Notas de Aula. tal que, para qualquer ponto (x, y) no plano xy, temos: p XY
|
|
- Elias Dias Taveira
- 6 Há anos
- Visualizações:
Transcrição
1 UNIVERSIDDE FEDERL D BHI INSTITUTO DE MTEMÁTIC DEPRTMENTO DE ESTTÍSTIC v. demar de Barros s/n - Campus de Ondina Salvador B Tel:(071) Fax Mat Probabilidade II Profa. Maristela Notas de ula 1 Variáveis leatórias Conjuntamente Distribuídas té o momento temos nos concentrado no estudo de variáveis aleatórias unidimensionais. Contudo podemos estar interessados em afirmações sobre probabilidades envolvendo duas ou mais variáveis aleatórias. Nosso primeiro interesse nesse curso, portanto, será estudar conjuntamente o comportamento de n v.a. s, por exemplo, X 1, X 2,..., X n. Sendo assim, é sempre conveniente usar a notaçao de vetor X =(X 1, X 2,..., X n ) e se referir a X como um vetor aleatório. Quando a notação de vetor é usada, deve-se ter em mente que, se X é um vetor aleatório.n dimensional, então sua função de distribuição é definida como uma função no espaço n dimensional R n. 2 Distribuições Bivariadas Em muitos experimentos é necessário considerar as propriedades de duas variáveis aleatórias simultaneamente. distribuição de probabilidade conjunta de duas variáveis aleatórias é chamada de uma Distribuição Bivariada. Este conceito será apresentado agora e mais tarde será estendido a mais de duas variáveis aleatórias. 2.1 Distribuições de probabilidade conjuntas caso discreto Suponha que um dado experimento envolve duas variáveis aleatórias X e Y, cada uma com distribuição discreta. Por exemplo, se uma amostra de alunos é selecionada, uma variável aleatória pode ser o número X de pessoas na amostra com mais de 22 anos de idade, e uma outra variável aleatória pode ser o número Y de pessoas que moram a mais de 10Km da Universidade. Se ambas as variáveis aleatórias têm distribuição discreta com um número finito de valores possíveis, então teremos apenas um número finito de diferentes possíveis valores (x, y) para o par (X, Y ). Por outro lado, se ou X ou Y puder assumir um número infinito de valores possíveis, então teremos também um número infinito de valores possíveis para o par (X, Y ). Em qualquer dos casos, é dito que X e Y têm uma distribuição conjunta discreta. função de probabilidade conjunta de X e Y é definida como a função p tal que, para qualquer ponto (x, y) no plano xy, temos: p (x, y) = P (X = x e Y = y). Se o par (x, y) não é um dos valores possíveis do par de variáveis aleatórias(x, Y ), então é claro que p (x, y) = 0. lém disso, se a sequência (x 1, y 1 ), (x 2, y 2 ), (x, y ),... inclui todos os valores possíveis do par (X, Y ), então p (x i, y i ) = 1 Para qualquer subconjunto do plano xy, P [(X, Y ) ] = i=1 (x i,y i) p (x i, y i ) Especificando uma Distribuição Bivariada Discreta por uma Tabela de Probabilidades. distribuição conjunta de duas variáveis aleatórias discretas é uma tabela de dupla entrada que especifica a probabilidade conjunta de X assumir o valor x e Y assumir o valor y. Exemplo 1 Consideremos uma urna contendo 4 bolas pretas (P), 2 bolas brancas (B) e 2 bolas vermelhas (V). Extraímos, sem reposição, duas bolas dessa urna. Sejam: X = número de bolas pretas; Y = número de bolas vermelhas. Ω VV VP VB PV PP PB BV BP BB p 2/56 8/56 4/56 8/56 12/56 8/56 4/56 8/56 2/56 X Y
