Training Exercises

Motivação Exemplos Exemplos
Métodos de reamostragem
Prof. Caio Azevedo
Prof. Caio Azevedo

Notações
Seja X = (X1 , ..., Xn ) uma amostra iid de X ∼ F (, θ), θ ∈ Θ pode

ser vetor.
Seja x = (x1 , ..., xn ) os valores observados da amostra definida

acima.
Estimador : θb = f (X), estimativa :θe = f (x).

q
Variância: Var (θ) e erro-padrão: EP(θ) = Var (θ)
b b b associados ao
estimador.
Prof. Caio Azevedo

Notações cont.
Estimadores para a variância Var

d (θ)
b e o erro-padrão
q
EP(
c θ)b = Vard (θ)b associados ao estimador.
Estimativas para a variância Var

g (θ)
b e o erro-padrão
q
EP(
f θ)b = Var g (θ)
b do associados ao estimador.
Prof. Caio Azevedo

Exemplo N(µ, σ 2 )
Seja X1 , ..., Xn uma amostra iid de X ∼ N(µ, σ 2 ), (µ, σ 2 )

desconhecidos e x1 , ..., xn valores observados.
Pn
Estimador para µ, µb = n1 i=1 Xi = X . Estimativa
Pn
e = n1 i=1 xi = x.
µ
σ2
Variância do estimador: Var (b
µ) = n . Estimador para a variância do
2
σ
estimador Var
d (θ)
b = b
n .
e2
σ
Estimativa para a variância do estimador Var
g (θ)
b =
n .
Prof. Caio Azevedo

Exemplo N(µ, σ 2 )
Seja X1 , ..., Xn uma amostra iid de X ∼ N(µ, σ 2 ), (µ, σ 2 )

desconhecidos.
Dispomos de valores observados relativos à uma amostra selecionada

a partir de uma população de interesse.
Estimadores ótimos (consistentes e não-viciados),

n n
1X 1 X 2
µ
b= b2 =
Xi = X , σ Xi − X = S 2 .
n n−1
i=1 i=1
Prof. Caio Azevedo

Cont.
σ2
(n−1)b
b ∼ N(µ, σ 2 /n) e
Sabemos que µ σ2 ∼ χ2(n−1) .
Podemos constuir intervalos de confiança (IC) e testar hipóteses de

interesse, com base no resultado acima.
Mesmo que X1 , ..., Xn não tenham distribuição normal

(aproximadamente) se a sequência a qual elas pertencem satisfizer o
TCL, os resultados acima são válidos, assintoticamente.
Questão: suponha que queremos fazer inferência com respeito à

√
θ = σµ , σ = σ 2 , sem usar resultados assintóticos e sob suposição de
normalidade.
Prof. Caio Azevedo

Cont.
p
σ c2 .
Estimador natural de θ, θb = b, σ
b
µ b = σ
Qual a distribuição exata de θ?

b Qual a expressão para o erro-padrão
associado à este estimador?
Podemos obter uma aproximação empı́rica (não assintótica) de θb

através da suposição de normalidade.
Replicas de Monte Carlo.
Prof. Caio Azevedo

Procedimento
Com base na amostra observada x, estima-se µ e σ 2 através do

estimadores propostos.
Com as estimativas µ e2 , gera-se R vezes amostras de tamanho

eeσ
m, ou seja temos para r = 1, ..., R, m valores simulados de uma
N(e e2 ), Xr 1 , ..., Xrm .
µ, σ
Para cada conjunto r de valores simulados, calcula-se

√ ∗2
Pm 2 Pm ∗ 2 (e
σ )r
e∗r = m1 i=1 xri , (e
µ σ ∗ )r = m−1
1
i=1 (xri − µ
er ) e θ
e ∗
r = µ
f∗
.
r
Assim, os valores θe1∗ , ..., θeR∗ serão uma amostra aleatória de θ.

b
Prof. Caio Azevedo

Resultados
PR
Uma estimativa (refinada) de θ é θe∗ = 1
R
e∗
r =1 θr (podemos utilizar,
também, a estimativa pontual baseada na amostra observada).
Uma estimativa da variância do estimador proposto é

2
b = 1 PR
var (θ) θe∗ − θe∗ . Estimativa do vı́cio
R−1 r =1 r
b = (θe∗ − θ)
B(θ) e
∗ ∗ ∗
Sejam θe(1) , θe(2) , ...., θe(R) as estatı́sticas de ordem da amostra gerada.
Quantis empı́ricos podem ser obtidos através de um dos algoritmos

propostos por Hyndman and Fan (1996).
Função “quantile” no R.
Prof. Caio Azevedo

Amostras Bootstrap 1
n = 10 m = 10 media = −0.09 dp = 183.54 n = 30 m = 30 media = 8.37 dp = 164.02

8e−04
8e−04
densidade
densidade
4e−04
4e−04
0e+00
0e+00
−10000 −5000 0 0 2000 4000 6000 8000 10000
valores valores
n = 50 m = 50 media = 3.37 dp = 9.24 n = 100 m = 100 media = 1.91 dp = 0.44

0.020
0.6
densidade
densidade
0.4
0.010
0.2
0.000
0.0
−200 −100 0 100 200 300 400 2 4 6 8 10
valores valores
Prof. Caio Azevedo

2.0
0.6
1.5
densidade
densidade
0.4
1.0
0.2
0.5
0.0
0.0
1 2 3 4 5 6 7 8 1.5 2.0 2.5
valores valores
3.0
2.5
2.0
2.0
densidade
densidade
1.5
1.0
1.0
0.5
0.0
0.0
1.5 2.0 2.5 3.0 1.6 1.8 2.0 2.2 2.4
valores valores
Prof. Caio Azevedo

Exemplo beta(a, b)
Suponha uma amostra aleatória de uma distribuição beta(a,b).
Com base na amostra observada x, estima-se a e b através do

estimadores do método dos momentos.
Com as estimativas e
aee
b, gera-se R vezes amostras de tamanho m,
ou seja temos para r = 1, ..., R, m valores simulados de uma
beta(e
a, e
b), Xr 1 , ..., Xrm .
Para cada conjunto r de valores simulados, calcula-se

√ ∗2
Pm 2 Pm ∗ 2 (e
σ )r
e∗r = m1 i=1 xri , (e
µ σ ∗ )r = m−1
1
i=1 (xri − µ
er ) e θ
e ∗
r = e∗ .
µ r
Assim, os valores θe1∗ , ..., θeR∗ serão uma amostra aleatória de θ.

b
Prof. Caio Azevedo


1.5
1.5
1.0
densidade
densidade
1.0
0.5
0.5
0.0
0.0
0.5 1.0 1.5 2.0 2.5 1.0 1.5 2.0 2.5 3.0
valores valores

4
4
3
3
densidade
densidade
2
2
1
1
0
0.8 1.0 1.2 1.4 1.0 1.2 1.4 1.6
valores valores
Prof. Caio Azevedo

10
8
8
6
densidade
densidade
6
4
4
2
2
0
0
0.8 0.9 1.0 1.1 1.05 1.10 1.15 1.20 1.25 1.30 1.35
valores valores
14
15
10
10
densidade
densidade
8
6
5
4
2
0
1.00 1.05 1.10 1.15 1.20 1.00 1.05 1.10 1.15 1.20
valores valores
Prof. Caio Azevedo

Bootstrap paramétrico
Sob a suposição de um modelo paramétrico F (, θ) e com a amostra

selecionada, estima-se θ através de algum método apropriado.
Com a estimativa θ,
e gera-se R vezes uma amostra aleatória de
tamanho m (m ≤ n) da amostra x = (x1 , ..., xn ).
Para cada amostra r r = 1, ..., R obtem-se a estimativa desejada θer∗ .

PR
Estimativa Bootstrap θe∗ = R1 r =1 θer∗
Prof. Caio Azevedo

Caso geral
Suponha agora que não conhecemos a distribuição (mesmo uma boa

aproximação) geradora da amostra
Não queremos fazer nenhuma suposição a respeito da distribuição.
Caso conheçamos ou queiramos fazer alguma suposição, por algum

motivo, é difı́cil de gerar da variável aleatória em questão.
Prof. Caio Azevedo

Bootstrap não-paramétrico
Seleciona-se R vezes uma amostra aleatória (com reposição) de

tamanho m (m ≤ n) da amostra x = (x1 , ..., xn ).
Para cada amostra r r = 1, ..., R obtem-se a estimativa desejada θer∗ .

PR
Estimativa Bootstrap θe∗ = R1 r =1 θer∗
Bootstrap paramétrico: conhecemos a distribuição dos dados F e

simulamos valores a partir dessa distribuição usando estimativas dos
parâmetros relacionados à ela.
Bootstrap não-paramétrico: não conhecemos a distribuição dos

dados F e simulamos valores a partir da fda empı́rica.
Prof. Caio Azevedo

Amostras Bootstrap Não-paramétrico Normal (1)
0.00010
densidade
densidade
0.0010
0.00000
0.0000
−4000 −3000 −2000 −1000 0 1000 −30000 −20000 −10000 0 10000 20000 30000
valores valores
0.20
0.20
0.15
0.15
densidade
densidade
0.10
0.10
0.05
0.05
0.00
0.00
−40 −30 −20 −10 0 10 20 0 10 20 30 40 50
valores valores
Prof. Caio Azevedo

Amostras Bootstrap Não-paramétrico Normal (2)
1.5
0.6
1.0
densidade
densidade
0.4
0.5
0.2
0.0
0.0
2 4 6 8 2.0 2.5 3.0 3.5
valores valores
0.0 0.5 1.0 1.5 2.0 2.5

2.0
1.5
densidade
densidade
1.0
0.5
0.0
1.5 2.0 2.5 3.0 1.6 1.8 2.0 2.2 2.4 2.6 2.8
valores valores
Prof. Caio Azevedo

Amostras Bootstrap Não-paramétrico Beta (1)

2.5
2.0
3
densidade
densidade
1.5
2
1.0
1
0.5
0.0
0
0.2 0.4 0.6 0.8 1.0 1.2 0.6 0.8 1.0 1.2 1.4
valores valores

3.0
4
2.0
densidade
densidade
3
2
1.0
1
0.0
0.8 1.0 1.2 1.4 1.6 1.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5
valores valores
Prof. Caio Azevedo

Amostras Bootstrap Não-paramétrico Beta (2)
12
7
10
6
5
8
densidade
densidade
4
6
3
4
2
2
1
0
0
0.9 1.0 1.1 1.2 0.95 1.00 1.05 1.10 1.15 1.20
valores valores
15
15
10
densidade
densidade
10
5
5
0
0.95 1.00 1.05 1.10 1.15 1.00 1.05 1.10 1.15 1.20
valores valores
Prof. Caio Azevedo

Comparações
Bootstrap paramétrico: conhecemos a distribuição dos dados F e

simulamos valores a partir dessa distribuição usando estimativas dos
parâmetros relacionados à ela. Dependente: qualidade das
estimativas e do método de simulação escolhido.
Bootstrap não-paramétrico: não conhecemos a distribuição dos

dados F e simulamos valores a partir da fda empı́rica. Com ou sem
reposição.
Prof. Caio Azevedo

Exemplo: correlação entre média e variância amostrais
b2 ) = 0, se X ∼ N(µ, σ 2 ).
Sabemos que a corre(X , σ
Contudo, isso não esperado para outras variáveis aleatórias.
Ademais, o TCL sugere que a distrbuição conjunta e marginais de X

b2 , sejam normais.
eσ
Prof. Caio Azevedo

Amostras Bootstrap de uma normal, n=10
n = 10 m = 10 media amostral n = 10 m = 10 variancia amostral

