VARIÁVEIS ALEATÓRIAS
|
|
- Wagner Palha Vilaverde
- 7 Há anos
- Visualizações:
Transcrição
1 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 faz corresponder a cada acontecimento do espaço de resultados um número real (X). As variáveis aleatórias podem ser discretas ou contínuas. Experiência aleatória: lançamento de uma moeda Ω = {F, C} (resultados associados ao lançamento) F Ω C 0 R À experiência aleatória associamos uma variável aleatória (X). X nº de faces ocorrido Se: C X = 0 F X = X C 0 F A partir daqui torna-se possível calcular probabilidades, não com base nos próprios acontecimentos, mas sim nas suas imagens valores assumidos pela variável aleatória. Isto porque qualquer valor de uma variável aleatória é um acontecimento. Logo, tem uma probabilidade associada. Raul Laureano 26
2 Esquema do processo de construção do Modelo de Probabilidade Experiência aleatória Listagem de todos os resultados Espaço de resultados Atribuição de um valor a cada resultado Variável aleatória f(x) Determinação da probabilidade de cada valor de X X Aplicação: Considerando a experiência aleatória controlo de qualidade extraem-se, de um vasto lote, três peças aleatoriamente e classifica-se cada uma das peças em defeituosa (D) ou não defeituosa (N). O espaço de resultados é: Ω = {( N, N, N );( N, N, D );( N, D, N );( N, D, D );( D, N, N );( D, N, D );( D, D, N );( D, D, D )} Definindo, por exemplo, a variável aleatória: X número de peças defeituosas entre as três peças inspeccionadas. A variável aleatória (V.A.) X tem como domínio Ω e como contradomínio { 0,, 2, 3}. Temos, portanto, uma variável aleatória unidimensional e discreta (o seu contradomínio é um conjunto discreto, isto é, finito ou infinito numerável). Raul Laureano 27
3 Considerando que 5 em cada 00 peças inspeccionadas são defeituosas, podemos calcular as probabilidades: P X = 0, P X =, P X = 2 e P X = 3. Ω R Probabilidade N N N 0 0, (,, ) ( N, N, D ) ( N, D, N ) 0,35375 ( D, N, N ) ( D, D, N ) ( D, N, D ) 2 0,00725 ( N, D, D ) X ( D, D, D ) 3 0,00025 Cálculo da probabilidade condicional recorrendo à árvore de resultados: N 0,95 x 0,95 x 0,95 = 0, (0,95) N D (0,95) (0,05) 0,95 x 0,95 x 0,05 = 0,04525 N D (0,95) 0,95 x 0,05 x 0,95 = 0,04525 N (0,05) (0,95) D (0,05) 0,95 x 0,05 x 0,05 = 0, N 0,05 x 0,95 x 0,95 = 0,04525 (0,95) D (0,05) N D (0,95) (0,05) 0,05 x 0,95 x 0,05 = 0, N D (0,95) 0,05 x 0,05 x 0,95 = 0, (0,05) D (0,05) 0,05 x 0,05 x 0,05 = 0,00025 Raul Laureano 28
4 Assim, P X P X P X P X = 0 = 0, probabilidade da V.A. X assumir o valor = = 0, = 2 = 0, = 3 = 0, zero (probabilidade de ter zero defeituosas) A função de probabilidade da V.A. discreta X, que assume valores x x x, é representada por ( ), 2,..., n,... f x : P X = x se x = x j f ( x ) = j =, 2,..., n,... 0 se x x j ou na forma tabular x x x 2... x n ( ) P X = x P X = x 2... P X = x n f x A função de probabilidade tem, pois, domínio R e conjunto de chegada 0, e satisfaz as seguintes propriedades: f ( x ) 0 sendo uma V.A. discreta finita n ( j ) n f x = P X = x = j= j= j sendo uma V.A. discreta infinita f ( x j ) P X x = = j será uma série convergente de soma j= j= Raul Laureano 29
5 Pode-se definir uma outra função função de distribuição variável aleatória como: de uma ( ) F x = P X x A função distribuição tem, pois, domínio R e conjunto de chegada 0, e satisfaz as seguintes propriedades: F ( x ) 0, x R F corresponde a uma probabilidade F ( x ) F ( x ), x, x2 com x2 > x F é monótona não decrescente 2 lim ( ) = 0 x F x lim ( ) = x F x P x X x F ( x ) F ( x ) < 2 = 2,, 2 com 2 > x x x x Frequentemente a função distribuição é também designada por função de probabilidade acumulada. Raul Laureano 30
6 No exemplo das peças defeituosas tem-se: ( ) F 0 = P X 0 = P X = 0 = 0, ( ) F = P X = P X = 0 + P X = = 0, ( ) F 2 = P X 2 = P X + P X = 2 = 0, ( ) F 3 = P X 3 = ou ( ) F x = 0 x < 0 0, x < 0, x < 2 x 3 Representações gráficas das funções de probabilidade e de distribuição de V.A. discretas: Função de probabilidade: Y = f ( x ) Função de distribuição: y = F ( x ) f(x) 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, F(x) 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, x x Raul Laureano 3
7 Nas variáveis aleatórias contínuas X assume um número infinito de valores pelo que não faz sentido falar da função de probabilidade a probabilidade de um ponto é sempre nula. Então surge a função densidade de probabilidade (f.d.p.) de X, que tem subjacente as probabilidades não nulas de intervalos ou, então, a taxa instantânea de variação da probabilidade, definida por: b P a x b f ( x ) dx a < = o integral 2 da f.d.p. entre os valores a e b permite determinar P a < x b 3 Note-se que a f.d.p., f ( x ), corresponde, por analogia, ao polígono de frequências relativas (de uma variável contínua) quando o número de observações e o número de classes aumentam (e, portanto, diminui a amplitude das classes). Desta forma, no limite, o polígono transforma-se numa curva cuja equação define a f.d.p.. 2 O integral é representado pelo símbolo e corresponde a uma função matemática que define a área entre dois pontos de uma função. Como referem Maroco e Bisbo (2003), o integral é equivalente ao somatório para as variáveis discretas e, por abuso, pode interpretar-se como sendo a soma de todos os valores da função num determinado intervalo. 3 P[ a x b] = P[ a < x < b] + P[ x = a] + P[ x = b] = P[ a < x < b] = P[ a x < b]. Raul Laureano 32
