Probabilidade e Estatística 2009/1 Prof. Fernando Deeke Sasse CCT-UDESC Exercícios 2
|
|
- Yan Quintanilha Pacheco
- 8 Há anos
- Visualizações:
Transcrição
1 Distribuição exponencial Solução. (a) f := (lambda, x) -> lambda*exp(-lambda*x); f := l, x /l e Kl x Probabilidade e Estatística 009/ Prof. Fernando Deeke Sasse CCT-UDESC Exercícios A distância entre os buracos (significativos) em uma rodovia segue uma distribuição exponencial com uma média de 6 Km. (a) Qual é a probabilidade de que não haja buracos em um trecho de 0 Km da rodovia? (b) Qual é a probabilidade de que haja 3 buracos em 0 Km de rodovia? (c) Qual é o desvio padrão da distância entre buracos? (d) Qual é a probabilidade de que o primeiro buraco ocorra entre e 5 Km do início da inspeção? (e) Qual é a probabilidade de que não haja buracos em dois trechos separados de 5Km, nesta rodovia? lambda := /6; l := 6 (.) (.) X: distância até o próximo buraco. P 0! X := evalf N 0 f l, x dx P 0! X := (b) Seja Y o número de buracos em 0Km de rodovia. Como a distância entre os buracos é exponencial, Y é uma variável aleatória de Poisson com λ =0(/6) = 5/3. g := (y, lambda) -> exp(-lambda)*lambda^y/factorial(y) ; g := y, l / ekl l y y! g(3., 5.*(/3)); (.3) (.4) (.5) (c) s X = l = 6 (d) (e) evalf 5 f l, x dx (.6)
2 P 5! X := evalf 5 N f l, x dx Como os eventos são independentes, a probabilidade desejada é: P 5! X := P(X > 5)^; (.7) (.). Um fabricante de peças recebe ordens pela internet através de dois sistemas diferentes de roteamento. tempo entre as ordens para cada sistema é tipicamente um distribuição exponencial com média de 3. minutos. Ambos sistemas operam independentemente. (a) Qual é a probabilidade de que nenhuma ordem seja recebida em um período de 6 min? Em min? (b) Qual é a probabilidade de que ambos os sistemas recebam duas ordens entre 0 e 5 min. após o site começar a funcionar? (c) Por quê a distribuição de probabilidade conjunta não é necessária para responder os ítens anteriores? Solução. (a) f := l, x /l e Kl x f := l, x /l e Kl x (.) l := 3. l := (.) P 6! X, 6! Y := P! X,! Y := 6 N 6 N f l, x f l, y dx dy P 6! X, 6! Y := N N f l, x f l, y dx dy (b) Seja Y o número de ordens em um intervalo de 5 min. Então Y é uma variável aleatória de Poisson com P! X,! Y := (.3) (.4) l := np l := np (.5) l := 5 3. l := (.6) g := y, l / ekl l y y! g := y, l / ekl l y y! (.7) g, l (.)
3 (.) (c) As variáveis X e Y são independentes. Distribuição de Erlang. tempo entre falhas em uma máquina laser é exponencialmente distribuído com uma média de 500h. (a) Qual é o tempo esperado até a segunda falha? (b) Qual é a probabilidade de que o tempo até a terceira falha exceda 50,000h? Solução: Lembramos que uma variável aleatória exponencial descreve o intervalo até que a primeira contagem é obtida em um processo de Poisson. Uma generalização da distribuição exponencial é a distribuição de Erlang, que descreve o intervalo X até que r contagens ocorram em um processo de Poisson. Se l 0 é o valor esperado da variável aleatória de Poisson, então a função densidade de probabilidade de X, com parâmetros l e r =,,...é dada por restart; f:=(x,r,lambda)->lambda^r*x^(r-)*exp(-lambda*x)/(r-)!; f := x, r, l / lr x r K e Kl x rk! valor esperado e a variância são dados por µ = r l e s = r l. (3.) (a) l d 5000 ; r d ; l := te d r l 5000 r := (3.) te := (3.3) (b) f x, 3, l x e K 5000 x (3.4) int f x, 3, l, x = N 5 e K (3.5) evalf % (3.6)
4 (3.6) K int f x, 3, l, x = e K (3.7). tempo entre falhas em uma máquina laser é exponencialmente distribuído com uma média de 500h. (a) Qual é o tempo esperado até a segunda falha? (b) Qual é a probabilidade de que o tempo até a terceira falha exceda 50,000h? Solução: Lembramos que uma variável aleatória exponencial descreve o intervalo até que a primeira contagem é obtida em um processo de Poisson. Uma generalização da distribuição exponencial é a distribuição de Erlang, que descreve o intervalo X até que r contagens ocorram em um processo de Poisson. Se l 0 é o valor esperado da variável aleatória de Poisson, então a função densidade de probabilidade de X, com parâmetros l e r =,,...é dada por restart; f:=(x,r,lambda)->lambda^r*x^(r-)*exp(-lambda*x)/(r-)!; f := x, r, l / lr x r K e Kl x rk! valor esperado e a variância são dados por µ = r l e s = r l. (4.) (a) l d 5000 ; r d ; l := te d r l 5000 r := (4.) te := (4.3) (b) f x, 3, l x e K 5000 x (4.4) int f x, 3, l, x = N 5 e K (4.5) evalf % (4.6)
5 K int f x, 3, l, x = Distribuição Normal 5 e K (4.7) Uma peça deve ser produzida com um comprimento de 00. mm e desvio padrão de 0. mm. (a) Qual é a probabilidade de que um comprimento seja maior que 00.3 mm ou menor que 99.7 mm? (b) Qual deve ser a média de modo que o maior número de comprimentos fique entre 99.7 mm e 00.3 mm? Determine este número. Solução: (a) f := (mu, sigma,x) -> exp(-(/)*(x-mu)^/sigma^)/(sqrt(* Pi)*sigma); f := PR:=f(00.,0.,x); K µ, s, x / e xk µ s p s PR := ek xk 00. P(x > 00.3):=int(PR,x=00.3..infinity); P 00.3! x := P(x < 99.7) := int(pr, x = -infinity ); P x! 99.7 := u seja, esta última probabilidade é praticamente zero. Portanto, a probabilidade desejada é aproximadamente 0.6. p (5.) (5.) (5.3) (5.4) (b) A média deve estar exatamente no meio destes comprimentos. mu:=( )/(); µ := (5.5) Como a largura da normal é exatamente 3σ = 3(0.)=0.3, devemos ter 99.7 % com comprimentos entre 99.7 mm e 00.3 mm. ; A resistência compressora de amostras de cimento pode ser modelada por uma distribuição normal com uma média de 6500 Kg/ cm e desvio padrão de 0 Kg/cm. (a) Qual é a probabilidade de que a resistência de uma amostra seja menor do que $6450 Kg/ cm? (b) Qual é a probabilidade de que a resistência de uma amostra esteja entre 6400 e 6600 Kg/cm? (c) Qual é a resistência excedida por 95 %? Solução.
