1. teoria da utilidade e seguro

Tamanho: px
Começar a partir da página:

Download "1. teoria da utilidade e seguro"

Transcrição

1 1. teoria da utilidade e seguro 1 / 57

2 1 introdução / 57

3 Introdução Um sistema de segurança é, de um modo lato, um mecanismo criado com o objectivo de reduzir o impacto financeiro adverso resultante de acontecimentos aleatórios que impedem a concretização de certas perspectivas razoáveis à partida. Outro sistema que afecta pagamentos associados na ocorrência de acontecimentos aleatórios é o JOGO. No entanto, este distingue-se do primeiro pelo facto daquele (sistema de segurança) ser criado com vista a proteger contra oimpacto económico de riscos que existem e estão fora de controle do segurado, enquanto que no jogo o risco é procurado voluntariamene pelos participantes. Efectivamente, o único ponto comum entre estes dois sistemas é o facto de envolverem uma redistribuição da riqueza. 3 / 57

4 Se cada um de nós pudesse predizer as consequências das nossas decisões obviamente que a nossa vida seria muito simplificada, mas contudo... desinteressante! Tudo se resumiria a tomar decisões com base nas preferências relativamente às consequências. No entanto, na possuimos (e ainda bem!) esse dom profético. O melhor que podemos fazer é seleccionar uma acção que nos irá conduzir preferencialmente a um conjunto de incertezas. A teoria da utilidade é uma teoria elaborada no sentido de levar a um conhecimento aprofundado acerca de como tomar decisões face à incerteza. Trata-se de uma teoria com importância relevante para os sistemas de segurança. 4 / 57

5 Assim, face ao problema de tomar uma decisão face à incerteza, uma solução possível poderá ser definir o valor de um projecto económico com resultado aleatório através do seu valor esperado. Em economia é designado este valor por Valor Justo ou Valor Actuarial. Através deste princípio, o agente de decisão encara de modo indiferente entre assumir um prejuízo aleatório X e efectuar um pagamento de montante E[X ]. 5 / 57

6 No entanto, muitos agentes de decisão não adoptam este princípio (por vezes, designado como Princípio do Valor Justo); para eles, o nível de riqueza e outros aspectos da distribuição dos resultados influenciam as suas decisões. No exemplo seguinte está bem patente a insuficiência do princípio referido. 6 / 57

7 Exemplo 1.1. (seguro de acidentes) Considere-se P[acidente]=0.1 inalterada. Os três casos seguintes estão escalonados de acordo com o montante de prejuízo resultante de um acidente, eventualmente. Prejuízos Possíveis (u.m.) 1 Prejuízo Esperado (u.m.) caso caso caso No caso 1 o montante de perdas não é relevante, pelo que o agente de decisão não estará disposto a pagar mais do que o valor esperado dos prejuízos para efectuar o seguro. 1 u.m. - unidade monetária 7 / 57

8 Contudo, se fixarmos a nossa atenção no caso 3, um prejuízo de u.m. poderá revelar-se catastrófico e exceder as suas disponibilidades financeiras. Neste caso, possivelmente o agente de decisão poderá estar disposto a pagar mais do que o valor esperado do prejuízo de forma a efectuar o seguro. Este facto sugere que o princípio do valor Justo nem sempre é o mais adequado como base da decisão. 8 / 57

9 ALTERNATIVAS? Iremos ver uma abordagem que de certo modo explica o facto de um agente de decisão poder estar disposto a pagar mais do que o valor esperado - a função utilidade. 9 / 57

10 Os três exemplos seguintes situam-se na área dos JOGOS e servem para ilustrar alguns dos conceitos fundamentais na Teoria da Utilidade. Exemplo 1.2. Embora dois jogos distintos X e Y possam ter o mesmo ganho esperado, uma pessoa que seja forçada a aceitar um dos dois jogos, preferirá tipicamente um deles ao outro. Por exemplo, sejam X : { /2 1/2 e Y : { /3 1/3 1/3 com E[X ] = E[Y ] = / 57

11 Contudo, uma pessoa que não queira arriscar perder 400 u.m. para ter a possibilidade de ganhar 500 u.m.,preferirá, de um modo geral, o jogo Y, que lhe oferece a possibilidade de um ganho certo de, pelo menos, 40 u.m.. A Teoria da Utilidade foi desenvolvida nos anos 30/40 com o objectivo de descrever as preferências pessoais em jogos como os que acabámos de descrever: Uma pessoa preferirá um jogo X para o qual o valor esperado de uma certa função u(x ), E[X ], seja um máximo (em vez de E[X ]!) 11 / 57

12 u(.) função utilidade x u(x) u(x), que representa o valor que a pessoa atribui ao facto de ganhar o montante x. because giving a bank note to a poor person makes more sense than giving it to a millionaire Rolski et al. (1999) 12 / 57