0.8
0.6
0.20
densidade
densidade
0.4
0.10
0.2
0.00
0.0
−2 −1 0 1 0 2 4 6 8
valores valores
n = 10 m = 10 correlacao entre a media e a variancia amostrais n = 10 m = 10 Densidade bivariada
●
● ● ●●
● ●● ●●● ● ● ●
8
●● ●●
8
●●● ●
variancia amostral
●
● ● ● ●● ●
●●
●●●● ● ● ●
●
● ● ●●● ●●●●●● ●●●● ●● ●● ●● ●
●●● ●
● ●
● ●● ● ● ● ● ● ●● ●●● ●
var amostral
●● ● ●● ●● ●
● ● ●● ●●
●●
●●●●●● ●●●●
● ●●●● ●
● ●● ●●
● ●●●● ●● ●● ● ●
●●●●●● ● ●● 0.02
6
● ●● ●
●●● ●●●● ● ● ● ●
●
●●
●
●● ●●● ●●●●●●
●●●●●●● ●●
●
●● ●●●●
●
●
● ●●●
● ●●
● ●●●●●●●●
● ●●● ●● ●●
● ●●
● ●
●
●●
●●
●●●●●
●
● ●●
●
● ●
●
●
●
● ●●●
●
●● ●● ●● ●● ●
●●● ●●●●
●●● ●
●● ● ● ● ●
●
● ●
●
●
●●
●●●● ●
● ●●●●●●●
●
●
●● ●●
● ●●
●●
●●
●
●●●
●●
● ●
●● ● ●● ● ● ● ●● ●
● ●
● ● ●●
● ● ●
●
● ●● ●● ● ●
● ● ● ●●
●●● ●●
● ●● ●●●
● ●
● ● ●
●● ●●
●●
● ●●● ●● ●● ● ●●●
● ●
● ●
● ●● ● ● ● ●● ●● ●●●● ● ●●● ●●● ● ●● ●●● ●● ●●●● ●●● ●● ●●
● ●● ●● ●●● ● ●
●●●●●
● ●
●●
●●
●●●●● ●
●
● ●
●
●●
● ●●●●●●●●
●● ●●●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●●●
●●
●●
●
●
●●
●●
●●
● ●●
●
●●●●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●●
●●●●
●
● ● ●
● ●●
●●
●●●
● ●●
● ● ●●●
●
●● ●●●
●●●
● ●●
●
●●●
●
●●
●
● ●
●
●● 2 0.04
●●● ●● ● ●● ●●
●●
●
●●
●●
● ●●
●
●●
●●● ●● ● ●●
●●●
●●● ●●● ● ● ●
●●●●
●●
● ●●●
●●●
● ●● ● ●● ●●●
●●
● ●● ●●
●● ● ●
●●
●●●● ●●●
●●● ● ●
●●●● ●
●
●● ●●●●●●●● ●●●●●
●● ●● ● ●● 0.1
●●● ●●
● ●● ● ●● ● ●●●● ● ●
●● ● ●●● ●●● ●●●●●●● ●●●
●
●●●●●●
●●●●
●
●
4
●● ● ● ●
4
● ●● ● ●●●●●● ●● ●
●● ● ● ● ●● ●●●
● ●
●●●●
●●●●
●●●
● ●
●
● ●●●
●●●●● ● ●●●●● ●●● ●●●●● ●●● ●
●●●
●
●
●
●●
● ●
●●● ●●●●
●●●●● ● ●
● ●●● ●●●● ●●
●●●
●● ●
●
●●●
●
● ●
●●●
●
●● ●
●●
●
●●
●●●
● ●
●●●●
●●●●
● ●
●●●●●●●●●●●● 0.1 0.08
●● ●●● ●●● ● ● ● ●● ●
●●●●
●●●
● ●●
●
●
● ●●
●●●●
●●● ●
●
● ●
● ●
●●●
● ●
●
●●
●
● ●●●
● ● ●● ●
●●●
●●
●●
●
●●●
●
●●
●
●●
● ●
●● ●
●●● ●●●●●●●
●●
●
●
●●●
●
●●
●●●●
● ●
●
●●
●
●●● ●
●●
●
● ● ●●●●●●
●●●●
●● ●
●●● ●●● ●
●
●●●●●● ●
●●
●
●●●●
● ●● ●●
●●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●● ●
●
●
●
●●
●●
●
●
●●
●●
●
●●
●
●●
●●
●●●●
●
● ●●●●
● ●●
●
●●
●●● ●
●
●
● ●
●●
●●●
●●●
●●
●●
●
●
●●
●●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●●
●●●
●●●
●
●
● ●●
●● ●
●● ●
●●● ●
●●
●●
●
●●●●●●● ●●
● ●●●● ●● ●●● ●
● ●●●
● ●
●●●●
●
●●●●●
●●●●●
●●●●
●
●
●
●
●
● ●
●
●
●●
●
●●
●●●● ● ●
●●● ●● ●
●●●●
●●●
●
●●
●
●
●
●
●
●
● ●
●
●●
●●
●
●
●●
●
●
●●
●
●
●
●
●●●
●●
●●
●●
●●●
●
●●
●
●
●
●●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
● ●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●●
● ●
●●
●●●
●
●●
●
●● ● ● ●●●● ● ●
●●● ●
● ●● ● ● ● ●●● ●
●●
●
●●●●
●● ●
●● ● ●● ●●
●
●● ●
●●
●●●●●
●●●
●● ● ●● ● ●● ●●
●
●●
●● ●
●●
●●●●●●●●●
●●
● ●
●
●● ●
●●
● ●● ● ●●●
● ●
●●●●●
●
●
●●●●
● ●● ●● ●●●● 0.16
●
● ● ●●
●
●●
● ●●
● ●●●●●●●●
● ●●●
● ●
●●
●
●●●
●●
●●●
●
●●●
● ●
●
●●
●●
●●●●
● ●●
●●
●
●
● ●
●●
●
●
●●
●●
●
●●●
●●
●●
●●
●● ● ●●
●●
●●
●
●●
●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●●●
● ●●●●
● ● ●●● ●●
● ● ●●
●●●
●
●
●●●●●● ●● ●●●
● ●
●
●
● ●●
●●
● ●
●● ●
●●●● ●
●● ●
●●● ●●
●●●●
●● ●●●
● ●
● ●●
● ●●● ● ●●
● ●
●●
● ●●●●
● ●● ● ●
●● ●
●●● ●●● ● ●●● ●●●●●●
●● ●● ● ●● ●●● ●●●●
2
●●● ●
2
●●●
● ●
●● ● ● ●
●●
●●●
●●●
●
●●
●●
●● ●● ●
●●● ●●
●●●●
●●●
●
●●
●
●●
●●●
●●
●●
●●●●
●
●●●●
● ●●
●●
●●●
●
●●●●
●
●●
●
● ●
●● ●●
●
●
●●●
●●
●●● ● ●
● ●
●● ●●● ●●
●●●
●●●
●
●
●●● ●
●●
●
●●
●● ●
●●
● ●
●● ●
● ●● ● ●● ●
● ● ●
● ●● ●●●
● ●● ●●●
●● ●●
● ● ●●●
●● ● ●●
● ● ●● ●●●
●
●●●
●●●
●●
● ●
●●● ● ● ● ● ● ● ●
● ●
●● ● ●●
●●●
●
●
●●●●● ●● 0.12 0.14
● ● ●
● ● ●● ● ● ●
● ● ●●●
●●●●● ● ●●
●●
●
●● ●
●
●●●●
●
● ●●
●●
●●●
●●●●
●
●
●
●●●
●●
●
●
●●
●
●●
●●
●●
●
●
●●
●●
●
●
●
●●
●●
●●●
●●
●
●
●
●
●
●●
●●
● ●
●●●
●●●
●
●
●●
●
●●●●●
● ●
●●● ●
●
●●
●●●
●●
●
●
●
●●
●
●
●●
●
●●
●
●●●
●●
●●
●●●●
● ●
●● ●
●●●●●● ●● ●●● ● ●
●●●●●● ● ●●
●●●●
● ●
●●
●●●
●
● ●●●
● ●●●
●●
●●
●
●●
●
●
●●●●
●
●
●
●
●●
●
●
●
●
●
●
●●●●●
●●
●●●
● ●
●
●●●● ●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●●
●●
●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
● ●●●●
●●
●
●
●
●●
●●●
●●●●● ●●●● ●●
● ● ●●● ●●
● ● ●●●● ●
● ●●
●
● ●●
●
●●●
●
● ●
●●
●●
●●●
●●
●
●
●
●●
●
●
●
●●●
●
●
●
●
●●●●●
●
●●
●
●
●●
●●
●
●
●
●●●
●●
●●
●
●●
●●
●●
●
●●
●●●
●
●●
●
●
●●
●
●
●●
●
●●
●●●●
●●●●
●●
●●●●●●
●● ●●
●●●
●●
●●●
●● ●
●
●
●●●●
●●●●
●●
●●●
●●●●
● ●●●●●●●
●●●●
●● ●
●
● ●●●
●
●●
●●●●●
●●
●
●
●
●●●●●
●
● ●●
● ●
●●●●
●
●●● ●
●●●●
●●
●●●●●●
●●●●●
● ●● ●
● ●●●●●●●●
●
●●
●●
●●●
●
●●●
●
●●
●●
●●
●●●
●
●●●●●
●
● ●●
●
● ●
● ● 0.06
0
−2 −1 0 1 −2 −1 0 1
media amostral media amostral
Prof. Caio Azevedo

0.4
0.8
0.3
0.6
densidade
densidade
0.2
0.4
0.1
0.2
0.0
0.0
−0.5 0.0 0.5 1.0 1.5 2.0 2.5 2 4 6 8 10
valores valores

10
10
●
● ● ●●
variancia amostral
●●
● ●● ●● ● ● ● ●●
8
●
8
● ● ● ●●● ●● ●●● ● ●● ●
●● ●●●●● ●●●● ●●● ●● ●●● ● ●● ●
● ● ●
●●●●
●●●●● ●●●● ● ● ● ●●
var amostral
● ● ●● ●● ●●● ● ●●● ●●●

●
● ● ●●●●●●● ● ●
●● ● ●● ●●●●●● ●●
●● ● ● ●●●● ●● ●●●●● ●
● ●
●● ●●● ● ●● ●●● ●●● ●●●● ● ●● ● ●● ● ● ● ●
●●● ● ● ●
●●●●
● ●●●●
●●●●● ● ●●●
●●
●● ●●
●●
●
●
●●●●●
● ●
●
●
●●●●● ●
●●●
●●
●
●●●● ●●
●● ●●
●
●
●
●
●
●●●●●
●●●●●●
●●● ●
●●
●●●
●●●●● ●●●●●●● ●●
●
●
●
●● ● ● ●●
●●● ● ●● ●
●●
● ●●●●●● ●● ●
●● ● ●
●●●●● ●●●●● ●●●
●
● ● ●●● ●● ● ● ● ●●●● ● 0.1
● ● ●● ●●
●
●
●●● ●●●● ●●●
● ●●
● ●●●
● ●● ●
●●●
●●
● ●●
●●
● ●●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
● ●● ●●● ●● ●
●●
●
●
●●●●
●●
●
●
●
●●●●
●●
●
● ●
●●●
●●●●
●●
●● ●
●
●
●●●
●
●●●●
●
●●
●
● ●● ●
●
●● ●
●●
●●● ● ●
●
●
●
●●
●● ●
●
●●●●
●●●● ●●● ●●
●●
● ● 0.15
●● ● ● ●● ●
●● ● ● ●● ●● ● ●
●
● ●● ●
●●●●●●●
●● ● ● ●●●●●●
●●●
●● ● ●● ●
● ●
●●●●●●● ●● ●● ●●● ● ● ●● ●●●●● ● ● ●●● ●● ●
● ●●● ●●● ● ●●●●● ●●●● ●●
●
●●●●●
●●
●● ●
● ●●●● ●●
●● ●●● ● ●●●
● ●●●● ●● ●
● ●
●
●●●●●●
● ● ●
●●●
●● ●●●● ● ● ●● ●●
● ●●● ●● ●●
●●
6
● ●●
6
● ● ●● ● ● ● ● ● ● ●●
● ●●●●
●●
●●
●● ● ●●●●
● ●●●●
●●●
●
●
●
●●●
●●
●●●●
●
●●●
●
●●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
● ●●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●●●
●●
●●
●
●
●
●
●
●
●●
●
●
●●
●●
●●
●
●
●
●
●
●●
●●●●
●
●●●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●●
●●●
●●●●●●●
●
●
●●●● ●●●
●
●●●●
● ●
●●● ●●● ● ●●●●● ● 0.2 0.25
●● ●● ● ●●●●● ●● ● ● ●●●
●● ●
●●●
●●●
●●● ●●
●
●
●●●
●
●●●
● ●
●
●●
● ●
●
●● ●
●●
●
●●
●
●
●● ●
●
● ●●●
● ● ●
●
●● ●●●
●●●●●●
● ●
●●
●●●
● ●● ●
●
●
●●
●●●
●●●●●●
●
●●
● ●●
●●●● ●● ●● ●●
●●
●●●
●●● ●●●● ●●●
●● ●● ● ●●●
●●●
● ●●● ●●
●●●●●● ●●●●●●
●●●
●●●
● ●●●
●
●
●●●
●●
●
●●●
●●●●●●● ●
●●
●●●
● ●
●●●●●
●●
●
●●●●
●
●
●●●●
● ●
●●
●●
●●
●
●
●●
●●
●
●
●
●●
●●
●●●●
●
●
●●●
●●
●
●
●●
●
●● ●●
●
●
● ●
●
●●●●●
●
●●
●
●●●
●
●●
●●●●
●●
●●
●
● ●
●●
● ●● ●●
●
●●●●●●
●
●
●●
●●●
●●●●
●●●
●
●●
●●
● ●●●
●●●
● ●●
●
●
● ●●●
●●●●●●● ●●●
● ● ●● ●●●●●
●
● ● ● ●●●●● ●●●
● ●
●●● ●●
●●● ●●
●●
●●
●
● ●●
●●●
●●
● ●●●
●
●●●●
●●●
●●
●
● ●
●
●
●
●
●
●●
●
●
●
●
●●●●
●
●
●●●
●
●●
●
●
● ●
●
●●
●
●
●
●
●
●
●
●
●●●
●●●
●
●●●
●
●●●
●●
●
●
●●●●
●
●
●
●
●
●●●
●●
●
●●
●●●●
●●
●●
●
●●
●●●
●
●●
●
●
●
●
●●●●●
●●●
●●●
●
●
●
●
●
●
●●
●●
●●
●
● ●
●
●
●
●●
●●
●
●
●
● ●●
●
●●
●
●
●●●
●●●
●●●
●●
●●●●
●●●●●●●●
●
●
●
●●
●
●●
● ●
●●
●
● ●
●
●● ●●●
●●●
●●●
● ●●●●●●
● ●●● ●
●●
● ●
●● ●●● ●● ●● ●
●
● ● ●
●
●●
●●●●
●
● ●●
● ●
●●
●
●●●
●
●●●
●
●
●
●
●●
●
●
●●●
●●
●
●
●
●
●●
●●
●
●
●●
●
●
● ●
●
●●
●
●
●
●
●●●
●
●
●
●
●
●
●●●
●●
●●
●
●
●
●
●
●●
●●
●●
●
●
●
●●
●●
●●●
●
●●
●●
●●
●●
●
●
●
●●●
●
●
●
●
●
●●
●●●●●
●
●●
●
●
●
●●
●●●
●●
●●
●
● ●
●
●●
●● ●
●
●
●
●
●●●●
●●●●
●
●●
●●●
●●
●
●●
●
●
●
● ●●
●
●
●
●● ●●●
●●
●●
●
●
●●
●● ●
●
●
●●●●
●●
●
●●●
●●●●
●
● ●
●●
●●●●
● ●
●●●
● ●● ● ●●● ●●●
● ●●
●
● ●● ●● ●
●●●● ●
●
●●
●●●●●
●
● ●
●
●●●
●●
●●
●●●●
●●
●●●
●
● ●
● ●
●●
●●
●
●●●
●
●
●●
●
●●
●●
●
●●●
●●●
●●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●●
●●●
●●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●●
●
●●●
●●
●●●●
●
●●
●
●
●
● ●●
●●
●
●
●
●●
●●
●
●●●
●
●●
● ●
●●
●
●●
●●
●
●●
●
●
●
●●●●
●
●
●●
●●
●
●
●
●
●
●●●
●
●
●
●
●●●
●●●●●
●●●●
● ●
●●●
●
● ●
●●
●●
●
●●●
●●●
●●
●
●
●●●
●
●
●●●
●●●●●●●●●●
● ●●●● ●
●●●
● ●● ●●
●●●●●●●●
●●●●●
● ●●● ●
●● ● ●● ●●●
●●●● ● ●●●
●●
●●● ●●
●
●●●●
●●●
● ●●
●●
●
●●●
●
●
●●●●
●
●
●
●●
●
●
●
●●●●
●
●
●
●●
●
●
●
●
●
●●
●
● ●
●●
●
●
●
●●
●●
●
●●
●
●
●
●
●●
●●
●
●●
●
●
●●
●
●
●
●
●
●●●
●●●
●
●
●
●
●●
●
●
● ●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●●
●
●●
●●
●
●●
●
●
●
●
●
●
●●
●
●●
●●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●●●●
●
●
●
●
●
●●
●●●
●
●
●●
●
●●
●●●
●
●
●●
●
●
● ●
●
●
●●
●
●
●
●●
●●
●
●
●●●
●
●●●
●●
●●
●
●
●
●
●●●
●●●●
●●●
●
●●
●
●
●
● ●●●
●
●●
●●●●● ● ●
●● ●
● 0.3
● ● ●● ● ● ● ● ● ●
● ●
● ●● ● ●●● ●●●●●
●●●● ●
● ● ●●
● ●●●● ● ● ●● ●
●●● ●● ● ●●
● ● ● ● ●● ●
● ●●● ● ●
●●●●● ●● ●● ● ●●●● ●●● ● ●●●● ● ●●
● ●●●●● ●●
●●
●●●●● ● ● ●●● ● ●●●● ●●●●● ●●● ●●● ●● ●● ● ● ●● ●
4
●● ●●● ●●●●●●● ●●
●●● ●●●● ●●●●●
●● ● ●●●●● ●●
●●●●● ●●●
●● ● ●●● ●●●
●●
●●● ●
●●● ●●
●●
● ●● ●●
● ● ●● ●●●● ● ● ● ●
● ●
●●●●●● ● ●● ●● ●● ●
● ● ●●●● ● ●● ● ● ● ●●● ●● ● ● ●●● ●● ●●● ● ●●● ●
● ●●● ● ●
●●● ● ●● ●● ● ●● ● ● ● ●
● ● ●● ●
●●●
● ●●
● ●●
●
●
●●●
●●
● ●●●
●●
●●●
●●
●
●
●● ● ●
● ●●
● ●●
●
● ●●●
●
●●
● ●●● ●● ● ●
●
●●● ●●●
●●●●
●● ●
●●● ●●
●●●● ●
●●● ●●●●●● ●
● ●● ● ● ●
● ● ● ● ● ● ●●●● ● ●● ●●● ●
●●●●
●●
●●●
●
●●●●● ●
●●
●
●●
● ●●●
●
●●
● ● ●●
●●
●●●
●● ● ●●●●●●
● ● ●
●
●●
●●● ● ●
●●●● ●●● ● ●●●●●●● ● ●● ●● ● ● ●
● ● ●●●● ●● ●● ●● ●● ●● ●● ●● ●●● ●●●●●● ●
●●● ●●●●● ●●● ● ●● ●●● ●●● ●● ●● ● ●
●●
● ● ●●● ● ● ●●●●● ●
●●●●
● ●●●● ●●● ●● ●● ●●
●●●●●●●● ● ● ●● ●
● 0.05
● ● ● ● ●●● ●● ● ● ● ● ● ●
● ● ●
●
● ●●● ● ● ●
●● ●
2
−0.5 0.0 0.5 1.0 1.5 2.0 2.5 −0.5 0.0 0.5 1.0 1.5 2.0 2.5
Prof. Caio Azevedo

