2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6:

Tamanho: px
Começar a partir da página:

Download "2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6:"

Transcrição

1 Lsta de Exercícos - Probabldade INE 700 GABARITO LISTA DE EXERÍIOS PROBABILIDADE ) Vamos medr o tempo de duração da lâmpada. Ao lgarmos a lâmpada ela pode não funconar, ou durar um tempo ndetermnado. a) = {tempo, tempo 0). b) E = {8h tempo 70h} E = {tempo < 00h} E 3 = {tempo > 00h} E E = {8h tempo < 00h} E E 3 = {00h < tempo 70h} ) omo há tpos de peso, e estamos avalando peças, o espaço amostral será uma matrz x : (, ) (, 0) (, ) (, 0) (, ) (, ) 0) ) 0) ) (, ) (, 0) (, ) (, 0) (, ) (, ( 0, ) ( 0, 0) ( 0, ) ( 0, 0) ( 0, ) ( 0, (, ) (, 0) (, ) (, 0) (, ) (, ( ) ( 0) ( ) ( 0) ( ) ( a) X = Y: { (,) (0,0) (,) (0,0) (, ) ( } b) (, 0) (, ) (, 0) (, ) (, ) 0) ) (, 0) (, ) (, Y X ( 0, ) ( 0, (, c) Y = X : { (, 0) (0, 0) (, } d) X = Y 0 : { (, ) (0, 0) (, ) (0, } e) [(X + Y)/] < 0 : { (,) (,0) (,) (,0) (,) (, (0,) (0,0) (0,) (0,0) (0,) (,) (,0) (,0) (,0) (0,) (0,0) (0,) (,) (,0) () } A = aberto B = aberto = aberto A = fechado B = fechado = fechado Há 3 semáforos, o espaço amostral precsa nclur todas as combnações possíves: A B A B A B A B A B A B A B A B ) Dos eventos são mutuamente exclusvos quando não podem ocorrer smultaneamente. Os eventos das letras a, b, c, f e h são mutuamente exclusvos. ) Neste caso temos nteresse na SOMA das faces. a) = {, 3,,,, 7, 8, 9, 0,, } b) b. E = {, 3,, } b. E = {,,, 8, 0, } b.3 E 3 = {3,, 7, 9, } b. E = {, 7, 8, 9, 0,, } b. E E = {, 8, 0, } b. E = c) Não. As somas, 7, e 8 têm maor probabldade de ocorrer por haver maor número de combnações de faces. ) a) = {0,,,...} Se não conhecemos o número total de peças produzdas o espaço amostral é nfnto numerável. b) b. E = {0} b. E = {3,,...} b.3 E 3 = {,, 3,...} b E = E = {,, 3,...}

2 b. E = E E 3 = {3,,...} = E b. E = E = {0,, } b.7 E 7 = E E E E = {, } Lsta de Exercícos - Probabldade 7) a) = {(Fgura Vermelha), (Fgura Preta), (Número Vermelha), (Número Preta)} b) Ganhar = {[(Fgura Vermelha) (Fgura Vermelha)], [(Fgura Preta) (Fgura Preta)] 8) Nos 3 casos cada resultado dos respectvos espaços amostras tem a mesma probabldade de ocorrênca. a) Em um baralho de cartas há ases, então: P( ás) = n ases /n = / = /3 = 0,077 (7,7%). b) Supondo um dado comum, de faces, não vcado. Há 3 faces pares: P(face par) = n faces pares / n = 3/ = ½ = 0, (0%). c) A moeda será lançada 3 vezes, e queremos que o prmero resultado seja cara E o segundo E o tercero. P(3 caras) = P(cara ª cara ª cara 3ª ) Se a moeda é honesta, cada resultado é INDEPENDENTE dos demas, resultando: P(3 caras) = P(cara ª) P(cara ª) P(cara 3ª ) Novamente, se a moeda é honesta, cara e coroa têm a mesma probabldade de ocorrer nos 3 lançamentos: P(3 caras) = (/) (/) (/) = (/8) = 0, (,%). 9) Há 3 resultados possíves: (, ) (, ) (, (, ) (, ) (, ) (, ) (, ) (, (, ) (, ) (, ) ( 3, ) ( 3, ) ( 3, ( 3, ) ( 3, ) ( 3, ) (, ) (, ) (, (, ) (, ) (, ) (, ) (, ) (, (, ) (, ) (, ) (, ) (, ) (, (, ) (, ) (, ) a) Soma dos dados = múltplo de 3 = {3 9 } Estes resultados são mutuamente exclusvos: não há ntersecção entre eles: a probabldade de ocorrênca da unão deles é apenas a soma das probabldades ndvduas: P{3 9 } = P( + P() + P(9) + P() Há resultados em que a soma é 3, há em que a soma é, há em que a soma é 9, e há em que a soma é : P{3 9 } = (/ + (/ + (/ + (/ = /3 = /3 = 0,3333 (33,33%). b) É o complementar do evento descrto em a): P{ 3 9} P{ 39} = - /3 = /3 = 0,7 (,7%). c) Soma < = { 3 }. Novamente os eventos são mutuamente exclusvos. P{ 3 } = P() + P( + P(). Há resultado em que a soma é, há em que a soma é 3, e há 3 em que a soma é. P{ 3 } = /3 + /3 + 3/3 = /3 = / = 0,7 (,7%). d) É o complementar do evento descrto em c): P{ 3 } P{ 3 } = -/ = / = 0,833 (83,3%). e) Soma par: há 8 resultados em que a soma é par. P(soma par) = 8/3 = / = 0, (0%). f) aso de probabldade condconal. Supõe-se que a soma é par, e queremos saber a probabldade de que a soma seja menor do que : P(soma soma par) P(soma soma par) P(soma par) Soma < soma par = {(,) (, (, ) (3, )} => Há resultados. Da letra e sabemos que o evento soma par tem 8 resultados. P(soma < soma par) = (/ / (8/ = /8 = /9 = 0, (,%). g) aso de probabldade condconal, o nverso da letra f. Supõe-se que a soma é menor do que, e

