TEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG
|
|
- Oswaldo Gil
- 4 Há anos
- Visualizações:
Transcrição
1 TEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG
2 Referência para um estudo aprofundado das questões (e demonstrações das afirmações feitas aqui)
3 LIMITE DE NÚMEROS REAIS Sequência de números reais x n Quando dizemos que x n converge para um limite L? Olhamos para a diferença x n L Queremos que isto vá para zero quando n cresce. Difícil formalizar de modo genérico, para toda e qualquer sequência.
4 EXEMPLO Seja x n = n Vemos que x n 1 0 qdo n Considere agora a seguinte sequência: x n = n se n 10k 2, se n = 10 k Agora, x n 1 0 qdo n e n 10, 100, 1000, 10000, ,... Se n =10, 100, 1000, 10000, ,... teremos x n = 2 Cada vez mais raramente x n se afasta de 1 mas NUNCA teremos x n 1 pequeno para TODO n
5 ESTA CONFUSÃO DEFINIÇÃO RIGOROSA Definição: {x n : n = 1, 2, } converge para L quando n significa que > 0, n 0 ( ), tal que x n L < para todo n > n 0 ( ),
6 CONVERGÊNCIA COM PROBABILIDADE Sequência de variáveis aleatórias S 1, S 2, S 3,... Quando podemos dizer que S n converge? Qual o sentido, o significado, que queremos dar a esta convergência?
7
8
9
10
11
12
13
14 EXEMPLO: SEMPRE AS MOEDAS... Considere jogar uma moeda honesta para cima repetidamente Seja X n = 1 se lançamento n é cara, e X n = 0, se coroa Seja Y n = (X X n )/n Y n é a proporção de caras nos primeiros n lançamentos. O que esperamos ver quando n crescer? Y n ½, certo? Mas a sequência 1,1,1,1,1,1,1,1 é tão provável quanto outra sequência de tamanho 8
15 VAMOS SIMULAR NO COMPUTADOR
16 TRÊS REPETIÇÕES (SEQUÊNCIAS) INDEPENDENTES A curva em preto vai convergir? Provavelmente? Com certeza?
17 UMA V.A. É FORMADA POR DUAS COISAS... Seja X n = 1 se lançamento n é cara, e X n = 0, se coroa Seja Y n = (X X n )/n Y n é a proporção de caras nos primeiros n lançamentos. O que é Y n? É uma V.A. lista de valores possíveis e lista de probabilidades associadas Valores possíveis: 0, 1/n, 2/n,..., (n-1)/n, n/n depende de n Probabilidades associadas: P(Y n = k/n) = P(X X n = k) = Binomial
18 LIMITE DE V.A. Seja Y n = (X X n )/n {Y n : n = 1, 2, } é uma sequência de v.a. s Y n não é independente de Y n+1 Se você me disser que Y 50 = 1/2 então eu sei que Y 51 terá de ser apenas um dos dois valores possíveis: 25/51 ou 26/51 Com que probabilidade isto vai ocorrer? Posso dizer que Y n converge para alguma coisa? Existe o limite ALEATÓRIO lim n Y n Ele vai ser um valor fixo, constante? Aleatório? Existe sempre?
19 CONVERGÊNCIA QUASE CERTA Almost sure convergence Vamos ver em que sentido diremos que {Y n : n = 1, 2, } converge quase certamente para a constante μ quando n Y n μ q.c. se P { lim n Y n μ } = 1 Para entender isto melhor, vamos voltar às moedas em sequência.
20 CONVERGÊNCIA QUASE CERTA Pense na sequência de potencialmente infinitos lançamentos da moeda honesta. Temos várias sequências onde a proporção de caras não converge para ½ quando n cresce. Por exemplo: 1,1,1,1,1,1,1,1,1,1,1,1,1,... 0,0,0,0,0,0,0,0,0,0,0,0,0,... 0,0,0,1,1,1,1,1,1,1,1,1,1,... 0,0,1,0,0,1,0,0,1,0,0,1,0,0,1,... 0,1,0,0,1,0,0,0,1,0,0,0,0,1,...
