Distribuições de Probabilidade. Frases. Roteiro
|
|
- Tiago Gonçalo Lisboa
- 5 Há anos
- Visualizações:
Transcrição
1 Distribuições de robabilidade Frases Uma probabilidade razoável é a única certeza Samuel Howe A experiência não permite nunca atingir a certeza absoluta. Não devemos procurar obter mais que uma probabilidade. Bertrand Russel Roteiro. Distribuições de robabilidade 2. Aproximação da Binomial 3. Geração de Números Aleatórios 4. Ajuste de Distribuições 5. Referências
2 Distribuições de robabilidade Funcionalidades Como pacote estatístico, o Minitab efetua os seguintes cálculos referentes a distribuições de probabilidade: robabilidade no ponto (distribuição discreta) Densidade de probabilidade no ponto (distribuição contínua) Função de distribuição acumulada no ponto Quantil correspondente a uma probabilidade Calc > robability Distributions
3 Distribuições Discretas Minitab: Binomial Hipergeométrica Discreta Inteira oisson Outras: Binomial Negativa Geométrica Bernoulli Distribuições Discretas Comandos robabilidade no ponto(s) { X k} = robabilidade acumulada { X k} Quantil referente a uma probabilidade { X a} p = Valores de entrada Notação: Distribuição Binomial Função de probabilidade: Esperança: Variância: X ~ binomial( n, p) np np( p) n p k n k { X = k} = p ( p)
4 Distribuição Binomial Exemplo Montar tabela com os valores de distribuição binomial com parâmetros n = 3 e p =,4 ara gerar os valores dos pontos (k): Calc > Make atterned Data > Simple Set of Numbers Valores de k Binomial robabilidades no onto arâmetros Valores de entrada Valores de saída Binomial robabilidades Acumuladas arâmetros Valores de entrada Valores de saída
5 Binomial (3;,4) Tabela k (X=k) (X<=k),,,, 2,, 3,, 4,,2 5,4,6 6,2,7 7,26,44 8,5,94 9,82,76,5,29,4,43 2,47,578 3,36,75 4,,825 5,78,93 6,49,952 7,27,979 8,3,992 9,5,997 2,2,999 2,, 22,, 23,, Gráfico da Função de robabilidade Graph > Scatter lot > Single Binomial (3;,4) Gráfico Função de robabilidade,6 Função de robabilidade - Binomial (3,,4),4,2, (X=k),8,6,4,2, k
6 Quantis Quantis da binomial(3;,4) para,56;,58;,6;... ;,672 ara gerar os valores das probabilidades Calc > Make atterned Data > Simple Set of Numbers Valores de probabilidade Cálculo dos quantis arâmetros Valores de entrada Valores de saída Binomial (3;,4) Tabela de Quantis p quantil,56 8,58 8,6 8,62 8,64 8,66 8,68 8,7 8,72 8,74 8,76 8,78 8,8 8,82 8,84 8,86 8,88 8,9 8,92 8,94 8,96 9,98 9, 9,2 9 { X a} p =
7 Distribuições Contínuas Qui-quadrado Normal F t de Student Uniforme Beta Exponencial Gama Valor extremo Lognormal Logística Weibull outras Distribuições Discretas Comandos robabilidade no ponto(s) { X k} = robabilidade acumulada { X k} Quantil referente a uma probabilidade { X a} p = Valores de entrada Distribuição Normal Notação: X ~ N(µ, s 2 ) Função de densidade: Esperança: µ Variância: s 2 f ( x) = 2 x µ exp 2π σ 2 σ
8 Cálculo de robabilidades ara valores únicos, são mais fáceis de serem obtidos através da janela Session: Editor > Enable Commands ara cálculo de densidade: DF valor do quantil; nome distribuição parâmetro parâmetro 2. ara cálculo da função de distribuição acumulada CDF valor do quantil; nome distribuição parâmetro parâmetro 2. ara cálculo de quantil: InvCDF valor da probabilidade; nome distribuição parâmetro parâmetro 2. Normal adrão f ( ) MTB > DF -; SUBC> Normal,,. robability Density Function Normal with mean = and standard deviation = x f( x ) -,2497 { X } MTB > CDF -; SUBC> Normal,,. Cumulative