferência Bayesiana - Aula 3 -
Inferência Bayesiana - Aula 3 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística Os problemas de estimação e teste de hipóteses podem ser vistos como problemas de decisão.
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br http://www.lce.esalq.usp.br/arquivos/aulas/2014/lce0216/ 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisUma medida de evidência alternativa para testar hipóteses gerais
Uma medida de evidência alternativa para testar hipóteses gerais Alexandre G. Patriota Instituto de Matemática e Estatística, USP Resumo Ferramentas estatísticas são comumente aplicadas para testar hipóteses
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br Outubro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisTESTES DE HIPÓTESES. Lucas Santana da Cunha Universidade Estadual de Londrina
TESTES DE HIPÓTESES Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 26 de setembro de 2016 Introdução Viu-se a construção de intervalos
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 maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisTestes de Hipóteses I
Testes de Hipóteses I Capítulo 12, Estatística Básica (Bussab&Morettin, 8a Edição) 5a AULA 23/04/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 1. Introdução Neste capítulo pretendemos resolver
Leia maisAULA 04 Teste de hipótese
1 AULA 04 Teste de hipótese Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal
Leia maisTratamento de dados em Física
Tratamento de dados em Física Métodos e testes estatísticos V. Oguri Departamento de Física Nuclear e Altas Energias (DFNAE) Programa de Pós-graduação em Física (PPGF) Instituto de Física Armando Dias
Leia maisUma medida de evidência alternativa para testar hipóteses gerais
Artigo de revisão DOI: 10.5902/2179460X13195 Ciência e Natura, Santa Maria, v. 36 Ed. Especial, 2014, p. 14 22 Revista do Centro de Ciências Naturais e Exatas - UFSM ISSN impressa: 0100-8307 ISSN on-line:
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia maisTestes de Hipótese para uma única Amostra - parte I
Testes de Hipótese para uma única Amostra - parte I 26 de Junho de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Estruturar problemas de engenharia como testes de hipótese. Entender os
Leia maisObjetivos. Testes não-paramétricos
Objetivos Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br Testar o valor hipotético de um parâmetro (testes paramétricos) ou de relacionamentos ou modelos (testes não paramétricos).
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisUma Introdução à Lógica da Modelagem Estatística
BIE5781 Aula 1 Uma Introdução à Lógica da Modelagem Estatística Inferência clássica x modelagem Testes de Significância Zar (1999) Biostatistical Analysis t de Student t = X Ȳ s exy William Gosset (1876-1937)
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia mais(Hipótese alternativa unilateral)
Nível descritivo e Teste de Hipóteses para a média populacional µ 1 Exemplo 1: Pelo Anuário do IBGE de 2010, a proporção de analfabetos em uma cidade era de 15%. Em 2015, entre 200 entrevistados dessa
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisInferência Bayesiana na distribuição Normal
Inferência Bayesiana na distribuição Normal Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Março, 2012 Distribuição Normal: Inferência da variância com
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO UNIFORME Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual de Londrina UEL Departamento
Leia maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
Leia maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisTESTE DE HIPÓTESE. Introdução
TESTE DE HIPÓTESE Introdução O teste de hipótese estatística objetiva decidir se uma afirmação sobre uma população, usualmente um parâmetro desta, é, ou não, apoiada pela evidência obtida dos dados amostrais.
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias nuas
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 04: Variáveis Aleatórias Contínuas nuas Função densidade de probabilidade contínua nua f(x) a b f(x) 0 para
Leia mais6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA
6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA 2019 Problemas de inferência Inferir significa fazer afirmações sobre algo desconhecido. A inferência estatística tem como objetivo fazer afirmações sobre uma característica
Leia maisEstatística Não Paramétrica. Como construir testes de aderência
Estatística Não Paramétrica Como construir testes de aderência Teste Qui-quadrado Suposições amostra aleatória Dados nominais (sexo: M ou F) ou numéricos (idade: menor que 15, 15-24, 25-34, 35-44, 45-54,
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisTeste de Hipótese e Intervalo de Confiança
Teste de Hipótese e Intervalo de Confiança Suponha que estamos interessados em investigar o tamanho da ruptura em um músculo do ombro... para determinar o tamanho exato da ruptura, é necessário um exame
Leia maisAula 7. Testes de Hipóteses Paramétricos (II)
Aula 7. Testes de Hipóteses Paramétricos (II) Métodos Estadísticos 008 Universidade de Averio Profª Gladys Castillo Jordán IC e TH para comparação de valores médios µ X e µ Y de duas populações Normais.