21 EPPUR SI MUOVE Temos infinitas sequências para as quais a proporção de caras não converge para ½ Todas as sequências são igualmente prováveis. Seja A = o conjunto de todas as sequências de 1 s e 0 s em que a proporção de caras não converge para ½ Podemos mostrar rigorosamente que P( A ) = 0!! A c = { sequências que convergem para ½ }. Então P( A c ) = 1 Temos Y n ½ q.c. pois P { lim n Y n 1/2 } = 1
22 WAIT JUST A LITTLE BIT LONGER
23 CONVERGÊNCIA QUASE CERTA Almost sure convergence, em inglês Deveria ser convergência certa (e não, quase certa) Afinal, P { lim n Y n 1/2 } = 1 Isto é, com probabilidade 1 (com certeza) teremos Y n 1/2 Mas e as infinitas sequências em Y n não converge para ½? Elas tem medida de probabilidade ZERO. São poucas demais, um infinitinho perto de todas as sequências possíveis.
24 CONVERGÊNCIA EM PROBABILIDADE Às vezes, não conseguimos provar que uma sequência aleatória converge quase certamente. Podemos provar um resultado mais fraco. Fixe um ϵ > 0 e bem pequeno. Seja A n = { sequências em que Y n - µ < ϵ } DEFINIÇÃO: Y n ½ em probabilidade se lim n P { A n } = 1 A diferença é que o limite passou para fora da probabilidade.
25 CONVERGÊNCIA Q.C. E EM PROBABILIDADE Convergência q.c.: Y n ½ q.c. se P { lim n Y n 1/2 } = 1 Convergência em probabilidade: Y n ½ em prob. se lim n P { Y n - ½ < ϵ} = 1 Se as v.a. s são i.i.d. então a v.a. X = (X 1 + X X n )/n converge quase certamente para µ = E(X i ) Isto é, com probabilidade 1, teremos X µ Esta é a Lei Forte dos Grandes Números, difícil de demonstrar
26 LEI FRACA DOS GRANDES NÚMEROS Se as v.a. s são i.i.d. então a v.a. X = (X 1 + X X n )/n converge EM PROBABILIDADE para µ = E(X i ) PROVA: Basta aplicar a desigualdade de Tchebyshev Seja σ = SD(X i ). Temos E( X) = E(X i ) = µ e Var( X) = Var(X i )/n = σ 2 /n Então, por Tchebyshev, P X μ > ε Var X = σ2 ε 2 nε2 0 quando n cresce Portanto, X converge EM PROBABILIDADE para µ = E(X i )
27 EXEMPLO DAS DUAS CONVERGÊNCIAS Se uma sequência converge q.c. então ela converge em probabilidade. O inverso pode não ocorrer Consider a sequence {X n } of independent random variables such that P(X n = 1)= 1/n and P(X n = 0)=1 P(X n = 0)=1 1/n. For ε<1, we have P( X n ε)= P(X n =1) = 1/n which converges to 0. Hence, X n 0 in probability. Since n P(X n = 1) = + and the events {X n = 1} are independent, the Borel- Cantelli theorem says that there will be infinite n s such that X n = 1. Hence the sequence {X n } doesn't converge to 0 almost surely.