0.4
1.2
0.3
densidade
densidade
0.8
0.2
0.4
0.1
0.0
0.0
0.0 0.5 1.0 1.5 2.0 2 3 4 5 6 7 8
valores valores

8
8
●
● ● ● ●
● ●
●●● ● ●●● ●
● ● ●●
● ● ●● ●●● ● ●● ● ●
7
●
● ●● ●●● ● ●●● ● ● ● ● ● ● ● 7
●●● ● ●●● ●● ● ●● ● ● ●●
variancia amostral
●
● ●●●●● ●● ● ● ●
●● ● ●●● ●● ●
●● ● ● ●●
● ●●●● ●●●●●
●●
●●●● ●●
●●●
●●●● ●●●● ● ●● ●
●●
● ●●●●● ●
● ● ● ●●● ● ● ●
●● ●● ●●
●● ●● ●●●●●●●●● ●●●●●● ●●●●● ●● ●
●●● ● ●●●
●● ●●● ●
●●●●●● ●●●●●●
●
● ●● ●
var amostral
●● ● ● ●● ●● ●● ●● ●●●
●● ●●●●●●●● ●
6
●
6
● ● ●●●
●● ●●●●●●●
● ●●●
●
●●
●●●
● ●● ● ●
●●
●●
● ●
●● ●
●●●●
● ●●
● ●●●
● ●
●●●●● ●●
●
●●●
●
●
●
● ●
●● ●
●●● ● ● ●●
●●●●●
●●●● ●● ●● ● ●●
● ● ● ● ● 0.1
● ● ● ●● ● ●●
●● ●● ●●●●●●
●● ●
●●●
●
●● ●
●●●
● ●●●● ●
●●●●●● ●
●●●● ●●
●●
● ●
●●●
● ●●●
● ●
●●
●
● ● ●
●
●
●
●● ●●
●●●
●●●
● ●
●
●●●
●●●●●
●●●
●●●
●
●● ● ●●●●
●● ●●●● ● ●●●●
● ● ●●● ● ● ●●● ●●
●●● ●
●
●●● ●●● ●●●
●
●
●● ●●● ●●
● ●●●
●
●● ●● ●●
●●● ●●●
●●●●●
●●●
● ●● ●●
●
●
●●●●
● ● ●
●●
●
● ●●
●●
●
●
●●● ●●●●● ●●●●●● ●●● ●● ●
● ● ● 0.2
● ● ●● ● ●
●●
●●● ●● ●●●
●
●
●
●
●
●● ●●
●
● ●
●●●
●●●●●●
●
●
●
●● ●
●●
●
●●
●●
●
●●
●●
●●
●
●
●●
●
●
●●
●
●●
● ●
● ●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●
●●●●●
●●●
●●
●●
●
●●●●●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
● ●●●
●
●
●●
● ●
●
●
●●
●●
●
●●
●●●●●●
●●
●●
●
●●● ●
●●●●
●
●●
●●●●●●● ●
● ● ●●●● ●
●●●●● ● ● 0.3
●● ● ●●
●●● ●● ●●
● ● ●
●●●●● ●●●●●
●●
●●●●● ● ●
●
● ●
● ●●●
●
●
●●●●●●●●
●●●
●●● ●●●● ●
●● ●
●●
●●●
●●
●●
●●
●● ●
●●
● ●●●●●●
●
● ●●●
●●●
●●
●
●●
●
●●● ●● ●
● ●● ●● ●
●● 0.4
5
●
5
● ●●●●●● ●●●●
●●
●●●●●● ● ●
●
● ●
● ●●●●● ●
● ● ●●
● ●●●●● ●
●●
●●●●●● ●
●● ●● ● ●
●●●
●●
●●●●●
●●●● ● ●●
●●●● ●●
● ●
● ● ● ● ●●● ●●●●●●●● ●
● ● ●●● ●●●●● ●● ●
●●●●
● ●●●
●●
●●●
●●
●●
● ●●●
● ●
●●
●●
● ● ●●●●
●● ● ●●
● ●
●●● ●
●●
● ●●
●●● ●●
●●●●
●
●
●●●●
●●
●●
●●●
●●
●●●
●
●
●●
●
●●
●●
●●●
●●●
●
● ●●
●●●
●●
●
●●●
●
●
●
●
●
●●●●●
●●●
●
●●● ●●
●●●●●
●●● ●●● ●● ● ●●
●● ● ●●●● ●● ●●
●●
●●
● ●
● ●
●●● ●●
●
●●
●
●●●●
●●●
●●
●●
●
●
●●
●●●
●●●
●●● ●
●
●
●●
●●
●
●
●
●
●●●
●
●
●
● ●●
●
●
●
●
●
●
●●
●●
●
●●
●●●●
●
●●
●
●
●
●
●●
●
●●
●
●●
●
●●●
●
●●
●●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●●●
●
●●
●
●
●
●●
●●●●
●●●
●●●
●
●
●●
●
●
●●●
●
●
●●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●●●
●
●
●●●
●
●
● ●●
●
●
●
●●
● ●
●
●
●
●
●●●
●● ●●●
● ●●
● ●
●●●● ● ●●● ●
●● ●●
● ● ● ●● ● ● ● ●●● ●●●●●●
●● ●●●
● ●
● ●●●
●●●
●●
● ●●●●●●●●●●●●
●●
●●● ●●
●●
●
●●● ●●●
●
●●
●
●●
●●●
●●
●●●
●
●●●
●●●
●
●●
●
● ● ●●●
●●● ●
●
●●
●
●●
●●●
● ●●
●
● ●●● ●●●●
●●● ●
●●●
●●●
●
●
●●● ●●●●
●
●● ●● ●●
●●● ●●● ●● ●● ●
●●●
● 0.6
●● ●●●●
●● ●●
●●●●●
●●●
●●●●●●●●●
●●
●● ●
● ●
●●●● ●
●●
●
●●●●
● ●
● ●●
●
●
●
●●
●
●●
●
●●●
●
●
●●●●
●●●
●
●●
●●
●●●
●
●
●
●
●●
●
●●
●
●●●
●●
●
●
●
●
●
●●
●
●●
●● ●
●
●
●
●
●
●
●
● ●
●●
●
●●●
●
●●
●
●
●
●
● ●●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●●
●●
●●●●
●
●
●
●
●
●
●●●
●
●
●
● ●
●
●
● ●●●
●
●●● ●
●●
●
●●
● ●
●●●●
● ●
● ● ●●● ●●
●●
●● ●● ●
●●●●
●● ●● ●
●●
● ● ● ●● ●●● ●●
●●●●
● ●
●●●
●
●● ●●●●
●
● ●
●
●●●
●
●●●
●●●●●●●●
●●●● ●●
●
●●●
●●●
●●●●
●●
●●●●
●
●●●
●●
●
● ●
●●●●●
●●●●
●●
●●
●
●●
●●
●
● ●
●●
●●
●
● ●
●●
●
●●●●
●●
●
●●●●
●
● ●
●
●●●
●●●●●●●●
●● ●
● ●
●●●
●
●●
●● ●●
●
● ● ●●
4
● ●
4
● ● ●●● ● ●
●● ● ●●●● ●
●● ●● ●●● ● ● ●
● ● ●
● ●●●●●●●●●●
●● ●
●●● ● ●● ● ●● ● ●
● ●●
●●● ●●● ● ●●● ●
●●●
● ● ●●● ●●
● ●●●
●● ●●●●● ●●● ●●
●●● ● ●
●●
●
●●
●●●
●● ●●
●● ●
● ●
●●●●
●●●
● ●● ●
●●
●
●●● ●
●
●●
●
●●
●●
●●●●
●
●
●
●●
●●
●
●●●
● ●
● ●
●
●●● ●
●●
●●
●●●
●●
●●●
●●●
●
●●
●
●
●●●
●●
●●
●●●
●●●●
●
●●●
●●
●●●
●●●
●
●
● ●●●
●
●
●●●●
●
●●
●
●●●
●●●●●
●●
●
●● ●● ●●●●● ●
●●● ●● ● ●●
●
●
● ● ●
●●●● ●
● ●●●●● ●●●
●
●
●●●
●
●
●
●
●
●
●●●●
●
●
●●
●●
●●●
●
●
●●
●● ●
●●
●
●
●●●●
●●
●
● ●●●
●
●●
●●●
●●
●
●●
●
●
●
●
●●
●
●●
●●
●
●
●
●
●
●
●
●
●
●●●
●●
●●●●
●
●
●
●
●
●
●●
●
● ●●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●●
●
●
●
●
●
●
●●
●●
●
●
●●
●
●
● ●
●●
●
●
●
●
●
●
●
●●
●
●●●
●●●
●
●
●
●
●
●
●●●
●
●
●
●
●●●●
●●
●
●
● ●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●●●
●●●
●●
●●●
●
●●
●
●●
●
●
●
●●
●
●
●●●
● ●
●
●●
●●● ● ● ● 0.5
● ●● ●● ● ● ●
● ●●●●●● ●● ●●●●● ●
●● ●● ●
●● ●●● ●
●● ●●
●
● ●
●
●●●● ● ● ●●
●●
●
●●●
● ●●● ●
●●●●
●●●●
●●●● ●●●●●●●
●●● ●●● ●
●
●● ●
●● ●
●
●●
● ●● ●
●●●●● ● ●●
● ●●● ●●●●
●● ●● ●●● ●
●●● ●●
●●●
● ●● ● ●●●●●● ●●
●● ● ●●●●●●●●●●●
● ●●
●● ●
●●
● ●
●●
● ●●
●
●
●●
● ●
●●
●●●
●
● ●
●●
● ●
●●
● ●
●●●●
●● ●
●● ●
●●●●● ●●
●●●
●●
● ●●●
● ●●
●●
●● ●
●●● ● ●●●
● ●●
●●
● ●
● ●●● ●●●
●●●
●●●
●●
● ●
●
●●
●●●●
●●
●●
● ●●● ●
●●● ●
●●●●●●
●●
●
●●
●
●●
●●●●
● ●●
●●
●●●
● ●●●
●● ●●
●
● ●●
●
●● ●
●●●
●●●
●
●●
●● ●
●●
●●●
●●●
● ●
●●●●●●
●●
●
●●●●● ● ●●●●●●● ●
● ●●●● ● ●●●●
●●● ●● ●●
●●●
●● ●●
●● ● ●
●●
●
●●●
● ●
● ●
●●
●●
●● ●●
● ●● ●●
● ● ● ●●●
●● ● ●●●●●●●●●●
3
● ●
3
●● ●● ● ● ● ● ● ●● ● ●●
● ●● ● ● ● ● ● ●● ●●● ●
● ● ● ●● ●●● ●●● ●● ●
●●●
●●●●● ●●
● ●
● ●
●●
●
●● ●●●●●●● ●●●●
●●
● ●●●
●●
● ● ● ●●
●
●●●●
●●
●●●●
●●
● ●●● ● ●
●●●●●●● ● ●● ● ●
●● ●● ●
●● ●● ●●
● ● ●
●
● ●
● ●●● ●
● ●●●
●●
●●●●● ●●
●●●
●● ●●●●● ●
●●●●●●● ●●
●●●●●
● ●●● ●● ●● ● ● ●
● ●● ●●●● ● ●● ●
●● ●●● ● ●● ● ●●● ●●●●●●
●● ●●●●●
● ● ● ●
●● ● ● ●
● ●● ●● ●● ● ● ● ●● ●
2
● ● ●
0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5
Prof. Caio Azevedo