2 função de probabilidade conjunta de X e Y é especificada na tabela abaixo: caso contínuo X Y 0 2/56 = /56 = /56 = 1 8/56 = /56 = /56 = É dito que duas v.a. s X e Y têm uma distribuição conjunta contínua se existe uma função não negativa f definida sobre todo o plano xy tal que, para qualquer subconjunto do plano: P [(X, Y ) ] = (x, y)dxdy. função f é chamada de função densidade de probabilidade conjunta de X e Y e deve satisfazer as seguintes condições: 1. (x, y) 0 para < x < e < y < ; 2. (x, y)dxdy = 1. probabilidade de que o par (X, Y ) irá pertencer a alguma região específica do plano xy pode ser encontrada pela integração de (x, y) sobre a tal região. Exemplo 2 Suponha que a função densidade conjunta de X e Y seja definida por: { ce (x, y) = x e 2y para 0 < x < e 0 < y < ; 0, caso contrário. Calcule: 1. P (X < 1, Y < 1); 2. P (X < Y ). Exemplo Suponha que a função densidade conjunta de X e Y seja definida por: { cx (x, y) = 2 y para x 2 y 1; 0, caso contrário. Calcule: P (X Y ). 2.2 Distribuições Marginais caso discreto No exemplo 1, para encontrar, por exemplo, P (Y = 0), fixamos y = 0 e percorremos todos os valores de x, somando as respectivas probabilidades, ou seja: P (Y = 0) = P (Y = 0, X = 0) + P (Y = 0, X = 1) + P (Y = 0, X = 2) = = De uma maneira geral, P (Y = y) = x P (Y = y, X = x) e P (Y = y) é chamada de Distribuição Marginal de Y, pois é deduzida a partir da distribuição conjunta de X e Y. nalogamente, a distribuição marginal de X é calculada por: P (X = x) = P (Y = y, X = x). y Ou seja, a distribuição marginal de uma variável aleatória é deduzida a partir da soma da distribuição conjunta sobre todos os valores possíveis da outra variável aleatória.
3 Exemplo 4 função de probabilidade marginal de X no exemplo 1 é dada por: p X (x) = P (X = x) = e sua função distribuição acumulada, é: F X (x) = P (X x) = caso contínuo 0, x < 0, 0 x < 1 11, 1 x < 2 1, x 2, x = 0 4 7, x = 1, x = 2 Se X e Y são v.a. s conjuntamente contínuas, então elas são individualmente contínuas e suas respectivas funções densidades podem ser obtidas da forma a seguir: P {X } = P {X, Y (, )} = (x, y)dydx = f X (x)dx, onde f X (x) = (x, y)dy é a função densidade de probabilidade Marginal de X. De forma análoga, a função densidade Marginal de Y é dada por: f Y (y) = Exemplo: No exemplo 2, encontremos P (X < a) Distribuições Bivariadas Mistas (x, y)dx té agora discutimos distribuições de vetores aleatórios bivariados nos quais as variáveis aleatóras ou eram ambas discretas ou ambas eram contínuas. Ocasionalmente, podemos nos deparar com um vetor bivariado no qual uma coordenada é uma v.a. discreta e a outra é contínua. Nesse caso, a probabilidade de que o par (X, Y ) irá pertencer a uma certa região do plano xy, é então encontrada pelo somatório dos valores da função de distribuição conjunta g(x, Y ) para uma das variáveis, e pela integração de g(x, Y ) para a outra variável. Quando se trata de um vetor aleatório misto, para encontrar a distibuição marginal de cada coordenada devemos fazer o seguinte: supondo que X é discreta e Y é contínua, temos p X (x) = 2. Função de Distribuição Conjunta g(x, y)dy e f Y (y) = x g(x, y). Para quaisquer duas variáveis aleatórias X e Y, definimos a função de distribuição acumulada conjunta de X e Y pela função F tal que, para todos os valores x e y ( < x < e < y < ), temos: F (x, y) = P (X x e Y y). y d c a b x Figura 1: P (a < X b, c < Y d).
