PE-MEEC 1S 09/ Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,

Tamanho: px
Começar a partir da página:

Download "PE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,"

Transcrição

1 Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis 4.3 Distribuição uniforme contínua 4.4 Distribuição normal 4.5 Distribuição exponencial Capítulo 4 - Variáveis aleatórias e distribuições contínuas PE-MEEC 1S 09/10 118

2 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade Exemplos: Considerar as seguintes variáveis aleatórias: T - tempo de vida de um determinado equipamento X - intensidade da corrente em determinado ponto de um circuito Y - resistência mecânica de uma peça PE-MEEC 1S 09/10 119

3 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade Exemplos: Considerar as seguintes variáveis aleatórias: T - tempo de vida de um determinado equipamento X - intensidade da corrente em determinado ponto de um circuito Y - resistência mecânica de uma peça Em qualquer destes exemplos é razoável dizer que os valores possíveis das variáveis são intervalos números reais (de comprimento finito ou infinito) = N. o de valores possíveis é infinito não contável PE-MEEC 1S 09/10 119

4 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade Exemplos: Considerar as seguintes variáveis aleatórias: T - tempo de vida de um determinado equipamento X - intensidade da corrente em determinado ponto de um circuito Y - resistência mecânica de uma peça Em qualquer destes exemplos é razoável dizer que os valores possíveis das variáveis são intervalos números reais (de comprimento finito ou infinito) = N. o de valores possíveis é infinito não contável Definição: Uma variável aleatória é contínua se o seu contradomínio contiver um intervalo de números reais e nenhum desses valores puder ser observado repetidamente. Nota: há v.a. discretas que tomam um número tão elevado de valores que é mais conveniente tratá-las como contínuas (p.ex., o valor do saldo contabilístico de uma conta bancária seleccionada ao acaso). PE-MEEC 1S 09/10 119

5 4.1 (cont.) Como descrever uma v.a. contínua? O método usado para as v.a. discretas (lista dos valores possíveis de X e respectivas probabilidades) não é aplicável pois é impossível elaborar uma lista desses valores. Se pudéssemos listar todos os pequenos intervalos... PE-MEEC 1S 09/10 120

6 4.1 (cont.) Como descrever uma v.a. contínua? O método usado para as v.a. discretas (lista dos valores possíveis de X e respectivas probabilidades) não é aplicável pois é impossível elaborar uma lista desses valores. Se pudéssemos listar todos os pequenos intervalos... Para resolver este problema admite-se que existe uma função, f X (x), tal que para cada intervalo de comprimento pequeno, x, se verifica ( P x x 2 < X < x + x ) f X (x) x 2 ou f X (x) P ( x x 2 < X < x + x 2 ) x PE-MEEC 1S 09/10 120

7 4.1 (cont.) Como descrever uma v.a. contínua? O método usado para as v.a. discretas (lista dos valores possíveis de X e respectivas probabilidades) não é aplicável pois é impossível elaborar uma lista desses valores. Se pudéssemos listar todos os pequenos intervalos... Para resolver este problema admite-se que existe uma função, f X (x), tal que para cada intervalo de comprimento pequeno, x, se verifica ( P x x 2 < X < x + x ) f X (x) x 2 ou f X (x) P ( x x 2 < X < x + x ) 2 x a esta função chama-se função de densidade de probabilidade (por analogia com a densidade de massa) PE-MEEC 1S 09/10 120

8 Esta função pode surgir como limite do histograma quando n

9 Esta função pode surgir como limite do histograma quando n n=200

10 Esta função pode surgir como limite do histograma quando n n=200 n=1000

11 Esta função pode surgir como limite do histograma quando n n=200 n=1000 n=10000

12 Esta função pode surgir como limite do histograma quando n n=200 n=1000 n=10000 n=100000

13 4.1 (cont.) Definição: A função f X (x) é a função de densidade de probabilidade da v.a. contínua X se 1) f X (x) 0, x R 2) + f X (x)dx = 1 3) P(a X b) = b a f X (x)dx, a,b R: a b PE-MEEC 1S 09/10 122

14 4.1 (cont.) Definição: A função f X (x) é a função de densidade de probabilidade da v.a. contínua X se 1) f X (x) 0, x R 2) + f X (x)dx = 1 3) P(a X b) = b a f X (x)dx, a,b R: a b f X (x) P(a X b) a b x PE-MEEC 1S 09/10 122

15 4.1 (cont.) Consequência: para qualquer variável aleatória contínua P(X = x) = x x f X (u)du = 0, x R PE-MEEC 1S 09/10 123

16 4.1 (cont.) Consequência: para qualquer variável aleatória contínua P(X = x) = x x f X (u)du = 0, x R Ou seja, há acontecimentos que podem ocorrer, mas que têm probabilidade zero. A um acontecimento deste tipo chama-se acontecimento quase impossível. Por outras palavras, todas as vezes que se realizar a experiência aleatória correspondente observa-se um acontecimento quase impossível! Faz sentido? PE-MEEC 1S 09/10 123

17 4.1 (cont.) Sim, porque o que está em causa é a probabilidade do acontecimento formado por um único ponto mesmo que o dito ponto seja observado, isso não voltará a acontecer repetidamente (exactamente o mesmo ponto, note-se), logo a frequência relativa do acontecimento {X = x} aproxima-se inevitavelmente de zero P(X = x) = 0 (interpretação frequencista). Note-se que a situação é totalmente diferente com acontecimentos do tipo {x ε X x + ε}. Em geral, se x {contradomínio de X}, P (x ε X x + ε) > 0, ε>0 PE-MEEC 1S 09/10 124

18 4.1 (cont.) Sim, porque o que está em causa é a probabilidade do acontecimento formado por um único ponto mesmo que o dito ponto seja observado, isso não voltará a acontecer repetidamente (exactamente o mesmo ponto, note-se), logo a frequência relativa do acontecimento {X = x} aproxima-se inevitavelmente de zero P(X = x) = 0 (interpretação frequencista). Note-se que a situação é totalmente diferente com acontecimentos do tipo {x ε X x + ε}. Em geral, se x {contradomínio de X}, P (x ε X x + ε) > 0, ε>0 Outra consequência: para qualquer variável aleatória contínua P(a X b) = P(a < X b) = P(a X < b) = P(a < X < b) PE-MEEC 1S 09/10 124

19 4.1 (cont.) Exemplo: Uma experiência aleatória consiste em escolher, totalmente ao acaso, um ponto do intervalo [0,2]. Seja X a variável aleatória que representa a distância à origem. Qual será a f.d.p. de X? Calcular P(0.5 < X < 1.5). Resolução: PE-MEEC 1S 09/10 125

