PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES

Tamanho: px
Começar a partir da página:

Download "PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES"

Transcrição

1 PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/ Produção de Recursos Educacionais Digitais

2 Variável Aleatória Por definição uma variável aleatória pode ser entendida como sendo uma variável quantitativa, cujo resultado depende de fatores aleatórios. Exemplos: Número de coroas obtidos no lançamento de moedas; Número de defeitos de azulejo que sai da linha de produção; Tempo de resposta de um sistema computacional; Resistência ao desgaste de um tipo de aço, num teste padrão;

3 Variável Aleatória Uma variável aleatória é uma função que associa elementos do espaço amostral ao conjunto de números reais. Exemplo 1. (BARBETTA, pg 117) No lançamento de 2 moedas, o espaço amostral mais completo é Ω = {(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)}, enquanto que a variável aleatória número de coroas assume valores no conjunto {0, 1, 2}.

4 A relação entre os dois conjuntos, é esquematizada a seguir.

5 Variável Aleatória Uma variável aleatória pode ser: Discreta: onde os possíveis resultados estão contidos em um conjunto finito ou enumerável. Exemplo:

6 Variável Aleatória Uma variável aleatória pode ser: Contínua: onde os possíveis resultados abrangem todo um intervalo de números reais. Exemplo:

7 Variáveis Aleatórias Independentes Variável aleatória independente, pode ser entendida quando o conhecimento de uma variável não altera as distribuições de probabilidade das demais variáveis (X 1, X 2,, X n ). Para variáveis aleatórias independentes: V X + Y V X Y = V X + V(Y) = V X + V(Y)

8 Variáveis Aleatórias Independentes Exemplo 2. (MEYER), seja X e Y a duração da vida de dois dispositivos eletrônicos. Suponha que sua fdp conjunta seja dada por f x, y = e ;(x:y), x 0, y 0, por fatoração temos f x, y = e ;x e ;y, desta forma a independência de X e Y fica estabelecida.

9 Variáveis Aleatórias Independentes Definição: seja (X, Y) uma variável aleatória discreta bidimensional. Então X e Y serão variáveis aleatórias independentes se, e somente se: P x i, y j = p(x i )q(y j ) para quaisquer i e j. Portanto, P X = x i, Y = y j = P X = x i P(Y = y j ) para todo i e j

10 Variáveis Aleatórias Independentes Definição: seja (X, Y) uma variável aleatória contínua bidimensional. Então X e Y serão variáveis aleatórias independentes se, e somente se: f x, y = g x (x) para todo x e y, onde f é a fdp conjunta, e g e são as fdp marginais de X e Y, respectivamente.

11 Variável Aleatória Discreta

12 Variável Aleatória Discreta Teorema 1: Se X é uma variável aleatória discreta com distribuição de probabilidade f x. Definindo Y = u X a transformação um a um entre os valores de X e Y, então a equação y = u x pode ser unicamente resolvida por x em função de y, digamos x = w y. Então a distribuição de probabilidade de Y é g y = f w(y)

13 Variável Aleatória Discreta Teorema 2: Supondo que X 1 e X 2 são variáveis aleatórias discretas com distribuição de probabilidade conjunta f x 1, x 2, definindo a transformação um a um entre os pontos x 1, x 2 e y 1, y 2, então as equações y 1 = u 1 x 1, x 2 e y 2 = u 2 x 1, x 2, podem ser unicamente solucionadas para x 1 e x 2 em função de y 1 e y 2.

14 Variável Aleatória Discreta Onde: x 1 = w 1 (y 1, y 2 ) e x 2 = w 2 (y 1, y 2 ) Portanto a distribuição de probabilidade conjunta Y 1 e Y 2 é: g y 1, y 2 = f,w 1 y 1, y 2, w 2 y 1, y 2 -

15 Variável Aleatória Discreta Função de Probabilidade Se X for discreta, com valores {X 1, X 2, +, então a distribuição de probabilidade de X, pode ser apresentada pela função de probabilidade, a qual associa a cada valor possível X i a sua probabilidade de ocorrência p(x i ). Ou seja p x i = P(X = x i ) Satisfazendo: p x i 0. i p x i = 1

16 Variável Aleatória Discreta Função de Probabilidade Representação gráfica da distribuição de probabilidade da variável aleatória X, a qual representa o número obtido no lançamento de um dado comum.

17 Variável Aleatória Discreta Função de Distribuição Acumulada Por definição: F x = P X x, x R Assim, para todo x R, a função de distribuição acumulada descreve a probabilidade de ocorrer um valor até x. Exemplo:

18 Variável Aleatória Discreta Função de Distribuição Acumulada X = número obtido no lançamento de um dado comum. F x 0 se x < se 1 x se 2 x se 3 x se 4 x se 4 x 5 1 se x 6

19 Variável Aleatória Discreta Valor Esperado e Variância Valor esperado: k μ = E X = x j p j j<1 Variância: k σ 2 = V X = (x j μ) 2 p j j<1 Ou V X = E(X 2 ) μ 2

20 Variável Aleatória Discreta Valor Esperado e Variância Propriedades: a) E c = c b) E X + c = E X + c c) E cx = ce(x) d) E X + Y = E X + E Y f) V c = 0 g) V X + c = V X h) V cx = c 2 V(X) i) DP cx = c DP(X) e) E X Y = E X E(Y)