13 E[u(X )] = 1 2 u(500) u( 400) E[u(Y )] = 1 3 u(60) u(50) u(40) > prefere X E[u(X )] = E[u(Y )] indiferente entre X e Y < prefere Y u(x) é uma função crescente do ganho X É uma hipótese razoável, se pensarmos que pessoa prefere um ganho maior a outro mais pequeno! 13 / 57

14 Contudo, a forma de uma função utilidade u(.) varia de pessoa para pessoa e depende do balanço pessoal entre o risco assumido referente aos diversos montantes e a tentativa de aumentar os seus ganhos. Exemplo 1.3. jogo 1. jogo 2. X : { Y : { Qual a preferência pessoal entre o jogo 1 e o jogo 2? 14 / 57

15 a) Função utilidade linear: u(x) = ax + b, a > 0. E[u(X )] = E[aX + b] = ae[x ] + b = aµ X + b, donde E[u(X )] > E[u(Y )] sse µ X > µ Y portanto, quando a utilidade é linear o jogo escolhido é sempre aquele para o qual o ganho esperado é máximo. E[X ] = 0.5 ( 3) = 0.1 E[Y ] = 0.7 E[Y ] > E[X ] e portanto a preferência é pelo jogo / 57

16 b) Função utilidade cúbica: u(x) = x 3 E[u(X )] = 0.5 ( 3) (2.5) (6) 3 = E[u(Y )] = 6.1 E[u(X )] > E[u(Y )] preferência pelo jogo 1 (X ) 16 / 57

17 Exemplo 1.4. (Paradoxo de St. Petersburg) O exemplo que se segue foi discutido por Daniel Bernoulli nos princípios do sec. XVIII, como exemplo ilustrativo do facto da função utilidade, considerada como função dos lucros possíveis, poderá não ser uma função linear. Suponhamos que é dada a oportunidade a uma pessoa de participar no seguinte jogo: Uma moeda é lançada repetidamente até que seja obtida a face cara pela primeira vez. 17 / 57

18 Se a primeira vez que a face cara aparece é no n ésimo lançamento, então a pessoa obtem um GANHO de 2 n u.m., (n = 1, 2,...) Questão: Qual o montante que uma pessoa está disposta a gastar como entrada de forma a permitir a sua participação no jogo? P[X = 2 n ] = P[obter primeira face cara no n-ésimo lançamento] = = ( ) 1 n = ( ) 1 n 2 18 / 57

19 O ganho no jogo é descrito por X : { 2 n, n = 1, 2,... ( 1 2) n, E[X ] = ( 1 n 2 2) n = n=1 Se a função utilidade fosse uma função linear, então a pessoa estaria disposta a pagar como entrada qualquer montante arbitrário. No entanto, o que acontece de facto é que cada pessoa está disposta a pagar apenas uma quantia finita (e eventualmente reduzida), que depende da sua própria função utilidade. 19 / 57

20 alguns conceitos em seguros sob uma perspectiva da utilidade A função utilidade, u(.), associada a um agente de decisão, pode então ser usada com o objectivo de comparar duas perspectivas económicas aleatórias X e Y. Seja w a riqueza que possui determinado agente de decisão económica. Será seleccionada a perspectiva económica X se E[u(w + X )] > E[u(w + Y )] e será indiferente entre as duas perspectivas X e Y se E[u(w + X )] = E[u(w + Y )] quer dizer, a relação de preferência qualitativa ou de indiferença pode ser substituída por uma comparação numérica consistente. 20 / 57

21 Vejamos como a teoria da utilidade nos pode levar a um conhecimento aprofundado no campo dos SEGUROS. Suponhamos que um agente de decisão possui uma propriedade que pode ser danificada ou destruída no período de tempo seguinte. Seja X a variável aleatória que representa o montante de prejuízos (que pode ser eventualmente zero). Consideremos também que a distribuição de X é conhecida. 21 / 57

22 X montante de prejuízo E[X ] prejuízo esperado no próximo período. SEGURADOR organização que ajuda a reduzir as consequências financeiras do dano ou destruição da propriedade. SEGURADO dono da propriedade sujeita a risco 22 / 57

23 APÓLICES contratos estabelecidos entre o segurador e o segurado no sentido de ser pago um montante igual ou menor do que o prejuízo financeiro sofrido face ao dano que venha a ocorrer eventualmente, no período de vigência da apólice pagamento da indemnização. PRÉMIO pagamento efectuado pelo segurado ao segurador como retribuição das promessas contidas na apólice por parte do segurador. 23 / 57

24 princípio do valor justo (ou esperado) Supondo que o segurador adopta uma função de utilidade linear com o objectivo de estabelecer o prémio a ser pago pelo segurado, o PRINCÍPIO DO VALOR JUSTO ou ESPERADO estabelece esse montante. µ = E[X ] prémio puro para o período da apólice em causa. Este montante é incrementado de alguma sobrecarga (ou CARGA) de forma a cobrir despesas, impostos, lucros e alguma segurança contra o risco. 24 / 57