20 4.1 (cont.) Exemplo: Uma experiência aleatória consiste em escolher, totalmente ao acaso, um ponto do intervalo [0,2]. Seja X a variável aleatória que representa a distância à origem. Qual será a f.d.p. de X? Calcular P(0.5 < X < 1.5). Resolução: totalmente ao acaso segmentos [0,2] com o mesmo comprimento devem ter a mesma probabilidade f X (x) é constante em [0,2], ou seja f X (x) = { k, 0 x 2 0, c.c. k f X (x) 2 x PE-MEEC 1S 09/10 125

21 4.1 (cont.) k =? + f X (x)dx = dx k dx dx = 1 2 k = 1 k = 1 2 PE-MEEC 1S 09/10 126

22 4.1 (cont.) k =? + f X (x)dx = dx k dx dx = 1 2 k = 1 k = 1 2 P(0.5 < X < 1.5) = [ x ] dx = = PE-MEEC 1S 09/10 126

23 4.1 (cont.) k =? + f X (x)dx = dx k dx dx = 1 2 k = 1 k = 1 2 P(0.5 < X < 1.5) = [ x ] dx = = Graficamente: 1 2 f X (x) Área = x PE-MEEC 1S 09/10 126

24 4.1 (cont.) Observações: Geralmente não é fácil determinar f X (x), a não ser em casos como o anterior. Nesta fase vamos admitir que essa função é conhecida. Tal como se viu anteriormente (Cap. 3) uma descrição alternativa de uma v.a. é dada pela função de distribuição acumulada (ou, simplesmente, função de distribuição). PE-MEEC 1S 09/10 127

25 4.1 (cont.) Observações: Geralmente não é fácil determinar f X (x), a não ser em casos como o anterior. Nesta fase vamos admitir que essa função é conhecida. Tal como se viu anteriormente (Cap. 3) uma descrição alternativa de uma v.a. é dada pela função de distribuição acumulada (ou, simplesmente, função de distribuição). Definição: A função de distribuição (ou função de distribuição acumulada) de uma v.a. contínua, X, é F X (x) = P(X x) = x f X (u)du, com x R PE-MEEC 1S 09/10 127

26 4.1 (cont.) Exemplo (cont.): (número ao caso em [0,2]) cálculo de F X (x) x < 0 : F X (x) = 0 x 2 : F X (x) = x > 2 : F X (x) = x du = 0 0 du + 0 du + x [ u 2 du = du + x 2 ] x 0 = x 2 0 du = 1 PE-MEEC 1S 09/10 128

27 4.1 (cont.) Exemplo (cont.): (número ao caso em [0,2]) cálculo de F X (x) x < 0 : F X (x) = 0 x 2 : F X (x) = x > 2 : F X (x) = x du = 0 0 du + 0 du + x [ u 2 du = du + x 2 ] x 0 = x 2 0 du = 1 F X (x) 1 2 x PE-MEEC 1S 09/10 128

28 4.1 (cont.) Propriedades da função de distribuição de uma v.a. contínua 1. contínua 2. domínio = R 3. não decrescente: x 1 < x 2 F X (x 1 ) F X (x 2 ) 4. lim x F X (x) = 0 lim x + F X (x) = 1 5. contradomínio [0, 1] 6. como F X (x) = x f X (u) du conclui-se que f X (x) = d F X(x) dx 7. se a < b, P(a < X < b) = F X (b) F X (a) PE-MEEC 1S 09/10 129

29 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis O valor esperado e a variância são definidos de forma semelhante ao que foi feito para o caso discreto (ver Secção 3.3), com as necessárias adaptações. 1 PE-MEEC 1S 09/10 130

30 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis O valor esperado e a variância são definidos de forma semelhante ao que foi feito para o caso discreto (ver Secção 3.3), com as necessárias adaptações. 1 Definição: Seja X uma v.a. contínua com função densidade de probabilidade f X (x), < x < +, O valor esperado de X é A variância de X é E(X) = µ X = µ = + x f X (x)dx V (X) = σ 2 X = σ 2 = + (x µ X ) 2 f X (x)dx O desvio padrão de X é σ X = [V (X)] 1/2 1 somatórios integrais PE-MEEC 1S 09/10 130

31 4.2 (cont.) Notar ainda que E [h(x)] = + h(x) f X (x)dx PE-MEEC 1S 09/10 131

32 4.2 (cont.) Notar ainda que E [h(x)] = + h(x) f X (x)dx Mantêm-se as interpretações e as propriedades (Cap. 3) E (ax + b) = ae(x) + b, a,b R V (X) = E(X 2 ) [E(X)] 2 V (ax + b) = a 2 V (X), a,b R PE-MEEC 1S 09/10 131

33 4.2 (cont.) Outros parâmetros de localização Moda: de uma v.a. contínua X é o valor, ou valores, onde a função densidade de probabilidade é máxima (m 0 ) m 0 : f X (m 0 ) = max x f X (x) Obs.: A moda pode não ser única. Podem ainda definir-se modas relativas (correspondentes a máximos relativos). PE-MEEC 1S 09/10 132

34 4.2 (cont.) Outros parâmetros de localização Moda: de uma v.a. contínua X é o valor, ou valores, onde a função densidade de probabilidade é máxima (m 0 ) m 0 : f X (m 0 ) = max x f X (x) Obs.: A moda pode não ser única. Podem ainda definir-se modas relativas (correspondentes a máximos relativos). Exemplo: f X (x) 2 3 m 0 = 1 3 x PE-MEEC 1S 09/10 132

35 4.2 (cont.) Mediana: de uma v.a. contínua X é um ponto central em termos de probabilidade, ou seja, tal que, P(X m e ) = P(X m e ) = 0.5 m e : P(X m e ) = P(X m e ) = 1 2 F X (m e ) = 1 2 esta equação tem sempre pelo menos uma solução. Se F X (x) for invertível em ]0,1[ então a solução é única e pode ser escrita como m e = F 1 X (1/2). PE-MEEC 1S 09/10 133

36 4.2 (cont.) Mediana: de uma v.a. contínua X é um ponto central em termos de probabilidade, ou seja, tal que, P(X m e ) = P(X m e ) = 0.5 m e : P(X m e ) = P(X m e ) = 1 2 F X (m e ) = 1 2 esta equação tem sempre pelo menos uma solução. Se F X (x) for invertível em ]0,1[ então a solução é única e pode ser escrita como m e = F 1 X (1/2). Exemplo: f X (x) 3 3 Exercício: (a) Escrever f X (x). (b) Mostrar que E(X) = 4/3 e verificar que m 0 > m e > E(X) (assimetria à direita). Área = 1 2 m e = x PE-MEEC 1S 09/10 133

37 4.2 (cont.) Quartis e outros que tais: 1. o quartil: q 1 : F X (q 1 ) = 1/4 ou q 1 = F 1 X (1/4) 3. o quartil: q 3 : F X (q 3 ) = 3/4 ou q 3 = F 1 X (3/4) Quantil de ordem α (com 0 < α < 1): x α : F X (x α ) = α ou x α = F 1 X (α) PE-MEEC 1S 09/10 134

