Beruflich Dokumente
Kultur Dokumente
IE - Departamento de Estatstica
Projeto Reuni
software R
Relatorio Final
Braslia
4 de fevereiro de 2011
Sumario
1 Introducao 4
3.5 Esperanca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4 Inserindo dados 26
5 Tabelas 29
6 Medidas Descritivas 30
7 Graficos 35
8 Simulando dados 42
9 Amostragem 46
10 Teste de Hipoteses 47
1 Introducao
p(x1 ), p(x2 ), ..., p(xn ), ... .Define-se, entao, uma v.a X por ser uma funcao, no
4
2.1 Funcao de Probabilidade
e a funcao (xi , p(xi )), que a cada valor de xi associa a sua probabilidade de ocor-
rencia, isto e,
p(xi ) = P (X = xi ) = pi , i = 1, 2, ...
dada por:
F (x) = P (X x)
dbinom(x, size).
r: gera uma amostra pseudo-aleatoria da distribuicao por meio de rbinom(n, size, prob).
P (X = 1) = p e P (X = 0) = 1 p = q
P (X = x) = px q 1x
tentativa tem como resultado apenas duas possibilidades: sucesso (p) ou fra-
n!
b(k; n, p) = P (X = k|n, p) = pk q nk
k!(n k)!
Obs.: Os tipos de variaveis que podem ser representados pelos modelos dis-
a)P (X = 0)
> dbinom(0, 3, 0.5)
[1] 0.125
b)P (X = 1)
> dbinom(1, 3, 0.5)
[1] 0.375
c)P (X < 3) = P (X 2) = P (X = 0) + P (X = 1) + P (X = 2)
> pbinom(2, 3, 0.5)
[1] 0.875
d) Calcular P (1 < X 2) = P (X = 2)
[1] 0.375
[1] 2
1;0.375 2;0.375
0.35
0.30
0.25
fx
0.20
0.15
0;0.125 3;0.125
x
Figura 1: Grfico funo de densidade
1.0
0.8
0.6
Fx
0.4
0.2
x
Figura 2: Grfico Distribuio Acumulada
desde o ultimo evento e, ainda, esses eventos devem ocorrer com uma taxa me-
dia conhecida, ,(ou desconhecida, sendo que nesse caso a taxa e estimada). .
e ()k
P (X = k) = ; k = 0, 1, ..., n; > 0
k!
onde = np. Obs.: Os tipos de variaveis que podem ser representados pelo
modelo discreto Poisson sao: dados que representam a ideia de contagem, como
o numero de clientes que chegam em uma loja, ou o numero de chamadas em
planta.
radioativas. Considere o uranio 238(U 238 ), por exemplo. Cada nucleo de U 238
com parametros n e p, este dado pelo valor acima. Logo, estamos numa situacao
a)Calcular P(N=0).
> dpois(0, 3.7)
[1] 0.02472353
b) Calcular P(N=2).
> dpois(2, 3.7)
[1] 0.1692325
c) Calcular P (N 2)= P (N = 0) + P (N = 1) + P (N = 2)
> dpois(0, 3.7) + dpois(1, 3.7) + dpois(2, 3.7)
[1] 0.2854331
[1] 0.2854331
intervalo de numeros reais. Qualquer funcao f, que seja nao negativa e cuja area
total sobre a curva seja igual a unidade, caracterizara uma v.a. contnua.
Z b
P (a X b) = f (x)dx
a
Verifica-se, entao, que a f(x) e um indicador da concentracao de probabili-
dade nos possveis valores de X e que a area sob a curva entre dois pontos fornece
quaiquer,
P (a X b) = F (b) F (a)
Z x
F (x) = P (X x), < x < F (x) = f (t)dt
dF (x)
F 0 (x) = = f (x)
d(x)
Obs.: Alguns exemplos de v.a. contnuas sao: peso, altura, tempo de vida da
luz.
metros):
d: calcula a densidade de propabilidade f(x) no ponto. O comando usado e
1).
por:
1
, se x
f (x; , ) =
0 , caso contrario
Uniforme no R:
1.4
1.2
1.0
y
0.8
0.6
1 , se 1/2 u 1/2
f (u) =
0 , caso contrario
Nessa situacao temos que a f.d.a. e dada por
0 , se u 1/2
F (u) = u + 1/2 , se 1/2 u 1/2
1 , se u > 1/2
No R podemos calcular:
[1] 1
[1] 0
f (0.6) = 1.
b)P (U .25)
> punif(0.25, min = -0.5, max = 0.5)
[1] 0.75
c)O quantil
> qunif(1, min = -0.5, max = 0.5)
[1] 0.5
+ max = 0.5)
[1] 0.5
e)Gerar uma amostra pseudo-aleatoria de 3 elementos da uniforme U
(.5, .5).