21 Modelos de Distribuição Discreta Distribuição de Bernoulli A distribuição de Bernoulli tem somente 2 resultados possíveis: sucesso e fracasso. Onde: 0 p 1

22 Modelos de Distribuição Discreta Distribuição de Bernoulli Função da probabilidade p(x) X p x p p total 1

23 Modelos de Distribuição Discreta Distribuição de Bernoulli Função acumulada F(x) F X = 0 1 p 1 se x < 0 se 0 x 1 se x 1

24 Modelos de Distribuição Discreta Distribuição de Bernoulli Esperança E(X) E X = p Variância V(X) V X = p. 1 p

25 Modelos de Distribuição Discreta Distribuição de Bernoulli Exemplos. Lançamento de uma moeda: Caso obtenha-se uma cara: sucesso Caso obtenha-se uma coroa: fracasso A direção que segue um veículo em bifurcação (caminho A e B): Se segue o caminho A: sucesso Se segue o caminho B: fracasso

26 Modelos de Distribuição Discreta Distribuição de Bernoulli Exemplo 3. Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna. Seja X: nº de bolas verdes. Calcular E(X) e V(X). Solução X = *1 p = = 2 5 E X = p = 2 5 = 0, 4 bolas verdes V X = p 1 p = = 0, 24 bolas verdes2

27 Modelos de Distribuição Discreta Distribuição Binomial Considere n experimentos independentes identicamente distribuídos, cada um com distribuição Bernoulli de parâmetro p. Se a variável de interesse x corresponde ao número de sucessos obtidos nestes n experimentos, então x é conhecida como uma variável aleatória binomial de parâmetros n e p. Onde: n é o número de ensaios independentes; e P (sucesso) = p, constante para todo ensaio 0 < p < 1

28 Modelos de Distribuição Discreta Distribuição Binomial

29 Modelos de Distribuição Discreta Distribuição Binomial Função da probabilidade p(x) p x = n x px (1 p) n;x x = 0,1, 2,, n Onde: n x = n! n x! x!

30 Modelos de Distribuição Discreta Distribuição Binomial Função acumulada F(x) n i F x = P X x i = f(x i ) i<1

31 Modelos de Distribuição Discreta Distribuição Binomial Esperança E(x) E X = n p Variância V(X) V X = n p(1 p)

32 Modelos de Distribuição Discreta Distribuição Binomial Exemplos. Lançar uma moeda 5 vezes e observar o número de caras; Verificar o número de bits que não estão afetados por ruídos, em um pacote com n bits;

33 Modelos de Distribuição Discreta Distribuição Binomial Representação gráfica com n = 5 e p = 0,5 E(X)=25

34 Modelos de Distribuição Discreta Distribuição Binomial Exemplo 4. (DÍAZ) Um médico aplica um teste em dez alunos de um colégio, para detectar uma enfermidade cuja incidência sobre uma população de crianças é de 10%. A sensibilidade do teste é de 80% e a especificidade é de 75%. Qual a probabilidade de que 4 pessoas apresentem um resultado positivo? Dados: P E = 0,1 P(T : E) = 0,8 P(T ; E) = 0,75

35 Modelos de Distribuição Discreta Distribuição Binomial Solução: Pelo Teorema da Probabilidade Total P(T : ) = P(T : E) P E + P(T : E) P E = O, 8 0,1 + 0,25 0,9 = 0,305 seja X 1 a v.a que contabiliza o número de resultados positivos, e chamando p 1 = P(T : ), então X segue uma distribuição binomial.

36 Modelos de Distribuição Discreta Distribuição Binomial Portanto X 1 n 1 = 10, p 1 = 0,305 P X 1 = x = n 1 x p 1 x (1 p) n 1;x Logo a probabilidade de que o resultado do teste dê positivo para 4 pessoas é de: P(X 1 = 4) = ,3054 0,695 6 = 0, , 48%

37 Modelos de Distribuição Discreta Distribuição Binomial Exemplo 5. (WALPOLE) A probabilidade de que um paciente se recupere de uma doença sanguínea rara é de 0,4. Se 15 pessoas contraíram essa doença, calcule: a) A probabilidade de que pelo menos 10 pessoas sobrevivam. b) A probabilidade de que 3 a 8 pessoas sobrevivam. c) A probabilidade de que exatamente 5 pessoas sobrevivam. d) A esperança. e) A variância.

38 Modelos de Distribuição Discreta Distribuição Binomial Solução: seja X o número de pessoas que sobreviverão a) P X 10 = P X = 10 + P X = P X = 15 Onde: p x = n x px (1 p) n;x

39 Modelos de Distribuição Discreta Distribuição Binomial Portanto P x = ,410 (0,6) 5 = 0,0245 P x = ,411 (0,6) 4 = 7,42X10 ;3 P x = ,412 (0,6) 3 = 1,65X10 ;3 P x = ,413 (0,6) 2 = 2,54X10 ;3 P x = ,414 (0,6) 1 = 2,42X10 ;5 P x = ,415 (0,6) 0 = 1,07X10 ;6 p x = 0, , 61%

40 Modelos de Distribuição Discreta Distribuição Binomial Solução: seja X o número de pessoas que sobreviverão b) P 3 X 8 = P(X 8) P(X 3) P X = 8 + P X = P X = 3 + P X = 2 + P X = 1 +P X = 0,P X = 3 + P X = 2 + P X = 1 + P X = 0 -