4 Se X e Y são duas v.a. s arbitrárias com função de distribuição acumulada F, então a probabilidade de que o par (X, Y ) irá pertencer a algum retângulo específico no plano xy (Figura 1) pode ser obtido, a partir de F, da seguinte forma, para quaisquer números a < b e c < d : P (a < X b, c < Y d) = F (b, d) F (b, c) F (a, d) + F (a, c). E a função de distribuição acumulada Marginal de X pode ser obtida como segue: ( ) F X (x) = P (X x) = P (X x, Y < ) = P lim {X x, Y y} = lim P (X x, Y y) = lim F (x, y). y y y Ou seja, F X (x) F (x, ). Do mesmo modo, F Y (y) F (, y) é a distribuição Marginal de Y. Note que, se X e Y têm distribuição conjunta contínua com função de densidade conjunta, então a função de distribuição conjunta, para quaisquer x e y, é: F (x, y) = x y (s, r)dsdr. (1) qui as variáveis s e r são apenas variáveis de integração. No caso do vetor (X, Y ) ser discreto, F (x, y) é encontrado de forma análoga, considerando o somatório ao invés da integral. densidade conjunta pode ser encontrada, a partir da função de distribuição acumulada conjunta usando a seguinte relação: (x, y) = no ponto (x, y) onde a derivada de segunda ordem exista. 2 x y F (x, y), Exemplo 5 Suponha que as v.a. s X e Y sejam contínuas com funçao de distribuiçao conjunta dada por: 0, se x 0 ou y 0; 1 F (x, y) = 16xy(x + y), se 0 x 2 e 0 y 2; 1, se x 2 e y 2. Encontremos: 1. (x, y) a densidade conjunta de X e Y ; 2. F X (x) e F Y (y) as distribuições marginais de X e de Y ;. f X (x) e f Y (y) as densidades marginais de X e de Y ; pesar das distribuições marginais de X e de Y poderem ser completamente determinadas a partir de sua distribuição conjunta, não é possível reconstruir a sua distribuição conjunta a partir das respectivas distribuições marginais sem uma informação adicional. É importante investigar qual a relação existente entre as v.a. s. 2.4 Independência Dizemos que duas v.a. s X e Y são independentes se para todo par x, y, temos que a distribuição conjunta de X e Y é igual ao produto das respectivas distribuições marginais. Ou seja, se para todo par x, y, temos: F (x, y) = P (X x, Y y) = P (X x).p (Y y) = F X (x).f Y (y) (2) o que significa dizer que os eventos {X x} e {Y y} são independentes para todo par x, y. Equivalentemente, teremos: Caso discreto p (x, y) = P (X = x, Y = y) = P (X = x).p (Y = y) = p X (x).p Y (y) ()
5 2.4.2 Caso contínuo (x, y) = f X (x).f Y (y). (4) Obs.: Para verificar se X e Y são independentes devemos checar (2), () ou (4), conforme o caso, para x, y. Para provar que X e Y não são independentes, basta um contra-exemplo a estas expressões. Exemplo 6 inda no exemplo 1, as variáveis X e Y não são independentes, pois: P (X = 1, Y = 2) = = P (X = 1)P (Y = 2) 7 28 Exemplo 7 Suponha que duas medidas independentes X e Y são feitas da precipitação atmosférica durante um período de tempo numa certa localidade, e que a função densidade de cada medida é: g W (w) = { 2w, se 0 w 1, 0, caso contrário. Determinemos P (X + Y 1). 2.5 Distribuição condicional caso discreto Suponha que X e Y sejam duas variáveis aletórias discretas cuja função de probabildade conjunta é P (X = x, Y = y). Depois de o valor y da variável aleatória Y ter sido observado, a probabilidade de que a variável aleatória X assumirá algum valor x específico, é dada pela seguinte probabilidade condicional: p X Y (x) = P (X = x Y = y) = P (X = x, Y = y) P (Y = y) = p (x, y). (5) p Y (y) Em outras palavras, se é conhecido que Y = y, então a distribuição de X será discreta, dada pelo quociente entre a conjunta de X e Y e a marginal de Y. p X Y (x) é chamada de função de probabilidade condicional de X dada Y. Da mesma forma, p Y X (y) = P (Y = y X = x) = P (X = x, Y = y) P (X = x) = p (x, y) p X (x) Y dada X. Verifiquemos que p Y X (y) realmente representa um função de probabilidade. é a distribuição condicional de Exemplo 8 Considere a função de probabilidade conjunta dada pela tabela do exemplo 1. função de