8 A f.d.p. verifica as propriedades: f ( x ) 0 não negatividade o integral em todo o domínio é f ( x ) dx = A função densidade de probabilidade (f.d.p.) corresponde à derivada da função distribuição - F ( x ), isto é, ( ) f x ( ) df x =, se a função de distribuição for derivável. dx A função de distribuição de uma V.A. contínua corresponde a: x F ( x ) = P X x f ( u) du = 4 E verifica as seguintes propriedades: É uma função contínua Se x < y, então F ( x ) F ( y ), função crescente (em sentido lato) F ( ) = lim F ( x ) = 0 x F ( ) = lim F ( x ) = x b P a < x b = F b F a f x dx = a ( ) ( ) ( ) 4 Como no integral o limite superior da integração é x, considera-se uma variável de integração diferente de x, neste caso a variável u. Raul Laureano 33
9 Representações gráficas das funções densidade de probabilidade e de distribuição de V.A. contínuas: Função de distribuição: y = F ( x ) F(b) F(a) Função densidade de probabilidade: Y = f ( x ) b P a < x b = F b F a f ( x ) dx = a Cálculo da probabilidade: ( ) ( ) Recorrendo a Recorrendo a F( x ) f ( x ) Raul Laureano 34
10 PARÂMETROS DAS VARIÁVEIS ALEATÓRIAS Para se caracterizar, de uma forma reduzida, uma variável aleatória (distribuição associada à população, definida pelas funções de distribuição e de probabilidade, se discreta, e densidade de probabilidade, se contínua) pode-se recorrer a algumas medidas (parâmetros). Assim, as funções associadas às variáveis aleatórias podem ser consideradas como representações de populações, ou sejam, evidenciam a forma como os elementos de uma população de distribuem. De outra forma, pode-se considerar que a função de probabilidade (ou a função densidade de probabilidade) constitui um modelo para a representação da distribuição dos elementos da população. Os parâmetros 5 mais comuns são: Valor esperado (ou esperança matemática ou média); Variância (ou variância esperada) e desvio-padrão; E quando se tem duas variáveis aleatórias, para analisar a relação entre elas recorre-se às medidas de associação: o Covariância; o Coeficiente de correlação linear. 5 Recorde-se que as distribuições de frequências podem ser caracterizadas por estatísticas (números que calculados com base em amostras sintetizam a configuração das distribuições e que variam de amostra para amostra). No caso das variáveis aleatórias recorre-se a um conjunto de números (parâmetros, que são fixos) para caracterizar as distribuições associadas às populações. Podem-se calcular outros parâmetros, como sejam, a mediana e a moda. Verifica-se a existência de uma correspondência entre as designações das estatísticas e dos parâmetros, podendo, em algumas situações, acrescentar-se à designação, no caso das estatísticas, as palavras amostral ou da amostra, e, no caso dos parâmetros, as palavras populacional ou da população. Raul Laureano 35
11 VALOR ESPERADO DE X é um parâmetro de localização, representa- -se por E X (ou por µ x ou por µ) e, quando existe, define-se por: Se X é uma V.A. discreta E n X = x i. f ( x i ) i= + Se X é uma V.A. contínua E X x. f ( x) dx = VARIÂNCIA DE X é um parâmetro de dispersão, representa-se por VAR X (ou por 2 σ x ou por σ 2 ). A variância corresponde à média do quadrado dos desvios em relação ao valor esperado: ( ) 2 VAR X = E ( X µ ) 2 = E X 2 E X e define-se por: Se X é uma V.A. discreta VAR X = ( x i ) 2. µ f ( x i ) n i= Se X é uma V.A. contínua = ( µ ). ( ) VAR X x f x dx + 2 Note-se que E X2 é dado por: Se X é uma V.A. discreta E X 2 x 2. f ( x ) n = i= 2 2 = +. Se X é uma V.A. contínua ( ) E X x f x dx i i DESVIO-PADRÃO DE X é um parâmetro de dispersão, representa-se por σ (ou por σ x ). O desvio-padrão corresponde à raiz quadrada positiva da variância, isto é, σ = + VAR X. Raul Laureano 36
12 Propriedades do valor esperado ( k, a e b são constantes e X ey são duas variáveis aleatórias - V.A.): E k = k - o valor esperado de uma constante k é a própria constante; E kx = k. E X - o valor esperado do produto de uma constante por uma V.A. é igual ao produto da constante pelo valor esperado da V.A.; E ax + b = a. E X + b - o valor esperado do produto de uma constante por uma V.A. mais uma constante é igual ao produto da constante pelo valor esperado da V.A. mais a outra constante (transformação linear); E X ± Y = E X ± E Y - o valor esperado da soma algébrica de duas V.A. é igual à soma algébrica dos respectivos valores esperados; E X. Y = E X. E Y - se X ey forem independentes, o valor esperado do produto de duas V.A. é igual ao produto dos respectivos valores esperados. Se X e Y não forem independentes ( ) E X. Y = E X. E Y + cov X, Y. E g ( x ) = i + - ( ) f ( x ) g x i ( ) ( ) g x i f x dx se X discreta se X contínua - valor esperado de uma função de X Raul Laureano 37
