Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
|
|
- Octavio de Oliveira Conceição
- 7 Há anos
- Visualizações:
Transcrição
1 Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010
2 Variável aleatória É uma função, com propriedades especiais, que transforma eventos em números, ou mais genericamente, em vectores: A função X : Ω R X R n diz-se uma variável aleatória (v.a.) se verifica a condição de mensurabilidade x R, X 1 ((, x]) A, onde X 1 ((, x]) = {ω Ω : X (ω) x}, e o espaço de resultados Ω está associado à σ-álgebra A. A v.a. diz-se unidimensional se n = 1; bidimensional se n = 2; multidimensional se n > 2. ou ainda discreta, caso tome valores em R X em número finito ou numerável; contínua, quando o seu conjunto de valores é infinito não numerável.
3 Função de probabilidade Seja X uma v.a. discreta (R X = {x 1, x 2,...} é um conjunto finito ou numerável). A função de probabilidade de X (f.p.) é dada por { P(X = xi ), x = x P(X = x) = P ({ω Ω : X (ω) = x}) = i R X 0, c.c. e satisfaz P(X = x) > 0, x R X ; x R P(X = x) = x R X P(X = x) = i P(X = x i) = 1.
4 Exemplo Considere-se um teste americano com 3 questões, cujas respostas são dadas de forma independente. A resposta a cada questão pode estar correcta (C), com probabilidade P(C) = 0.5, ou incorrecta (C), com probabilidade P(C) = 0.5. A classificação das 3 questões é então uma e.a. cujo espaço de resultados é formado por 8 eventos elementares: Ω = {CCC, CCC, CCC, CCC, CCC, CCC, CCC, CCC}. Considerando a v.a. X = n o de respostas correctas no teste, verificamos que o seu contradomínio é {0, 1, 2, 3} e portanto X é uma v.a. discreta. A sua f.p. é dada por P(X = 0) = P(CCC) = P(C 1 C 2 C 3 ) = P(C 1 )P(C 2 )P(C 3 ) = P(X = 1) = P(CCC) + P(CCC) + P(CCC) = P(X = 2) = P(CCC) + P(CC) + P(CCC) = P(X = 3) = P(CCC) = , x = 0, 3 ou resumidamente P(X = x) = 3 8, x = 1, 2 0, outros valores de x
5 Função de distribuição A função de distribuição (f.d.) de uma v.a. X (independentemente de esta ser discreta ou contínua) é dada por F X (x) = P(X x), x R. Nota: A f.d. tem como domínio R e toma valores no intervalo [0, 1] uma vez que se trata de uma probabilidade, i.e. F X (x) : R [0, 1] quer X seja uma v.a. discreta ou contínua. Função de distribuição de uma v.a. discreta A f.d. de uma v.a. discreta (com contradomínio R X = {x 1, x 2,...}) pode escrever-se à custa da f.p de X: F X (x) = P(X x) = x i x P(X = x i ), x R.
6 Exemplo No exemplo anterior, em que X =n o de respostas correctas no teste americano, temos 0, x < 0 1 F X (x) = 8, 0 x < , 1 x < , 2 x < , x 3
7 Uma v.a. pode ser caracterizada, embora parcialmente, por parâmetros que se podem dividir em três grupos: 1 Parâmetros de localização central valor esperado moda mediana 2 Parâmetros de localização não central quantil de probabilidade (ou quantil de ordem) p 3 Parâmetros de dispersão variância desvio padrão coeficiente de variação
8 Valor esperado de uma v.a. discreta O valor esperado de uma v.a. discreta (com contradomínio R X = {x 1, x 2,...}) é dado por: E(X ) = x xp(x = x).
9 O valor esperado de uma v.a. X satisfaz as propriedades 1 E(b) = b, b R; 2 E(aX + b) = ae(x ) + b a, b R; 3 Sendo Y = ψ(x ) uma v.a. função mensurável da v.a. discreta X, E(Y ) = E[ψ(X )] = x ψ(x)p(x = x); 4 Geralmente, tem-se E[ψ(X )] ψ[e(x )]; 5 Se X é uma v.a. inteira não negativa, i.e., R X = {0, 1, 2, 3,...}, então E(X ) = + x=0 P(X > x) = + x=0 [1 F X (x)].