41 Modelos de Distribuição Discreta Distribuição Binomial Portanto P 3 X 8 = P X = 8 + P X = 7 + P X = 6 + P X = 5 + P X = 4 Onde: P x = ,48 (0,6) 7 = 0,12 P x = ,47 (0,6) 8 = 0,18 P x = ,46 (0,6) 9 = 0,21 P x = ,45 (0,6) 10 = 0,19 P x = ,44 (0,6) 11 = 0,13 p x = 0, 83 83%

42 Modelos de Distribuição Discreta Distribuição Binomial Solução: seja X o número de pessoas que sobreviverão c) p x = P X = ,45 0,6 10 = 0, , 6%

43 Modelos de Distribuição Discreta Distribuição Binomial d) E X = n p 15 0,4 = 6 pessoas e) V X = n. p 1 p 15 0,4 1 0,4 = 3, 6 pessoas 2

44 Modelos de Distribuição Discreta Distribuição Hipergeométrica A distribuição hipergeométrica não necessita de independência e se baseia na amostragem feita sem reposição. O número X de sucessos de um experimento hipergeométrico é chamado de variável aleatória hipergeométrica.

45 Modelos de Distribuição Discreta Distribuição Hipergeométrica A distribuição de probabilidade de uma variável hipergeométrica é chamada de distribuição hipergeométrica, onde seus valores são denotados por (x, N, n, r). Onde: N: O número de itens na população. r: O número de itens na população que são classificados como sucessos. n: O número de itens na amostra. X: O número de itens na amostra que são classificados como sucesso.

46 Modelos de Distribuição Discreta Distribuição Hipergeométrica

47 Modelos de Distribuição Discreta Distribuição Hipergeométrica Função da probabilidade p(x) p x = r x N r n x N n,x = 0,1,, min r, n -

48 Modelos de Distribuição Discreta Distribuição Hipergeométrica Função acumulada F(x) F x = x i<0 r x N r n x N n

49 Modelos de Distribuição Discreta Distribuição Hipergeométrica Esperança E(x) E X = n p Variância V(X) V X = n p (1 p) N n N 1 Onde: p = r N

50 Modelos de Distribuição Discreta Distribuição Hipergeométrica Exemplo 6. (BARBETTA, pg 133) Placas de vidro são expedidas em lotes de 30 unidades. Antes que a remessa seja aprovada, um inspetor escolhe aleatoriamente 5 placas do lote e as inspeciona. Se nenhuma das placas for defeituosa, o lote é aprovado. Se uma ou mais forem defeituosas, todo lote é inspecionado. Supondo que haja 3 placas defeituosas no lote: a) Qual é a probabilidade de que o controle da qualidade aponte para a inspeção total? b) Encontre a esperança e variância.

51 Modelos de Distribuição Discreta Distribuição Hipergeométrica Solução: Seja X o número de placas defeituosas na amostra. P X 1 = 1 P(X = 0), então: a) p X = p ;3 5; = 80, ,506 = 0, 5665 Logo, P X 1 = 1 0,5665 = 0, , 35%

52 Modelos de Distribuição Discreta Distribuição Hipergeométrica b) E X = n p 5 0,1 = 0, 5 placas de vídeos V X = n p 1 p N;n N;1 5 0,1 0,9 0,86 0, 39 placas de vídeos2

53 Modelos de Distribuição Discreta Distribuição Hipergeométrica Exemplo 7. No fichário de um hospital, estão arquivados os prontuários de 20 pacientes, que deram entrada no PS apresentando algum problema cardíaco. Destes 5 sofreram infarto. Retirando se uma amostra ao acaso de 3 destes prontuários, qual a probabilidade de que dois deles sejam de pacientes que sofreram infarto?

54 Modelos de Distribuição Discreta Distribuição Hipergeométrica Solução: N = 20; r = 5; n = 3; x = 2 p X = = = 0, , 1%

55 Modelos de Distribuição Discreta Distribuição de Poisson Propriedades 1- O número de resultados que ocorrem em um intervalo de tempo ou em uma região específica é independente do número de resultados que ocorre em outro intervalo de tempo disjunto ou região do espaço disjunta Processo de Poisson não tem memória.

56 Modelos de Distribuição Discreta Distribuição de Poisson Propriedades 2- A probabilidade de que um único resultado ocorrerá durante um breve intervalo de tempo ou em uma região pequena é proporcional à extensão do intervalo de tempo ou ao tamanho da região, e não depende do número de resultados que ocorrem fora desse intervalo de tempo ou dessa região.

57 Modelos de Distribuição Discreta Distribuição de Poisson Propriedades 3- A probabilidade de que mais de um resultado ocorrerá em um intervalo de tempo muito breve ou em uma região muito pequena é desprezível.

58 Modelos de Distribuição Discreta Distribuição de Poisson A distribuição de Poisson é empregada quando se está interessado no número de sucessos ocorridos durante um intervalo contínuo (tempo, espaço, etc...). Exemplos: Carros que passam por um cruzamento por minuto, durante certa hora do dia; O número de suicídios ocorridos em uma cidade durante um ano; Número de chegadas a um caixa automático de um banco durante um período de 15 minutos.