3 Lsta de Exercícos - Probabldade 3 queremos saber a probabldade de que seja par. P(soma par soma ) P(soma par soma ) P(soma ) omo a ntersecção é comutatva podemos usar a probabldade obtda em f, e P(soma <) vem da letra c: P(soma par soma <) = (// (/ = / = /3 = 0,7 (,7%) h) Soma menor do que E par: ntersecção de eventos. A probabldade fo calculada em f. P(soma < soma par) = /3 = /9 = 0, (,%). ) Soma menor do que OU par: unão de eventos. Observe que os dos eventos PODEM ocorrer smultaneamente, o que exge descontar a ntersecção: pode haver soma de faces menor do que E par, conforme vsto na letra h: P(soma < soma par) = P(soma < ) + P(soma par) P(soma < soma par) = /3 + 8/3 /3 = 0/3 = /9 = 0, (,%). 0) Use as freqüêncas para obter o número de resultados assocado a cada evento. Mulheres = 0 Homens = 0 Mestrado = 7 Doutorado = 33 Mulheres Mestrado = Mulheres Doutorado = 8 Homens Mestrado = Homens Doutorado = Total = 00 a) P(Mestre) = 7/00 = 0,7 b) P(Homem) = 0/00 = 0, c) d) P (Homem Mestre) P (Mestre Homem) P(Homem Mestre) / 00 P(Mestre) 7 / 00 7 P(Mestre Homem) / 00 P(Homem) 0 / 00 0 e) P(Mestre Homem) = /00 = 0,. f) P(Mestre Homem) = P(Mestre) + P(Homem) P(Mestre Homem) = 7/00 + 0/00 /00 = 8/00 = 0,8 g) P(Mestre Homem) P(Doutor Homem) / 00 0, h) P(Mestre Mulher) P(Doutor Mulher) P(Doutor) P(Mulher) P(Doutor Mulher) = 33/00 + 0/00-8/00 = /00 = 0, ) a) = {,, 3,,,, 7, 8, 9, 0} ada evento tem a mesma probabldade = /0. b) b. E = {,,, 8, 0} b. E = {, 3,, 7, 9} b.3 E 3 = {, } b. E = {E E } = b. E = E E 3 = {} b. E = E E 3 = {}. ) a) = {A, B, Branco-Nulo} P(A) = 0,30 P(B) = 0,0 P(Branco-Nulo) = 0,0 b) P(A B), sendo que A e B são mutuamente exclusvos. P(A B) = P(A) + P(B) = 0,3 + 0, = 0,8 Procedmento semelhante ao do exercíco 0. a) P(usa programa) = 78/0 b) P(º grau) = /0 c) P( ograu) P( ograu ) 7/0 d) P(usa programa º grau) = /0 e) P(usa programa ograu) 3/ 0 / 0 f) P(usa programa º grau) = P(usa programa º grau)/ P(º grau) = (/0)/(/0) = / g) P(º grau usa programa) = P(º grau usa programa)/ P(usa programa) = (/0)/(78/0) = /78 ) a) P(verde) = n verde /n = /0 b) P(azul) = n azul /n = 0/0 c) P(azul verde) = P(azul) + P(verde) = 0/0 + /0 = /0 (azul e verde são mutuamente exclusvos). d) P (vermelha ) = P(vermelha) = /0 = 3/0 e) P(vermelha verde) = P(vermelha) + P(verde) = /0 + /0 = 0/0 (vermelha e verde são