6 (a) restart; f := xk µ K µ, s, x / e s p s f := mu := 6500; sigma := 0; K µ, s, x / e µ := 6500 s := 0 xk µ s p s (6.) (6.) P X! 6450 := evalf 6450 KN f µ, s, x dx P X! 6450 := (6.3) u seja, praticamento zero. (b) (c) evalf(int(f(mu, sigma, x), x = )); with(stats); anova, describe, fit, importdata, random, statevalf, statplots, transform statevalf[icdf, normald[mu, sigma]](0.5e-); (6.4) (6.5) (6.6) u seja, Kg/cm Podemos conferir este resultado: f µ, s, x dx (6.7) ; Probabilidade Conjunta e Correlação Determine a covariância e a correlação da seguinte distribuição de probabilidade conjunta:
7 Façamos inicialmente o cálculo manual. A covariância é definida por s XY = E XY K E X E Y restart : µ X dk$ K 0.5$ C 0.5$ C $ 4 µ X := K (7.) µ Y dk$ K $ C $ 4 C $ µ Y := K 4 (7.) µ XY d K $ K $ C K0.5 $ K $ C 0.5$ $ µ XY := C $ $ (7.3) s XY d µ XY K µ X $µ Y A correlação é definida por s := XY (7.4) r XY = s XY s X $s Y onde s X = > x x K µ X fxy x, y Calculemos estas quantidades: K K µ X $ $ C K K µ X $ C K µ X $ 4 C K µ X (7.5) s X d sqrt % s X := (7.6) K. K µ Y $ C K K µ Y $ C K µ Y $ C K µ Y $ (7.7) s Y d sqrt % s Y := (7.) Note que neste caso podemos também usar a fórmula (as probabilidades podem ser fatoradas em cada termo) s X d µ X K µ X ; sy d µ Y K µ Y s X := µ X K s Y := 4 6 µ Y K (7.9)
8 µ Y d K. $ C K $ C $ 4 := µ Y C $ (7.0) µ X d K $ C K0.5 $ C 0.5 $ := µ X 4 C $ (7.) s X ; s Y (7.) r XY d s XY s X $s Y r := XY (7.3) Estes mesmos resultados podem também ser obtidos através dos comandos do pacote Statistics: with Statistics : X := K, K0.5, 0.5, K X := K (7.4) Y d K,K,, K Y := K (7.5) W d,, 4, W := 4 (7.6) Covariance X, Y, weights = W (7.7) Correlation X, Y, weights = W (7.)
9 (7.) ; Determine a covariância e a correlação da densidade de probabilidade conjunta f XY x, y = e KxK y no domínio x 0, y 0. Solução. Novamente, aqui s XY d µ XY K µ X $µ Y. Como µ XY = 0 N 0 N devem ser zero. x y e KxK y dx dy = 0 N x e Kx dx 0 N y e Ky dy = µ X $µ Y, a covariância e a correlação 4 Na transmissão de informação digital, a probabilidade de que um sinal que representa um bit tenha uma distorção alta, moderada ou baixa é 0.0, 0. e 0., respectivamente. Suponha que três sinais são transmitidos e que a quantidade de distorção de cada sinal é independente. Sejam X e Y o número de sinais com distorção alta e moderada, respectivamente. (a) Determine: f XY (x, y), f X x, E(X), f Y y, E(Y X=). (b) São X e Y independentes? Solução. (a) X tem distribuição binomial com n = 3 e p = 0.0 : restart p:= 0.e-: n := 3: fx := x-> binomial(n, x)*p^x*(-p)^(n-x); fx := x/binomial n, x p x K p n K x Lx:=[seq(fX(x), x = 0.. n)]; Lx := , , , (9.) (9.) Y tem distribuição binomial com n =3 e p = 0. p := 0.: n := 3: p3:=0.: fy := (y) -> binomial(n, y)*p^y*(-p)^(n-y) ; fy := y/binomial n, y p y K p n K y Ly := [seq(fy(y), y = 0.. n)]; Ly := 0.790, 0.43, 0.07, (9.3) (9.4) Pr X =, Y = d 3! $$ p$p$p3 Pr X =, Y = d 3! $ p $p Pr X = 3, Y = 0 d 3! 3! p3 Pr X =, Y = := Pr X =, Y = := Pr X = 3, Y = 0 := (9.5) (9.6) (9.7)
10 Pr X =, Y = d 3! $ p$p Pr X = 0, Y = d 3! $ p$p3 Pr X =, Y = := Pr X = 0, Y = := (9.) (9.9) Notemos que, como esperado, P Y = d Pr X = 0, Y = C Pr X =, Y = C Pr X =, Y = ; P Y = := (9.0) Pr X =, Y = 0 d 3! $ p$p3 Pr X = 0, Y = 0 d 3! 3! p3 3 Pr X =, Y = 0 d 3! $ p $p3 Pr X = 0, Y = d 3! $ p p3 Pr X =, Y = 0 := Pr X = 0, Y = 0 := Pr X =, Y = 0 := Pr X = 0, Y = := Pr X = 0, Y = 3 d 3! 3! p 3 Pr X = 0, Y = 3 := 0.00 (9.) (9.) (9.3) (9.4) (9.5) Portanto, formamos a tabela: Y 0 3 X \ 0 E Y, X = d $Pr X =, Y = C $ Pr X =, Y = ; E Y, X = := (9.6) (c) Note que fx $fy (9.7) que é diferente de fxy, = , dado pela tabela. Portanto, X e Y não são independentes.
