Vetor de Variáveis Aleatórias
|
|
- Maria da Assunção Belém
- 5 Há anos
- Visualizações:
Transcrição
1 Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 14 de abril de 2014 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1
2 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias V.A. s 3 Valor esperado / matriz de correlação e de covariância 4 Vetores Juntamente Gaussianos 5 Estimação de V.A.s Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 2
3 Sumário 1 Vetor de Variáveis Aleatórias 2 Função de Várias V.A. s 3 Valor esperado / matriz de correlação e de covariância 4 Vetores Juntamente Gaussianos 5 Estimação de V.A.s Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 3
4 Vetor de Variáveis Aleatórias Um vetor de variáveis aleatórias é um elemento de n dimensões onde cada coordenada desse elemento é uma variável aleatória. X = X 1 X 2. X n = [X 1, X 2,..., X n ] T Também representado por X = (X 1, X 2,..., X n ) Um vetor ponto específico desse vetor aleatório, é representado por x = (x 1, x 2,..., x n ), onde x i corresponde ao valor de X i Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 4
5 Ex: Amostras de Áudio O resultado ω de um experimento aleatório é um sinal de áudio X(t). Fazemos com que X k = X(kT ) seja a amostra do sinal tomada no instante kt. Um codec de MP3 processa o audio em blocos de n amostras X = (X 1, X 2,..., X n ). X é um vetor aleatório. Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 5
6 Eventos e probabilidades X = (X 1, X 2,..., X n ) tem uma região n-dimensional R n. Um evento A representa: A = {X 1 A 1 } {X 2 A 2 }... {X n A n } O evento A ocorre quando todos os eventos {X k A k } ocorrem juntamente. Então a probabilidade de um evento fica: P [A] = P [X A] = P [{X 1 A 1 } {X 2 A 2 }... {X n A n }] P [X 1 A 1, X 2 A 2,..., X n A n ] Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 6
7 Distribuições Conjuntas F X (X) F X1,X 2,...,X n (x 1, x 2,..., x n ) = P [X 1 x 1, X 2 x 2,..., X n x n ] Distribuições marginais: A f.d.a. conjunta para X 1,..., X n 1 é dada por F X1,X 2,...,X n (x 1, x 2,..., x n 1, ) A f.d.a. conjunta de X 1 e X 2 é dada por F X1,X 2,...,X n (x 1, x 2,,..., ) Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 7
8 Função de massa de probabilidade conjunta P X(X) P X1,X 2,...,X n (x 1, x 2,..., x n) = P [X 1 = x 1, X 2 = x 2,..., X n = x n] Probabilidade de um evento: f.m.p marginal: f.m.p condicional: P [X A] = x A... P X1,X 2,...,X n (x 1, x 2,..., x n) p j(x j) = P [X j = x j] = P X1,X 2,...,X n (x 1, x 2,..., x n) x 1 x j+1 x n x j 1 p Xn (X n x 1,..., X n 1) = px 1,...,X n (x 1,..., x n) p X1,...,X n 1 (x 1,..., x n 1) Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 8
9 Ex: Chegadas em um switch de pacotes A fmp conjunta de X = (X 1, X 2, X 3 ), encontre P [X 1 > X 3 ]. Os pacotes chegam para cada entrada como uma distribuição de Bernoulli com p = 1/2. O número total de pacotes segue uma distribuição binomial com a seguinte f mp: p N (n) = ( 3 n ) 1 2 3, com 0 n 3 Dado N = n o número de pacotes chegando para cada caminho fica: p X1,X 2,X 3 (i, j, k i + j + k = n) = { n! 1 i!j!k! 3 n para i + j + k = n, i 0, j 0, k 0 0 fora A fdp conjunta fica: ( ) 3n 1 p x(i, j, k) = p x(i, j, k n) para 0 n Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 9
