Teoria Elementar da Probabilidade
|
|
- Marcos Cesário
- 5 Há anos
- Visualizações:
Transcrição
1 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo se pode traduzr. Face à conjugação de um determnado número de condções, um resultado aleatóro pode ou não ocorrer. Exemplo 1: Lançamento ao ar de uma moeda equlbrada. Os resultados " SAI CARA " (F) ou " SAI COROA " (C) são aleatóros. Cada resultado aleatóro é a consequênca de númeras causas fortutas. Exemplo 2 : Lançamento de um dado e observação do resultado apresentado na face superor.
2 11 ASPECTOS PERTINENTES À CARACTERIZAÇÃO DE UMA EPERIÊNCIA ALEATÓRIA a) Cada experênca poderá ser repetda ndefndamente sob condções essencalmente nalteradas. b) Muto embora não sejamos capazes de afrmar que resultado partcular ocorrerá, seremos capazes de descrever o conjunto de todos os possíves resultados da experênca. c) Quando a experênca for executada repetdamente, os resultados ndvduas parecerão ocorrer de uma forma acdental. Contudo, quando a experênca for repetda um grande número de vezes, aparecerá uma regulardade. EPERIÊNCIAS ALEATÓRIAS, ESPAÇOS AMOSTRAIS E ACONTECIMENTOS EPERIÊNCIA ALEATÓRIA - Desgna uma stuação à qual estejam assocados, de forma não controlada, dos ou mas resultados possíves. Exemplos : Lançamento de uma moeda F-C ao ar uma vez ( resultados possíves : " SAI CARA " (F) ou " SAI COROA " (C) ).
3 12 Lançamento de uma moeda F-C ao ar tantas vezes quantas as necessáras até sar F ( conjunto nfnto numerável de resultados possíves : 1,2,3,...) O atraso de um comboo ( com uma nfndade de resultados possíves : [0, + [ ). ESPAÇO AMOSTRAL - Conjunto de todos os resultados possíves de uma experênca aleatóra. Exemplos : Consderando as experêncas aleatóras defndas anterormente temos: Espaço amostral : S = { F, C } Espaço amostral : S = {1, 2, 3, } Espaço amostral : S = {t : t 0 } Os espaços amostras podem ser dscretos ou contínuos, consoante os seus elementos sejam numeráves ou não. Os espaços dscretos podem ser fntos ou nfntos. O espaço amostral assocado a uma experênca aleatóra depende da forma como a experênca é avalada sto é, depende daqulo que estamos a observar. Exemplo : Consdere-se a experênca consttuída pelo lançamento ao ar da moeda F-C três vezes consecutvas.
4 13 Se o resultado for avalado pelo número de F obtdos (nº de vezes em que " SAI CARA"), o espaço amostral é consttuído pelo conjunto {0, 1, 2, 3}. Se o resultado for avalado pela sequênca de F e C então o espaço amostral é consttuído por oto resultados possíves. 1º lança/ 2º lança/ 3º lança/ F S FFF F C FFC C F FCF F C FCC C F CFF F C CFC C F CCF Árvore de resultados (utlzada na representação de resultados de experêncas sequencas) C CCC Dagrama de Venn Acontecmento - Conjunto de elementos de um espaço amostral, sto é, conjunto de resultados possíves assocados à realzação de uma experênca aleatóra. Acontecmento smples/composto Acontecmento certo/mpossível
5 14 CCF FFF A 1 FCC FCF A 2 CFC FFC CFF CCC A 1 - " Saída de duas caras " (acontecmento composto) A 2 - " Saída de três coroas " (acontecmento smples) Como os acontecmentos são conjuntos, podemos aplcarlhes as operações de reunão, ntersecção e complementardade, defnndo novos acontecmentos. S A B A B A B - acontecmento que ocorrerá sse A ou B (ou ambos) ocorrerem S A B A B A B - acontecmento que ocorrerá sse A e B ocorrerem S A A A - acontecmento complementar de A em S, ocorrerá sse A não ocorrer Dos acontecmentos dzem-se mutuamente exclusvos se não puderem ocorrer smultaneamente, sto é se A B =
