Estatísticas Inferenciais Distribuições Amostrais. Estatística
|
|
- Lucas Santarém Campos
- 5 Há anos
- Visualizações:
Transcrição
1 Estatística
2 Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações além dos próprios dados. Necessário fazer hipóteses sobre os dados para se ter um modelo que descreva a origem dos dados. Cap 1 (Amostras): os valores dos conjunto de dados são assumidos serem valores observados de variáveis aleatórias, números que tem sido observados como o resultado da realização de um experimento ou sorteio, por exemplo. Com o uso da teoria da probabilidade, os modelos construídos serão probabiĺısticos e então poderão ser usados para fazer inferências sobre o fenômeno estudado no experimento.
3 Como devemos utilizar a amostra para obter informação sobre os parâmetros da distribuição da população (por exemplo, µ)? Esta é uma questão da inferência estatística: como usar valores observados para as variáveis aleatórias afim de colher informação sobre (os parâmetros da) sua distribuição de probabilidade. Por exemplo, x é uma boa aproximação para o valor de µ, por exemplo? Sob quais critérios?
4 Relembrando: Assumiremos sempre uma amostra aleatória. A amostra aleatória X 1,..., X n tem a mesma distribuição da população. Algum aspecto (parâmetro) da distribuição da população deve ser desconhecido, pois caso contrário não haveria necessidade de se coletar uma amostra. Por exemplo: µ (média da idade da população dos alunos). Objetivo: usar a amostra para responder questões relacionadas a distribuição de probabilidade da população. As estatísticas que serão úteis em mensurar os parâmetros populacionais.
5 Theorem Se X 1,..., X n é uma amostra aleatória de uma variável aleatória X, com média µ e variância σ 2, X = n i=1 (1/n) X i também tem média µ e variância σ 2 /n, ou seja, E [ X ] = µ e Var [ X ] = σ 2 /n.
6 O resultado E [ X ] = µ não significa que a média x obtida para um conjunto de dados é igual a média populacional. O resultado E [ X ] = µ diz que se nós tomarmos amostras de tamanho n repetidamente e computarmos x para cada uma delas, a média de x - após estas inúmeras repetições de amostragem - será µ, o mesmo valor da média populacional µ. Da mesma forma, o resultado Var [ X ] = σ 2 /n descreve a variabilidade destas médias, x, calculadas para diversas amostras de mesmo tamanho.
7 Remark Note que Var [X ] = Var [X i ] = σ 2 e Var [ X ] = σ 2 /n, assim, a distribuição de X será mais concentrada em torno de µ do que a distribuição populacional. Gráfico no quadro Assim, a probabilidade de X estar próximo de µ é maior do que a probabilidade que um X i selecionado aleatoriamente da população esteja a mesma distância de µ. Esse comportamento é a essência da Lei dos Grandes Números e justifica o fato de x ser um bom medidor para µ, quando este é desconhecido.
8 Theorem Se X 1,..., X n é uma amostra aleatória de uma variável aleatória X, com média µ e variância σ 2, a variância amostral S 2 = 1 n 1 n i=1 (X i X ) 2 terá média igual a σ 2, ou seja, E [ S 2] = σ 2. A raiz quadrada de S 2, S = S 2, é denominada desvio-padrão amostral.
9 Remark O resultado E [ S 2] = σ 2 não significa que a variância s 2 = 1 n 1 n i=1 (x i x) 2 obtida para um conjunto de dados é igual a variância populacional σ 2. O resultado E [ S 2] = σ 2 diz que se nós tomarmos amostras de tamanho n repetidamente e computarmos s 2 para cada uma delas, a média de s 2 - após estas inúmeras repetições de amostragem - será σ 2, o mesmo valor da variância populacional. Por causa deste resultado, o valor observado de S 2, que é s 2, parece ser uma boa aproximação para σ 2.