10 Função de densidade de probabilidade conjunta P [X A] = f.d.a conjunta: x1 x A... p X1,...,X n (x 1,..., x n)dx 1... dx n F x (X) = F X1,...,X n (x 1,..., x n ) =... f.d.p. marginal: f.d.p condicional: xn p X1,...,X n (x 1,..., x n)dx 1... dx n f X1 (x 1 ) =... p X1,X 2,...,X n (x 1, x 2,..., x n)dx 2... dx n f Xn (X n x 1,..., X n 1 ) = f X 1,...,X n (x 1,..., x n ) f X1,...,X n 1 (x 1,..., x n 1 ) Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 10
11 Ex: Sequência multiplicativa Considere X 1 uniforme de [0, 1], X 2 uniforme de [0, X 1 ] e X 3 uniforme de [0, X 2 ]. Encontre a a fdp conjunta de X e a fdp marginal de X 3. Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 11
12 Independência A noção de independência se expande a n variáveis. Sendo que a probabilidade do intervalo de n coordenadas é igual ao produto das probabilidades de cada um dos n intervalos para as n distribuições de uma variável (cada variável sendo a distribuição marginal de cada uma das n dimensões da f.d.p conjunta) F X1,...,X n (x 1,..., x n ) = F X1... F Xn (x n ) p X1,...,X n (x 1,..., x n ) = p X1... p Xn (x n ) f X1,...,X n (x 1,..., x n ) = f X1... f Xn (x n ) Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 12
13 Sumário 1 Vetor de Variáveis Aleatórias 2 Função de Várias V.A. s 3 Valor esperado / matriz de correlação e de covariância 4 Vetores Juntamente Gaussianos 5 Estimação de V.A.s Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 13
14 Uma função de várias V.A. s Z = g(x 1, X 2,..., X n ) A f.d.a de Z é o evento equivalente {Z z}, R z = {x : g(x) z} F Z (z) = P [X R z ] =... p X1,...,X n (x 1,..., x n)dx 1... dx n x R z Em outras palavras, encontrar os valores que são os limites em X que correspondam a g 1 (z). Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 14
15 Máximo e mínimo de V.A s W = max(x 1, X 2,..., X n ) e Z = min(x 1, X 2,..., X n ) e X i variáveis aleatórias independentes. O máximo de X 1, X 2,..., X n é menor ou igual a x se cada X i é menor que x: F W (w) = P [max(x 1, X 2,..., X n ) w] = P [X 1 w]p [X 2 w]... P [X n w] = (F X (w)) n O mínimo de X 1, X 2,..., X n é maior ou igual a x se cada X i é maior que x: 1 F Z (z) = P [min(x 1, X 2,..., X n ) > z] = P [X 1 > z]p [X 2 > z]... P [X n > z] = (1 F X (z)) n F Z (z) = 1 (1 F X (z)) n Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 15
16 Exemplo: Confiabilidade de sistemas redundantes Considere um sistema contendo n subsistemas independentes redundantes. Cada subsistema tem uma duração de vida distribuída exponencialmente com um parâmetro λ. O sistema funciona contanto que ao menos um subsistema esteja funcionando. Encontre o f.d.a do tempo de vida do sistema. W = max(x 1, X 2,..., X n ) F W (w) = (F X (w)) n = (1 e λw ) n = n ( ) n [ 1 (n k) e kλw] k k=0 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 16
17 Transformações de vetores aleatórios Z 1 = g 1 (X), Z 2 = g 2 (X),..., Z n = g n (X) F Z1,...,Z n (z 1,..., z n ) = P [g 1 (X) z 1,..., g n (X) z n ] F Z1,...,Z n (z 1,..., z n ) = x :g k (x ) z k f X1,...,X n (x 1,..., x n)dx 1... dx n Ex: Encontre a fdp conjunta da seguinte transformada: Z 1 = g 1 (X 1 ) = a 1 X 1 + b 1 Z 2 = g 2 (X 2 ) = a 2 X 2 + b 2 Z 3 = g 3 (X 3 ) = a 3 X 3 + b 3. Z n = g n (X n ) = a n X n + b n Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 17