6 15 Conceto de probabldade Defnção clássca Se uma experênca aleatóra tver N resultados mutuamente exclusvos e gualmente prováves e se um acontecmento A contver N A desses resultados ( N A N), então a probabldade do acontecmento A é dada por : NA numero de casos favoraves P ( A) = N numero de casos possves Defnção geométrca Permte ultrapassar uma lmtação da defnção clássca de probabldade e que resulta do pressuposto de que o número de resultados possíves assocados a cada experênca aleatóra é fnto. Então vem que: P ( A) = med A med S representando "med" uma medda de dmensão de uma qualquer regão ncluída num espaço amostral contínuo S de uma experênca aleatóra. Defnção frequencsta No decurso de N repetções de uma experênca aleatóra, um acontecmento A ocorre N A vezes (0 N A N). A frequênca relatva de ocorrênca desse acontecmento é: NA fa = N
7 16 Defne-se probabldade de A como o lmte de f A quando o número de repetções tende para nfnto: P( A) = lm f = lm N A N N N A Defnção axomátca Basea-se em propredades resultantes das defnções anterores e assenta nos três axomas seguntes: 0 P(A) 1 P(S) = 1 P (A B) = P(A) + P(B) se A e B mutuamente exclusvos Propredades: P(A) + P(A) = 1 P( ) = 0 P (A B) = P(A) + P(B) P(A B) para A e B quasquer A B P(A) P(B) Métodos de enumeração Regra da multplcação n 2 n 1 n 1.n 2 n 2 procedmento 1 procedmento 2
8 17 Regra da adção procedm. 1 procedm. 2 n 1 n 2 n 1 + n 2 Arranjos e Permutações Consderem-se n elementos dstntos. Pretende-se contar o número de maneras de escolher k elementos (0 k n) de entre esses n, consderando a sua ordem. Exstem: Se k = n vem: A n k = n n n! ( n k) A = n! = P n! Combnações Consderem-se novamente n elementos dstntos.o número de maneras de escolher k elementos (0 k n) de entre esses n, sem consder a sua ordem é: n C n k = k = n! k! n k! ( ) Permutações com alguns elementos repetdos Consderem-se novamente n elementos pertencentes a k espéces dstntas.o número de permutações possíves desses n elementos é dado por: n! n1! n2! n k! em que n + n + + n = n 1 2. k
9 18 Probabldade condconada e acontecmentos ndependentes Probabldade condconada, P( A B ) - probabldade de ocorrênca de um acontecmento A quando se admte que ocorreu um acontecmento B : ou P( A B) = ( B) P( B) P A P( A B) = P( A B) P( B) (com P(B) > 0) P(A) - probabldade a pror P(A B) - probabldade a posteror Dos acontecmentos dzem-se ndependentes sse: ( ) = ( ) ( ) P A B P A P B e portanto de um modo equvalente: ou ( ) P( A) P A B = (com P(B) > 0) ( ) P( B) P BA = (com P(A) > 0) Teorema de Bayes B 1 A B 3 B 5 B 2 B 4
10 19 ( ) P( B A) P B A P A B = = n P( A) = 1 ( ) P( B ) P( A B ) P( B ) em que B 1, B 2,, B n consttuem uma partção do espaço amostral S, sto é: B B =, j j n = 1 B = ( ) S P B > 0, O resultado : n ( ) = ( ) ( ) P A P A B P B =1 é o enuncado do teorema da probabldade total e obtémse a partr da decomposção de A em acontecmentos mutuamente exclusvos, sto é: ( ) ( ) ( ) A = A B1 A B2 A B n Varáves aleatóras Seja ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Uma função, que assoce a cada elemento s ε S um número real (s), é uma varável aleatóra. Sobre um mesmo espaço amostral podem ser defndas dferentes funções (varáves aleatóras). Contrado mn o da aplcaçao dscreto v. a. dscreta contnuo v. a. contnua
11 20 É possível defnr varáves aleatóras mstas que correspondem à combnação dos concetos de varáves aleatóras dscretas e contínuas. O contradomíno da função corresponde ao domíno da varável aleatóra,r x, que de certo modo, poderemos consderar como um outro espaço amostral assocado à varável aleatóra e representando a característca numérca que nos nteressa. S A B s (s) R x Seja B um acontecmento no contradomíno R x. Nesse caso defne-se P(B) como: P(B) = P(A) em que A = { s ε S : (s) ε B } Notação: - varável aleatóra x - valor que a varável aleatóra assume Varáves aleatóras dscretas A varável aleatóra dz-se dscreta se o número de valores possíves para sto é, R x, for fnto ou nfnto numerável. Então { x 1, x 2, x 3, }.