0.5
1.5
0.4
1.0
densidade
densidade
0.3
0.2
0.5
0.1
0.0
0.0
0.5 1.0 1.5 3 4 5 6 7 8 9
valores valores
● ●
9
9
● ● ●
●● ●
● ●● ● ● ● ● ● ● ●●●●
● ● ● ●● ● ●● ● ●●●● ● ● ● ● ●
● ● ●● ●● ●●●●●●● ●● ●●●●●
8
● ●
8
●●●●
variancia amostral
● ● ●
● ● ● ● ●● ● ● ●● ●●●●●● ● ●●● ●
● ●●●● ● ●● ● ●● ●
● ●● ● ●● ● ●●● ●
●● ●● ●● ● ● ● ●●● ●●●●
●●●● ● ● ●●● ●●●●●●● ●●●●●● ●●● ● ●●
●● ●●● ●
●● ● ● ●●●● ● ●●●●●
● ●●● ● ●●● ●●●●●●● ●● ●●●
●●● ●● ●● ● ● ●●●●●●● ●●
● ●
● ●●●●● ●● ●
●●●● ● ●●● ● ● ●●● ●●● ●● ● ●● ● ●
var amostral
●● ●●●● ●
● ● ● ●●●
●●● ● ● ●●
●●●
● ● ●
●●●●●●●
●●●●
●●● ● ●
●
●●
●
●●●
● ●●●● ●●
●●
●
●
●
●
●
● ●●●
●
●
●●●●
●●●
● ●●●●● ●●●● ●●● ●●●●●●●●
● ●●●
●●●
●●●●
●
●●● ●● ●
●●●●● ●●●
●●● ●● ● ● ● ● ●● 0.2
● ● ● ● ●● ● ● ● ●● ● ●●●● ●● ●● ● ●●
●●●● ●●●● ●●●●●● ●● ● ●●●● ●● ●● ● ●●●● ●
7
●
7
● ●● ● ● ●
●● ● ●
●●● ●●●●● ●
●●
●●
●
●●●● ●● ●
●●●●●
●●●● ●
●●●●●●
● ●
●●
●● ●●● ● ●
● ●●
●●●●●
●●
● ● ●●●● ●
●●● ●
●● ● ●●● ● ●●●●● ●●● ● ● ●
●● ● ●●●●●● ●
●●● ● ● ●●●● ●
●●●● ●●
●● ● ●
●
●
●●
●●●
●
●
● ●
●
●
●●
●●
●●
●
● ●●●
●●
●
● ●●●●●
●●
●
●●●
●●
●
●●
●
●
●
●
●
●●●
●●
●
●
●●
●
●●
●
●●
●
● ●●
●●
●●
●
●
●
●●
● ● ●
●
●
●
●●
●
●
●
●●
●●●
●
● ●
●●●●
●●●●● ●
● ●
●
●
●
●●
●
●●● ●●●
●● ●●
●●●●
●●●
●
●
●●●
●● ●
●
●●● ●●●●● ●●● ●●●●●●● ● ● ●● ●
●
● 0.3
● ●● ● ● ●●
●
●● ● ●● ●
●● ● ●●
●●
●●●
●●
●●● ●●
●●
● ●
●●
●
●●
●
●●●●●
● ●●
●●●●
●●
●●
●
●●●
●
●
● ●
●
●●●
●●
● ●
●●●
●
●
●●
●●●
●
●
●●
●
●
●●
●
●● ●
●
●
●
●
●
●
●
●●
●
●●
●●
●● ●
●
●●
●
●
●●●●
●
●●
●
●
●
●●
●
●
●●
●●
●●
●
●
●
●
●
●
●●
●●●●●●●
●● ●
●●
●
●●● ●
●●●
●
●
●●●
●●●●●
●●●●
●●
●●
● ●●
●
●●●
● ●
●
●●
●
● ●●
●● ●
●●● ● ● ● ● ● ● ● 0.1 0.4 0.5
●
● ●●
● ●●●●●●● ● ●●●● ●●●
●●●●
●
●●●● ●●●
●
●●●
●●●●●
● ●●
●●●●
●●● ●●
●●
●● ●●
●●
●●●
●
●●
●
●●●● ●
● ● ●
●●
●●
●
● ●●
●●
● ● ●●●●
● ● ●●●
●● ●●●●●●●●●
●
● ●●●●● ●
●●●●●●● ● ●●
●●
●●●●●●●●●● ●●● ●●●●●●●●●● ● ● ● ● 0.6
●● ●●
●● ●●●●
● ●●●●● ●●●
●
●
●
● ● ●●
●●
●● ●●
●●●● ●●
●
●
●●
●● ●
●●
● ●
●●
●
●
●
●
●●
●●
●●●
●●●●
●
● ●
●●
●●
●
●●●
●
●●●
●
●●●
●
●●
●
●●●
●●
●●
● ●
●
●●●
●
●
●●●
●●●
● ●
●●●●
●
●
●
●
●
●
●●
●
●●
●●●
●
●●●
●
●●
●●
●●
●
●
●●
●
●
●
●●●
● ●
●
●
●
●
●
●
●●
●●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●●
●
●●●●●
●
●●●●
● ●
●●
●
●●●
●●●●
●
● ●
●●
●●
●
●
●●●●
●
●●
●●
● ● ●●● ●
●
●●
●● ●
●●●
●●
●●●●
● ●●●●●●●● ●●
●● ●●●● ●
●●●●●●● ● ●●● ● 0.7
● ●●
●●●
● ●●
● ● ●● ●● ●● ●●
● ●● ●●●●
●●●
●● ●●●
● ●
●
● ●●
●
●
●●●
●●●
●●● ●●●●
● ●●●●
●●
● ●
●●●●●●
● ●● ●
● ●
●
●●●●● ●●
● ●
● ●● ● ●● ●
● ● ●●
● ●●●●
●●
●● ● ● ●●● ● ● ● ● ●●
6
● ● ●
6
●●●●●● ● ● ● ● ● ●●● ● ●
●●● ●● ● ●
●●
●● ● ●● ● ●● ● ●● ●
● ● ● ● ●● ● ●●
●● ●
● ● ● ●●● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ●
● ●
● ● ● ●● ●● ●
● ●●
● ● ● ●●
●
●●●●
●● ●
●●●●
●
●●●●
●●●●●●●
● ●●●
●
●●●●
●
●
●●●●
● ●●●
●●●
●
●
●●● ●●
●●
●
●●●
●
●
●
●
●●●
●●●
●●●
●
●●
●
●●
●●
●●
●●
●
●
●●
●
●●
●
●
●●●
●
●●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
● ●
●●
●●
●
●
●●
●●
●
●
●
●
●●●
●
●●●●
●
●
●●
●●
●
●●●
●●●
●
●
●●●
●
●●
●
●
●●
●●● ●
●● ●
●
●
●
●
●●●
●
●●●●●● ●
● ●●
●
●
●●
●
●
● ●
●● ● ●
●●●●
●
●●●
●●●●●●●● ●●●
●
●●●●
●●●● ●● ● ●●
●● ● ● ● ●● ● ●●●●●● ●
●●●●●
●●
●● ●
●●
● ●●●
● ●●
●
●●●
●
● ●
●
●● ● ●●
●
● ●
●
●● ●
● ●
●●●
●●
●
●●
● ●
●
●●●
●
●●
●●
●●
●●
●●●●
●●●
●
●
●●
●
● ●
●
●●●●
●●
●
● ●
●●●
●●
●
●●
●●
● ●
●
●●●
●●
●●●●
●
●
●●
●●
●●
●
●●●
●● ●
●
●
● ●
●●●●
●●●●●
●● ●
● ●
●●●
● ●
● ●
●●
● ●●
●●
● ●
●
●●●
●●
●●
● ●●●●●
●●● ● ●●●
● ●●●● ● ●●● ●●
● ●●●●●●●●●●●● ● ●
●●●
● ● ●
●●●●● ●
● ●●●●
●●
● ●
●●
●●
●●
●
●●
●●●●
● ●●●
●●●●
●●
●●
●
●●●
●●●
●●●
●
● ●
●
●●●
●
●
●●●
●●
●●●●●
●
●●●●
●
●
●
●
●●
●
●●
●
●●●●
●
●●
●●
●
●●●
● ●
●
●
●●
●●●
●
●
●
●●
●●●
●
●●
●●
●
●●
●
● ●
●●
●●
●●●● ●
●
●
●
●●
● ●
●●
●●●
●
●●●
●
●
●●
●●● ●
●
●●
●●
●
● ● ●
●● ●● ●
●●●●●●
●● ●●
● ●●●● ●●●●●● ● ● ● ● ●● ●
●
● ● ●● ● ● ●●
●
●●●
● ●
●●●●●
●
●
● ●●●●
●●●● ●
●● ●●
●
●
●●●
●●
●
●●● ●
●
●
●
●
●●
●●●
●●
●
●
●
● ●
●●●
●●●
● ●●●
●●●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●
●
●●
●●●
●
●
●●
●●
●
●●●
●●●
●
●
●●●●
●
●●
●
●
●●
●
●
●
●●●
● ●●
●
●
●
●
●
●● ●● ●●●
●●
●●
●●●
●●●●
●●●●
●
● ●●●
● ●
●●●●
●
●
●●●●
●●●●
●
●●●●
●
●
● ●
●
●●
●
● ●● ●
●●
●
●
●●
●●
●●●●
●●
● ●●●●● ●● ● ●
● ●●●●●●●●● ●●●●
●●●
●
●●● ●●●● ●●
●●●●
● ●●
● ●
●●
● ●
●●● ●
●
● ●●
●
● ●
●
● ●
●●
●●
●●
●
●
●●
●●
●●
●
●● ●
●●
●●●
●● ●
● ●●●
● ●
●●
●
●
●●
●●●●●
●
●●●●● ●
●●●●
●● ●
●●●
● ●
●●●●● ●●
●●
●●●● ●●● ●
●
● ● ●● ●●
●●
●
●● ●● ●
●
● ● ●●●●● ●●●● ● ●● ●● ●
●●●
●●
●●● ●●
● ●● ●
●●●●
●●
●
● ●
●●●●
●
● ●●●
●●●
● ●
●●
● ●●
●●● ●●●●●●
●●
●
●●●
●● ●●
●●● ●
●● ●●● ● ● ●●●
●●●
●●●
● ● ● ● ●● ●●●●● ●●●●●●● ●●●● ●●
5
● ●
5
● ● ● ● ●●●● ●● ● ● ●●
●●● ● ●●● ● ●
●●● ●●●●
●●●● ●●●●● ● ●●
●●
●●●
●●
●●●● ●●
●
●●●
●
●●
●●
●
●● ●
●
●
●●
● ●
●●
●
●●
●●
●●
●
●●●
●
●●●
●●● ●
●●
●●●
●●● ●●
●●●● ●
●
● ●●●
●●●
●● ●●●●●
● ●
●
● ● ●●●●●●
●●●●
●
● ●
●
● ●●●
●
●● ●●
●●
●●●● ● ●● ●● ● ●●● ●
●● ● ● ●● ● ● ● ● ●●● ●● ●● ●●●● ●●●● ● ●●
● ●
●●
●
● ●●
●●●
● ●●●●●
●●●●●●●●●● ●
●●● ●
● ●●●
●● ●
●● ●●● ●
● ●●●● ●●● ● ●● ●● ● ●
●●●● ● ● ● ●● ● ●●●
●● ●●
●●●● ● ●●●●●●●
● ●● ●●
● ●
● ●●●●●
● ●●● ●
●
●●
●●●●
●
● ●
●●●● ●●●●
● ● ● ● ● ●●●● ●● ●● ● ● ●
● ●● ●
● ● ●●●●● ● ● ● ●
● ● ● ● ●
●●●●
●●● ●● ●●● ●● ● ● ● ●
● ●●●●● ● ●
● ● ● ● ● ● ●
● ●● ●● ●●● ●●● ● ● ●● ● ●● ● ● ● ● ●
4
● ●● ● ● ● ● ●
● ● ● ● ● ● ● ●● ● ● ●
● ●
0.5 1.0 1.5 0.5 1.0 1.5
Prof. Caio Azevedo