10 Recordemos o exemplo anterior, em que X = n o de respostas correctas no teste americano e Assim E(X ) = P(X = x) = 1 8, x = 0, 3 3 8, x = 1, 2 0, outros valores de x 3 xp(x = x) = = 1.5 x=0 Nota: Note que o valor esperado não pertence ao conjunto de valores possíveis da v.a. X.
11 Moda de uma v.a. discreta A moda de uma v.a. discreta X, mo = mo(x ), é o valor da v.a. que ocorre com mais frequência e como tal, corresponde ao ponto de máximo da f.p. de X, i.e. mo(x ) : P(X = mo) = max x P(X = x). Exemplo No exemplo que temos vindo a considerar, mo = mo(x ) = 1 e 2. Tal como este exemplo ilustra, nem sempre a moda é única. Diz-se, neste caso, que X é bimodal (tem duas modas).
12 Mediana de uma v.a. discreta A mediana de uma v.a. discreta, me = me(x ) = F 1 X tem a particularidade de verificar { P(X me) 1 2 P(X me) 1 2 o que é equivalente a me : 1 2 F X (me) 1 + P(X = me). 2 ( 1 ) 2, Nota: A mediana de uma v.a. discreta pode não ser única, passando, neste caso, a falar-se de classe mediana. Exemplo No exemplo que temos vindo a apresentar, a mediana não é única. Esta pode ser dada por qualquer valor no intervalo [1, 2]. Diz-se, neste caso, que o intervalo [1, 2] é a classe mediana.
13 Quantil de probabilidade p de uma v.a. discreta O quantil de probabilidade p de uma v.a. discreta, χ p = χ p (X ) = F 1 X (p), tem a particularidade de verificar { P(X χp ) p P(X χ p ) 1 p A mediana da v.a. discreta X, corresponde a χ 1 2. Outros quantis frequentemente usados: χ 1 4 = F 1 ( 1 ) X 4 1 o quantil ( 3 ) 4 3 o quantil χ 3 = F 1 4 X χ 1 = F 1 ( 1 ) X o percentil χ n = F 1 ( n ) 100 X 100 n ésimo percentil, n = 1, 2, 3,..., 99 χ 1 = F 1 ( 1 ) 10 X 10 1 o decil
14 Variância A variância de uma v.a. X discreta ou contínua é dada por: V (X ) = E(X 2 ) E 2 (X ). A variância de uma v.a. X satisfaz as propriedades 1 V (b) = 0, b R; 2 V (X ) 0, qualquer que seja a v.a. X ; 3 V (ax + b) = a 2 V (X ) a, b R. A variância não é expressa nas mesmas unidades que a v.a., pelo que é costume recorrer-se a outra medida de dispersão absoluta: o desvio padrão.
15 Desvio padrão É a raíz quadrada positiva da variância de uma v.a. X discreta ou contínua: DP(X ) = V (X ). Finalizamos, apresentando uma medida de dispersão relativa: Coeficiente de variação O coeficiente de variação de uma v.a. X discreta ou contínua, é dado por: CV (X ) = DP(X ) E(X ).
16 Distribuição uniforme discreta Esta distribuição é razoável quando a v.a. discreta toma n valores distintos x 1 < x 2 <... < x n, todos com igual probabilidade. Distribuição uniforme discreta A v.a. X diz-se ter distribuição uniforme discreta no conjunto {x 1, x 2,..., x n }, e escreve-se X uniforme discreta({x 1, x 2,..., x n }), caso a sua f.p. seja igual a { 1 P(X = x) = n, x = x 1, x 2,..., x n 0, c.c. Valor esperado: E(X ) = 1 n n i=1 x i Variância: V (X ) = 1 n n i=1 x i 2 ( 1 n n i=1 x ) 2 i
17 Exemplo Um conjunto de n amostras de solo, das quais só uma está contaminada com uma perigosa substância química, chega a um laboratório. Suponhamos que a amostra de solo contaminado não foi devidamente etiquetada e consideremos a v.a. X que representa o n o total de amostras inspeccionadas, obviamente sem reposição, até ser identificada a amostra contaminada.. Determinemos a f.p. de X. Ora: P(X = 1) = 1 n P(X = 2) = n 1 1 n n 1 = 1 n P(X = 3) = n 1 n 2 1 n n 1 n 2 = 1 n. P(X = x) = { 1, x = 1, 2,..., n n 0, c.c. donde se conclui que X uniforme discreta({1, 2,..., n}).