probabilidade condicional de Y dado que X = 0. Vamos determinar a Da tabela, vimos que P (X = 0) =. Portanto, a função de probabilidade procurada será: p Y X=0 (y) = P (X = 0, Y = y) P (X = 0) = P (X = 0, Y = y) Note que, para todos os possíveis valores de y, as probabilidades condicionais p Y X=0 (y) devem ser proporcionais às probabilidades conjuntas P (X = 0, Y = y). Neste exemplo, cada valor de P (X = 0, Y = y) é dividido por simplesmente para que a soma de todos os resultados seja igual a caso contínuo Suponha que X e Y tenham uma distrinuição contínua conjunta com densidade conjunta e densidades marginais f X e f Y respectivamente. Suponha também que o valor Y = y tenha sido observado e que se queira especificar as probabilidades para vários conjuntos possíveis de valores de X. Note que neste caso P (Y = y) = 0 para cada valor y, e que as probabilidades condicionais da forma P ( B) não está definida quando P (B) = 0. fim de ser possível deduzir probabilidades condicionais quando X e Y tenham uma distrinuição contínua conjunta, o conceito de probabilidade condicional será extendido, considerando a definição de condicional dada em (5) e a analogia entre função densidade e função de probabilidade. Seja y um valor dado qualquer para o qual f Y (y) > 0. Então a densidade condicional de X dado que Y = y pode ser definida por: f X Y (x) = f (x, y), para < x <. (6) f Y (y)
6 nalogamente, a densidade condicional de Y dado que X = x pode ser definida por: f Y X (x) = f (x, y) f X (x) para < y <. Verifiquemos que f Y X (y) realmente representa um função de probabilidade. Obs.: Note que (5) foi deduzida, enquanto que (6) foi definida. Exemplo 9 Determinemos a densidade condicional de Y dado que X = x para o exemplo. seguir determinemos as probabilidades de Y > 1/4 e de Y > /4 dado o valor específico de X = 2. Observemos que, de posse do conceito e da definição de distribuição condicional, podemos construir a distribuição conjunta de duas v.a. s. 2.6 Construindo a Distribuição Conjunta Segue da equação (6) que para qualquer valor y tal que f Y (y) > 0 e para qualquer valor de x : (x, y) = f X Y (x).f Y (y). (7) lém disso, se f Y (y) = 0 para algum y 0, então pode ser assumido, sem perda de generalidade que (x, y 0 ) = 0 para todos os valores de x. Neste caso, ambos os membros da equação (7) serão 0, e o fato de f X Y (x) não estar definida é irrelevante. Pontanto (7) será satisfeita para todos os valores de x e y. nalogamente para (x, y) = f Y X (y).f X (x), pode representar a densidade conjunta de x e y. função de distribuição acumulada conjunta de X e Y é portanto determinada por (1) onde por (7). é representada Exemplo 10 Ensaios Independentes de Bernoulli Sejam X 1, X 2,...X k v.a. s independentes, cada uma com distribuição de Bernoulli com parâmetro p. Como eventos, isso quer dizer que: P (X 1 = x 1, X 2 = x 2,..., X k = x k ) = P (X 1 = x 1 )P (X 2 = x 2 )...P (X k = x k ) = p #(xi=1) (1 p) #(xi=0), i = 1,..., k. Considere agora que k = m + n e que: X = n o de sucessos nos n primeiros ensaios; Y = n o de sucessos nos m ensaios restantes. ( n Dessa forma, P (X = x, Y = y) = P (X = x).p (Y = y) = x ) p x (1 p) n x ( m y ) p y (1 p) m y. 2.7 Soma de v.a. s independentes Suponha que no exemplo anterior estejamos interessados no número de sucesso nos K ensaios. Defina a v.a. Z = X + Y. Queremos então encontrar a distribuição de Z: P (Z = z) = assim, P (Z = z) = P (Z = z, X = x), 0 z m + n, P (X + Y = z, X = x) = P (x + Y = z, X = x) = P (Y = z x, X = x), 0 z m + n. Ou seja, ( ) ( ) ( ) ( ) P (Z = z) = n n m p x x (1 p) n x p z x z x (1 p) m (z x) = p z (1 p) m+n z n n m = x z x ( ) m + n = p z (1 p) m+n z. z ( ) m + n ssim, P (Z = z) = p z z (1 p) m+n z. Conclusão: soma de duas v.a. s Binomiais com parâmetros (n, p) e (m, p), respectivamente, é Binomial com parâmetros (m + n, p). Exemplo 11 Qual a distribuição da soma de duas v.a. s independentes com distribuição de Poisson?