4 Lsta de Exercícos - Probabldade mutuamente exclusvos). f) P(amarela) = zero (pos não há bola amarela na urna). g) P (amarela) P(amarela ) 0 h) P(verde vermelha) P(verde) / 0 ) P (verde amarela) P(verde) P(amarela) P(verde amarela) P(verde) P(amarela) P(verde) ) a) a. P(ambas = ) = nfaces /n = /3 a. P(ambas pares) = nfaces pares/n = 9/3 = ¼ a.3 P(ambas= ambas pares)= P(ambas= ambas pares)/ P(ambas pares) = (// (9/ = /9 b) b. P(todas = ) = nfaces/n = / / / = / b. P(todas pares) = P(par par par) = 3/ 3/ 3/ = 7/ (eventos ndependentes) b.3 P(todas = todas pares) = P(todas = todas pares)/ P(todas pares) = (/)/(7/) = /7 ) a) P(Falha Falha Falha3 Falha) = P(Falha) P(Falha) P(Falha P(Falha) = 0,0 0,0 0,0 0, = 0,00000 (os eventos são ndependentes). b) P(nenhuma falha) = P(Opera Opera Opera3 Opera) = (os eventos são ndependentes) P(Opera) P(Opera) P(Opera P(Opera) = (-0,0) (-0,0) (-0,0) (-0,) = 0,89 7) a)há cartas vermelhas P(V V) = P(V) P(V V) = (/) (/) = 0, b) Há 3 cartas de paus, P(Paus Paus) = P(Paus) P(Paus Paus) = (3/) (/) = 0,08 c) Há fguras, P(Fgura Fgura) = P(Fgura) P(Fgura Fgura) = (/) (/) = 0,090 d) P[(Paus opas) (opas Paus)] = P(Paus opas) + P(opas Paus) (eventos Mutuamente exclusvos.) = P(Paus) P(opas Paus) + P(opas) P(Paus opas) = (3/) (3/) + (3/) (3/) = 0,7 8) Onde está o valor substtur por, pos há reposção. 9) P(lnha da normal) = 0,7 P(lnha da chuva) = 0, P(ocupado lnha) = / P(da chuva) = 0, a) Lgação completa = [( da normal lnha ocupado) (da chuva lnha ocupado)] Os eventos acma são mutuamente exclusvos: P(da normal) P(lnha da normal) P(ocupado lnha) P(lgação completa) P(da chuva) P(lnha da chuva) P(ocupado lnha) P(lgação completa) = 0,9 0,7 (0/) + 0, 0, (0/) = 0,333 b) P(da chuva lgação completa) = P(da chuva lgação completa) / P(lgação completa) = [0, 0, (0/)] / 0,333 = 0,037 0) Procedmento semelhante ao do problema 0. a) P(conhecdo furto) = (0/000) / (0/000) = 0/0 b) P(conhecdo furto) = 0/000 c) P(furto conhecdo) = P(furto) + P(conhecdo) P(furto conhecdo) = 0/ /000 0/000 = 8/000 d) P(furto furto) = (0/000) (0/000) = 0,037 (eventos ndependentes). e) P(estranho homcído) = P(estranho homcído) / P(homcído) = (/000) / (9/000) = /9 f) P(gnorado gnorado) = (9/000) (9/000) = 0,0 (eventos ndependentes). ) P(HIV rsco) = 0, P(HIV normal) = 0,003 P(rsco) = 0,0 P(normal) = 0,9 P(detecta HIV) 0,9 P(não detecta HIV) = 0,0