Amostras Bootstrap de uma gama, n=10
0.020
0.20
0.15
densidade
densidade
0.010
0.10
0.05
0.000
0.00
8 10 12 14 16 18 20 22 0 20 40 60 80 100
valores valores
● ●
100
100
● ●
● ●
●● ● ● ●●
●● ● ●
variancia amostral
●● ● ●
●
● ●
● ● ●●● ●●● ● ●●
● ● ●●● ● ●●● ●● ●● ● ●
80
80
●● ●●●●●
● ●● ●●● ● ●●● ●● ●●● ● ● ● ●
● ●● ●●●●● ●● ● ●
● ●●● ● ●● ●
●● ●●
var amostral
● ●●
● ● ● ● ● ●●
●●●●● ●●● ●●
●●●●●
●
●●● ●
●
● ●●●●● ●●
●●
●● ●●●● ● ●●●●
●●● ●
●●
●●
●
● ●● ●●●●● ● ●
●●●●● ● ● ●●● ● 0.001
●● ● ● ●● ● ●●●
● ● ●●●● ● ●● ●●●●●● ●● ● ● ●
● ●
● ●
●●●●
●
●
● ●●●● ●●● ●●● ●●● ●●●●
● ●●
●●
●● ●●
●●●●●●●● ●● ●●●● ● ●●
● ●●●●
●
●
●●●●● ●●●
● ● ●
●
●● ●
●
● ●
● ● ●
●
●●●●●●● ●● ●●●● ●
●●● ● ●●● ●●●● ●●●●●●● ●●
● ●●● ●● ●
● ● ●●●
●●● ●
●●●● ●● ●●●●● ●●● ●●
●●●● ● ●
●●●●●● ●
60
60
●● ●● ● ●● ●
● ● ● ●● ● ● ●●●
●
●
● ● ● ●●
● ●●●● ●●●● ● ● ●● ●
● ●●● ●
●●● ●●
● ●
●
●●●●●●●●
●●●
●● ●●
●
●●
● ●●●
●●
●
●
●●●
●
●●●
●
●
●●●● ●●
●●●●
●
●●
●●●
●
●
●● ●
●●●●●
●●●
●
●●●●●●●
●
●
●
●
●
●●
● ●● ●●●
●●
● ●●● ●
●●●● ●● ●●● ● ● ● ● ●●
● ●●●● ● ● ●●●
●●●●
●●● ● ●● ● ●●● ●●● ●
●●●●● ● ●
●
● ●● ●
● ●
●
●●●
●●
●●
● ●●●●● ●
●
●●
● ●
● ● ●●
●
●●● ●●
● ● ●●●●●●●●●●●
● ●● ●● ●●●●●●● ●●● ●● ●
●● ●
● ●● ● ● ● ● ●●●
●●
●● ● ●●●●● ●●
●
●
●●●
● ●●●
●● ●
●●●
●
●●●●
●
●
●
●●●
●●●●●
●●
●●●
● ●
●
●●
●●●
●
●●●
● ● ●●
● ●●
●●●
●
●
●
●
●
●●
●●
●●●●●●
●●●
●●●
●●●
●
●
●
●●
●
● ●●●●●
●
●●
●● ●
●●●●
● ●●●
● ●
●
●●●
● ●
●
●●
●
●●
●●●●
● ●●
●●●●●● ●
●●● ●
●●● ● ●● 0.002
● ● ● ● ●● ● ●● ● ● ●
●●● ● ● ● ●
●
●●●●
● ●●●●● ●
●●●
● ●●
●●
●●● ●
● ●●
● ● ●
●●●●●
● ● ●●●
●●● ● ●●● ● ● ●
●●
●
●●
●● ●
●●
●●●
●●●●
●
●●●
●●
●●
●●●
● ● ●
●●● ●
●● ●
● ● ●●● ● ●● 0.003
● ●● ●● ●● ●●●●●●
● ● ●
● ●●●●●
●
●●
●● ●●●●● ●
●●●●
●●
●
●● ●
●●●●
●●
●●●
●●
●
●●
●
● ●
●●
●
●●
● ●
●●●
●● ●●
●
●
●●●● ●
● ●
●● ●
●●●●●●●
● ●●
● ●●
●
●●●
●● ●
●
●●
●
●
● ●●●●●●
●
●●●
●●
●●●●
●
●●
●●
●●●
●●
●
●
●●
●●●
●●
●
●●
●
●
●
●●●
●
●●●
● ●
●●
●
●
●●
●●
●●
●●
●
●●
● ●●●
●●
●
●
●●● ●●
● ●●
●● ●
●●
●
●●●
●●●
● ● ●
●●●● ●● ●●
●● ●●
●●●●● ●●●●●
●
●●●●● ● ●
●● ●●●
●●●
●●
● ●●
●●●
●
●
●●
●
●
●
●● ●●●● ●● ●●
●● ●
●●
●
●
●●●
●
●● ●●●●●
●●
●
●
●●
●●●
●●●●●●
●●
●●● ●●●
●●● ●
●
●●
●
●●●
●
●
●
●
● ●
●
●
●●
●●
●●
●
●●●
● ●●●
●●●●
●●
●
●
● ●●
●● ●
●●●
●● ●
●●
●●
●●●●● ●● ●●●● ●
●●●
●●
●●● ●●●●
●
●●●●●● ● ●
40
●
40
● ● ●●
●●●●● ●●●●● ●● ●●● ●
●●
●●● ●●●●
●
●●● ●●●● ●
●●●●●●● ● ●●●
● ●●
●● ●
●
●● ●
●
●●●
●
●●●
●●
●
●●●●●●●
●
●
● ●●●
●●
●●●●
●
●●●●
●●
●
●●
●●●
●
● ●
●●
●●● ●
●●●
●●
●●
●
●●
●●
● ●
●
●
●●
●●●
●●
●
●
●
●●
●
●●
●●
●●
●●
●●
●
●
●
● ●●
●●●●●●
●●●
●●●●
●●●
● ● ●
●●●●●●●● ●●●
● ●●● ●●● ●●
●●● ●
●●
●
●●●●●●
●●
●●●● ●●
●●
●●
● ●
●
●
●
●● ●●●●●
●
● ●● ●
●
●●
●
●●
●
●●●●
●
● ● ●
● ●●●● ●
●●●
● ●
● ●●
●
●●
● ●
●
●
●
●●
●
●●
●●●●
●●●
●●
●●
●
●
●●●●●
●
●
●●
●●
●
●
●●
●●●●●●
●
●
●●
● ●
●●
●
●●
●
●
●●● ●
●●
● ●
●●
●●●
●
●●
●
●●
●●
●●●● ●
●● ● ●
●●●●● ●● 45
● ● ●● ●●● ●●●●
●● ●●●
●
●●● ● ●●●● ●●
●
●●● ●●● ●
●●
●● ●
●
● ●●●
●
●● ●
●
●●
●●●
●
●●
●
●●●
●●
●
●●
●● ●
●●
● ●
●●
●●
●●●
●
●●
●
●●
● ● ●●
●●
●●
● ●● ●●
●
●
●
●●●●●
●
●●
● ●
●
●●
●
●●
●
●● ●
●● ●●●
●
●
●
●●●
●
●●●●
●●
●●
●● ●●●
●
●
●●
●●
●●
●
●●●●
●●
●●
● ●● ● 0.00
●● ● ● ●●● ●●●
●● ●●
●● ●●● ●
●● ●●●●●●● ●●●
●●●●●●
●
●●●●
● ●
●●
● ● ●
●
●●●●
● ●
●
●●●
●●
●
●
●
●
●●●
●
●●
● ●
●●
●●
●●
●
●
● ●●
●
●●● ●●●●
●
● ●
●●
● ●●●
●
●
●●●
●●
●●●
●●●
●
●
●●●
●
●●●
●●
●●●●●●
●●
●●
●●●●
●●●●
●●●●
●
●● ●●
● ●
●
●
●
●●●●
●
●● ●
●●●
● ●●
●● ●● ● ●●●●
●●● ●●
●●●●●● ●
●● ● ●
● ●●●● ●●
●●●●●● ●
●●●●●●●●●
● ●
●
● ●
●
●
●
●
●
●●
●●●
●●●●
● ●●
●
●●
●●●●●●
●● ●●●
●●●● ●
●●
●
●●●● ●●● ●
●●
●
●●●●●
●● ●
●
●●
●●
●●
●●
●●●
●
●
●●
●●●●●
●
●●●
●●
●●
●●●
●●●
● ●●● ● ●●
●●●●
●●
●
●
●●●●
●●●● ●
● ● ●●● ● ●● ●● ●● 0.0035
●●
●●
●●●
●●●●● ●●●●●●
●●● ●●●●● ●●● ●●●
●●
●●● ● ●
●● ●● ●●●
●●●●● ●●●● ● ●● ●
●●
●●
●●
●
●●
● ●●● ●
●●
●
●●●
●
●●
●●
●●●
●
●
●●
●
●●
●
●
●●
●● ●
● ● ●●●●
●
● ●●●●
●●
●●●
●
●●●● ●
●●●
●●
● ● ●
●●●●
●●●●
● ●● 0.004
● ● ● ●●●
●● ●● ●
● ●●●
●●●
●● ● ●●●
● ●●
●
● ●
●● ●●● ●
●
● ●●
●
●
● ●● ●● ●●
● ●●●●● ●
●●●●● ●
●●●●●
●●
●●
●
● ●
●● ●●
●●●●●
●
● ●● ●
●● ●●●●●
●
●●●
●● ●●
●
●●●
●●●
● ●●
●● ●
●●●●●
●●
●●
●●
●●
●● ● ●● ●●●●●●
●●●●
● ●●●
●● ●●● ● ●
20
●● ● ● ●
20
● ● ●●●● ● ● ●● ● ● ●●● ●
● ● ● ● ●
● ●● ● ● ●●● ● ●● ● ●●
●
● ● ● ● ● ● ●● ● ● ● ●
●●● ●● ●● ●●●
●
●● ●●
●
●●
●
●●●
●●● ●
●●
●●● ●
●●●
● ●
●
●
●●●
●●
●●
●
●
●●●●
●
●●
●
●●●
●●
●●●
● ●
●●●
●
●●
●
●●●●
●●
●
●
●
●
●
●
●
●●
●●
●
●●●
●●
●
● ●●
●●
●●●
●
●●
●●
●
●●
●●●●
● ●
●
● ●
●
●●
● ●
● ●●●
●●●
●●
●●
●● ●
●
● ●●●
●
●
●●●●
●●●
●
●●
●
●●
●●
●
●●●
● ●
●●
●●●
● ● ●●
● ●●●●●●●●● ●●● ●●● ●
●●
●
● ●●●●●
●
●●
●●● ● ● ●
●
●●
●
●●●
●●●●
● ●
●●
●
●●
●
●●
●
●●●
●●
●
●
●●●
●
●●
●●●
●●●●
●● ●
●●●
●
●●
●●●
● ●●
●● ●●
●
●●
●
●●
●●●●
●●
●●
●●
●●
●
●●
●●
●
●●●
● ●●●
●
●●● ●
●●●
●●●
● ●●
●
● ●●●●●●●●
● ● ● ● ● ● ●● ●
●●● ●
●●
● ●
●
●●●●
●●●● ●●
●
●●
● ●● ●
●●●● ●
●
●
●● ●●
●
●●●
●
●●●
●
●●●
●
●
●●
●
●●
●
●● ●
●●
●●
●●●
●●
●●●●●
●●
●●●
●●
●
●●
●
●●
●●●
●●●
●●
●
●●●
●
●●●●
●●●
●●
●●●●
●●●
●●●●●●
● ●
●
●●●●●●
●●
●●●● ●
●●●●●●● ●
●●● ● ●●●●● ● 0.0025
● ●● ●●●● ● ● ●● ● ● ● ●●
●● ●
●●
●●
●
●●
● ●● ● ●●●● ●●● ●●
●●
●●
● ●
●● ●●
●
●● ●●●●
●●
● ●
●
●●
●
●●● ●●
●●● ●●●● ●●
●●
●●
●●●
● ●
●●
● ●●●
● ●
● ● ●● ●● ● ● ●
●
● ●● ●●●●● ●
● ● ● 0.0015
●● ●●●●●● ● ●● ●
●●●
● ● ● ●●●●● ● ●●● ●●●●●●
●●● ● ● ●●
●
●
●●● ●● ●●
●● 5e−04
●● ●●● ●
0
10 12 14 16 18 20 22 10 12 14 16 18 20 22
Prof. Caio Azevedo


0.4
0.04
0.3
densidade
densidade
0.2
0.02
0.1
0.00
0.0
8 10 12 14 10 20 30 40 50 60
valores valores
● ●
● ●
60
60
● ● ●●
● ● ● ●
● ● ●
variancia amostral
● ●● ● ●●●● ● ●● ●
● ●● ●●
● ●● ● ●●● ●
50
50
● ● ● ●● ● ● ●● ● ●● ● ●● ●● ● ● ● ●●● ●● ●● ● ●
●●●● ●●●● ●●●● ● ●● ● ●●● ●●● ● 0.002
var amostral
● ●● ● ●● ●●●●●● ●● ●●●●
●●●●●●●●
●●●●●● ●●● ● ● ●● ● ●
●
●● ●●● ●● ●● ●● ●●
●
●●●●●● ●●●●● ●
●●
● ●
●● ●
●●●●● ●●●
●● ●● ● ● ● ●●
● ● ●●●●● ● ●●●●● ●
●●●
●●●●
●● ●●●
●●●
●
●●
●
● ●●
● ●●●●●●●●
●●● ●
●●●●●●● ●●●
● ●●●●
●
●●● ●● ●● ●●●●●●● ●●
●●●●● ●● ● ●●● ● ●
●● ●● ● ●● ●●●● ●
● ●● ●●●●● ●
●●
●●
● ●●
●●● ●●●●
●
●
●●●
●●●
● ●●
● ●
●●
●
●●●●
●
●
●●●● ●●●●●● ● ●
●
●●
●
● ●●
●●
●● ●
●●●●
●●
●
●●
●
●●● ●●●
● ●
● ●
●●
●●●●● ● ● ●●● ●●● ●●●● ●●
● ●● ● ● ● ●●● ●●● ●● ● ●● ● ● ● ● ● ● ● ● ● ●
40
40
● ● ●● ● ● ● ● ●
● ● ●
●
● ●
●●●●
●●●●●
● ●
●●●
●
●●●●●
●● ●
● ●
●● ● ● ●●
●●● ●●● ●●● ● ●
●
●●●●● ● ● ● ● ● ● ●
● ● ●● ●● ● 0.008
●● ● ● ●● ●●●●● ●●●● ●● ●● ●● ● ●●●●● ● ●●●●
● ●●●●
●●●
● ●● ●●● ●
●●
●●●●●
● ●●●
●● ●●●●●
●● ●● ●● ● ●●●●●●
●●●●●● ● ● ● ●
● ● ●● ●●●
●● ●● ● ●●
●●● ●●● ●●●●●
●
●
● ●
●
●
●●●●●
●●
● ●
●
●●●●
●●
●●
●
●
●
●
●●●
●●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●●
●
●
●
●●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
● ●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●● ●
● ●
●
●
●
●
●
●●
●●
●●
● ●●
●● ●●
●
●●● ●
●●●●●
●
●
●●
●
●
●●
●
●
●●
● ●
●
●
●
●
●
●
●
●●
●
●
●●●
●●
●●
●●
●
●
●●●●●●● ●●●
●●● ●
●●●
●●●●
●●● ● ●
● ● ● ●
●● ● ● ● ●●
●
● ● ● ●●
●● ●
●● ●●
●
●●● ●● ● ● ●●
● ●
●●
●
●●
● ●●●
●●
●●
●
●●●
●●
● ●
●●
●
●●
●●
●●●●
●
●●
●●
●
●●
●●
●
●●
●●
●●
●
●●●●
●●
●
●
●●
●
●●●
●●
●
●●●●
●
● ● ●●●
●● ● ●●● ●●
●
●●●●● ●● ● ●●
●●●
●
●● ●● ●●●● ● ●● ●
● ● ●●● ● 0.01
● ●● ●●●●● ●● ●● ●●● ● ● ●● ●
●● ● ●●
● ●●●●● ●●
●●
● ●
●
●●●●●
● ●●●
● ●●● ●● ●
●●●●●●●
●
●●●●●●●●● ●●● ●●● ● ● ●●●●● ●●●●● ● ● ●●
● ●●●● ●●●● ● ●●●●● ●
●●● ●●
●● ● ●●●●
● ●
●●
● ● ● ●●● ●
●●
●●●
●●
● ●● ●●
●● ●
●●
●●●● ●●
●
●●● ●●● ●
● ●● ●
●●● ●●● ●●●●
● ●●● ● ●●● ●● ● ●●●● 4
● ●
●●
●●● ●
●
● ●●
●●● ●● ●● ●●
●●
●●
●
●● ●●●
● ●
●●●●
●●
●● ●●● ● ●
●●●
●●
●
●●
●
●
●●●
●
●●●
●●
●●
●
●●
●●
●
●●●
●●●
●
●
●●
●
●●
●●
●
●●●
●●
●
●●●
●●
●
●●
●
●●
●
●●●
●●
●●●
●
●
●●
●●●
●
●
●●
●●●●
●
●
●●●
●●●
●●●●
●●●● ●
●●●
●
●●●●●●●●
●●
●●
● ●
● ●●●●●
● ●● ●●●●●●●●●●●
●●●●●● ● ●●● 0.01
2 0.02
●●● ● ●●● ●●● ●● ●● ●●●●
● ● ●●●●●
●
● ●●● ●
●●● ●●
●●●●●●●
●●●● ●
●●●
●
●●●
●
●●
● ●●
●●●●
●●
●
●●
●
●●
●●
●●
●
●●
●●●●
●
●
●● ●
●●
●●●
●●
●
●
●●
●●●
●
●●
●
●●
●
● ●●
● ●●
●
●● ●
●
●●●
● ●●●●● ●●● ●
●●●● ●●●
●●
●●●●● ●
●●●
● ● ●● ●●● ● ●●● ●●
30
●
30
●●●●● ● ● ● ●● ●●● ● ● ●●● ●● ●