18 fdp de transformações genéricas 1 o o caso bidimensional: V = g 1 (X, Y ) e W = g 2 (X, Y ) Assumindo que v(x, y) e w(x, y) são inversíveis: x = h 1 (v, w) e y = h 2 (v, w) (ex: troca e volta de base de coordenadas) g k (x + dx, y) g k (x, y) + x g k (x, y)dx k = 1, 2 A mesma coisa para intervalos em y f X,Y (x, y)dxdy = f V,W (v, w)dp dp é a área do paralelograma. f V,W (v, w) = f X,Y (h 1 (v, w), h 2 (v, w)) dp dxdy Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 18
19 fdp de transformações genéricas Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 19
20 O jacobiano O fator de esticamento e o divisor dp/dxdy são o mesmo parâmetro: v v x y dp dxdy = J(x, y) = 1 J(v, w) J(x, y) = det w x x v J(v, w) = det f V,W (v, w) = f X,Y (h 1 (v, w), h 2 (v, w)) J(x, y) =f X,Y (h 1 (v, w), h 2 (v, w)) J(v, w) y v w y x w y w Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 20
21 fdp de transformações genéricas Para vetores Z 1 = g 1 (X), Z 2 = g 2 (X),..., Z n = g n (X) Assumindo que g 1 (x),..., g n (x) são inversíveis. x 1 = h 1 (x),..., x n = h n (x) f Z1,...,Z n (z 1,..., z n ) = f X 1,...,X n (h 1 (z),..., h n (z)) J(x 1,..., x n ) =f X1,...,X n (h 1 (z),..., h n (z)) J(z 1,..., z n ) Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 21
22 O jacobiano para funções de vetores J(x 1,..., x n ) = g 1 g 1 x 1 x n det.. g n g n x 1 x n f Z (z) = f X(x) det A Ex: soma de V.A.s x=a 1 z J(z 1,..., z n ) = h 1 z 1 det. h n z 1 = f X(A 1 z) det A h 1 z n. h n z n Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 22
23 Revisão de operações matriciais Multiplicação: [AB] i,j = A i,1 B 1,j +A i,2 B 2,j + +A i,n B n,j = n r=1 A i,rb r,j Determinante (2X2 e 3X3): a b c d = ad bc a b c d e f g h i = a e f h i b d f g i + c d e g h = aei + bfg + cdh ceg bdi afh. Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 23
24 Revisão de operações matriciais Inversa (2X2 e 3X3): [ ] 1 [ ] [ ] a b A 1 = = 1 d b c d det(a) = 1 d b c a ad bc c a 1 T a b c A B C A 1 = d e f = 1 det(a) D E F = g h k G H K A D G 1 det(a) B E H C F K A = (ek fh) D = (bk ch) G = (bf ce) B = (dk fg) E = (ak cg) H = (af cd) C = (dh eg) F = (ah bg) K = (ae bd) Transposta: (A T ) ij = A ji Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 24
25 Sumário 1 Vetor de Variáveis Aleatórias 2 Função de Várias V.A. s 3 Valor esperado / matriz de correlação e de covariância 4 Vetores Juntamente Gaussianos 5 Estimação de V.A.s Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 25
26 Valor esperado de vetores aleatórios E[Z] = g(x 1, x 2,..., x n)p x(x 1, x 2,..., x n)dx 1 dx 2... dx n g(x 1, x 2,..., x n)p x(x 1, x 2,..., x n) x 1 x n X juntamente contínuo X discreto Um g(x) interessante é a soma de das funções de X: E[g 1 (X) + g 2 (X) + + g n (X)] = E[g 1 (X)] + + E[g n (X)] Outro exemplo importante é quando g(x) é o produto de n funções individuais de X par X 1,..., X n variáveis independentes: E[g 1 (X 1 )g 2 (X 2 )... g n (X n )] = E[g 1 (X 1 )]E[g 2 (X 2 )]... E[g n (Xn)] Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 26
27 Vetor Médio m x = E[X] = E X 1 X 2. X n E[X 1 ] E[X 2 ]. E[X n ] Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 27
28 Matriz de Correlação R x = E E[X1 2] E[X 1X 2 ]... E[X 1 X n ] E[X 2 X 1 ] E[X2 2]... E[X 2X n ] E[X n X 1 ] E[X n X 2 ]... E[Xn] 2 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 28
