Modelos de Distribuições
|
|
- Bernardo Gama
- 4 Há anos
- Visualizações:
Transcrição
1 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 11/06/019 07:14 ESTATÍSTICA APLICADA I - Teoria das Probabilidades Universidade Federal do Pará Instituto de Tecnologia Capítulo IV Modelos de Distribuições Campus de Belém Curso de Engenharia Mecânica 1
2 IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas
3 4.1 Introdução Existem variáveis aleatórias que têm uma função de distribuição pertencente a uma classe de distribuições teóricas. As distribuições teóricas, como o próprio nome indica, foram submetidas a estudos prévios e têm propriedades conhecidas; portanto, podem servir como modelo em determinadas situações em que a distribuição esteja identificada, poupando tempo na análise do problema estudado. 4.1 Introdução As distribuições teóricas que aqui serão estudadas são: Caso discreto - Distribuição binomial - Distribuição hipergeométrica - Distribuição de Poisson Caso contínuo - Distribuição uniforme - Distribuição exponencial - Distribuição normal - Distribuição qui-quadrado - Distribuição t de Student - Distribuição F 3
4 IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas 4. Distribuições Teóricas Discretas Prova de Bernoulli A prova de Bernoulli é uma experiência aleatória que serve de base a várias distribuições teóricas (distribuição binomial, distribuição binomial negativa e distribuição geométrica). Consideremos uma experiência aleatória na qual existem apenas dois acontecimentos em que estamos interessados: o acontecimento A que será designado por sucesso e o acontecimento contrário, A, que será designado por falha. O sucesso ocorre com probabilidade p, e o insucesso com probabilidade q = 1 p. 4
5 4. Distribuições Teóricas Discretas Prova de Bernoulli O espaço de resultados está assim particionado em dois acontecimentos S = { A, A } em que: A = sucesso A = falha P( A ) P( A ) = p = q = 1 p A uma experiência aleatória com estas características dá-se o nome de prova de Bernoulli. 4. Distribuições Teóricas Discretas Prova de Bernoulli Principais características: Média : = 1 0 x i f ( x i ) = 0 q + 1 p = p Variância : = E ( x ) = i E( X ) = = 1 0 x i = p p f ( x i ) = 0 q + 1 = p( 1 p ) = pq p p = 5
6 4. Distribuições Teóricas Discretas Prova de Bernoulli Sucessão de provas de Bernoulli: Defini-se como o processo caracterizado por repetidas provas que têm lugar nas seguintes condições: 1. Cada prova resultem em somente dois resultados possíveis, designados como sucesso e falha.. A probabilidade de um sucesso em cada prova, designada por p, permaneça constante. A probabilidade de falha designa-se por q = 1 p. 3. As provas sejam independentes, isto é, os resultados obtidos numa sequência de provas não influenciam os resultados da(s) provas(s) subsequente(s). 4. Distribuições Teóricas Discretas Distribuição binomial Trata-se de uma distribuição de probabilidade adequada aos experimentos que apresentam apenas dois resultados: sucesso ou falha. Este modelo fundamenta-se nas seguintes hipóteses: - H1. n provas independentes e do mesmo tipo são realizadas; - H. cada prova admite apenas dois resultados sucesso ou falha; - H3. a probabilidade de sucesso é p e de falha é 1 p = q. 6
7 4. Distribuições Teóricas Discretas Distribuição binomial Considerando-se uma sucessão de n provas de Bernoulli, a variável aleatória que representa o número de sucessos obtidos nessas n provas de Bernoulli tem distribuição binomial. A variável aleatória X, que é igual ao número de provas que resultam em um sucesso, tem uma distribuição binomial com parâmetros p e n em que 0 < p < 1 e n = {1,, 3,..., n}. A função de probabilidade de X é n x n f ( x ) = p q x x, x = 0,1,,...,n 4. Distribuições Teóricas Discretas Distribuição binomial É assim chamada (binomial), pois variando X (número de vezes do sucesso) obtemos os termos correspondentes do desenvolvimento do binômio (q + p) n. Com efeito, n n n 1 n( n 1 ) n n ( q + p ) = q + nq p + q p p =! n! n 0 n! n 1 0 = q p + q p + 0!( n 0 )! 1!( n 1 )! Generalizando, tem-se: n! n!0! q 0 p n f ( x ) n! = x!( n q x )! n x p x n = p q x x n x 7
8 4. Distribuições Teóricas Discretas Distribuição binomial Principais características: - De acordo com as hipóteses, observa-se que X é a soma de n variáveis do tipo Bernoulli, daí Média : E( X ) = n = np Variância : Var( X ) = n = npq 4. Distribuições Teóricas Discretas Distribuição binomial Exemplo: Cada amostra de ar tem 10% de chance de conter uma certa molécula rara. Considere que as amostras sejam independentes em relação à presença da molécula rara. Encontre a probabilidade de que, nas próximas 18 amostras, exatamente contenham a molécula rara. - Seja X = número de amostras de ar que contenham a molécula rara nas próximas amostras analisadas (sucessos); então, X é a variável aleatória binomial com p = 0,1 e n = 18. Assim, n f ( x ) = p x x q n x 18 P( X = ) = (0,1 ) (0,9 ) 16 = 0,84 8