11 Estimadores Dados relativos à espessura, em angstroms, de óxido em semicondutores são listados a seguir: 45, 43, 46, 49, 4, 436, 4, 40, 43, 433,43, 46, 40, 435, 436, 4, 4, 46, 409, 437, 4, 4, 43, 46. (a) Calcule um estimador pontual da espessura média de óxido para todos os membros da população. (b) Calcule um estimador pontual para o desvio padrão da espessura de óxido para todos os membros da população. (c) Calcule o erro padrão para o estimador pontual da parte (a). (d) Calcule um estimador pontual da mediana. (e) Calcule um estimador pontual da proporção de semicondutores na população que tem espessura de óxido maior do que 430. Solução (a) restart with Statistics : L d rtable 45, 43, 46, 49, 4, 436, 4, 40, 43, 433, 43, 46, 40, 435, 436, 4, 4, 46, 409, 437, 4, 4, 43, 46, subtype = Array ; L :=.. 4 Array Data Type: anything Storage: rectangular rder: Fortran_order (0.) n d 4. n := 4. (0.) Mean L (0.3) (b) ; s d StandardDeviation L s := (0.4) (c) erro padrão é dado por s P d s n s P := (0.5) ou StandardError Mean, L ; (0.6) (d) Median L 44. (0.7)
12 k d 0 : for i to 4 do if L i 430 then k d k C end if; od k u seja, o estimador pontual da proporção é 7 (0.) k n (0.9) ; Duas máquinas produzem um mesmo tipo de peça com um mesmo parâmetro de especificação µ. No entanto, a máquina é mais nova que a máquina e, consequentemente, tem um menor variabilidade do parâmetro nas peças produzidas. Sabemos que a variância associada à máquina é s e que a variância associada à máquina é s = a s. Suponha que temos observações independentes para o parâmetro na máquina e na máquina. (a) Mostre que é um estimador não-tendencioso de µ para qualquer 0 < α <. (b) Determine o erro-padrão do estimador de µ da parte (a). (c) Qual o valor de α que minimiza o erro padrão do estimador pontual de µ? (d) Suponha que a = 4 e n = n. Que valor de α deve ser selecionado para minimizar o erropadrão do estimador de µ da parte (a)? Quão ruim seria a escolha do parâmetro a = 0.5? Solução (a) (b) (c) restart
13 ep := s a n C K a a n n n ep := s a n C K a a n n n (.) eq := a n C K a a n eq := a n C K a a n eq d diff eq, a = 0 eq := a n K K a a n = 0 (.) (.3) a s d solve eq, a a s := a n n C a n (.4) (d) a d 4; n d $n a := 4 n := n (.5) a s 9 (.6) erro padrão neste caso é assume s 0 ep := evalf subs a = 4, n = n, a =. a s, ep ep := s~ n (.7) Se a s = 0.5 temos sqrt evalf subs a = 4, n = * n, a = 0.5, ep ; s~ n (.) u seja, bastante acima do erro mínimo. 3 Uma população normal tem média 00 e variância 5. Qual deve ser o tamanho da amostra aleatória para que o erro padrão da média amostral seja.5? Solução restart: assume(mu,real); assume(sigma,real);assume(sigma>0);
14 f := t/ K t K µ e s p s f := t/ K e p s t K µ s (.) mu := 00; sigma := 5; µ := 00 s := 5 (.) erro padrão da média é dado por e d.5 = s sqrt n e :=.5 = 5 n (.3) solve e, n Portanto, n =.. (.4) 4 A capacidade compressiva do concreto é normalmente distribuída com µ = 500 psi e σ = 40 psi. Determine a probabilidade de que uma amostra aleatória de n = 7 elementos tenha capacidade compressiva no intervalo de 490 psi a 50 psi. Qual o erro padrão da média amostral? Solução. restart s := 40; µ := 500; n := 7 s := 40 µ := 500 n := 7 (3.) erro padrão é: sigmam := evalf n s sigmam := (3.) X d 50; X d 496; X := 50 (3.3)
15 X := 496 (3.3) ZZ := XM K µ sigmam ZZ := XM K (3.4) z d subs XM = X, ZZ ; z d subs XM = X, ZZ z :=.3756 z := K (3.5) f := t, m, s / K t K m e s p s f := t, m, s / K e p s t K m s (3.6) P d evalf int f t, 0,, t =KN..z P := P d evalf int f t, 0,, t =KN..z P := (3.7) (3.) P K P (3.9) 5 A vida efetiva de um componente utilizado em um motor é uma variável aleatória com uma média de 5000 h e desvio padrão de 40 h. A distribuição de vida efetiva é próxima à distribuição normal. fabricante do motor introduz uma melhoria no processo de manufatura deste componente que aumenta a vida média para 5050 h e decresce o desvio padrão para 30 h. Suponha que uma amostra aleatória de n = 6 componentes é selecionada a partir do processo antigo e n = 5 do processo melhorado. Qual é a probabilidade de que a diferença nas duas médias amostrais seja de ao menos 5 horas? Suponha que os dois processos são independentes. Solução A distribuição da média amostral X é normal, com média XM d 5000 XM := 5000 e desvio padrão s M d 40 sqrt 6 s M := 0 (4.) (4.) A distribuição da média amostral X é normal, com média e desvio padrão amostral dados por XM d 5050 XM := 5050 (4.3)
16 s M d 30 sqrt 5 s M := 6 (4.4) A distribuição de XMKXM é normal, com média µ K µ = 5050 K 5000 = 50 e variância Queremos agora determinar s C s = 6 C 0 = 36 n n P XM K XM R 5 Variável normalizada 5 K 50 Z := evalf 36 Z := K (4.5) with Statistics : X := RandomVariable Normal 0, ; X := _R (4.6) K CDF X, Z (4.7) Usamos aqui o seguinte fato: 6 Seja a função densidade de probabilidade Determine o estimador de máxima verossimilhança para θ. Solução. A função de máxima verossimilhança verossimilhança da amostra é
17 restart f i := x e K q x i q x i K f i := x e q q (5.) L d simplify? n f i i = L := x q n x i K q n e?i = (5.) L d subs? n e i = x i K q = exp K n$xb q L :=, L x q n K n Xb q e (5.3) L3 d log L L3 := ln x q n K n Xb q e (5.4) eq d diff L3, q = 0 K eq := x q n q K n Xb q n e x q C x q n K n Xb q e n K n Xb q n Xb e q = 0 (5.5) eq3 d simplify eq eq3 := n K q C Xb q = 0 (5.6) solve eq3, q Xb (5.7) u seja, o estimador de θ é EST q = n > n x i i =