Distribution Function Normal with mean = and standard deviation = x ( X <= x ) -,58655 { X a} =, 5 MTB > InvCDF,5; SUBC> Normal,,. Inverse Cumulative Distribution Function Normal with mean = and standard deviation = ( X <= x ) x,5 -,64485 X ~ N (,) MTB > cdf 95; SUBC> normal. { X < 95} Cumulative Distribution Function Normal with mean = and standard deviation = x ( X <= x ) 95,38538 { 9 < X < } =,84345,58655 =,68269 Cumulative Distribution Function Normal with mean = and standard deviation = x ( X <= x ) 9,58655,84345 { X > 95} =,58655 =,84345
9 Gráficos Densidade Normal Sobrepor gráficos das funções de densidade N (, ), N (, 25) e N(9, 25). Criar coluna das abcissas X: Calc > Make atterned Data > Simple Set of Numbers Valores de X Calcular as probabilidades da coluna N(,): Calc > robability Distributions > Normal arâmetros Valores de entrada Valores de saída Repetir o procedimento de cálculo de probabilidades para N(, 25) e N(9, 25). Fazer gráfico sobreposto: Graph > Scatterplot > Simple
10 Funções de Densidade Normal Densidade de robabilidade,9,8,7,6,5,4,3,2, Variable N(, ) N(, 25) N(9, 25), X arâmetro de locação: µ arâmetro de escala: s 2 Gráfico Função de Distribuição Acumulada Sobrepor gráficos das funções de distribuição acumulada N (, ), N (, 25) e N(9, 25). Usar coluna das abcissas X montada para as densidades; Calcular as probabilidades acumuladas da coluna Ac N(,): Calc > robability Distributions > Normal arâmetros Valores de entrada Valores de saída
11 Repetir o procedimento de cálculo de probabilidades para Ac N(, 25) e Ac N(9, 25). Fazer gráfico sobreposto: Graph > Scatterplot > Simple Função de Distribuição Acumulada Normal robabilidade Acumulada,,8,6,4,2 Variable Ac N(, ) Ac N(, 25) Ac N(9, 25), X 2 3 Distribuição Exponencial Notação: X ~ exponencial (?) Função de densidade: Esperança: Variância: λ 2 λ λe f ( x) = λx x c. c.
12 Distribuição Exponencial Notação: X ~ exponencial (ß) Função de densidade: Esperança: β f ( x) = e β x β x c. c. Variância: 2 β Cálculos de robabilidade O parâmetro da exponencial utilizado pelo Minitab é a média da distribuição odem ser obtidos através da janela Session: Editor > Enable Commands ara cálculo de densidade (ou probabilidade acumulada ou quantil): DF(ou CDF ou InvCDF) valor; exponencial média. X ~ exponencial média,5 { X > 2} =,98684 =,836 MTB > CDF 2; SUBC> exponencial,5. Cumulative Distribution Function Exponential with mean =,5 x ( X <= x ) 2,98684 {,2 < X <,5 } =,6322,32968 =,3244 Cumulative Distribution Function Exponential with mean =,5 x ( X <= x ),2,32968,5,6322 MTB > InvCDF,5; SUBC> exponencial,5. { X a } =, 5 Inverse Cumulative Distribution Function Exponential with mean =,5 ( X <= x ) x,5,346574
13 Variáveis Discretas robabilidade No caso de variáveis discretas, o comando DF fornece a probabilidade em um ponto; A função de distribuição acumulada F(x) permite o cálculo de probabilidades em subconjuntos de pontos: {a = X = b} = F(b) F(a) = {X =b} { X = a} X ~ binomial (;,35) { X = 7 } MTB > pdf 7; SUBC> binomial,35. robability Density Function Binomial with n = and p =,35 x ( X = x ) 7,223 { X < 8 } { 7 } = X MTB > CDF 7; SUBC> binomial,35. Cumulative Distribution Function Binomial with n = and p =,35 x ( X <= x ) 7,99579 { 4 X < 7 } { 3 < 6 } = X =,53827, =,4649 Cumulative Distribution Function Binomial with n = and p =,35 x ( X <= x ) 3, , Dada por: Função Gama Γ r x ( r) = x e dx Se r é inteiro positivo, então: Γ( r) = ( r )!