9 4. Distribuições Teóricas Discretas Distribuição binomial Exemplo: Determine a probabilidade de que no mínimo 4 amostras contenham a molécula rara. - Neste caso, a probabilidade requerida é P( X x 18 x 4 ) = ( 0,1 ) ( 0,9 ) = x= 4 x 3 18 x 18 x = 1 ( 0,1 ) ( 0,9 ) = x= 0 x = 1 ( 0, , ,84 + 0,168 ) = = 0, Distribuições Teóricas Discretas Distribuição binomial Exemplo: Determine a probabilidade de que o número de amostras que contenham a molécula rara esteja entre 3 e 6. - Neste caso, a probabilidade requerida é P( x 18 x X 6 ) = ( 0,1 ) ( 0,9 ) = x= 3 x = 0, , ,0 + 0,005 = = 0,65 9
10 4. Distribuições Teóricas Discretas Distribuição hipergeométrica Suponhamos que temos um conjunto de N elementos e que M destes elementos têm uma certa característica em que estamos interessados (sucesso); logo os outros N-M elementos não têm essa característica. Ao retirarmos n elementos do conjunto inicial de N elementos (retirar de forma aleatória e sem reposição probabilidade do sucesso não constante) consideremos X a variável aleatória que representa o número de elementos que são retirados e que têm a característica em que estamos interessados. A variável aleatória definida nas condições anteriores tem distribuição hipergeométrica com parâmetros N, M e n. 4. Distribuições Teóricas Discretas Distribuição hipergeométrica A probabilidade da variável aleatória assumir o valor x é dada por: M N M x n x P( X = x ) = b( x, N,M,n ) = N n com x = máx0,n ( N M ),...,minn, M Demonstra-se que se a variável aleatória X tem distribuição hipergeométrica com parâmetros N, M e n, então: M E( X ) = n N M N M N n Var( X ) = n N N N 1 10
11 4. Distribuições Teóricas Discretas Distribuição hipergeométrica Exemplo: Na produção de 1000 parafusos em uma máquina A foi observado que 100 apresentam algum tipo de defeito. Como vão ser utilizados 10 parafusos de cada vez, determine a probabilidade de todos serem perfeitos. - Neste caso, N = 1000, M = 100 e n = 10, a probabilidade requerida, portanto, será: P ( X = 0 ) = = = 0, Distribuições Teóricas Discretas Distribuição de Poisson A distribuição de Poisson (que deve o seu nome ao físico francês Simon Poisson) está associada a um grande conjunto de situações práticas cujos alguns exemplos são os seguintes: - Número de mensagens que chegam em um servidor no intervalo de uma hora. - Número de partículas defeituosas em um cm 3 de volume de um certo líquido. - Número de defeitos em um metro de comprimento, de um fio produzido por uma máquina têxtil. 11
12 4. Distribuições Teóricas Discretas Distribuição de Poisson Todos os exemplos apresentados têm uma característica comum: a variável aleatória em estudo representa o número de ocorrências de um certo evento ao longo de um intervalo (tempo, comprimento, área ou volume). Os valores que a variável aleatória pode assumir são valores inteiros não negativos: 0, 1,..., n, Distribuições Teóricas Discretas Distribuição de Poisson Outras características que identicam uma distribuição de Poisson são: - O número de ocorrências em intervalos não sobrepostos são variáveis independentes. - A probabilidade de um certo número de ocorrências se verificar é a mesma para intervalos da mesma dimensão; isto é, a probabilidade depende apenas da amplitude do intervalo e não da posição em que se situa nesse intervalo. - As ocorrências do fenômeno descrito verificam-se uma a uma e nunca em grupos. 1
13 4. Distribuições Teóricas Discretas Distribuição de Poisson Para encontrar a expressão que dá a probabilidade de x sucessos num intervalo t, algumas hipóteses precisam ser admitidas: H1. P(X = 1, t) = λ t (ou seja, a probabilidade de um sucesso num intervalo t é proporcional à amplitude do intervalo). H. P(X > 1, t) = 0. H3. P (X 0, t) = 1 λ H4. As ocorrências de sucessos em intervalos são independentes. Tem-se que t = t/n, logo P(X = 1, t) = λt/n. 4. Distribuições Teóricas Discretas Distribuição de Poisson Para encontrar a expressão que dá P(X,t), ou seja, a probabilidade de X sucessos no intervalo t, pode-se calcular o limite de uma distribuição binomial com parâmetros n e t/n. Assim: P( x,t ) n t = lim x x n x ( t ) = P( x,t ) = e x! x t 1 n t n x = 13
14 4. Distribuições Teóricas Discretas Distribuição de Poisson Se o número médio de ocorrências no intervalo em estudo for λ > 0, a variável aleatória X, que é igual aonúmero de ocorrências no intervalo, terá uma distribuição de Poisson, com parâmetro λ, sendo a função de distribuição de X dada por Características: x ( t ) f ( x ) = x! e t, x = 0,1,,... Média : Variância: E( X ) = t Var( X ) = t 4. Distribuições Teóricas Discretas Distribuição de Poisson Exemplo: Mensagens chegam a um servidor de computadores de acordo com a distribuição de Poisson, com uma taxa média de 10 por hora. a) Qual a probabilidade de 3 mensagens chegarem em 1 hora? b) Qual a probabilidade de 6 mensagens chegarem em 30 minutos? 14