28 TEOREMA CENTRAL DO LIMITE No caso de v.a. s i.i.d., com probabilidade 1, teremos X µ Para um n finito, X µ, usualmente. Qual o tamanho típico dessa diferença? Qual a distribuição de probabilidade dessa diferença? Como X-µ vai para zero, precisamos dar um zoom nesta diferença. De volta às moedas: X - 0.5
29 TCL Zoom é ampliar ( X-0.5) por um fator que envolve n O que acontece com g(n) * ( X-µ) Mostra-se que, se multiplicarmos ( X-µ) por menos que 2 n, teremos g(n) * ( X-µ) 0. Por exemplo: log(n)/ 2 n 0 Neste sentido, log(n) é menor que 2 n Temos log(n) * ( X - 0.5) 0
30 MENOS QUE 2 n LEVA A ZERO Multiplicando por log(n)^1.2 log(n)^2 também funciona (como nas moedas) mas demora Muito para convergir A zero.
31 TCL Se multiplicarmos ( X-µ) por mais que 2 n teremos que g(n) * ( X-µ) não vai convergir para nada Por exemplo: n/ 2 n Neste sentido, n é maior que 2 n Temos n * ( X - 0.5) não converge
32 MAIS 4 SIMULAÇÕES DE n * ( X - 0.5)
33 SIMULANDO 35 MIL MOEDAS Note a escala, de -200 a 200
34 BOXPLOTS DE 5000 SIMULAÇÕES, A CADA 1000*K
35 TCL 2 n ( X-0.5) converge para N(0, σ 2 = ¼ ) Convergência para uma v.a., não para um valor constante. Não podemos prever EXATAMENTE para onde vai 2 n ( X- ½ ) Mas podemos prever que: não será muito maior que 2σ = 1 não será muito menor que -2σ = -1 terá um formato gaussiano em torno de zero
36 2 n ( X-0.5) N(0, σ 2 = ¼ )
37 2 n ( X-0.5) N(0, σ 2 = ¼ ) Note como a sequência 2 n ( X-0.5) não converge para nenhum valor constante. Cada uma das linhas oscila em torno de zero mas não parece convergir para um valor fixo. Após 35 mil simulações não sabemos onde cada linha vai parar. O que acontece se dobrarmos o número de simulações?
38 COM 70 MIL LANÇAMENTOS DA MOEDA
39 COM 140 MIL LANÇAMENTOS DA MOEDA
40 SIMULANDO MAIS VEZES, ATÉ n=1000 APENAS
41 BOXPLOTS DE 5000 SIMULAÇÕES, A CADA 100*K
42 TCL O TCL é bem geral. Não precisamos lidar apenas com moedas. Sejam X 1, X 2,..., X n,... uma sequência de v.a.s i.i.d. com valor esperado E(X i ) = µ e variância Var(X i ) = σ 2 Então 2 n* ( X-µ) N(0, σ 2 ) em distribuição A distribuição de X i é arbitrária: discreta, contínua, assimétrica ou não. A convergência não é para uma constante. Pode nem existir convergência da sequência 2 n* ( X-µ) O que sabemos é que o número aleatório 2 n* ( X-µ) tem uma distribuição (cada vez mais) parecida com uma N(0, σ 2 )
43 TCL: CASO EM QUE X i ~ N(µ, σ 2 ) Seja X i ~ N(10, 4 2 ) Então 2 n* ( X-10) N(0, 4 2 )
44 VÁRIAS SIMULAÇÕES
45 O QUE SIGNIFICA 2 n* ( X-10) N(0, 4 2 )? Tome um tempo n qualquer Na figura, n= 4000 Olhe as várias simulações dos caminhos No tempo n=4000, qual a distribuição dos * ( X-10) no eixo vertical? Eles seguem uma N(0, 4 2 ).