Par 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 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 maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #03 de Probabilidade: 19/10/2018 1 Variáveis Aleatórias Considere um experimento cujo espaço amostral é Ω. Ω contém todos os resultados possíveis: e
Leia maisSumário. 2 Índice Remissivo 13
i Sumário 1 Variáveis Aleatórias e Suas Distribuições 1 1.1 Variáveis Aleatórias Discretas............................. 2 1.2 Variáveis Aleatórias Contínuas............................. 4 1.3 Função de
Leia maisConteúdo Teórico: 03 Variáveis Aleatórias e Distribuições
ACH2053 Introdução à Estatística Conteúdo Teórico: 03 Variáveis Aleatórias e Distribuições Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark
Leia maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
Leia mais3 NOÇÕES DE PROBABILIDADE
3 NOÇÕES DE PROILIDDE 3.1 Conjuntos Um conjunto pode ser considerado como uma coleção de objetos chamados elementos do conjunto. Em geral denota-se conjunto por letras maiúsculas,, C,... e a sua representação
Leia maisProbabilidade - 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 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 maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Experimento aleatório Definição. Qualquer experimento cujo resultado não pode
Leia maisSME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades
SME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades Pablo Martin Rodriguez SME ICMC USP Bacharelado em Estatística 20 Mar 2017 Vetores aleatórios Definição Sejam X 1,
Leia maisChamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
Leia maisMB-210 Probabilidade e Estatística
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MB-210 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 2o. semestre/2013 Variáveis
Leia maisAULA 10 - Variável aleatória bidimensional contínua
AULA 10 - Variável aleatória bidimensional contínua Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Variável aleatória contínua bidimensional (X, Y ) será uma variável aleatória contínua bidimensional
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Variáveis Aleatórias Bidimensionais 11/13 1 / 1 Variáveis Bidimensionais Até o momento, consideramos
Leia maisProbabilidade 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 maisEstatística (MAD231) Turma: IGA. Período: 2017/2
Estatística (MAD231) Turma: IGA Período: 2017/2 Aula #03 de Probabilidade: 04/10/2017 1 Variáveis Aleatórias Considere um experimento cujo espaço amostral é Ω. Ω contém todos os resultados possíveis: e
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 maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
Leia maisAULA 9 - Variável aleatória bidimensional discreta
AULA 9 - Variável aleatória bidimensional discreta Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Variáveis aleatórias bidimensionais Definition Sejam ɛ um experimento e S um espaço amostral
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo Lei de Bayes Variáveis Aleatórias
Leia maisUFPR - Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Matemática MA12 - Matemática Discreta - PROFMAT Prof.
UFPR - Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Matemática MA - Matemática Discreta - PROFMAT Prof. Zeca Eidam Lista Números Naturais e o Princípio de Indução. Prove que
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Combinatória Aula de hoje Probabilidade Condicional Independência de Eventos
Leia maisÉ a função que associa um número real a cada elemento do espaço amostral.