18 7 Ilustre através de um exemplo o fato de que a média amostral é um estimador não tendencioso. Verifique a validade da fórmula de estimação da variância da média amostral. Solução. Tomemos a lista restart with Statistics : L d, 3, 6,, L :=, 3, 6,, (6.) n d nops L n := 5 (6.) kd rand..n k:= proc proc option builtin = RandNumberInterface; end proc 6, 5, 3 C end proc (6.3) k 5 (6.4) Geramos todas as 00 amostras de elementos da população dada pela lista L: NA d 00 : for j from to NA do LL j d L k, L k od: LLb d seq LL h, h =..NA : LLc d op LLb LLc :=,,, 3,, 6,,,,, 3,, 3, 3, 3, 6, 3,, 3,, 6,, 6, 3, 6, 6, 6,, 6,,,,, 3,, 6,,,,,,,, 3,, 6,,,, (6.5) N d nops LLc N := 5 (6.6) Cada uma destas amostras tem média: for k from to N do X k d Mean LLc k od: LLL d seq X m, m =..N ; LLL :=., , 4., 5., , , 3., , , 7., 4., , 6., 7., , 5., , 7.,., , , 7., , ,. (6.7) A média deste estimador é: M d Mean LLL M := 6. (6.)
19 Note que Mean L 6. (6.9) que coincide com a média populacional. Verificaremos agora a validade da fórmula para a variância da média. A variância da população (variância verdadeira) é dada por V d sum L m K Mean L, m =..n n V := A fórmula para o a variância da média, nos diz que esta pode ser estimada por V pois é o número de elementos na amostra. desvio padrão da população é então DPd sqrt V DP:= (6.0) (6.) (6.) Nota: o comando do Maple, s d StandardDeviation L s := (6.3) interpreta o a lista L como uma lista amostral, fazendo, por isso o cálculo: sum L m K Mean L n K, m =..n (6.4) De fato, desvio padrão da distribuição amostral das médias (erro padrão das médias) é sum LLL m K M, m =..N N (6.5) o que concorda com o resultado fornecido pela fórmula de estimação. Uma vez estabelecida a verificação da fórmula para este caso ideal, consideremos agora um exemplo mais realístico. Seja a população descrita pela lista restart with Statistics : L d 6, 5,, 7, 7,, 6.5, 4.3,, 6, 4, 5,, 3, 4, 7,, 9, 7, 6, 7, 5, 6, 7, 9, 0, 9, 4., 6.,., 7,.5,., 4., 0., 9.3, 7.,.3, 6.7, 5., 9.5, 3.3,., 4.5, 0.,.9, 5.3, 7.7, 5.6, 7.7, 7., 9. : n d nops L n := 5 k d rand..n : Tomemos 40 amostras aleatórias de 7 elementos da população dada pela lista L: NA d 40 : for j from to NA do (6.6)
20 LL j d L k, L k, L k, L k, L k, L k, L k od: Cada uma destas amostras tem média: for k from to NA do X k d Mean LL k od: LLL d seq X m, m =..NA ; LLL := , ,.5749, , , , ,.45746, , , , , , ,.45746, , , , , , , , , , , , ,.57457,.45743, , , , , , , , , , , (6.7) A média deste estimador é: M d Mean LLL Notemos que Mean L M := (6.) (6.9) de modo que M é bem próximo do valor verdadeiro. Verificaremos agora a validade da fórmula para a variância da média. A variância da população (variância verdadeira) é dada por V d sum L m K Mean L, m =..n n V := (6.0) A fórmula para o a variância da média, nos diz que esta pode ser estimada por V (6.) pois 7 é o número de elementos nas amostras. desvio padrão verdadeiro da distribuição amostral das médias (erro padrão das médias) é sum LLL m K M, m =..NA NA (6.) que concorda aproximadamente com a estimação. Sejam três amostras aleatórias com tamanhos n = 0, n = 0, n 3 =, tomadas de uma população com média µ e variância s.sejam S, S, S 3, as variâncias das amostras. Mostre que
21 S = 0 S C 0 S C S 3 3 é um estimador não tendencioso de s. Solução Utilizaremos o fato de que a variância de qualquer amostra da população é um estimador não tendencioso da variância da população s, ou seja, E S i = s, i =,, 3. De fato, S definido acima é um estimador não tendencioso de s, pois E S = E 0 S C 0 S C S3 = E S C 0$E S C E S3. = 3 0 s C 0 s C s = s
Probabilidade e Estatística, 2009/1
Probabilidade e Estatística, 009/ CCT - UDESC Prof. Ferado Deeke Sasse Problemas Resolvidos - Estimadores Potuais Dados relativos à espessura, em agstroms, de óido em semicodutores são listados a seguir:
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia maisBC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 2 3 quadrimestre 2011
BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares outubro 011 BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 quadrimestre 011 Além
Leia maisDistribuição de Erlang
Distribuição de Erlang Uma variável aleatória exponencial descreve a distância até que a primeira contagem é obtida em um processo de Poisson. Generalização da distribuição exponencial : O comprimento
Leia maisMODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS
MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS Definições Variáveis Aleatórias Uma variável aleatória representa um valor numérico possível de um evento incerto. Variáveis aleatórias
Leia maisCAPÍTULO 5 - Exercícios
CAPÍTULO 5 - Exercícios Distibuições de variáveis aleatórias discretas: Binomial 1. Se 20% dos parafusos produzidos por uma máquina são defeituosos, determinar a probabilidade de, entre 4 parafusos escolhidos
Leia maisProcessos Estocásticos
Processos Estocásticos Segunda Lista de Exercícios 01 de julho de 2013 1 Uma indústria fabrica peças, das quais 1 5 são defeituosas. Dois compradores, A e B, classificam os lotes de peças adquiridos em
Leia maisAula 5 Distribuição amostral da média
Aula 5 Distribuição amostral da média Nesta aula você irá aprofundar seus conhecimentos sobre a distribuição amostral da média amostral. Na aula anterior analisamos, por meio de alguns exemplos, o comportamento
Leia maisVariáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder
Variáveis aleatórias contínuas e distribuiçao Normal Henrique Dantas Neder Definições gerais Até o momento discutimos o caso das variáveis aleatórias discretas. Agora vamos tratar das variáveis aleatórias