25 Prémio = prémio puro + carga de segurança + carga admnistrativa por exemplo : P = µ(1 + θ) + c = µ + θ µ + c com θ, c > 0 e onde θ COEFICIENTE de CARGA DE SEGURANÇA 25 / 57

26 Princípios de Cálculo de Prémio Existem outros princípios económicos que podem ser adoptados pelas seguradoras. Assim, e com µ := E[X ], quando: carga de segurança= = θ µ Princípio do Valor Esperado. = θ VAR[X ] Princípio da Variância. = θ VAR[X ] Princípio do Desvio Padrão. = θ VAR[X ]/µ Princípio Modificado da Variância. 26 / 57

27 Vejamos agora a perspectiva do dono da propriedade sujeita a risco - segurado - em termos da teoria da utilidade - u(x). perspectiva do segurado A indiferença entre pagar um montante G ao segurador e assumir o risco ele próprio pode ser estabelecido pela igualdade u(w G) = E[u(w X )] ( ) onde u(w G) valor esperado do pagamento de G para protecção financeira dada pela seguradora E[u(w X )] utilidade esperada de não comprar o seguro, quando a riqueza é w 27 / 57

28 No entanto... O contrato da apólice deverá ser vantajoso para ambas as partes- segurado e segurador. Sob este ponto de vista iremos ver que o dono da propriedade não pode ter uma função utilidade linear. 28 / 57

29 Por absurdo, suponhamos que u(w) = aw + b, a > 0. De ( ), a(w G) + b = E[a(w X ) + b] a(w G) + b = ae(w X ) + b, a(w G) + b = a(w µ) + b, pelo que G = µ 29 / 57

30 O que quer dizer: O pagamento (máximo) G que o segurado está disposto a pagar de modo a ser indiferente fazer o seguro ou não, é igual ao prejuízo esperado, µ. Ora, vimos anteriormente que na perspectiva da seguradora, para que o contrato resulte, a companhia deverá cobrar um prémio maior do que os prejuízos esperados. Isto é, G > µ 30 / 57

31 Desigualdade de Jensen: Seja u(w) uma função crescente, côncava. Isto é, suponhamos que u (w) > 0 e u (w) < 0. Então, para toda a v.a. X, desde que os valores médios envolvidos existam, tem-se E[u(X )] u(e[x ]) 31 / 57

32 Dem: 32 / 57

33 u(w) u(µ) + u (µ)(w µ), w pelo que E[u(X )] E[u(µ) + u (µ)(x µ)] E[u(X )] u(µ) + u (µ)e[(x µ)] e, consequentemente, E[u(X )] u(µ), c.q.d. Verifica-se a igualdade apenas se X for constante. Observação: Esta desigualdade é de grande aplicabilidade em Matemáticas Actuariais. 33 / 57

34 Retomamos agora o problema da função utilidade adoptada pelo dono da propriedade, de forma a tornar vantajoso para ambas as partes o contrato constante da apólice. De (*) vem o seguinte quando u(.) é côncava: u(w G) = E[u(w X )] u(w µ) a desigualdade decorre da desigualdade de Jensen e, porque u(.) é crescente, conclui-se que e consequentemente w G w µ G µ. Com G > µ a menos que X seja constante. 34 / 57

35 Então, o segurado pagará um montante maior do que o prejuízo esperado de forma a efectuar o seguro ADVERSO AO RISCO. Voltemos ao ponto de vista do segurador, associando uma função utilidade côncava u 1 (.). Consideremos também H prémio mínimo aceitável para assumir o prejuízo aleatório X w 1 riqueza corrente 35 / 57

36 perspectiva do segurador u 1 (w 1 ) = E[u 1 (w 1 + H X )] Corresponde ao Princípio de utilidade nula: a utilidade da riqueza corrente seja igual ao valor esperado da riqueza final, i.e., depois de feito o seguro (recebidos os prémios (H) e pagos os prejuízos ou indemnizações (X )). 36 / 57

37 Então, se u 1 (.) é côncava (e crescente) vem H µ apólice praticável Se então a apólice é praticável! G H µ 37 / 57

38 Exemplos de funções utilidade funções utilidade exponenciais u(w) = e αw propriedades da funções utilidade exponenciais u(w) é uma f. utilidade associada a uma atitude adversa face ao risco. (u (w) > 0 e u (w) < 0) Tem-se que E[u(X )] = M X ( α), com M X (r) = E[e rx ] a f.g.m. de X. 38 / 57

39 propriedades da funções utilidade exponenciais O prémio de seguro não depende da riqueza do agente de decisão (segurado ou seguradora) u(w G) = E[u(w X )] e α(w G) = E[ e α(w X ) ] e αg = M X (α) G = log M X (α) α que não depende de w. Analogamente, u 1 (w 1 ) = E[u 1 (w 1 + H X )] H = log M X (α 1) α 1 39 / 57

40 Exemplo de aplicação: Um agente de decisão tem f. utilidade u(w) = e 5w. Face a duas perspectivas económicas X e Y, qual delas prefere quando 1 X N(5, 2) e Y N(6, 2.5) 2 X N(5, 2) e Y N(6, 2.4) 40 / 57