10 Este resultado também mostra porque utilizamos n 1 no denominador e não n. Caso utilizássemos a seguinte estatística alternativa da variância amostral: ˆσ 2 = 1 n que pode ser reescrita como: ˆσ 2 = n 1 n Sua média seria igual a: n (X i X ) 2, i=1 n 1 n 1 (X i X ) 2 i=1 }{{} S 2 E [ ˆσ 2] = n 1 n E [ S 2] = n 1 n = n 1 n S 2 o que implica que tal estatística não seria uma boa aproximação para σ 2 σ2
11 Derivaremos a distribuição das estatísticas. Assume-se uma distribuição para a população (normal) da qual a amostra será coletada aleatoriamente. Mas antes... derivaremos e revisaremos alguns conceitos e resultados importantes antes de obter tais distribuições.
12 Definition (Função Geradora de Momentos) A função geradora de momentos (fgm) para uma v.a. X é definida como: m X (t) = E [ e tx], < t <.
13 Como esta função se relaciona com os momentos de uma v.a.: m k = E [ X k]? Relembrando a fórmula da expansão da série e tx em torno de x = 0, temos que: f (x) = f (x 0 ) + f (x 0 ) (x x 0 ) + f (x 0 ) (x x 0 ) 2 e tx = 1 + tx + (tx) ! para qualquer real t e x. Fixando um t, temos: [ ] [ m X (t) = E e tx = E 1 + tx + (tx )2 2! + 2 (tx )3 3! = 1 + te [X ] + t2 2! E [ X 2] + t3 3! E [ X 3] +... = 1 + tm 1 + t2 2 m 2 + t3 6 m ]
14 Então: dm X (t) dt = m 1 + tm 2 + t2 2 m 3... d 2 m X (t) dt 2 = m 2 + tm Avaliando as derivadas em t = 0, teremos: dm X (t) dt = m 1 t=0 d 2 m X (t) dt 2 = m 2 t=0 ou seja, a k ésima derivada da fgm avaliada em t = 0 gera o k ésimo momento da v.a. X, m k.
15 Example Suponha que uma moeda justa é jogada duas vezes. Seja X o número de caras que ocorre. Então: 1 4, x = 0 1 p X (x) = 2, x = 1 1 4, x = 2 0, c.c.
16 Example A função geradora de momentos para X é: m X (t) = E = 1 4 [ e Xt] = et e2t ( 1 + e t ) 2 A partir dela, podemos calcular, por exemplo, a média (µ X = m 1 ) e a variância (σ 2 X = m 2 m 2 1 ): m 1 = m X (t) t=0 = 1 ( 1 + e t ) e t = 2 t=0 1 2 = µ X m 2 = m X (t) t=0 = 1 ( e t e t + ( 1 + e t) e t) = 1 (1 + 2) 2 t=0 2 σ 2 X = = 1 2.
17 Example Vamos obter a fgm da distribuição qui-quadrada que será útil a seguir. Seja a v.a. contínua X, que tem uma distribuição gama com parâmetros n > 0 e λ > 0, se sua fdp for dada por: { λ n x n 1 f X (x) = Γ(n) e( λx), x > 0 0, x 0 em que Γ (n) é a função gama dada por: Γ (n) = 0 x n 1 e x dx, α > 0 onde é fácil provar que Γ (n) = (n 1) Γ (n 1).
18 Example Assim, sua fgm será: m X (t) = E = λn Γ (n) = λn Γ (n) = λn = = 0 0 Γ (n) ( λ λ t [ ] e tx = e tx λn x n 1 0 Γ (n) e λx dx x n 1 e x(λ t) dx ( ) u n 1 u du e λ t λ t ( ) 1 n u n 1 e u du 0 λ t ) n 1 u n 1 e u du Γ (n) 0 }{{} Γ(n) ( λ λ t ) n
19 Example Fgm da qui-quadrada: caso particular da gama, quando λ = 1 2 e n = v/2, onde v é o número de graus de liberdade da qui-quadrada. Assim, se Z χ 2 v, sua fgm será: m Z (t) = ( ) 1/2 v/2 ( ) 1 v/2 = 1/2 t 1 2t
20 Theorem Seja X 1,..., X n v.a. s independentes e seja Y = a i X i. Então a fgm para Y é: m Y (t) = Π n i=1m Xi (ta i ) ou seja, a fgm da soma de v.a.s independentes é o produtório das fgm marginais.