12 21 Função de probabldade p (x) = P ( = x ) p ( x) ( ) p x se x = x = 0 se x x Propredades p (x ) 0, n = 1 p ( x) = 1 Função de dstrbução (ou de probabldade acumulada) ( ) = ( ) = ( ) F x P x p xk x k x Propredades F ( x ) é monótona crescente F (- ) = 0 F (+ ) = 1 P ( a < b) = F ( b ) - F ( a ) Nota: p (x j ) = F (x j ) - F (x j-1 ) Varáves aleatóras contínuas A varável aleatóra dz-se contínua se R, contradomíno de, for um ntervalo ou conjunto de ntervalos reas.
13 22 Função densdade de probabldade ( ) ( ) ( ) f x : P a b = f x dx Propredades f (x) 0, x R + f ( x ) dx = 1 Nota: f (x) dx = probabldade de [x, x + dx] P( = x) = 0 a b Função de dstrbução (ou de probabldade acumulada) ( ) ( ) ( ) F x = P x = f u du Propredades F (x) é monótona crescente : F (- ) = 0 x 2 > x 1 F (x 2 ) F (x 1 ) F (+ ) = 1 P ( a b ) = F ( b ) - F ( a ) F (x) 0, x d F ( x ) = f d x ( x ) x
14 23 CARACTERIZAÇÃO ADICIONAL DAS V. ALEATÓRIAS As dstrbuções de probabldade podem ser caracterzadas recorrendo a parâmetros que, de uma forma sntétca, dão nformação relevante sobre as propredades dessas dstrbuções. Os parâmetros habtualmente utlzados são o valor esperado e a varânca. Para analsar a relação entre duas varáves aleatóras recorremos também à covarânca e ao coefcente de correlação lnear. VALOR ESPERADO Varáves aleatóras dscretas Seja uma varável aleatóra dscreta, com valores possíves x 1, x 2,..., x n,.... Seja p ( x ) = P ( = x ), =1,2,..., n,.... O valor esperado de ( esperança matemátca de, expectânca de ou valor médo de ) é defndo do segunte modo: E ( ) x p ( x ) = =1
15 24 Se tomar apenas um número fnto (n) de valores então: ( ) = x p ( x ) n E. Esta expressão pode = 1 ser nterpretada como uma méda ponderada dos valores possíves de. Se todos os n valores possíves de forem gualmente prováves então E() é a méda artmétca smples dos valores que a varável aleatóra assume. O valor obtdo para E() pode não pertencer ao conjunto de valores efectvamente assumdos por. Do ponto de vsta físco E() pode nterpretar-se como a abcssa do centro de gravdade de uma dstrbução dscreta de massa untára sobre uma lnha recta. Se o número de valores possíves para for nfnto numerável, então o valor esperado E() exstrá se e só se a sére p ( x ) x for absolutamente =1 convergente, sto é, se p ( x ) < Notação usada: µ = E() x. =1
16 25 Varáves aleatóras contínuas Seja uma varável aleatóra contínua com função densdade de probabldade f ( x ). O valor esperado de é defndo como: E + ( ) = x f ( x ) dx O valor esperado E() só exstrá, se o ntegral for absolutamente convergente, sto é se: + x f ( x ) dx < Se ( x ) f só estver defnda como dferente de zero num dado ntervalo [ a, b ] então: E b ( ) = x f ( x ) dx a
17 26 PROPRIEDADES DO VALOR ESPERADO Seja uma varável aleatóra (dscreta ou contínua), a, b e c constantes e g() e h() duas funções reas de cujo valor médo exste. Então: ) E ( c) = c ) E ( µ ) = 0 ) E ( c ) = c E ( ) v) E [ g ( ) + h ( ) ] = E[ g ( ) ] + E[ h ( ) ] v)se g ( x ) h ( x ) para todo o x, então E[ g ( ) ] E[ h ( ) ] v) E ( a + b ) = a + b E ( ) v) V ( ) 0 v) V ( ) = 0 = µ. Nestas condções P ( µ ) = 1 é uma varável pseudo-aleatóra. x) V ( a b ) = b 2 V ( ) + ; σ a b = b σ x) V ( ) = E ( ) [ E ( ) ] = E ( ) E ( ) + = e x) Se é uma varável aleatóra tal que ( ) = µ V 2 ( ) σ = então a varável aleatóra parâmetros E ( Z) = 0 e ( Z) 1 V =. E e µ Z = tem σ As propredades ) e v) podem resumr-se dzendo que o operador E é lnear.