38 4.2 (cont.) Quartis e outros que tais: 1. o quartil: q 1 : F X (q 1 ) = 1/4 ou q 1 = F 1 X (1/4) 3. o quartil: q 3 : F X (q 3 ) = 3/4 ou q 3 = F 1 X (3/4) Quantil de ordem α (com 0 < α < 1): x α : F X (x α ) = α ou x α = F 1 X (α) Graficamente: F X (x) 1 α x α 2 x PE-MEEC 1S 09/10 134

39 4.3 Distribuição uniforme contínua É a distribuição contínua mais simples. Um exemplo é a variável considerada anteriormente, relativa à escolha de um ponto ao acaso em [0,2]. PE-MEEC 1S 09/10 135

40 4.3 Distribuição uniforme contínua É a distribuição contínua mais simples. Um exemplo é a variável considerada anteriormente, relativa à escolha de um ponto ao acaso em [0,2]. Definição: Uma v.a. contínua tem distribuição uniforme contínua de parâmetros a e b, com a < b, se 1 f X (x) = b a, a x b 0, c.c. abreviadamente, X U nif(a, b) Tem-se ainda µ X = E(X) = a + b 2 (obviamente?) e σ 2 X = V (X) = (b a)2 12 PE-MEEC 1S 09/10 135

41 4.3 (cont.) Demonstração: (Completar!) E(X) = b a x b a dx = E(X 2 ) = b a x 2 b a dx = V (X) = No exemplo X Unif(0,2) com a = 0 e b = 2 vem E(X) = 1 (óbvio por simetria!) e V (X) = 1/3 PE-MEEC 1S 09/10 136

42 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular PE-MEEC 1S 09/10 137

43 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular n = 20 p = PE-MEEC 1S 09/10 137

44 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular n = 20 p = 0.45 n = 100 p = PE-MEEC 1S 09/10 137

45 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular n = 20 p = 0.45 n = 100 p = n = 200 p = PE-MEEC 1S 09/10 137

46 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular n = 20 p = 0.45 n = 100 p = n = 200 p = n = 500 p = PE-MEEC 1S 09/10 137

47 4.4 (cont.) O resultado de De Moivre (aproximação normal da distribuição binomial) permaneceu praticamente desconhecido durante os 80 anos seguintes, até que em 1812 Laplace o generalizou e publicou no livro Théorie analytique des probabilités (este resultado é conhecido como Teorema de De Moivre-Laplace). Independentemente, esta distribuição foi estudada por Gauss (1809) e utilizada para modelar erros de medição em astronomia. O termo distribuição normal (típica, habitual) só apareceu muito mais tarde (cerca de 1875). É também conhecida como distribuição Gaussiana, ou de Gauss, ou ainda de Laplace-Gauss. Verifica-se que é uma boa aproximação para muitos fenómenos naturais (físicos, biológicos, psicológicos...) e não só (económicos, sociais...). É de importância fundamental em estatística indutiva. PE-MEEC 1S 09/10 138

48 4.4 (cont.) Definição: Uma v.a. contínua tem distribuição normal de parâmetros µ, com µ R, e σ 2, com σ > 0, se f X (x) = f X (x;µ,σ) = 1 2πσ 2 e (x µ)2 2σ 2, x R abreviadamente, X N(µ,σ 2 ) Tem-se ainda E(X) = µ (obviamente?) 2 e V (X) = σ 2 2 E(X) = + xf X(x; µ, σ)dx pode ser calculado recorrendo à transformação z = (x µ)/σ. Idem para E(X 2 ). PE-MEEC 1S 09/10 139

49 4.4 (cont.) Os gráficos de f X : PE-MEEC 1S 09/10 140

50 4.4 (cont.) Definição: Uma v.a. normal com µ = 0 e σ 2 = 1 é designada por normal reduzida (ou padrão, ou estandardizada), e é geralmente representada como Z N(0,1). PE-MEEC 1S 09/10 141

51 4.4 (cont.) Definição: Uma v.a. normal com µ = 0 e σ 2 = 1 é designada por normal reduzida (ou padrão, ou estandardizada), e é geralmente representada como Z N(0,1). Propriedade: Se X N(µ,σ 2 ) e Y = ax + b, em que a e b são constantes (a 0) então Y N(aµ + b,a 2 σ 2 ) PE-MEEC 1S 09/10 141

52 4.4 (cont.) Definição: Uma v.a. normal com µ = 0 e σ 2 = 1 é designada por normal reduzida (ou padrão, ou estandardizada), e é geralmente representada como Z N(0,1). Propriedade: Se X N(µ,σ 2 ) e Y = ax + b, em que a e b são constantes (a 0) então Y N(aµ + b,a 2 σ 2 ) Demonstração: o que se pretende mostrar é que [ ] 1 f Y (y) = 2πa 2 σ exp (y (aµ + b))2 2 2a 2 σ 2 PE-MEEC 1S 09/10 141

53 4.4 (cont.) O mais conveniente é começar por manipular as funções de distribuição e a seguir derivar para obter funções de densidade (o método é geral para obter a distribuição de uma v.a. que é função de outra com distribuição conhecida): F Y (y) = P(Y y) = P(aX + b y) = P ( X y b ) a ( ) y b = F X a PE-MEEC 1S 09/10 142

54 4.4 (cont.) O mais conveniente é começar por manipular as funções de distribuição e a seguir derivar para obter funções de densidade (o método é geral para obter a distribuição de uma v.a. que é função de outra com distribuição conhecida): F Y (y) = P(Y y) = P(aX + b y) = P ( X y b ) a ( ) y b = F X a logo f Y (y) = df Y (y) dy = d dy F X ( ) y b a = 1 a f X ( ) y b a PE-MEEC 1S 09/10 142

55 4.4 (cont.) O mais conveniente é começar por manipular as funções de distribuição e a seguir derivar para obter funções de densidade (o método é geral para obter a distribuição de uma v.a. que é função de outra com distribuição conhecida): F Y (y) = P(Y y) = P(aX + b y) = P ( X y b ) a ( ) y b = F X a logo f Y (y) = df Y (y) dy agora é fácil verificar que 1 a = d dy F X [ 1 exp 2πσ 2 ( ) y b = 1 a a f X (y b a ] µ)2 2σ 2 ( ) y b a coincide com a expressão de f Y (y) do slide anterior. PE-MEEC 1S 09/10 142

56 4.4 (cont.) Ou seja, uma transformação linear de uma v.a. normal altera os parâmetros (obviamente de acordo com as regras que já conhecíamos) mas não altera o tipo de distribuição (questão: será que acontece o mesmo para as distribuições discretas e contínuas anteriores?). Assim, para muitos cálculos podemos usar apenas uma distribuição normal (escolhemos a mais simples: normal padrão). Qualquer variável aleatória normal pode ser transformada em normal padrão: Se X N(µ,σ 2 ) e Z = X µ σ então Z N(0,1) Justifique! PE-MEEC 1S 09/10 143