41 Resolução: Recorde-se que X N(µ, σ 2 ) M X (r) = e µr+σ2 r 2 /2 1 E[u(X )] = M X ( 5) = 1 e E[u(Y )] = M Y ( 5) = e 1.25 tem-se E[u(X )] > E[u(Y )] e portanto prefere X. Observação: note-se que µ X < µ Y 2 Neste caso, E[u(Y )] = 1 e portanto é indiferente entre X e Y. 41 / 57

42 funções utilidade potência fraccionárias u(w) = w γ, w > 0, 0 < γ < 1 propriedades da funções utilidade potência fraccionárias atitude adversa face ao risco. (u (w) > 0 e u (w) < 0) prémios dependem da riqueza do agente de decisão. 42 / 57

43 Exemplo de aplicação: u(w) = w; considere-se w = 10 e X U(0, 10). Qual o montante máximo (G) que o agente está disposto a pagar para ter cobertura face a um prejuízo aleatório X? Resolução: u(10 G) = E[u(10 X )] G = 10 x 0 10 dx G == G = = 5.56 Observação: Note-se que se verifica, tal como foi discutido atrás, G > E[X ] 43 / 57

44 funções utilidade quadráticas u(w) = w αw 2, w < 1 2α, α > 0 propriedades das funções utilidade quadráticas atitude adversa face ao risco. (u (w) > 0 e u (w) < 0) a decisão depende apenas do valor médio e da variância de X, E[X ] e E[X 2 ]. Observação: este tipo de funções utilidade pode ter como consequência certas atitudes absurdas face ao risco. Vejamos um exemplo disso: 44 / 57

45 Exemplo de aplicação: Consideremos o seguinte cenário: { u(w) = w 0.01w 2 0 c, w < 50; X : p 1 p Qual o montante máximo (G) que o agente de decisão está disposto a pagar para ter cobertura face a um prejuízo aleatório X? Considere c = 10 e p = 1 2 e compare os resultados para dois valores de w, w 1 = 10 e w 2 = / 57

46 Resolução: u(w G) = E[u(w X )] pelo que G deverá satisfazer a seguinte equação de segundo grau: (w G) 0.01(w G) 2 = pu(w) + (1 p)u(w c) = p[w 0.01w 2 ] + (1 p)[(w c) 0.01(w c) 2 ] w 1 = 10 G = 5.28 w 1 = 20 G = / 57

47 Observações: 1 em ambos os casos G > E[X ] = 5 (adverso ao risco); 2 a conclusão é algo absurda! O agente de decisão está disposto a pagar um prémio superior no caso se ser, à partida, mais rico, exactamente pelo mesmo valor do dano (c = 10)! As funções utilidade quadráticas não são convenientes para agentes de decisão com tendência a sofrer prejuízos que aumentam no sentido da riqueza. 47 / 57

48 tipos de cobertura Temos vindo a falar de seguros de cobertura total face a um possível dano que afecte um agente de decisão. Vejamos no seguinte exemplo as consequências que advêm do facto de ser adoptada uma poĺıtica de cobertura parcial. 48 / 57

49 Exemplo: Consideremos u(w) = e 0.005w. A probabilidade que uma propriedade não seja danificada, no próximo período, é de 0.75; sendo sujeita a um dano convenientemente modelado pelo modelo EXPONENCIAL de valor médio 100, caso contrário. Compare os montantes prémio quando tem à sua escolha cada uma das seguintes poĺıticas face ao dano: 1 Cobertura total; 2 Cobertura parcial, de metade dos danos. (seguro PROPORCIONAL). e calcule o montante de excesso face às indemnizações esperadas, em cada um dos casos. 49 / 57

50 Resolução: O dano, X, é uma v.a. mista: X : { 0 Z Exp(100) , f Z (z) = 0.01e 0.01z, z > 0; I (X ) := cobertura. 1 Cobertura Total, i.e., tem-se I (X ) = X. E[I (X )] = E[X ] = E[Z] = = 25u.m. 2 Cobertura Parcial de tipo Proporcional tem-se I (X ) = X 2. E[I (X )] = 25 2 = 12.5u.m. 50 / 57

51 Determinemos para ambos os casos o montante máximo que o agente está disposto a pagar para ter a cobertura contratada, G: caso 1: cobertura total u(w G) = E[u(w X )] = 0.75u(w) E[u(w Z)] e 0.005(w G) = 0.75( e 0.005w ) E[ e 0.005(w Z) ] ( e 0.005w )e 0.005G = 0.75( e 0.005w ) +0.25( e 0.005w )E[e 0.005Z ] e 0.005G = E[e 0.005Z ] Note-se que E[e 0.005Z ] = M Z (0.005). 51 / 57

52 Sendo M Z (r) = r, para r < 0.01, obtemos M Z (0.005) = 2 e portanto G = 44.63u.m. donde o excesso face à indemnização esperada é G E[I (X )] = G E[X ] = = 19.63u.m. 52 / 57