15 4. Distribuições Teóricas Discretas Distribuição de Poisson Exemplo: a) Seja X a representação do número de mensagens em 1 hora. Então E(X) = 10 mensagens e E( x ) = t = 10 x ( t ) f ( x ) = x! e t ( 101 ) P( X = 3 ) = 3! ( 10 ) = 3! = 0, e 101 b) Seja X a representação do número de mensagens em 30 minutos (0,5 hora). Então E(X) = 10.0,5 = 5 mensagens e x ( t ) f ( x ) = x! e t ( 100,5 ) P( X = 6 ) = 6! 6 e 100,5 3 ( 5 ) = 6! 6 e 10 e 5 = 0,146 IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas 15
16 Distribuição uniforme A distribuição uniforme é a mais simples distribuição contínua; entretanto, é uma das mais importantes e utilizadas dentro da teoria de probabilidade. Tem uma importante característica a qual a probabilidade de acontecer um fenômeno de mesmo comprimento é a mesma. Consideremos uma variável aleatória contínua, cujos valores podem ocorrer dentro dum intervalo limitado (aberto ou fechado) [a,b]. Se quaisquer dois subintervalos de igual amplitude têm a mesma probabilidade, então a variável aleatória tem distribuição uniforme. Distribuição uniforme Diz-se que a variável aleatória contínua X tem distribuição uniforme no intervalo [a,b] se a sua função de densidade de probabilidade for dada por: f ( 1 x ) = b a 0 a x b paraoutros valoresde x 16
17 Distribuição uniforme Os parâmetros caracterizadores desta distribuição são a e b, que satisfazem a condição < a < b < +. Sua função de distribuição cumulativa F(x) é dada por: 0 x a F( x ) = b a 1 x a a x b x b Características: Se a variável aleatória X tem distribuição uniforme no intervalo [a,b] então: a + b E( X ) = ( b a ) Var( X ) = 1, Distribuição uniforme Exemplo: A ocorrência de panes em qualquer ponto de uma rede telefônica de7 km foi modelada por uma distribuição uniforme no intervalo [0,7]. Qual é a probabilidade de que uma pane venha a ocorrer nos primeiros 800 metros? E qual a probabilidade de que ocorra nos 3 km centrais da rede? f ( x ) = 1 b 1 = = a 7 0 P( a x b ) = f ( x )dx b a 1 7, para 0 x 7 ( a ) P( 0 x 0,8 ) = ( b ) P( x 5 ) = 1 x dx = ,8 0 1 x dx = ,8 0 0,8 = = 0, = = 0,
18 Distribuição uniforme Exemplo: Um ponto é escolhido ao acaso no segmento de reta (0,). Qual a probabilidade de que este ponto esteja entre 1 e 1,5? - Seja X a representação da variável escolher um ponto de (0,). A função densidade de probabilidade de X é dada por: Então: 1 1 f ( x ) = = = 0,5 b a 0 P( a x b ) = para 0 x P( 1 x 1,5 ) = b a 1,5 1, f ( x )dx 0,5dx = 0,5 Distribuição Exponencial A distribuição exponencial está intimamente ligada à distribuição de Poisson. Se o número de ocorrências de um certo acontecimento segue uma distribuição de Poisson, a medida de espaço entre duas ocorrências consecutivas ou a medida de espaço até à primeira ocorrência segue uma distribuição exponencial. A distribuição de probabilidade de um intervalo entre dois sucessos consecutivos de uma lei de Poisson é a distribuição exponencial. A distribuição exponencial é também usualmente utilizada na descrição do tempo de vida de aparelhos, de organismos etc. (lei de falhas exponencial). 18
19 Distribuição Exponencial Sua função densidade de probabilidadea é dada por f ( x ) = λe λx parax 0 onde λ é o parâmetro caracterizador da distribuição, sendo λ > 0. Características: Média : Variância : E( X ) Var( X ) 1 = 1 = Distribuição Exponencial O gráfico de f(x) é dado por: f(x) λ 0 x Função distribuição cumulativa: F( x ) = 0 F( x ) = x 0 λe, λx dx = 1 e para x 0 para x 0 λx, 19
20 Distribuição Exponencial Conhecida a função distribuição cumulativa de x, pode-se facilmente determinar P( X x ) = 1 F( x ) = 1 x 0 0 x 1 e = 0 0 e f(x) λ e -λx o 0 x o x Distribuição Exponencial Exemplo: Os defeitos de um tecido seguem a distribuição de Poisson com média de um defeito a cada 400 m de tecido. Qual a probabilidade de que o intervalo entre dois defeitos consecutivos seja: a) No mínimo de 1000 m; b) Entre 800 e 1000 m. Calcule a média e a variância. 0
21 Distribuição Exponencial Exemplo: - Sabe-se que na distribuição de Poisson E(x) = λt, então: E( x ) a ) P( x 1defeito 1 / 400defeito = t = = = 400m 1m 1000) = e x = e = 0,081 ou 8,1% defeito/ m b ) P( 800 x 1000) = P( x = e ) P( x 1000) = e = 0,053 ou 5,3% Distribuição Exponencial Exemplo: Média : Variância: 1 1 E( X ) = = = 400 m Var( X ) 1 = = 1 m ( 1 400) =