29 Matriz de Covariância K x = E[(X 1 m 1) 2 ] E[(X 1 M 1)(X 2 M 2)]... E[(X 1 M 1)(X n m n)] E[(X 2 M 2)(X 1 M 1)] E[(X 2 M 2) 2 ]... E[(X 2 M 2)(X n m n)] E E[(X n m n)(x 1 M 1)] E[(X n m n)(x 2 M 2)]... E[(X n m n) 2 ] Ex: Vetor conjuntamente gaussiano Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 29
30 Sumário 1 Vetor de Variáveis Aleatórias 2 Função de Várias V.A. s 3 Valor esperado / matriz de correlação e de covariância 4 Vetores Juntamente Gaussianos 5 Estimação de V.A.s Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 30
31 Vetores Juntamente Gaussianos No lugar de um valor de correlação para a normal bivariada temos uma matriz de correlação combinando as variáveis X i duas a duas. Os items da f.d.p conjunta são vetores coluna. A expressão fica da seguinte forma: f X (x) f (X1,X 2,...,X n)(x 1, x 2,..., x n) = exp { 1 2 (x m)t K 1 (x m) } Onde x e m são vetores coluna (2π) n/2 K 1/2 O operador (.) T significa a transposta do vetor ou matriz e. o determinante da matriz. A operação é uma multiplicação de um vetor linha (x m) T de tamanho n por uma matriz inversa da matriz de covariância K 1 de tamanho n n e o resultado multiplicado pelo vetor coluna (x m) de tamanho n. Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 31
32 Vetores Juntamente Gaussianos f X (x) f (X1,X 2,...,X n)(x 1, x 2,..., x n) = exp { 1 2 (x m)t K 1 (x m) } x = x 1 x 2. x n, m = m 1 m 2. m n = (2π) n/2 K 1/2 E[X 1 ] E[X 2 ]. E[X n ] Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 32
33 Vetores Juntamente Gaussianos K = Var(X 1 ) Cov(X, X )... Cov(X, X ) Cov(X, X ) Var(X 2 )... Cov(X, X ).... Cov(X, X )... Var(X n ) Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 33
34 Ilustração aplicando a normal bivariada O vetor de médias e a matriz de covariância ficam da seguinte forma: [ ] [ m1 σ m =, e K = 2 ] 1 ρσ 1 σ 2 m 2 ρσ 1 σ 2 σ2 2 O determinante da matriz de covariância fica: det(k) = σ 2 1 σ2 2 (ρσ 1σ 2 ) 2 = σ 2 1 σ2 2 (1 ρ2 ) A inversa da matriz de covariância fica: [ ] σ 2 2 ρ X,Y σ 1σ 2 K 1 ρ X,Y σ 1σ 2 σ 2 1 = σ1 2σ2 2 (1 ρ2 X,Y ) = [ σ 2 1 ρ X,Y σ 1 ] 1 σ 1 2 ρ X,Y σ 1 1 σ 1 2 σ 2 2 (1 ρ 2 X,Y ) Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 34
35 Ilustração aplicando a normal bivariada (x m) T K 1 (x m) [ σ 2 1 ρσ 1 1 σ 1 2 ρσ 1 1 σ 1 2 σ 2 2 = [ x m 1 y m 2 ] (1 ρ 2 ) ( ) x 2 ( ) ( m1 x m1 y m2 2ρ σ = 1 σ 1 σ 2 (1 ρ 2 ) ) + Conectando os resultados obtidos: 1 p xy (X, Y ) = 2πσ 1 σ 2 1 ρ 2 { ( 1 (x µ1 ) 2 exp 2(1 ρ 2 ) σ1 2 + (y µ 2) 2 σ2 2 ] [ ] x m1 y m 2 ( ) y 2 m2 σ 2 2ρ(x µ )} 1)(y µ 2 ) σ 1 σ 2 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 35
36 Sumário 1 Vetor de Variáveis Aleatórias 2 Função de Várias V.A. s 3 Valor esperado / matriz de correlação e de covariância 4 Vetores Juntamente Gaussianos 5 Estimação de V.A.s Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 36
37 Os tipos de estimação Estimação dos parâmetros de uma ou mais variáveis. Frequências relativas probabilidade de eventos. Médias de amostras esperança e outros momentos (variância, etc) Estimação de uma variável inacessível X através de uma variável acessível Y. X: Sinal enviado em um canal de comunicação. Y : Sinal recebido. X: Valor futuro. Y : Valor presente. Estimadores Máximo à posteriori - (MAP - Maximum a posteriori) Máxima verossimilhança - (ML - Maximum likehood) Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 37