Leia maisProbabilidade e Estatística, 2009/1
Probabilidade e Estatística, 2009/1 CCT - UDESC Prof. Fernando Deeke Sasse Problemas Resolvidos - Intervalos de Confiança 1. s dados relativos a cargas de falha sobre amostras de um tipo de aço fornecem
Leia maisDistribuição Gaussiana. Modelo Probabilístico para Variáveis Contínuas
Distribuição Gaussiana Modelo Probabilístico para Variáveis Contínuas Distribuição de Frequências do Peso, em gramas, de 10000 recém-nascidos Frequencia 0 500 1000 1500 2000 2500 3000 3500 1000 2000 3000
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisCAP4: Controle Estatístico do Processo (CEP)
CAP4: Controle Estatístico do Processo (CEP) O principal objetivo do CEP é detectar rapidamente a ocorrência de causas evitáveis que produzam defeitos nas unidades produzidas pelo processo, de modo que
Leia maisVariabilidade do processo
Variabilidade do processo Em todo processo é natural encontrar certa quantidade de variabilidade. Processo sob controle estatístico: variabilidade natural por causas aleatórias Processo fora de controle:
Leia maisCapítulo 3 Modelos Estatísticos
Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEEC, MEMec o semestre 011/01 1 o Teste B 1/04/01 11:00 Duração: 1 hora e 30 minutos Justifique
Leia maisEstatística e Probabilidade. Aula 8 Cap 05. Distribuição normal de probabilidade
Estatística e Probabilidade Aula 8 Cap 05 Distribuição normal de probabilidade Estatística e Probabilidade Na aula anterior vimos... Distribuições Binomiais Distribuição Geométrica Distribuição de Poisson
Leia maisExercícios - Distribuição Normal (Gauss)
Exercícios - Distribuição Normal (Gauss) Monitora: Juliana e Prof. Jomar 01. Uma empresa produz televisores de dois tipos, tipo A (comum) e tipo B (luxo), e garante a restituição da quantia paga se qualquer
Leia maisExercícios resolvidos sobre Função de probabilidade e densidade de probabilidade
Exercícios resolvidos sobre Função de probabilidade e densidade de probabilidade Você aprendeu o que é função probabilidade e função densidade de probabilidade e viu como esses conceitos são importantes
Leia maisDatas Importantes 2013/01
INSTRUMENTAÇÃO CARACTERÍSTICAS DE UM SISTEMA DE MEDIÇÃO PROBABILIDADE PROPAGAÇÃO DE INCERTEZA MÍNIMOS QUADRADOS Instrumentação - Profs. Isaac Silva - Filipi Vianna - Felipe Dalla Vecchia 2013 Datas Importantes
Leia maisDistribuição Binomial
Distribuição Binomial Exemplo Na manufatura de certo artigo, é sabido que um entre dez artigos é defeituoso. Qual a probabilidade de que uma amostra casual de tamanho quatro contenha: (a) Nenhum defeituoso?
Leia maisProbabilidades: Função massa de probabilidades ou função distribuição de probabilidade ou modelo de probabilidade:
Exame MACS- Probabilidades Probabilidades: Função massa de probabilidades ou função distribuição de probabilidade ou modelo de probabilidade: Nos modelos de probabilidade: há uma primeira fase em que colocamos
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos
Leia maisTécnicas Multivariadas em Saúde. Comparações de Médias Multivariadas. Métodos Multivariados em Saúde - 2015. Roteiro. Testes de Significância
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisCAPÍTULO 5 Exercícios Resolvidos
CAPÍTULO 5 Exercícios Resolvidos R5.) Casais com no máximo filhos Consideremos o conjunto dos casais que têm no máximo dois filhos. Admitamos que dentro desse contexto, cada uma das possibilidades em termos
Leia maisCurvas e Superfícies no Espaço através de Exemplos. 1. Reta tangente, plano normal, vetor normal
Curvas e Superfícies no Espaço através de Exemplos Fernando Deeke Sasse UDESC-Joinville 1. Reta tangente, plano normal, vetor normal Curva dada por função vetorial 1. Encontrar o vetor tangente, a equação
Leia maisDistribuições de Probabilidade Distribuição Poisson
PROBABILIDADES Distribuições de Probabilidade Distribuição Poisson BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisDistribuição de probabilidades
Luiz Carlos Terra Para que você possa compreender a parte da estatística que trata de estimação de valores, é necessário que tenha uma boa noção sobre o conceito de distribuição de probabilidades e curva
Leia maisUma introdução à Teoria das Filas
Uma introdução à Teoria das Filas Introdução aos Processos Estocásticos 13/06/2012 Quem nunca pegou fila na vida? Figura: Experiência no bandejão Motivação As filas estão presentes em nosso cotidiano,
Leia maisGestão de Operações II Teoria das Filas
Gestão de Operações II Teoria das Filas Prof Marcio Cardoso Machado Filas O que é uma fila de espera? É um ou mais clientes esperando pelo atendimento O que são clientes? Pessoas (ex.: caixas de supermercado,
Leia mais4. Tangentes e normais; orientabilidade
4. TANGENTES E NORMAIS; ORIENTABILIDADE 91 4. Tangentes e normais; orientabilidade Uma maneira natural de estudar uma superfície S consiste em considerar curvas γ cujas imagens estão contidas em S. Se
Leia maisUniversidade Federal de São Carlos Departamento de Matemática 083020 - Curso de Cálculo Numérico - Turma E Resolução da Primeira Prova - 16/04/2008
Universidade Federal de São Carlos Departamento de Matemática 08300 - Curso de Cálculo Numérico - Turma E Resolução da Primeira Prova - 16/0/008 1. (0 pts.) Considere o sistema de ponto flutuante normalizado
Leia maisEstatística II Antonio Roque Aula 9. Testes de Hipóteses
Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para
Leia mais1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.
TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à
Leia maisIntervalo de Confiança e cálculo de tamanho de amostra. Henrique Dantas Neder
Intervalo de Confiança e cálculo de tamanho de amostra Henrique Dantas Neder Intervalo de confiança para a média da população µ X Até o momento discutimos as propriedades da distrbuição normal e vimos
Leia maisTipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.
Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - APO
Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - APO 11. O Dia do Trabalho, dia 1º de maio, é o 11º dia do ano quando o ano não é bissexto. No ano de 1958, ano em que o Brasil ganhou,
Leia maisOperações sobre uma variável aleatória
Capítulo 3 Operações sobre uma variável aleatória - Esperança matemática Neste capítulo, introduz-se algumas operações importantes que podem ser realizadas sobre uma variável aleatória. 3.1 Esperança Valor
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisUNIVERSIDADE DOS AÇORES Cursos de Sociologia e de Serviço Social Estatística I 1º Semestre 2006/2007
UNIVERSIDADE DOS AÇORES Cursos de Sociologia e de Serviço Social Estatística I 1º Semestre 2006/2007 Ficha de Exercícios nº 5 Distribuições Importantes 1. A probabilidade de os doentes de uma determinada
Leia maisInferência Estatística Aula 3
Inferência Estatís Aula 3 Agosto de 008 Mônica Barros Conteúdo Revisão de Probabilidade Algumas das principais distribuições discretas Distribuição de Poisson Distribuição Poisson como aproximação da Binomial
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo
Leia maisConceitos Básicos de Estatística Aula 2
Conceitos Básicos de Estatística Aula 2 ISCTE - IUL, Mestrados de Continuidade Diana Aldea Mendes diana.mendes@iscte.pt 13 de Setembro de 2011 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro
Leia maisAvaliação de Desempenho de Sistemas
Avaliação de Desempenho de Sistemas Modelo de Filas M/M/1 e M/M/m Prof. Othon Batista othonb@yahoo.com Modelo de Filas Nas aulas anteriores vimos a necessidade de se utilizar uma distribuição para representar
Leia maisAnálise de Arredondamento em Ponto Flutuante
Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto
Leia maisFaculdade de Economia Universidade Nova de Lisboa TÓPICOS DE CORRECÇÃO DO EXAME DE CÁLCULO I. Ano Lectivo 2007-08 - 1 o Semestre
Faculdade de Economia Universidade Nova de Lisboa TÓPICOS DE COECÇÃO DO EXAME DE CÁLCULO I Ano Lectivo 7-8 - o Semestre Exame Final em 7 de Janeiro de 8 Versão B Duração: horas e 3 minutos Não é permitido
Leia maisCAP5: Amostragem e Distribuição Amostral
CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?
Leia maisTestes (Não) Paramétricos
Armando B. Mendes, DM, UAç 09--006 ANOVA: Objectivos Verificar as condições de aplicabilidade de testes de comparação de médias; Utilizar ANOVA a um factor, a dois factores e mais de dois factores e interpretar
Leia maisUniversidade Federal de São João Del Rei - UFSJ
Universidade Federal de São João Del Rei - UFSJ Instituída pela Lei 0.45, de 9/04/00 - D.O.U. de /04/00 Pró-Reitoria de Ensino de Graduação - PROEN Disciplina: Cálculo Numérico Ano: 03 Prof: Natã Goulart
Leia maisO comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
Leia maisExercício de Revisao 1
Exercício de Revisao 1 Considere que seu trabalho é comparar o desempenho de dois algoritmos (A e B) de computação gráfica, que usam métodos diferentes para geração de faces humanas realistas. São sistema
Leia maisINE 7002 LISTA DE EXERCÍCIOS MODELOS PROBABILÍSTICOS
Lista de Exercícios - Modelos Probabilísticos 1 INE 7002 LISTA DE EXERCÍCIOS MODELOS PROBABILÍSTICOS 35) Em um sistema de transmissão de dados existe uma probabilidade igual a 0,05 de um dado ser transmitido
Leia maisProvas resolvidas do ISS-SP Matemática Financeira Estatística Lógica Professor Joselias joselias@uol.com.br - http://professorjoselias.blogspot.
