Distribuição gaussiana
|
|
- Mirella Monteiro Mendes
- 7 Há anos
- Visualizações:
Transcrição
1 Apêndice D Distribuição gaussiana Existem diversas situações práticas em que não é possível prever o resultado, apenas a probabilidade de um determinado resultado ocorrer. No dia a dia lidamos com alguns casos assim, como a previsão do tempo e o resultado da loteria. Na Física você já deve ter aprendido que no estudo dos gases lidamos com o elevadíssimo número de moléculas, tratando-as de forma estatística. O resultado de uma medição também é imprevisível. Se estivermos com um instrumento preciso o suficiente veremos que, ao repetir uma determinada medição, obtemos valores que variam a partir de uma determinada casa decimal de forma aleatória. Podemos entender um pouco sobre essa aleatoriedade se conhecermos a probabilidade de ocorrência de um determinado valor da medida. Se formos usar números reais para representar nossas medidas fica sem sentido falar da probabilidade de um determinado valor ocorrer. Em vez disso, definimos a probabilidade de encontrar um valor num determinado intervalo. Chamando de x o valor de uma determinada variável aleatória definimos a probabilidade de encontrar o valor da medida entre x e x + dx, dp(x), como dp(x) = f(x)dx (D.) A função f(x) é o que chamamos de função distribuição. Ela dá a densidade de probabilidade no intervalo especificado e pode assumir diversas formas dependendo do problema. A probabilidade de se ter valores num intervalo finito definido entre a e b, b > a é dada por P(a x b) = b a f(x)dx = b a dp(x). (D.2) Na figura D. você pode ver alguns exemplos de distribuições mais frequentemente utilizadas. Quando estamos lidando com um problema que envolve variáveis aleatórias, conhecer a distribuição de probabilidades f(x) equivale a resolver a equação de movimento nos problemas determinísticos. Infelizmente a forma exata de f(x) só pode ser encontrada em algumas poucas situações muito simplificadas. Encontrar uma f(x) que descreva as principais características de um sistema já é muito! As quatro funções mostradas na figura D. aparecem frequentemente em problemas de física. Aqui vamos nos deter na distribuição gaussiana que é a mais simples depois da distribuição uniforme, embora corresponda a uma grande variedade de situações. 47
2 48 APÊNDICE D. DISTRIBUIÇÃO GAUSSIANA Figura D.: Gráficos de algumas distribuições. (a) Uniforme: f(x) = [ ] 2 Gaussiana: f(x) = σ P 2π exp ; (c) Log-normal: f(x) = Poisson: f(x) = µx e µ x!. (x µ)2 xσ P 2π exp para < x < 2; (b) [ ] ; (d) de ln(x/µ)2 A expressão da distribuição gaussiana é [ f G (x) = exp σ P 2π ] (x µ)2 Observamos que ela depende de dois parâmetros, µ e σ P definidos como e σ P = µ = + + dx xf G (x) dx (x µ) 2 f G (x).. (D.3) (D.4) (D.5) Estes parâmetros nada mais são do que a média e o desvio padrão, definidos para um sistema ideal contínuo regido pela distribuição gaussiana. O desvio padrão σ P, assim como no caso discreto, mede a dispersão dos valores de x. µ é o que chamamos de valor médio ideal ou verdadeiro sendo inatingível na prática. Seriam necessárias infinitas medidas para determinar µ, como sempre temos um número finito de medidas, nossa média aritmética x no fundo é uma estimativa de µ. Mais adiante veremos como estimar a distância entre µ e x. Podemos observar que a distribuição gaussiana é uma função simétrica com relação a x = µ, ou seja f G (µ + ) = f G (µ ), para qualquer valor de. Isso significa que flutuações para