53 caso 2: cobertura parcial de metade dos danos. Desta vez vamos igualar a utilidade esperada com cobertura parcial à utilidade esperada sem cobertura. E[u(w G (X I (X )))] = E[u(w X )] [ ( E u w G X )] = E[u(w X )] 2 [ ( 0.75u(w G) E u w G Z )] = 2 = 0.75u(w) E[u(w Z)]. G = 28.62u.m. G E[I (X )] = = > 12.5 (perda parcial esperada) 53 / 57

54 Uma vez identificada uma classe de situações sujeitas a risco (e como tal candidatas a seguro) podem ser obtidas informações acerca das utilidades esperadas, associadas ao processo de prejuízos respectivo. As ideias acerca da teoria da utilidade que foram apresentadas têm sido usadas como fundamento para uma teoria elaborada no sentido de constituir um guia para os agentes de decisão, no sentido de tomarem acções consistentes com as suas preferências. Façamos um ponto da situação nesse campo: 0 I (X ) X.(apólices admissíveis) 54 / 57

55 Hipótese simplificadora do problema Suponhamos que qualquer apólice admissível pode ser adquirida pelo montante respeitante à indemnização esperada E[I (X )] E[X ] Suponhamos que a função utilidade é tal que o agente de decisão é adverso ao risco (u (w) > 0 e u (w) < 0) P- prémio a ser pago pelo agente de decisão. 0 < P = E[I (X )] E[X ] E[X ] = µ 55 / 57

56 Teorema: Arrow (1963) (seguro de saúde) De acordo com as condições anteriores, a utilidade de um agente de decisão adverso face ao risco é MAXIMIZADA adquirindo uma apólice de seguro tipo STOP-LOSS ou EXCESS-OF-LOSS { I d (x) = em que d é solução da equação P = d 0, x < d x d, x d (x d)f (x)dx (= E[I d (X )]) 56 / 57

57 Observações: Uma apólice de seguro não pode ser adquirida simplesmente pelo valor esperado das indemnizações. (despesas admnistrativas, lucro, carga de segurança) O teorema indica o tipo de contrato a estabelecer entre a seguradora e o segurado, mas não estabelece o prémio P a ser pago. (P fixado à partida.) 57 / 57

Instituto Nacional de Matemática Pura e Aplicada Curso: Introdução à Economia Matemática

Instituto Nacional de Matemática Pura e Aplicada Curso: Introdução à Economia Matemática Instituto Nacional de Matemática Pura e Aplicada Curso: Introdução à Economia Matemática Prof. Rodrigo Novinski 8 de Fevereiro de 2010 Escolha sob Risco: Atitudes frente ao Risco (Castro e Faro, capítulo

Leia mais

UNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros

UNIVERSIDADE 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 mais

DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros

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 mais

Risco. Definição: Uma lotaria é qualquer evento com um resultado incerto. Exemplos: Investimento, Jogos de Casino, Jogo de Futebol.

Risco. Definição: Uma lotaria é qualquer evento com um resultado incerto. Exemplos: Investimento, Jogos de Casino, Jogo de Futebol. Risco Definição: Uma lotaria é qualquer evento com um resultado incerto. Exemplos: Investimento, Jogos de Casino, Jogo de Futebol. Definição: A probabilidade de um resultado (de uma lotaria) é a possibilidade

Leia mais

VARIÁVEIS ALEATÓRIAS

VARIÁVEIS 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 mais

Amostragem e distribuições por amostragem

Amostragem e distribuições por amostragem Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão Microeconomia II Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 3.1 Introdução à Teoria das Probabilidades e da Preferência pelo Risco Isabel Mendes 2007-2008 18-03-2008 Isabel Mendes/MICRO

Leia mais

4.1. ESPERANÇA x =, x=1

4.1. 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 mais

O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV

O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV Um conceito simples e útil mas que não é normalmente explorado no Ensino Básico no Brasil é o de valor esperado de

Leia mais

Capítulo 2. Variáveis Aleatórias e Distribuições

Capítulo 2. Variáveis Aleatórias e Distribuições Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos

Leia mais

SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS

SUMÁRIOS 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 mais

3 3. Variáveis Aleatórias

3 3. Variáveis Aleatórias ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50

Leia mais

Distribuições por Amostragem

Distribuições por Amostragem Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística

Leia mais

IND 1115 Inferência Estatística Aula 6

IND 1115 Inferência Estatística Aula 6 Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal

Leia mais

Universidade Católica Portuguesa. Faculdade de Ciências Económicas e Empresariais. Tel.: Fax:

Universidade Católica Portuguesa. Faculdade de Ciências Económicas e Empresariais. Tel.: Fax: Situações com incerteza Fernando Branco Ano lectivo 2003-2004 Trimestre de Inverno Sessão 11 A maioria das escolhas são feitas em contexto de incerteza: Qual a produtividade de um trabalhador? Qual a penetração