PROVA RESOLVDA DO CONCURSO DE FSCAL DO SS-SP ESTATÍSTCA- RACOCÍNO LÓGCO E MATEMÁTCA FNANCERA Questão 51. Uma pessoa necessita efetuar dois pagamentos, um de R$ 2.000,00 daqui a 6 meses e outro de R$ 2.382,88
Leia maisCAP4: Distribuições Contínuas Parte 1 Distribuição Normal
CAP4: Distribuições Contínuas Parte 1 Distribuição Normal Quando a variável sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada distribuição contínua. Exemplo 4.1
Leia maisAlém do Modelo de Bohr
Além do Modelo de Bor Como conseqüência do princípio de incerteza de Heisenberg, o conceito de órbita não pode ser mantido numa descrição quântica do átomo. O que podemos calcular é apenas a probabilidade
Leia maisEXCEL NA ANÁLISE DE REGRESSÃO
EXCEL NA ANÁLISE DE REGRESSÃO _2010_03_Exercicio _Regressão_exemplo O gerente de uma loja de artigos escolares, cada semana, deve decidir quanto gastar com propaganda e que atrativo (por exemplo preços
Leia maisExemplos de Testes de Hipóteses para Médias Populacionais
Exemplos de Testes de Hipóteses para Médias Populacionais Vamos considerar exemplos de testes de hipóteses para a média de uma população para os dois casos mais importantes na prática: O tamanho da amostra
Leia maisPROBABILIDADE. Aula 5
Curso: Psicologia Disciplina: Métodos Quantitativos Profa. Valdinéia Data: 28/10/15 PROBABILIDADE Aula 5 Geralmente a cada experimento aparecem vários resultados possíveis. Por exemplo ao jogar uma moeda,
Leia maisEquações Diferenciais Ordinárias
Equações Diferenciais Ordinárias Uma equação diferencial é uma equação que relaciona uma ou mais funções (desconhecidas com uma ou mais das suas derivadas. Eemplos: ( t dt ( t, u t d u ( cos( ( t d u +
Leia maisOs Postulados da Mecânica Quântica
Márcio H. F. Bettega Departamento de Física Universidade Federal do Paraná bettega@fisica.ufpr.br Postulados Introdução Vamos apresentar nestas notas os postulados da mecânica quântica de acordo com o
Leia maisExercícios Sugeridos Variáveis Aleatórias Discretas e Contínuas
Exercícios Sugeridos Variáveis Aleatórias Discretas e Contínuas 1. (Paulino e Branco, 2005) Num depósito estão armazenadas 500 embalagens de um produto, das quais 50 estão deterioradas. Inspeciona-se uma
Leia maisAs cartas de controle podem ser usadas para monitorar ou avaliar um processo. Existem basicamente dois tipos de cartas de controle:
Professor: Leandro Zvirtes UDESC/CCT Cartas de controle As cartas de controle podem ser usadas para monitorar ou avaliar um processo. Existem basicamente dois tipos de cartas de controle: Para dados do
Leia maisFUNÇÃO DE 1º GRAU. = mx + n, sendo m e n números reais. Questão 01 Dadas as funções f de IR em IR, identifique com um X, aquelas que são do 1º grau.
FUNÇÃO DE 1º GRAU Veremos, a partir daqui algumas funções elementares, a primeira delas é a função de 1º grau, que estabelece uma relação de proporcionalidade. Podemos então, definir a função de 1º grau
Leia maisCap. 12 Testes Qui- Quadrados e Testes Não-Paramétricos. Statistics for Managers Using Microsoft Excel, 5e 2008 Prentice-Hall, Inc.
Cap. 1 Testes Qui- Quadrados e Testes Não-Paramétricos Statistics for Managers Using Microsoft Excel, 5e 008 Prentice-Hall, Inc. Chap 1-1 Final de curso... tempo de recordar : ) Cap. 9 Fundamentos de testes
Leia maisObjetivos. Teoria de Filas. Teoria de Filas
Objetivos Teoria de Filas Michel J. Anzanello, PhD anzanello@producao.ufrgs.br 2 Teoria de Filas Filas estão presentes em toda a parte; Exemplos evidentes de fila podem ser verificados em bancos, lanchonetes,
Leia maisfx-82ms fx-83ms fx-85ms fx-270ms fx-300ms fx-350ms
O uso da Calculadora Científica (Casio fx) fx-82ms fx-83ms fx-85ms fx-270ms fx-300ms fx-350ms Prof. Ms. Renato Francisco Merli 2013 1 Sumário 1. Antes de Começar... 2 2. Cálculos Básicos... 8 3. Cálculos
Leia maisAfinal o que são e como se calculam os quartis? Universidade do Algarve Departamento de Matemática
Afinal o que são e como se calculam os quartis? Susana Fernandes Mónica Pinto Universidade do Algarve Departamento de Matemática Introdução Imaginemos que queremos calcular os quartis de um conjunto de
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia maisRevisão: Noções básicas de estatística aplicada a avaliações de imóveis
Curso de Avaliações Prof. Carlos Aurélio Nadal cnadal@ufpr.br 1 AULA 03 Revisão: Noções básicas de estatística aplicada a avaliações de imóveis 2 OBSERVAÇÃO: é o valor obtido durante um processo de medição.
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisAluno do Curso de Lic. em Matemática da UFMS; e mail: tmviana2000@gmail.com;
Encontro de Ensino, Pesquisa e Extensão, Presidente Prudente, 22 a 25 de outubro, 2012 26 GRUPOS DE PERMUTAÇÕES E ALGUMAS DE PROPOSIÇÕES Thiago Mariano Viana 1, Marco Antônio Travasso 2 & Antônio Carlos
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia mais29/Abril/2015 Aula 17
4/Abril/015 Aula 16 Princípio de Incerteza de Heisenberg. Probabilidade de encontrar uma partícula numa certa região. Posição média de uma partícula. Partícula numa caixa de potencial: funções de onda
Leia maisModelos de Filas de Espera
Departamento de Informática Modelos de Filas de Espera Métodos Quantitativos LEI 2006/2007 Susana Nascimento (snt@di.fct.unl.pt) Advertência Autor João Moura Pires (jmp@di.fct.unl.pt) Este material pode
Leia mais9 Comandos condicionais
9 Comandos condicionais Um comando condicional é uma instrução empregada quando se deseja criar um desvio, isto é, a opção de executar-se ou não um determinado trecho de código, segundo uma condição. Em
Leia maisIntrodução a Teoria das Filas
DISC. : PESQUISA OPERACIONAL II Introdução a Teoria das Filas Prof. Mestre José Eduardo Rossilho de Figueiredo Introdução a Teoria das Filas Introdução As Filas de todo dia. Como se forma uma Fila. Administrando
Leia maisProf. Msc. Fernando Oliveira Boechat
Prof. Msc. Fernando Oliveira Boechat Prof. Fernando Oliveira Boechat 1 Controle de Processos: Objetivos Gerar as informações necessárias ao desenvolvimento dos novos produtos; Fornecer os subsídios necessários
Leia maisEstatística Descritiva
Estatística Descritiva Como construir uma distribuição de freqüências. Como construir gráficos de freqüências. Como encontrar medidas de tendência central. Como encontrar medidas de variabilidade. Como
Leia maisAula 1: Introdução à Probabilidade
Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo
Leia maisProcesso de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa. O tamanho do grupo é uma variável aleatória discreta
Aula 5 Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios? Processo de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa.