14 Exemplo Função Gama ode ser obtidos através da janela Session: Editor > Enable Commands Let K nº = gamma(valor) rint K nº Calcular G(2,3) MTB > Let K = gamma(2,3) MTB > print k Data Display K,667 Distribuição de Weibull Notação: X ~ Weibull (ß, d) Função de densidade: Esperança: Variância: δ Γ( + β ) arâmetro de forma: ß arâmetro de escala: d β β x f ( x) = e δ δ { Γ( + 2 ) [ ( )] } 2 β Γ β 2 δ + x β δ x c. c. Gráficos Densidade de Weibull Sobrepor gráficos das funções de densidade Weibull com parâmetros de forma e de escala iguais a: e ; 3,4 e 2; 4,5 e 6,2. Criar coluna das abcissas X_w: Calc > Make atterned Data > Simple Set of Numbers First value: Last value: 5 In steps of:,
15 Calcular as probabilidades das colunas W(, ), W(3,4; 2) e W(4,5; 6,2): Calc > robability Distributions > Weibull arâmetros Valores de entrada Valores de saída Fazer gráfico sobreposto: Graph > Scatterplot > Simple Densidade de W(; ), W(3,4; 2) e W(4,5; 6,2) Densidade de robabilidade,9,8,7,6,5,4,3,2, Variable W(; ) W(3,4; 2) W(4,5; 6,2) W(ß, d), X_w arâmetro de forma: ß arâmetro de escala: d
16 Distribuição Gama Notação: X ~ Gama (r,?) Função de densidade: Esperança: Variância: r λ r 2 λ arâmetro de forma: r arâmetro de escala:? f ( x) r λ = r x e Γ( r) λx x > c. c. Distribuição Gama Minitab Notação: X ~ Gama (r, ß) Função de densidade: Esperança: rβ x r x e f ( x) = Γ( r) β β r x > c. c. Variância: 2 rβ arâmetro de forma: r arâmetro de escala: ß Gráficos Densidade Gama Sobrepor gráficos das funções de densidade gama com parâmetros de forma e de escala iguais a: e ; 2 e,5; 2 e. Criar coluna das abcissas X_g: Calc > Make atterned Data > Simple Set of Numbers First value: Last value: 6 In steps of:,
17 Calcular as probabilidades das colunas G(, ), G(2;,5) e G(2; ): Calc > robability Distributions > Weibull arâmetros Valores de entrada Valores de saída Fazer gráfico sobreposto: Graph > Scatterplot > Simple Densidades Gama Densidade de robabilidade,9,8,7,6,5,4,3,2, Variable G(, ) G(2;,5) G(2, ) G(r, ß), 2 3 X_g arâmetro de forma: r arâmetro de escala: ß
18 Aproximação da Binomial Aproximação pela oisson Se n? 8 e p?, com np?? então a variável aleatória X B ~ Binomial (n, p) pode ser aproximada por X ~ oisson (?), neste caso? np. Exemplo Calcule os valores de {X = x} e {X = x} para X ~ Binomial (7;,) Calcule as mesmas probabilidades usando a oisson (X ) Verifique a aproximação comparando os gráficos das funções de distribuição acumulada das duas variáveis
19 Gerar coluna das abcissas X_b: Calc > Make atterned Data > Simple Set of Numbers First value: Last value: 7 In steps of: Calcular as probabilidade binomiais Calcular as probabilidades oisson Gráficos de distribuição acumulada. Graph > Scatter lot > Single
20 x_b Distribuição Acumulada Exata e Aproximada Função de robabilidade Exata e Aproximada,,9,5,4 Variable (X_b=x) (X_p=x) Y-Data,8,7 Y-Data,3,2,6,,5, x_b Abcissas entre e Abcissas entre e 3 Não é a representação correta da função de distribuição de uma variável discreta Se o valor de p se aproxima de, deve-se fazer uma transformação para assegurar a qualidade da aproximação da binomial pela oisson: X B ~ binomial (n, p) Y B ~ binomial (n, -p) Desta maneira: {X B = k} = {Y B = n k } Assim pode-se aproximar Y B pela oisson, com o mesmo procedimento anterior Exemplo Seja X B ~ binomial (7;,98) Calcular as seguintes probabilidades exatas, comparando-as com sua aproximação pela oisson {X B = 68} {X B =65} {65 < X B =68}