Leia mais

O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV

O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV Um conceito simples e útil mas que não é normalmente explorado no Ensino Fundamental no Brasil é o de valor esperado

Leia mais

Teoria do Consumidor: Escolha Envolvendo Risco

Teoria do Consumidor: Escolha Envolvendo Risco Teoria do Consumidor: Escolha Envolvendo Risco Roberto Guena de Oliveira USP 19 de maio de 2015 Estrutura da aula 1 Motivação 2 Consumo contingente 3 Utilidade Esperada Loterias Utilidde Esperada 4 Posturas

Leia mais

Distribuições discretas

Distribuições discretas Distribuições discretas Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplo 1 Suponha que está a concorrer para 2 vagas de uma empresa com mais colegas seus: o João,aRosaeoInácio.

Leia mais

Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:

Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: 46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y

Leia mais

Distribuições Importantes. Distribuições Discretas

Distribuições Importantes. Distribuições Discretas Distribuições Importantes Distribuições Discretas Distribuição de Bernoulli Definição Prova ou experiência de Bernoulli é uma experiência aleatória que apenas tem dois resultados possíveis: A que se designa

Leia mais

Distribuições de Probabilidade

Distribuições de Probabilidade Distribuições de Probabilidade Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições de Probabilidade 2007/2008 1 / 31 Introdução Introdução Já vimos como caracterizar

Leia mais

Variáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu

Variáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse

Leia mais

Probabilidades e Estatística

Probabilidades e Estatística Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LEGM, LEIC-A, LEIC-T, LEMat, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ 2 o semestre 2/22 o TESTE (Época

Leia mais

5. aplicação da teoria do risco a seguros

5. aplicação da teoria do risco a seguros 5. aplicação da teoria do risco a seguros 1 / 107 1 Introdução. 2 3 4 5 2 / 107 Introdução. O objectivo deste capítulo é o de indicar vários modos de aplicação de Teoria do Risco a Problemas de Seguros.

Leia mais

Probabilidade e Estatística

Probabilidade 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 mais

Mais sobre Modelos Continuos

Mais sobre Modelos Continuos Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória

Leia mais

ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época de Recurso Duração: 2 horas. 1. a Parte Teórica N. o de Exame: RESOLUÇÃO

ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época de Recurso Duração: 2 horas. 1. a Parte Teórica N. o de Exame: RESOLUÇÃO ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época de Recurso Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 27.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:

Leia mais

Cap. 8 - Variáveis Aleatórias

Cap. 8 - Variáveis Aleatórias Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON

Leia mais

AULA 17 - Distribuição Uniforme e Normal

AULA 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 mais

Departamento de Matemática Escola Superior de Tecnologia de Viseu. Engenharia e Gestão Industrial

Departamento de Matemática Escola Superior de Tecnologia de Viseu. Engenharia e Gestão Industrial Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC,

Leia mais

MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade

MAT 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 mais

Conceitos básicos: Variável Aleatória

Conceitos básicos: Variável Aleatória : Variável Aleatória Variável aleatória (v.a.) valor numérico que é resultado de uma eperiência aleatória. Podemos ter variáveis aleatórias contínuas ou discretas. Eemplo 1: Suponha que lança duas moedas

Leia mais

Variáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22

Variáveis 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 mais

Probabilidade. Variáveis Aleatórias e Distribuição de Probabilidades

Probabilidade. Variáveis Aleatórias e Distribuição de Probabilidades Probabilidade Variáveis Aleatórias e Distribuição de Probabilidades Na aula de hoje, vamos 1 - Estender o conceito de variável, definindo o conceito de variável aleatória; 2 Entender porque as variáveis

Leia mais

BIOESTATÍSTICA. Parte 3 Variáveis Aleatórias

BIOESTATÍSTICA. 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 mais

Universidade Federal de Pelotas Disciplina de Microeconomia 1 Professor Rodrigo Nobre Fernandez Lista 3 - Soluções. x 2 5 = 40 x.

Universidade Federal de Pelotas Disciplina de Microeconomia 1 Professor Rodrigo Nobre Fernandez Lista 3 - Soluções. x 2 5 = 40 x. Universidade Federal de Pelotas Disciplina de Microeconomia 1 Professor Rodrigo Nobre Fernandez Lista 3 - Soluções 1) Dada as funções de demanda p(x) = 40 x e de oferta p(x) = x 5, pede-se: a) O ponto

Leia mais

Probabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância 06/14 1 / 19

Probabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância 06/14 1 / 19 Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância 06/14 1 / 19 Nos modelos matemáticos aleatórios parâmetros podem ser

Leia mais

Estatística Descritiva e Exploratória

Estatística Descritiva e Exploratória Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução

Leia mais

Distribuições de Probabilidade

Distribuições de Probabilidade Distribuições de Probabilidade Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT) Distribuições de

Leia mais

Uma estatística é uma característica da amostra. Ou seja, se

Uma 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 mais

Variáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman

Variáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento

Leia mais

TE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.