5 P(não detecta não HIV) = 0,9 P(não detecta HIV) = 0,0 onstrundo a árvore de probabldades: Iníco 0,9 0,0 Normal Rsco 0,003 0,997 0, 0,9 Lsta de Exercícos - Probabldade a) P(detecta HIV normal) = P[(normal HIV detecta) (normal não HIV detecta)] os dos eventos são mutuamente exclusvos. = 0,9 0,003 0,9 + 0,9 0,997 0,0 = 0,009 b) P(detecta HIV rsco) = P[(rsco HIV detecta) (rsco não HIV detecta)] os dos eventos são mutuamente exclusvos. = 0,0 0, 0,9 + 0,0 0,9 0,0 c) P[(normal não HIV detecta) (normal HIV não detecta) (rsco não HIV detecta) (rsco HIV não detecta)] = 0,9 0,997 0,0 + 0,9 0,003 0,0 + 0,0 0,9 0,0 + 0,0 0, 0,0 = 0,0 os quatro eventos são mutuamente exclusvos. d) P[HIV (detecta rsco)] = P(HIV detecta rsco)/ P[(rsco HIV detecta) (rsco não HIV detecta)] = (0,0 0, 0,9) / 0,0 = 0,78 e) P[não HIV (não detecta normal) = P(não HIV não detecta normal)/ P[(normal não HIV não detecta) (normal HIV detecta)] = 0,9 0,997 0,9/ (0,9 0,997 0,9 + 0,9 0,003 0,0) = 0,9998. Nos problemas a é precso usar análse combnatóra para calcular o número de resultados assocados a cada evento. Em TODOS os casos há mportânca apenas da natureza dos elementos, devendo ser usadas combnações. 0,9 0,0 0,0 0,9 0,9 0,0 0,0 0,9 ) a) P( mesmo grupo) = P[( ª ) ( ª - ª) ( ª - 7ª)] Os 3 eventos são mutuamente exclusvos, não havendo ntersecção entre eles: P( mesmo grupo) = 0, /, + 0, /, +, /, b) P( cada grupo) = P[( ª) ( ª - ª) ( ª - 7ª)]= 0,, ) /, HIV Não HIV HIV Não HIV Detecta Não detecta Detecta Não detecta Detecta Não detecta Detecta Não detecta

6 c) P[( ª) ( ª - ª) ( ª - 7ª)] = 0,, ) /, d) P( ª - ª mesmo grupo) = P( ª - ª)/ P( mesmo grupo) = ( 0, /, ) / /, + 0, /, +, /, ) Lsta de Exercícos - Probabldade a) P(3 ) = P( + P() + P() (pos os eventos são mutuamente exclusvos) 0, 3 0, 0, 0, 0, 0, b) P(3 ) = P( + P() + P() c) P(3 ) = P( + P() + P() 0,, 3, 3 0, 9,, 90, 0,,, 0, 9,, 90, ) a) P(Você Amgo ) = (, 8, )/ 00, b) P(Você ) =, / 00, c) P(Amgo ) = 8, / 00, d) P(Nenhum prêmo) = 87, / 00, e) P[(Você Amgo 0) (Você 0 Amgo )] = P (Você Amgo 0) + P (Você 0 Amgo ) Pos os eventos são mutuamente exclusvos., 8, 0 87, 3, 0 8, 87, 3 P[(Você Amgo 0) (Você 0 Amgo )] ) a) 0 homens, 30 mulheres, vagas - P(apenas homens) = 0, / - P(apenas mulheres) = / - P(maora homens) = P (3 homens homens homens) eventos mutuamente exclusvos 0, 3 0, 0, P(maora homens) = - P(maora mulheres) = P (3 mulheres mulheres mulheres) eventos mutuamente exclusvos 3 0, 0, P(maora mulheres) = - P( homens mesmo sexo) = P( homens)/ P( homens mulheres) eventos mutuamente exclusvos no denomnador. 0, / 70, P( homens mesmo sexo) = / / 00, 0, b) 0 homens, 30 mulheres, vagas - P(apenas homens) = 0, / - P(apenas mulheres) = / - P(maora homens) = P ( homens homens homens) eventos mutuamente exclusvos 0, 0, 0, P(maora homens) = - P(maora mulheres) = P ( mulheres mulheres mulheres) eventos mutuamente exclusvos 0, 0, P(maora mulheres) = - P(3 mulheres) = ( 3 0,3 ) /, 0,, 9, 00,