●●●
● ●● ● ● ●
●● ●● ●●●
●●
●●●
● ●
●● ●●●●
●● ● ●●●●
● ● ●● ● ●●●
● ● ●● ●● ● ● ●
●●● ●
●
●●
●● ● ●
●
●●
●●
●
●● ●●
● ●
●
● ●●●●●
●
●
●
●●
●
●●
●●●
●●
●
●●
●
●●
●●
● ●● ●●●
●●●
●
●●
●
●●●
●●
●
●●●●
●
●●
●
●●
●
●●
● ●
●
●●
●●●
●
●
●●
●●●
●● ●
●●●
●
●●
●●
●
●●●●
●●
●●
●●
● ●
●●
●
●●●
●
●●
●
●●●●
●●●
●●●●●
●●
●● ●● ●
●●●
●
●
●●●●
●●●●
●●●
●● ●●
● ●
● ● ●
●● ●● ●● ● ●● ●● ●● ●
● ● ●●● ●
●●●●●
●
●●●● ●●
●
●
● ●●●
●
●●●●●
●
●●●●●●
●
● ●
●●●
●●
●
●● ●●
●● ●●
●●
●
●●●
●
●●
●●
●●
●●●
●●
●
●●●
● ●
●●●
●● ●
●
●●
●●●●
●●
● ●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●
● ●
●
●●●
●●
●●
●●
●●●
●
●●
●●
●
●●
●
●●
●
●●●
●
●●
● ●
●
●●
●
●●●
●●
●
● ●●
●●●
●
●●●●●
● ●●●●●● ●
●●● ●● ●
●●
●
●●● ●
●●●● ●●●●
● ●●● ●●
●●●●
●
●● ● ● ●●●●●● ● ●
● ●●● ●●
●● ●
●●●
●●
● ● ●●●●
●
●●● ●●
●
●●
●●● ●
●
●
●●
●● ●
●●●
●
●●
●●
●
●●●●●●●●●
●
●
●●●
● ●
●
●
●●
●
●
●●●●
●
●●●
●●
●
●
●
●
●●
●●
●
●●
●●
● ●
●●
●●
●●
●
● ●
●
●
●●
●
● ●
●●
●●
●●
●
●
●
●●
●
●●●
● ●
●●●●
●●●
●●
●●
●●
●
● ●
●●
● ●● ● ● ●
●●
●
●● ●●● ●●●
● ●●●●● ●
● ●●● ● ●
● ● ●●● ● ●●
●●●●
●●
●●● ●
●●
●
●●●
● ●●●●●
●●
●●●●
●●
● ●
●
● ●
● ●
●
●●●● ●
●●●●●●
●●●
●●
●●
● ●● ●
●●●
●●
● ●
●●●●
●●●
●●
●●
●●
●●
● ●
●
●
●●●
●
●●
●● ●
●●●
●
● ●
●●
●●
●●●
●●●
●
●
●●
●
●●●
●● ●
●
●●● ● ●
●
●●
●●● ● ●●●
●●
●
●●● ●●●
● ●●●●● ●● ●●●● ●●● ● ●●●● ●● ●
●●● ● ●
●
●●●●●
●
●
● ●
●● ●●●
●● ●●●●
●●●●
●
●●●●
●●
●●●
●●●●
●●
●●●●●
●
●
●●
● ●●●●
●
●
●
●●
●●
●●●
●
●●●
●
●
●
●●
●●
●
●●
●
●
●●
●●●●●
●●
●
●●●●
●●
● ●
●
●
●●
●●
●●
●●
●
●
●
●
●
●
●●
●
●●
●●
●
● ●
●
●
●
●●
●●
●
●
●●
●●●
● ●●
●●●●●
●
●
●
●●
●●●●
●●● ●●●●
● ●
●●●●●
● ● ●●● ● ●●●●● ●● ●● ●●
● ●●●●●
●● ● 0.01
●
● ●
●● ●● ●
●
●●●
● ●●●●
●
●●
● ●●●●●●●● ●
●●●
●● ●
●●●
●●●●●●●
●● ●●●●●●
●● ●
● ●●
●●
●●
●
● ●
● ●●
●●
● ●
●
●●
●
●● ● ●●
● ●
●●●
●
●●●● ●
●
●● ●
●● ●
●●●● ●●●
● ●
●●●●
●●●
●●●●●●●● ● ●●
●● ● ● ●
● ●
● ● ●
● ● ●● ●
● ●●● ●● ● ●
●●●●
● ●● ●●● ●
●
● ●● ● ●● ● ●●●●
●● ●
● ●●● ●●●●
● ● ●●●● ●
20
●
20
●●●●●●●● ● ● ●● ● ●
●● ●● ● ● ● ● ●●●●● ● ● ●● ●●
● ●●●● ●●
● ●
●
●
● ●●●
●
●●● ●● ●●●●●●●
●●●● ●
●●●●●
● ● ●●
●●
●●● ● ●
●
●
●
●
●●
●
●●●
●●●●●●●●●● ●
●● ●●●● ●
●●●●●
●●
●● ●●●
● ●●●●●
●
● ●● ● ●●● ●● ●●●● ●
● ●
●●● ●●
●
●● ●●●● ●●●● ●
●●
●●●●
● ●●●
● ●
●
●
●●●●● ●● ●●●●●●
●
●
●
●
●
●
●●
●
●
●
●
●●●
●
●
●●
● ●
●●●
●
●
●
●●
●
●●
●
●
●
●●● ● ●●●●
●
●●●
●
●●
●
●
●●● ●
●
●●●
●●
●
●
●●●
● ●●●●●● ●●●●● ●● ●●● ●● ●● ●● ●● ●● ●
● ● 0.004 0.006
● ●● ●●●● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ●
● ●●
●● ●●
● ●● ● ● ●
●
●
●● ●● ●●
●●●● ● ●●●●
● ● ●●● ● ●●
● ●
● ● ● ●
10
10
8 9 10 11 12 13 14 15 8 9 10 11 12 13 14 15
Prof. Caio Azevedo

0.020
0.30
densidade
densidade
0.20
0.010
0.10
0.000
0.00
10 12 14 16 18 20 40 60 80 100 120 140 160
valores valores
●
● ● ●●
● ●
140
140
●
●● ● ●● ● ●
●●● ●●●● ●●● ●
●●● ● ● ● ●● ●
variancia amostral
● ● ● ● ● ●● ●● ● ● ●
●● ● ● ● ● ● ●● ●●●● ●●● ● ●● ● ● ●● ● ● ● ●
● ● ●● ●
●● ●●●
●●●● ●●
●
●●●● ●●●●●●
●●● ● ●● ● ●
●●●●● ●● ●● ●
● ●●● ●● ●● ●
var amostral
● ●●● ●●● ●●●●● ● ●● ●

●● ● ● ●● ●●●●● ●●●
● ●●●●
●● ●●
● ●● ●
●●●●●●
● ●●
●● ●
●● ● ●●●●
● ●●●●
●● ● ● ●●
●●●● ● ●● ● ●● ●
●● ● ● ● ● ● ●
●● ●●● ● ●●● ●
●●
●●● ●
●● ● ●
●●● ● ● ● ●
●
●●● ● ●●●●●●●● ● ●●● ●● ●
●●●● ●● ●●
100
●
100
● ● ●● ●●●●● ● ● ● ●●●● ●●●●●● ●● ●

●● ●
●● ● ●●● ● ●
● ● ● ●●●● ●
●● ●● ● ●
●●●●●
●●
●●
●●●
●
●●●●●●●●●● ●
●●● ●●●
●
●
●
●●
● ●●●
●
●
●●●
●●●
● ●●
● ●
●●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●●●●●● ●
●
●
●
●
●
●
●●●
●
●
●
● ●
●
●●
● ●
●
●●
●
●●●●●●●
● ●●●● ●● ●
●●●●●●
●
● ●●●●●
●●●●●●
●● ●
0.002
● ● ●●●
● ●●● ●●
●
●●
● ●●●●
●● ●
●
● ● ●●●
●●
● ●
●●●
●
●●●
●● ●●●●●●●
● ●● ●●
●
●● ●●●
● ●●
●●
●
● ●● ● ●
●●●● ●● ● ● ●● ● ●●
●
●●●●● ●● ●●● ●● ●● ●
●● ● ●
● ● ●●●●● ●● ●
● ●● ●
●●
●● ● ●● ●●● ●● ●● ●● ●
● ●● ●● ● ●● ●
● ● ●●●● ●●●●●●●●●●
● ● ●●
● ●
●●●
●●●
●●
● ● ● ●●●
● ●
●●●●● ●
● ●●●●
●● ●●● ●
●
●
●●● ●●●●●
●●●
●●●●
●●●●●
●●●●
● ● ●●
●
●●
● ●●● ●
●●●●● ● ● ● ● 0.004
● ● ●●● ●● ●●●●
●
●●
● ●●●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
● ●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●
●●●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●●●
●
●
●●●
●●●●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●●
●●●
●
●
●
●
●
●●
●●
●
●
●●
●
●
●●●
● ●
● ●●
●
●●●
●
●
●
●●
●
●
●●
●●
● ●●
●●
●
●
●
●●
●
●
●
● ●
● ●●●●● ● ● ●● ●● ●●●
●● ●●●●●●●
● ●
● ●
●
●●
● ●
● ●●●●
●●●●
●
● ●●●
●
●●●●
●●● ●
●●
●● ●●●
● ●
●●●
●●●●●
●
● ● ●● ●
●
●
● ●
●
●●●●●●
●
●
● ●
●●●
●
● ●● ●
●●●● ●●● ● ● ●
●●●● ●
● ● ●●●
● ●
●●●
●●●
● ●●
●
●● ●●
●● ●●●
●●
●●●
●
●●●
● ●
●●
●●
●
●●●
●●
●
●
●●
●●●●●●●
●●
●
●●
●
●●
●
● ●●
●●
●
●
●●
●●
●
●●
●●●
● ●●●
●
● ●● ●
● ●
●●●
●
●●
●
●●
●●●
● ●●●●● ●●● ●●●●
●●
●●
● ●●
● ●●●●● ●● ●●● ● ● ●●● ●
●
●● ● ●● ●●
● ●●●●●
●●
●●
●●● ●●●●
● ●
●●
● ●
●●●
●●
●●●●
●●
●
●●
●●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●●
●●
●● ●●●
●●
●
●
● ●
●●
●
●
●●
●●●
●●
●●●●●
●
● ●
●●
●●
●
● ●
●●
●●
●
●
●
●
●
●
●
●●●●●●●
●● ●● ●● ●
●
●
●
●● ●
●
● ●●●
●●●
●
● ●● ●● ●●
●● 0.006
●●●●●
● ●●●●●●
●
●●●
●●
●●
● ●●●
●●
●●
●●●●●●
●● ●
●
●●●
●●
●●●
●
●●
●●
●
● ●
●
●●
●●
●
●
●
●●
●
●●
●●
●●●
● ●
●●●●
●
●●
●
●●
●●
●●
●●
●●
●
●●●
●
●●
●
●●●
●●●●
●
●●
●●
●
●●
●●
●
● ●
●●
●
● ●
●●●●● ● ●
●
● ●●●
●
● ● ●●●●● ●●●
●●● ● ●●● ●● ● ●
● ●●●●●
●●●
●●●
●
●●●●●
●
●●
●●●●
●
●●
●
●
●
●
●
●
●
●●
●●●●
●
●
●
●●
●●
●●
●
●●
●
●
●
●
●
●●●
●●
●
●
●
●●
●
●●
●
●
●
●
●●
●●
●
●
●
●●
●●
●
●
●
●
● ●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●●●●●
●●
●
●●
●
●●
●●
●●
●●
●
●
●
●
●
●●
●
●●
●
●
●●●
●
●●●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●●
●●●
●
● ●
●
●●
●●
●
●●●●
●●
●
●● ●
● ●●
●
●
●●●●● ●●● ●
● ●●●●●
● ●●● ● ● ●●●● ● ●●●●● ● ●
● ●●●●● ●●●●
● ●
●●●●●●●
●
●●●
●●
● ● ●●●●●
● ●
●●
●●
● ●● ● ●●●●● ●
● ● ●● ●● ●●
● ●●●●
60
● ● ●
60
●●
●● ● ●●● ● ● ● ●●● ● ●● ● ● ● ●
● ●●●● ●●●●●
●●●●● ●
●● ●● ●●●
● ● ●●● ●
●● ● ●●●●●● ● ●
●●● ●●● ●●
● ●
●
●●●
●
●●
●●
●
●
●
●●
●
●●
●
●
●●
●●●
●
●●
●
●
●
●
●
●●●●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●●
●●
●●
● ●
●
●
●●
●
● ●
●●
●
●●●
●
● ●
●
●
●●
●●
●
●
●
●
●
●●●
●
●●
●●●●●
●●
●
●
●●●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●●
●●
●
●●●●
●
●
●●
●●
●
●●●●
●
●●●
●● ● ●● ●●●
●●●●
●
● ● ● ●●●
●● ● ●●●●● ●●●
●
●
●●●
●●
●●
●●●
●
●●●●●●
●
●●
●●
●●
●●
●
●●
●
●●
●●
●●
●●
●●
●
●
●
●●●●
●
●
●●
●
●●
●
●
●
●●
●
●●
●●
●
●
●
●
●
●●
●●
●●
●
●
●●
●
●●
●
●
●
●
●
●●●
●
●
●
● ●
●
●
●
●●●
●
●
●
●
●
●
●
●●
●
●
●●
●
●●●
● ●
●●●
●●
●
●●
●
●
●
●
●
●●
●
●●
●●●
●
●
●●
●●
● ●
●●
●
●
●●●●
●
●●
●●
●●●●●●●● ●● ●●●
●●● ● ● 0.005
● ● ●● ● ●●●●● ●●● ●●●●●
●●●
●●●
● ●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●●
●●●●
●
●
●
●
●●
●●
●
● ●●●
●
●
●● ●
●●●●
●●●
●
●●●●
●●●
●●●●●
●
●
●● ● ●●● ● ●●
●● ●●●●●● ●
●
●
●
●●
● ●●
●● ●●●●●
● ●●●●
● ●
●●
● ●
●●●
●●
●
●●
●●
●
●
●
●●
●● ●
●
●●
●
●●
●●●
●●
●
●
●
●●
●
●●●
●●
●●●●
●
●●●●
● ●●●
●●●●
● ●●
●
●
● ●●
●
●●
●● ●
●●●●
●
● ●● ●
●●●●●● ● ●
● ●
●● ●●●●●●
●●●●●● ●●
●● ●
●
● ●
●●●
● ●
●●● ●●
● ●
●●
●
●●
●
●●●
●●●●
●
●● ●
●
●●
●●
●
●
●●
●
●●●
●
●●
●
● ●
●●
●●
●●
●●●
●
●●●
●
●●
●●
●●
●●
●●
●●
●●●
● ●●
● ●
●●●●●
●●●
●
●
●●
●●● ●●●● ●●●● ●
● ●● ● ●● ●● ●
●● ●●
●
●●
● ●
●●
●●
● ●●
●●
●
●
●
●
●●●
●●●●
● ●●●
●● ●
●
●
●●●
●
●
●●
●
●●●●
●
●
●
●
●
●
●
●
●
● ●
●●
●
●
●
●
●
●
●
●
●●●●●● ●●
●
●
● ●●● ●●●
● ● ●●● ● 0.003
●●
● ● ● ●● ● ● ● ●
●● ●●● ● ● ● ●
●
●● ● ● ● ● ●●●● ●●● ●● ●●●● ● ●● ●● 0.001
●
● ● ●●● ●● ●●●●● ●
20
20
10 12 14 16 18 10 12 14 16 18
Prof. Caio Azevedo