18 A f.d de X é: F X (x) = P(X x) = 0, x < 1 1 n, 1 x < 2 2 n, 2 x < 3. n 1 n, n 1 x < n 1, x n e atendendo a que n x=1 x = n(n+1) e n 2 x=1 x2 = n(n+1)(2n+1), 6 o valor esperado de X é E(X ) = n xp(x = x) = x=1 e a variância de X é n x 1 n = 1 n x = 1 n n x=1 x=1 n(n + 1) 2 = n n ( ) n V (X ) = E(X 2 ) E 2 (X ) = x 2 P(X = x) = 1 n ( ) n x 2 = n2 1 2 n 2 12 x=1 x=1
19 Distribuição de Bernoulli Uma e.a. diz-se uma prova de Bernoulli se tiver apenas dois resultados possíveis: um sucesso, que ocorre com probabilidade p, 0 p 1; um insucesso, que ocorre com probabilidade 1 p Distribuição de Bernoulli A v.a. X =n o de sucessos numa prova de Berrnoulli, tem distribuição de Bernoulli, com parâmetro p, e escreve-se X Bernoulli(p), e a sua f.p. é dada por { p P(X = x) = x (1 p) 1 x, x = 0, 1 0, c.c. Valor esperado: E(X ) = p Variância: V (X ) = p(1 p)
20 Distribuição binomial Esta distribuição é particularmente útil na caracterização probabiĺıstica do n o de sucessos em n provas de Bernoulli, realizadas de forma independente e com probabilidade de sucesso comum p. Distribuição binomial A v.a. X =n o de sucessos num conjunto de n provas de Bernoulli independentes com probabilidade de sucesso comum p, tem distribuição binomial, de parâmetros (n, p), e escreve-se X binomial(n, p), e a sua f.p. é dada por ( ) n p P(X = x) = x x (1 p) n x, x = 0, 1, 2,..., n 0, c.c. ( ) n n! onde =. Valor esperado: E(X ) = np x x!(n x)! Variância: V (X ) = np(1 p)
21 A f.d. da v.a. X binomial (n, p) é dada por 0, x ( < 0 ) [x] n F X (x) = P(X x) = i=0 p i i (1 p) n i, 0 x < n 1, x n onde [x] representa a parte inteira do real x, i.e., corresponde ao maior inteiro menor ou igual a x. Assim, note que [1.7] = 1 e [ 1.7] = 2, por exemplo. Esta função encontra-se tabelada para alguns valores de n e p. Consultando as tabelas, podemos escrever, por exemplo v.a. x F X (x) X binomial(9, 0.1) X binomial(10, 0.4)
22 No scilab, sendo X binomial(n, p), o comando pr=binomial(p,n) devolve um vector pr cujas entradas são os valores de P(X = x), x = 0, 1, 2,..., n. Assim sendo, pr(k+1) representa P(X = k), k = 0, 1, 2,..., n. O comando cdfbin( PQ,x,n,p,1-p) representa F X (x). Para obter os valores da tabela, teríamos que executar os comandos cdfbin( PQ,4,9,0.1,0.9) cdfbin( PQ,8,10,0.4,0.6).
23 Exemplo A probabilidade de as leis de Kirchhoff virem a ser violadas, durante um teste laboratorial a que se submete certo tipo e indutor, é igual a 0.1. Determinemos a probabilidade desta lei vir a ser violada mais de 4 vezes em 9 destes testes laboratoriais. Sendo X = n o de violações das leis de Kirchhoff em 9 testes laboratoriais, tem-se X binomial(9, 0.1) A probabilidade pedida é dada por P(X > 4) = 1 P(x 4) = =
24 Distribuição geométrica Esta distribuição é útil quando pretendemos contabilizar o n o total de provas de Bernoulli realizadas até o registo do 1 o sucesso. Distribuição geométrica A v.a. X =n o de provas de Bernoulli independentes com probabilidade de sucesso comum p, realizadas até à ocorrência do 1 o sucesso, tem distribuição geométrica, de parâmetro p, e escreve-se X geométrica(p), e a sua f.p. é dada por { (1 p) P(X = x) = x 1 p, x = 0, 1, 2,... 0, c.c. Valor esperado: E(X ) = 1 p Variância: V (X ) = 1 p p 2
25 A f.d. da v.a. X geométrica(p) não está tabelada por se obter facilmente, uma vez que estamos a lidar com uma série geométrica. Com efeito: { 0, x < 1 F X (x) = P(X x) = [x] i=1 (1 p)i 1p = 1 (1 p)[x], x 1 onde [x] representa a parte inteira de x.