21 Agora derivaremos a distribuição de algumas estatísticas. Assuma uma amostra aleatória X 1,..., X n de uma população normal com média µ e variância σ 2. Logo, pela Definição de amostra aleatória, sabemos que X 1,..., X n são variáveis aleatórias independentes e normalmente distribuídas. Vamos definir a variável normal padrão para cada elemento da amostra como: Z i = X i µ σ 2 N (0, 1), i = 1,..., n,
22 Theorem Se X 1,..., X n são v.a. independentes e Y 1 = g 1 (X 1 ),..., Y n = g n (X n ), então Y 1,..., Y n são v.a. independentes. Ou seja, se tivermos n v.a. independentes, se aplicarmos uma função diferente a cada uma delas (por exemplo, elevando uma ao quadrado, outra adicionando apenas uma constante etc), as variáveis resultantes destas aplicações serão ainda independentes.
23 Aplicando este teorema às v.a.s Z 1,..., Z n normais padrões, elas serão também independentes. Seja Z = 1 n n i=1 Z i a média amostral. Como Z é uma combinação de normais independentes, outro resultado que devemos lembrar é que a combinação destas v.a.s. também será uma v.a. normal. Como cada Z i N (0, 1), pelo Teorema 1 teremos que: E [ Z ] = 0 Var [ Z ] = 1 n Assim, Z N ( 0, 1 n ).
24 Se padronizarmos a variável Z teremos: Logo: ( Z 0) 1/ n = n Z N (0, 1) n Z 2 χ 2 1 Tal como Z, temos que Z i Z também é uma v.a. normalmente, visto que é uma combinação de v.a.s normais independentes.
25 Proposition Cov ( Z, Z i Z ) = 0, i = 1,..., n. Assim, Z e Z i Z são não correlacionadas e podemos dizer que são independentes pois ambas são normalmente distribuídas além de serem conjuntamente normalmente distribuídas (ou seja, seguem uma normal bivariada). Exercise (Lista) Prove que Z e Z i Z seguem uma normal bivariada para o caso de n = 2 (obtenha a distribuição das variáveis transformadas utilizando o Jacobiano).
26 Corollary Seja X 1,..., X n v.a. independentes e seja Y 1 = g 1 (X 1,..., X j1 ), Y 2 = g 2 (X j1 +1,..., X j2 ),..., Y k = g (X jk +1,..., X jk ), onde os Y j s são quaisquer funções de subconjuntos mutuamente exclusivos de X 1,..., X n. Ou seja, nenhum par de Y j s é função do mesmo X i. Então Y 1,..., Y k são também independentes. Através do corolário, temos que Z e n i=1 (Z i Z ) 2 são v.a. independentes (tal como n Z 2 e n i=1 (Z i Z ) 2 ) Visto que aplicamos uma função para Z i Z (elevar ao quadrado cada termo e passar o somatório, algo do tipo g (w 1,..., w n ) = n i=1 wi 2) e outra função para Z (uma função do tipo g(x) = x).
27 Da fórmula alternativa da variância, podemos escrever: O que já sabemos: n i=1 (Z i Z ) 2 = n Zi 2 n Z 2 i=1 n (Z i Z ) 2 + n Z 2 n = Zi 2 i=1 i=1 Z i N (0, 1), logo Zi 2 χ 2 1. Como as v.a.s Z i s são independentes, então n i=1 Z i 2 χ 2 n. n Z 2 χ 2 1. n Z 2 e n i=1 (Z i Z ) 2 são independentes
28 Como n Z 2 e n i=1 (Z i Z ) 2 são independentes, utilizando o Teorema do produtório das fgm s marginais, obtemos: [ ( )] [ ( [ n n ])] E exp t Zi 2 = E exp t (Z i Z ) 2 + n Z 2 i=1 i=1 E [ exp ( t n Zi 2 i=1 )] = E [ exp ( t E [ exp ( tn Z 2)] )] n (Z i Z ) 2 i=1
29 Vimos que n Z 2 χ 2 1 e n i=1 Zi 2 qui-quadrada, temos: [ ( E exp que é a fgm de uma v.a. χ 2 n 1. t χ 2 n. Substituindo a fgm da )] n ( ) (Z i Z ) 2 1 (n 1)/2 = i=1 1 2t Assim: n i=1 (Z i Z ) 2 χ 2 n 1 e como visto acima, é independente de Z, quando Z 1,..., Z n forem v.a. normais padrões independentes.