0.6
0.04
0.4
densidade
densidade
0.02
0.2
0.00
0.0
8 9 10 11 12 13 20 30 40 50 60 70
valores valores
● ●
● ● ●
●
60
60
● ● ● ● ●
●● ● ●● ● ●
● ● ● ●● ● ● ● ●●●
●
variancia amostral
●● ●● ● ●● ●● ●●● ● ●
● ●●●● ● ●● ● ● ●●●● ●● ●●● ●●● ●
● ● ●●●●● ● ●
●
● ● ● ●● ●● ●●● ●●●●●●
● ●●● ●●
●●●●
● ●● ● ● ●● ●●●
●● ● ● ●
●● ●●
●●●●●●●● ●●
●●●
● ●● ● ●
● ●●●●
●● ●● ●●● ● ●●●● ● ●● ●●● ● ●● ● ●●
●● ● ●● ●●
var amostral
● ●●●● ● ● ●● ●●●●●●● ●
●●● ● ● ●●
50
● ● ● ●●● ●
50
●● ●●● ● ●
●● ●●● ● ●●●● ●●
●●
●● ●●
●● ●● ●
●
●●
●●●
● ●
●●● ●●
● ●●●
● ●●●
●●●
●●●●●●●
● ●
●●●●
●●●●●●
● ●●●●
●●●●
● ●
●●●●●●
● ●● ● ●●
●●
●●●●●●
● ● ● ● ● 0.01
●●● ● ●● ●●
●●●● ●● ●
●●●
● ●● ●
●●● ●●●● ●●
● ●● ● ● ●●●●
●●
●● ●●●●● ●
●● ●● ●●
●●●●
●● ●● ●
●●●● ● ●●●●●
●● ●● ● ●
●●●
●
●●
●●
●● ●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●●●●●●●
●
●
●
●
●
●●
●
●
●
●
●●●
● ●
●
●
●
●●
●
●●
●●
●
●
●●
●●
●
●●●
●●●
● ●
●●
●●
●
●
●●
●●●
●
●●
●
●
●
●
●●
●
● ●●●
●
●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●●●● ●●
●● ●
●●●●●
●●●●●●● ●
●
●●
● ● ●●●
●
●●
● ●●
● ●● ●●
● ●● ●● ●● ●●●●●●
● ●●●
●●●
●
● ●● ●
●●
●●
●● ●●
●●
●●●
● ●● ● ●●●●●●
●● ●
●●● ●●
●
●●
●
● ●●
● ● ●
●●
●
●●●● ●●●
●
●●●●
●● ●●
●● ●●●
●●●
●● ● ●
● ●● ●●●● ●●●
●●●● ●● ●
●●●
●●●
●●
●●
●●●●●●
●●●●
●
●● ●
●
●●●
●●●
● ●
●
●
●
● ●
●●
● ●
●
●
● ●●
● ●●
●●
●●●
●●●●
●
●●
●
●●●
●●
●●
● ●
●
●●●
●●●
●●
●●
●
●●●
●●●
●●
●●●●●
●●●
●●
● ●
●● ●●●
●●
● ●
●● ●●●
●●
●●● ●●
●●●● ●●● ●●● ● ● ● 0.02 0.03
● ● ●●● ●●
●●
●●● ●
●●●●●● ●
●●
●●
●
●●●●
●
●
●
●
●
●●●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●●
● ●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●● ●
●●
●
●
●●●
●●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●●●
●
● ●
●●●●●● ●
●●●●●●●
●
●●●●●●●●●● ●● ●●●● ●●
●● ● ●●● ● ●●
● ●
●●●
●
●●
●●●●●●●●
●●
●●
●
● ●
●●
●●●
●
●●
● ●●●●
● ●
●●
● ●
● ●
●●
● ●
●● ●
●●
●●
●●●● ●●●
●●●
●●
●●●●
●● ●
●● ●
●●●●●
●●●
● ●
●●●●●● ●● ● ● ● ●●●●
●● ●●●●●● ● ● ● ●● ●● ● ● ● ●
●● ● ● ● ● ●
● ●● ● ● ● ●● ●
40
● ● ●
40
● ● ●●●●● ● ●
●●● ●
●●●
●●
● ●●
●●●●●
●●●●
●
●●
●●
●●
●●●●
●
●●
●
●
●●
●●●●
●●
●
●● ●
●
●●●
●
●●
●
●
●●
●●●
● ●
●
●
● ●●
●●●●
●
●●●
●
●●●
●●
●●
●●
●●
●●
●●●
●●
● ●
●
●●●●●
●
●●
●
●●●●●
●●●●
● ●●
● ● ●●● ● ● ●
●
●●● ●●● ●●● ● ● ● ●
●●
●● ● ●●
●●●●●● ●●●●●●●
● ●
●● ●●●
●●●
● ●● ●●●
●●
● ●
●●●
●
●●
●
●
●●
●●●
●●
●
●
●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●●●
●
●
●●
●
●
●●
●●
●●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●●
●
●●●
●●
●●
●
●●●●
●
● ●
●●
●
●●●●
●
●●●
● ●●●●●
●
●
●
●
●●
●
●●●
●●
●●
●
●●
●
●
●
●●●●
●●●
●●●
●●
●●●● ●●●
●
● ●
●●●●
●●
●●●●
●●●● ●●●●●● ● ●● 35
●
●● ●● ●● ●●
● ●
●●●● ●●●● ●
●●●● ●
●●●
●●
●●
●
● ● ●
●●●
●
●●
●●
●
●●●●●●
●●
●
●●
●●●●
●●
●
●●
●●●
●
●●
●●
●
●●●●
●●●
●
●●●
●
●
●●●●
●●
●●
●●●●●●●
●
●●●
●● ●
●
● ●● ●
● ●●● ●
●
●●●
● ●●● ●
●●●●●●●●
●● ●● ●●●●● ● 0.0
● ●●●●●● ●●
●●
● ●●●●●
● ● ●●●
●
●●●
●●
●
●
●●
●●
●
● ●●
●
●
●●●
●
●●●
●
●●●●●●
●●
●
●
●
●
●
●
●●
●
●
●●
●●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●●
●
●●●
●
●
●●●
●●
●●
●●●●
●
●
●
●
●
●
●
●●
●
●
● ●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●●
●
●●●
●
●
●
●●●
●
●
●
● ●
●●
●●●
●●●●●●●● ● ●●●●● ●
●● ● ● ●● ●
●●●●●
●
● ● ●●●●
●●
●●●●
● ●●● ●●●●●●●
●●
● ●●●
●
● ● ●
●●●
●●
●●●●●
●●
●
●● ●●
●●
●
● ●●
●
●●
●●
●●
●●●
● ●●●● ●●●●●●●●●
●
● ● ●●
●●
● ●● ●● ●●
●
● ●●●●●● ● ●
●
●●●
●
●
●
●●●●
●
●
●● ●●●
●●
●
●●●
●
●●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●●
●●
●
●
●●●
●
●●
●●
●●●
●●
●
●●●
●
●
●●●
●
●
●
●
●
●
●
●
●
●●● ●●
●●
● ●●●●●●●
●● ●● ●●
●●● ●
●● ● ● ●
●●● ● ●●●●●●●●●●
● ●
●●● ●
●●●
●●● ●●
●● ●●●
●
●●
●
●●
●●
●● ●●●
● ●●●
●●●●
●●
●
● ●
●
●
●●
●
●
●●
●
●
●●
●
●●● ●●
●●
●
●●
●
●
●●
●
●
●● ●
●
●
● ●
●●● ●●
●●
●
●●
●
● ●●● ●
●●●
● ● ● ● ●
●●● ●● ●● ●●●● ●●● ● ● ● 0.025
●●●●●●●●●● ●●● ● ●●●●●
●●
● ●●●●
● ●●
●●●● ● ●● ●● ●
●●
●●●● ●●●●●●●● ●
30
30
●●
●
● ● ●
●●●●●
●●●●●●●● ●●●
● ●
●●●
● ● ●●
●●
●●
●●
●●●●●●●●●
●●●●
●●● ●● ● ●
●●●● ●● ●● ●
● ● ●●●● ● ●●●●●●● ●
●●
●●●●●
●●●
●●
●●●●
● ●
●●●●
●● ●● ●●
●●
●
●●●
●●●
●●●
● ●
●
●●●
● ●●
●
●●●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●●
●●●
●●
●
●
●●
●
●
● ●●
●● ●●
●●
●
●●
● ●
●
●●●
●
●
●●●
● ●●
● ●●
● 0.015
●● ● ● ●
● ●●●●●● ● ●
● ●● ●●● ● ●
●●● ● ● ●●●● ● ● ●
● ●
●
●
● ●●●● ●●
●●●●●● ● ●● ● ● ●● ●●●● ●●●●●
●●● ● ●● ●● ● ● ●
● ●●
● ●
●● ●●●●●● ●●●
● ●●● ● ●●● ●
● ● ● ●● ● 0.005
● ● ●●●
●●●●● ●● ●●
●
●
●●●●● ●
●
● ●● ● ●● ●
●●●● ● ● ●
● ● ● ● ●●● ● ● ●●● ●
●
20
20
● ● ●
●
9 10 11 12 13 9 10 11 12 13
Prof. Caio Azevedo

Resumo
Queremos estimar θ relativo ou não à F (, θ). Para isso, dispõe-se de

uma amostra observada de F (; θ).
Define-se um estimador θ,
b eg, máxima verossimilhança, momentos,
mı́nimos quadrados. Sejam Var(θ)

b e EP(θ)
b a variância e o
erro-padrão desse estimador (se conhecidas).