59 Modelos de Distribuição Discreta Distribuição de Poisson Uma variável aleatória X admite distribuição de Poisson se: 1. X = 0, 1, 2, (não tem limites) 2. P X = x = e λ λ x x!, x = 0, 1, 2, n. 3. E X = μ = λ 4. V X = σ 2 = λ

60 Modelos de Distribuição Discreta Distribuição de Poisson Uma justificativa X= número de ocorrência em [t, t+1] n = intervalos de amplitude 1/n p = probabilidade de ocorrência em cada intervalo P X = x n x px 1 p n;x n p 0 n p λ >0

61 Modelos de Distribuição Discreta Distribuição de Poisson Função da probabilidade p(x) p x = e;λ λ x x! x = 0, 1, 2

62 Modelos de Distribuição Discreta Distribuição de Poisson Função acumulada F(x) F x = x i<0 λ i e λ i! para x = 0,1,2

63 Modelos de Distribuição Discreta Distribuição de Poisson Esperança E(x) E X = λ Variância V(X) V X = λ Onde: E X = V X = λ

64 Modelos de Distribuição Discreta Distribuição de Poisson Exemplo 8. (BARBETTA, pg. 135) Supondo que as consultas em um banco de dados ocorrem de forma independentes e aleatórias, com uma taxa média de 3 consultas por minuto. Calcule a probabilidade de que no próximo minuto ocorram menos do que 3 consultas.

65 Modelos de Distribuição Discreta Distribuição de Poisson Solução: Seja X o número de consultas por minuto. p x = P X < 3 = p 0 + p 1 + p(2) e ; ! + e; ! + e; ! = 0, , 32%

66 Variável Aleatória Contínua

67 Variável Aleatória Contínua Teorema 1: Suponha que X é uma variável aleatória contínua, com distribuição de probabilidade f x. Definindo Y = u x a correspondência um a um entre os valores de X e Y, desse modo a equação y = u x pode ser unicamente resolvida para x em função de y, ou seja, x = w y. Portanto a distribuição de probabilidade de Y é g y = f w(y) J Onde J = w` y e é chamado de jacobiano da transformação.

68 Variável Aleatória Contínua Teorema 2: Seja X 1 e X 2 variáveis aleatórias contínuas, com distribuição de probabilidade conjunta f x 1, x 2. Considerando Y 1 = u 1 X 1, X 2 e Y 2 = u 2 (X 1, X 2 ) uma transformação um a um entre os pontos x 1, x 2 e y 1, y 2. Então a equação y 1 = u 1 x 1, x 2 e y 2 = u 2 (x 1, x 2 ) pode ser unicamente resolvida para x 1 e x 2 em função de y 1 e y 2. Onde x 1 = w 1 (y 1, y 2 ) e x 2 = w 2 (y 1, y 2 ) Portanto a distribuição de probabilidade conjunta de Y 1 e Y 2 é g = y 1, y 2 = f w 1 y 1, y 2, w 2 (y 1, y 2 J Sendo J o determinante 2x2

69 Variável Aleatória Contínua Função Densidade de Probabilidade As probabilidades de eventos associados a uma variável aleatória contínua X podem ser calculados pela função de densidade de probabilidade (f), que se define como uma função f: IR IR integrável que deve satisfazer duas propriedades. a) f x 0, x R : b) f x dx = 1 ; Se A = [a, b], então P A = f x dx b a

70 Variável Aleatória Contínua Função Onde Densidade de Probabilidade

71 Variável Aleatória Contínua Função Densidade de Probabilidade Exemplo 9. (BARBETTA, pg 144) Seja a variável aleatória T definida como o tempo de resposta na consulta a um banco de dados, em minutos. Suponha que essa variável aleatória tenha a seguinte função densidade de probabilidade: f t = 2e;2t, para t 0 0, para t < 0 Calcule a probabilidade de a resposta demorar mais do que 3 minutos P(T > 3)

72 Variável Aleatória Contínua Função Densidade de Probabilidade Solução : P T > 3 = f t dt = 2e ;2t dt 3 : e;2t 3 : = 0 + e ;2 3 = e ;6

73 Variável Aleatória Contínua Função de Distribuição Acumulada Por definição x F x = P X x = f s ds, x R ;

74 Variável Aleatória Contínua Função de Distribuição Acumulada Exemplo 10. (BARBETTA, pg 144) Considere a função de densidade de probabilidade do exemplo 9: f t = 2e;2t, para t 0 0, para t < 0 Solução: como a expressão matemática se altera no ponto zero, deve-se então considerar os dois seguintes casos:

75 Variável Aleatória Contínua Função de Distribuição Acumulada t ; t ; Para t < 0, F t = f s ds = 0ds = 0 t ; t ; Para t 0, F t = f s ds = 0ds = 0 + e ;2s 0 t = 1 e ;2t Dessa forma a função da distribuição acumulada da variável aleatória T é dada por: F t = 1 e;2t, para t 0 0, para t < 0

76 Variável Aleatória Contínua Valor esperado e Variância Valor esperado: : μ = E X = xf x dx ; Variância: σ 2 : = V X = (x μ) 2 f x dx ; ou V X = E(X 2 ) μ 2 Onde E(X 2 ) = x 2 f x dx : ;

77 Modelos de Distribuição Contínua Distribuição uniforme Essa distribuição é caracterizada por uma função de densidade que é plana e, portanto, a probabilidade é uniforme em um intervalo fechado. exemplo:

78 Modelos de Distribuição Contínua Distribuição uniforme Função de densidade de probabilidade f(x) f x = 1, β α para x,α, β- 0, para x,α, β-

79 Modelos de Distribuição Discreta Distribuição uniforme Função de densidade de probabilidade f(x)

80 Modelos de Distribuição Contínua Distribuição uniforme Função de distribuição acumulada F(x) F x = 0, para x < α x α β α para α x < β 1 para x β

81 Modelos de Distribuição Contínua Distribuição uniforme Função de distribuição acumulada F(x)

82 Modelos de Distribuição Contínua Distribuição uniforme Esperança E(x) E X = α + β 2 Variância V(X) V X = (β;α)2 12

83 Modelos de Distribuição Contínua Distribuição uniforme Exemplo 11. ( WALPOLE) Uma grande sala de conferências usada por certa empresa não pode ficar reservada por mais do que 4 hora. No entanto o uso da sala é tal que conferências longas e curtas ocorrem com muita frequência, então pode-se assumir que a duração X de uma conferência tem distribuição uniforme no intervalo [0,4]. a) Qual é a função de densidade de probabilidade? b) Qual é a esperança e a variância?