7 Lsta de Exercícos - Probabldade 7 - P( mulheres mesmo sexo) = P( mulheres)/ P( homens mulheres) eventos mutuamente exclusvos no denomnador. / 70, P( mulheres mesmo sexo) = / / 0, ) a) Sm, a soma das respostas é gual a,0. b) Méda = x p(x ) = (0 0,0) + ( 0,) + ( 0,37) + (3 0,) + ( 0,0) =,0 Varânca = x p(x ) x p(x ) = 0, Desvo padrão = varânca 0, 0, 33 7) a) Sm, a soma das probabldades é gual a. b) Méda = x p(x ) Desvo padrão = varânca, 3, =,8 Varânca = x p(x ) x p(x ) =,3 8) P(A em TGA) = 0,8 P(Não A em TGA) = 0, P(A em Mat.) = 0, P(Não A em Mat.) = 0, a) P(A em TGA A em Mat.) = P(A em TGA) P(A em Mat.) = 0,8 0, = 0,3 (eventos ndependentes) b) P(Não A em TGA Não A em Mat.) = P(Não A em TGA) P(Não A em Mat.) = 0, 0, = 0, (novamente, os eventos são ndependentes). c) P(A em TGA Não A em Mat.) = P(A em TGA) P(Não A em Mat.) = 0,8 0, = 0,8 (novamente os eventos são ndependentes). 9) Podemos construr uma árvore probabldades:

8 Lsta de Exercícos - Probabldade 8 X = {0,,, 3} Basta calcular as probabldades para cada valor (3,,, 0). ada aluno é ndependente dos outros. P(X = = P(A resolve B resolve resolve) = P(A resolve) P(B resolve) P( resolve) = / /3 3/7 = 0,8 P(X = ) = P[(A resolve B resolve não resolve) (A resolve B não resolve resolve) (A não resolve B resolve resolve)] eventos mutuamente exclusvos: = / /3 /7 + / /3 3/7 + / /3 3/7 = 0,7 P(X = ) = P[(A resolve B não resolve não resolve) (A não resolve B resolve não resolve) (A não resolve B não resolve resolve)] eventos mutuamente exclusvos: = / /3 /7 + / /3 /7 + / /3 3/7 = 0,7 P(X = 0) = P(A não resolve B não resolve não resolve) = / /3 /7 = 0,038 X 0 3 p 0,038 0,7 0,7 0,8 b) Procedmento semelhante ao dos problemas e 7.

9 Lsta de Exercícos - Probabldade 9 Procedmento semelhante ao do problema 9. ) = (0 0, + ( 0,) + ( 0,) =7 das (centro de massa) a) E(X) = x p(x b) V(X) = x p(x ) x p(x ) Desvo padrão = = (0 0, + ( 0,) + ( 0,) 7 V(X) Podemos defnr a varável aleatóra X = número de recém-nascdos homens, que pode assumr os valores: 0,,, 3,,,, 7, 8. omo não há nenhuma nformação préva podemos consderar que a probabldade de que o recém-nascdo seja homem é 0,, e de que seja mulher é o seu valor complementar, também 0,. Podemos também consderar que os sexos dos recém-nascdos são ndependentes. a) P(X = 8) = P(8 homens) = P(º H º H 3º H º H º H º H 7º H 8º H) = = 0, 0, 0, 0, 0, 0, 0, 0, = 0, 8 = 0,0039 b) P(pelo menos uma mulher) = P(X 7) = - P(X > 7) = - P(X = 8) = - 0,0039 = 0,99 c) P(exatamente 3 homens). Então 3 serão homens e serão mulheres: de quantas maneras dferentes podemos ter uma seqüênca de 8 recém-nascdos em que 3 são homens? Podemos resolver por combnações: 8,3. Este valor será multplcado pelas probabldades de que 3 sejam homens e sejam mulheres: P(X = = 8,3 P(º H º H 3º H º M º M º M 7º M 8º M) (esta é apenas uma das combnações possíves, e lembre-se que os eventos são ndependentes):