Paramétrica (usando-se F (; θ))
e ou não parametricamente (usando a
fda empı́rica da amostra observada), simula-se R vezes valoes,

xr 1 , ..., xrm .
Em cada uma das r amostras, calcula-se θe1∗ , ..., θeR∗ , estimativas
bootstrap.
Prof. Caio Azevedo
Resumo cont.
PR
Estimativa (refinada) bootstrap θe∗ = R1 r =1 θer∗
q
Definimos Var
g B (θ)b = 1 PR (θe∗ − θe∗ )2 e EP f B (θ)
b = Var
g B (θ),
b
R−1 r =1 r
estimativas bootstrap para variância e o erro-padrã do estimador em

questão.
Prof. Caio Azevedo

Intervalos de confiança
Usar o erro-padrão bootstrap, sob a suposição de normalidade

(mesmo assintótica) do estimador utilizado.
(θb − z 1+γ EPB (θ),

b θb + z 1+γ EPB (θ))
b
2 2
1+γ
P(Z < z 1+γ ) = 2 ,Z ∼ N(0, 1), EPB () erro-padrão bootstrap
2
(estimativa).
Usar quantis empı́ricos das estimativas bootstrap.
(κ 1−γ , κ 1+γ ),
2 2
κα quantil de ordem α das estimativas bootstrap.

Prof. Caio Azevedo
Exemplo: Poisson
Dados relativos ao número de acidentes em um ano em 20

autoestradas estadunidenses.
x = (1, 2, 5, 0, 3, 1, 0, 1, 1, 2, 0, 1, 8, 0, 5, 0, 2, 1, 2, 3).
Objetivos, fazer inferências sobre µ e θ = σµ .

√
Considere µb = X, σb = S 2 = S e θb = XS .
s 2 = 4, 31.
Há indı́cios de superdispersão x = 1, 90 < e
Prof. Caio Azevedo

Frequências relativas e observadas
Frequencias relativas esperadas e observadas

0.30
● ●
Observada
●
●
Esperada
0.25
0.20
frequencia relativa
●
0.15
●
0.10
0.05
●
0.00
0 1 2 3 5 8
numero de acidentes
Prof. Caio Azevedo

Distribuição empı́rica do estimador
Histogram of v.mu.r
0.8
0.6
densidade
0.4
0.2
0.0
0.5 1.0 1.5 2.0 2.5 3.0 3.5
valores
Prof. Caio Azevedo

Resultados
Estimativas intervalares e pontuais
Método Estimativa EP IC(95%)
Assintótico 1,90 0,31 [1,30;2,50]

Assintótico com EP bootstrap 1,90 0,46 [1,01;2,79]
Bootstrap 1,91 0,46 [1,10;2,80]
Prof. Caio Azevedo

Teste de Hipótese
Estabeleça as hipóteses de interesse H0 , H1 .

Escolha uma estatı́stica do teste (digamos T) apropriada.
Observação: Não é necessário conhecer a distribuição da estatistica
sob H0 .
Calcule o valor observado da estatı́stica tobs .
Gere R amostras da distribuição sob H0 .
Para cada amostras, calcule tr∗ , r = 1, ..., R.
Calcule a proporção de vezes que os valores tr∗ foram “mais
extremos” que tobs .
Rejeite H0 de acordo com o nı́vel de signficância α.
Prof. Caio Azevedo
Observação
“Mais extremo”, depende de H1 .
Para H0 : θ = θ0 vs H1 : θ < θ0 , mais extremo signfica menor.
Para H0 : θ = θ0 vs H1 : θ > θ0 , mais extremo signifca maior.
Para H0 : θ = θ0 vs H1 : θ 6= θ0 , mais extremo significa

|bootstrap| > |observado|.
Prof. Caio Azevedo

Cont. Exemplo: Poisson
Suponha que queiramos testar H0 : θ = θ0 vs H1 : θ 6= θ0 , θ é a

média da Poisson.
X −θ0
Definse a estatı́stica T = √ . Valor observado t = −0, 324 (para
X /n
θ0 = 2).
Gera-se R vezes amostras (bootstrap não paramétrico) e calcula-se

T para cada amostra t1∗ , ..., tR∗ .
11(|tr∗ |>|t|) 11(|tr∗ |>|t|)+1
PR PR
Dois p-valores p1 = r =1
R e p2 = r =1
R+1 .
p1 = 0, 7642 e p2 = 0, 7642.
Prof. Caio Azevedo

Teste de ajuste à uma distribuição
Seja X = (X1 , ..., Xn ) uma amostra iid, supostamente de X ∼ F ().

Seja F1 () uma outra FDA.
Para H0 : F = F1 vs H1 : F 6= F1 .
Repetir o processo acima usando a estatı́stica

D = max(Fbn (x) − F (x)), em que Fbn () é fda empı́rica.
Outas estatı́sticas podem ser usadas.
No exemplo da Poisson, H0 : F ∼ Poisson(1, 9), p1 = 0, 5526 e

p2 = 0, 5527
Prof. Caio Azevedo

Exemplo: Correlações entre notas, Matemática e Música
Dados relativos as notas de n = 12 crianças em testes de

Matemática e música.
Matemática: x = (60, 58, 73, 51, 54, 75, 48, 72, 75, 83, 62, 52).
Música: y = (80, 62, 70, 83, 62, 92, 79, 88, 54, 82, 64, 69).
Objetivos, fazer inferências sobre ρ = correlação(X , Y ).
Testes paramétricos baseados na correlação de Pearson amostral e

testes não-paramétricos baseados nas correlações de Kendall e
Spearman.
Prof. Caio Azevedo

Histograma das amostras bootstraps
correlacao amostral
1.2
1.0
0.8
densidade
0.6
0.4
0.2
0.0
−0.5 0.0 0.5 1.0
valores
Prof. Caio Azevedo

Resultados
Estimativas intervalares e pontuais: ρe = 0, 169(0, 300).
Método IC(95%)
Normal [-0,422; 0,754 ]

Básico [-0,365; 0,808 ]
Percentil [-0,470;0,703 ]
BCa [-0,572;0,652]
Prof. Caio Azevedo

Teste de nulidade H0 : ρ = 0 vs H1 : ρ 6= 0
p-valores: 0,5992(Pearson) ; 0,6793 (Kendall) ; 0,6635 (Spearman).

√
p-valor bootstrap via estatı́stica ρe√ n−2 : 0,7250.
1−e
ρ
Prof. Caio Azevedo

Exemplo: Modelo linear generalizado
Seja Yi ∼ gama(µi , φ), i = 1, ..., n, independentes,

E(Yi ) = µi = exp(X0i β), V(Yi ) = µi
φ .
Estimar (β, φ).
Hipóteses de interesse H0 : βj = 0 vs H1 : βj 6= 0; H0 : φ = 1 vs
H1 : φ 6= 1.
Conjuntos de dados relativos ao desempenho de 5 tipos de turbina

de avião. Tempo (em unidade de milhões de cilcos) até a perda de
velocidade.
Prof. Caio Azevedo

Boxplot dos dados das turbinas
●
25
20
15
tempo
●
10
5
1 2 3 4 5
tipo de turbina
Prof. Caio Azevedo

Análise descritiva
Medidas descritivas.
Tipo Média DP CV(%) Min Max
1 10,69 3,27 30,58 3,03 16,84

2 6,05 2,46 40,66 3,19 12,75
3 8,64 2,94 34,03 3,46 13,41
4 9,80 3,13 31,95 5,88 25,46
5 14,71 3,83 26,08 6,43 21,51
Prof. Caio Azevedo

Análise Inferencial
Modelo: Yij ∼ gama(µi , φ), i = 1, 2, 3, 4, 5, j = 1, 2, ..., 10
µi = µ + αi , α1 = 0
Prof. Caio Azevedo

Análise Inferencial
Estimativas de máxima verossimilhança.
Parâmetro Est. EP Wald p-valor (t)
µ 2,37 0,14 16,42 < 0,0001

α2 -0,57 0,20 -2,79 0,0076
α3 -0,22 0,20 -1,05 0,3006
α4 -0,09 0,20 -0,43 0,6704
α5 0,32 0,20 1,56 0,1254
φe = 5, 81(1, 13), [3, 59; 8, 01]
Prof. Caio Azevedo

Análise Inferencial Bootstrap
Estimativas de máxima verossimilhança (bootstrap).
Parâmetro Est. EP IC(%95)
µ 2,36 0,15 [2,04;2,62]

α2 -0,58 0,21 [-0,96;-0,16]
α3 -0,22 0,19 [-0,58;0,18]
α4 -0,10 0,23 [-0,51;0,38]
α5 0,32 0,18 [-0,02;0,68]
φe = 6, 85(1, 73), [4, 52; 11, 19]
Prof. Caio Azevedo

Verificação do ajuste do modelo
Resı́duos componente do desvio: sob as validades do modelo devem

apresentar distribuição aproximadamente normal padrão.
Comparar os quantis dos resı́duos, com os resı́duos teóricos da

N(0,1).
Visualmente, muitas vezes, é complicado avaliar a proximidade dos

quantis.
Solução: criar bandas de confiança empı́ricas.
Prof. Caio Azevedo

Gráfico QQplot
Normal Q−Q Plot
3
●
2
●
● ● ●
●
1
●
●●●
Componente do Desvio
●●
●●
●●
●●
●●
●●●
0
●
●●
●●
●
●●
●●●●
●●●●●
●●
−1
●●
● ●●
●
●
−2
●
−3
−4
−2 −1 0 1 2
Percentis da N(0,1)
Prof. Caio Azevedo

Procedimento para a construção do gráfico de envelope
1 Ajustar o modelo de regressão, obtendo as estimativas β,

e φe e os
resı́duos componente do desvio, r1 , ..., rn .
2 Com as estimativas originais, obtidas no passo 1, gerar n valores,

Y1∗ , ..., Yn∗ , ajustar novamento o modelo de regressão e calcular os
resı́duos componenente do desvio.
3 Repetir o passo 2, m vezes, obtendo-se assim,

rij∗ , i = 1, ..., n; j = 1, ..., m
4 Colocamos cada grupo de n resı́duos em ordem crescente,

∗
r(i)j , i = 1, ..., n; j = 1, ..., m
Prof. Caio Azevedo

Continuação
∗ ∗
1 Para cada um dos m grupos, obtemos os limites r(i)I = minj r(i)j e
∗ ∗
r(i)S = maxj r(i)j . Assim, os limites correspondentes ao i-ésimo
∗ ∗
resı́duo serão dados por r(i)I e r(i)S .
Prof. Caio Azevedo

Gráfico QQplot com bandas de confiança
Normal Q−Q Plot
2
●
● ● ●
●
1
●●
●●
Componente do Desvio
●●
●●
●●
●●
●●
●●
0
●●
●●
●●
●
●●
●●●
●●
●●●●
●●
−1
●●
● ●●
●
●
−2
●
−3
−2 −1 0 1 2
Percentis da N(0,1)
Prof. Caio Azevedo


Training Exercises

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Training Exercises

Enviado por

Direitos autorais:

Formatos disponíveis

Motivação Exemplos Exemplos

Prof. Caio Azevedo

Prof. Caio Azevedo

Seja X = (X1 , ..., Xn ) uma amostra iid de X ∼ F (, θ), θ ∈ Θ pode

Seja x = (x1 , ..., xn ) os valores observados da amostra definida

Estimador : θb = f (X), estimativa :θe = f (x).

Prof. Caio Azevedo

Estimadores para a variância Var

Estimativas para a variância Var

Prof. Caio Azevedo

Seja X1 , ..., Xn uma amostra iid de X ∼ N(µ, σ 2 ), (µ, σ 2 )

Prof. Caio Azevedo

Seja X1 , ..., Xn uma amostra iid de X ∼ N(µ, σ 2 ), (µ, σ 2 )

Dispomos de valores observados relativos à uma amostra selecionada

Estimadores ótimos (consistentes e não-viciados),

Prof. Caio Azevedo

Podemos constuir intervalos de confiança (IC) e testar hipóteses de

Mesmo que X1 , ..., Xn não tenham distribuição normal

Questão: suponha que queremos fazer inferência com respeito à

Prof. Caio Azevedo

Qual a distribuição exata de θ?

associado à este estimador?

Podemos obter uma aproximação empı́rica (não assintótica) de θb

Replicas de Monte Carlo.

Prof. Caio Azevedo

Com base na amostra observada x, estima-se µ e σ 2 através do

Com as estimativas µ e2 , gera-se R vezes amostras de tamanho

Para cada conjunto r de valores simulados, calcula-se

Assim, os valores θe1∗ , ..., θeR∗ serão uma amostra aleatória de θ.

Prof. Caio Azevedo

Uma estimativa da variância do estimador proposto é

Quantis empı́ricos podem ser obtidos através de um dos algoritmos

Prof. Caio Azevedo

n = 10 m = 10 media = −0.09 dp = 183.54 n = 30 m = 30 media = 8.37 dp = 164.02

n = 50 m = 50 media = 3.37 dp = 9.24 n = 100 m = 100 media = 1.91 dp = 0.44

−200 −100 0 100 200 300 400 2 4 6 8 10

Prof. Caio Azevedo

1.5 2.0 2.5 3.0 1.6 1.8 2.0 2.2 2.4

Prof. Caio Azevedo

Suponha uma amostra aleatória de uma distribuição beta(a,b).

Com base na amostra observada x, estima-se a e b através do

Para cada conjunto r de valores simulados, calcula-se

Assim, os valores θe1∗ , ..., θeR∗ serão uma amostra aleatória de θ.

Prof. Caio Azevedo

n = 10 m = 10 media = 1.16 dp = 0.29 n = 30 m = 30 media = 1.44 dp = 0.22

n = 50 m = 50 media = 0.99 dp = 0.1 n = 100 m = 100 media = 1.25 dp = 0.09

0.8 1.0 1.2 1.4 1.0 1.2 1.4 1.6

Prof. Caio Azevedo

Prof. Caio Azevedo

Sob a suposição de um modelo paramétrico F (, θ) e com a amostra

tamanho m (m ≤ n) da amostra x = (x1 , ..., xn ).

Para cada amostra r r = 1, ..., R obtem-se a estimativa desejada θer∗ .

Prof. Caio Azevedo

Suponha agora que não conhecemos a distribuição (mesmo uma boa

Não queremos fazer nenhuma suposição a respeito da distribuição.

Caso conheçamos ou queiramos fazer alguma suposição, por algum

Prof. Caio Azevedo

Seleciona-se R vezes uma amostra aleatória (com reposição) de

Para cada amostra r r = 1, ..., R obtem-se a estimativa desejada θer∗ .

Bootstrap paramétrico: conhecemos a distribuição dos dados F e

Bootstrap não-paramétrico: não conhecemos a distribuição dos

Prof. Caio Azevedo

Amostras Bootstrap Não-paramétrico Normal (1)