13 Propriedades da variância ( k, a e b são constantes e X ey são duas V.A.): VAR X 0 ; Se VAR X = 0 então P X = E X = ; VAR k 0 = ; VAR kx k 2. VAR X = ; VAR ax ± b = a 2. VAR X ; VAR X Y VAR X VAR Y 2. cov ( X, Y ) ± = + ± - Se X ey forem independentes, então cov ( X, Y ) = 0 (o recíproco não é verdadeiro); Note-se que: Se X é uma V.A. de média µ e variância 2 σ então a V.A. W = X µ σ tem parâmetros: E W 0 = e VAR W =. Operando com as propriedades do valor esperado verifica-se que a variância ( VAR X ) ( ) VAR X = E ( X µ ) ou VAR X = E X E X ( ) 2.. ( ) E X E X = E X X E X + E X = ( ) ( ) 2. ( ) = E X 2 + E E X 2. E X. E X = = E X + E X E X = 2 = E X em que: X variável; ( E X ) 2 E X quadrado; E ( X E X ) 2 média; ( X E X ) desvio; ( X E X ) 2 média do desvio quadrado e [ ] 2 X = desvio k 2 E Xi.P(Xi). i= Raul Laureano 38
14 COVARIÂNCIA é uma medida de distribuição conjunta de X e Y, em termos dos desvios face às respectivas médias. A covariância descreve a relação linear entre duas variáveis e é dada por: ( ) ( ) ( ) cov X, Y = E X E X. Y E Y = E XY E X. E Y COEFICIENTE DE CORRELAÇÃO LINEAR descreve a relação linear entre duas variáveis e tem a vantagem, em relação à covariância, de ser independente da unidade de medida em que as variáveis estão expressas. ρ = XY VAR X ( X Y ) cov,. VAR Y Verifica-se que ρ. O coeficiente de correlação indica o sentido da relação linear, relação directa ou positiva (sinal +) ou inversa ou negativa (sinal -), e a intensidade, quanto mais perto do (relação perfeita), em valor absoluto, for o coeficiente mais forte é a relação e quanto mais perto do 0 (ausência de relação) mais fraca é a relação entre as duas variáveis. Raul Laureano 39
15 APLICAÇÃO: Suponha que temos uma experiência aleatória que consiste no lançamento sucessivo de duas moedas (não viciadas). Pretende-se saber qual o número esperado de faces que irá ocorrer. Passos a dar: º) Definir o espaço de resultados Experiência aleatória lançamento sucessivo de 2 moedas Ω = {(F,F); (F,C); (C,F); (C,C)} 2º) Definir a variável aleatória X número de faces ocorrido Se tivermos o resultado: (F,F) X = 2 (F,C) ou (C,F) X = (C,C) X = 0 3º) Determinar a probabilidade de cada valor de X. Ou seja, constrói-se um quadro em que a cada valor de X se faz corresponder a sua probabilidade de ocorrência. A este quadro chama-se quadro de distribuição de probabilidade de X, ou função de probabilidade de X, que se representa por P ( xi ) ou ( i ) condições: P x, xi ( ) 0 i n i= P(x ) = i f x e deve satisfazer duas Raul Laureano 40
16 Então, a função de probabilidade P ( xi ) é: x i P ( x i ) 0 ¼ 2/4 = ½ 2 ¼ Facilmente se vê que P ( xi ) satisfaz as duas condições: P x para i = 0,, 2 ; ( ) 0 i 2 i= 0 P( x ) i = = º) Finalmente, pode calcular-se o valor esperado de X, ou seja, o número de faces que, em média, se espera que ocorra. O valor esperado de uma variável aleatória é uma medida que, de forma sintética, dá informação relevante sobre o seu comportamento. O valor esperado de uma variável aleatória X, que se representa por E X, define-se como a média dos valores assumidos por X ponderados pela respectiva probabilidade. n = i i com ( i ) 0 E X x.p(x ) i= P x, xi n i= P(x ) = i Raul Laureano 4
17 Calcule-se o número esperado de faces a ocorrer (valor esperado): x i ( i ) P x x i.p(x i ) 0 ¼ 0 ½ ½ 2 ¼ ½ 2 E X = x 0 2 i.p(x i ) = + + = i= 0 Assim, em termos médios, espera-se que no lançamento sucessivo de duas moedas ocorra uma face. 5º) Para além do valor esperado, podemos também calcular, como medida sintetizadora e auxiliar, a variância esperada (média do quadrado dos desvios em relação ao valor esperado). ( ) 2 VAR X = E X E X X i P( X i ) Xi. P( X i ) Xi 2. P( X i ) 0 /4 0 0 /2 /2 /2 2 /4 /2 3/2 então, 2 ( ) VAR X E X = E X = 2 = 2 Raul Laureano 42
18 VALOR ESPERADO: Outros exemplos O conceito de valor esperado tem a sua origem nos jogos do acaso. Exemplo : No lançamento de um dado, não viciado, recebe-se um euro se sair número par, perdem-se dois euros se sair ou 3 e ganham-se três euros se ocorrer o 5. A questão que se levanta é a de saber se vale a pena participar num jogo com estas condições. De outro modo, quanto é que se pode ganhar? Sabe-se que o espaço de resultados da experiência aleatória é: Ω = {, 2, 3, 4, 5, 6} A probabilidade de cada resultado individual, sendo o dado não viciado será P [W i ] = /6 Ganha-se 2 se ocorrer se ocorrer 5 Perde-se 2 se ocorrer 3 A questão para a qual se pretende obter resposta é de saber, em termos médios quanto se espera ganhar? Para obter a resposta basta fazer a média ponderada dos valores a perder ou receber. O coeficiente de ponderação é dado pela probabilidade de ocorrência de cada um desses valores. Representando o ganho por G, tem-se: P [G = ] = 3/6 P [G = 3] = /6 P [G = -2] = 2/6 Então, o valor esperado do ganho que se representa por E [G] virá: E [G] =. / /6 + (-2). /3 = 0,3(3) euros Raul Laureano 43