84 Modelos de Distribuição Contínua Distribuição uniforme Solução: a) f x = x 4 0, caso contrário b) E X = μ = 2 conferências V X = σ 2 = = 4 3 conferências2 DP X = 1, 15 conferências

85 Modelos de Distribuição Contínua Distribuição exponencial A distribuição exponencial descreve processos em que: Interessa saber o tempo até que ocorra determinado evento. O tempo que possa ocorrer desde qualquer instante dado t, até que isso ocorra em um instante t f, não depende do tempo transcorrido anteriormente no qual não ocorreu nada.

86 Modelos de Distribuição Contínua Distribuição exponencial Exemplos: O tempo que pode transcorrer em um serviço de urgências, para a chegada de um paciente; O tempo (em minutos) até a próxima consulta a uma base de dados; O tempo (em segundos) entre pedidos a um servidor; O tempo (em metros) entre defeitos de uma fita.

87 Modelos de Distribuição Contínua Distribuição exponencial Função de densidade de probabilidade f(t) f t = d dt F t = λe;λt, t > 0

88 Modelos de Distribuição Contínua Distribuição exponencial Representação gráfica da função de densidade de probabilidade de uma variável aleatória com distribuição exponencial.

89 Modelos de Distribuição Contínua Distribuição exponencial Função de distribuição acumulada F(t) F t = P T t = 1 e λt

90 Modelos de Distribuição Contínua Distribuição exponencial Esperança E(T) E T = 1 λ Variância V(T) V T = 1 λ 2

91 Modelos de Distribuição Contínua Distribuição exponencial Exemplo 12. (BARBETTA, pg 152) O tempo de vida (em horas) de um transistor é uma variável aleatória T com distribuição exponencial. O tempo médio de vida do transistor é de 500 horas. a) Encontre a esperança e variância. b) Calcule a probabilidade de o transistor durar mais do que 500 horas.

92 Modelos de Distribuição Contínua Distribuição exponencial a) E T = μ 500 = 1 λ = 2X10;3 horas V T = σ = 1 2 = 0, 0447 horas2 λ DP T = 0, 211 horas

93 Modelos de Distribuição Contínua Distribuição exponencial Solução b) P T > 500 = 1 P T 500 F 500 = 1 e ;1 = 0, , 2%

94 Modelos de Distribuição Contínua Distribuição Normal Uma distribuição normal é caracterizada por uma função de probabilidade cujo gráfico descreve uma curva em forma de sino. Essa forma de distribuição evidencia que há maior probabilidade de a variável aleatória assumir valores próximos do centro.

95 Modelos de Distribuição Contínua Distribuição Normal Função de densidade de probabilidade f(x) f x = 1 σ 2π e; 1 2 x;μ σ 2, x ε IR

96 Modelos de Distribuição Contínua Distribuição Normal Representação gráfica da função de densidade de probabilidade normal e indicação dos parâmetros μ e σ.

97 Modelos de Distribuição Contínua Distribuição Normal Função de distribuição acumulada F(x) F x = P X x = f t dt x i ;

98 Modelos de Distribuição Contínua Distribuição Normal Esperança E(X) E X = μ Variância V(X) V X = σ 2

99 Modelos de Distribuição Contínua Distribuição Normal Diferentes distribuições normais em função dos parâmetros μ e σ.

100 Modelos de Distribuição Contínua Distribuição Normal Padrão Distribuição de X: Normal com μ = 170 e σ = 10 Distribuição normal de z: normal padrão

101 Modelos de Distribuição Contínua Tabela de distribuição normal padrão

102 Modelos de Distribuição Contínua Distribuição Normal Exemplo 13. (BARBETTA, pg 156) Seja Z uma variável aleatória com distribuição normal padrão. Pela tabela de distribuição normal padrão, encontre a probabilidade de P 0,42 < Z < 0,42.

103 Modelos de Distribuição Contínua Distribuição Normal Padrão Solução Então, P 0,42 < Z < 0,42 = 1 2 0,3372 = 0, , 56%

104 Modelos de Distribuição Contínua Distribuição Normal Exemplo 14. (BARBETTA, pg 159) Suponha que o tempo de resposta na execução de um algoritmo é uma variável aleatória com distribuição normal de média 23 segundos e desvio padrão de 4 segundos. Calcule a probabilidade de o tempo de resposta ser menor do que 25 segundos.

105 Modelos de Distribuição Contínua Distribuição Normal Solução Z = x μ σ Z = = 0,5 P 25 = P Z 0,5 1 0,3085 = 0, %

106 Modelos de Distribuição Contínua Aproximação normal à binomial Uma variável aleatória discreta com distribuição binomial, pode aproximar-se de uma distribuição normal, se: n é suficientemente grande; p não está muito próximo nem a 0 e nem a 1.