22 É a mais importante distribuição de probabilidade, sendo aplicada em inúmeros fenômenos e utilizada para o desenvolvimento teórico da estatística. A grande maioria das variáveis aleatórias contínuas que descrevem processos físicos ou características humanas seguem uma distribuição normal. Algumas vezes, as variáveis aleatórias não seguem uma distribuição normal, mas aproximam-se muito desta. Por outro lado, a distribuição normal desempenha um papel crucial na inferência estatística. É também conhecida como distribuição de Gauss, Laplace ou Laplace-Gauss Seja X uma variável aleatória contínua, X terá uma distribuição normal se f ( x ) = σ 1 e π ( x μ ) σ para x onde μ e σ são os parâmetros caracterizadores da distribuição. Se a variável aleatória X tem distribuição normal então: E( X ), = e Var( X ) = A notação N(μ,σ ) é frequentemente usada para denotar uma distribuição normal, com média μ e variância σ.
23 Quando se utiliza a distribuição normal na forma como se apresenta, para o cálculo das probabilidades, surgem dois problemas: - A integração de f(x) fica difícultada, pois para o cálculo é necessário o desenvolvimento da função em série; - A elaboração de uma tabela de probabilidades única inexiste, pois como f(x) depende de dois parâmetros, isto acarreta um grande trabalho para tabelar essas propriedades considerando-se as várias combinações de μ e σ. Esses problemas podem ser contornados por meio de uma mudança de variável, obtendo-se, assim, a distribuição normal padronizada ou reduzida. Distribuição normal padrão: - Seja Z uma variável aleatória talque: Z i = X i em que X é uma variável normal de média μ e variância σ. 3
24 Distribuição normal padrão: - A média e a variância de Z serão: E( Z ) Var( Z ) X 1 = E = X 1 = Var = E( X ) = E( X ) E( ) = Var( X ) = Var( X ) = = - Logo, a função densidade de probabilidade será: z 1 ( z ) = e, z - Como a média de Z é 0 e a variância 1, as probabilidades podem ser facilmente calculadas e tabeladas. = 0 Propriedades da distribuição normal 1. f(x) é simétrica em relação à média x = μ, ou φ(z) é simétrica em relação a z = 0. f(x) φ(z) μ 0 4
25 Propriedades da distribuição normal. f(x) possui um máximo para x = μ, ou φ(z) possui um máximo para z = 0. φ(z) 0,39 Propriedades da distribuição normal 3. f(x) tende a zero quando x tende para ±, o mesmo acontecendo com φ(z) quando z tende para ± ; isto é, x ou z são assíntotas de f(x) ou φ(z). 5
26 Propriedades da distribuição normal 4. f(x) tem dois pontos de inflexão cujas abscissas valem μ + σ e μ σ, da mesma forma φ(z) tem dois pontos de inflexão cujas abscissas valem +1 e 1. μ-σ μ+σ Propriedades da distribuição normal 5. Em ambas as funções 99,99% dos valores da variável pertencem ao intervalo [μ - 4σ, μ + 4σ]. 6
27 Propriedades da distribuição normal 6. Na figura (a) estão representadas duas distribuições que têm o mesmo valor médio (μ 1 = μ ), mas diferentes desvios padrões (σ 1 < σ ). Na figura (b) estão representadas duas distribuições que têm o mesmo desvio padrão, mas médias diferentes. (a) 1 (b) Propriedades da distribuição normal 6. Alguns resultados úteis relativos à distribuição normal, são sumarizados na figura abaixo. Para qualquer variável aleatória normal, P( X + ) = 0,687 P( X + ) = 0,9545 P( 3 X + 3 ) = 0,9975 7
28 Propriedades da distribuição normal - Pelo fato de 0,9975 da probabilidade de uma distribuição normal estar dentro do intervalo (μ - 3σ, μ + 3σ), 6σ é frequentemente referida como a largura de uma distribuição normal. - A integração numérica pode ser usada para mostrar que a área sob a função densidade de probabilidade normal de < x < é igual a 1. Uso da tabela de distribuição normal padrão - Existem vários tipos de tabelas que oferecem as áreas (probabilidades) sob a curva normal padrão. - Essa tabela fornece a área sob a curva normal padrão entre z = - atéo valor de z considerado, ou seja, P(Z z). z 8
29 Uso da tabela de distribuição normal padrão - O uso da tabela para encontrar, por exemplo, P(Z 1,53) é ilustrado na figura abaixo: P(Z 1,53) = Φ (1,53) = área sombreada 1,53 z ,01 0,0 0, ,09 0 0, , , , , ,1 0, , , , , ,5 0, , , , , ,9 0, , , , , Uso da tabela de distribuição normal padrão - Definição: A função Φ(z) = P(Z z) é usada para denotar uma probabilidade proveniente da tabela anterior. Ela é chamada de função distribuição cumulativa de uma variável aleatória normal padrão. - Uma tabela é requerida porque a determinação da probabilidade pelos métodos elementares é complexa. 9
30 Uso da tabela de distribuição normal padrão - Outros exemplos: Uso da tabela de distribuição normal padrão - Exemplos: Os seguintes cálculos são mostrados de forma diagramática na figura a seguir. 1 ) P( Z 1,6 ) = 1 P( Z 1,6 ) = 1 0,89616 = 0,
31 Uso da tabela de distribuição normal padrão ) P( Z 0,86 ) = 0, ) P( Z 1,37 ) = P( Z 1,37 ) = 0,91465 Uso da tabela de distribuição normal padrão 4 ) P( 1,5 Z 0,37 ) = P( Z = 0, ,10565 = = 0, ,37 ) P( Z 1,5 ) = 31