18 27 FUNÇÃO GERADORA DE MOMENTOS Seja uma varável aleatóra dscreta ou contínua. Se exstr um número postvo h tal que se possa defnr a função: t G t = E e ( ) ( ) para t < h, então essa função desgna-se por função geradora de momentos da v.a.. Pode demonstrar-se que se esta função exstr, então é únca, contínua e dferencável em torno de t = 0. Esta função determna completamente a dstrbução de probabldades de, efectvamente: e pelo que: e G G ' d t t ( t ) = E ( e ) = E ( e ) '' d t d ' 2 t ( t ) = G ( t ) = E ( e ) d t ( 0) E ( ) G ' = '' 2 ( 0) E ( ) G = Assm teremos de um modo geral: ( ) r r d r ( 0) G ( t ) E ( ) G = r t = 0 =, r 1 d t
19 28 A INEQUAÇÃO DE MARKOV E CHEBISHEV Se conhecermos a dstrbução de probabldade de uma v.a., podemos calcular E() e Var(). Contudo o nverso não é verdadero. Isto é, o conhecmento de E() e Var() não permte reconsttur a dstrbução de probabldade de. Porém é possível estabelecer um lmte para a probabldade de varar num determnado ntervalo, de acordo com o teorema segunte e respectvos coroláros. TEOREMA: Seja uma v.a. (dscreta ou contínua) e h(x) uma função desta varável aleatóra, tal que h(x) é não E h x exstr, então: negatva. Se [ ( ) ] [ h ( x) C ] E [ h ( x) ] P, C > 0 DESIGUALDADE DE MARKOV: Caso seja uma v.a. não negatva, fazendo h(x) =, vem que: [ C ] C ( ) E C P, C > 0 h x = µ DESIGUALDADE DE CHEBISHEV: Sendo ( ) ( ) 2 e C 2 2 = k σ ( k > 0), temos que: P ou de modo equvalente: P [ µ k σ ] 1 2 [ µ < k σ ] > k k
20 29 A desgualdade de Chebyshev pode também aparecer sob a segunte forma: P [ µ C ] 2 σ C A partr desta desgualdade podemos conclur que, se a V() for pequena, a maor parte da dstrbução de probabldade de estará concentrada na vznhança de E(). O segunte teorema resulta também da nequação de Chebshev: TEOREMA: Admtamos que V()=0. Então: [ = µ ] 1 P = 2 = Esta mesma conclusão é obtda se E()=0 e E ( ) 0 2 = uma vez que neste caso V ( ) E ( ) 0 =.
R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisNotas de Aula de Probabilidade A
VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisPROBABILIDADE - CONCEITOS BÁSICOS
ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisAULA Espaços Vectoriais Estruturas Algébricas.
Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os
Leia maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisMecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos
Mecânca Estatístca Tal como a Termodnâmca Clássca, também a Mecânca Estatístca se dedca ao estudo das propredades físcas dos sstemas macroscópcos. Tratase de sstemas com um número muto elevado de partículas
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisSe considerarmos, por exemplo, uma função f real de variável real,
107 5 Gráfcos 5.1 Introdução Dada uma função real de varável real 16 f, o gráfco desta função é o conjunto de pontos ( x, y), onde x pertence ao domíno da função e f ( x) y =, ou seja, {( x y) x D y f
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6:
Lsta de Exercícos - Probabldade INE 700 GABARITO LISTA DE EXERÍIOS PROBABILIDADE ) Vamos medr o tempo de duração da lâmpada. Ao lgarmos a lâmpada ela pode não funconar, ou durar um tempo ndetermnado. a)
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais2ª ACTIVIDADE ESCRITA DE MATEMÁTICA A 12.º C 2009 NOVEMBRO 20 Duração da prova: 45 minutos VERSÃO 1. Grupo I
ª ATIVIDADE ESRITA DE MATEMÁTIA A.º 009 NOVEMBRO 0 Duração da prova 4 mnutos VERSÃO Grupo I Para cada uma das três questões deste grupo, seleccone a resposta correcta de entre as alternatvas que lhe são
Leia mais58 Textos de Apoio de Análise Matemática IV 2003/2004. Tem-se assim uma decomposição da região rectangular R em mk rectângulos
58 Textos de Apoo de Análse Matemátca IV 3/4.3 Integral duplo.3.1 efnção Seja um rectângulo fechado de, sto é, [a, b] [c, d] {(x, y) : a x b e c y d}, com a < b e c < d. Consdere-se uma partção do ntervalo
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisProbabilidade: Diagramas de Árvore
Probabldade: Dagramas de Árvore Ana Mara Lma de Faras Departamento de Estatístca (GET/UFF) Introdução Nesse texto apresentaremos, de forma resumda, concetos e propredades báscas sobre probabldade condconal
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisThe Correlated Equilibrium q Nathan Canen
The Correlated Equlbrum Nathan Canen Introdução Consderemos o jogo estátco de nformação completa representado na forma normal: J1 O F O J2 F 2,1) 0,0) 0,0) 0) 1,2) Os equlíbros de Nash são os perfs de
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCristina Caldeira 97. Tem-se assim uma decomposição da região Q em mkq paralelipípedos rectangulares
Crstna Caldera 97 (c) T {(x, y) R : y a x } (a R + ) e ρ(x, y) é a dstânca de (x, y) ao ponto (, ); (d) T [, 3] [, ] e ρ(x, y) xy..4 Integral trplo.4.1 efnção e propredades Seja Q um paralelpípedo rectangular
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia mais18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas
01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisVariáveis indexadas, somatórios e produtórios
1 Computação MIEC - FEUP complado por Ana Mara Faustno Varáves ndexadas, somatóros e produtóros Varáves ndexadas Quando se pretende estudar váras característcas de um conjunto de ndvíduos convém armazenar
Leia maisTermo-Estatística Licenciatura: 4ª Aula (08/03/2013)
Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisEscola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística
Escola Secundára com º cclo D. Dns 10º Ano de Matemátca A Estatístca Trabalho de casa nº 15 GRUPO I 1. Num referencal o.n. Oxyz, a undade é o cm e a esfera defnda por ( ) ( ) está nscrta num cubo. O volume
Leia maisFAAP APRESENTAÇÃO (1)
ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisCapítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes
Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisDECISÃO SOB INCERTEZA
PPGE/UFRGS - Prof. Sabno Porto Junor 19/10/2005 Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br 1 Introdução
Leia maisIntrodução a Processos Estocásticos:Exercícios
lvroexerccos 2017/3/19 11:24 page #1 Introdução a Processos Estocástcos:Exercícos Luz Antono Baccalá Escola Poltécnca da USP Departamento de Engenhara de Telecomuncações e Controle 2016 lvroexerccos 2017/3/19
Leia maisResolução das Questões Objetivas
COMISSÃO PERMANENTE DE SELEÇÃO COPESE PRÓ-REITORIA DE GRADUAÇÃO PROGRAD CONCURSO PISM III - TRIÊNIO 2008-2010 Prova de Matemátca Resolução das Questões Objetvas São apresentadas abaxo possíves soluções
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisEstatística e Probabilidade
Estatístca e Probabldade Professor conteudsta: Rcardo Vda Sumáro Estatístca e Probabldade Undade I 1 CONCEITOS BÁSICOS...1 1.1 Concetos fundamentas... 1. Processos estatístcos de abordagem... 1.3 Dados
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisUNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara
Leia maisExercícios de CPM e PERT Enunciados
Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia maisMedidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos.
Meddas de Dspersão e Assmetra Desvo Médo Varânca Desvo Padrão Meddas de Assmetra Coefcente de Assmetra Exemplos lde 1 de 16 Meddas de Dspersão - Méda ervem para verfcação e representatvdade das meddas
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisModelação com Variáveis Discretas
Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisMétodos Probabilísticos e Algébricos em Combinatória
Métodos Probablístcos e Algébrcos em Combnatóra Domngos Dellamonca Jr. Orentador: Yoshharu Kohayakawa 1 de junho de 2004 Resumo Este é um projeto de ncação centífca cuja fnaldade é estudar métodos probablístcos
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisD- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS
D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia mais