38 Estimador do máximo à posteriori Qual o valor da entrada x que maximiza P [X = x Y = y]? P [X = x Y = y] = maxp [X = x Y = y] x P [Y = y X = x]p [X = x] P [Y = y] (Bayes) Conhecendo P [Y = y X = x], P [X = x] e P [Y = y], podemos testar para cada y, que valor de x maxima P [X = x Y = y] Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 38
39 Estimador de máxima verossimilhança As vezes não sabemos P [X = x], então pegamos o máximo do outro elemento da equação: maxp [Y = y X = x] x Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 39
40 Estimadores de V.A. contínua MAP: ML: max x max x p x (X = x Y = y) p y (Y = y X = x) Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 40
41 Testes de MAP e ML é variáveis juntamente gaussianas A condicional de X dado Y é dada por: { ( 1 exp 2(1 ρ 2 )σ 2 x ρ σ ) } 2 x (y µ y ) µ x x σ y p x (x y) = 2πσ 2 x (1 ρ 2 ) Maximado pelo valor de x para o qual o exponente é zero. Então: ˆXMAP = ρ σ x (y µ y ) + µ x σ y Já a condicional de Y dado X é dada por: { ( 1 exp 2(1 ρ 2 )σ 2 y ρ σ ) } 2 y (x µ x ) µ x y σ x p y (y x) = 2πσy(1 2 ρ 2 ) Maximado pelo valor de x para o qual o exponente é zero. Então: ˆXML = σ x ρσ y (y µ y ) + µ x Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 41
42 Estimador de Erro Quadrático Mínimo Quando se lê um Y, sendo que X = g(y ) e o erro na estimação de g(y ) é zero, é definido que o custo associado é zero, c(x g(y )) = 0 Agora quando se tem um erro (quando por exemplo não temos o total controle da função g(y )), podemos calcular o valor esperado do erro, quando X g(y ): e = E[(X g(y )) 2 ] Definir o valor a que minimiza o erro: min a E[(X a) 2 ] = E[X 2 ] 2aE[X] + a 2 Tirando a derivada em relação a a e resolvendo para zero: a = E[X] Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 42
43 Estimador de Erro Quadrático Mínimo Linear Se X é estimado de uma função linear g(y ) = ay + b: min a,b E[(X ay b)2 ], (a) O mínimo em relação a b fica: Substituindo em (a) fica: b = E[X ay ] = E[X] ae[y ] min a E[{(X E[X]) a(y E[Y ])} 2 ], derivando em a, 0 = d da E[{(X E[X]) a(y E[Y ])}2 ] 2(Cov(X, Y ) a Var(Y )) O melhor coeficiente en a fica: a = Cov(X, Y ) σ x = ρ x,y Var(Y ) σ y Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 43
44 Estimador de Erro Quadrático Mínimo Linear O estimador de mínimo erro médio quadrático médio mmse minimum mean square error linear estimator: ˆX = a Y + b Y E[Y ] = ρ x,y σ x + E[X] σ y Se X e Y não são correlatos, a melhor estimativa de X é a média E[X]. Se são totalmente correlatos, ρ ± 1, então a melhor estimativa é ±σ x (Y E[Y ])/σ y + E[Y ]. Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 44
45 Estimador de Erro Quadrático Mínimo Normalmente o estimador de X que minimiza o Erro Quadrático Médio um a função não linear de Y : minimizee[(x g(y )) 2 ] g(.) O problema é resolvido usando esperança condicional: E[(X g(y )) 2 ] = E[E[(X g(y )) 2 Y ]] = E[(X g(y )) 2 Y = y]f u (Y )dy g(y) é uma constante para a esperança condicional. g(y) que minimiza a esperança condicional: g (y) = E[X Y = y], chamada de curva de regressão. Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 45
46 Estimador de Erro Quadrático Mínimo O erro médio quadrático do melhor estimador fica: e = E[(X g (Y )) 2 ] = E[(X E[X y]) 2 Y = y]f y (Y )dy R = Var[X Y = y]f y (Y )dy R n Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 46