19 Note-se que este valor não é uma quantia que efectivamente se receba, mas indica se o jogo é ou não favorável ao jogador. Se o valor esperado do ganho fosse negativo o jogador concluiria que em termos médios perdia mais do que se ganhava. Para participar no jogo, o jogador geralmente entra com uma certa quantia. Representando por E a entrada, diz-se que o jogo é equitativo, isto é, que não favorece nenhuma das partes se: E [E] = E [G] isto é, E [L] = 0 (i.e. o valor esperado do lucro), sendo L = G - E Exemplo 2: Suponha que entra numa livraria para comprar um livro que custa 36 euros. Tem na carteira quatro notas de 0 euros e uma de 50 euros. O livreiro propõe-lhe o pagamento com uma nota tirada ao acaso da carteira. Quem poderia ficar favorecido? porque o livro custa 36 euros E [G] = 36 porque o comprador tem cinco notas, quatro de 0 e uma de 50 euros E 0 50 Probabilidade 4/5 /5 E [E] = = 8 euros então, o jogo não é equitativo e favorece o comprador E [E] E [E] (8 36) E [E] < E [G] (8 < 36) Raul Laureano 44
20 DISTRIBUIÇÕES TEÓRICAS MAIS IMPORTANTES Existem alguns modelos probabilísticos (distribuições teóricas) que são correntemente adaptáveis a um vasto conjunto de fenómenos aleatórios que ocorrem no dia-a-dia. As distribuições empíricas (ou distribuições de frequências) de variáveis, discretas ou contínuas, com que se deparam frequentemente os investigadores nos estudos empíricos, podem ser, muitas vezes, representadas por distribuições teóricas que se ajustam ao comportamento dessas variáveis aleatórias. Deste modo, também as distribuições teóricas se dividem em distribuições discretas e em distribuições contínuas. As principais distribuições discretas são: Distribuição uniforme; Distribuição de Bernoulli; Distribuição binomial; Distribuição multinomial; Distribuição binomial negativa; Distribuição geométrica ou de Pascal; Distribuição hipergeométrica; Distribuição de Poisson. As principais distribuições contínuas são: Distribuição uniforme; Distribuição normal e normal padrão (ou estandardizada); Distribuição exponencial; Distribuição Gama. Uma vez que são correntemente utilizados e para evitar o contínuo recurso às funções de probabilidade, no caso das distribuições discretas, e às funções densidade de probabilidade, nas distribuições contínuas, ou, ainda, às funções de distribuição foram elaboradas tabelas estatísticas tabelas probabilísticas (disponíveis em quase todos os livros de estatística) de forma a facilitar os cálculos das probabilidades (sem ter, portanto, que recorrer-se directamente às referidas funções). Raul Laureano 45
21 DISTRIBUIÇÕES TEÓRICAS DE VARIÁVEIS ALEATÓRIAS DISCRETAS DISTRIBUIÇÃO DE BERNOULLI Prova de Bernoulli Admita-se uma experiência aleatória com apenas dois resultados: A sucesso, com P A = p A insucesso, com P A p q = = Este tipo de experiência aleatória designa-se por prova de Bernoulli Sucessão de provas de Bernoulli: processo caracterizado por repetidas provas nas seguintes condições:. Em cada prova só existem dois resultados possíveis (e mutuamente exclusivos): sucesso e insucesso; 2. A probabilidade de sucesso, p, mantém-se constante de prova para prova. A probabilidade de insucesso designa-se por q = p; 3. As provas são independentes, ou seja, os resultados obtidos numa certa prova ou sequência de provas não influenciam os resultados das provas subsequentes. Raul Laureano 46
22 Distribuição de Bernoulli Tem-se uma única prova de Bernoulli e define-se X com apenas dois valores: 0 se insucesso e se sucesso. E tem-se que P X = = p e P X = 0 = q = p. Então, a V.A. X segue uma distribuição de Bernoulli se a sua função de probabilidade for dada por: ( ) x ( ) x f x = p p, x = 0, E, consequentemente, a função de distribuição ser dada por: ( ) 0 x < 0 F x = p = q 0 x < x E o valor esperado e a variância, são dados por: E X = p VAR X p p p. q = = ( ) Diz-se que X, nestas condições, segue uma distribuição de Bernoulli de parâmetro p e escreve-se X Bern( p ). Note-se que 0 p. Raul Laureano 47
23 Exemplo : X = número de 6 no lançamento de um dado perfeito, ganhando-se se sair 6. Assim, X representa o número de vitórias obtidas num lançamento do dado. X Bern( p = ) 6 f ( ) = = ( ) F = E X = VAR X = 6 6 = 36 Exemplo 2: Considerando o lançamento aleatório de um dado 0 vezes e uma vitória se sair um número superior 4. Assim, a probabilidade de sucesso é probabilidade de insucesso é p = 2 = e, consequentemente, a 6 3 q = p = = Está-se, pois, na presença de um processo de Bernoulli em que a prova se repete 0 vezes, cada prova tem dois resultados possíveis (sucesso e insucesso), a probabilidade de sucesso é igual em todas as provas e o resultado de uma prova não vai afectar o resultado da prova seguinte (os lançamentos são independentes). Raul Laureano 48