26 Exemplo Estudos efectuados indicaram que a probabilidade de ser detectada a presnça de alto teor de metais pesados numa amostra de solo proveniente de um certo local é de determinemos o valor esperado do n o total de amostras selecionadas ao acaso até que seja detectada a primeira com alto teor de metais pesados. Ora, sendo X = n o total de amostras seleccionadas até que seja detectada a primeira com alto teor de metais pesados, tem-se X geométrica(0.01). O valor pedido é então dado por E(X ) = 1 = 100 amostras. 0.01
27 Distribuição hipergeométrica Distribuição hipergeométrica Considere-se que N =n o total de elementos de uma população (dimensão da população); M =n o de elementos dessa população que possuem uma determinada característica (sucesso); N =n o de extracções sem reposição. A v.a. X =n o elementos com certa característica (sucesso), em n extraídos ao acaso, sem reposição, da população de dimensão N, tem distribuição hipergeométrica, de parâmetros (N, M, n), e escreve-se X hipergeométrica(n, M, n), e a sua f.p. é dada por P(X = x) = ( M x 0, c.c. )( ) N M n x ( ), x = max{0, n (N M)},..., min{n, M} N n Valor esperado: E(X ) = n M N Variância: V (X ) = n M N ( 1 M N ) N n N 1
28 Exemplo Na fase de concepção de um processo de controlo de qualidade do fabrico, foram escolhidos 100 cabos dos quais apenas 2 apresentavam desvios superiores a 9.8 microns. Se desses 100 cabos forem seleccionados 10 ao acaso e sem reposição, qual a probabilidade de mais do que um ter um desvio superior a 9.8 microns? Ora, sendo N = 100, M = 2 e n = 10, a v.a. X =n o de cabos com um desvio superior a 9.8 microns, em 10 cabos seleccionados ao acaso e sem reposição de um lote de 100, dos quais apenas 2 apresentam desvios superiores a 9.8 microns tem-se X hipergeométrica(100, 2, 10). A probabilidade pedida é então dada por ( 2 2 ) ( ) P(X > 1) = P(X = 2) = ( ) =
29 Distribuição de Poisson É frequentemente utilizada na contagem de ocorrências de certo tipo de eventos, em períodos fixos de tempo. Exemplos do tipo de eventos são chegadas, partidas, acidentes, falhas de equipamento, n o de excedências de níveis de pluviosidade, ondas, marés, etc. Distribuição de Poisson A v.a. X que tem distribuição de Poisson, de parâmetro λ, e escrevese X Poisson(λ), tem a particularidade de possuir valor esperado e variância iguais ao parâmetro que define a sua distribuição. A sua f.p. é dada por Valor esperado: E(X ) = λ Variância: V (X ) = λ { e λ λ x, x = 0, 1, 2,... P(X = x) = x! 0, c.c.