47 Exemplos Comparação MSE mínimo e o MSE linear. Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 47
48 Exemplo - MSE e MSE linear da normal bivariada E[X Y = y] = E[X] + ρ x,y σ x σ y (Y E[Y ]) Idênticos os MSE e MSE linear, então o erro quadrático mínimo de V.A.s gaussianas é linear. Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 48
Vetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
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 maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisProcessos Aleatórios e Ruído
Processos Aleatórios e Ruído Luis Henrique Assumpção Lolis 11 de abril de 2014 Luis Henrique Assumpção Lolis Processos Aleatórios e Ruído 1 Conteúdo 1 O Experimento Aleatório / Espaço de Amostras 2 Algebra
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Duas Variáveis Aleatórias 29 de agosto de 2017 Duas Variáveis Aleatórias Função Distribuição Acumulada Conjunta: F X,Y (x,y) = P[X x, Y y] Propriedades: (a) 0
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
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 maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB
Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia 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 maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisProbabilidade 2 - ME310 - Lista 2
Probabilidade - ME3 - Lista September 4, Lembrando:. Estatística de ordem, pg 38 Ross: f xj (x) = n! (n j)!(j )! F (x)j ( F (x)) n j f(x). Distribuição de probabilidade conjunta de funções de variáveis
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisME-310 Probabilidade II Lista 2
ME-3 Probabilidade II Lista 2. Uma máquina funciona enquanto pelo menos 3 das 5 turbinas funcionam. Se cada turbina funciona um tempo aleatório com densidade xe x, x >, independentemente das outras, calcule
Leia maisFUNDAMENTOS DE PROBABILIDADE E
Variáveis aleatórias Estimação e Filtragem Estocástica Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automação Departamento de Engenharia Elétrica Universidade de Brasília FUNDAMENTOS
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias. TE802 Somas de Variáveis Aleatórias
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 27 de setembro de 2017 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] +
Leia maisa) o time ganhe 25 jogos ou mais; b) o time ganhe mais jogos contra times da classe A do que da classe B.
Universidade de Brasília Departamento de Estatística 5 a Lista de PE. Um time de basquete irá jogar uma temporada de 44 jogos. desses jogos serão disputados contra times da classe A e os 8 restantes contra
Leia maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 25 de abril de 2016 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] + + E[X
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/ Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
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 mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
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 maisLista de Exercícios #5 Assunto: Variáveis Aleatórias Multidimensionais Contínuas
1. ANPEC 018 Questão 9 Uma pessoa investe R$ 10.000,00 (I) em duas aplicações cujas taxas de retorno são variáveis aleatórias independentes, R 1 e R, com médias 5% e 14% e desvios-padrão 1% e 8%, respectivamente.