24 DISTRIBUIÇÕES TEÓRICAS DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS DISTRIBUIÇÃO UNIFORME Uma variável aleatória contínua segue uma distribuição uniforme quando a sua função densidade de probabilidade é constante em todo o intervalo a, b e nula fora desse intervalo. Assim, a função densidade de probabilidade é dada por: ( ) f x = b a 0 se a x b se x < a ou x > b E a sua função de distribuição por: x 0 se x < a F x a ( x ) = f ( u) du = se a x b b a se x > b O valor esperado e a variância, são dados por: E X = a + b 2 VAR X = ( b a ) 2 Diz-se que a V.A. X, nestas condições, segue uma distribuição uniforme em a, b e escreve-se X U ( a, b). 2 Raul Laureano 49
25 Representações gráficas de X U ( a, b) : Função densidade de probabilidade f ( x ) b a 0 a b x Função de distribuição F ( x ) 0 a b x Exemplo (adaptado de Guimarães e Cabral, 997, p.95): Considere que o atraso (expresso em minutos) nas chegadas à estação de uma cidade, dos comboios directos provenientes de outra cidade, segue U 0, 2. uma distribuição ( ) Qual a probabilidade de ocorrer um atraso compreendido entre os 5 e os 0 minutos? P 5 x 0 = F ( 0) F ( 5) = = = = 0, ( ) P 5 x 0 = = = 0, Em média, qual o atraso que se espera que ocorra na chegada à estação? µ = E X = = = 6 minutos 2 2 Raul Laureano 50
26 DISTRIBUIÇÃO NORMAL Existe uma grande variedade de fenómenos na vida real que obedecem a uma distribuição normal ou que se aproximam de forma significativa da distribuição normal. Assim, esta distribuição assume especial relevância quando se está na presença variáveis aleatórias contínuas, isto é, que podem assumir um conjunto infinito não numerável de valores. Realce-se que a importância desta distribuição ainda é mais acrescida pois, mediante a verificação de certas condições, certas distribuições de variáveis aleatórias discretas, tais como a distribuição binomial e a de Poisson, podem ser aproximadas à distribuição normal. Diz-se que uma V.A. X segue uma distribuição normal 6 se a sua função densidade de probabilidade for dada por 7 : 2 x µ 2 f ( x ). e σ =, x ] ; + [ 2 2πσ representando µ (miu) a média ( < µ < + ) e σ (sigma) o desvio- -padrão ( σ > 0 ). E, consequentemente, se a função de distribuição for dada por 8 : 2 t µ F ( x ) e σ = dt 2 2 πσ x 6 Também designada por distribuição Gaussiana (ou de Gauss), em homenagem ao matemático alemão Carl Gauss. 7 Recorde-se que e corresponde ao número de Napier e que e = 2, Por sua vez, o π (pi) tem o valor de π = 3, A função de distribuição não é integrável analiticamente, ou seja, não é possível determinar explicitamente a sua primitiva, pelo que não se obtém uma expressão algébrica para os valores desta função, sendo estes calculados por via numérica. Raul Laureano 5
27 O valor esperado e a variância são dados por: E X = µ VAR X 2 = σ Diz-se que a V.A. X, nestas condições, segue uma distribuição normal de parâmetros caracterizadores µ e σ e escreve-se X n( ; ) µ σ. Representações gráficas de X n(, ) µ σ : Função densidade de probabilidade (curva normal) f ( x ) Fonte: Adaptado de Guimarães e Cabral (997, p.99) x Função de distribuição F ( x ) x Fonte: Adaptado de Guimarães e Cabral (997, p.99) Raul Laureano 52
28 Propriedades e características: É uma das distribuições mais utilizadas; A função densidade de probabilidade tem forma de sino e é unimodal (um só máximo, correspondendo a x = µ ); A função densidade de probabilidade é simétrica em torno da sua média. Assim, a média é igual à mediana e igual à moda ( µ = Me = Mo); A função densidade de probabilidade tem pontos de inflexão para x = µ ± σ e aproxima-se assimptoticamente do eixo das abcissas, ou seja, lim f ( x ) 0 x ± = ; Raul Laureano 53
29 Quaisquer que sejam os parâmetros (µ e σ ) da distribuição normal verifica-se que existe uma proporção de observações constante (área definida pela f.d.p.) entre a média e ± k desvios-padrão. Para os intervalos µ ± σ, µ ± 2σ e µ ± 3σ tem-se: 68,3% µ 95,5% µ 99,7% Fonte: Adaptado de Ramos (2004) µ A distribuição normal é adequada para caracterizar muitos fenómenos físicos (pesos, ) e descreve bem a distribuição dos erros de medição, para além de muitas outras aplicações em que é utilizada. Raul Laureano 54