21 X B ~ binomial (7;,98) { = 68 } X B MTB > pdf 68; SUBC> binomial 7,98. robability Density Function Binomial with n = 7 and p =,98 x ( X = x ) 68,24454 { 65 } X B MTB > CDF 65; SUBC> binomial 7,98. Cumulative Distribution Function Binomial with n = 7 and p =,98 x ( X <= x ) 65,32298 { 65 X 68 } < B =,49559,32298 =, MTB > cdf 68; SUBC> binomial 7,98. Cumulative Distribution Function Binomial with n = 7 and p =,98 x ( X <= x ) 68,49559 Y B ~ binomial (7;,2) Y ~ oisson (,4) MTB > pdf 2; SUBC> poisson,4. { X B = 68 } { Y = 7 68 } robability Density Function oisson with mean =,4 x ( X = x ) 2,24665 { X B 65 } { Y 5 } = { Y 4} =, =,4253 { 65 < X B 68 } { 2 Y < 5 } = { < Y 4} Cumulative Distribution Function oisson with mean =,4 x ( X <= x ) 4,985747,59833 =,985747,59833 =,39394 robabilidades {X B = 68} {X B =65} Comparação Exata,2445,32 Aproximação oisson,247,43 {65 < X B =68},3963,3939
22 Aproximação pela Normal Há situações em que a variável aleatória X B ~ Binomial (n, p) pode ser aproximada por X N ~ Normal (np, np(-p)). Em geral a aproximação é aceitável quando np = 5 e np(-p) = 5, sendo melhor quanto maior for o valor de n. Correção de Continuidade {X B = k} { k,5 = X B =k +,5} X B ~ binomial (;,5) X N ~ normal (5,25) { X B = 68 } { 67,5 X 68,5 } =,999892, =,53 { X B 6 } { X 6,5 } N =,98236 N Cumulative Distribution Function Normal with mean = 5 and standard deviation = 5 x ( X <= x ) 68,5, ,5, ,5,98236 { 6 < X B 68 } { 6,5 < X 68,5 } =,999892,98236 =,7756 N
23 robabilidades {X B = 68} {X B =6} Comparação Exata,,9824 Aproximação oisson,,982 {6 < X B =68},75,78 Comparação da Aproximação e Exata Criar coluna X_bn de a Calc > Make atterned Data > Simple Set of Numbers First value: Last value: In steps of: Criar coluna X_corr = X_bn +,5 Calc > Calculator Calcular na coluna XB(;,5) as probabilidades acumuladas binomiais (exatas) Calcular na coluna XN(5; 25) as probabilidades acumuladas aproximadas pela normal (com correção de continuidade)
24 Construir gráfico das distribuições acumuladas sobrepostas XB(,,5) e XN(5, 25) Distribuição Acumulada de XB(,,5) e XN(5,25), robabilidade Acumulada,8,6,4,2 Variable XB(,,5) * X_b XN(5,25) * X_co, Valores de X Abcissas entre 4 e 6 Comparação entre Aproximações () Distribuição exata: X B ~ (7;,) Aproximação normal: coluna XN(5; 25) Aproximação de oisson: calculada a coluna Y(5) para uma variável Y ~ oisson(5) Comparação gráfica entre as 3 distribuições Aproximação oisson e Normal de Binomial (7,,),,8 Y-Data,6,4,2 Variable (X_b<=k) * x_b (X_p<=x) * x_b XN(7;,693) * x_b, X-Data Abcissas entre e
25 Comparação entre Aproximações (2) Distribuição exata: X B ~ (;,5) Aproximação normal: coluna XN(5; 25) Aproximação de oisson: calculada a coluna Y(5) para uma variável Y ~ oisson(5) Comparação gráfica entre as 3 distribuições Aproximações Normal e oisson da Binomial (,,5),,8 Y-Data,6,4,2 Variable XB(;,5) * x_b X(5) * x_bn XN(5,25) * x_cor, X-Data 6 7 Abcissas entre 3 e 7 Aproximações Comentários Mantidas as condições de qualidade de cada aproximação, temos: A aproximação de oisson é melhor que a aproximação normal para valores de p nas proximidades de e. A aproximação Normal é melhor que a aproximação de oisson para valores intermediários de p.