30 A f.d. da v.a. X Poisson(λ), dada por { 0, x < 0 F X (x) = P(X x) = [x] λi i=0 e λ i! encontra-se tabelada. Podemos também recorrer ao scilab. X Poisson(λ) x F X (x) (tabelas) F X (x) cdfpoi( PQ, x, λ) (scilab) λ = F X (0) = cdfpoi( PQ, 0, 0.05) = λ = 3 1 F X (1) = cdfpoi( PQ, 1, 3) = λ = 12 1 F X (1) = cdfpoi( PQ, 1, 12) = λ = F X (14) = cdfpoi( PQ, 14, 20) =
31 Exemplo A procura de uma luxuosa marca de automóvel segue uma lei de Poisson. Sabe-se ainda que a probabilidade de numa semana não existir procura é igual a e 3. Pretende-se saber qual a probabilidade de a procura semanal exceder pelo menos 2 automóveis. Sabemos então que P(X = x) = e λ λx x!, x = 0, 1, 2,... e que P(X = 0) = e 3. Daqui resulta que P(X = 0) = e 3 λ λ0 e 0! = e 3 λ = 3. A probabilidade pedida é então dada por P(X 2) = 1 P(X < 2) = 1 P(X 1) = 1 F Poisson(3) (1) = =
32 Variável aleatória contínua A v.a X diz-se contínua,caso possua f.d. F X (x) = P(X x) contínua em R e exista uma função real de variável real f X (x), que verifique f X (x) 0, x R F X (x) = P(X x) = x f X (t)dt A função f X (x) é denominada de função densidade de probabilidade (f.d.p).
33 Propriedades da f.d.p + f X (x)dx = 1; b a f X (x)dx = P(a < x b), a < b. Note ainda que sendo X uma v.a. contínua: 1 P(X = x) = 0, x R 2 P(a < x b) = F X (b) F X (a), a < b.
34 Exemplo O tempo (em anos) entre duas colisões consecutivas de detritos espaciais com diâmetro maior que 1mm num satélite em MEO (Medium Earth Orbit) é uma v.a. contínua com f.d.p. dada por { 0, x < 0 f X (x) = 0.4e 0.4x, x 0 Determinemos a probabilidade do tempo entre duas colisões consecutivas exceder um ano e três meses: P(X > 1.25) = 1 P(X 1.25) = 1 = f X (x)dx = e f X (x)dx
35 Tal como no caso das v.a. discretas é importante sabermos determinar medidas de localização central localização não central dispersão. O processo é análogo ao caso discreto, tendo em conta que onde tínhamos v.a. discreta: x R ou P(X = x) passamos a ter v.a. contínua: + ou f X (x)
36 Distribuição uniforme contínua Distribuição uniforme contínua A v.a. X diz-se ter distribuição uniforme contínua no intervalo [a, b], e escreve-se X uniforme (a, b), caso a sua f.d.p. seja dada por { 1 f X (x) = b a, a x b 0, c.c. Valor esperado: E(X ) = a+b 2 Variância: V (X ) = (b a)2 12
37 A f.d. da v.a. X uniforme (a, b) é igual a 0, x < a x a F X (x) = P(X x) = b a, a x b 1, x > b Dada a sua simplicidade, não se encontra tabelada.
38 Distribuição normal Esta distribuição surge associada à modelação de observações relativas a diversas medições. Distribuição normal A v.a. X diz-se ter distribuição normal de parâmetros µ e σ 2, e escreve-se X normal (µ, σ 2 ), se a sua f.d.p. é f X (x) = 1 e (x µ)2 2σ 2 2πσ Valor esperado: E(X ) = µ Variância: V (X ) = σ 2 A sua f.d. é x F X (x) = que apenas pode ser obtida numericamente. 1 e (t µ)2 2σ 2 dt 2πσ
39 Se X normal(µ, σ 2 ), então a v.a. Z = X µ σ normal(0, 1). Z possui f.d. dada por F Z (z) = z 1 2πσ e t2 2 dt = Φ(z). A função Φ encontra-se tabelada. Podemos também recorrer ao scilab. z Φ(z)(tabelas) Φ(z) cdfnor( PQ, z, µ, σ) (scilab) cdfnor( PQ, 0, 0, 1)= cdfnor( PQ, 1.07, 0, 1)= cdfnor( PQ, 4.04, 0, 1)= Para o cálculo de Φ em valores negativos, recorrendo às tabelas, temos que atender em primeiro lugar à simetria da f.d.p. da normal padrão para concluir que dado z R, Φ( z) = 1 Φ(z) Exemplo No scilab faz-se cdfnor( PQ, 2.53, 0, 1). Φ( 2.53) = 1 Φ(2.53) =
40 Existem também tabelas de quantis da distribuição normal padrão. Os quantis de probabilidade p, 0.5 p 1, (F 1 Z (p), são obtidos sem dificuldade, como p.e., F 1 Z (0.975) = Φ 1 (0.975) = Mas note-se que os quantis de probabilidade p < 0.5 são negativos e p.e.: Φ 1 (0.023) = Φ 1 ( ) = No scilab para determinar o quantil de probabilidade p, (independentemente deste ser superior ou inferior a 0.5) de uma v.a. com distribuição normal, basta executar o comando cdfnor( X, µ, σ, p, 1 p).