3 49 mais ou para menos no valor de x = µ são igualmente prováveis. Também temos que f G tem seu valor máximo em x = µ. Isso pode ser facilmente verificado através do cálculo da derivada de f G. O valor de f G (x) no ponto de máximo é dado por f G (µ) e vale f Gmax = σ P 2π. (D.6) Com isso podemos escrever a distribuição gaussiana como [ ] (x µ)2 f G (x) = f Gmax exp. (D.7) Os fatores numéricos garantem a normalização já que [ ] + (x µ)2 dx exp =, (D.8) σ P 2π ou seja, a probabilidade de se encontrar qualquer valor como resultado da medida é %. Veja no final do Apêndice como calcular a integral da equação (D.8). Agora vamos verificar a influência dos parâmetros µ e σ P na forma da distribuição gaussiana. A figura D.2 mostra gráficos de f G (x) para diversos valores desses parâmetros. Como já dissemos, valor de µ dá a posição do máximo e posiciona a curva como um todo. O parâmetro σ P Figura D.2: Gráficos de distribuições gaussianas a partir da expressão (D.3). O valor de µ indica a posição da curva e a localização de seu ponto de máximo. σ P está associado à largura da curva. Os dois parâmetros são independentes entre si. está relacionado a largura da gaussiana e com a rapidez com que f G cai quando nos afastamos de seu valor máximo. Podemos ver como σ P está relacionado com a largura da curva de várias maneiras. Por exemplo, podemos calcular em que pontos ela cai a f Gmax /e ou a 36,8% de f Gmax. Chamando esses pontos de x + e x, temos: f G (x ± ) = f Gmax e [ (x ± µ) 2 ] = x ± = µ ± σ P 2. (D.9)
4 5 APÊNDICE D. DISTRIBUIÇÃO GAUSSIANA Também poderíamos estimar a largura da distribuição gaussiana pelo cálculo dos pontos nos quais ela cai à metade de seu valor máximo, ou seja, impondo f G (x ± ) = f Gmax /2. Ou seja, (x ± µ) 2 = ln2 x ± = µ ± σ P 2ln2. (D.) A figura D.3 ilustra estas duas análises. Observando-a, vemos que, a menos de fatores numéricos, σ P nos dá a largura da curva. Figura D.3: Determinação da largura da gaussiana a partir de dois critérios diferentes. (a) Escolhemos os pontos em que a curva cai a e do seu valor máximo, como na equação (D.9). (b) Escolhemos os pontos onde a curva cai à metade de seu valor máximo, como na equação (D.). Vamos calcular a probabilidade de encontrar x entre µ nσ P e µ+nσ P, sendo n um número inteiro. Para este cálculo a posição da curva não importa, já que ela é simétrica em relação a µ. Então, podemos tomar, por simplicidade, µ =. Usamos a expressão (D.2) para este cálculo: P( nσ P x +nσ P ) = +nσp exp σ P 2π nσ P ( x2 ) dx. (D.) Agora fazemos a troca de variável x/σ P 2 u, dx = σp 2 du. Com isso a integral toma a forma: P( nσ P x +nσ P ) = +n/ 2 e u2 du. (D.2) π n/ 2 Esta integral não pode ser calculada analiticamente, devemos consultar alguma tabela. Usaremos para isso a função erro que tem a seguinte definição: erf(a) 2 a e u2 du = +a e u2 du. π π a (D.3) Assim, temos que, ( ) n P( nσ P x +nσ P ) = erf. (D.4) 2 Consultando uma tabela de integrais encontramos:
5 5 n P( nσ P x +nσ P ),6827 2,9545 3,9973 Este resultado significa que, ao realizar uma experiência ideal, com um número muito grande de repetições, e cujos resultados obedecem distribuição gaussiana, cerca de 68% dos valores medidos estarão na região central definida pelo intervalo µ ± σ P. Se considerarmos uma faixa de valores de 4σ P em torno do valor mais provável, teremos aí cerca de 95% dos dados. Em resumo, a chance de se obter um valor diferente do esperado em mais de 2σ P é muitíssimo pequena. Quanto menor for o valor de σ P, mais iguais a µ serão os valores medidos. A figura D.4 ilustra essas faixas numa gaussiana com σ P =. Figura D.4: Gráficos de distribuições gaussianas com σ P = e µ = mostrando as regiões compreendidas por (a) x ± σ P (68% da área total) e (b) x ± 2σ P (95% da área total). Desvio padrão da média Vamos retornar à questão de que µ é o valor médio ideal, inatingível experimentalmente, que apenas podemos estimar com a realização de N medidas. Imagine que repetimos essa série de N medidas, seguindo os mesmos procedimentos. Os novos N valores nada tem a ver com os medidos na primeira vez e provavelmente obteremos um valor médio diferente. Entretanto, devemos observar o mesmo desvio padrão já que