26 Geração de Números Aleatórios Gerador de Números Aleatórios São usados para simular modelos, estudar estimadores, etc. O Minitab executa sua geração de acordo a várias distribuições de probabilidade: Discretas Binomial Hipergeométrica Discreta oisson outras Contínuas Uniforme Normal Exponencial Lognormal outras Calc > Random Data
27 Exemplo Geração de Normais Gerar 2 amostras de uma N(86,6; 4,6 2 ) de tamanho 29 e armazenar nas colunas N e N2 Calcular a média e o desvio padrão amostral Construir o histograma das amostras em painéis separados Comparar os histogramas com a função de densidade exata Geração de Amostras Normais Calc > Random Data Os resultados serão exclusivos a cada procedimento Média e Desvio adrão Amostrais MTB > Describe 'N' 'N2'; SUBC> Mean; SUBC> StDeviation. Descriptive Statistics: N; N2 Variable Mean StDev N 86,869 4,235 N2 86,6 4,783 Valores exatos: Média: 86,6 Desvio padrão: 4,6
28 Construção Histogramas Histogramas de N e N2 N,8 Densidade de robabilidade,8,6,4 N2,6,4,2,,2, Usar densidade no eixo Y Edit anels > Arrangement > Rows: 2/ Columns: Comparação com Distribuição Exata Clicando com o botão direito do mouse no gráfico: Add > Distribution Fit
29 Histogramas de N e N2 Normal N,8 Densidade de robabilidade,8,6,4 N2,6,4,2,,2, Exemplo 2 Geração de Exponenciais Gerar 3 amostras de tamanho 34 de uma exponencial com média 28 e armazenar nas colunas E, E2 e E3. Calcular a média e o desvio padrão amostral Construir o histograma das amostras em painéis separados Comparar os histogramas com a função de densidade exata Geração de Amostras Exponenciais Repetir os procedimentos de geração de números aleatórios para amostra exponencial
30 Média e Desvio adrão Amostrais MTB > describe 'E'-'E3'; SUBC> mean; SUBC> StDev. Descriptive Statistics: E; E2; E3 Variable Mean StDev E 6,3 37, E2 9,4 2,4 E3 24, 34,4 Valores exatos: Média: 28 Desvio padrão: 28 Histogramas de E, E2 e E E E2,48,36,24,2 Density,48 E3,,36,24,2, Usar densidade no eixo Y Comparação com Distribuição Exata Clicando com o botão direito do mouse no gráfico: Add > Distribution Fit
31 Histogramas de E, E2 e E3 Exponential E E2,8,6,4,2 Density,8 E3,,6,4,2, Exemplo 3 Geração de Weibull Gerar 2 amostras de tamanho 43 de uma Weibull com parâmetro de forma 2,3 e parâmetro de escala 48 e armazenar nas colunas W e W2. Calcular a média e o desvio padrão amostral Construir o histograma das amostras em painéis separados Comparar os histogramas com a função de densidade exata Geração de Amostras Exponenciais Repetir os procedimentos de geração de números aleatórios para amostra exponencial
32 Média e Desvio adrão Amostrais MTB > describe 'W' 'W2'; SUBC> mean; SUBC> StDev. Descriptive Statistics: W; W2 Variable Mean StDev W 34,88 63,8 W2 44,47 56,7 Valores exatos: Média Desvio padrão MTB > let k = 2,3 MTB > let k2 = 48 MTB > let k3 = k2*gamma(+/k) MTB > print k3 Data Display K3 3,5 MTB > let k4=k2**2*(gamma(+2/k)-(gamma(+/k))**2) MTB > let k5 = sqrt(k4) MTB > print k5 Data Display K5 6,4552 Histogramas de W e W2 W,8,6,4 Density W2,2,,8,6,4,2, Usar densidade no eixo Y Edit anels > Arrangement > Rows: 2/ Columns: Comparação com Distribuição Exata Clicando com o botão direito do mouse no gráfico: Add > Distribution Fit
33 Histogramas de W e W2 Weibull W,8,6,4 Density W2,2,,8,6,4,2, Ajuste de Distribuições Verificação de Normalidade Muitos procedimentos estatístico adotam a hipótese de normalidade dos dados Assim, é freqüente a necessidade de verificação de normalidade dos dados No Minitab, uma das maneiras de verificar a adequação do modelo (normal e outros) é através do robability lot
34 Teste de normalidade da coluna N: Graph > robability lot > Single ercent robability lot of N Normal - 95% CI Mean 86,87 StDev 4,235 N 29 AD,49 -Value,959 arâmetros estimados Estatística de teste -valor p/ o teste: H: dados normais H: Dados não-normais N 9 95 Se os pontos estiverem próximos à reta, há indicação de normalidade Os outliers aparecem como pontos distantes do padrão geral Repetição do procedimento para coluna E: robability lot of E Normal - 95% CI arâmetros estimados Mean 6,3 StDev 37, N 34 AD 2,879 -Value <,5 8 7 ercent valor p/ o teste: H : dados normais H : Dados não-normais -4-2 E H Rejeitada ontos afastam-se da reta Teste rejeita a hipótese de normalidade
35 Exemplo 4 Ajuste de Modelo Repetir o teste de normalidade para as colunas E2, E3, W e W2 Graph > robability lot > Single ercent E2 W robability lot of E2; E3; W; W2 Normal - 95% CI E3 2 W2 2 O histograma de W2 apresenta uma maior simetria comparado com o de W E2 Mean 9,4 StDev 2,4 N 34 AD 2,3 -Value <,5 E3 Mean 24, StDev 34,4 N 34 AD 2,4 -Value <,5 W Mean 34,9 StDev 63,8 N 43 AD,28 -Value <,5 W2 Mean 44,5 StDev 56,7 N 43 AD,543 -Value,54 H Rejeitada Sem evidência pra rejeitar H Verificar o ajuste à exponencial das colunas E, E2 e E3 Graph > robability lot > Single
36 E robability lot of E; E2; E3 Exponential - 95% CI E2 E H : modelo exponencial H : outro modelo Mean 6,3 N 34 AD,62 -Value,34 ercent 9 5 E3, E2 Mean 9,4 N 34 AD,253 -Value,57,,,,, E3 Mean 24, N 34 AD,935 -Value,36 Não há evidências para rejeitar H Apesar de haver pontos fora da banda de confiança do gráfico, as estatísticas de teste não permitem rejeitar a hipótese de modelo exponencial Verificar o ajuste ao modelo Weibull das colunas W e W2 Graph > robability lot > Single robability lot of W; W2 Weibull - 95% CI H : modelo Weibull H : outro modelo ercent W W2 W 99 Shape 2,263 Scale 5,8 9 N AD,52 6 -Value <, 5 W2 4 Shape 2,786 3 Scale 6, 2 N 43 AD,678 -Value,74 5 Há evidências para rejeitar H Não há evidências para rejeitar H No caso de W, a quantidade de pontos fora da banda de confiança do gráfico, pode ter influenciado a estatística de teste a rejeitar a hipótese de modelo Weibull.