30 Qualquer transformação linear de uma V.A. com distribuição normal resulta numa variável também com distribuição normal: Se X n( x; ; ) µ σ então X ' n( x' = ax + b; µ ' = aµ + b; σ ' = a σ ) em que a e b são constantes e a 0 ; Aditividade da distribuição normal: Tendo k V.A. independentes Xi ( i, 2, 3,..., k ) =, em que X ( ; ) i n µ i σi então a variável T k = ai Xi segue uma distribuição i = k k k normal: T = ; 2. 2 ai Xi n aiµ i a σ i i i = i = i = Deste modo, conclui-se que: k ; i= o Sk = X + X Xk = Xi n( k. µ ; σ. k ) o ; 2 X + X n µ + µ σ + σ e ; 2 X X n µ µ σ + σ ; k Xi o com X = i= k se tem X n µ ; σ. k 9 E ax + b = a E X + b e Recorde-se as propriedades do valor esperado e da variância: [ ]. [ ] [ ] 2. [ ] VAR ax + b = a VAR X. Raul Laureano 55
31 Cálculo das probabilidades de uma V.A. com distribuição normal Uma vez que os parâmetros da distribuição normal, quer a média, quer o desvio-padrão, podem assumir uma infinidade de valores não numeráveis, torna-se impossível apresentar tabelas estatísticas para cada combinação dos dois parâmetros. Assim, recorre-se à chamada distribuição normal padrão (ou normal reduzida, ou normal standard) para calcular as probabilidades de uma variável aleatória X. Assim, se X ( µ ; σ ) então a variável Z = X µ σ (obtida a partir de X, quaisquer que sejam os seus parâmetros) tem distribuição normal de parâmetros 0 e, respectivamente, para a média e para o desvio-padrão. Z X µ = n σ ( 0; ) A variável aleatória contínua Z designa-se por variável estandardizada, reduzida ou normal-padrão. Apenas a função de distribuição ( ) F z = P Z z da distribuição normal- -padrão se encontra tabelada 0 e, usualmente, apenas para valores positivos de Z, com 0 z 3, 49, sendo que as probabilidades para os valores negativos de Z são calculadas tendo em conta a simetria da distribuição normal. 0 Para a distribuição normal-padrão tem-se que f ( z ) =. e 2π 2 t z F ( Z ) =. e 2 dt. É usual representar a função densidade de probabilidade por φ (phi 2π minúsculo) e a função de distribuição por Ф (phi maiúsculo). 2 z 2 e Raul Laureano 56
32 O Excel disponibiliza as funções NORMDIST e NORMSDIST, para o cálculo das probabilidades, respectivamente, de uma variável com distribuição normal e de uma com distribuição normal-padrão: =NORMDIST(x - nº para o qual se pretende a distribuição; µ média da distribuição; σ desvio-padrão da distribuição; tipo de função). O argumento tipo de função deverá ser um valor lógico, 0 para f ( x ) e, por exemplo, para F ( x ). =NORMSDIST(z - nº para o qual se pretende a distribuição). Só calcula a função de distribuição. Paralelamente, o Excel disponibiliza as funções NORMINV e NORMSINV que permitem determinar o valor para o qual se tem a distribuição, conhecida a respectiva probabilidade acumulada, respectivamente, de uma variável com distribuição normal e de uma com distribuição normal-padrão: =NORMINV(F probabilidade acumulada; µ média da distribuição; σ desvio- -padrão da distribuição) =NORMSINV(F probabilidade acumulada) Então, vejam-se os seguintes exemplos de cálculo de probabilidades: Se X n( 5; 3) tem-se: 8 X P X = P = P Z = 0, Note-se que o valor de Z = significa que 8 se encontra desvio-padrão acima da média (8 = 3 + 5)! z 0,00 0,0 0,02 0,0 0,5000 0,5040 0,5080 0, 0,5398 0,5438 0,5478 0,2 0,5793 0,5832 0,587 0,3 0,679 0,627 0,6255 0,4 0,6554 0,659 0,6628 0,5 0,695 0,6950 0,6985 0,6 0,7257 0,729 0,7324 0,7 0,7580 0,76 0,7642 0,8 0,788 0,790 0,7939 0,9 0,859 0,886 0,822,0 0,843 0,8438 0,846, 0,8643 0,8665 0,8686,2 0,8849 0,8869 0,8888,3 0,9032 0,9049 0,9066 Raul Laureano 57
33 Se X n( 00; 35) tem-se: 00 X P X < = P < = P Z < 0 = 0, P X P Z P Z 2 P Z 2 < = < = 0, , < = < = = P X 50 P X 50 P Z > = = = 35 = P Z, 4286 = P Z, 43 = 0, 9236 = 0, P X P Z P, 4 Z, 4 < < = < < = < < = ( P Z ) ( ) = P Z <, 4 <, 4 = 0, , 8729 = 0, P X P Z P Z 0, 57 P Z 0, 57 = = 0, = = Raul Laureano 58
34 Recorde-se: P Z z = P Z < z ; P Z z = P Z z ; P Z z = P Z z ; P Z z + P Z z = ; P Z z = P Z z ; P Z z = P Z z ; µ σ µ µ σ + µ P µ σ < X < µ + σ = P < Z < = P < Z < 0, 68 σ σ P µ 2σ < X < µ + 2σ = P 2 < Z < 2 0, 95 ; P µ 3σ < X < µ + 3σ = P 3 < Z < 3 0, 99 ; P[ Z z] P[ Z z] P[ Z z] P[ Z z] < = 0, 3336 > = 0, 3336 < = 0, 3336 < = 0, 6664 pelo que consultando a tabela se obtém z : z = 0, 43 z = 0, 43; P[ Z < z] = 0, 988. Pela tabela obtém-se z = 2, 26 ; P[ Z z] P[ Z z] P[ Z z] > = 0, 484 < = 0, 484 < = 0, 56 pelo que consultando a tabela se obtém z = 0, 04. Raul Laureano 59
35 BIBLIOGRAFIA CONSULTADA Guimarães, Rui e Cabral, José (997) Estatística, Edição Revista, McGraw-Hill. Maroco, João e Bispo, Regina (2003) Estatística aplicada às ciências sociais e humanas, Manuais Universitários, Climepsi Editores. Murteira, Bento, Ribeiro, Carlos, Silva, João e Pimenta, Carlos (2002) Introdução à Estatística, McGraw-Hill. Pedrosa, António e Gama, Sílvio (2004) Introdução Computacional à Probabilidade e Estatística, Porto Editora. Pinto, J. Carlos e Curto, J. (999) Estatística para Economia e Gestão Instrumentos de Apoio à Tomada de Decisão, Edições Sílabo. Ramos, Madalena (2004) Acetatos sobre Probabilidades e Distribuição Normal para apoio às cadeiras de Estatística, ISCTE, não publicado. Reis. Elizabeth, Melo, Paulo, Andrade, Rosa e Calapez, Teresa (200) Estatística Aplicada, Vol., 4ª Edição Revista, Edições Sílabo. Reis. Elizabeth, Melo, Paulo, Andrade, Rosa e Calapez, Teresa (2003) Exercícios de Estatística Aplicada, Vol., Edições Sílabo. Raul Laureano 60
36 TABELAS ESTATÍSTICAS DISTRIBUIÇÃO NORMAL PADRÃO (OU REDUZIDA OU STANDARD) (Função de distribuição) 2 t z X n( µ = 0; σ = ) F ( Z ) = P[ Z z] =. e 2 dt 2π z 0,00 0,0 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0,5000 0,5040 0,5080 0,520 0,560 0,599 0,5239 0,5279 0,539 0,5359 0, 0,5398 0,5438 0,5478 0,557 0,5557 0,5596 0,5636 0,5675 0,574 0,5753 0,2 0,5793 0,5832 0,587 0,590 0,5948 0,5987 0,6026 0,6064 0,603 0,64 0,3 0,679 0,627 0,6255 0,6293 0,633 0,6368 0,6406 0,6443 0,6480 0,657 0,4 0,6554 0,659 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879 0,5 0,695 0,6950 0,6985 0,709 0,7054 0,7088 0,723 0,757 0,790 0,7224 0,6 0,7257 0,729 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,757 0,7549 0,7 0,7580 0,76 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852 0,8 0,788 0,790 0,7939 0,7967 0,7995 0,8023 0,805 0,8078 0,806 0,833 0,9 0,859 0,886 0,822 0,8238 0,8264 0,8289 0,835 0,8340 0,8365 0,8389,0 0,843 0,8438 0,846 0,8485 0,8508 0,853 0,8554 0,8577 0,8599 0,862, 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,880 0,8830,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,905,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,95 0,93 0,947 0,962 0,977,4 0,992 0,9207 0,9222 0,9236 0,925 0,9265 0,9279 0,9292 0,9306 0,939,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,948 0,9429 0,944,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,955 0,9525 0,9535 0,9545,7 0,9554 0,9564 0,9573 0,9582 0,959 0,9599 0,9608 0,966 0,9625 0,9633,8 0,964 0,9649 0,9656 0,9664 0,967 0,9678 0,9686 0,9693 0,9699 0,9706,9 0,973 0,979 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,976 0,9767 2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,982 0,987 2, 0,982 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857 2,2 0,986 0,9864 0,9868 0,987 0,9875 0,9878 0,988 0,9884 0,9887 0,9890 2,3 0,9893 0,9896 0,9898 0,990 0,9904 0,9906 0,9909 0,99 0,993 0,996 2,4 0,998 0,9920 0,9922 0,9925 0,9927 0,9929 0,993 0,9932 0,9934 0,9936 2,5 0,9938 0,9940 0,994 0,9943 0,9945 0,9946 0,9948 0,9949 0,995 0,9952 2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,996 0,9962 0,9963 0,9964 2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,997 0,9972 0,9973 0,9974 2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,998 2,9 0,998 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986 3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990 3, 0,9990 0,999 0,999 0,999 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993 3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995 3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997 3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998 z F(z) 2 [ - F(z) ],282,645,960 2,326 2,576 3,090 3,29 3,89 4,47 0,90 0,95 0,975 0,99 0,995 0,999 0,9995 0, , ,20 0,0 0,05 0,02 0,0 0,002 0,00 0,000 0,0000 Raul Laureano 6
3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia 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 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 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 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 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
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia 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 maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição
Leia maisESTATÍSTICA TÓPICO 7 VARIÁVEL ALEATÓRIA DISCRETA / DISTRIBUIÇÃO BINOMIAL / DISTRIBUIÇÃO NORMAL
ESTATÍSTICA TÓPICO 7 VARIÁVEL ALEATÓRIA DISCRETA / DISTRIBUIÇÃO BINOMIAL / DISTRIBUIÇÃO NORMAL VARIÁVEIS ALEATÓRIAS Como já vimos no estudo das probabilidades, o conjunto de todos os possíveis resultados
Leia 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 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 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 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 maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia 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 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 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 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 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 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 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 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 mais1 Introdução. 2 Variáveis Aleatórias Discretas (VAD)
Prof. Janete Pereira Amador 1 1 Introdução Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações podem ser descritas por uma variável
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 maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia 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 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 maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
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 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 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 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 maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
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 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 maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
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 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 maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
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. VARIÁVEIS ALEATÓRIAS
3. VARIÁVEIS ALEATÓRIAS 011 Variável aleatória é o espaço amostral de um eperimento aleatório. Uma variável aleatória,, é uma função que atribui um número real a cada resultado em. Eemplo. Retira-, ao
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 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 mais1 Variáveis Aleatórias
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
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 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 maisJanete Pereira Amador 1
Janete Pereira Amador 1 1 Introdução Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações podem ser descritas por uma variável
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 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 maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia 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 maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia 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 maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Variável aleatória É uma função, com propriedades especiais, que transforma eventos em números,
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 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 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 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 maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia 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 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 maisESTATÍSTICA I Variáveis Aleatórias Variáveis Aleatórias Discretas. Helena Penalva 2006/2007
ESTATÍSTICA I Variáveis Aleatórias 1 Definição: A uma função X de domínio Ω com valores em Ñ X:Ω Ñ, ω X(ω)=x, chamamos variável aleatória (v.a.) em Ω. Ao contradomínio da função X, designaremos por V X
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições de Probabilidade 2007/2008 1 / 31 Introdução Introdução Já vimos como caracterizar
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
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 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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
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 maisDistribuições de Probabilidade
Distribuições de Probabilidade 7 6 5 4 3 2 1 0 Normal 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Temperatura do ar 20 18 16 14 12 10 8 6 4 2 0 Assimetrica Positiva 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Precipitação
Leia 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 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 maisPROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES
PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável Aleatória
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
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 maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
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 maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
Leia 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 maisVariável aleatória. O resultado de um experimento aleatório é designado variável aleatória (X)
Variável aleatória O resultado de um experimento aleatório é designado variável aleatória (X) Função densidade de probabilidade A função densidade de probabilidade associa cada possível valor da variável
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 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 maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
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 maisNome: N o : Espaço reservado a classificações
ESTATÍSTICA I 2 o Ano/Gestão 1 o Semestre Época Normal Duração: 2 horas 1 a Parte Teórica N o de Exame: abcde 03.Jan.11 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação: 8 valores).
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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/ Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
Leia mais