107 Modelos de Distribuição Contínua Aproximação normal à binomial Os parâmetros da distribuição normal devem-se identificar ao valor esperado e ao desvio padrão do modelo binomial. μ = np σ np(1 p

108 Modelos de Distribuição Contínua Aproximação normal à binomial

109 Modelos de Distribuição Contínua Aproximação normal à binomial Exemplo 15. (BARBETTA, pg 160) Historicamente, 10% dos pisos cerâmicos, que saem de uma linha de produção, têm algum defeito leve. Se a produção diária é de 1000 unidades, qual é a probabilidade de ocorrer mais de 120 itens defeituosos?

110 Modelos de Distribuição Contínua Verificando os parâmetros μ e σ μ = ,1 = 100 σ = 1000 (0,1) (0,9) = 90 Considerando então X uma variável aleatória normal com média μ = 100 e variância σ 2 = 90. Logo z = 120; = 2,11 Assim, P X > 120 = P Z > 2,11 = 0, , 74%

111 Modelos de Distribuição Contínua Exemplo 16. Qual é a probabilidade de mais de 6 caras em 10 lançamentos de uma moeda honesta? Pela binomial p x = 10 x (0, 5)x (0, 5) 10;x P X > 6 = p 7 + p 8 + p 9 + p 10 = 0, , 2%

112 Modelos de Distribuição Contínua Aproximação normal à binomial Exemplo 16. Pela normal

113 Modelos de Distribuição Contínua Aproximação normal à Poisson A aproximação de Poisson se aproxima da normal quando λ é grande, como o valor esperado e a variância de uma Poisson são ambos iguais a λ, então, na aproximação normal: μ = λ σ = λ

114 Modelos de Distribuição Contínua Aproximação normal à Poisson λ=1 λ=5 λ=20 Distribuição de Poisson para diferentes valores de λ

115 Modelos de Distribuição Contínua Gráfico de probabilidade normal O gráfico de probabilidade normal é adequado para verificar a suposição de um modelo normal para determinados dados.

116 Modelos de Distribuição Contínua Gráfico de probabilidade normal Exemplo 18. (BARBETTA, pg 165) Considerando 5 observações (74,0; 74,4; 74,7; 74,8; 75,9) Então:

117 Modelos de Distribuição Contínua Gráfico de probabilidade normal Exemplo 19. (BARBETTA, pg 166) Gráfico com 40 observações, com distribuição normal

118 Modelos de Distribuição Contínua Gráfico de probabilidade normal Exemplo 20. (BARBETTA, pg 166) Gráfico com 40 observações, com distribuição normal, mas com o efeito de um valor discrepante.

119 Referências BARBETTA, P. A. REIS, M. M. BORNIA, A. C. Estatística para Cursos de Engenharia e Informática. 3ª Edição. Atlas S.A. São Paulo - SP, COLCHER, Sérgio. Algumas Distribuições Discretas. Disponível em: < 7-Distribuicoes.pdf>. Acesso em: 17 de Outubro de DÍAZ, F. R. LÓPEZ, F. J. B. Bioestatística. Thonson. São Paulo SP, MEYER, P. L. Probabilidade: Aplicação à estatística. 2ª Edição. LTC. Rio de Janeiro RJ, WALPOLE, R. E. et. al. Probabilidade e Estatística para Engenharia e Ciências. 8ª Edição. Pearson. São Paulo SP, 2009.

PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I

PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável

Leia mais

PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE II

PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE II PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE II Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável

Leia mais

Variáveis Aleatórias

Variáveis Aleatórias Variáveis Aleatórias Conceitos, Discretas, Contínuas, Propriedades Itens 5. e 6. BARBETTA, REIS e BORNIA Estatística para Cursos de Engenharia e Informática. Atlas, 004 Variável aleatória Uma variável

Leia mais

Cap. 5 Variáveis aleatórias discretas

Cap. 5 Variáveis aleatórias discretas Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 5 Variáveis aleatórias discretas APOIO: Fundação de

Leia mais

Cap. 6 Variáveis aleatórias contínuas

Cap. 6 Variáveis aleatórias contínuas Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio

Leia mais

Cap. 6 Variáveis aleatórias contínuas

Cap. 6 Variáveis aleatórias contínuas Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de

Leia mais

Modelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal

Modelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:

Leia mais

Probabilidade e Estatística

Probabilidade e Estatística Probabilidade e Estatística Distribuições Discretas de Probabilidade Prof. Narciso Gonçalves da Silva www.pessoal.utfpr.edu.br/ngsilva Introdução Distribuições Discretas de Probabilidade Muitas variáveis

Leia mais

Teoria das Filas aplicadas a Sistemas Computacionais. Aula 09

Teoria 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 mais

Modelos de Distribuição PARA COMPUTAÇÃO

Modelos 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 mais

Lista de exercícios 2 Métodos Estatísticos Básicos

Lista de exercícios 2 Métodos Estatísticos Básicos Lista de exercícios 2 Métodos Estatísticos Básicos Prof. Regis Augusto Ely 1 de julho de 2014 1 Variáveis aleatórias unidimensionais 1. Suponha que a variável aleatória X tenha os valores possíveis 1,