37 Exemplo 5 Amostra Binomial Gere 3 amostras de tamanho 25 de uma distribuição binomial com parâmetros n = 7 e p =,4 e as armazene nas colunas B, B2 e B3 Verifique a normalidade dos elementos padronizados de cada amostra Geração das amostras binomiais Calc > Random Data > Binomial adronização No caso da binomial a padronização exata é dada por: xi np zi = np( p) No exemplo a média e o desvio padrão são: MTB > let k = 7*,4 MTB > let k2 = sqrt(7*,4*,6) MTB > print k k2 Data Display K 28, K2 4,9878
38 No Minitab, a padronização é obtida por: Calc > Standardize Média Desvio padrão Gráfico de probabilidade normal para as colunas Bp, Bp2 e Bp3 Graph > robability lot > Single robability lot of Bp; Bp2; Bp3 Normal - 95% CI H : Normalidade dados H : outro modelo 99 Bp 99 Bp2 Bp Mean,4 9 9 StDev,27 N AD,535 -Value,54 Bp2 Mean,323 ercent Bp StDev,65 N 25 AD,492 -Value,99 Bp3 Mean,2928 Não há evidências para rejeitar H StDev,237 5 N 25 AD,235 -Value, Há evidências de que os dados padronizados são normais. Os pontos do gráfico encontram-se dentro da região de confiança
39 Referências Bibliografia Recomendada Bussab, W. O. e Morettin,. A. (Saraiva) Estatística básica Montgomery, D. C. e Runger, G. C. (LTC) Estatística aplicada e probabilidade para engenheiros
Teoria 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 maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias nuas
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 04: Variáveis Aleatórias Contínuas nuas Função densidade de probabilidade contínua nua f(x) a b f(x) 0 para
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 maisESTATÍSTICA USANDO MINITAB
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA ESTATÍSTICA USANDO MINITAB Renzo Joel Flores Ortiz Ela Mercedes Medrano de Toscano BELO HORIZONTE MINAS GERAIS
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 maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
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 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 maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
Leia maisà Análise de Padrões
CC-226 Introdução à Análise de Padrões Prof. Carlos Henrique Q. Forster Variáveis, Estatísticas sticas e Distribuições de Probabilidades Tópicos de hoje Definições Alguns estimadores estatísticos Distribuições
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Probabilidade Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Planejamento Experimental 2 fatores manipuláveis x 1 x 2 x p entradas Processo...... saídas
Leia maisProcessos Estocásticos
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisUnidade IV Inferência estatística
6//5 Unidade IV Inferência estatística 4.. Introdução e histórico 4.. Conceitos fundamentais 4.3. Distribuições amostrais e Teorema central do limite 4.4. Estimação de parâmetros 4.5. Testes de hipóteses
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 maisIntrodução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:
Introdução à probabilidade e à estatística II Revisão Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Estatística Estatística: É uma ciência que se dedica
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE41 Aula passada Teste de hipótese duas médias (casos 1,,3) Teste de hipótese: variância Aula de hoje Goodness of fit: v.a. discreta Goodness of fit: v.a. contínua
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisModelos discretos e contínuos
Modelos discretos e contínuos Joaquim Neto joaquim.neto@ufjf.edu.br Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF Versão 3.0 1
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
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 mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
Leia maisAULA 02 Distribuição de Probabilidade Normal
1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisEstatística Não Paramétrica. Como construir testes de aderência
Estatística Não Paramétrica Como construir testes de aderência Teste Qui-quadrado Suposições amostra aleatória Dados nominais (sexo: M ou F) ou numéricos (idade: menor que 15, 15-24, 25-34, 35-44, 45-54,
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