Capítulo Variável Aleatória 1. VARIÁVEL ALEATÓRIA (X) (Walpole, S 1 ) É a função que associa um número real a cada elemento do espaço amostral. S IR s X(s) Onde S espaço amostral s elemento do espaço amostral
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 maisDistribuições Multidimensionais de Probabilidade para Variáveis Discretas e Contínuas Distribuições Marginais. Aula 9
Distribuições Multidimensionais de Probabilidade para Variáveis Discretas e Contínuas Distribuições Marginais Aula 9 Variáveis Aleatórias Discretas Variável aleatória discreta função definida em um espaço
Leia maisProbabilidade III. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período 2014.1
Probabilidade III Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.1 Ulisses Umbelino (DE-UFPB) Probabilidade III Período 2014.1 1 / 42 Sumário 1 Apresentação
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisME-310 Probabilidade II Lista 1
ME-3 Probabilidade II Lista. Seja F (a, b) a função da distribuição acumulada conjunta de v.a. X e Y. Sabendo F, calcule P(X > a, Y > b) e P(a < X < a 2, Y b). 2. A distribuição conjunta de X e Y é dada
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 maisDistribuições de Probabilidade Conjuntas
Distribuições de Probabilidade Conjuntas 1. Duas variáveis aleatórias discretas Exemplo 1. No desenvolvimento de um novo receptor para transmissão digital de informação, cada bit é classificado como aceitável,
Leia maisEST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais
EST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Introdução Considere o experimento: Lançamento de uma moeda. Resultados
Leia maisAula 10 Variáveis aleatórias discretas
AULA 0 Aula 0 Variáveis aleatórias discretas Nesta aula você aprenderá um conceito muito importante da teoria de probabilidade: o conceito de variável aleatória. Você verá que as variáveis aleatórias e
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE Experimento Aleatório Experimento Aleatório: procedimento que, ao ser repetido sob as mesmas condições, pode fornecer resultados diferentes Exemplos:. Resultado no lançamento de
Leia maisExercícios Funções Multivariadas, Exponencial e Outras
Turma 2017 Exercícios Funções Multivariadas, Exponencial e Outras Problema 1 (bivariada) Um bim de cinco transistores possui dois que são defeituosos. Os transistores são testados um a um, até que os defeituosos
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Exemplos Análise Combinatória Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo
Leia maisAULA 5 - Independência, Combinatória e
AULA 5 - Independência, Combinatória e permutações Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Independência Um importante caso particular da probabilidade condicional surge quando a ocorrˆncia
Leia maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. Probabilidade
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio Experimentos aleatórios: no estudo de probabilidade,
Leia maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Leia maisCE085 - Estatística Inferencial
CE085 - Estatística Inferencial Revisão: Probabilidade Básica Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal do Paraná
Leia maisCursos de Licenciatura em Ensino de Matemática e de EGI Teoria de Probabilidade
FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhanguene, Av. de Moçambique, km, Tel: +5 4007, Fax: +5 400, Maputo Cursos de Licenciatura em Ensino de Matemática e de
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 maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE ALEATORIEDADE Menino ou Menina me? CARA OU COROA? 3 Qual será o rendimento da Caderneta de Poupança no final deste ano? E qual será a taxa de inflação acumulada em 014? Quem será
Leia maisVariáveis Aleatórias. Prof. Tarciana Liberal Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Tarciana Liberal Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja
Leia mais3 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 maisEELT-7035 Processos Estocásticos em Engenharia. Variáveis Aleatórias. EELT-7035 Variáveis Aleatórias Discretas. Evelio M. G.