este reflete o procedimento experimental, que não mudou. Assim, ao primeiro conjunto de N medidas, associamos os valores x e σ P e ao segundo, x 2 e σ P. Repetindo de novo e de novo, obteremos valores x 3 ± σ P, x 4 ± σ P etc. É impossível prever qual será o valor de média cada vez que fazemos as N medidas, ou seja, a média também é uma variável aleatória. E qual seria a distribuição que descreve a média, para um número infinito de repetições? É uma distribuição gaussiana de desvio padrão σ PN = σ P / N, centrada em µ. Note que a distribuição em cada conjunto de N medidas não
6 52 APÊNDICE D. DISTRIBUIÇÃO GAUSSIANA precisa ser gaussiana, basta que tenha σ P finito. Este importante resultado vem do Teorema do Limite Central [2]. Na vida real não vamos repetir as N medidas, mas sabemos que nossa média x tem 68% de chance de estar entre µ σ P / N e µ + σ P / N, logo, quando maior o valor de N mais nos aproximaremos de µ. Exemplo D. Imagine que uma empresa especializada em pesquisas de opinião é contratada para prever que fração V dos votos um determinado candidato terá nas eleições. Claro que é impossíve se saber o resultado com certeza, mas pode-se usar a estatística para fazer uma boa previsão. A empresa terá que fazer N medidas de V, consultando vários grupos finitos e equivalentes de eleitores. Ao final a empresa calcula V e o σ P. Agora vem um ponto importante. Vamos chamar de V real à fração que seria obtida consultando todos os eleitores, ou seja, o resultado da eleição. Para uma previsão com 68% de chance de acerto, adotamos σ PN como incerteza: V = V ± σ P. N Já se o desejado for que haja 95% chance de acerto, devemos usar uma incerteza correspondendo a 2σ PN: V = V ± 2 σ P. N Ajuste de uma gaussiana a um histograma O histograma da figura B.3 tem uma forma que sugere uma distribuição gaussiana. Vamos buscar a expressão da gaussiana que poderia ser usada para descrever esse conjunto de dados, realizando um ajuste não linear como explicado no Apêndice C. Para fazer o ajuste temos que lembrar o que é um histograma. O histograma em questão foi obtido através da classificação de N = valores de período, em segundos, em intervalos de T =,2 s. Contamos quantos valores caíam em cada intervalo, N i, depois dividimos esses valores pelo número total de medidas obtendo os valores de frequência F i = N i /N em cada intervalo. Na discussão que antecede a figura B.3, associamos os valores de F i às probabilidades P i de encontrar o valor de período naquele intervalo. Para ajustar uma distribuição gaussiana, que é contínua, devemos fazer a seguinte associação F i = N i N = P Ti + T ( i = P(T i x T i + T) = f G (x)dx f G T i + T ) T. T i 2 (D.5) Assim, concluímos que para comparar o histograma com a equação D.3 devemos dividir cada valor de F i pelo valor de T, como na terceira coluna da tabela D.. Vamos escrever a gaussiana a ser ajustada como y = [ ] b 2π exp (x a)2 2b 2. (D.6)
7 53 T(s) F (F/ T)( s ),6,2,,8,7,35 2,,28,4 2,2,67,335 2,4,32,66 2,6,68,84 2,8,2,5 3,,75,875 3,2,2,56 3,4,73,365 3,6,25,25 3,8,8,4 Tabela D.: Tabela para ajuste do histograma da figura B.3. T =,2 s. Comparando com a expressão (D.3) temos que y F T x T a T b σ P Podemos calcular T e σ P diretamente do conjunto de dados que gerou o histograma e usá-los como valores iniciais do ajuste. Neste caso T = 2,8 s e σ P =,4 s. Realizando o ajuste como explicado no Apêndice C temos o gráfico mostrado na figura D.5. Finalmente vamos escrever nosso resultado para o período do pêndulo. Como o parâmetro a é associado ao desvio padrão e N = temos que σ PN = a N =, s, onde já escrevemos o resultado com algarismo significativo, já que σ PN será associado à incerteza. Escolhendo ter um resultado com 68% de confiança, escrevemos Para um grau de confiança de 95% teríamos T = T ± σ PN = (2,79 ±,) s. T = T ± 2σ PN = (2,79 ±,2) s.