57 4.4 (cont.) Funções de distribuição: Z N(0,1): P(Z x) = x 1 e u2 /2 du 2π } {{ }? Φ(x) Como e u2 /2 não tem primitiva elementar, o valor do integral só pode ser obtido por métodos numéricos. X N(µ,σ 2 ): F X (x) = P(X x) = P ( X µ σ x µ ) σ = = P ( Z x µ ) σ ( ) x µ = Φ σ PE-MEEC 1S 09/10 144

58 4.4 (cont.) Os gráficos de F X : PE-MEEC 1S 09/10 145

59 4.4 (cont.) Cálculo de probabilidades: Programas em computador ou calculadora (não é necessário usar a normal padrão) Tabelas (é necessário usar a normal padrão) (ver). Resultado útil: Φ(x) = 1 Φ( x), x R PE-MEEC 1S 09/10 146

60 4.4 (cont.) Alguns valores de probabilidades (quaisquer que sejam µ e σ) µ 3σ µ 2σ µ σ µ µ+σ µ+2σ µ+3σ PE-MEEC 1S 09/10 147

61 4.4 (cont.) Cálculos: X N(µ,σ 2 ), µ,σ P(µ σ < X < µ + σ) = P ( µ σ µ σ < X µ σ < µ + σ µ ) σ = = Φ(1) Φ( 1) = = P(µ 2σ < X < µ + 2σ) = Φ(2) Φ( 2) = = P(µ 3σ < X < µ + 3σ) = Φ(3) Φ( 3) = = PE-MEEC 1S 09/10 148

62 4.4 (cont.) Exercício: A empresa ACME fabrica um tipo de lâmpada de xénon cuja duração média é de 300 dias, com um desvio padrão de 50 dias. O engenheiro responsável pelo departamento de qualidade acredita que a vida útil daquelas lâmpadas é normalmente distribuída. Para decidir qual a duração que deve ser anunciada como garantida, ele pretende calcular os seguintes valores: (a) (b) A probabilidade de uma lâmpada ter uma vida útil superior a um ano. O tempo de vida útil que é excedido por 95% daquelas lâmpadas. Vamos ajudá-lo? PE-MEEC 1S 09/10 149

63 4.4 (cont.) Exercício: A empresa ACME fabrica um tipo de lâmpada de xénon cuja duração média é de 300 dias, com um desvio padrão de 50 dias. O engenheiro responsável pelo departamento de qualidade acredita que a vida útil daquelas lâmpadas é normalmente distribuída. Para decidir qual a duração que deve ser anunciada como garantida, ele pretende calcular os seguintes valores: (a) (b) A probabilidade de uma lâmpada ter uma vida útil superior a um ano. O tempo de vida útil que é excedido por 95% daquelas lâmpadas. Vamos ajudá-lo? Soluções: e dias PE-MEEC 1S 09/10 149

64 4.5 Distribuição exponencial Exemplo: O call center de uma empresa de telecomunicações recebe em média 5 chamadas por hora, admitindo-se que as chamadas seguem um processo de Poisson. O gestor do call center está agora interessado em conhecer como varia o intervalo de tempo entre chamadas. Pretende nomeadamente saber: (a) A probabilidade daquele intervalo de tempo ser superior a 20 minutos. (b) O valor esperado, mediana e desvio padrão dos intervalos de tempo entre chamadas. PE-MEEC 1S 09/10 150

65 4.5 Distribuição exponencial Exemplo: O call center de uma empresa de telecomunicações recebe em média 5 chamadas por hora, admitindo-se que as chamadas seguem um processo de Poisson. O gestor do call center está agora interessado em conhecer como varia o intervalo de tempo entre chamadas. Pretende nomeadamente saber: (a) (b) A probabilidade daquele intervalo de tempo ser superior a 20 minutos. O valor esperado, mediana e desvio padrão dos intervalos de tempo entre chamadas. Resolução: Definição das variáveis aleatórias: X t - N. o de chamadas que chegam em t horas. X t Poisson(5t) T - Intervalo de tempo entre chamadas (em horas). T? Notar que T é uma v.a. contínua PE-MEEC 1S 09/10 150

66 4.5 (cont.) (a) o tempo que esperamos pela próxima chamada é superior a 20 minutos se e só se não houver chamadas nos próximos 20 minutos (20 minutos = 1/3 horas) (X 1/3 Poisson(5/3)) P ( T > 1 ) = P(X 3 1/3 = 0) = e 5/3 (5/3) 0 0! = e 5/ PE-MEEC 1S 09/10 151

67 4.5 (cont.) (a) o tempo que esperamos pela próxima chamada é superior a 20 minutos se e só se não houver chamadas nos próximos 20 minutos (20 minutos = 1/3 horas) (X 1/3 Poisson(5/3)) P ( T > 1 ) = P(X 3 1/3 = 0) = e 5/3 (5/3) 0 0! (b) Precisamos de t genérico (X t Poisson(5t)) = e 5/ P (T > t) = P(X t = 0) = e 5t (5t) 0 então F T (t) = P(T t) = 1 e 5t, t > 0 0! = e 5t e a função densidade de probabilidade é f T (t) = df T(t) dt = 5e 5t, t > 0 PE-MEEC 1S 09/10 151

68 Finalmente: E(T) = 4.5 (cont.) + 0 5te 5t dt = = 1/5 horas = 12 minutos PE-MEEC 1S 09/10 152

69 Finalmente: E(T) = E(T 2 ) = 4.5 (cont.) te 5t dt = = 1/5 horas = 12 minutos 5t 2 e 5t dt = = 2/25 horas 2 V (T) = 1/25 horas 2 σ T = 1/5 horas = 12 minutos PE-MEEC 1S 09/10 152

70 Finalmente: E(T) = E(T 2 ) = 4.5 (cont.) te 5t dt = = 1/5 horas = 12 minutos V (T) = 1/25 horas 2 σ T = 1/5 horas = 12 minutos 5t 2 e 5t dt = = 2/25 horas 2 m e : F T (m e ) = e 5m e = 0.5 m e = log(0.5)/ horas 8.3 min. PE-MEEC 1S 09/10 152

71 4.5 (cont.) Definição: A v.a. X que representa o intervalo de tempo até à próxima ocorrência (ou entre ocorrências sucessivas) de um processo de Poisson com taxa λ > 0 tem uma distribuição exponencial de parâmetro λ, com função de densidade de probabilidade dada por abreviadamente, X Exp(λ) Tem-se ainda f X (x) = f X (x;λ) = λe λx, x 0 µ X = E(X) = 1 λ (obviamente?) e σ2 X = V (X) = (1 λ 2 PE-MEEC 1S 09/10 153