10 Lsta de Exercícos - Probabldade 0 P(X = = 8,3 0, 3 0, = 0,87. d) P(ao menos 3 homens) = P(X = P(X < = - P(X = 0) P(X = ) P(X = ). Para encontrar P(X = ) e P(X = ) precsamos usar um racocíno semelhante ao vsto na letra c: precsamos encontrar 8, e 8,. Posterormente, obter as probabldades assocadas às seqüêncas com ou homens. P(X = ) = 8, P(º H º M 3º M º M º M º M 7º M 8º M) (esta é apenas uma das combnações possíves, e lembre-se que os eventos são ndependentes): P(X = ) = 8, 0, 0, 7 P(X = ) = 8, P(º H º H 3º M º M º M º M 7º M 8º M) (esta é apenas uma das combnações possíves, e lembre-se que os eventos são ndependentes): P(X = ) = 8, 0, 0, 7 P(X = 0) = P(8 mulheres) = P(º M º M 3º M º M º M º M 7º M 8º M) = 0, 8 Então: P(X = - 0, 8-8, 0, 0, 7-8, 0, 0, 7 = 0,88 e) Para calcular a méda (valor esperado) é precso obter as probabldades assocadas a cada valor de X, e então usar a expressão do problema 3, letra a. Vamos obter que a méda vale. f) O valor de X que apresentará a maor probabldade será, que será o valor mas provável. Neste caso, valor mas provável e méda concdram, mas sso NEM SEMPRE ocorre. Uma árvore de probabldades completa sera gual a: 3 a) ontínua, medda em metros, pode assumr números valores. b) Dscreta, vara de 0 a 30. c) Dscreta, podemos ter 0,,,... carros. d) ontínua, medda em toneladas, pode assumr números valores. e) ontínua, meddo em undades monetáras (com centavos) pode assumr números valores. Se varáves aleatóras X e Y são ndependentes então: E(X + Y) = E(X) + E(Y) e V(X + Y) = V(X) + V(Y) a) Lucro esperado total = = Desvo padrão total = varânca total = 7,7 b) Não, porque para calcular a varânca total é precso haver ndependênca entre as varáves, para que possamos somar suas varâncas ndvduas.

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

PROBABILIDADE - CONCEITOS BÁSICOS

PROBABILIDADE - CONCEITOS BÁSICOS ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo

Leia mais

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013)

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013) Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,

Leia mais

Notas de Aula de Probabilidade A

Notas de Aula de Probabilidade A VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

Variável discreta: X = número de divórcios por indivíduo

Variável discreta: X = número de divórcios por indivíduo 5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Análise Descritiva com Dados Agrupados

Análise Descritiva com Dados Agrupados Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas

Leia mais

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um). INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral. DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou

Leia mais

Teoria Elementar da Probabilidade

Teoria Elementar da Probabilidade 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo

Leia mais

2. VARIÁVEIS ALEATÓRIAS

2. VARIÁVEIS ALEATÓRIAS VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo

Leia mais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais 30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

FAAP APRESENTAÇÃO (1)

FAAP APRESENTAÇÃO (1) ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,

Leia mais

Lista de Exercícios. 2 Considere o número de aparelhos com defeito na empresa Garra durante 50 dias.

Lista de Exercícios. 2 Considere o número de aparelhos com defeito na empresa Garra durante 50 dias. Classque as varáves: Faculdade Ptágoras / Dvnópols-MG Curso: Pscologa Dscplna: Estatístca Aplcada à Pscologa Lsta de Eercícos a) número de peças produzdas por hora; b) dâmetro eterno da peça; c) número

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero

Leia mais

PROBABILIDADE. 3) Jogando-se dois dados, qual a probabilidade de que a soma dos pontos obtidos seja menor que 4?

PROBABILIDADE. 3) Jogando-se dois dados, qual a probabilidade de que a soma dos pontos obtidos seja menor que 4? Segmento: ENSINO MÉDIO Dscplna: MATEMÁTICA Tpo de Atvdade: LISTA DE EXERCÍCIOS Prof. Marcelo 06/2016 Turma: 3 A PROBABILIDADE 1) No lançamento de um dado, determnar a probabldade de se obter: a) o número

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

DECISÃO SOB INCERTEZA

DECISÃO SOB INCERTEZA PPGE/UFRGS - Prof. Sabno Porto Junor 19/10/2005 Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br 1 Introdução

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise de Variância. Comparação de duas ou mais médias Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

Probabilidade e Modelos Probabilísticos

Probabilidade e Modelos Probabilísticos Probabilidade e Modelos Probabilísticos 1ª Parte: Conceitos básicos, variáveis aleatórias, modelos probabilísticos para variáveis aleatórias discretas, modelo binomial, modelo de Poisson 1 Probabilidade