8 54 APÊNDICE D. DISTRIBUIÇÃO GAUSSIANA mt_ m atq )2 )2 mr i _i HHHi o o H _Hr _i _HH d 2-2*t/pf/(mfppqa(( oa( 2-2atpp(*_fmp//ppm 2-2_t*p_m**pa((*mp saa2sro2qt(qm**b*pmpfq_ oaf 2-2(ta/b*a/ */qb* oam2sro2btpfba_p*a_/(mb oaf a atb at( at_ a m mt/ t/ f ft/ ( Figura D.5: Ajuste de uma gaussiana ao histogramada figura B.3. Cálculo de integrais gaussianas As integrais gaussianas são extremamente importantes em todas as áreas da ciência. Quando os limites de integração são e, podemos calculá-las analiticamente em alguns poucos casos, caso contrário, apenas numericamante. Aqui vamos ver como fazer integrais do tipo I n O ponto de partida é o cálculo da integral u n e u2 du n =,, 2,... (D.7) I = + du e u2 Vamos calcular I através da integral I no plano xy, escrita em coordenadas polares como I = 2π dφ e r2 rdr = 2π ] [ e r2 I também pode ser escrita em coordenadas cartesiana, dando Assim, I = = + ( + + dx exp [ (x 2 + y 2 ) ] dy ) ( + e x2 dx I = 2 ) e y2 dy = (2I ) 2. (D.8) = π. (D.9) e u2 du = 2 π. (D.2)
9 55 Note também que, fazendo a troca de variável w αu, Agora vamos calcular Observe a igualdade Usando este resultado, e αu2 du = e w2 dw = π α 2 α I 2 = u 2 e αu2 du d e αu2 du = u 2 e αu2 du. dα d e αu2 du = d ( ) π dα dα 2 α I 2 = 4 π α 3. As integrais pares, I 4, I 6, etc podem ser calculadas de forma semelhante. As integrais ímpares são mais simples. I = ue αu2 du = e w dw = 2α 2α I 3, I 5 etc, podem ser feitas por partes. Os resultados de algumas integrais gaussianas estão na tabela D.2. (D.2) (D.22) (D.23) n I n n I n π 2 α 2α π 3 α π 5 8 α α 2 π α 7 7 α 3 3 α 4 Tabela D.2: I n + u n e αu2 du
10 62 APÊNDICE D. DISTRIBUIÇÃO GAUSSIANA
11 Bibliografia [] B P Flannery, W H Press, S A Teukolsky, and W Vetterling. Numerical recipes in C. University of Cambridge, New York, 992. [2] Paul L Meyer. Probabilidade: aplicações à estatística. In Probabilidade: aplicações à estatística. Livro Técnico,
- desvio padrão, caracteriza a dispersão dos resultados
O resultado da experiência, então, pode ser expresso na forma < x > ± x n (veja a explicação mais adiante) - desvio padrão, caracteriza a dispersão dos resultados Histograma de frequências Histograma
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia mais3 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 maisA Estatística é uma ciência que se ocupa em grande parte do estudo das. Vamos imaginar uma população como um conjunto Π = {I 1, I 2,...
Capítulo 1 Distribuições de freqüências A Estatística é uma ciência que se ocupa em grande parte do estudo das distribuições de freqüência de variáveis definidas em populações. Vamos imaginar uma população
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisSistemas Aleatórios. Um sistema é aleatório quando seu estado futuro só pode ser conhecido. jogar uma moeda ou um dado. decaimento de uma partícula
Sistemas Aleatórios Um sistema é aleatório quando seu estado futuro só pode ser conhecido pela realização de uma experiência. jogar uma moeda ou um dado decaimento de uma partícula trajetória de uma partícula
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade 7 6 5 4 3 2 1 0 Normal 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Temperatura do ar 20 18 16 14 12 10 8 6 4 2 0 Assimetrica Positiva 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Precipitação
Leia maisErros em medidas e análises físicas e químicas
Erros em medidas e análises físicas e químicas Erros sistemáticos: têm um valor definido e uma causa identificável e são da mesma ordem de grandeza para réplicas de medidas realizadas de maneira semelhante.