72 4.5 (cont.) Definição: A v.a. X que representa o intervalo de tempo até à próxima ocorrência (ou entre ocorrências sucessivas) de um processo de Poisson com taxa λ > 0 tem uma distribuição exponencial de parâmetro λ, com função de densidade de probabilidade dada por abreviadamente, X Exp(λ) Tem-se ainda f X (x) = f X (x;λ) = λe λx, x 0 µ X = E(X) = 1 λ (obviamente?) e σ2 X = V (X) = (1 λ 2 Observação importante: funciona no sentido inverso, ou seja, se os intervalos de tempo entre ocorrências forem v.a. independentes e identicamente distribuídas Exp(λ) então o n. o de ocorrências em t unidades de tempo é Poisson(λt). PE-MEEC 1S 09/10 153

73 4.5 (cont.) Propriedade da falta de memória ou amnésia: Se X Exp(λ), λ > 0 P(X < t 1 + t 2 X > t 1 ) = P(X < t 2 ), t1 >0,t 2 >0 Demonstração: (exercício) PE-MEEC 1S 09/10 154

74 4.5 (cont.) Observações: O facto de esta distribuição não ter memória significa que não é indicada para modelar situações do tipo tempo de vida, em que há desgaste ou envelhecimento. A distribuição exponencial é a única distribuição contínua sem memória. Existe uma única distribuição discreta sem memória: é a distribuição geométrica. PE-MEEC 1S 09/10 155

Variáveis Aleatórias Contínuas

Variáveis Aleatórias Contínuas Variáveis aleatórias contínuas: vamos considerar agora uma lista de quantidades as quais não é possível associar uma tabela de probabilidades pontuais ou frequências tempo de duração de uma chamada telefônica

Leia mais

Tipos de variáveis aleatórias

Tipos de variáveis aleatórias Tipos de variáveis aleatórias Variáveis aleatórias discretas se assumem um conjunto finito ou infinito numerável de valores. Exemplos: número de pintas que sai no lançamento de um dado; registo, a intervalos

Leia mais

DISTRIBUIÇÃO NORMAL 1

DISTRIBUIÇÃO NORMAL 1 DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02

Leia mais

Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições.

Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Março de 2012 Tipos

Leia mais

Probabilidade. Distribuição Exponencial

Probabilidade. Distribuição Exponencial Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos

Leia mais

Descreve de uma forma adequada o

Descreve de uma forma adequada o EST029 Cálculo de Probabilidade I Cap. 8 - Variáveis Aleatórias Contínuas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Variável Aleatória Normal Caraterização: Descreve de uma forma adequada

Leia mais

Estatística stica para Metrologia

Estatística stica para Metrologia Aula 5 Estatística stica para Metrologia Aula 5 Variáveis Contínuas Uniforme Exponencial Normal Lognormal Mônica Barros, D.Sc. Maio de 008 1 Distribuição Uniforme A probabilidade de ocorrência em dois

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADE

DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos

Leia mais

Variáveis Aleatórias Contínuas e Distribuição de Probabilidad

Variáveis Aleatórias Contínuas e Distribuição de Probabilidad Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo

Leia mais

Métodos de Monte Carlo

Métodos de Monte Carlo Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,

Leia mais

Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência.

Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Professor: Leandro Zvirtes UDESC/CCT Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos de

Leia mais

Probabilidade. Distribuição Exponencial

Probabilidade. Distribuição Exponencial Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos

Leia mais

Distribuição de Erlang

Distribuição de Erlang Distribuição de Erlang Uma variável aleatória exponencial descreve a distância até que a primeira contagem é obtida em um processo de Poisson. Generalização da distribuição exponencial : O comprimento

Leia mais

Distribuições de Probabilidade Distribuição Normal

Distribuições de Probabilidade Distribuição Normal PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas

Leia mais

2 Modelo para o Sistema de Controle de Estoque (Q, R)

2 Modelo para o Sistema de Controle de Estoque (Q, R) Modelo para o Sistema de Controle de Estoque (, ) Neste capítulo é apresentado um modelo para o sistema de controle de estoque (,). Considera-se que a revisão dos estoques é continua e uma encomenda de

Leia mais

CAPÍTULO 4 Exercícios Resolvidos

CAPÍTULO 4 Exercícios Resolvidos CAPÍTULO 4 Exercícios Resolvidos R4.1) Condição para concretização de uma venda Um certo tipo de componente é vendido em lotes de 1000 itens. O preço de venda do lote é usualmente de 60 u.m. Um determinado

Leia mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos

Leia mais

Momentos de uma variável aleatória

Momentos de uma variável aleatória Momentos de uma variável aleatória O cálculo de E[X] (valor médio de X) e E[X 2 ] (que intervém na variância), pode ser generalizado pensando em E[X k ] com k IN. Definição: Dada uma v.a. X, chama-se momento

Leia mais

Instituto Politécnico de Viseu Escola Superior de Tecnologia

Instituto Politécnico de Viseu Escola Superior de Tecnologia Instituto Politécnico de Viseu Escola Superior de Tecnologia Departamento: Matemática Estatística I Curso: Contabilidade e Administração Ano: 3 o Semestre: o Prova: Exame Época: Normal Ano Lectivo: 2004/2005

Leia mais

Inferência Estatística

Inferência Estatística Universidade Federal Fluminense Instituto de Matemática e Estatística Inferência Estatística Ana Maria Lima de Farias Departamento de Estatística Conteúdo 1 Inferência estatística Conceitos básicos 1 1.1

Leia mais

Testes de Ajustamento (testes da bondade do ajustamento)

Testes de Ajustamento (testes da bondade do ajustamento) Testes de Ajustamento (testes da bondade do ajustamento) Os testes de ajustamento servem para testar a hipótese de que uma determinada amostra aleatória tenha sido extraída de uma população com distribuição

Leia mais

2 Independência e dependência das taxas de juro

2 Independência e dependência das taxas de juro 1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,

Leia mais

Logo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A:

Logo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A: MQI 00 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 6/05/008 GABARITO PROBLEMA O preço de um certo carro usado é uma variável Normal com média R$ 5 mil e desvio padrão R$ 400,00. a) Você está interessado

Leia mais

Geração de Números Aleatórios e Simulação

Geração de Números Aleatórios e Simulação Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana

Leia mais

Métodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF)

Métodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF) Métodos Estatísticos II 1 o. Semestre de 010 ExercíciosProgramados1e VersãoparaoTutor Profa. Ana Maria Farias (UFF) Esses exercícios abrangem a matéria das primeiras semanas de aula (Aula 1) Os alunos

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL

DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL Introdução Variável aleatória Discreta: assume um número finito ou infinito numerável de valores Contínua: assume todos os valores

Leia mais

Simulação Estocástica

Simulação Estocástica Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias

Leia mais

Tipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.

Tipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real. Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração

Leia mais

Capítulo 3 Modelos Estatísticos

Capítulo 3 Modelos Estatísticos Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide

Leia mais

LISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS

LISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS LISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS 1. Construir um quadro e o gráfico de uma distribuição de probabilidade para a variável aleatória X: número de coroas obtidas no lançamento de duas moedas. 2. Fazer

Leia mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio Tadeu Cristino 1. Julho, 2014 Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino

Leia mais

Terminologias Sinais Largura de Banda de Dados Digitais. Sinais e Espectro

Terminologias Sinais Largura de Banda de Dados Digitais. Sinais e Espectro Sinais e Espectro Edmar José do Nascimento (Tópicos Avançados em Engenharia Elétrica I) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Colegiado de Engenharia

Leia mais

Cálculo Diferencial e Integral I Vinícius Martins Freire

Cálculo Diferencial e Integral I Vinícius Martins Freire UNIVERSIDADE FEDERAL DE SANTA CATARINA - CAMPUS JOINVILLE CENTRO DE ENGENHARIAS DA MOBILIDADE Cálculo Diferencial e Integral I Vinícius Martins Freire MARÇO / 2015 Sumário 1. Introdução... 5 2. Conjuntos...

Leia mais

Aula 11 Esperança e variância de variáveis aleatórias discretas

Aula 11 Esperança e variância de variáveis aleatórias discretas Aula 11 Esperança e variância de variáveis aleatórias discretas Nesta aula você estudará os conceitos de média e variância de variáveis aleatórias discretas, que são, respectivamente, medidas de posição

Leia mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos

Leia mais

Cálculo numérico. ln 1 = 0. Representação numérica. Exemplo. Exemplos. Professor Walter Cunha. ln 1. I s

Cálculo numérico. ln 1 = 0. Representação numérica. Exemplo. Exemplos. Professor Walter Cunha. ln 1. I s Representação numérica Cálculo numérico Professor Walter Cunha Um conjunto de ferramentas ou métodos usados para se obter a solução de problemas matemáticos de forma aproximada. Esses métodos se aplicam

Leia mais

Bioestatística Aula 3

Bioestatística Aula 3 Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

Função. Definição formal: Considere dois conjuntos: o conjunto X com elementos x e o conjunto Y com elementos y. Isto é:

Função. Definição formal: Considere dois conjuntos: o conjunto X com elementos x e o conjunto Y com elementos y. Isto é: Função Toda vez que temos dois conjuntos e algum tipo de associação entre eles, que faça corresponder a todo elemento do primeiro conjunto um único elemento do segundo, ocorre uma função. Definição formal:

Leia mais

2 Modelo Clássico de Cramér-Lundberg

2 Modelo Clássico de Cramér-Lundberg 2 Modelo Clássico de Cramér-Lundberg 2.1 Conceitos fundamentais Nesta sessão introduziremos alguns conceitos fundamentais que serão utilizados na descrição do modelo de ruína. A lei de probabilidade que

Leia mais

Probabilidade. Distribuição Normal

Probabilidade. Distribuição Normal Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade

Leia mais

Por que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo:

Por que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo: Por que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo: que cada pessoa disponha do uso exclusivo de uma rua para se movimentar;

Leia mais

Utilizando-se as relações entre as funções básicas é possível obter as demais funções de sobrevivência.

Utilizando-se as relações entre as funções básicas é possível obter as demais funções de sobrevivência. MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesta abordagem paramétrica, para estimar as funções básicas da análise de sobrevida, assume-se que o tempo de falha T segue uma distribuição

Leia mais

3. Características amostrais. Medidas de localização e dispersão

3. Características amostrais. Medidas de localização e dispersão Estatística Descritiva com Excel Complementos. 77 3. Características amostrais. Medidas de localização e dispersão 3.1- Introdução No módulo de Estatística foram apresentadas as medidas ou estatísticas

Leia mais

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,

Leia mais

INSTITUTO POLITÉCNICO DE SETÚBAL ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA

INSTITUTO POLITÉCNICO DE SETÚBAL ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA INSTITUTO POLITÉCNICO DE SETÚBAL ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA 1 o Teste SEMESTREPAR 28/29 Data: 9 demaiode 29 Duração: 2hm Tópicos de

Leia mais

APLICAÇÕES DA DERIVADA

APLICAÇÕES DA DERIVADA Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,

Leia mais

Variáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder

Variáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder Variáveis aleatórias contínuas e distribuiçao Normal Henrique Dantas Neder Definições gerais Até o momento discutimos o caso das variáveis aleatórias discretas. Agora vamos tratar das variáveis aleatórias

Leia mais

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Distribuição Normal 1. Introdução O mundo é normal! Acredite se quiser! Muitos dos fenômenos aleatórios que encontramos na

Leia mais

Revisão de Estatística Aplicada a Finanças

Revisão de Estatística Aplicada a Finanças Revisão de Estatística Aplicada a Finanças INTRODUÇÃO A revisão que apresentaremos destina-se a examinar conceitos importantes de Estatística, que tornem possível a compreensão do conteúdo do livro de

Leia mais

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com TEORIA DO RISCO LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com 1 TARIFAÇÃO (FERREIRA, 2002) Diversos conceitos e metodologias envolvidos no cálculo do preço pago

Leia mais

4. σ 2 Var X p x q e σ Dp X Podemos escrever o modelo do seguinte modo:

4. σ 2 Var X p x q e σ Dp X Podemos escrever o modelo do seguinte modo: Distribuições de Probabilidades Quando aplicamos a Estatística na resolução de problemas administrativos, verificamos que muitos problemas apresentam as mesmas características o que nos permite estabelecer

Leia mais

Exercícios Resolvidos da Distribuição de Poisson

Exercícios Resolvidos da Distribuição de Poisson . a. Qual é a diferença entre as distribuições de Poisson e inomial? b. Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson. c. Dê a fórmula da distribuição de Poisson e o significado

Leia mais

Distribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta

Distribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta Distribuição Uniforme Discreta Modelos de distribuições discretas Notas de Aula da Profa. Verónica González-López e do Prof. Jesús Enrique García, digitadas por Beatriz Cuyabano. Acréscimos e modicações:

Leia mais

SÉRIE: Probabilidade Parte 2: Variáveis Contínuas 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS... 2

SÉRIE: Probabilidade Parte 2: Variáveis Contínuas 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS... 2 SUMÁRIO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS... 2 1.1. CÁLCULO DE PROBABILIDADE COM UMA VAC... 2 1.2. A FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA... 3 1.3. VARIÁVEL ALEATÓRIA CONTÍNUA (CARACTERIZAÇÃO)... 4 1.3.1.