TE802 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 mais

Introdução à Probabilidade e à Estatística II

Introdução à Probabilidade e à Estatística II Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36

Leia mais

Cálculo das Probabilidades I

Cálculo 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 mais

Cálculo das Probabilidades e Estatística I

Cálculo 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 mais

ESTATÍSTICA TÓPICO 7 VARIÁVEL ALEATÓRIA DISCRETA / DISTRIBUIÇÃO BINOMIAL / DISTRIBUIÇÃO NORMAL

ESTATÍSTICA TÓPICO 7 VARIÁVEL ALEATÓRIA DISCRETA / DISTRIBUIÇÃO BINOMIAL / DISTRIBUIÇÃO NORMAL ESTATÍSTICA TÓPICO 7 VARIÁVEL ALEATÓRIA DISCRETA / DISTRIBUIÇÃO BINOMIAL / DISTRIBUIÇÃO NORMAL VARIÁVEIS ALEATÓRIAS Como já vimos no estudo das probabilidades, o conjunto de todos os possíveis resultados

Leia mais

Testes de Hipóteses Paramétricos

Testes de Hipóteses Paramétricos Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto

Leia mais

TE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias. TE802 Somas de Variáveis Aleatórias

TE802 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

Inferência Estatistica

Inferência 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 mais

Probabilidade e Estatística

Probabilidade e Estatística Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição

Leia mais

Testes de Hipóteses Paramétricos

Testes de Hipóteses Paramétricos Testes de Hipóteses Paramétricos Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Testes de Hipóteses Paramétricos 1 / 41 Introdução. Hipóteses Estatísticas. Erro Tipo I

Leia mais

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos

Leia mais

Distribuições Amostrais e Estimação Pontual de Parâmetros

Distribuições Amostrais e Estimação Pontual de Parâmetros Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição

Leia mais

Bioestatística F. Modelo Binomial. Enrico A. Colosimo

Bioestatística F. Modelo Binomial. Enrico A. Colosimo Bioestatística F Modelo Binomial Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/~enricoc 2011 1 / 1 Variável aleatória discreta Definição Uma

Leia mais

Inferência para duas populações

Inferência para duas populações Inferência para duas populações Capítulo 13, Estatística Básica (Bussab&Morettin, 8a Edição) 7a AULA 27/04/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 7a aula (27/04/2015) MAE229 1 / 27 1.

Leia mais

Variáveis Aleatórias

Variáveis 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 mais

Probabilidade 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 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 mais

Estatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral

Estatística 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 mais

VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL

VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL Variável Aleatória Uma função X que associa a cada elemento ω do espaço amostral Ω um valor x R é denominada uma variável aleatória. A variável aleatória pode

Leia mais

Testes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo

Testes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais

Leia mais

Professora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.

Professora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017. Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um

Leia mais

VARIÁVEIS ALEATÓRIAS e DISTRIBUIÇÃO BINOMIAL

VARIÁVEIS ALEATÓRIAS e DISTRIBUIÇÃO BINOMIAL VARIÁVEIS ALEATÓRIAS e DISTRIBUIÇÃO BINOMIAL 1 Variável Aleatória Uma função X que associa a cada elemento w do espaço amostral W um valor x R é denominada uma variável aleatória. Experimento: jogar 1

Leia mais

Variáveis Aleatórias - VA

Variáveis 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 mais

Variáveis aleatórias

Variáveis aleatórias Variáveis aleatórias Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF

Leia mais

VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL

VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL 1 Variável Aleatória Uma função X que associa a cada elemento w do espaço amostral W um valor x R é denominada uma variável aleatória. Experimento: jogar 1 dado

Leia mais

4. Distribuições de probabilidade e

4. Distribuições de probabilidade e 4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio

Leia mais

Introdução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:

Introdução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A   Site: Introdução à probabilidade e à estatística II Revisão Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Estatística Estatística: É uma ciência que se dedica

Leia mais

3 a Lista de PE Solução

3 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 mais

Probabilidade. Variáveis Aleatórias Distribuição de Probabilidade

Probabilidade. Variáveis Aleatórias Distribuição de Probabilidade Probabilidade Variáveis Aleatórias Distribuição de Probabilidade Variáveis Aleatórias Variável Aleatória Indica o valor correspondente ao resultado de um experimento A palavra aleatória indica que, em

Leia mais

Conteúdo Teórico: 04 Esperança

Conteúdo 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 mais

Cálculo II (Primitivas e Integral)

Cálculo II (Primitivas e Integral) Cálculo II (Primitivas e Integral) Antônio Calixto de Souza Filho Escola de Artes, Ciências e Humanidades Universidade de São Paulo 5 de março de 2013 1 Aplicações de Integrais subject Aplicações de Integrais

Leia mais

Análise de regressão linear simples. Diagrama de dispersão

Análise de regressão linear simples. Diagrama de dispersão Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente

Leia mais

Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 3

Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 3 Escola Superior de Tecnologia de Viu Fundamentos de Estatística 006/007 Ficha nº 3. Os valores admissíveis de uma variável aleatória discreta X são: 0,,. Sabe- que E(X)=0.8 e que E(X )=.4. a) Defina a

Leia mais

Probabilidades e Estatística TODOS OS CURSOS

Probabilidades e Estatística TODOS OS CURSOS Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 2 o semestre 206/207 05/07/207 :30 o Teste C 0 valores. Uma peça de certo tipo é

Leia mais

ESCOLHA SOB INCERTEZA

ESCOLHA SOB INCERTEZA MICROECONOMIA I ESCOLHA SOB INCERTEZA Rafael V. X. Ferreira rafaelferreira@usp.br Março e Abril de 2017 Universidade de São Paulo (USP) Faculdade de Economia, Administração e Contabilidade (FEA) Departamento

Leia mais

Distribuições de Probabilidade. Variáveis aleatórias contínuas

Distribuições de Probabilidade. Variáveis aleatórias contínuas Distribuições de Probabilidade Variáveis aleatórias contínuas 1 Variáveis contínuas Uma variável aleatória contínua toma um nº infinito não numerável de valores (intervalos de números reais), os quais

Leia mais

Estatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto

Estatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto Estatística Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas Professor Fernando Porto Lançam-se 3 moedas. Seja X o número de ocorrências da face cara. O espaço amostral do experimento é: W = {(c,c,c),(c,c,r),(c,r,c),(c,r,r),(r,c,c),(r,c,r),(r,r,c),(r,r,r)}

Leia mais

Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos

Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável

Leia mais

MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 26 de Agosto, 2013 Probabilidade: uma Introdução / Aula 5 1 Variáveis aleatórias Definição

Leia mais

Processos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?

Processos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório? Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos

Leia mais

Aproximação da Distribuição Binomial pela Distribuição Normal

Aproximação 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 mais

Variável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada

Variável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada Variável Aleatória Uma função X que associa a cada Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ elemento de S (s S) um número real x X(s) é denominada variável aleatória. O

Leia mais

Prémios (bónus e penalizações) na contratação de serviços

Prémios (bónus e penalizações) na contratação de serviços Prémios (bónus e penalizações) na contratação de serviços Rui Assis Engenheiro Mecânico IST Junho/2004 Resumo Cada vez mais as empresas desinvestem em meios próprios de manutenção dos seus equipamentos

Leia mais

IND 1115 Inferência Estatística Aula 7

IND 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 mais

Fundamentos de Estatística

Fundamentos 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 mais

Gabarito 12 - Microeconomia 2 Professora: Joisa Dutra Monitor: Pedro Bretan

Gabarito 12 - Microeconomia 2 Professora: Joisa Dutra Monitor: Pedro Bretan Gabarito 1 - Microeconomia Professora: Joisa Dutra Monitor: Pedro Bretan 1. (a) A utilidade de reserva é a utilidade espera que ele obtém caso não compre o seguro: U = pu(w ) + (1 p)u(w + L) (b) O contrato

Leia mais

1 Variáveis Aleatórias

1 Variáveis Aleatórias Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA

ESCOLA SUPERIOR DE TECNOLOGIA Departamento Matemática Probabilidades e Estatística Curso Engenharia do Ambiente 2º Semestre 1º Ficha n.º1: Probabilidades e Variáveis Aleatórias 1. Lançam- ao acaso 2 moedas. a) Escreva o espaço de resultados

Leia mais

Introdução à probabilidade e estatística II

Introdução à probabilidade e estatística II Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses

Leia mais

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de

Leia mais

Processos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes

Processos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos

Leia mais

Estatísticas Inferenciais Distribuições Amostrais. Estatística

Estatísticas Inferenciais Distribuições Amostrais. Estatística Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações

Leia mais

Distribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017

Distribuição 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 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 Exame - Época de Recurso SEMESTRE PAR 7/8 Data: 6 de Julho de 8 Duração:

Leia mais

TESTES DE HIPÓTESES. O procedimento básico de um teste de hipóteses pode ser decomposto em quatro fases: i) Definição das hipóteses.

TESTES DE HIPÓTESES. O procedimento básico de um teste de hipóteses pode ser decomposto em quatro fases: i) Definição das hipóteses. 227 TESTES DE HIPÓTESES Objectivo: Verificar se os dados amostrais (ou estimativas obtidas a partir deles) são ou não compatíveis com determinadas populações (ou com valores previamente fixados dos correspondentes

Leia mais

TEORIA GERAL DO SEGURO. Palestrante: Alessandra Teixeira

TEORIA GERAL DO SEGURO. Palestrante: Alessandra Teixeira Palestrante: Alessandra Teixeira PRINCÍPIOS BÁSICOS DO SEGURO Finalidade do Seguro Restabelecer o equilíbrio econômico perturbado, sendo vedada, por lei, a possibilidade de se revestir do aspecto de jogo

Leia mais

Variáveis Aleatórias Contínuas

Variáveis Aleatórias Contínuas Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos

Leia mais