46 HISTOGRAMA, 1000 VALORES DE *( X-10) Linha azul: Densidade da N(0,4 2 )
47 PROVA DO TCL Função geradora de momentos de v.a. X: M(t) = E(e tx ) Caso discreto: x e tx P(X = x) Caso contínuo: e tx f x dx Exemplos: Binomial: (1-p+pe t ) n Normal: exp(tµ+σ 2 t 2 /2)
48 EM RESUMO... X 1,..., X n são v.a. s i.i.d. com E(X i ) = µ e Var(X i ) = σ 2 X n = (X X n )/n DOIS resultados (teoremas limite) X n µ (v.a. X n converge para a constante µ) Lei dos Grandes Números 2 n ( X- µ) converge para N(0, σ 2 ) v.a. 2 n ( X- µ) converge para a v.a. N(0, σ 2 ) Teorema Central do Limite
49 MANIPULAÇÃO SIMPLES 2 n ( X- µ) converge para N(0, σ 2 ) 2 n ( X- µ) / σ converge para N(0, 1) ( X- µ) / (σ/ 2 n) converge para N(0, 1) Standard Error = SD/sqrt(n)
50 RELEMBRAR N(0,1) Densidade curva de sino Centrada em 0 Área concentrada entre -2 e 2 ( 95% da área entre -2 e 2)
51 TERMINOLOGIA O que é central, o limite ou o teorema? O teorema é central, está no centro dos principais resultados de probab. O limite não centra nada. Var(X n ) = σ 2 /n Standard Error = σ/ 2 n Distribuição da v.a. X n = sampling distribution
52 SLIDES DE PATRICK BREHENY USOS DO TCL
53
54 P( X > 230) =?? A distribuição do colesterol INDIVIDUAL não precisa ser gaussiana. Imagine que seja levemente assimétrica. X i = colesterol do indivíduo i Temos E(X i ) = µ = 211 Var(X i ) = σ 2 = 46 2 SD = 46 X 1,..., X n são v.a. s i.i.d. com E(X i ) = 211 e Var(X i ) = σ 2 = 46 2 Queremos P( X > 230) =??
55 P( X > 230) =?? Usar TCL. Sabemos que 2 n ( X- µ) converge para N(0, σ 2 ) OU AINDA ( X- µ) / (σ/ 2 n) N(0, 1) Truque: manipular X em P( X > 230) até que ( X- µ) / (σ/ 2 n) apareça Manipular SEM ALTERAR O EVENTO X > 230
56 P( X > 230) =?? n=25, µ = 211 e σ 2 = 46 2 P( X > 230) = P( X -211 > ) P( ( X -211)/(46/ 2 25) > ( )/(46/ 2 25) ) Isto é, P( X > 230) = P( ( X -211)/(46/ 2 25) > ) N(0,1)
57 P( X > 230) =?? P( X > 230) = P( ( X -211)/(46/ 2 25) > ) = P(Z > 2.065) Com Z ~ N(0,1), usamos o comando pnorm no R: pnorm(2.065) = = P(Z <= 2.065) Portanto, P(Z > 2.065) = 1 pnorm(2.065) = Leia os demais slides de Patrick Breheny (no site da disciplina)
TEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG
TEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG Referência para um estudo aprofundado das questões (e demonstrações das afirmações feitas aqui) LIMITE DE NÚMEROS REAIS Sequência de números
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisIND 1115 Inferência Estatística Aula 7
Conteúdo IND 1115 Inferência Estatística Aula 7 Setembro 2004 Por que a revisão de probabilidades até agora? A importância da distribuição Normal O Mônica Barros mbarros.com 1 mbarros.com 2 Por que uma
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
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 maisTeoremas de uma, duas e três séries de Kolmogorov
Teoremas de uma, duas e três séries de Kolmogorov 13 de Maio de 013 1 Introdução Nestas notas Z 1, Z, Z 3,... é uma sequência de variáveis aleatórias independentes. Buscaremos determinar condições sob
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 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 maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisProf. Eduardo Bezerra. 6 de abril de 2018
Distribuições Amostrais Prof. Eduardo Bezerra Inferência Estatística 6 de abril de 2018 Eduardo Bezerra (CEFET/RJ) Distribuições Amostrais 1 / 19 Roteiro 1 2 3 Eduardo Bezerra (CEFET/RJ) Distribuições
Leia maisProfessora Ana Hermínia Andrade. Período
Distribuições de probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Modelos de distribuição Para
Leia maisVariáveis Aleatórias Discretas 1/1
Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo
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 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 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 maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia 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 maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
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 maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisModelagem e Análise de Sistemas - COS767
Modelagem e Análise de Sistemas - COS767 Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Geração de variáveis aleatórias: método da transformada inversa Simulação
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisVariância, DP e Desigualdades
Variância, DP e Desigualdades Renato Martins Assunção DCC - UFMG 2016 Renato Martins Assunção (DCC - UFMG) Variância, DP e Desigualdades 2016 1 / 76 Esperança e Variância Suponha que você VAI SIMULAR uma