Leia mais

A Curva Normal Luiz Pasquali

A Curva Normal Luiz Pasquali Capítulo 3 A Curva Normal Luiz Pasquali 1 A História da Curva Normal A curva normal, também conhecida como a curva em forma de sino, tem uma história bastante longa e está ligada à história da descoberta

Leia mais

Modelos de Filas de Espera

Modelos de Filas de Espera Departamento de Informática Modelos de Filas de Espera Métodos Quantitativos LEI 2006/2007 Susana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) Susana Nascimento

Leia mais

Distribuição Gaussiana. Modelo Probabilístico para Variáveis Contínuas

Distribuição Gaussiana. Modelo Probabilístico para Variáveis Contínuas Distribuição Gaussiana Modelo Probabilístico para Variáveis Contínuas Distribuição de Frequências do Peso, em gramas, de 10000 recém-nascidos Frequencia 0 500 1000 1500 2000 2500 3000 3500 1000 2000 3000

Leia mais

M. Eisencraft 6.5 Processos aleatórios gaussianos 86. t1 +T. x(t)y(t+τ)dt. (6.35) t 1 T. x(t)y(t+τ)dt R xy (τ) = R XY (τ). (6.36)

M. Eisencraft 6.5 Processos aleatórios gaussianos 86. t1 +T. x(t)y(t+τ)dt. (6.35) t 1 T. x(t)y(t+τ)dt R xy (τ) = R XY (τ). (6.36) M. Eisencraft 6.5 Processos aleatórios gaussianos 86 R 0 (t 1 +2T) = 1 2T t1 +T t 1 Assim, tomando t 1 = 0 e assumindo que T é grande, temos x(t)y(t+τ)dt. (6.35) R 0 (2T) = 1 2T x(t)y(t+τ)dt R xy (τ) =

Leia mais

PROBABILIDADE, VARIÁVEIS ALEATÓRIAS, DISTRIBUIÇÃO DE PROBABILIDADES E GERAÇÃO ALEATÓRIA

PROBABILIDADE, VARIÁVEIS ALEATÓRIAS, DISTRIBUIÇÃO DE PROBABILIDADES E GERAÇÃO ALEATÓRIA PROBABILIDADE, VARIÁVEIS ALEATÓRIAS, DISTRIBUIÇÃO DE PROBABILIDADES E GERAÇÃO ALEATÓRIA Conceitos sob a ótica de Avaliação de Desempenho de Sistemas Marcos Portnoi Edição 26.6.2010 Universidade Salvador

Leia mais

1 Variáveis Aleatórias

1 Variáveis Aleatórias Variáveis Aleatórias Exercício Num lançamento de 3 moedas equilibradas seja X avariável aleatória que representa o número de caras saídas Escreva a função de probabilidade de X Exercício Quantasvezessedevelançarumdadoaoarparaqueaprobabilidade

Leia mais

Variáveis Aleatórias Discretas e Distribuições de Probabilidade

Variáveis Aleatórias Discretas e Distribuições de Probabilidade Variáveis Aleatórias Discretas e Distribuições de Probabilidade Objetivos do aprendizado a.determinar probabilidades a partir de funções de probabilidade b.determinar probabilidades a partir de funções

Leia mais

Vetores Aleatórios, correlação e conjuntas

Vetores Aleatórios, correlação e conjuntas Vetores Aleatórios, correlação e conjuntas Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Segundo Semestre, 2013 C.T.Cristino (DEINFO-UFRPE) Vetores Aleatórios 2013.2

Leia mais

Notas de aulas. André Arbex Hallack

Notas de aulas. André Arbex Hallack Cálculo I Notas de aulas André Arbex Hallack Julho/007 Índice 0 Preliminares 0. Números reais.................................... 0. Relação de ordem em IR.............................. 3 0.3 Valor absoluto....................................

Leia mais

Somatórias e produtórias

Somatórias e produtórias Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

1. Extremos de uma função

1. Extremos de uma função Máximo e Mínimo de Funções de Várias Variáveis 1. Extremos de uma função Def: Máximo Absoluto, mínimo absoluto Seja f : D R R função (i) Dizemos que f assume um máximo absoluto (ou simplesmente um máximo)

Leia mais

Estatística Aplicada ao Serviço Social

Estatística Aplicada ao Serviço Social Estatística Aplicada ao Serviço Social Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução O que é Estatística? Coleção de métodos

Leia mais

Resolução da Prova da Escola Naval 2009. Matemática Prova Azul

Resolução da Prova da Escola Naval 2009. Matemática Prova Azul Resolução da Prova da Escola Naval 29. Matemática Prova Azul GABARITO D A 2 E 2 E B C 4 D 4 C 5 D 5 A 6 E 6 C 7 B 7 B 8 D 8 E 9 A 9 A C 2 B. Os 6 melhores alunos do Colégio Naval submeteram-se a uma prova

Leia mais

PLANIFICAÇÃO ANUAL. MACS Matemática Aplicada às Ciências Sociais. Curso de Línguas e Humanidades 2º ANO (11º ANO)

PLANIFICAÇÃO ANUAL. MACS Matemática Aplicada às Ciências Sociais. Curso de Línguas e Humanidades 2º ANO (11º ANO) PLANIFICAÇÃO ANUAL MACS Matemática Aplicada às Ciências Sociais Curso de Línguas e Humanidades º ANO (º ANO) Ano Lectivo 0/05 Planificação º Ano - MACS º Período Número de Aulas Previstas 0 Apresentação

Leia mais

Método de Monte Carlo e ISO

Método de Monte Carlo e ISO Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza

Leia mais

Métodos Numéricos e Estatísticos Parte I-Métodos Numéricos Teoria de Erros

Métodos Numéricos e Estatísticos Parte I-Métodos Numéricos Teoria de Erros Métodos Numéricos e Estatísticos Parte I-Métodos Numéricos Lic. Eng. Biomédica e Bioengenharia-2009/2010 O que é a Análise Numérica? Ramo da Matemática dedicado ao estudo e desenvolvimento de métodos (métodos

Leia mais

CAPÍTULO 9 Exercícios Resolvidos

CAPÍTULO 9 Exercícios Resolvidos CAPÍTULO 9 Exercícios Resolvidos R9.1) Diâmetro de esferas de rolamento Os dados a seguir correspondem ao diâmetro, em mm, de 30 esferas de rolamento produzidas por uma máquina. 137 154 159 155 167 159

Leia mais

Geração de variáveis aleatórias

Geração de variáveis aleatórias Geração de variáveis aleatórias Danilo Oliveira, Matheus Torquato Centro de Informática Universidade Federal de Pernambuco 5 de setembro de 2012 Danilo Oliveira, Matheus Torquato () 5 de setembro de 2012

Leia mais

Capítulo 2. Funções complexas. 2.1. Introdução

Capítulo 2. Funções complexas. 2.1. Introdução Capítulo Funções complexas 1 Introdução Neste capítulo consideram-se vários exemplos de funções complexas e ilustram-se formas de representação geométrica destas funções que contribuem para a apreensão

Leia mais

Processos Estocásticos

Processos Estocásticos Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte

Leia mais

MOQ-13 Probabilidade e Estatística

MOQ-13 Probabilidade e Estatística Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-13 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br Motivação Idéias Básicas

Leia mais

Matemática Aplicada às Ciências Sociais

Matemática Aplicada às Ciências Sociais Prova de Exame Nacional de Matemática Aplicada às Ciências Sociais Prova 835 2011 10.º e 11.º Anos de Escolaridade Decreto-Lei n.º 74/2004, de 26 de Março Para: Direcção-Geral de Inovação e de Desenvolvimento

Leia mais

(b) Qual a probabilidade de ter sido transmitido um zero, sabendo que foi recebido um (1.0) zero?