Leia mais

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

3 a Lista de PE Solução

3 a Lista de PE Solução Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

Leia mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto

Leia mais

INTRODUÇÃO À PROBABILIDADE

INTRODUÇÃO À PROBABILIDADE INTRODUÇÃO À ROBABILIDAD Conetos básos xpermento aleatóro ou fenômeno aleatóro Stuações ou aontementos ujos resultados não podem ser prevstos om erteza. Um expermento ou fenônemo que, se for observado

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas

Leia mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

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

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

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

Estatística Empresarial. Fundamentos de Probabilidade

Estatística Empresarial. Fundamentos de Probabilidade Fundamentos de Probabilidade A probabilidade de chuva é de 90% A probabilidade de eu sair é de 5% Conceitos Básicos Conceitos Básicos 1. Experiência Aleatória (E) Processo de obtenção de uma observação

Leia mais

DISTRIBUIÇÕES NORMAL E BINOMIAL CORRELAÇÃO LINEAR Estatística. HERCULES SARTI Mestre

DISTRIBUIÇÕES NORMAL E BINOMIAL CORRELAÇÃO LINEAR Estatística. HERCULES SARTI Mestre DISTRIBUIÇÕES NORMAL E BINOMIAL CORRELAÇÃO LINEAR Estatístca HERCULES SARTI Mestre Dstrbução Normal Dstrbução Normal 270 240 210 180 150 120 90 60 30 0 0 1 2 3 4 5 6 7 8 9 10 1 3 0 0 0 1 2 0 0 0 1 1 0

Leia mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia mais

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

Estatística Espacial: Dados de Área

Estatística Espacial: Dados de Área Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. IV Análise estatística de incertezas aleatórias TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 ) DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco

Leia mais

Estatística Aplicada. Prof. Carlos Alberto Stechhahn EXERCÍCIOS - REVISÃO ESPAÇO AMOSTRAL - EVENTOS PROBABILIDADE. Administração. p(a) = n(a) / n(u)

Estatística Aplicada. Prof. Carlos Alberto Stechhahn EXERCÍCIOS - REVISÃO ESPAÇO AMOSTRAL - EVENTOS PROBABILIDADE. Administração. p(a) = n(a) / n(u) Estatística Aplicada Administração p(a) = n(a) / n(u) EXERCÍCIOS - REVISÃO ESPAÇO AMOSTRAL - EVENTOS PROBABILIDADE Prof. Carlos Alberto Stechhahn 2014 1. Tema: Noções de Probabilidade 1) Considere o lançamento

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

Variáveis Aleatórias

Variáveis Aleatórias Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades

Leia mais

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

CAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade

CAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade CAPÍTULO 4 - Varáves aleatóras e dstrbuções de probabldade Conceto de varável aleatóra Uma função cujo valor é um número real determnado por cada elemento em um espaço amostral é chamado uma varável aleatóra

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

3 Algoritmos propostos

3 Algoritmos propostos Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos

Leia mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Estatística: Probabilidade e Distribuições

Estatística: Probabilidade e Distribuições Estatística: Probabilidade e Distribuições Disciplina de Estatística 2012/2 Curso: Tecnólogo em Gestão Ambiental Profª. Ms. Valéria Espíndola Lessa 1 Aula de Hoje 23/11/2012 Estudo da Probabilidade Distribuição

Leia mais

COLEÇÃO DARLAN MOUTINHO VOL. 01 RESOLUÇÕES

COLEÇÃO DARLAN MOUTINHO VOL. 01 RESOLUÇÕES COLEÇÃO DARLAN MOUTINHO VOL. 0 RESOLUÇÕES Me ta PÁGINA 8 0 0 Havendo apenas bolas verdes e azuis na urna, segue que a resposta é dada por Basta dividirmos o número de ocorrências, pelo número total de

Leia mais

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

Leia mais

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade

Leia mais

Probabilidade e Estatística Probabilidade Condicional

Probabilidade e Estatística Probabilidade Condicional Introdução Probabilidade e Estatística Probabilidade Condicional Em algumas situações, a probabilidade de ocorrência de um certo evento pode ser afetada se tivermos alguma informação sobre a ocorrência

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada

Leia mais

Estatística I Licenciatura MAEG 2006/07

Estatística I Licenciatura MAEG 2006/07 Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual

Leia mais

Variáveis Aleatórias. Probabilidade e Estatística. Prof. Dr. Narciso Gonçalves da Silva