Leia mais

1 Distribuições Discretas de Probabilidade

1 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 mais

Principais distribuições discretas Distribuição de Bernoulli sucesso fracasso X = 1, se sucesso X = 0, se fracasso P(X) TOTAL 1 Exemplo 5:

Principais distribuições discretas Distribuição de Bernoulli sucesso fracasso X = 1, se sucesso X = 0, se fracasso P(X) TOTAL 1 Exemplo 5: Principais distribuições discretas Na prática, sempre se procura associar um fenômeno aleatório a ser estudado, a uma forma já conhecida de distribuição de probabilidade (distribuição teórica) e, a partir

Leia mais

Teoria das Filas aplicadas a Sistemas Computacionais. Aula 08

Teoria 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 mais

Variáveis Aleatórias Discretas 1/1

Variáveis Aleatórias Discretas 1/1 Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo

Leia mais

Cap. 8 - Variáveis Aleatórias

Cap. 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 mais

Variáveis Aleatórias Discretas

Variáveis 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 mais

Distribuições de Probabilidade Contínuas 1/19

Distribuições de Probabilidade Contínuas 1/19 all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte

Leia mais

PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES

PRINCIPAIS 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 mais

ESTATÍSTICA. x(s) W Domínio. Contradomínio

ESTATÍSTICA. 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 mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

Modelos Probabilisticos Discretos

Modelos Probabilisticos Discretos Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento

Leia mais

Variável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada

Variável 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 mais

Cálculo das Probabilidades e Estatística I

Cálculo 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 mais

Variável Aleatória Poisson. Número de erros de impressão em uma

Variável Aleatória Poisson. Número de erros de impressão em uma EST029 Cálculo de Probabilidade I Cap. 7. Principais Variáveis Aleatórias Discretas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Variável Aleatória Poisson Caraterização: Usa-se quando o experimento

Leia mais

Revisão de Probabilidade

Revisão 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 mais

Bioestatística e Computação I

Bioestatística e Computação I Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas

Leia mais

PROBABILIDADE E ESTATÍSTICA INFERÊNCIA ESTATÍSTICA

PROBABILIDADE E ESTATÍSTICA INFERÊNCIA ESTATÍSTICA PROBABILIDADE E ESTATÍSTICA INFERÊNCIA ESTATÍSTICA Prof.ª Sheila Regina Oro Projeto Recursos Educacionais Digitais Autores: Bruno Baierle e Maurício Furigo TESTE DE HIPÓTESES POPULAÇÃO Conjectura (hipótese),

Leia mais

PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE

PRINCIPAIS 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 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

Estatística Planejamento das Aulas

Estatística Planejamento das Aulas 29 de outubro de 2018 Distribuição Discreta Uniforme No experimento estatístico, os eventos são equiprováveis. A v.a. discreta X assume n valores discretos tem função de probabilidade: { 1 se x f x = i

Leia mais

Lucas Santana da Cunha de junho de 2017

Lucas 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 mais

Conforme o conjunto de valores X(S) uma variável aleatória poderá ser discreta ou contínua.

Conforme o conjunto de valores X(S) uma variável aleatória poderá ser discreta ou contínua. Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X X(s) R X(S) Uma função X que associa a cada elemento de S (s S) um número real X(s) é denominada

Leia mais

PROBABILIDADE E ESTATÍSTICA PROBABILIDADES

PROBABILIDADE E ESTATÍSTICA PROBABILIDADES PROBABILIDADE E ESTATÍSTICA PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Revisando - Análise combinatória

Leia mais

PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 7 11 e 12 abril MOQ-12 Probabilidades e Int. a Processos Estocásticos

PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 7 11 e 12 abril MOQ-12 Probabilidades e Int. a Processos Estocásticos PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS Aula 7 11 e 12 abril 2007 1 Distribuições Discretas 1. Distribuição Bernoulli 2. Distribuição Binomial 3. Distribuição Geométrica 4. Distribuição Pascal

Leia mais

Probabilidade. 1 Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson. Renata Souza

Probabilidade. 1 Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson. Renata Souza Probabilidade Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson Renata Souza Distribuição de Bernoulli Uma lâmpada é escolhida ao acaso Ensaio de Bernoulli A lâmpada

Leia mais

Estatística Descritiva e Exploratória

Estatística 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 mais

1 Variáveis Aleatórias

1 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 mais

UNIVERSIDADE FEDERAL DO PARANÁ CE003 - ESTATÍSTICA II

UNIVERSIDADE FEDERAL DO PARANÁ CE003 - ESTATÍSTICA II UNIVERSIDADE FEDERAL DO PARANÁ CE003 - ESTATÍSTICA II Segunda lista de Exercícios - Variáveis Aleatórias Professora Fernanda 1. Uma máquina caça níquel de cassino possui três roletas. Na primeira e segunda

Leia mais

Professora Ana Hermínia Andrade. Período

Professora 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 mais

Estatística. Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas. Professor Fernando Porto

Estatística. Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas. Professor Fernando Porto Estatística Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas Professor Fernando Porto Capítulo 4 Baseado no Capítulo 4 do livro texto, Distribuições Teóricas de Probabilidades

Leia mais

Capítulo 2. Variáveis Aleatórias e Distribuições

Capítulo 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 mais

Prof. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL

Prof. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL Prof. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL Referências Bibliográficas Sistema de Avaliação Duas Provas teóricas Um Trabalho em Grupo MédiaFinal 0,4

Leia mais

Distribuição de Probabilidade. Prof. Ademilson

Distribuição de Probabilidade. Prof. Ademilson Distribuição de Probabilidade Prof. Ademilson Distribuição de Probabilidade Em Estatística, uma distribuição de probabilidade descreve a chance que uma variável pode assumir ao longo de um espaço de valores.