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisaula DISTRIBUIÇÃO NORMAL - PARTE I META OBJETIVOS PRÉ-REQUISITOS Apresentar o conteúdo de distribuição normal
DISTRIBUIÇÃO NORMAL - PARTE I 4 aula META Apresentar o conteúdo de distribuição normal OBJETIVOS Ao final desta aula, o aluno deverá: determinar a média e a variância para uma função contínua; padronizar
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia mais14. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas
4. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas Os valores assumidos por uma variável aleatória contínua podem ser associados com medidas em uma escala contínua como, por exemplo,
Leia maisTécnicas de. Integração
Técnicas de Capítulo 7 Integração TÉCNICAS DE INTEGRAÇÃO f ( xdx ) a Na definição de integral definida, trabalhamos com uma função f definida em um intervalo limitado [a, b] e supomos que f não tem uma
Leia maisFísica Geral - Laboratório (2014/1) Estimativas e erros em medidas diretas (I)
Física Geral - Laboratório (2014/1) Estimativas e erros em medidas diretas (I) 1 Medida L (cm) 1 150.0 2 150.1 3 150.8 4 150.0 5 150.0 6 144.1 7 150.0 8 150.3 9 149.9 10 150.0 11 150.0 12 150.1 13 150.2
Leia maisTratamento Estatístico de dados em Física Experimental
Tratamento Estatístico de dados em Física Experimental Prof. Zwinglio Guimarães 2 o semestre de 2017 Tópico 6 - Testes estatísticos (Chi-quadrado, z e t ) O método dos mínimos quadrados (revisão) O método
Leia maisSimulação Monte Carlo
Simulação Monte Carlo Nome do Prof. Fernando Saba Arbache Email do prof. fernando@arbache.com Definição Análise de risco faz parte da tomada de decisão Surgem constantemente incertezas, ambiguidades e
Leia maisFis.Rad.I /1 Notas de aula (Prof. Stenio Dore) (Dated: May 28, 2004)
INTRODUÇÃO À ESTATÍSTICA DE CONTAGEM Fis.Rad.I - 24/1 Notas de aula (Prof. Stenio Dore) (Dated: May 28, 24) I. PROBABILIDADE: E E OU Vimos que, para nossas finalidades podemos definir a probabilidade de
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisFísica Geral - Laboratório. Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação
Física Geral - Laboratório Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação 1 Física Geral - Objetivos Ao final do período, o aluno deverá ser capaz de compreender as principais
Leia maisFísica Geral. Incertezas em Medidas Diretas
Física Geral Incertezas em Medidas Diretas Experimento Simples Medidas diretas: valores resultantes de medições de uma mesma grandeza, realizadas por um mesmo experimentador, com o mesmo instrumento de
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisVARIÁVEIS 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 maisRef: H.Gould e J. Tobochnik. Para integrais em uma dimensão as regras do trapezóide e de Simpson são
Método de Monte Carlo Resolução de Integrais Ref: H.Gould e J. Tobochnik Para integrais em uma dimensão as regras do trapezóide e de Simpson são melhores, mais rápidas. A técnica de resolução de integrais
Leia maisFísica Geral - Laboratório (2013/1) Aula 4: Estimativas e erros em medidas diretas (II)
Física Geral - Laboratório (2013/1) Aula 4: Estimativas e erros em medidas diretas (II) 1 Resumo: estimativa do valor esperado estimativa do valor esperado ± erro (unidade) x x = s x p N Estimativa do
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia maisFísica Geral - Laboratório (2014/1) Estimativas e erros em medidas diretas (I)
Física Geral - Laboratório (2014/1) Estimativas e erros em medidas diretas (I) 1 Experimentos: medidas diretas Experimento de medidas diretas de uma grandeza: Aquisição de um conjunto de dados através
Leia maisDistribuição Normal. Prof. Herondino
Distribuição Normal Prof. Herondino Distribuição Normal A mais importante distribuição de probabilidade contínua em todo o domínio da estatística é a distribuição normal. Seu gráfico, chamado de curva
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisIntrodução à Probabilidade e à Estatística (BCN ) Prova 2 (A) 16/08/2018 Correção
Introdução à Probabilidade e à Estatística (BCN0406-1) Prova 2 (A) 16/08/2018 Correção (1.pt) 1. Dadas as seguintes probabilidades associadas à variável aleatória X: -1 1 2 p() 1/2 1/3 1/6 a) Calcule a
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisCapítulo 3. Introdução à Probabilidade E à Inferência Estatística
Capítulo 3 Introdução à Probabilidade E à Inferência Estatística definições e propriedades: Propriedade 5: A probabilidade condicional reflete como a probabilidade de um evento pode mudar se soubermos
Leia maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
Leia maisAula IV. Representação gráfica e regressão linear. Prof. Paulo Vitor de Morais
Aula IV Representação gráfica e regressão linear Prof. Paulo Vitor de Morais Representação gráfica A representação gráfica é uma forma de representar um conjunto de dados de medidas que permite o estudo
Leia maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisRenato Martins Assunção
Análise Numérica Erros, Extrapolação de Richardson e Quadratura Gaussiana Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 40 Análise do erro Sabemos
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisAproximações Lineares e Diferenciais. Aproximações Lineares e Diferenciais. 1.Aproximações Lineares 2.Exemplos 3.Diferenciais 4.