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 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 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 mais3 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes
Leia maisVerificar como a distribuição normal pode ser utilizada para calcular, l de forma aproximada, probabilidades associadas a uma variável aleatória com
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, l de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
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 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 maisEstimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
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 maisProbabilidade IV. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período
Probabilidade IV Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.2 Ulisses Umbelino (DE-UFPB) Probabilidade IV Período 2014.2 1 / 20 Sumário 1 Apresentação
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 maisVariável Aleatória Contínua:
Distribuição Contínua Normal Luiz Medeiros de Araujo Lima Filho Departamento de Estatística UFPB Variável Aleatória Contínua: Assume valores num intervalo de números reais. Não é possível listar, individualmente,
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 maisEST012 - Estatística Econômica I Turma A - 1 o Semestre de 2019 Lista de Exercícios 3 - Variável aleatória
Exercício 1. Considere uma urna em que temos 4 bolas brancas e 6 bolas pretas. Vamos retirar, ao acaso, 3 bolas, uma após a outra e sem reposição. Sejam X: o número de bolas brancas e Y : o número de bolas
Leia maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Distribuição Geométrica 08/14 1 / 13
Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Geométrica 08/14 1 / 13 Distribuição Geométrica Considere novamente uma sequência
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia mais2. Distribuições amostrais
2. Distribuições amostrais USP-ICMC-SME 203 USP-ICMC-SME () 2. Distribuições amostrais 203 / 22 Amostra aleatória Notação. X: variável aleatória (v.a.). f(x; θ): função densidade de probabilidade (X contínua)
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 6: Desigualdades, Limites e 1 Normalização Desigualdade de Chebyshev Lei dos Grandes Números 2 3 Normalização Sumário Normalização Desigualdade de Chebyshev
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisCapítulo 3. Introdução à Probabilidade E à Inferência Estatística
Capítulo 3 Introdução à Probabilidade E à Inferência Estatística definições e propriedades: Propriedade 5: A probabilidade condicional reflete como a probabilidade de um evento pode mudar se soubermos
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 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 maisUma estatística é uma característica da amostra. Ou seja, se
Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral
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 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 maisDistribuição Normal. Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade for dada por:
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 25 de abril de 2016 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] + + E[X
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias. TE802 Somas de Variáveis Aleatórias
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 27 de setembro de 2017 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] +
Leia mais) a sucessão definida por y n
aula 05 Sucessões 5.1 Sucessões Uma sucessão de números reais é simplesmente uma função x N R. É conveniente visualizar uma sucessão como uma sequência infinita: (x(), x(), x(), ). Neste contexto é usual
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
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 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 maisVariáveis Aleatórias - VA
Variáveis Aleatórias - VA cc ck kc kk 0 1 2 1/4 1/2 Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - Introdução Se entende por VA ou V. indicadoras uma lista de valores
Leia maisProbabilidade e Estatística
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Inferência Estatística stica e Distribuições Amostrais Inferência Estatística stica O objetivo
Leia maisLista de Exercícios - V.A.s Discretas
Lista de Exercícios - V.A.s Discretas Renato Assunção - DCC, UFMG 207 Esta lista de exercícios visa ao aprendizado de algumas das características das principais distribuições de probabilidade discretas.