EELT-7035 Processos Estocásticos em Engenharia Variáveis Aleatórias Discretas 21 de março de 2019 Variáveis Aleatórias Variável aleatória, X( ): função que mapeia o espaço amostral (S) em números pertencentes
Leia maisLucas Santana da Cunha de junho de 2017
VARIÁVEL ALEATÓRIA Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 19 de junho de 2017 Uma função que associa um número real aos resultados
Leia maisModelos discretos e contínuos
Modelos discretos e contínuos Joaquim Neto joaquim.neto@ufjf.edu.br Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF Versão 3.0 1
Leia maisIntrodução à probabilidade e estatística I
Introdução à probabilidade e estatística I Variáveis Aleatórias Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Probabilidade Daqui por diante utilizaremos
Leia maisVariáveis Aleatórias. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Luiz Medeiros Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja um
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 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 maisTeoria da Probabilidade
Teoria da Probabilidade Luis Henrique Assumpção Lolis 14 de fevereiro de 2014 Luis Henrique Assumpção Lolis Teoria da Probabilidade 1 Conteúdo 1 O Experimento Aleatório 2 Espaço de amostras 3 Álgebra dos
Leia maisAula 4. NOÇÕES DE PROBABILIDADE
Aula 4. NOÇÕES DE PROBABILIDADE ? CARA? OU? COROA? ? Qual será o rendimento da Caderneta de Poupança até o final deste ano??? E qual será a taxa de inflação acumulada em 013???? Quem será o próximo prefeito
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia mais2.4 Esperança e distribuição condicionais
2.4. ESPERANÇA E DISTRIBUIÇÃO CONDICIONAIS 35 2.4 Esperança e distribuição condicionais Estendemos aqui o conceito de probabilidade condicional em (2.8) para obter a distribuição condicional e, posteriormente,
Leia maisProbabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Probabilidades Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 06/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisProbabilidade e Estatística
Plano de Curso Probabilidade e Estatística UAEst/CCT/UFCG Ementa Fenômeno aleatório versus fenômeno determinístico. Espaço amostral e eventos. Introdução à teoria das probabilidades. Abordagem axiomática
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Análise Combinatória Independência de eventos Aula de hoje Independência de eventos Prob. Condicional Teorema da Probabilidade
Leia maisAula 06. Introdução ao Cálculo de Probabilidades. Stela Adami Vayego - DEST/UFPR 1
ula 06 Introdução ao Cálculo de robabilidades Stela dami Vayego - DEST/UR 1 Experimentos ou enômenos leatórios São experimentos que, quando repetidos em condições similares, fornecem resultados diferentes.
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. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal.
Estatística Probabilidade Profa. Ivonete Melo de Carvalho Conteúdo Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Objetivos Utilizar a probabilidade como estimador
Leia maisProbabilidade IV. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período
Probabilidade IV Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.2 Ulisses Umbelino (DE-UFPB) Probabilidade IV Período 2014.2 1 / 20 Sumário 1 Apresentação
Leia mais1.1.1 Distribuição binomial
2 CAPÍTULO 1. INTRODUÇÃO 1.1.1 Distribuição binomial Em teoria das probabilidades e na estatística a distribuição binomial é a distribuição de probabilidade do número de sucessos em uma seqüência de n
Leia maisa) o time ganhe 25 jogos ou mais; b) o time ganhe mais jogos contra times da classe A do que da classe B.