30 Em termos das v.a. X i quem são estes termos? Vejamos: Z = 1 n n Z i = 1 n ( ) Xi µ i=1 n = X µ i=1 σ σ Z i Z = X i µ X µ = X i X σ σ σ (S 2 = n i=1(x i X ) 2 n 1 ) n (Z i Z ) 2 = i=1 n (X i X ) 2 (n 1) S 2 i=1 σ 2 = σ 2 Assim, como Z = X µ σ e n i=1 (Z i Z ) 2 = (n 1)S2 são σ 2 independentes, então X e S 2 também serão (pois são funções de X e S 2, o que, segundo o Teorema 10 implica que serão independentes).
31 Theorem Assuma que X 1,..., X n é uma amostra aleatória de uma v.a. normal X com média µ e variância σ 2. Então: (i) A média amostral, X, e a variância amostral, S 2, são v.a. independentes. (ii) (n 1)S2 σ 2 χ 2 n 1.
32 Theorem Se X 1,..., X n é uma amostra aleatória de uma v.a. normal com média µ e variância σ 2. Então: n ( X µ) S t n 1
33 Fact Este teorema afirma que quando padronizamos a estatística X usando a variância amostral (S 2 ), ou seja, quando desconhecemos a variância populacional (σ 2 ), conseguimos obter também uma distribuição conhecida. Fact n( X µ) Note que a distribuição de probabilidade para S é sempre uma t student, independentemente do valor da variância populacional σ 2. Fact Esta v.a. será muito útil para inferências sobre a média µ de uma população normal cuja variância σ 2 seja desconhecida.
34 Como vimos anteriormente, as estatísticas de ordem nos fornecem valores importantes da distribuição, como por exemplo, o mínimo e o máximo. A distribuição do mínimo e do máximo, por exemplo, pode ser derivada. A função distribuição (função densidade acumulada, fd) do máximo, X (n),pode ser escrito como: O evento ( ) F X(n) (x) = Pr X (n) x { } X (n) x ocorre se, e somente se, o evento {X 1 x,..., X n x}.
35 Assim, podemos reescrever a fd como: ( ) F X(n) (x) = Pr X (n) x Logo, a fdp de X (n) é: = Pr (X 1 x,..., X n x) = Pr (X 1 x)... Pr (X n x) (X = F (x)...f (x) }{{} n vezes = [F (x)] n i s indep.) (X i s ident.distrib.) f X(n) (x) = d dx F X (n) (x) = d [F (x)]n dx f X(n) (x) = n [F (x)] n 1 df (x) = n [F (x)] n 1 f (x) dx Assim, tanto a fd como a fda de X (n) estão relacionadas a fd e fda de X i, ou seja, da população.
36 Para obter a distribuição do mínimo, X (1) : o evento {X 1 > x} ocorre se, e somente se, {X 1 > x,..., X n > x} ocorre. Assim, suas probabilidades são iguais, ou seja: ( ) Pr X (1) > x = Pr (X 1 > x,..., X n > x) = Pr (X 1 > x)... Pr (X n > x) (X i = [1 F (x)]... [1 F (x)] }{{} (X i n vezes = [1 F (x)] n Assim, a fd de X (1) será: ( ) ( ) F X(1) (x) = Pr X (1) x = 1 Pr X (1) > x = 1 [1 F (x)] n
37 E a fdp de X (1) será: f X(1) (x) = d dx F X (1) (x) = d dx {1 [1 F (x)]n } f X(1) (x) = n [1 F (x)] n 1 df (x) dx f X(1) (x) = n [1 F (x)] n 1 f (x) Assim, da mesma forma que o máximo, a fd e fdp do mínimo dependem diretamente da fd e fdp de X i.