Leia maisProf. Eduardo Bezerra. 15 de setembro de 2017
Distribuições Amostrais Prof. Eduardo Bezerra Inferência Estatística 15 de setembro de 2017 Eduardo Bezerra (CEFET/RJ) Distribuições Amostrais 1 / 28 Roteiro Distribuições amostrais 1 Distribuições amostrais
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisDistribuições amostrais
Distribuições amostrais Tatiene Correia de Souza / UFPB tatiene@de.ufpb.br October 14, 2014 Souza () Distribuições amostrais October 14, 2014 1 / 23 Distribuição Amostral Objetivo Estender a noção de uma
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisTeorema do Limite Central
Teorema do Limite Central Prof. Eduardo Bezerra Inferência Estatística 24 de março de 2018 Eduardo Bezerra (CEFET/RJ) Distribuições Amostrais 1 / 12 Roteiro Definição 1 Definição 2 Eduardo Bezerra (CEFET/RJ)
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 mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisCOS767 - Modelagem e Análise Aula 3 - Simulação
COS767 - Modelagem e Análise Aula 3 - Simulação Validando resultados da simulação Média e variância amostral Teorema do Limite Central Intervalo de confiança Organizando as execuções da simulação Verificando
Leia maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
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 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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio
Leia maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
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 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 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 maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisDistribuições de probabilidade
Distribuições de probabilidade Distribuições contínuas Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT)
Leia maisFundamentos Estatı sticos para Cie ncia dos Dados Ajuste de distribuic o es
Fundamentos Estatı sticos para Cie ncia dos Dados Ajuste de distribuic o es Renato Martins Assunc a o DCC, UFMG - 2015 Plano do tópico Vamos aprender a verificar se uma amostra segue uma certa distribuição
Leia maisExperiência para o qual o modelo probabilístico é adequado. Efeito. Causas. Prof. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/~viali Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
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 maisESTATÍSTICA I Variáveis Aleatórias Variáveis Aleatórias Discretas. Helena Penalva 2006/2007
ESTATÍSTICA I Variáveis Aleatórias 1 Definição: A uma função X de domínio Ω com valores em Ñ X:Ω Ñ, ω X(ω)=x, chamamos variável aleatória (v.a.) em Ω. Ao contradomínio da função X, designaremos por V X
Leia maisModelagem e Análise de Sistemas de Computação Aula 20
Modelagem e Análise de Sistemas de Computação Aula 20 Aula passada Lei dos grandes números Calculando integrais Gerando outras distribuições Método da transformada inversa Aula de hoje Simulando uma fila
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias Contínuas
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Contínuas Professora Renata Alcarde Piracicaba abril 2014 Renata Alcarde Estatística Geral 24 de Abril de 2014
Leia maisTeorema Central do Limite: exemplificações utilizando o Método de Monte Carlo
Teorema Central do Limite: exemplificações utilizando o Método de Monte Carlo Fernando Lang da Silveira IF-UFRGS O Teorema Central do Limite (TCL) afirma que a soma (S) de N variáveis aleatórias independentes
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisExperimento Aleatório
Probabilidades 1 Experimento Aleatório Experimento aleatório (E) é o processo pelo qual uma observação é ob;da. Exemplos: ü E 1 : Jogar uma moeda 3 vezes e observar o número de caras ob;das; ü E 2 : Lançar
Leia maisAula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança
Aula 5 Aula passada Valor esperado codicioal Espaço amostral cotíuo, fução desidade Limitates para probabilidade Desigualdades de Markov, Chebyshev, Cheroff with high probability Aula de hoje Limitate
Leia mais1.1.1 Distribuição binomial
2 CAPÍTULO 1. INTRODUÇÃO 1.1.1 Distribuição binomial Em teoria das probabilidades e na estatística a distribuição binomial é a distribuição de probabilidade do número de sucessos em uma seqüência de n
Leia mais