Variáveis 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 mais

PROBABILIDADES PROBABILIDADE DE UM EVENTO EM UM ESPAÇO AMOSTRAL FINITO

PROBABILIDADES PROBABILIDADE DE UM EVENTO EM UM ESPAÇO AMOSTRAL FINITO PROBABILIDADES Probabilidade é um conceito filosófico e matemático que permite a quantificação da incerteza, permitindo que ela seja aferida, analisada e usada para a realização de previsões ou para a

Leia mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

2ª ACTIVIDADE ESCRITA DE MATEMÁTICA A 12.º C 2009 NOVEMBRO 20 Duração da prova: 45 minutos VERSÃO 1. Grupo I

2ª ACTIVIDADE ESCRITA DE MATEMÁTICA A 12.º C 2009 NOVEMBRO 20 Duração da prova: 45 minutos VERSÃO 1. Grupo I ª ATIVIDADE ESRITA DE MATEMÁTIA A.º 009 NOVEMBRO 0 Duração da prova 4 mnutos VERSÃO Grupo I Para cada uma das três questões deste grupo, seleccone a resposta correcta de entre as alternatvas que lhe são

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Aula Características dos sistemas de medição

Aula Características dos sistemas de medição Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS DE REGRESSÃO PARAMÉTRICOS MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da

Leia mais

3. Estatística descritiva bidimensional

3. Estatística descritiva bidimensional 3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão

Leia mais

Associação entre duas variáveis quantitativas

Associação entre duas variáveis quantitativas Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa

Leia mais

PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA

PROBABILIDADE CONDICIONAL E INDEPENDÊNCIA ROILIDDE CONDICIONL E INDEENDÊNCI 04 robabldade ondonal e ndependêna e são dos eventos em um mesmo espaço amostral. probabldade ondonal de dado que oorreu o evento, denotada por, é defnda omo, se 0. Exemplo.

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

Probabilidade - 7/7/2018. Prof. Walter Tadeu

Probabilidade - 7/7/2018. Prof. Walter Tadeu Probabilidade - 7/7/018 Prof. Walter Tadeu www.professorwaltertadeu.mat.br Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado.

Leia mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

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

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

Leia mais

Introdução a Processos Estocásticos:Exercícios

Introdução a Processos Estocásticos:Exercícios lvroexerccos 2017/3/19 11:24 page #1 Introdução a Processos Estocástcos:Exercícos Luz Antono Baccalá Escola Poltécnca da USP Departamento de Engenhara de Telecomuncações e Controle 2016 lvroexerccos 2017/3/19

Leia mais

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min) PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

Disciplina de Estatística Prof. Msc Quintiliano Siqueira Schroden Nomelini LISTA DE PROBABILIDADES

Disciplina de Estatística Prof. Msc Quintiliano Siqueira Schroden Nomelini LISTA DE PROBABILIDADES Disciplina de Estatística Prof. Msc Quintiliano Siqueira Schroden Nomelini LISTA DE PROBABILIDADES 1) Determine a probabilidade de cada evento: a) Um nº par aparece no lançamento de um dado; b) Uma figura

Leia mais

T o e r o ia a da P oba ba i b lida d de

T o e r o ia a da P oba ba i b lida d de Teoria da Probabilidade Prof. Joni Fusinato Teoria da Probabilidade Consiste em utilizar a intuição humana para estudar os fenômenos do nosso cotidiano. Usa o princípio básico do aprendizado humano que

Leia mais

Representação e Descrição de Regiões

Representação e Descrição de Regiões Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são

Leia mais

1. Cinco cartas são extraídas de um baralho comum (52 cartas, 13 de cada naipe) sem reposição. Defina a v.a. X = número de cartas vermelhas sorteadas.

1. Cinco cartas são extraídas de um baralho comum (52 cartas, 13 de cada naipe) sem reposição. Defina a v.a. X = número de cartas vermelhas sorteadas. GET007 Métodos Estatísticos Aplicados à Economia I Lista de Exercícios - variáveis Aleatórias Discretas Profa. Ana Maria Farias. Cinco cartas são extraídas de um baralho comum ( cartas, de cada naipe sem

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Covariância na Propagação de Erros

Covariância na Propagação de Erros Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Probabilidade Condicional (grupo 2)

Probabilidade Condicional (grupo 2) page 39 Capítulo 5 Probabilidade Condicional (grupo 2) Veremos a seguir exemplos de situações onde a probabilidade de um evento émodificadapelainformação de que um outro evento ocorreu, levando-nos a definir

Leia mais