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisDISTRIBUIÇÃO NORMAL DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS ROTEIRO DISTRIBUIÇÃO NORMAL
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências DISTRIBUIÇÃO NORMAL Definição:
Leia maisProbabilidade 2 - ME310 - Lista 2
Probabilidade - ME3 - Lista November, 5 Lembrando:. Estatística de ordem, pg 38 Ross: f xj (x) = n! (n j)!(j )! F (x)j ( F (x)) n j f(x). Distribuição de probabilidade conjunta de funções de variáveis
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisME-310 Probabilidade II Lista 1
ME-3 Probabilidade II Lista. Seja F (a, b) a função da distribuição acumulada conjunta de v.a. X e Y. Sabendo F, calcule P(X > a, Y > b) e P(a < X < a 2, Y b). 2. A distribuição conjunta de X e Y é dada
Leia maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB. Em muitas situações precisamos
Motivação Em muitas situações precisamos Prof. Lorí Viali, Dr. viali@pucrs.br lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma determinada peça.
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 maisProbabilidade e Variáveis Aleatórias
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Probabilidade e Variáveis Aleatórias Geovany A.
Leia maisCanais discretos sem memória e capacidade do canal
Canais discretos sem memória e capacidade do canal Luis Henrique Assumpção Lolis 17 de outubro de 2013 Luis Henrique Assumpção Lolis Canais discretos sem memória e capacidade do canal 1 Conteúdo 1 Canais
Leia maisAula 1 - Revisão de Probabilidade e Estatística
Aula 1 - Revisão de Probabilidade e Estatística Matheus Rosso e Camila Steffens 1 de Março de 2018 Conteúdos 1. Introdução à probabilidade 2. Probabilidade condicional e independência 3. Variáveis aleatórias
Leia maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
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 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 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 maisAula 7 - Revisão de Álgebra Matricial
23 de Abril de 2018 // 26 de Abril de 2018 Introdução Objetivo da revisão: revisar a notação matricial, técnicas de álgebra linear e alguns resultados importantes Conteúdos: 1 Vetores e matrizes 2 Operações
Leia maisLista de Exercícios #3 Assunto: Variáveis Aleatórias Multidimensionais Discretas
1. ANPEC 2018 - Questão 07 Em um problema envolvendo variáveis aleatórias independentes, um estudante calculou corretamente que E(Y) = 2, E(X 2 )E(Y) = 6, E(X)E(Y 2 ) = 8 e E(X) 2 E(Y) 2 = 24. Avalie as
Leia maisUNIDADE II. José J. C. Hernández. April 9, 2017 DE - UFPE. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
INTRODUÇÃO À ESTATÍSTICA UNIDADE II José J. C. Hernández DE - UFPE April 9, 2017 José J. C. Hernández (DE - UFPE) Estatística I April 9, 2017 1 / 60 Variável aleatória Seja X : Ω R uma função real de Ω
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 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisProbabilidade Lista 6 - Variáveis Aleatórias Contínuas e Vetores Aleatórios
Probabilidade Lista - Variáveis Aleatórias Contínuas e Vetores Aleatórios Exercício. Uma v.a. X tem distribuição triangular no intervalo [0, ] se sua densidade for dada por 0, x < 0 cx, 0 x /2 c( x), /2
Leia maisLista de Exercícios #2 Assunto: Variáveis Aleatórias Discretas
1. ANPEC 2018 Questão 3 Considere um indivíduo procurando emprego. Para cada entrevista de emprego (X) esse indivíduo tem um custo linear (C) de 10,00 Reais. Suponha que a probabilidade de sucesso em uma
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS DISTRIBUIÇÕES CONJUNTAS ROTEIRO DISTRIBUIÇÃO CONJUNTA. Estatística Aplicada à Engenharia
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências Estatística Aplicada à Engenharia
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 maisProbabilidade II Lista 1 - Vetores Aleatórios
Probabilidade II Lista - Vetores Aleatórios Exercício. Duas moedas equilibradas são lançadas de forma independente. Dena as v.a's X : número de caras nos dois lançamentos e Y : função indicadora de faces
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
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 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 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 maisLista de Exercícios 4
Introdução à Teoria de Probabilidade. Informática Biomédica. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 30 de maio de 2007. Lista de Exercícios 4 são difíceis, são bem mais difíceis.