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Aproximações Lineares
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisEstimativas e Erros. Propagação de erros e Ajuste de funções
Estimativas e Erros Propagação de erros e Ajuste de funções 1 Algumas referências Estimativas e Erros em Experimentos de Física - Vitor Oguri et al (EdUERJ) Fundamentos da Teoria de Erros - José Henrique
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte I 2012/02 1 Variáveis Aleatórias Contínuas 2 Distribuições de Probabilidade e Funções Densidades de Probabil 3 4 Objetivos Ao final
Leia maisFísica estatística. A distribuição de equiĺıbrio de um gás rarefeito: conjunto microcanónico e o método da distribuição mais provável MEFT, IST
Física estatística A distribuição de equiĺıbrio de um gás rarefeito: conjunto microcanónico e o método da distribuição mais provável MEFT, IST A realidade nem sempre é provável Jorge Luis Borges Equiĺıbrio
Leia maisIntrodução às Medidas em Física 2 a Aula *
Introdução às Medidas em Física 2 a Aula * http://fge.if.usp.br/~takagui/fap0152_2010/ Marcia Takagui Ed. Ala 1 * Baseada em Suaide/ Munhoz 2006 sala 216 ramal 6811 1 Objetivos! Medidas de tempo Tempo
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisDefinição da Distribuição de Poisson
Capítulo IX Distribuição de Poisson Definição da Distribuição de Poisson Significado do parâmetro Propriedades da Distribuição de Poisson Aproximação Gaussiana da Distribuição de Poisson O problema do
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. RINCIAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por f, β α 0, Notação: ~ Uα, β.
Leia maisPlanejamento e Otimização de Experimentos
Planejamento e Otimização de Experimentos Um Pouco de Estatística Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com Populações, Amostras e Distribuições População Amostra
Leia maisSeja (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 maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisAnálise de dados em Fisica de Particulas
Análise de dados em Fisica de Particulas Magno V.T. Machado Instituto de Fisica - UFRGS Escola de Fisica de Particulas e Campos. Agosto 05-09, 2013 Números aleatórios e Monte Carlo Muitas aplicações computacionais
Leia maisIntegral. Queremos calcular a integral definida I = O valor de I será associado a uma área. Veremos dois métodos (por enquanto)
Integral Queremos calcular a integral definida I = b a f(x)dx. O valor de I será associado a uma área. Veremos dois métodos (por enquanto) Método do Trapezóide Método de Simpson 1 Método do Trapezóide
Leia maisApêndice ao Roteiro do Experimento Força de Atrito Variável
Apêndice ao Roteiro do Experimento Força de Atrito Variável I. Definição dos sinais na Equação de Movimento Nas figuras abaixo, o referencial xoy foi escolhido da mesma maneira que no Roteiro da Parte
Leia mais2.1 Variáveis Aleatórias Discretas
4CCENDMMT02-P PROBABILIDADE E CÁLCULO DIFERENCIAL E INTEGRAL Girlan de Lira e Silva (1),José Gomes de Assis (3) Centro de Ciências Exatas e da Natureza /Departamento de Matemática /MONITORIA Resumo: Utilizamos
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte I 29 de Abril de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Determinar probabilidades a partir de funções densidades
Leia maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-2 MetComp 2014-1 IF-UFRJ Sistemas determinísticos Os sistemas físicos podem ser: Sistemas determinísticos Descritos por
Leia maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-1 Integração usando o método da rejeição Queremos calcular a integral Definimos um retângulo de altura H que contenha a
Leia maisUNESP - Faculdade de Engenharia de Guaratinguetá 1
ANÁLISE GRÁFICA UNESP - Faculdade de Engenharia de Guaratinguetá 0.. Introdução Neste capítulo abordaremos princípios de gráficos lineares e logarítmicos e seu uso em análise de dados. Esta análise possibilitará