(b) Qual a probabilidade de ter sido transmitido um zero, sabendo que foi recebido um (1.0) zero? Grupo I 5.0 valores 1. Um sistema de comunicação binária transmite zeros e uns com probabilidade 0.5 em qualquer dos casos. Devido ao ruído existente no canal de comunicação há erros na recepção: transmitido

Leia mais

Medidas de Tendência Central

Medidas de Tendência Central Medidas de Tendência Central Generalidades Estatística Descritiva: Resumo ou descrição das características importantes de um conjunto conhecido de dados populacionais Inferência Estatística: Generalizações

Leia mais

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ CURSO DE ENGENHARIA CIVIL DISCIPLINA DE CÁLCULO DIFERENCIAL E INTEGRAL I

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ CURSO DE ENGENHARIA CIVIL DISCIPLINA DE CÁLCULO DIFERENCIAL E INTEGRAL I 1) Considerações gerais sobre os conjuntos numéricos. Ao iniciar o estudo de qualquer tipo de matemática não podemos provar tudo. Cada vez que introduzimos um novo conceito precisamos defini-lo em termos

Leia mais

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Medidas de Posição Depois de se fazer a coleta e a representação dos dados de uma pesquisa, é comum analisarmos as tendências

Leia mais

'DGRVGH(QWUDGD SDUD D6LPXODomR

'DGRVGH(QWUDGD SDUD D6LPXODomR 6LPXODomR GH6LVWHPDV 'DGRVGH(QWUDGD SDUD D6LPXODomR,1387 'DGRVGH(QWUDGD SDUD D6LPXODomR 3URSyVLWRReproduzir o comportamento aleatório / estocástico do sistema real dentro do modelo de simulação. *$5%$*(,1*$5%$*(287

Leia mais

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas,

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, MODELAÇÃO E DETERMINAÇÃO DE PARÂMETROS CINÉTICOS FILIPE GAMA FREIRE 1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, etc. a que chamaremos y

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 6 Abril 09 5 Modelos preditivos para classificação 5. Introdução Os modelos descritivos, tal como apresentados atrás, limitam-se à sumarização dos dados

Leia mais

Lista IV - Curva Normal. Professor Salvatore Estatística I

Lista IV - Curva Normal. Professor Salvatore Estatística I Lista IV - Curva Normal Professor Salvatore Estatística I 19/12/2011 Consulta à tabela Normal: 1. Estabeleça a área entre 0 (zero) e Zi igual a a. + 1,35 b. + 1,58 c. +2,05 d. +2,76 e. -1,26 f. -2,49 g.

Leia mais

Instituto Superior Técnico. 19 de Janeiro de 2001. Parte I

Instituto Superior Técnico. 19 de Janeiro de 2001. Parte I Exame de Compressão e Codificação de Dados Secção de Telecomunicacções DEEC, Instituto Superior Técnico 19 de Janeiro de 1 Parte I Esta parte do exame é constituida por 20 perguntas de resposta múltipla.

Leia mais

Introdução à Inferência Estatística

Introdução à Inferência Estatística Introdução à Inferência Estatística 1. População: conjunto de indivíduos, ou itens, com pelo menos uma característica em comum. Também será denotada por população objetivo, que é sobre a qual desejamos

Leia mais

Caracterização temporal de circuitos: análise de transientes e regime permanente. Condições iniciais e finais e resolução de exercícios.

Caracterização temporal de circuitos: análise de transientes e regime permanente. Condições iniciais e finais e resolução de exercícios. Conteúdo programático: Elementos armazenadores de energia: capacitores e indutores. Revisão de características técnicas e relações V x I. Caracterização de regime permanente. Caracterização temporal de

Leia mais

ESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL- ESTREMOZ MATEMÁTICA A 12ºANO ANO LETIVO 2015/2016 OBJECTIVOS ESPECÍFICOS

ESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL- ESTREMOZ MATEMÁTICA A 12ºANO ANO LETIVO 2015/2016 OBJECTIVOS ESPECÍFICOS PROBABILIDADES E COMBINATÓRIA ESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL- ESTREMOZ MATEMÁTICA A 12ºANO ANO LETIVO 2015/2016 Introdução ao cálculo Conhecer terminologia das probabilidades de Probabilidades

Leia mais

Intervalos Estatísticos para uma Única Amostra

Intervalos Estatísticos para uma Única Amostra Roteiro Intervalos Estatísticos para uma Única Amostra 1. Introdução 2. Intervalo de Confiança para Média i. População normal com variância conhecida ii. População normal com variância desconhecida 3.

Leia mais

Aula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos

Aula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos Aula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos Organização: Airton Kist Digitação: Guilherme Ludwig Exercício Se X b(n, p), sabendo-se que E(X ) = 12 e σ 2 = 3, determinar:

Leia mais

Análise de Circuitos Elétricos III

Análise de Circuitos Elétricos III Análise de Circuitos Elétricos III Prof. Danilo Melges (danilomelges@cpdee.ufmg.br) Depto. de Engenharia Elétrica Universidade Federal de Minas Gerais Introdução à Transformada de Laplace A Transformada

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

O trabalho pioneiro nesta área remonta a Ulam, que o teria inventado em 1946 ao estudar as possibilidades de ganhar no jogo de cartas Solitário.

O trabalho pioneiro nesta área remonta a Ulam, que o teria inventado em 1946 ao estudar as possibilidades de ganhar no jogo de cartas Solitário. Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Números aleatórios (NA) são elementos básicos necessários na simulação de quase todos os sistemas discretos. Eles podem ser utilizados

Leia mais

Distribuição de Freqüência

Distribuição de Freqüência Distribuição de Freqüência Representação do conjunto de dados Distribuições de freqüência Freqüência relativa Freqüência acumulada Representação Gráfica Histogramas Organização dos dados Os métodos utilizados

Leia mais

Probabilidade - aula III

Probabilidade - aula III 27 de Março de 2014 Regra da Probabilidade Total Objetivos Ao final deste capítulo você deve ser capaz de: Usar a regra da multiplicação para calcular probabilidade de eventos Usar a Regra da Probabilidade

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais