Modelos de Distribuições
|
|
- Sonia Duarte Caiado
- 7 Há anos
- Visualizações:
Transcrição
1 4/05/014 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Tucuruí CTUC Curso de Engenharia Mecânica 4/05/014 06:56 ESTATÍSTICA APLICADA I - Teoria das Probabilidades Universidade Federal do Pará Instituto de Tecnologia Capítulo IV Modelos de Distribuições Campus de Tucuruí CTUC Curso de Engenharia Mecânica 1
2 4/05/014 IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas
3 4/05/ Introdução Existem variáveis aleatórias que têm uma função de distribuição pertencente a uma classe de distribuições teóricas. As distribuições teóricas, como o próprio nome indica, foram submetidas a estudos prévios e têm propriedades conhecidas; portanto, podem servir como modelo em determinadas situações em que a distribuição esteja identificada, poupando tempo na análise do problema estudado. 4.1 Introdução As distribuições teóricas que aqui serão estudadas são: Caso discreto - Distribuição binomial - Distribuição hipergeométrica - Distribuição de Poisson Caso contínuo - Distribuição uniforme - Distribuição exponencial - Distribuição normal - Distribuição qui-quadrado - Distribuição t de Student - Distribuição F 3
4 4/05/014 IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas 4. Distribuições Teóricas Discretas Prova de Bernoulli A prova de Bernoulli é uma experiência aleatória que serve de base a várias distribuições teóricas (distribuição binomial, distribuição binomial negativa e distribuição geométrica). Consideremos uma experiência aleatória na qual existem apenas dois acontecimentos em que estamos interessados: o acontecimento A que será designado por sucesso e o acontecimento contrário, A, que será designado por falha. O sucesso ocorre com probabilidade p, e o insucesso com probabilidade q = 1 p. 4
5 4/05/ Distribuições Teóricas Discretas Prova de Bernoulli O espaço de resultados está assim particionado em dois acontecimentos S = { A, A } em que: A = sucesso A = falha P( A ) P( A ) = p = q = 1 p A uma experiência aleatória com estas características dá-se o nome de prova de Bernoulli. 4. Distribuições Teóricas Discretas Prova de Bernoulli Principais características: Média : µ = 1 0 x i f ( x i ) = 0 q + 1 p = p Variância : σ = E ( [ x µ ) ] i = E( X ) µ = = 1 0 x i = p p f ( x i ) µ = 0 q + 1 = p( 1 p ) = pq p p = 5
6 4/05/ Distribuições Teóricas Discretas Prova de Bernoulli Sucessão de provas de Bernoulli: Defini-se como o processo caracterizado por repetidas provas que têm lugar nas seguintes condições: 1. Cada prova resultem em somente dois resultados possíveis, designados como sucesso e falha.. A probabilidade de um sucesso em cada prova, designada por p, permaneça constante. A probabilidade de falha designa-se por q = 1 p. 3. As provas sejam independentes, isto é, os resultados obtidos numa sequência de provas não influenciam os resultados da(s) provas(s) subsequente(s). 4. Distribuições Teóricas Discretas Distribuição binomial Trata-se de uma distribuição de probabilidade adequada aos experimentos que apresentam apenas dois resultados: sucesso ou falha. Este modelo fundamenta-se nas seguintes hipóteses: - H1. n provas independentes e do mesmo tipo são realizadas; - H. cada prova admite apenas dois resultados sucesso ou falha; - H3. a probabilidade de sucesso é p e de falha é 1 p = q. 6
7 4/05/ Distribuições Teóricas Discretas Distribuição binomial Considerando-se uma sucessão de n provas de Bernoulli, a variável aleatória que representa o número de sucessos obtidos nessas n provas de Bernoulli tem distribuição binomial. A variável aleatória X, que é igual ao número de provas que resultam em um sucesso, tem uma distribuição binomial com parâmetros p e n em que 0 < p < 1 e n = {1,, 3,..., n}. A função de probabilidade de X é f ( x ) n = p x x q n x, x = 0,1,,...,n 4. Distribuições Teóricas Discretas Distribuição binomial Principais características: - De acordo com as hipóteses, observa-se que X é a soma de n variáveis do tipo Bernoulli, daí Média : E( X ) = nµ = np Variância : Var( X ) = nσ = npq 7
8 4/05/ Distribuições Teóricas Discretas Distribuição binomial Exemplo: Cada amostra de ar tem 10% de chance de conter uma certa molécula rara. Considere que as amostras sejam independentes em relação à presença da molécula rara. Encontre a probabilidade de que, nas próximas 18 amostras, exatamente contenham a molécula rara. - Seja X = número de amostras de ar que contenham a molécula rara nas próximas amostras analisadas (sucessos); então, X é a variável aleatória binomial com p = 0,1 e n = 18. Assim, f ( x ) n = p x x q n x 18 P( X = ) = ( 0,1 ) ( 0,9 ) 16 = 0,84 4. Distribuições Teóricas Discretas Distribuição binomial Exemplo: Determine a probabilidade de que no mínimo 4 amostras contenham a molécula rara. - Neste caso, a probabilidade requerida é P( X x 18 x 4 ) = ( 0,1 ) ( 0,9 ) x = x= x 18 x = 1 ( 0,1 ) ( 0,9 ) = x 0 x = = 1 ( 0, , ,84 + 0,168 ) = = 0,098 8
9 4/05/ Distribuições Teóricas Discretas Distribuição binomial Exemplo: Determine a probabilidade de que o número de amostras que contenham a molécula rara esteja entre 3 e 6. - Neste caso, a probabilidade requerida é P( x 18 x X 6 ) = ( 0,1 ) ( 0,9 ) x 3 x = = = 0, , ,0 + 0,005 = = 0,65 4. Distribuições Teóricas Discretas Distribuição hipergeométrica Suponhamos que temos um conjunto de N elementos e que M destes elementos têm uma certa característica em que estamos interessados (sucesso); logo os outros N-M elementos não têm essa característica. Ao retirarmos n elementos do conjunto inicial de N elementos (retirar de forma aleatória e sem reposição) consideremos X a variável aleatória que representa o número de elementos que são retirados e que têm a característica em que estamos interessados. A variável aleatória definida nas condições anteriores tem distribuição hipergeométrica com parâmetros N, M e n. 9
10 4/05/ Distribuições Teóricas Discretas Distribuição hipergeométrica A probabilidade da variável aleatória assumir o valor x é dada por: M N M x n x P( X x ) b( x, N,M,n ) = = = N n com x = máx{ 0,n ( N M )},...,min { n,m} Demonstra-se que se a variável aleatória X tem distribuição hipergeométrica com parâmetros N, M e n, então: M E( X ) = n N M N M = N n Var( X ) n N N N 1 4. Distribuições Teóricas Discretas Distribuição hipergeométrica Exemplo: Na produção de 1000 parafusos em uma máquina A foi observado que 100 apresentam algum tipo de defeito. Como vão ser utilizados 10 parafusos de cada vez, determine a probabilidade de todos serem perfeitos. - Neste caso, N = 1000, M = 100 e n = 10, a probabilidade requerida, portanto, será: P ( X = 0 ) = = = 0,
11 4/05/ Distribuições Teóricas Discretas Distribuição de Poisson A distribuição de Poisson (que deve o seu nome ao físico francês Simon Poisson) está associada a um grande conjunto de situações práticas cujos alguns exemplos são os seguintes: - Número de mensagens que chegam em um servidor no intervalo de uma hora. - Número de partículas defeituosas em um cm 3 de volume de um certo líquido. - Número de defeitos em um metro de comprimento, de um fio produzido por uma máquina têxtil. 4. Distribuições Teóricas Discretas Distribuição de Poisson Todos os exemplos apresentados têm uma característica comum: a variável aleatória em estudo representa o número de ocorrências de um certo evento ao longo de um intervalo (tempo, comprimento, área ou volume). Os valores que a variável aleatória pode assumir são valores inteiros não negativos: 0, 1,..., n,
12 4/05/ Distribuições Teóricas Discretas Distribuição de Poisson Outras características que identicam uma distribuição de Poisson são: - O número de ocorrências em intervalos não sobrepostos são variáveis independentes. - A probabilidade de um certo número de ocorrências se verificar é a mesma para intervalos da mesma dimensão; isto é, a probabilidade depende apenas da amplitude do intervalo e não da posição em que se situa nesse intervalo. - As ocorrências do fenômeno descrito verificam-se uma a uma e nunca em grupos. 4. Distribuições Teóricas Discretas Distribuição de Poisson Se o número médio de ocorrências no intervalo em estudo forλ> 0, a variável aleatória X, que é igual ao número de ocorrências no intervalo, terá uma distribuição de Poisson, com parâmetro λ, sendo a função de distribuição de X dada por f ( x ) = e λ x λ x!, x = 0,1,,... Características: Média : Variância : E( X ) = λ Var( X ) = λ 1
13 4/05/ Distribuições Teóricas Discretas Distribuição de Poisson Exemplo: Mensagens chegam a um servidor de computadores de acordo com a distribuição de Poisson, com uma taxa média de 10 por hora. a) Qual a probabilidade de 3 mensagens chegarem em 1 hora? b) Qual a probabilidade de 6 mensagens chegarem em 30 minutos? 4. Distribuições Teóricas Discretas Distribuição de Poisson Exemplo: a) Seja X a representação do número de mensagens em 1 hora. Então E(X) = 10 mensagens e f ( x ) e λ x λ e = P( X = 3 ) = x! 10 3! 10 3 = 0,0076 b) Seja X a representação do número de mensagens em 30 minutos (0,5 hora). Então E(X) = 0,5.10 = 5 mensagens e 5 e 5 P( X = 6 ) = 6! 6 = 0,146 13
14 4/05/014 IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas Distribuição uniforme Consideremos uma variável aleatória contínua, cujos valores podem ocorrer dentro dum intervalo limitado (aberto ou fechado) (a,b). Se quaisquer dois subintervalos de igual amplitude têm a mesma probabilidade, então a variável aleatória tem distribuição uniforme. Diz-se que a variável aleatória contínua X tem distribuição uniforme no intervalo (a,b) se a sua função de densidade de probabilidade for dada por: 1 f ( x ) = b a 0 a < x < b para outros valores de x 14
15 4/05/014 Distribuição uniforme Os parâmetros caracterizadores desta distribuição são a e b, que satisfazem a condição < a < b < +. Sua função de distribuição cumulativa F(x) é dada por: 0 x a F( x ) = b a 1 x a a < x < b x b Características: Se a variável aleatória X tem distribuição uniforme no intervalo (a,b) então: a + b E( X ) = ( b a ) Var( X ) = 1, Distribuição uniforme Exemplo: Um ponto é escolhido ao acaso no segmento de reta (0,). Qual a probabilidade de que este ponto esteja entre 1 e 1,5? - Seja X a representação da variável escolher um ponto de (0,). A função densidade de probabilidade de X é dada por: Então: 1 1 f ( x ) = = = 0,5 b a 0 P( a x b ) = para 0 x 1b P( 1 x 1,5 ) = a 1,5 1, f ( x )dx 0,5dx = 0,5 15
16 4/05/014 Distribuição Exponencial A distribuição exponencial está intimamente ligada à distribuição de Poisson. Se o número de ocorrências de um certo acontecimento segue uma distribuição de Poisson, a medida de espaço entre duas ocorrências consecutivas ou a medida de espaço até à primeira ocorrência segue uma distribuição exponencial. A distribuição exponencial é também usualmente utilizada na descrição do tempo de vida de aparelhos, de organismos etc. (lei de falhas exponencial). A distribuição de probabilidade de um intervalo entre dois sucessos consecutivos de uma lei de Poisson é a distribuição exponencial. Distribuição Exponencial Sua função densidade de probabilidadea é dada por f ( x ) = λe λx para x 0 ondeλéoparâmetro caracterizador da distribuição, sendoλ>0. Características: Média : Variância : E( X ) Var( X ) 1 = λ 1 = λ 16
17 4/05/014 Distribuição Exponencial O gráfico de f(x) é dado por: f(x) λ 0 x Função distribuição cumulativa: F( x ) = 0 F( x ) = x 0 λe, λx dx = 1 e para x < 0 para x λx, 0 Distribuição Exponencial Conhecida a função distrbuição cumulativa de x, pode-se facilmente determinar P( X x λx 0 [ 0 λx 1 e ] = 0 ) = 1 F( x0 ) = 1 e f(x) λ e -λx o 0 x o x 17
18 4/05/014 Distribuição Exponencial Exemplo: Os defeitos de um tecido seguem a distribuição de Poisson com média de um defeito a cada 400 m de tecido. Qual a probabilidade de que o intervalo entre dois defeitos consecutivos seja: a) No mínimo de 1000 m; b) Entre 800 e 1000 m. Calcule a média e a variância. Distribuição Exponencial Exemplo: - Sabe-se que na distribuição de Poisson E(x) = λ, então: a ) λ = P( x ) = e λx = e = 0,081 ou 81% b ) P( 800 x 1000 ) = = e P( x ) e P( x = 0, ) = ou 5,3% 18
19 4/05/014 É a mais importante distribuição de probabilidade, sendo aplicada em inúmeros fenômenos e utilizada para o desenvolvimento teórico da estatística. A grande maioria das variáveis aleatórias contínuas que descrevem processos físicos ou características humanas seguem uma distribuição normal. Algumas vezes, as variáveis aleatórias não seguem uma distribuição normal, mas aproximam-se muito desta. Por outro lado, a distribuição normal desempenha um papel crucial na inferência estatística. É também conhecida como distribuição de Gauss, Laplace ou Laplace-Gauss Seja X uma variável aleatória contínua, X terá uma distribuição normal se f ( x ) = σ 1 e π ( x µ ) σ para < x < ondeµeσsão os parâmetros caracterizadores da distribuição. Se a variável aleatória X tem distribuição normal então: E( X ), = µ e Var( X ) = σ A notação N(µ,σ ) é frequentemente usada para denotar uma distribuição normal, com média µ e variânciaσ. 19
20 4/05/014 Quando se utiliza a distribuição normal na forma como se apresenta, para o cálculo das probabilidades, surgem dois problemas: - A integração de f(x) fica difícultada, pois para o cálculo é necessário o desenvolvimento da função em série; - A elaboração de uma tabela de probabilidades única inexiste, pois como f(x) depende de dois parâmetros, isto acarreta um grande trabalho para tabelar essas propriedades considerando-se as várias combinações deµeσ. Esses problemas podem ser contornados por meio de uma mudança de variável, obtendo-se, assim, a distribuição normal padronizada ou reduzida. Distribuição normal padrão: - Seja Z uma variável aleatória tal que: Z i = X i µ σ em que X é uma variável normal de médiaµ e variânciaσ. 0
21 4/05/014 Distribuição normal padrão: - A média e a variância de Z serão: E( Z ) Var( Z ) X µ 1 = E = σ σ X µ 1 = Var = σ σ [ E( X µ )] = [ E( X ) E( µ )] = [ µ µ ] [ Var( X µ )] = [ Var( X )] = 1 1 σ 1 σ 1 σ σ σ = - Logo, a função densidade de probabilidade será: z 1 ϕ( z ) = e π, < z < - Como a média de Z é 0 e a variância 1, as probabilidades podem ser facilmente calculadas e tabeladas. = 0 Propriedades da distribuição normal 1. f(x) é simétrica em relação à média x =µ, ouφ(z) é simétrica em relação a z = 0. f(x) φ(z) µ 0 1
22 4/05/014 Propriedades da distribuição normal. f(x) possui um máximo para x =µ, ouφ(z) possui um máximo para z = 0. φ(z) 0,39 Propriedades da distribuição normal 3. f(x) tende a zero quando x tende para±, o mesmo acontecendo comφ(z) quando z tende para± ; isto é, x ou z são assíntotas de f(x) ouφ(z).
23 4/05/014 Propriedades da distribuição normal 4. f(x) tem dois pontos de inflexão cujas abscissas valem µ + σ eµ σ, da mesma formaφ(z) tem dois pontos de inflexão cujas abscissas valem +1 e 1. µ-σ µ+σ Propriedades da distribuição normal 5. Em ambas as funções 99,99% dos valores da variável pertencem ao intervalo [µ - 4σ,µ+4σ]. 3
24 4/05/014 Propriedades da distribuição normal 6. Na figura (a) estão representadas duas distribuições que têm o mesmo valor médio (µ 1 =µ ), mas diferentes desvios padrões (σ 1 <σ ). Na figura (b) estão representadas duas distribuições que têm o mesmo desvio padrão, mas médias diferentes. (a) 1 (b) Propriedades da distribuição normal 6. Alguns resultados úteis relativos à distribuição normal, são sumarizados na figura abaixo. Para qualquer variável aleatória normal, P( µ σ < X < µ + σ ) = 0,687 P( µ σ < X < µ + σ ) = 0,9545 P( µ 3σ < X < µ + 3σ ) = 0,9975 4
25 4/05/014 Propriedades da distribuição normal - Pelo fato de mais de 0,9975 da probabilidade de uma distribuição normal estar dentro do intervalo (µ - 3σ,µ+3σ), 6σ é frequentemente referida como a largura de uma distribuição normal. - A integração numérica pode ser usada para mostrar que a área sob a função densidade de probabilidade normal de <x< é igual a 1. Uso da tabela de distribuição normal padrão - Existem vários tipos de tabelas que oferecem as áreas (probabilidades) sob a curva normal padrão. - Essa tabela fornece a área sob a curva normal padrão entre z = - até o valor de z considerado, ou seja, P(Z z). z o 5
26 4/05/014 Uso da tabela de distribuição normal padrão - O uso da tabela para encontrar, por exemplo, P(Z 1,53) é ilustrado na figura abaixo: P(Z 1,53) = Φ (1,53) = área sombreada 1,53 z ,01 0,0 0, ,09 0 0, , , , , ,1 0, , , , , ,5 0, , , , , ,9 0, , , , , Uso da tabela de distribuição normal padrão - Definição: A função Φ(z) = P(Z z) é usada para denotar uma probabilidade proveniente da tabela anterior. Ela é chamada de função distribuição cumulativa de uma variável aleatória normal padrão. - Uma tabela é requerida porque a probabilidade não pode ser determinada pelos métodos elementares. 6
27 4/05/014 Uso da tabela de distribuição normal padrão - Outros exemplos: Uso da tabela de distribuição normal padrão - Exemplos: Os seguintes cálculos são mostrados de forma diagramática na figura a seguir. 1 ) P( Z > 1,6 ) = 1 P( Z 1,6 ) = 1 0,89616 = 0,
28 4/05/014 Uso da tabela de distribuição normal padrão ) P( Z < 0,86 ) = 0, ) P( Z > 1,37 ) = P( Z < 1,37 ) = 0,91465 Uso da tabela de distribuição normal padrão 4 ) P( 1,5 < Z < 0,37 ) = P( Z = 0, ,10565 = = 0,53886 < 0,37 ) P( Z < 1,5 ) = 8
29 4/05/014 Uso da tabela de distribuição normal padrão 5 ) P( Z P( Z P( Z P( Z 4,6 ) < < 3,99 ) = 0, ,6 ) < 0,0003 4,6 ) 0 P( Z 3,99 ) Uso da tabela de distribuição normal padrão 6 ) P( Z > z ) = 0,05 Da tabela : P( Z P( Z z ) = 0,95 0,95 ) z = 1,65 ( valor mais próximo ). 9
30 4/05/014 Uso da tabela de distribuição normal padrão 7 ) P( z < Z < z ) = 0,99 Por simetria, a área em cada extremidade da distribuição é igual a ( 1 0,99 ) / = 0,005. O valor de z corresponde a probabilidade de 0,995 na tabela. A probabilidade mais próxima desse valor na tabela é 0,99506, quando z,58. Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária - Todas as distribuições normais estão relacionadas algebricamente e a tabela da distribuição normal padrão pode ser usada para encontrar as probabilidades associadas com uma variável aleatória normal arbitrária usando a transformação Z i = X i µ σ onde X é a variável aleatória normal de médiaµevariânciaσ. 30
31 4/05/014 Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária - Exemplo: Suponha que as medidas de corrente em um pedaço de fio sigam a distribuição normal, com uma média de 10 miliampères e uma variância de 4 (miliampères). Qual a probabilidade de a medida exceder 13 miliampères? Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária - Seja X a representação da corrente em miliampères. A probabilidade requerida pode ser representada por P(X > 13). Usando a transformação de variável tem-se: Logo, P( X X Z = = = 1,5 > 13 ) = P( Z > 1,5 ) = 1 P( Z 1,5 ) = 1 0,93319 = 0,
32 4/05/014 Distribuição qui-quadrado Trata-se de um modelo de distribuição contínua muito importante para a teoria da inferência estatística. Seja x 1, x,..., x p, p variáveis aleatórias independentes, normalmente distribuídas, com média 0 e variância 1. Define-se variável aleatória com distribuição qui-quadrado, como uma combinação das variâncias dessas variáveis aleatória: χ p = x + x x 1 p onde p é um parâmetro da função densidade denominado grau de liberdade, normalmente indicado pela letra gregaφ. Distribuição qui-quadrado Pode-se demonstrar que a média de uma distribuição qui-quadrado é igual ao grau de liberdade, e que a variância é igual ao dobro do número de graus de liberdade: E [ χ ] Var ϕ = µ ( χ ) = ϕ ϕ [ χ ] = σ ( χ ) = ϕ p ϕ 3
33 4/05/014 Distribuição qui-quadrado A forma da curva que descreve a função densidade varia conforme o valor do grau de liberdade (valor do parâmetroφ): Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - A distribuição qui-quadrado está tabelada. A tabela fornece a abscissa da distribuição para diversas áreas (probabilidades) da cauda à direita. Assim: 33
34 4/05/014 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 01: Admitaφ=9e α = 5%. Entra-se na 1ª coluna comφ = 9, e na 1ª linha comα=0,05; na intersecção dessas obtém-se o número 16,9. φ = 9 α = 5% 16,9 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: Considere uma distribuição qui-quadrado com parâmetro 18. Encontre: (a) a média, a variância e o desvio padrão; (b) a mediana; (c) o 1º quartil e (d) o 90º percentil. a) A média, a variância e o desvio padrão: µ ( χ 18 σ ( χ σ ( χ 18 ) = ϕ = ) = ϕ = 36 ) = σ = 36 = 6 34
35 4/05/014 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: b) A mediana Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: c) O 1º quartil 35
36 4/05/014 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: d) O 90º percentil Distribuição t de Student Trata-se de um modelo de distribuição contínua que se assemelha à distribuição normal padrão, N(0,1). É utilizada para inferências estatísticas, particularmente, quando se tem amostras com tamanhos inferiores a 30 elementos (Fonseca & Matins, 1996). A distribuição t também possui um parâmetro denominado grau de liberdade (φ), e é simétrica em relação à sua média. A média dessa distribuição é zero, e sua variância é dada por: Var ϕ [ t ] = σ ( t ) = ( ϕ > ) ϕ ϕ ϕ 36
37 4/05/014 Distribuição t de Student Gráfico da distribuição t de Student (paraφ = 4): Observa-se que para valores deφ>30 a distribuição t apresenta maior dispersão do que a normal padrão N(0,1), já que o desvio padrão, nesses casos, é maior do que 1, que é o desvio padrão da distribuição normal padrão. Distribuição t de Student Exemplo: - Paraφ=4 tem-se: 4 σ ( t 4 ) = = 1, Paraφ=35 tem-se: 35 σ ( t 35 ) = = 1, Paraφ=60 tem-se: 60 σ ( t 60 ) = = 1,
38 4/05/014 Distribuição t de Student Uso da tabela de distribuição t de Student - Trata-se de uma tabela bicaudal. Assim: Distribuição t de Student Uso da tabela de distribuição t de Student - Procedimento de uso da tabela: 38
39 4/05/014 Distribuição t de Student Exemplo: Considere uma distribuição t com parâmetro igual a 18. Encontre: (a) a média, a variância e o desvio padrão; (b) a mediana; (c) o 1º quartil e (d) o 95º percentil. a) A média, a variância e o desvio padrão: Média : µ ( t Variância : 18 σ ( t Desvio padrão : ) = ) = = 1,13 18 σ ( t 18 ) = 1,13 = 1,06 Distribuição t de Student Exemplo: b) A mediana Md(t 18 ) : Md = c) O 1º quatil Q 1 : d) O 95º percentil P 95 : 39
40 4/05/014 Distribuição F Trata-se de um modelo de distribuição contínua também útil para inferências estatísticas. A distribuição F é a razão entre duas variáveis aleatórias independentes com distribuições qui-quadrado. Assim, uma distribuição F com p graus de liberdade no numerador e q graus de liberdade no denominador é expressa por: χ p p χ p F( p,q ) = = χ q χ q q q p Distribuição F A função F possui dois parâmetros: o grau de liberdade do numerador e o grau de liberdade do denominador, que são denominados, comumente, porφ 1 eφ. A média, a variância e a moda dessa distribuição são dadas por: Média : Variância : Moda : ϕ µ = ϕ ϕ 1 ϕ ϕ 1 ϕ + ϕ ( ϕ 1 + ϕ ) ( ϕ 4)( ϕ ) σ = ϕ 1 40
41 4/05/014 Distribuição F Formas de gráficos da distribuição F : Distribuição F Uso da tabela de distribuição F - A tabela fornece as abscissas que deixamαna cauda à direita, dados os parâmetrosφ 1 eφ. 41
42 4/05/014 Distribuição F Uso da tabela de distribuição F - Para se encontrar o valor da abscissa F 1-α (u,v) utiliza-se a fórmula: 1 F1 α,u,v = F - Exemplo: Admita uma distribuição F com u = 9, v = 5 eα=5, determine as abscissas. α,v,u IV Modelos de Distrubuições FIM 4
Modelos de Distribuições
7/5/017 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 05/07/017 19: ESTATÍSTICA APLICADA
Leia maisModelos de Distribuições
Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 11/06/019 07:14 ESTATÍSTICA APLICADA I -
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia maisVariáveis Aleatórias Contínuas e Distribuições de Probabilidade
Variáveis Aleatórias Contínuas e Distribuições de Probabilidade Motivação A quantidade de oxigênio dissolvido é importante para aferir a qualidade de um regato. Os níveis aceitáveis de oxigênio variam
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia 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 maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
Leia 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 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 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 mais1 Distribuições Discretas de Probabilidade
1 Distribuições Discretas de Probabilidade A distribuição discreta descreve quantidades aleatórias (dados de interesse) que podem assumir valores particulares e os valores são finitos. Por exemplo, uma
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisUma variável aleatória X tem uma distribuição normal se sua fdp for do tipo:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f().e π. μ., R com - < μ < e > 0 0, 0,6 N(0; ) N(0;
Leia maisSolução: A distribuição normal. Representação gráfica. Cálculo de probabilidades. A normal padrão. σ Será uma N(0; 1).
A distribuição normal Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f (x) =.e π. σ x µ. σ, x R Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ com
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia 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 maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia 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 maisVariáveis Aleatórias Discretas e Distribuições de 3Probabilidade
Variáveis Aleatórias Discretas e Distribuições de 3Probabilidade Variáveis Aleatórias Discretas e Distribuições de Probabilidade Objetivos do aprendizado 3 Como determinar se um experimento é Binomial.
Leia maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Júlio Osório Distribuições Teóricas de Probabilidades Diz-se que uma variável aleatória contínua X tem uma distribuição normal de parâmetros µ (média) e σ (desviopadrão)
Leia 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 maisDistribuições de probabilidade de variáveis aleatórias contínuas
Distribuições de probabilidade de variáveis aleatórias contínuas Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Distribuição Exponencial Introdução É utilizada frequentemente como modelo para
Leia maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
Leia 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 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 maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia maisAula de hoje. administração. São Paulo: Ática, 2007, Cap. 3. ! Tópicos. ! Referências. ! Distribuição de probabilidades! Variáveis aleatórias
Aula de hoje! Tópicos! Distribuição de probabilidades! Variáveis aleatórias! Variáveis discretas! Variáveis contínuas! Distribuição binomial! Distribuição normal! Referências! Barrow, M. Estatística para
Leia maisDaniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS
Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é
Leia 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 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 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 mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
Leia maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #04 de Probabilidade: 26/10/2018 1 Variáveis Aleatórias Contínuas De modo informal as variáveis aleatórias são contínuas quando resultam de algum tipo
Leia maisDistribuição de Probabilidade. Prof. Ademilson
Distribuição de Probabilidade Prof. Ademilson Distribuição de Probabilidade Em Estatística, uma distribuição de probabilidade descreve a chance que uma variável pode assumir ao longo de um espaço de valores.
Leia 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 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 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 maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisPrincipais distribuições discretas Distribuição de Bernoulli sucesso fracasso X = 1, se sucesso X = 0, se fracasso P(X) TOTAL 1 Exemplo 5:
Principais distribuições discretas Na prática, sempre se procura associar um fenômeno aleatório a ser estudado, a uma forma já conhecida de distribuição de probabilidade (distribuição teórica) e, a partir
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias nuas
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 04: Variáveis Aleatórias Contínuas nuas Função densidade de probabilidade contínua nua f(x) a b f(x) 0 para
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia mais5- Variáveis aleatórias contínuas
5- Variáveis aleatórias contínuas Para variáveis aleatórias contínuas, atribuímos probabilidades a intervalos de valores. Exemplo 5.1 Seja a variável correspondente ao tempo de vida útil de determinado
Leia maisCapítulo 5 Distribuições de probabilidade normal Pearson Prentice Hall. Todos os direitos reservados.
Capítulo 5 Distribuições de probabilidade normal slide 1 Descrição do capítulo 5.1 Introdução à distribuição normal e distribuição normal padrão 5.2 Distribuições normais: encontrando probabilidades 5.3
Leia maisBIOESTATÍSTICA. Parte 3 Variáveis Aleatórias
BIOESTATÍSTICA Parte 3 Variáveis Aleatórias Aulas Teóricas de 29/03/2011 a 26/04/2011 3.1. Conceito de Variável Aleatória. Função de Distribuição Variáveis aleatórias Uma variável aleatória pode ser entendida
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
Leia maisDistribuição Normal. Prof a Dr a Alcione Miranda dos Santos. Abril, 2011
Distribuição Normal Prof a Dr a Alcione Miranda dos Santos Universidade Federal do Maranhão Programa de Pós-Graduação em Saúde Coletiva email:alcione.miranda@gmail.com Abril, 2011 1 / 18 Sumário Introdução
Leia mais24/04/2017. Operações que podem ser aplicadas aos eventos
Inferência estatística: processo de extrair conclusões de uma população inteira com base na informação de uma amostra A base para a inferência estatística é a teoria da probabilidade Evento: é o resultado
Leia 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 maisDistribuições 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 maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia 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 maisb) Variáveis Aleatórias Contínuas
Disciplina: 221171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia 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 maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia 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 maisUniversidade Federal da Paraíba Departamento de Estatística Lista 1 - Outubro de 2013
1. Seja X a duração de vida de uma válvula eletrônica e admita que X possa ser representada por uma variável aleatória contínua, com f.d.p. be bx, x 0. Seja p j = P (j X < j + 1). Verifique que p j é da
Leia maisEELT-7035 Processos Estocásticos em Engenharia. Variáveis Aleatórias. EELT-7035 Variáveis Aleatórias Discretas. Evelio M. G.
EELT-7035 Processos Estocásticos em Engenharia Variáveis Aleatórias Discretas 21 de março de 2019 Variáveis Aleatórias Variável aleatória, X( ): função que mapeia o espaço amostral (S) em números pertencentes
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Distribuições de Probabilidade (Extra)
Estatística: Aplicação ao Sensoriamento Remoto SER 04 - ANO 018 Distribuições de Probabilidade (Etra) Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Distribuição Uniforme
Leia maisUm conceito importante em Probabilidades e Estatística é o de
Variáveis Aleatórias Um conceito importante em Probabilidades e Estatística é o de Variável Aleatória. Variável Aleatória Seja (Ω, A) um espaço de acontecimentos. À função X : Ω IR chamamos variável aleatória.
Leia maisModelos Probabiĺısticos Discretos
Discretos Prof. Gilberto Rodrigues Liska UNIPAMPA 19 de Setembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Gilberto R. Liska ( UNIPAMPA ) Notas de Aula 19 de Setembro de 2017 1 /
Leia maisConforme o conjunto de valores X(S) uma variável aleatória poderá ser discreta ou contínua.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X X(s) R X(S) Uma função X que associa a cada elemento de S (s S) um número real X(s) é denominada
Leia maisDistribuição Normal. Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade for dada por:
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia maisH. Iglésias Pereira Revisões. RESOLUÇÃO: X-nº de clientes que chegam ao departamento do C.C./hora
Esta distribuição que aparece como caso limite da distribuição binomial em determinadas circunstâncias, é um bom modelo probabilístico de fenómenos aleatórios como número de clientes que chegam a um determinado
Leia maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisAULA 3: DISTRIBUIÇÕES DE PROBABILIDADES. Gleici Castro Perdoná
AULA 3: DISTRIBUIÇÕES DE PROBABILIDADES Gleici Castro Perdoná pgleici@fmrp.usp.br AVALIAÇÃO 1 - (20 min) ENTRAR NO STOA E RESPONDER 5 QUESTÕES Qual objetivo das medidas descritivas? OBTENÇÃO ORGANIZAÇÃO
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 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 mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros α e β (α β) se sua função densidade de probabilidade é dada por f ( ) β α 0, Notação:
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisMais 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 maisDistribuições de Probabilidade. Distribuição Normal
Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno
Leia maisVariável Aleatória Contínua:
Distribuição Contínua Normal Prof. Tarciana Liberal Departamento de Estatística UFPB x x Variável Aleatória Contínua: Assume valores num intervalo de números reais. Não é possível listar, individualmente,
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio
Leia mais5- Variáveis aleatórias contínuas
5- Variáveis aleatórias contínuas Para variáveis aleatórias contínuas, associamos probabilidades a intervalos de valores da variável. Exemplo 5.1 Seja a variável correspondente ao tempo até a cura de pacientes
Leia maisMétodos Estatísticos
Métodos Estatísticos 5 - Distribuição Normal Referencia: Estatística Aplicada às Ciências Sociais, Cap. 7 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 2002. Distribuição de Probabilidades A distribuição
Leia 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 maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia 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 maisVariáveis Aleatórias Discretas
Variáveis Aleatórias Discretas Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Definição Uma variável aleatória é uma função definida
Leia 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 maisStela Adami Vayego DEST/UFPR
Resumo 9 Modelos Probabilísticos Variável Contínua Vamos ver como criar um modelo probabilístico, o que é uma função densidade de probabilidade (fdp), e como calcular probabilidades no caso de variáveis
Leia maisSolução dos Exercícios - Capítulos 1 a 3
Capítulo 9 Solução dos Exercícios - Capítulos a 3 9. Capítulo. a Como o valor se refere aos pacientes estudados, e não a todos os pacientes, esse é o valor de uma estatística amostral. b Estatística amostral
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Tipos de Modelos Determinístico Sistema Real Probabilístico Modelo determinístico Causas Efeito Exemplos Gravitação F GM 1 M /r
Leia mais