(x)2
n
f (x; , 2 ) = 1 e 2 2 , se x
2
Z y
F (y) = f (x; , 2 )dx , y < (1)
0, s2 = 1).
tem-se
> dnorm(-1)
[1] 0.2419707
Outra forma de calcular esse valor seria substituir x por -1 na expressao da
[1] 0.2419707
> pnorm(-1)
[1] 0.1586553
> qnorm(0.975)
[1] 1.959964
padrao. Observe que os valores obtidos por esse comando podem variar a cada
comando executado.
> rnorm(10)
semente, ou seja, um ponto de incio que pode ser qualquer valor inteiro positivo.
> set.seed(577)
> rnorm(10)
seja:
a) P (X 10000)
[1] 0.5
b) P (X 10000)
[1] 0.5
ou simplesmente por
[1] 0.5
c) P (12000 X 15000)
[1] 0.09078216
d) P (X > 20000)
[1] 1.308398e-11
cada um desses se calcula o valor das funcoes f (x) e F (x). Depois une-se os
0.8
0.6
Fx
fx
0.00010
0.4
0.2
0.00000
0.0
x x
Figura : Grfico da Densidade
Figura : Grfico da Funo de Distribuio Acumulada
0.00010
0.00000
x
Figura : Grfico da Densidade
1 t
e
, se t0
f (t; ) =
0 , se t < 0
considerado uma v.a. com distribuicao exponencial com = 500. Segue-se que
mais do que a media e P (T > 500)=?. Para ilustrar o uso do R podemos obter
ou seja, por integracao numerica temos que criar uma funcao com a expressao
+ return(fx)
+ }
[1] 0.3678794
0.0020
0.0015
0.0010
fx
0.0005
0.0000
x
Figura : Grfico da Funo de Densidade
3.5 Esperanca
n
X n
X
E(X) = xi P (X = xi ) = xi pi
i=1 i=1
n
X
E[h(X)] = h(xi )p(xi )
i=1
Ja para uma v.a. contnua e sua funcao de densidade p(x), a esperanca
Z
E[h(X)] = h(xi )p(xi )
Z
E[X] = xf (x) =
0
e a variancia e
Z
V ar[X] = (x E[X])2 f (x)dx = 2
0
Verificando:
+ return(ex)
+ }
> ex
[1] 500
+ return(vx)
+ }
> vx
[1] 500
comando data() gera uma listagem com os bancos de dados disponveis para os
pacotes carregados.
Os dados podem ser digitados, e para isso deve-se criar um objeto de classe
?read.table
Moretin. Para entrar com esses dados deve-se usar o comando data.f rame, pois
nome de cada variaveis. Para isso, basta clicar no nome da variavel e escolher a
clicar duas vezes no nome da variavel e digitar o nome. Precisa-se, ainda, in-
formar para o programa que as variaveis codificadas nao sao numericas e sim
Por fim, apos digitar os dados pode-se visualiza-los digitando milsa e conserta-
los, caso necessario, por meio do comando fix(milsa). Apos digitar as variaveis
Apos a entrada dos dados precisa-se definir uma variavel unica idade a partir
das variaveis ano e mes que forma digitadas. Nesse banco de dados e conveniente
fazer:
> head(milsa)
de dados.
usa-se, respectivamente:
> names(milsa)
> dim(milsa)
[1] 36 8
5 Tabelas
lutas quanto as relativas por linha com duas casas decimais. Para essa aproxi-
> civ.gi.tab
casado 5 12 3
solteiro 7 6 3
fundamental 7 2 2 1
medio 1 7 5 4
superior 0 0 2 4
Por fim, fez-se uma tabela entre as variaveis qualitativa (grau de instrucao)
e qualitativa (regiao).
fundamental 3 4 5
medio 7 5 6
superior 2 2 2
6 Medidas Descritivas
A analise dos dados pode ser feita por meio de medidas de posicao, medidas
+ max(table(milsa$instrucao))]
> instrucao.moda
[1] "medio"
> levels(milsa$instrucao)[median(as.numeric(milsa$instrucao))]
[1] "medio"
media.
[1] 2
[1] 1.65
As medidas de dispersao buscam medir a variabilidade de um conjunto de
O comando summary e uma funcao generica muito util. Essa e usada para
variavel numerica, obtendo as seguintes medidas: Min. 1st Qu. Median Mean
e maximo, amplitude total, media, desvio padrao, variancia e, por fim, usa-se o
comando summary.
[1] 22.3
> mean(milsa$salario)
[1] 10.74194
> sd(milsa$salario, na.rm = T)
[1] 4.843526
> var(milsa$salario)
[1] 23.45975
> summary(milsa$salario)
A funcao tapply aplica a funcao desejada para cada grupo de valores dados
por uma unica combinacao dos nveis de certos fatores de um banco de dados.
vamente.
$fundamental
$medio
$superior
[1] 0.4106862
7 Graficos
a outra arbitraria, porem igual a todas as barras. Essas barras sao dispostas
+ "Sup"))
15
0.46
10
0.69 0.23
5
Fundamental
Mdio
Superior
0
0.30
6
0.25
5
Frequncia Absoluta
Frequencia Relativa
0.20
0.15
0.10
2
0.05
0.00
0
0 1 2 3 5 0 1 2 3 5
Filhos Filhos
Alem do grafico em barras, pode-se fazer um grafico de dispersao, unidimensio-
Frequncia Acumulada
15
10
1 2 3 4 5
Filhos
O box plot e um dos mais usuais graficos da estatstica. Esse grafico re-
ao terceiro quartil, indicando que acima desse ponto situam-se 25 % das obser-
vacoes e, abaixo, 75 %.
relacao dos demais, que sao os valores muitos altos ou muitos baixos, denomina-
dos outliers. Alem disso, pode-se fazer diversos boxplot em um unico grafico, o
Obs.: Tanto o grafico em barras como o histograma fornecem uma ideia de como
15
20
Frequncia
15
10
10
5
5
0
0 5 10 15 20 25
Salrio Salrio
vel, mas a grande vantagem desse grafico e que nao se perde informacao sobre os
Quando se tem muitas folhas em cada ramo, pode-se duplicar os ramos, onde
dados.
> stem(milsa$salario)
0 | 0
2 |
4 | 0637
6 | 379446
8 | 15791388
10 | 5816
12 | 08268
14 | 7
16 | 0263
18 | 84
20 |
22 | 3
seu histograma.
> dados <- c(53, 70.2, 84.3, 69.5, 77.8, 87.5, 53.4, 82.5, 67.3,
+ 54.1, 70.5, 71.4, 95.4, 51.1, 74.4, 55.7, 63.5, 85.8, 53.5,
+ 64.3, 82.7, 78.5, 55.7, 69.1, 72.3, 59.5, 55.3, 73, 52.4,
+ 50.7)
> quantile(dados)
5 | 1123344
5 | 566
6 | 044
6 | 79
7 | 0011234
7 | 89
8 | 334
8 | 68
9 |
9 | 5
> hist(dados, freq = TRUE, ylab = "Frequ^
encia", xlab = "Pecas de Alumnios",
+ main = "Histograma")
Histograma
10
8
Frequncia
6
4
2
0
50 60 70 80 90 100
Peas de Alumnios
8 Simulando dados
1- Distribuicao Contnua
> mean(aaa)
[1] -0.02986135
> var(aaa)
[1] 0.7819218
> median(aaa)
[1] -0.1035376
> sd(aaa)
[1] 0.8842634
> range(aaa)
> summary(aaa)
no histograma.
Histograma
15
10
Frequncia
5
0
2 1 0 1 2
Nmeros aleatrios
Figura : Histograma de Nmeros Aleatrios de uma Distribuio Normal
> stem(aaa)
-1 | 96
-1 | 43220
-0 | 987766655
-0 | 44432211111100
0 | 112234
0 | 566779
1 | 01233
1 | 789
b) Exponencial
o diagrama de dispersao.
> aaa <- rexp(500)
> mean(aaa)
[1] 0.9095183
> var(aaa)
[1] 0.8742256
> median(aaa)
[1] 0.596399
> sd(aaa)
[1] 0.9350003
> range(aaa)
> summary(aaa)
200
5
150
Observaes
Frequncia
3
100
2
50
1
0
9 Amostragem
cfico com ou sem reposicao, dado uma entrada de dados. O comando usado e
> x
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
[1] 1 18 12 15 4 10 5 17 6 16 8 7 2 9 14 19 13 20 11 3
[1] 13 8 1 17 1 1 6 18 6 11 3 8 6 2 5 9 9 19 3 2
[1] 1 1 1 0 0 0 0 0 1 0 0 1 0 0 0 1 1 1 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 0 0 1 1
[38] 1 1 1 0 0 0 0 1 1 1 0 1 1 0 0 1 1 1 1 0 1 1 1 0 0 1 0 0 1 1 1 1 0 1 0 1 1
[75] 0 1 1 1 1 1 0 0 1 0 0 0 1 1 1 0 0 0 0 0 1 0 1 0 1 0
> sample(x, 5)
[1] 20 19 8 12 18
10 Teste de Hipoteses
cida.
11 Teste para a Media e Proporcao Populacio-
nal
calculos e supondo que a nossa amostra aleatoria seja representada pelo vetor de
Pn 2
2 i=1 Xi2 nX
S =
n1
ria como,
X X
T = q = S
S2
n
n
se uma certa molestia que ataca o rim altera o consumo de oxigenio desse orgao.
Para indivduos sadios, admite-se que esse consumo tem distribuicao Normal
com media 12 cm3 por min. Os valores medidos em cinco pacientes com a
molestia foram: 14,4; 12,9; 15,0; 13,7 e 13,5. Qual seria a conclusao ao nvel de
1 % de significancia?
data: x
13.89514 13.90486
sample estimates:
mean of x
13.9
Nesse caso tem-se uma amostra independente X1 ...Xn e objetiva-se verificar
crtica. Assim,
Por esse resultado, percebe-se que tobs RC, logo rejeita-se a hipotese nula,
S S
IC(, ) = X t 2 ; X + t 2
n n
encontrado nao inclui o valor 12 para , que foi estabelecido na hipotese nula,
rejeita-se H0 .
usar o p-valor;
H0 : = 8, 0
Hipoteses =
H1 : 6= 8, 0
4
a estatstica de teste; onde X N (, 10 ) e a regiao crtica, RC e dada por:
= P (X RC| = 8.0)
forma:
> v <- sqrt(0.4)
> v
[1] 0.6324555
> a
[1] 6.810984
> b
[1] 9.189016
> x = c(9.1, 9.3, 7.2, 7.5, 13.3, 10.9, 7.2, 9.9, 8, 8.6)
> mean(x)
[1] 9.1
Calculando a media amostral obtem-se que Xobs = 9.1. Como este valor nao
companhia afirma que 40% de toda a agua obtida, atraves de pocos artesianos
dizem que a proporcao e maior, outros que e menor. Para dirimir as duvidas,
400 pocos foram sorteados e observou-se, em 120 deles, agua salobra. Qual seria
a conclusao, ao nvel de 3% ?
nordeste. Essa proporcao sera representada por p. Entao, o teste bilateral sera:
H0 : p = 0.4
Hipoteses =
Ha : p 6= 0.4
buicao pode ser aproximada pela distribuicao Normal, ou seja, p N (p, p(1p)
n )
e a regiao crtica desse teste e RC = {x<|x < pc1 ou x > pc2 } Logo, para
0.03
= 0.015 = P (p < a|H0 )
2
p 0.4 a 0.4
=Pq < q
0.24 0.24
400 400
0.453}.
> v <- sqrt(0.24/400)
> v
[1] 0.02449490
> a
[1] 0.3468461
> b
[1] 0.4531539
Calculando o pd
obs :
> p
[1] 0.3
Como pd
obs = 0.3 pertence a RC, ha evidencias estatsticas suficientes de que
0.2516625 0.3531082
sample estimates:
0.3
12 Comparacao de Medias - Teste t pareado
saber como os dados estao dispostos, pois conforme a forma dos dados toma-se
um procedimento diferente. Esse fato ficara mais claro conforme for avancando
na leitura dos topicos abaixo. Por exemplo: se os dados forem pareados, usa-se
essas observacoes sao pareadas, ou seja, ha uma amostra aos pares (X1 , Y1 ), ...,
2
para o i-esimo indivduo. Se para i = 1, ..., n, tem-se Di N (D , D ). Logo,
H0 : D = 0
Hipoteses =
H1 : D 6= 0
2 2
de D , estima-se esse por SD e obtem-se:
Pn
2 D)2
i=1 (Di
S =
n1
A estatstica do teste e dada por:
D D
T = SD
n
modelo com mais de 8 anos de uso e, apos regulagem de seus motores, verifica
uma mesma unidade amostral e,a assim, e razoavel assumir que exista alguma
interesse em duas ocasioes, para cada uma das unidades amostrais, pretende-se
veculo(pag.296).
Os valores observados,em km/l, junto com as diferencas Di , para os 12
automoveis sao
> y = c(11.6, 8.8, 9.9, 9.5, 11.6, 9.1, 10.6, 10.8, 13.4, 10.6,
+ 10.5, 11.4)
> x = c(8.1, 7.9, 6.8, 7.8, 7.6, 7.9, 5.7, 8.4, 8, 9.5, 8, 6.8)
> d = y - x
> d
[1] 3.5 0.9 3.1 1.7 4.0 1.2 4.9 2.4 5.4 1.1 2.5 4.6
variaveis x e y e testa se
H0 : D = 0
Hipoteses =
H1 : D > 0
2
Com os dados obtem-se o Dobs = 2, 9 e estima-se D por s2Dobs = 2, 4.
> mean(d)
[1] 2.941667
> var(d)
[1] 2.428106
Box plot
12
10
8
6
Antes Depois
Paired t-test
data: y and x
2.133833 Inf
sample estimates:
2.941667
O comando usado para obter o resultado acima foi t.test(y, x, alternative =
valo de confianca vai de [2.133833 Inf); mas, na verdade, essa informacao serve
apenas para o teste, ou seja, para ver que o valor zero nao esta no intervalo, nao
servindo para a estimativa. Caso queira saber que o verdadeiro valor desse e de
[1] 2.200985
> mean(d) + 2 * sqrt(var(d)/12)
[1] 3.841316
> mean(d) - 2 * sqrt(var(d)/12)
[1] 2.042017
Usando o comando t.test(d, alternative = greater, mu = 0, conf.level =
no experimento.
12.1 Teste para Comparacao de Duas Medias de amostras
independentes com Variancias Desconhecidas
e uma mesma tarefa foi atribuda a cada um. Ao final do experimento, o tempo
gasto na realizacao da tarefa, para cada aluno, foi anotado. No processo, dois
> j = c(10, 13, 9, 10, 14, 13, 10, 15, 12, 10, 9, 10, 13, 14)
> a = c(15, 12, 18, 16, 15, 17, 17, 15, 16, 17, 11, 17, 14)
Supoe-se que os dados para a turma J sao representados por variaveis alea-
torias independentes X1 , ..., Xn1 , e Y1 , ..., Yn2 para a turma A. Alem disso, Xi
H0 : X = Y
Hipoteses =
H1 : X 6= Y
os seguintes valores:
> mean(j)
[1] 11.57143
> mean(a)
[1] 15.38462
> d
[1] -3.813187
+ conf.level = 0.99)
data: j and a
-6.029173 -1.597201
sample estimates:
mean of x mean of y
11.57143 15.38462
> y <- c(48, 44, 40, 38, 33, 21, 20, 12, 1, 18)
H0 : x = y
Hipoteses =
H1 : x 6= y
[1] 12.5
> var(x)
[1] 58.27778
> sd(x)
[1] 7.633988
> mean(y)
[1] 27.5
> var(y)
[1] 235.6111
> sd(y)
[1] 15.34963
Fazendo um grafico para os dados. Box plot
40
30
20
10
0
Fazendo o teste t.
> t.test(x, y, alternative = "two.sided", var.equal = FALSE, paired = FALSE,
+ mu = 0, conf.level = 0.95)
data: x and y
-26.694067 -3.305933
sample estimates:
mean of x mean of y
12.5 27.5
Conclui-se que a hipotese nula e rejeitada, ou seja, ha diferenca estatstica
giao central, sendo os desvios padroes iguais a 0,82 UPC para a regiao oeste e
0,71 UPC para a regiao central. Para verificar se os precos medios sao iguais ou
> E <- c(41.2, 40.5, 39.6, 39.4, 38.9, 39.1, 40.9, 41.2, 40.4,
+ 40, 40.6, 40.3, 39.2, 40.6, 39.7, 40.3, 40.9, 39.6, 39.7,
+ 41.2)
> O <- c(37.2, 34.9, 38.1, 35.4, 35.7, 37.7, 36.4, 36.6, 36.1,
H0 : X = Y
Hipoteses =
H1 : X 6= Y
> mean(E)
[1] 40.165
> var(E)
[1] 0.5381842
> sd(E)
[1] 0.7336104
> mean(O)
[1] 36.69444
> var(O)
[1] 0.8264379
> sd(O)
[1] 0.9090863
Box plot
41
40
39
38
37
36
35
CentralE OesteO
Percebe-se que os dados sao obtidos de duas populacoes Normais tal que:
2 2
E O
E N (E , 20 ) e O N (O , 18 )
> LI
[1] -0.4902283
> LS
[1] 0.4902283
ou entao calcula-se:
LI LS
P (rejeitarH0 |H0 verdadeira) = P (DRC|E O = 0) = P (Z < ou Z > )
0.06 0.06
seja, os imoveis situados nas regioes central e oeste tem precos medios diferentes
Exemplo(wiener.math.csi.cuny.edu/Statistics/R/simpleR/stat011.html): Su-
ponha que uma fabrica de carros diga que um modelo faca 25 km por litro. Um
consumidor pede para que 10 donos desse modelo calcule quantos km por litro
e o valor medio foi de 22 com desvio padrao de 1.5. Essa afirmacao da fabrica
de carros e verdadeira?
H0 : = 25
Hipoteses =
H1 : 6= 25
conveniente. Para esse exemplo, a funcao t.test nao ira funcionar ( o conjunto
> xbar = 22
> s = 1.5
> n = 10
> t
[1] -6.324555
> pt(t, df = n - 1)
[1] 6.846828e-05
teste para variancia tem como objetivo estudar a dispersao dos valores em uma
H0 : x2 = y2
Hipoteses =
H1 : x2 6= y2
Entrada de dados.
Box plot
4
2
0
2
4
X Y
Teste de igualdade de variancia pelo comando var.test:
> var.test(x, y)
data: x and y
2.275171 8.519799
sample estimates:
ratio of variances
4.528396
cias(var) e, no final, faz o histograma com as medias de cada uma das as amos-
tras(hist)e verifica-se que quanto maior o tamanho da amostra mais ela tende
+ vet[indice]
+ }
> mean(vet)
> var(vet)
> mean(medidas)
> var(medidas)
> hist(medidas)
tral da media com n=5, bem como o histograma dessa distribuicao. Podemos
2
amostral da media tem media e variancia n , onde e 2 sao, respectivamente
[1] 0.06781833
[1] 0.4970966
[1] 0.01220731
3e+05
2e+05
Frequncia
1e+05
0e+00
n=5
mais de uma distribuicao Normal, resultado esse conhecido como TLC, Teorema
2
E(X) = e V ar(X) =
n
> set.seed(123)
[1] 100 5
repete-se o procedimento.
> dim(bbb)
6
25
5
Frequncia
Frequncia
4
15
3
2
5
1
0
0
0.0 0.5 1.0 1.5 2.0 2.5 0.0 0.5 1.0 1.5 2.0
n=5 y
6
25
5
Frequncia
Frequncia
4
15
3
2
5
1
0
0.0 0.5 1.0 1.5 2.0 2.5 0.0 0.5 1.0 1.5 2.0
n=200 x
> curve(dnorm(x, 5, 5/sqrt(10)), -20, 20, ylim = c(0, 0.6), col = "violet",
+ ylab = "Frequ^
encia", main = "Distribuc~
ao Amostral da Media")
> curve(dnorm(x, 5, 5), -20, 20, ylim = c(0, 0.6), add = T, col = "red",
+ ylab = "Frequ^
encia", main = "Distribuc~
ao Amostral da Media")
Populao
n=50
0.5
n=10
0.4
Frequncia
0.3
0.2
0.1
0.0
20 10 0 10 20
x
Figura : Grfico da Normal
Editora Saraiva.
probability for engineers,4 ed. Editora John Wiley & Sons, Ltd.
Sciences:Cleveland, Australia
URL http://wiener.math.csi.cuny.edu/Statistics/R/simpleR/stat011.html
2010.
report
2010.
Junior, Paulo Justiniano Ribeiro (2005). Curso sobre o programa computaci-
setembro 2010.
dezembro 2010.
2010.