Leia maisAula 5. Teste de Hipóteses II. Capítulo 12, Bussab&Morettin Estatística Básica 7ª Edição
Aula 5. Teste de Hipóteses II. Capítulo 12, Bussab&Morettin Estatística Básica 7ª Edição Procedimento teste de hipótese para proporção. Resumo. (1) Estabelecer as hipóteses: H: p = p 0 contra uma das alternativas
Leia maisPODER DO TESTE. Poder do Teste e Tamanho de Amostra para Testes de Hipóteses
PODER DO TESTE Poder do Teste e Tamanho de Amostra para Testes de Hipóteses 1 2 Tipos de erro num teste estatístico Realidade (desconhecida) Decisão do teste aceita H 0 rejeita H 0 H 0 verdadeira decisão
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia maisUM ESTUDO DO ERRO TIPO II EM UM TESTE DE HIPÓTESES PARA A MÉDIA
UM ESTUDO DO ERRO TIPO II EM UM TESTE DE HIPÓTESES PARA A MÉDIA CARRASCO, Cleber Giugioli 1 SILVA, Luciano Amaral da 2 7 Recebido em: 2013-04-29 Aprovado em: 2013-09-29 ISSUE DOI: 10.3738/1982.2278.894
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisAula 7. Testes de Hipóteses Paramétricos (II)
Aula 7. Testes de Hipóteses Paramétricos (II) Métodos Estadísticos 008 Universidade de Averio Profª Gladys Castillo Jordán IC e TH para comparação de valores médios µ X e µ Y de duas populações Normais.
Leia maisEnrico A. Colosimo Depto. Estatística UFMG
Bioestatística F Conceitos de Teste de Hipóteses Enrico A. Colosimo Depto. Estatística UFMG http://www.est.ufmg.br/~enricoc/ f(x).4.35.3.25.2.15.1.5 Tabela Normal Padronizada Distribuicao Gaussiana com
Leia maisTestes de hipóteses. Wagner H. Bonat Fernando P. Mayer Elias T. Krainski
Testes de hipóteses Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 07/06/2018 WB, FM, EK ( LEG/DEST/UFPR
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisAutomatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST
Universidade de Brasília IE Departamento de Estatística Automatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST Lucas Barbosa Cusinato Rodrigues
Leia maisSimulação com Modelos Teóricos de Probabilidade
Simulação com Modelos Teóricos de Probabilidade p. 1/21 Algumas distribuições teóricas apresentam certas características que permitem uma descrição correta de variáveis muito comuns em processos de simulação.
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisJosé Aparecido da Silva Gama¹. ¹Professor do Instituto Federal de Educação, Ciência e Tecnologia de Alagoas.
Estudo e Aplicação dos Testes de Hipóteses Paramétricos e Não Paramétricos em Amostras da Estação Fluviométrica Três Maria (MG) da bacia Hidrográfica do Rio São Francisco José Aparecido da Silva Gama¹
Leia maisPHD 5742 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos. 6 a aula Testes de Hipóteses
PHD 5742 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos 6 a aula Testes de Hipóteses Mario Thadeu Leme de Barros Luís Antonio Villaça de Garcia Abril / 2007 Estatística Aplicada ao Gerenciamento
Leia maisSolução: A distribuição normal. Representação gráfica. Cálculo de probabilidades. A normal padrão. σ Será uma N(0; 1).