Leia maisPoder Executivo Ministério da Educação Universidade Federal do Amazonas Instituto de Ciências Exatas Departamento de Estatística PLANO DE ENSINO
PLANO DE ENSINO 1. IDENTIFICAÇÃO DA DISCIPLINA CURSO: IE01 - Estatística PERÍODO LETIVO: 2017/2 TURMA: EB01 DISCIPLINA: Probabilidade I SIGLA: IEE201 CARGA HORÁRIA TOTAL: 90 horas CRÉDITOS: 6.6.0 TEÓRICA:
Leia maisPrograma Analítico de Disciplina EST106 Estatística I
Programa Analítico de Disciplina Departamento de Estatística - Centro de Ciências Exatas e Tecnológicas Número de créditos: 4 Teóricas Práticas Total Duração em semanas: 15 Carga horária semanal 4 0 4
Leia maisAnálise Bidimensional
Análise Bidimensional Roteiro. Coeficiente de Correlação. Interpretação de r 3. Análise de Correlação 4. Aplicação Computacional 5. Referências Coeficiente de Correlação Objetivos Análise de duas variáveis
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #04 de Probabilidade: 26/10/2018 1 Variáveis Aleatórias Contínuas De modo informal as variáveis aleatórias são contínuas quando resultam de algum tipo
Leia maisAnálise Multivariada. Distribuição Normal Multivariada. Roteiro. Lupércio França Bessegato Dep. Estatística/UFJF
Análise Multivariada Lupércio França Bessegato Dep. Estatística/UFJF. Introdução. Vetores Aleatórios 3. Normal Multivariada Roteiro 4. Componentes Principais 5. Análise Fatorial 6. Análise de Conglomerados
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
Leia maisModelos Matemáticos e Aplicações (15/16)
Modelos Matemáticos e Aplicações (15/16) Módulo I Revisão dos fundamentos de Probabilidade e Estatística com apoio do R Manuela Neves ISA/ULisboa 29 Fev 2016 Manuela Neves (ISA/ULisboa) Modelos Matemáticos
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 maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. A plataforma R
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio A plataforma R R é uma linguagem de programação
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 maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisCapacidade de Processo Material Complementar
Capacidade de Processo Material Complementar Exemplo Pistões Anéis de pistão para motores de automóveis produzidos por processo de forja Objetivo: Controle estatístico para diâmetro interno dos anéis por
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 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 maisTécnicas Computacionais em Probabilidade e Estatística I. Aula III
Técnicas Computacionais em Probabilidade e Estatística I Aula III Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Arquivo PULSE do Minitab Refere-se a um experimento feito por alunos. Cada um deles registrou
Leia maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisINSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E tecnologia PARAÍBA. Ministério da Educação
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E tecnologia PARAÍBA Ministério da Educação Instituto Federal de Educação, Ciência e Tecnologia da Paraíba - Campus Cajazeiras Diretoria de Ensino / Coord. do Curso
Leia maisCE219 - Controle Estatístico de Qualidade
CE219 - Controle Estatístico de Qualidade Cesar Augusto Taconeli 30 de maio, 2017 Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 1 / 96 Aula 2 - Métodos estáticos para
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variáveis aleatórias discretas PMF, CDF Exemplos de v. a.: Bernoulli, Binomial, Geométrica, Poisson, Hipergeométrica Aula de hoje V.a. contínua
Leia maisMAE116 Noções de Estatística
Exercício 1 Suponha que os tempos de vida de dois aparelhos elétricos D1 e D2 tenham distribuições N(42, 36) e N(45, 9), respectivamente. Se os aparelhos são feitos para serem usados por um período de
Leia maisExcel INTERMEDIÁRIO Estatística. Prof. Cassiano Isler Turma 3
Excel INTERMEDIÁRIO Prof. Cassiano Isler 2017.1 - Turma 3 s s Prof. Cassiano Isler Excel INTERMEDIÁRIO - Aula 4 2 / 29 s COSTA NETO, P. L. O.. 2. ed. São Paulo: Edgard Blücher (2002). GÓMEZ, Luis Alberto.
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 maisDistribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Leia maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
Leia maisObjetivos. fim de servir de entrada na simulação de um modelo.