32 Uso da tabela de distribuição normal padrão 5 ) P( Z P( Z P( Z P( Z 4,6 ) 3,99 ) = 0, ,6 ) 0,0003 4,6 ) 0 P( Z 3,99 ) Uso da tabela de distribuição normal padrão 6 ) P( Z z ) = 0,05 Da tabela : P( Z P( Z z ) = 0,95 0,95 ) z = 1,65 ( valor mais próximo ). 3
33 Uso da tabela de distribuição normal padrão 7 ) P( z Z z ) = 0,99 Por simetria, a área em cada extremidade da distribuição é igual a ( 1 0,99 ) / = 0,005. O valor de z corresponde a probabilidade de 0,995 na tabela. A probabilidade mais próxima desse valor na tabela é 0,99506, quando z,58. Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária - Todas as distribuições normais estão relacionadas algebricamente e a tabela da distribuição normal padrão pode ser usada para encontrar as probabilidades associadas com uma variável aleatória normal arbitrária usando a transformação Z i = X i onde X é a variável aleatória normal de média μ e variância σ. 33
34 Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária - Exemplo: Suponha que as medidas de corrente em um segmento de fio elétrico sigam a distribuição normal, com uma média de 10 miliamperes e uma variância de 4 miliamperes (desvio padrão de miliamperes). Qual a probabilidade de a medida exceder 13 miliamperes? Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária - Seja X a representação da corrente em miliamperes. A probabilidade requerida pode ser representada por P(X > 13). Usando a transformação de variável tem-se: Logo, P( X X Z = = = 1,5 13) = P( Z 1,5 ) = 1 P( Z 1,5 ) = 1 0,93319 = 0, /06/019 08:03 ESTATÍSTICA APLICADA I - Modelos de Distribuições 34
35 Distribuição qui-quadrado Trata-se de um modelo de distribuição contínua muito importante para a teoria da inferência estatística. Seja X 1, X,..., X n, como uma amostra aleatória de uma distribuição normal, com média µ e variância σ desconhecidas. A grandeza ( n 1 ) S = tem uma distribuição qui-quadrado, com n-1 graus de liberdade, abreviada como ou. n 1 Entendendo a ideia de graus de liberdade (Retirado e adaptado de parte do texto assinado por Rafael Guariento no site UFRJ): Imagine o seguinte: z + x + y = 10, se x é fixada, z e y são livres pra variar e ainda assim se conseguiria obter um resultado 10, por exemplo, x = 0, z pode ser 5 e y 5, z pode ser 8 e y, etc. Mas se z e x forem fixadas, agora y não é mais livre pra variar e o resultado ser 10, perde-se graus de liberdade. A estimativa 10 acaba ficando muito dependente da amostragem (tendo apenas 3 observações). 11/06/019 08:46 ESTATÍSTICA APLICADA I - Modelos de Distribuições 35
36 Se fossem 10 observações e se fixasse z e x, y e outras poderiam ser livres pra variar, a dependência da amostragem diminuiria. Por isso que quanto menos graus de liberdade se tem, mais restritivo vai sendo pra se achar uma diferença significativa. As estimativas vão ficando cada vez mais dependentes umas das outras, o que faz com que o resultado possa ser muito dependente da amostragem, e aí se penaliza a inferência de alguma forma. 11/06/019 08:54 ESTATÍSTICA APLICADA I - Modelos de Distribuições Grau de liberdade, em estatística, é determinado pelo número de observações na amostra e o número de parâmetros no modelo estudado. Aumentar o tamanho amostral fornece mais informações sobre a população e, desta forma, aumenta os graus de liberdade em seus dados. 11/06/019 08:58 ESTATÍSTICA APLICADA I - Modelos de Distribuições 36
37 Distribuição qui-quadrado Em geral, a função densidade de probabilidade de uma variável qui-quadrado é dada abaixo, em que k é o número de graus de liberdade e Γ(k/) é a função gama: f ( x ) = k / 1 ( k / ) Pode-se demonstrar que a média de uma distribuição qui-quadrado é igual ao número de graus de liberdade, e que a variância é igual ao dobro do número de graus de liberdade: E Var ( k / ) 1 = ( ) = = ( ) = e /, ( m ) = 0 e x x m 1 dx Distribuição qui-quadrado A forma da curva que descreve a função densidade varia conforme o valor do grau de liberdade (valor do parâmetro φ): 37
38 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - A distribuição qui-quadrado está tabelada. A tabela fornece a abscissa da distribuição para diversas áreas (probabilidades) da cauda à direita. Assim: Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 01: Admita φ = 9 e α = 5%. Entra-se na 1ª coluna com φ = 9, e na 1ª linha com α = 0,05; na intersecção dessas obtém-se o número 16,9. φ = 9 α = 5% 16,9 38
39 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: Considere uma distribuição qui-quadrado com parâmetro 18. Encontre: (a) a média, a variância e o desvio padrão; (b) a mediana; (c) o 1º quartil e (d) o 90º percentil. a) A média, a variância e o desvio padrão: ( 18 ( ( 18 ) = = ) = = 36 ) = = 36 = 6 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: b) A mediana 39