Universidade de Brasília Departamento de Estatística 5 a Lista de PE. Um time de basquete irá jogar uma temporada de 44 jogos. desses jogos serão disputados contra times da classe A e os 8 restantes contra
Leia mais6.3 Valor Médio de uma Variável Aleatória
6. 3 V A L O R M É D I O D E U M A V A R I Á V E L A L E A T Ó R I A 135 1. Considere uma urna contendo três bolas vermelhas e cinco pretas. Retire três bolas, sem reposição, e defina a v.a. X igual ao
Leia maisProbabilidades. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidades Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Noções Básicas Os métodos estatísticos para análise de dados estão associados
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 maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
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 maisMAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 26 de Agosto, 2013 Probabilidade: uma Introdução / Aula 5 1 Variáveis aleatórias Definição
Leia maisNoções sobre Probabilidade
Noções sobre Probabilidade Introdução Vimos anteriormente como apresentar dados em tabelas e gráficos, e também como calcular medidas que descrevem características específicas destes dados. Mas além de
Leia maisEstatística. 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 mais3. Variáveis aleatórias
3. Variáveis aleatórias Numa eperiência aleatória, independentemente de o seu espaço de resultados ser epresso numericamente, há interesse em considerar-se funções reais em Ω, denominadas por variáveis
Leia maisProbabilidade Aula 11
0303200 Probabilidade Aula 11 Magno T. M. Silva Escola Politécnica da USP Junho de 2017 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia
Leia maisAULA 11 - Valor esperado e suas propriedades
AULA 11 - Valor esperado e suas propriedades Susan Schommer Introdução à Estatística Econômica - IE/UFRJ O valor esperado de uma variável aleatória Como forma de resumir o comportamento de uma variável
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 mais1 Noções de Probabilidade
Noções de Probabilidade Já vimos que para se obter informações sobre alguma característica da população, podemos utilizar uma amostra. Estudaremos agora a probabilidade, que é uma ferramenta usada e necessária
Leia maisProf. Dr. Lucas Santana da Cunha de maio de 2018 Londrina
Prof. Dr. Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 21 de maio de 2018 Londrina 1 / 14 Variável aleatória Introdução Definição Uma função que associa um número real
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia 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 maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE Qual a razão para esta mudança? (isto é, para passarmos de Análise Descritiva para Cálculo de Probabilidades?) ALEATORIEDADE Menino ou Menina me? 3 CARA? OU COROA? 4 ? Qual será
Leia maisMOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições
Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa
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 maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisVARIÁVEIS ALEATÓRIAS. Assim, o espaço amostral é um conjunto com 8 elementos dado por
VARIÁVEIS ALEATÓRIAS Definição.: Dado um espaço de probabilidade (Ω, F, P ), uma variável aleatória X é uma função real definida no espaço Ω, e que toma valores em R tal que o conjunto {ω Ω : [X(ω) x]}
Leia maisMultiplicadores de Lagrange
Multiplicadores de Lagrange Para motivar o método, suponha que queremos maximizar uma função f (x, y) sujeito a uma restrição g(x, y) = 0. Geometricamente: queremos um ponto sobre o gráfico da curva de
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas
Probabilidades Cristian Villegas clobos@usp.br Setembro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas
Leia maisEstatística Matemática I
Estatística Matemática I Roseli Aparecida Leandro e Clarice G.B. Demétrio Março de 2011 Depto. de Ciências Exatas, ESALQ/USP e-mail: raleandr@esalq.usp.br 1 Variáveis aleatórias Sejam E um experimento
Leia maisUma breve introdução a probabilidade
Uma breve introdução a probabilidade Modelo Probabilístico Espaço amostral (S): conjunto de todos os resultados que podem ocorrer a partir de um experimento aleatório Probabilidade de eventos (P): quantificação
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição de funções de vetores aleatórios 02/14 1 / 10 Distribuição de funções de vetores
Leia maisDistribuição de Probabilidade Conjunta
. DISTRIBUIÇÃO DE ROBABILIDADE CONJUNTA O nosso estudo de variável aleatória e de suas funções de probabilidade até agora se restringiram a espaços amostrais unidimensionais nos quais os valores observados
Leia maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE ? CARA? OU? COROA? 2 ? Qual será o rendimento da Caderneta de Poupança até o final deste ano??? E qual será a taxa de inflação acumulada em 2011???? Quem será o próximo prefeito
Leia maisDistribuições Discretas
META: Estudar o comportamento das Variáveis Aleatórias Discretas, bem como das Distribuições Binomial e Poisson e suas aplicações. Entender o comportamento de uma Variável aleatória Contínua. OBJETIVOS:
Leia maisProbabilidade. Objetivos de Aprendizagem. UFMG-ICEx-EST. Cap. 2 - Probabilidade Espaços Amostrais e Eventos. 2.1.
2 ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES E AXIOMAS DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia mais