38 Example Seja X 1,..., X n sejam v.a.s exponenciais independentes, cuja fdp e fd são, respectivamente: f (x) = λe λx, x > 0 F (x) = 1 e λx, x > 0
39 Example Então, a fd de X (1) será: e a fdp de X (1) será: F X(1) (x) = 1 [1 F (x)] n [ = 1 1 (1 e λx)] n = 1 e nλx, x > 0 f X(1) (x) = d dx F X (1) (x) = d dx (1 e nλx) = nλe nλx, x > 0 ou seja, X (1) também é uma v.a. exponencial, com parâmetro nλ.
40 Example E o máximo de X (n) tem fd: e a fdp será: F X(n) (x) = [F (x)] n = f X(n) (x) = d dx F X (n) (x) = d dx [ 1 e λx] n, x > 0 [1 e λx] n = nλe λx [ 1 e λx] n 1, x > 0 ou seja, X (n), ao contrário do mínimo, não segue uma distribuição exponencial.
Análise 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 maisProf. Lorí Viali, Dr.
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 maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisIntrodução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:
Introdução à probabilidade e à estatística II Revisão Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Estatística Estatística: É uma ciência que se dedica
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7 Distribuição da Média Amostral Leitura obrigatória: Devore: Seções 5.3, 5.4 e 5.5 Chap 8-1 Inferência Estatística Na próxima aula vamos começar a parte de inferência
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula 02/14 1 / 1 A distribuição F de Snedecor também conhecida como distribuição de Fisher é frequêntemente
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 maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProblemas Resolvidos. 1. Distr. Uniforme Contínua. (a) f X (x; a, b) = 1 1 (x µ) 2. (b) µ = E(x) = a+b. e V ar(x) = (b a)2. 2. Distr.
Distribuições Contínuas - Problemas Resolvidos. Distr. Uniforme Contínua (a) f X (x; a, b) = b a (b) µ = E(x) = a+b e V ar(x) = (b a). Distr. Gaussiana (a) f X (x; a, b) = (x µ) π e (b) µ = E(x) = µ e
Leia maisPr = 6 = = = 0.8 =
IND 5 Inferência Estatística Semestre 004.0 Teste 05/0/004 GABARITO Problema (5 pontos) Uma gulosa professora de estatística é fissurada por trufas de chocolate. Em busca da trufa ideal, ela vai provando
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
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 maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
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 maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A função densidade de probabilidade. Exemplo
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 06 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ A função densidade de probabilidade Seja X uma variável aleatória
Leia maisProf. Eduardo Bezerra. 6 de abril de 2018
Distribuições Amostrais Prof. Eduardo Bezerra Inferência Estatística 6 de abril de 2018 Eduardo Bezerra (CEFET/RJ) Distribuições Amostrais 1 / 19 Roteiro 1 2 3 Eduardo Bezerra (CEFET/RJ) Distribuições
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LEGM, LEIC-A, LEIC-T, LEMat, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ 2 o semestre 2/22 o TESTE (Época
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisDistribuições Amostrais
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-13 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 13/10/2011 Distribuições
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
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 maisDistribuições de probabilidade de variáveis aleatórias contínuas
Distribuições de probabilidade de variáveis aleatórias contínuas Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Distribuição Exponencial Introdução É utilizada frequentemente como modelo para
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
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 maisVariáveis Aleatórias. Henrique Dantas Neder. April 26, Instituto de Economia - Universidade Federal de Uberlândia
Variáveis Aleatórias Henrique Dantas Neder Instituto de Economia - Universidade Federal de Uberlândia April 2, 202 VARIÁVEL ALEATÓRIA DISCRETA O conceito de variável aleatória está intrínsicamente relacionado
Leia maisCatarina Marques. Estatística II Licenciatura em Gestão. Conceitos: População, Unidade Estatística e Amostra
Amostragem Estatística II Licenciatura em Gestão 1 Conceitos: População, Unidade Estatística e Amostra População (ou Universo) dimensão N Conjunto de unidades com uma ou mais características comuns População
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
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 mais3. Considere uma amostra aleatória de tamanho 7 de uma normal com média 18. Sejam X e S 2, a média e a variância amostral, respectivamente.