40 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: c) O 1º quartil Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: d) O 90º percentil 40
41 Distribuição t de Student Trata-se de um modelo de distribuição contínua que se assemelha à distribuição normal padrão, N(0,1). É utilizada para inferências estatísticas, particularmente, quando se tem amostras com tamanhos inferiores a 30 elementos (Fonseca & Martins, 1996). Considere X 1, X 1,..., X n como uma amostra aleatória para uma distribuição normal com média e variância desconhecidas. A grandeza, X T = S / n tem uma distribuição t, com n - 1 graus de liberdade. Distribuição t de Student A função densidade de probabilidade t é dada abaixo, sendo k o número de graus de liberdade: [(k + 1 ) / 1 ( x ) = x ( k+ 1 ) / k ( k / ) [( x / k ) + 1] f Como visto, a distribuição t também possui um parâmetro denominado grau de liberdade (k = φ = n - 1), e é simétrica em relação à sua média. A média dessa distribuição é zero, e sua variância é dada por: Var t = ( t ) = ( ) 41
42 Distribuição t de Student Gráfico da distribuição t de Student (para φ = 4): Observa-se que para valores de φ < 30 a distribuição t apresenta maior dispersão do que a normal padrão N(0,1), já que o desvio padrão, nesses casos, é maior do que 1, que é o desvio padrão da distribuição normal padrão. Distribuição t de Student Exemplo: - Para φ = 4 tem-se: 4 ( t 4 ) = = 1, Para φ = 35 tem-se: 35 ( t 35 ) = = 1, Para φ = 60 tem-se: 60 ( t 60 ) = = 1,0 60 4
43 Distribuição t de Student Uso da tabela de distribuição t de Student - Trata-se de uma tabela unicaudal. Assim: 1 α α Encontra-se na tabela Distribuição t de Student Uso da tabela de distribuição t de Student - Procedimento de uso da tabela: 43
44 Distribuição t de Student Exemplo: Considere uma distribuição t com parâmetro igual a 18. Encontre: (a) a média, a variância e o desvio padrão; (b) a mediana; (c) o 1º quartil e (d) o 95º percentil. a) A média, a variância e o desvio padrão: Média : ( t 18 Variância : ( t Desvio padrão: ) = ) = = 1,13 18 ( t 18 ) = 1,13 = 1,06 Distribuição t de Student Exemplo: b) A mediana Md(t 18 ) : Md = c) O 1º quatil Q 1 : d) O 95º percentil P 95 : 44
45 Distribuição F de Snedecor Trata-se de um modelo de distribuição contínua também útil para inferências estatísticas. A distribuição F é a razão entre duas variáveis aleatórias independentes com distribuições qui-quadrado. Assim, uma distribuição F com υ (pronuncia-se upsilon) graus de liberdade no numerador e ν (pronuncia-se ni) graus de liberdade no denominador é expressa por: F(, ) = = Distribuição F de Snedecor Sejam W e Y variáveis aleatórias independentes qui-quadrado, com υ e ν graus de liberdade, respectivamente. Então a razão W / F = Y / tem a função densidade de probabilidade + / ( / ) 1 f ( x ) = ( + ) 1 x x e é dita seguir a distribuição F com υ graus de liberdade no numerador e ν graus de liberdade no denominador, geralmente abreviada com F υ,ν. x 45
46 Distribuição F de Snedecor A função F possui dois parâmetros: o grau de liberdade do numerador e o grau de liberdade do denominador, que são denominados, comumente, por υ e ν ou φ 1 e φ. A média, a variância e a moda dessa distribuição são dadas por: Média : Variância : Moda : = ( 1 + ) ( 4)( ) = 1 Distribuição F de Snedecor Formas de gráficos da distribuição F : 46
47 Distribuição F de Snedecor Uso da tabela de distribuição F - A tabela fornece as abscissas que deixam α na cauda à direita, dados os parâmetros φ 1 e φ. Distribuição F de Snedecor Uso da tabela de distribuição F - Para se encontrar o valor da abscissa F 1-α (u,v) utiliza-se a fórmula: 1 F1,u,v = F - Exemplo: Admita uma distribuição F com u = 9, v = 5 e α = 5, determine as abscissas.,v,u 47
48 IV Modelos de Distribuições FIM 48
Modelos de Distribuições
7/5/017 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 05/07/017 19: ESTATÍSTICA APLICADA
Leia maisModelos de Distribuições
4/05/014 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Tucuruí CTUC Curso de Engenharia Mecânica 4/05/014 06:56 ESTATÍSTICA
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 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 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 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 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 mais1 Distribuições Discretas de Probabilidade
1 Distribuições Discretas de Probabilidade A distribuição discreta descreve quantidades aleatórias (dados de interesse) que podem assumir valores particulares e os valores são finitos. Por exemplo, uma
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 maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
Leia maisDistribuições de probabilidade de variáveis aleatórias contínuas