41 Exemplo As especificações sobre o diâmetro de em certo tipo de cabo admitem um desvio máximo, face ao valor de referência de ±10 mícrons. Contudo, no seu fabrico apenas se consegue garantir que esse desvio tem distribuição normal de valor esperado igual a 0 mícrons. que valor deve ter a variância para se poder garantir que em 95% dos cabos produzidos os desvios estão entre ±9.8 mícrons? Recorrendo às tabelas: Considerando a v.a. X = desvio do diâmetro dos cabos face ao valor de referência, temos que X normal(0, σ 2 ). Ao considerar-se a v.a. Z = X 0 σ = X, temos Z normal(0, 1). σ Pretendemos assim o valor de σ 2 tal que: P( 9.8 X 9.8) = 0.95 P( σ ( ) ( 9.8 Φ Φ 9.8 σ σ Z {}}{ X 0 σ ) = Φ ) = 0.95 σ ( ) = σ = Φ 1 (0.975) σ = σ2 = 25 σ
42 Ou Recorrendo ao scilab: P( 9.8 X 9.8) = 0.95 F X (9.8) F X ( 9.8) = F X (9.8) 1 = 0.95 F X (9.8) = O comando cdfnor( Std, p, 1 p, x, µ) devolve o valor de σ tal que F X (x) = p, supondo X normal(µ, σ 2 ). Neste caso teríamos que fazer cdfnor( Std, 0.975, , 9.8, 0). Supondo X normal(µ, σ 2 ), explore no scilab os comandos cdfnor( Mean, σ, p, 1 p, x) e cdfnor( X, µ, σ, p, 1 p)
43 Distribuição exponencial Trata-se da distribuição mais utilizada na caracterização da duração de equipamento. Surge também na modelação dos tempos entre ocorrências de eventos do mesmo tipo, como p.e., chegadas de clientes, falhas mecânicas, colisões, etc. Distribuição exponencial A v.a. X diz-se ter distribuição exponencial de parâmetro λ, e escreve-se X exponencial(λ), caso a sua f.d.p. seja dada por { λe f X (x) = λx, x 0 0, c.c. Valor esperado: E(X ) = 1 λ Variância: V (X ) = 1 λ 2
44 A sua f.d. é { 1 e F X (x) = λx, x 0 0, c.c. que não se encontra tabelada dada a sua simplicidade.
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 maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEGM, LEIC-A, LEIC-T, MEAer, MEMec 2 o semestre 2010/2011 1 o Teste - Código A 16/4/2011 9 horas Duração: 1 hora e 30 minutos Grupo I Exercício
Leia maisVariável 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 maisProbabilidades 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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X 0 1 2 3 R x X(s) X(S) Uma função X que associa a cada elemento de S (s S) um número real
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LEIC-T, LEMat, LERC, LQ, MEAer, MEAmbi, MEBiol, MEEC, MEMec, MEQ 1 o Teste 1 o semestre 2010/2011 Duração: 1 hora e 30 minutos 20/11/2010
Leia maisCapítulo 4 - Variáveis aleatórias e distribuições contínuas
Capítulo 4 - Variáveis aleatórias e distribuições contínuas Conceição Amado e Ana M. Pires 4.1 - Variáveis aleatórias contínuas. Função densidade de probabilidade 3 4.2 - Valor esperado, variância e algumas
Leia maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 9 minutos Grupo I Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec Justifique convenientemente todas as respostas o semestre 7/8 5/5/8 9: o Teste A valores. Uma loja comercializa telemóveis
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
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 maisBIOESTATÍSTICA. Parte 3 Variáveis Aleatórias
BIOESTATÍSTICA Parte 3 Variáveis Aleatórias Aulas Teóricas de 29/03/2011 a 26/04/2011 3.1. Conceito de Variável Aleatória. Função de Distribuição Variáveis aleatórias Uma variável aleatória pode ser entendida
Leia maisModelos Probabilisticos Discretos
Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento
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 maisVariáveis 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 maisRevisão de Probabilidade
05 Mat074 Estatística Computacional Revisão de Probabilidade Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
Leia maisDepartamento 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 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 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 maisProbabilidades 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 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 maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas o semestre 07/08 0/07/08 :0 o Teste C 0 valores. Um relatório anual estabelece que
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 maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
Leia maisProbabilidades e Estatística LEAN, LEE, LEGI, LEMat, LETI, LMAC, MEAmb, MEAer, MEBiol, MEBiom, MEEC, MEFT, MEQ
Duração: 90 minutos Grupo I Probabilidades e Estatística LEAN, LEE, LEGI, LEMat, LETI, LMAC, MEAmb, MEAer, MEBiol, MEBiom, MEEC, MEFT, MEQ Justifique convenientemente todas as respostas! o semestre 015/016
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, LEMat, MEBiom, MEFT, MEQ 2 o semestre 2011/2012 1 o Teste A 21/04/2012 9:00 Duração: 1 hora e 30 minutos Justifique convenientemente
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 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 maisProbabilidades e Estatística
Departamento de Matemática - IST(TP) Secção de Estatística e Aplicações Probabilidades e Estatística 1 o Teste B 2 o semestre 2007/08 Duração: 90 minutos 19/04/2008 11:30 horas O teste consiste em dois
Leia maisModelos de Distribuições
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
Leia maisModelos 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 maisEstatística 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 maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisCap. 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 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 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 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 Modelos de distribuição Para utilizar a teoria
Leia maisDistribuições conjuntas de probabilidades e complementos
Probabilidades e Estatística 2004/05 Colectânea de Exercícios LEIC, LERCI, LEE Capítulo 5 Distribuições conjuntas de probabilidades e complementos 02 x = 0 065 x = 1 Exercício 51 (a) P(X = x) = 015 x =
Leia maisProf. Lorí Viali, Dr.
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 maisUNIDADE II. José J. C. Hernández. April 9, 2017 DE - UFPE. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
INTRODUÇÃO À ESTATÍSTICA UNIDADE II José J. C. Hernández DE - UFPE April 9, 2017 José J. C. Hernández (DE - UFPE) Estatística I April 9, 2017 1 / 60 Variável aleatória Seja X : Ω R uma função real de Ω
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 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 maisVARIÁVEL 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 maisVARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS Dada uma experiência aleatória Ei e um conjunto de resultados associado a essa experiência, define-se variável aleatória como uma regra bem definida (ou seja, como uma função) que
Leia maisNotas de Probabilidades e Estatística
Notas de Probabilidades e Estatística Giovani Loiola da Silva Dep. Matemática - IST Setembro, 2008 Estas notas visam apoiar as aulas teóricas da disciplina Probabilidades e Estatística. Agradecimentos:
Leia mais5. Distribuições conjuntas de probabilidade e complementos
5. Distribuições conjuntas de probabilidade e complementos Motivação 5. Pares aleatórios Ao realizar-se uma experiência aleatória é comum estarmos interessados em estudar mais do que uma v.a., nomeadamente,
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 maisESTATÍSTICA 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 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 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 maisDistribuições 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 maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 1 o semestre 2018/2019 30/01/2019 11:30 1 o Teste C 10 valores 1. Numa unidade fabril
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 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 maisVARIÁVEL 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 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 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 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 mais(a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p), então (X + Y ) Binomial(n + m, p).