1 Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Professores: Clarice Demétrio, Roseli Leandro e Mauricio Mota Lista 3- Distribuições Amostrais-
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 maisFirst exam October 23, 2006 Statistics II
First exam October 3, 006 Statistics II 1. (7 points) Numa determinada empresa de recursos humanos um teste de aptidão é realizado por um elevado número de candidatos a um emprego. A pontuação obtida nesse
Leia maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia maisDistribuições Amostrais - Tamanho da Amostra
Distribuições Amostrais - Tamanho da Amostra Prof. Eduardo Bezerra Inferência Estatística 21 de Setembro de 2018 Eduardo Bezerra (CEFET/RJ) Tamanho da Amostra 1 / 10 Motivação Suponha que queremos estimar
Leia maisIntrodução à probabilidade e estatística II
Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses
Leia maisUma estatística é uma característica da amostra. Ou seja, se
Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral
Leia mais1) Considere Y N(1, 1) e X Y = y N(y, 4). A quantidade de interesse é θ = P (X > 1).
1 Considere Y N1, 1 e X Y y Ny, 4. A quantidade de interesse é θ P X > 1. a Explique como obter uma estimativa de θ via simulação. Solução: Uma maneira simples de obter uma estimativa de θ é simulando
Leia maisProbabilidade 2 - ME310 - Lista 0
Probabilidade 2 - ME310 - Lista 0 17 de agosto de 2018 Lembrando: 1) Conjuntos disjuntos: A B = = P (A B) = 0 2) Conjuntos independentes: P (A B) = P (A) P (B) A = (A B). (A B c ) só uma forma de deixar
Leia maisEstimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Qui-quadrado 02/14 1 / 1 Definição 14.1: Uma variável aleatória contínua X tem
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
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 maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisIntrodução à probabilidade e estatística II
Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses
Leia maisEstatística Matemática I
Estatística Matemática I Roseli Aparecida Leandro e Clarice G.B. Demétrio Março de 2011 Depto. de Ciências Exatas, ESALQ/USP e-mail: raleandr@esalq.usp.br 1 Variáveis aleatórias Sejam E um experimento
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Tipos de Modelos Determinístico Sistema Real Probabilístico Modelo determinístico Causas Efeito Exemplos Gravitação F GM 1 M /r
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisMétodos Quantitativos
Métodos Quantitativos Unidade 3 Estatística inferencial parte I Prof. Me. Diego Fernandes 1 Sumário Seção Slides 3.1 Noções de probabilidade 03 21 3.2 Distribuição dos estimadores 22 41 3.3 e 3.4 - Testes
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisFUNÇÕES DE VARIÁVEL ALEATÓRIA
5 FUNÇÕES DE VARIÁVEL ALEATÓRIA Dada uma variável aleatória contínua X com função de densidade f (x). Considerando Y = g(x), uma função de X, também é uma variável aleatória. A definição da variável Y
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 maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia mais{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3;
Universidade de Brasília Departamento de Estatística 4 a Lista de PE 1. Seja X uma variável aleatória com densidade { C(1 x 2 ), se x ( 1, 1), 0, se x / ( 1, 1). a) Qual o valor de C? b) Qual a função
Leia maisIND 1115 Inferência Estatística Aula 7
Conteúdo IND 1115 Inferência Estatística Aula 7 Setembro 2004 Por que a revisão de probabilidades até agora? A importância da distribuição Normal O Mônica Barros mbarros.com 1 mbarros.com 2 Por que uma
Leia maisTestes de Hipóteses II
Testes de Hipóteses II Capítulo 12, Estatística Básica (Bussab&Morettin, 8a Edição) 6a AULA 06/04/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 5a aula (06/04/2015) MAE229 1 / 23 1. Teste para
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 2 o semestre 206/207 05/07/207 :30 o Teste C 0 valores. Uma peça de certo tipo é
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 6: Desigualdades, Limites e 1 Normalização Desigualdade de Chebyshev Lei dos Grandes Números 2 3 Normalização Sumário Normalização Desigualdade de Chebyshev
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
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 maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
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 maisAmostragem. Cuidados a ter na amostragem Tipos de amostragem Distribuições de amostragem
Amostragem Cuidados a ter na amostragem Tipos de amostragem Distribuições de amostragem 1 Muito Importante!! Em relação às amostras, deve assegurar-se a sua representatividade relativamente à população
Leia mais