Distribuições de probabilidade de variáveis aleatórias contínuas Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Distribuição Exponencial Introdução É utilizada frequentemente como modelo para
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
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 maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através 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 maisUma variável aleatória X tem uma distribuição normal se sua fdp for do tipo:
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().e π. μ., R com - < μ < e > 0 0, 0,6 N(0; ) N(0;
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
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 maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisDaniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS
Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia mais5- Variáveis aleatórias contínuas
5- Variáveis aleatórias contínuas Para variáveis aleatórias contínuas, atribuímos probabilidades a intervalos de valores. Exemplo 5.1 Seja a variável correspondente ao tempo de vida útil de determinado
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
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 maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
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 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 maisDistribuições discretas
Distribuições discretas Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplo 1 Suponha que está a concorrer para 2 vagas de uma empresa com mais colegas seus: o João,aRosaeoInácio.
Leia maisVariáveis Aleatórias Discretas e Distribuições de 3Probabilidade
Variáveis Aleatórias Discretas e Distribuições de 3Probabilidade Variáveis Aleatórias Discretas e Distribuições de Probabilidade Objetivos do aprendizado 3 Como determinar se um experimento é Binomial.
Leia maisPrincipais distribuições discretas Distribuição de Bernoulli sucesso fracasso X = 1, se sucesso X = 0, se fracasso P(X) TOTAL 1 Exemplo 5:
Principais distribuições discretas Na prática, sempre se procura associar um fenômeno aleatório a ser estudado, a uma forma já conhecida de distribuição de probabilidade (distribuição teórica) e, a partir
Leia maisBIOESTATÍSTICA. Parte 3 Variáveis Aleatórias
BIOESTATÍSTICA Parte 3 Variáveis Aleatórias Aulas Teóricas de 29/03/2011 a 26/04/2011 3.1. Conceito de Variável Aleatória. Função de Distribuição Variáveis aleatórias Uma variável aleatória pode ser entendida
Leia mais14. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas
4. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas Os valores assumidos por uma variável aleatória contínua podem ser associados com medidas em uma escala contínua como, por exemplo,
Leia maisAula de hoje. administração. São Paulo: Ática, 2007, Cap. 3. ! Tópicos. ! Referências. ! Distribuição de probabilidades! Variáveis aleatórias
Aula de hoje! Tópicos! Distribuição de probabilidades! Variáveis aleatórias! Variáveis discretas! Variáveis contínuas! Distribuição binomial! Distribuição normal! Referências! Barrow, M. Estatística 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 maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia maisConceitos Básicos, Básicos,Básicos de Probabilidade
Conceitos Básicos, Básicos,Básicos de Probabilidade Espaço Amostral Base da Teoria de Probabilidades Experimentos são realizados resultados NÃO conhecidos previamente Experimento aleatório Exemplos: Determinar
Leia mais24/04/2017. Operações que podem ser aplicadas aos eventos
Inferência estatística: processo de extrair conclusões de uma população inteira com base na informação de uma amostra A base para a inferência estatística é a teoria da probabilidade Evento: é o resultado
Leia maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Noções básicasb de Inferência Estatística descritiva inferencial População - Parâmetros desconhecidos (reais) Amostra
Leia maisVariáveis Aleatórias Discretas
Variáveis Aleatórias Discretas Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Definição Uma variável aleatória é uma função definida
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Júlio Osório Distribuições Teóricas de Probabilidades Diz-se que uma variável aleatória contínua X tem uma distribuição normal de parâmetros µ (média) e σ (desviopadrão)
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 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 maisJanete Pereira Amador 1
Janete Pereira Amador 1 1 Introdução Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações podem ser descritas por uma variável
Leia maisDistribuição de Probabilidade. Prof. Ademilson
Distribuição de Probabilidade Prof. Ademilson Distribuição de Probabilidade Em Estatística, uma distribuição de probabilidade descreve a chance que uma variável pode assumir ao longo de um espaço de valores.