Leia maisNós estudamos isso em nossa aula extra de Regressão Múltipla!
E aí pessoal? Vamos à resolução de nossa prova? A CESPE pegou muito pesado, conforme eu tinha alertado em vídeos e no nosso pdf. Ela utilizou conceitos de Estatística muito avançados para uma matéria de
Leia maisPROBABILIDADE RESUMO E EXERCÍCIOS* P2
PROBABILIDADE RESUMO E EXERCÍCIOS* P2 *Exercícios de provas anteriores escolhidos para você estar preparado para qualquer questão na prova. Resoluções grátis em Variáveis Aleatórias Discretas e Contínuas
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
Leia maisPROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES
PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável Aleatória
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 maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisExercícios Funções Multivariadas, Exponencial e Outras
Turma 2017 Exercícios Funções Multivariadas, Exponencial e Outras Problema 1 (bivariada) Um bim de cinco transistores possui dois que são defeituosos. Os transistores são testados um a um, até que os defeituosos
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 maisPROBABILIDADE PGE950
PROBABILIDADE PGE950 José J. C. Hernández DE - UFPE October 12, 2017 José J. C. Hernández (DE - UFPE) Estatística I October 12, 2017 1 / 88 1 Introdução à Probabilidade 2 Variavel Aleatória 3 Vetores Aleatórios
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 maisPROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I
PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisProbabilidade 2 - ME310 - Lista 4
Probabilidade - ME30 - Lista 4 November 4, 05 Lembrando:. Geratriz de momentos: M X (t) = E(e t X ) = + et x f(x) dx, observe que dm X (t) = + x et x f(x) dx = dm X (0) = + x et 0 f(x) dx = + x f(x) dx
Leia maisRespostas da Série de Exercícios Funções Multivariadas e outras. Lista 3A
Respostas da Série de Exercícios Funções Multivariadas e outras Problema 1 Lista 3A Observar que N1 e N2 são números inteiros de tal forma que N1+N2 5 isto é: N1=1,...4 e N2=1,..5-N1. Cada par de valores
Leia maisCE085 - Estatística Inferencial
CE085 - Estatística Inferencial Revisão: Probabilidade Básica Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal do Paraná
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 maisAULA 8. DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017
AULA 8 DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017 As funções de distribuição (acumulada) e de densidade para v.a. contínuas = =. Se a densidade f(x)for continua no seu
Leia maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
Leia mais2 Conceitos de Teoria da Probabilidade
2 Conceitos de Teoria da Probabilidade Neste capítulo, enunciaremos algumas denições e resultados de teoria de probabilidade. justicativa deste capítulo reside no fato que u objetivo nal é estimar momentos
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Aula de hoje Calcular probabilidade de eventos condicionando Somas aleatórias Esperança Condicional Análise de Comandos de Programação Análise
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 maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisModelagem Estocástica e Quantificação de Incertezas
Modelagem Estocástica e Quantificação de Incertezas Rubens Sampaio rsampaio@puc-rio.br Roberta de Queiroz Lima robertalima@puc-rio.br Departamento de Engenharia Mecânica DINCON 2015 Organização do curso
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS DISTRIBUIÇÕES CONJUNTAS ROTEIRO DISTRIBUIÇÃO CONJUNTA
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências DISTRIBUIÇÃO CONJUNTA Em muitos
Leia mais