Leia maisInstrumentação Industrial. Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição
Instrumentação Industrial Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição Introdução a Metrologia O que significa dizer: O comprimento desta régua é 30cm. A temperatura
Leia maisAplicações de. Integração
Aplicações de Capítulo 6 Integração APLICAÇÕES DE INTEGRAÇÃO Neste capítulo exploraremos algumas das aplicações da integral definida, utilizando-a para calcular áreas entre curvas, volumes de sólidos e
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisEstatística e Probabilidade Aula 06 Distribuições de Probabilidades. Prof. Gabriel Bádue
Estatística e Probabilidade Aula 06 Distribuições de Probabilidades Prof. Gabriel Bádue Teoria A distribuição de Poisson é uma distribuição discreta de probabilidade, aplicável a ocorrências de um evento
Leia maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisO método dos mínimos quadrados: análise de regressão
O métodos dos mínimos quadrados é um método famoso para lidar com dados ruidosos. Sua justificativa segue diretamente do método da máxima verossimilhança. Para Y i dados medidos en valores das variável
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisIntervalos de Confiança - Amostras Pequenas
Intervalos de Confiança - Amostras Pequenas Prof. Eduardo Bezerra CEFET/RJ 20 de Abril de 2018 (CEFET/RJ) Intervalos de Confiança - Amostras Pequenas 1 / 26 Roteiro 1 Distribuição t de Student 2 Funções
Leia maisMétodos Estatísticos em Física Experimental. Prof. Zwinglio Guimarães 1 o semestre de 2015 Aulas 11 e 12
Métodos Estatísticos em Física Experimental Prof. Zwinglio Guimarães 1 o semestre de 015 Aulas 11 e 1 O método dos mínimos quadrados (revisão) O método dos mínimos quadrados consiste em determinar os parâmetros
Leia maisCapítulo 5 Distribuições de Probabilidades. Seção 5-1 Visão Geral. Visão Geral. distribuições de probabilidades discretas
Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de Probabilidade Binomial 5-4 Média, Variância e Desvio Padrão da Distribuição Binomial 5-5 A Distribuição
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisTópico 3. Estudo de Erros em Medidas
Tópico 3. Estudo de Erros em Medidas A medida de uma grandeza é obtida, em geral, através de uma experiência, na qual o grau de complexidade do processo de medir está relacionado com a grandeza em questão
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisEstatística Indutiva
Estatística Indutiva MÓDULO 7: INTERVALOS DE CONFIANÇA 7.1 Conceitos básicos 7.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisFísica Geral - Laboratório 2016/2. Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação
Física Geral - Laboratório 206/2 Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação Resumo aula II: Medidas diretas Resultado = estimativa do valor esperado ±
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisProbabilidade Aula 08
332 Probabilidade Aula 8 Magno T. M. Silva Escola Politécnica da USP Maio de 217 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia e ciências,
Leia maisFísica Geral (2013/1) Aula 3: Estimativas e erros em medidas diretas (I)
Física Geral (2013/1) Aula 3: Estimativas e erros em medidas diretas (I) 1 Experimentos: medidas diretas Experimento de medidas diretas de uma grandeza: Aquisição de um conjunto de dados através de medições
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisEquações diferenciais ordinárias
Departamento de Física Universidade Federal da Paraíba 24 de Junho de 2009 Motivação Problemas envolvendo equações diferenciais são muito comuns em física Exceto pelos mais simples, que podemos resolver
Leia maisProfessora Ana Hermínia Andrade. Período
Distribuições de probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Modelos de distribuição Para
Leia mais