Capítulo 0 Revisões Exercício 0.1 Sejam X e Y variáveis aleatórias independentes. Mostre que: (a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p),
Leia maisDistribuições 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 maisProbabilidades 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 o semestre 011/01 Exame de Época
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 maisDistribuições 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 maisVariáveis aleatórias contínuas
Variáveis aleatórias contínuas Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 20/04/2018 WB, FM,
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 mais4. PRINCIPAIS MODELOS DISCRETOS
4. PRINCIPAIS MODELOS DISCRETOS 2010 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 3. Uma peça é classificada como defeituosa
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 maisCapítulo II-Teoria da Probabilidade
Capítulo II-Teoria da Probabilidade Os assuntos expostos nos slides 58 a 75 serão estudados apenas na aulas práticas, visto serem assuntos de revisão. Noções Preliminares Definição Fenómenos aleatórios
Leia maisComplementos de Probabilidades e Estatística
Departamento de Matemática, IST Secção de Probabilidades e Estatística Complementos de Probabilidades e Estatística o. Teste o. Semestre 8/9 Duração: hora e 3 minutos Justifique convenientemente todas
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 2 Leitura obrigatória: Devore, seções 3.4, 3.5 (hipergeométrica), 3.6 Aula 5-1 Objetivos Nesta parte 01 aprendemos a representar,
Leia mais4. PRINCIPAIS MODELOS DISCRETOS
4. PRINCIPAIS MODELOS DISCRETOS 2019 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 1. Uma peça é classificada como defeituosa
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisLista de Exercícios #2 Assunto: Variáveis Aleatórias Discretas
1. ANPEC 2018 Questão 3 Considere um indivíduo procurando emprego. Para cada entrevista de emprego (X) esse indivíduo tem um custo linear (C) de 10,00 Reais. Suponha que a probabilidade de sucesso em uma
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 maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Professora Renata Alcarde Piracicaba março 2014 Renata Alcarde Estatística Geral 27 de Março de 2014 1 / 42
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 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 maisNotas de Probabilidades e Estatística
Notas de Probabilidades e Estatística Giovani Loiola da Silva Carlos Daniel Paulino Departamento de Matemática - IST/UTL Setembro 2012 Conteúdo 1 Introdução 1 2 Noções de probabilidade 2 3 Variáveis aleatórias
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 maisVariáveis Aleatórias. Probabilidade e Estatística. Prof. Dr. Narciso Gonçalves da Silva
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Variáveis Aleatórias Variável Aleatória Variável aleatória (VA) é uma função que associa a cada
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 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 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 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 maisVariáveis Aleatórias - VA
Variáveis Aleatórias - VA cc ck kc kk 0 1 2 1/4 1/2 Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - Introdução Se entende por VA ou V. indicadoras uma lista de valores
Leia maisProbabilidade e Estatística. 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 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 maisPr = 6 = = = 0.8 =
IND 5 Inferência Estatística Semestre 004.0 Teste 05/0/004 GABARITO Problema (5 pontos) Uma gulosa professora de estatística é fissurada por trufas de chocolate. Em busca da trufa ideal, ela vai provando
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisVARIÁVEIS ALEATÓRIAS 1
VARIÁVEIS ALEATÓRIAS 1 Na prática é, muitas vezes, mais interessante associarmos um número a um evento aleatório e calcularmos a probabilidade da ocorrência desse número do que a probabilidade do evento.
Leia mais4. PRINCIPAIS MODELOS DISCRETOS
4. PRINCIPAIS MODELOS DISCRETOS 2011 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 1. Uma peça é classificada como defeituosa
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 maisCapítulo 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 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 maisAULAS 6 e 7. ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017
AULAS 6 e 7 ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017 Em aulas passadas vimos as funções de probabilidade de variáveis discretas e contínuas agora vamos ver
Leia maisLCE Introdução à Bioestatística Florestal 3. Variáveis aleatórias
LCE0216 - Introdução à Bioestatística Florestal 3. Variáveis aleatórias Profa. Dra. Clarice Garcia Borges Demétrio Monitores: Giovana Fumes e Ricardo Klein Escola Superior de Agricultura Luiz de Queiroz
Leia maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisTipos de Modelos. Exemplos. Efeito. Causas. Exemplos. Causas. Efeito. Modelo determinístico. Modelo probabilístico. Determinístico.
Tipos de Modelos Sistema Real Determinístico Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração clássica v at Aceleração relativística v at + a t c Modelo probabilístico
Leia maisTipos de Modelos. Determinístico. Sistema Real. Probabilístico. Prof. Lorí Viali, Dr. FAculdade de Matemática - Departamento de Estatística - PUCRS
Tipos de Modelos Determinístico Sistema Real Probabilístico Modelo determinístico Causas Efeito Exemplos Gravitação F GM 1 M 2 /r 2 Aceleração clássica v at Aceleração relativística v 1 + at a 2 c t 2
Leia mais