A distribuição normal Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f (x) =.e π. σ x µ. σ, x R Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ com
Leia maisInferência via abordagens computacionalmente intensivas. Walmes Zeviani
Inferência via abordagens computacionalmente intensivas Walmes Zeviani Introdução A lógica dos testes de hipótese frequentistas: 1. Definir a hipótese nula e hipótese alternativa. 2. Determinar uma estatística
Leia maisMIEEC Probabilidades e Estatística 1 a Chamada 10/01/2008. Parte Prática
MIEEC Probabilidades e Estatística 1 a Chamada 1/1/8 Parte Prática Resolução 1. Definição dos acontecimentos: T 1 Cliente do operador Ptel 1 T Cliente do operador Ptel T 3 Cliente do operador Ptel 3 S
Leia mais7 Teste de Hipóteses
7 Teste de Hipóteses 7-1 Aspectos Gerais 7-2 Fundamentos do Teste de Hipóteses 7-3 Teste de uma Afirmação sobre a Média: Grandes Amostras 7-4 Teste de uma Afirmação sobre a Média : Pequenas Amostras 7-5
Leia maisTeste de Hipóteses Paramétricos
Teste de Hipóteses Paramétricos Fundamentos de um teste de hipóteses Como construir testes de hipóteses para uma média. Como construir testes de hipóteses para uma proporção. Como construir testes de hipóteses
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
Leia maisTestes de Hipóteses: Média e proporção
Testes de Hipóteses: Média e proporção Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 12 de setembro de 2018 Londrina 1 / 27 Viu-se a construção de intervalos de confiança
Leia mais1. (a) Lembre-se que a média de uma variável aleatória discreta é uma média ponderada de seus valores, com as probabilidades sendo os pesos.
GET00172 - Fundamentos de Estatística Aplicada Gabarito da Lista de Exercícios Inferência rofa. Ana Maria Farias 1. a Lembre-se que a média de uma variável aleatória discreta é uma média ponderada de seus
Leia maisAULA 11 Teste de Hipótese
1 AULA 11 Teste de Hipótese Ernesto F. L. Amaral 20 de setembro de 2012 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro: LTC. Capítulo
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisTestes t para comparação de médias de dois grupos independentes
Testes t para comparação de médias de dois grupos independentes Acadêmicas do curso de Zootecnia - Aline Cristina Berbet Lopes Amanda da Cruz Leinioski Larissa Ceccon Universidade Federal do Paraná UFPR/2015
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisUFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior TESTE DE HIPÓTESES 1 Introdução Considere a seguinte situação:
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisTESTE DE KOLMOGOROV-SMIRNOV. Professor Ewaldo Santana Universidade Estadual do Maranhão - UEMA
TESTE DE KOLMOGOROV-SMIRNOV Professor Ewaldo Santana Universidade Estadual do Maranhão - UEMA Conteúdo 2 Ewaldo Santana Introdução 3 Ewaldo Santana Introdução Testes estatísticos paramétricos, tais como
Leia maisFinal exam June 25, 2007 Statistics II
Final exam June 25, 2007 Statistics II 1. 7 points o Hospital Medecis, o número de doentes que recorrem ao serviço de urgências pediátricas e o número de doentes que recorrem ao serviço de urgências para
Leia maisp(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
Leia maisPE-MEEC 1S 09/ Capítulo 7 - Estimação por intervalos. 7.2 Intervalos de. confiança para. média de uma. normal 7.
Capítulo 7 - Estimação por intervalos 7.1 Noções básicas 7.2 Intervalos de confiança para a média de uma população normal 7.3 Intervalos de confiança para a diferença de duas médias de populações normais
Leia maisEstatística Bayesiana EST047
Estatística Bayesiana EST047 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Conceitos iniciais; Distribuições condicionais Conceitos iniciais Questão Como incorporar
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor
Leia maisTeste de hipóteses para proporção populacional p
Teste de hipóteses para proporção populacional p 1 Métodos Estatísticos Métodos Estatísticos Estatística Descritiva Inferência Estatística Estimação Teste de Hipóteses 2 TESTE DE HIPÓTESES Eu acredito
Leia maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #04 de Probabilidade: 26/10/2018 1 Variáveis Aleatórias Contínuas De modo informal as variáveis aleatórias são contínuas quando resultam de algum tipo
Leia maisModelagem e Análise de Sistemas - COS767
Modelagem e Análise de Sistemas - COS767 Aula passada Maximum Likehood Estimator (MLE) Teste de hipótese: definições, teste com relação a média Aula de hoje Teste de hipótese: relação entre os tipos de
Leia maisVariáveis Aleatórias Discretas 1/1
Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo
Leia mais