Leia maisSÉRIE: Estatística Básica Texto 4: TESTES DE HIPÓTESES SUMÁRIO
SUMÁRIO. INTRODUÇÃO... 3.. GENERALIDADES... 3.. METODOLOGIA DO TESTE DE HIPÓTESES... 3.3. AS HIPÓTESES... 3.4. A ESCOLHA DO TESTE ESTATÍSTICO... 4.5. CONCEITOS ADICIONAIS DO TESTE DE HIPÓTESES... 4.6.
Leia maisElaborado por Eduardo Rebouças Carvalho Hermano Alexandre Lima Rocha DISTRIBUIÇÃO NORMAL
Faculdade de Medicina Universidade Federal do Ceará Elaborado por Eduardo Rebouças Carvalho Hermano Alexandre Lima Rocha DISTRIBUIÇÃO NORMAL - Uma curva de distribuição pode descrever a forma da distribuição
Leia maisIntrodução ao estudo de equações diferenciais
Matemática (AP) - 2008/09 - Introdução ao estudo de equações diferenciais 77 Introdução ao estudo de equações diferenciais Introdução e de nição de equação diferencial Existe uma grande variedade de situações
Leia maisGrupo A - 1 o semestre de 2014 Gabarito Lista de exercícios 5 - Variáveis Aleatórias e Distribuição Binomial C A S A
Exercício 1. (2,0 pontos). Dados sobre acidentes automobilísticos levantados por uma companhia de seguros informaram o seguinte: a probabilidade de que um motorista segurado sofra um acidente automobilístico
Leia maisNota de Aplicação IHM 004
N.A 004 Configuração de receita básica e avançada. Objetivo: Este documento informa detalhadamente o procedimento de criação dos dois tipos de receitas, básica e avançada. Obs: O software demonstrativo
Leia maisExercícios de Filas de Espera Enunciados
Capítulo 8 Exercícios de Filas de Espera Enunciados Enunciados 124 Problema 1 Os autocarros de uma empresa chegam para limpeza à garagem central em grupos de cinco por. Os autocarros são atendidos em ordem
Leia maisSolução do Conjunto de Problemas 2
Solução do Conjunto de Problemas 2 Parte A. Capítulo 3. 1. 66 & 71.999 2. Veja anexo (a) idade 1 : 8/5 = 1,6% idade 11 : 13/9 = 1,444% Portanto, há mais crianças na idade 1. (b) idade 21 : 10/7 = 1,4%
Leia maisx d z θ i Figura 2.1: Geometria das placas paralelas (Vista Superior).
2 Lentes Metálicas Este capítulo destina-se a apresentar os princípios básicos de funcionamento e dimensionamento de lentes metálicas. Apresenta, ainda, comparações com as lentes dielétricas, cujas técnicas
Leia maisNotas de Cálculo Numérico
Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo
Leia maisDiferenciais inexatas e o fator integrante
Métodos Matemáticos 202 Notas de Aula Equações Diferenciais Ordinárias III A C Tort 2 de outubro de 202 Diferenciais inexatas e o fator integrante imos que a EDO implícita: é exata se e apenas se: M(x,
Leia maisA finalidade dos testes de hipóteses paramétrico é avaliar afirmações sobre os valores dos parâmetros populacionais.
Prof. Janete Pereira Amador Introdução Os métodos utilizados para realização de inferências a respeito dos parâmetros pertencem a duas categorias. Pode-se estimar ou prever o valor do parâmetro, através
Leia maisCONSERVAÇÃO DA ENERGIA MECÂNICA
CONSERVAÇÃO DA ENERGIA MECÂNICA Material Utilizado: - um conjunto para experimentos com trilho de ar composto de: - um trilho de ar (PASCO SF-9214) - um gerador de fluxo de ar (PASCO SF-9216) - um carrinho
Leia maisPremium até 10 S.M. 180 60 30 20 10 a 20 S.M. 80 40 40 40 20 a 30 S.M. 60 30 60 70 mais de 30 S.M. 40 20 70 160
1 MQI 2003 Estatística para Metrologia semestre 2008.01 LISTA DE EXERCÍCIOS # 1 PROBLEMA 1 Uma empresa de TV a cabo toma uma amostra de 1000 clientes, com o objetivo de verificar a relação entre a renda
Leia maisPredição em Modelos de Tempo de Falha Acelerado com Efeito Aleatório para Avaliação de Riscos de Falha em Poços Petrolíferos
1 Predição em Modelos de Tempo de Falha Acelerado com Efeito Aleatório para Avaliação de Riscos de Falha em Poços Petrolíferos João Batista Carvalho Programa de Pós-Graduação em Matemática Aplicada e Estatística,
Leia maisControle estatístico, manutenção e confiabilidade de processos. Profa. Rejane Tubino
Controle estatístico, manutenção e confiabilidade de processos Profa. Rejane Tubino Cartas de controle- CEP Aplicação: quando se necessitar verificar quanto de variabilidade do processo é devido à variação
Leia maisCONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos
INTRODUÇÃO À PROAILIDADE Exemplos: O problema da coincidência de datas de aniversário O problema da mega sena A teoria das probabilidade nada mais é do que o bom senso transformado em cálculo A probabilidade
Leia maisEstudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisEquações Diferenciais
Equações Diferenciais EQUAÇÕES DIFERENCIAS Em qualquer processo natural, as variáveis envolvidas e suas taxas de variação estão interligadas com uma ou outras por meio de princípios básicos científicos
Leia mais