Geração de variáveis aleatórias Objetivos Geração de amostras para uma distribuição em específico a fim de servir de entrada na simulação de um modelo. Ilustrar algumas técnicas usadas para geração de
Leia maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS PNV 2452 TRATAMENTO E ANÁLISE DE DADOS 2015 MOTIVAÇÃO PARA A ANÁLISE DE DADOS Data Summary Number of Data Points = 30000 Min Data Value = 0.00262 Max Data Value = 982 Sample Mean
Leia maisA qualidade das inferências feitas por estes. de normalidade se fazem necessários.
Verificação da Suposição de Normalidade A maior parte das técnicas estudadas de Inferência Estatística partem do pressuposto de normalidade dos dados: teste t para uma a- mostra, teste t pareado, teste
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisDistribuições de Probabilidade. Distribuição Normal
Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisVariáveis Aleatórias Contínuas e Distribuições de Probabilidade
Variáveis Aleatórias Contínuas e Distribuições de Probabilidade Motivação A quantidade de oxigênio dissolvido é importante para aferir a qualidade de um regato. Os níveis aceitáveis de oxigênio variam
Leia maisAULA 02 Distribuição de probabilidade normal
1 AULA 02 Distribuição de probabilidade normal Ernesto F. L. Amaral 02 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH)
Leia maisOutras distribuições contínuas. Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc...
Outras distribuições contínuas Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc... 1 c) Algumas distribuições de probabilidade contínuas importantes d) Distribuição
Leia maisInspeção de Qualidade
Inspeção de Qualidade Roteiro 1. Inspeção para Aceitação 2. Planos de Amostragem Simples 3. Determinação Plano de Amostragem 4. Inspeção Retificadora 5. Plano de Amostragem Dupla 6. Referências Inspeção
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisAULA 3: DISTRIBUIÇÕES DE PROBABILIDADES. Gleici Castro Perdoná
AULA 3: DISTRIBUIÇÕES DE PROBABILIDADES Gleici Castro Perdoná pgleici@fmrp.usp.br AVALIAÇÃO 1 - (20 min) ENTRAR NO STOA E RESPONDER 5 QUESTÕES Qual objetivo das medidas descritivas? OBTENÇÃO ORGANIZAÇÃO
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE GRADUAÇÃO
ANEXO 1 - Plano de Ensino MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE GRADUAÇÃO PLANO DE ENSINO Ano Semestre letivo 2017 01 1. Identificação Código 1.1 Disciplina: Métodos Estatísticos
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 maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia maisDistribuições de Probabilidade. Variáveis aleatórias contínuas
Distribuições de Probabilidade Variáveis aleatórias contínuas 1 Variáveis contínuas Uma variável aleatória contínua toma um nº infinito não numerável de valores (intervalos de números reais), os quais
Leia maisTestes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisSolução: A distribuição normal. Representação gráfica. Cálculo de probabilidades. A normal padrão. σ Será uma N(0; 1).
A distribuição normal Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f (x) =.e π. σ x µ. σ, x R Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ com
Leia maisPRINCIPAIS MODELOS CONTÍNUOS
RINCIAIS MODELOS CONTÍNUOS 0 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por, f β α 0, Notação: ~ Uα, β. 0,
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisDistribuição de frequências. Prof. Dr. Alberto Franke
Distribuição de frequências Prof. Dr. Alberto Franke E-mail: alberto.franke@ufsc.br 1 Distribuição de frequências Há necessidade de distinguir entre: Distribuição observada Distribuição verdadeira Distribuição
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia mais7 Teste de Hipóteses
7 Teste de Hipóteses 7-1 Aspectos Gerais 7-2 Fundamentos do Teste de Hipóteses 7-3 Teste de uma Afirmação sobre a Média: Grandes Amostras 7-4 Teste de uma Afirmação sobre a Média : Pequenas Amostras 7-5
Leia maisNotas de Aula. Capítulo 6 Distribuição de Probabilidade Normal. Seção 6-1 Visão Geral. Estatística Elementar 10ª Edição. by Mario F.
Notas de Aula Estatística Elementar 10ª Edição by Mario F. Triola Tradução: Denis Santos Copyright 2007 2007 Pearson Education, Inc Inc Publishing as as Pearson Addison-Wesley. Slide 1 Capítulo 6 Distribuição
Leia maisNotas de Aula. Estatística Elementar. by Mario F. Triola. Tradução: Denis Santos
Notas de Aula Estatística Elementar 10ª Edição by Mario F. Triola Tradução: Denis Santos Copyright 2007 2007 Pearson Education, Inc Inc Publishing as as Pearson Addison-Wesley. Slide 1 Capítulo 6 Distribuição
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Leia mais