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 maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
Leia maisEELT-7035 Processos Estocásticos em Engenharia. Variáveis Aleatórias. EELT-7035 Variáveis Aleatórias Discretas. Evelio M. G.
EELT-7035 Processos Estocásticos em Engenharia Variáveis Aleatórias Discretas 21 de março de 2019 Variáveis Aleatórias Variável aleatória, X( ): função que mapeia o espaço amostral (S) em números pertencentes
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 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 maisCapítulo 5 Distribuições de probabilidade normal Pearson Prentice Hall. Todos os direitos reservados.
Capítulo 5 Distribuições de probabilidade normal slide 1 Descrição do capítulo 5.1 Introdução à distribuição normal e distribuição normal padrão 5.2 Distribuições normais: encontrando probabilidades 5.3
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
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 maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
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 maisCap. 8 - Variáveis Aleatórias
Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON
Leia maisVariável Aleatória Poisson. Número de erros de impressão em uma
EST029 Cálculo de Probabilidade I Cap. 7. Principais Variáveis Aleatórias Discretas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Variável Aleatória Poisson Caraterização: Usa-se quando o experimento
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 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 maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia mais1 Introdução. 2 Variáveis Aleatórias Discretas (VAD)
Prof. Janete Pereira Amador 1 1 Introdução Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações podem ser descritas por uma variável
Leia maisConforme o conjunto de valores X(S) uma variável aleatória poderá ser discreta ou contínua.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X X(s) R X(S) Uma função X que associa a cada elemento de S (s S) um número real X(s) é denominada
Leia maisMétodos Estatísticos
Métodos Estatísticos 5 - Distribuição Normal Referencia: Estatística Aplicada às Ciências Sociais, Cap. 7 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 2002. Distribuição de Probabilidades A distribuição
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 221171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
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 maisAULA 8. DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017
AULA 8 DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017 As funções de distribuição (acumulada) e de densidade para v.a. contínuas = =. Se a densidade f(x)for continua no seu
Leia maisRevisão de Probabilidade
05 Mat074 Estatística Computacional Revisão de Probabilidade Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
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 mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
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 maisInstituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica. Professora: Denise Beatriz T. P. do Areal Ferrari
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Distribuições Discretas Uniforme Bernoulli Binomial Poisson
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 maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 11/2014 Variáveis Aleatórias Variáveis Aleatórias Probabilidade e Estatística 3/41 Variáveis Aleatórias Colete
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições de Probabilidade 2007/2008 1 / 31 Introdução Introdução Já vimos como caracterizar
Leia maisProbabilidade Aula 08
332 Probabilidade Aula 8 Magno T. M. Silva Escola Politécnica da USP Maio de 217 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia e ciências,
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
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 maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT) Distribuições de
Leia maisUniversidade Federal da Paraíba Departamento de Estatística Lista 1 - Outubro de 2013
1. Seja X a duração de vida de uma válvula eletrônica e admita que X possa ser representada por uma variável aleatória contínua, com f.d.p. be bx, x 0. Seja p j = P (j X < j + 1). Verifique que p j é da
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisModelos Probabiĺısticos Discretos
Discretos Prof. Gilberto Rodrigues Liska UNIPAMPA 19 de Setembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Gilberto R. Liska ( UNIPAMPA ) Notas de Aula 19 de Setembro de 2017 1 /
Leia maisProbabilidade, distribuição normal e uso de tabelas padronizadas
Probabilidade, distribuição normal e uso de tabelas padronizadas Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais O que é probabilidade? Número de 0 até 1 que expressa a tendência de
Leia maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Distribuições de Probabilidade (Extra)
Estatística: Aplicação ao Sensoriamento Remoto SER 04 - ANO 018 Distribuições de Probabilidade (Etra) Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Distribuição Uniforme
Leia maisPE-MEEC 1S 09/ Capítulo 7 - Estimação por intervalos. 7.2 Intervalos de. confiança para. média de uma. normal 7.
Capítulo 7 - Estimação por intervalos 7.1 Noções básicas 7.2 Intervalos de confiança para a média de uma população normal 7.3 Intervalos de confiança para a diferença de duas médias de populações normais
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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Tipos de Modelos Determinístico Sistema Real Probabilístico Modelo determinístico Causas Efeito Exemplos Gravitação F GM 1 M /r
Leia maisSolução dos Exercícios - Capítulos 1 a 3
Capítulo 9 Solução dos Exercícios - Capítulos a 3 9. Capítulo. a Como o valor se refere aos pacientes estudados, e não a todos os pacientes, esse é o valor de uma estatística amostral. b Estatística amostral
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisDistribuições Amostrais
Distribuições Amostrais 1 Da população, com parâmetro, retira-se k amostras de tamanho n e calcula-se a estatística. Estas estatísticas são as estimativas de. As estatísticas, sendo variáveis aleatórias,
Leia mais