Leia mais

Estatística (MAD231) Turma: IGA. Período: 2018/2

Estatística (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 mais

Avaliação e Desempenho Aula 5

Avaliação 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 mais

Variável Aleatória. Gilson Barbosa Dourado 6 de agosto de 2008

Variável Aleatória. Gilson Barbosa Dourado 6 de agosto de 2008 Variável Aleatória Gilson Barbosa Dourado gdourado@uneb.br 6 de agosto de 2008 Denição de Variável Aleatória Considere um experimento E e seu espaço amostral Ω = {a 1, a 2,..., a n }. Variável aleatória

Leia mais

Distribuições Contínuas de Probabilidade

Distribuições 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 mais

Prof. Dr. Lucas Santana da Cunha de maio de 2018 Londrina

Prof. 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 mais

LEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%

LEEC 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 mais

a) o time ganhe 25 jogos ou mais; b) o time ganhe mais jogos contra times da classe A do que da classe B.

a) 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 mais

Probabilidade e Modelos Probabilísticos

Probabilidade e Modelos Probabilísticos Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição

Leia mais

Introdução à probabilidade e estatística I

Introdução 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 mais

Distribuições Discretas

Distribuições 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 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

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

PRO 2271 ESTATÍSTICA I. 3. Distribuições de Probabilidades

PRO 2271 ESTATÍSTICA I. 3. Distribuições de Probabilidades PRO71 ESTATÍSTICA 3.1 PRO 71 ESTATÍSTICA I 3. Distribuições de Probabilidades Variáveis Aleatórias Variáveis Aleatórias são valores numéricos que são atribuídos aos resultados de um eperimento aleatório.

Leia mais

1 Distribuição de Bernoulli

1 Distribuição de Bernoulli Centro de Ciências e Tecnlogia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 6 Professor: Carlos Sérgio Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas

Leia mais

Bioestatística e Computação I

Bioestatística e Computação I Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas

Leia mais

Exercícios propostos:

Exercícios propostos: INF 16 Exercícios propostos: 1. Sabendo-se que Y=X-5 e que E(X)= e V(X)=1, calcule: a)e(y); b)v(y); c)e(x+y); d)e(x + Y ); e)v(x+y); Resp.: 1; 9; 5; 15; 81. Uma urna contém 5 bolas brancas e 7 bolas pretas.

Leia mais

UNIDADE II. José J. C. Hernández. April 9, 2017 DE - UFPE. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60

UNIDADE II. José J. C. Hernández. April 9, 2017 DE - UFPE. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60 INTRODUÇÃO À ESTATÍSTICA UNIDADE II José J. C. Hernández DE - UFPE April 9, 2017 José J. C. Hernández (DE - UFPE) Estatística I April 9, 2017 1 / 60 Variável aleatória Seja X : Ω R uma função real de Ω

Leia mais

4. Distribuições de probabilidade e

4. Distribuições de probabilidade e 4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio

Leia mais

Probabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.

Probabilidade 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 mais

4. PRINCIPAIS MODELOS DISCRETOS

4. PRINCIPAIS MODELOS DISCRETOS 4. PRINCIPAIS MODELOS DISCRETOS 2019 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 1. Uma peça é classificada como defeituosa

Leia mais

VARIÁVEIS ALEATÓRIAS 1

VARIÁVEIS ALEATÓRIAS 1 VARIÁVEIS ALEATÓRIAS 1 Na prática é, muitas vezes, mais interessante associarmos um número a um evento aleatório e calcularmos a probabilidade da ocorrência desse número do que a probabilidade do evento.

Leia mais

Estatística Aplicada

Estatística Aplicada Estatística Aplicada Variável Aleatória Contínua e Distribuição Contínua da Probabilidade Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE

Leia mais

4. PRINCIPAIS MODELOS DISCRETOS

4. PRINCIPAIS MODELOS DISCRETOS 4. PRINCIPAIS MODELOS DISCRETOS 2010 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 3. Uma peça é classificada como defeituosa

Leia mais

Universidade Federal do Ceará

Universidade Federal do Ceará Universidade Federal do Ceará Faculdade de Economia Vicente Lima Crisóstomo Fortaleza, 2011 1 Sumário Introdução Estatística Descritiva Probabilidade Distribuições de Probabilidades Amostragem e Distribuições

Leia mais

Probabilidade e Estatística

Probabilidade e Estatística Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 2 Leitura obrigatória: Devore, seções 3.4, 3.5 (hipergeométrica), 3.6 Aula 5-1 Objetivos Nesta parte 01 aprendemos a representar,

Leia 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

Introdução à Bioestatística

Introdução à Bioestatística Instituto Nacional de Cardiologia February 22, 2016 1 2 3 4 Existem dois tipos de variáveis aleatórias Variáveis aleatórias discretas Variáveis aleatórias contínuas discreta Assume um número nito ou innito

Leia mais

Capítulo 5 Distribuições de Probabilidades. Seção 5-1 Visão Geral. Visão Geral. distribuições de probabilidades discretas

Capítulo 5 Distribuições de Probabilidades. Seção 5-1 Visão Geral. Visão Geral. distribuições de probabilidades discretas Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de Probabilidade Binomial 5-4 Média, Variância e Desvio Padrão da Distribuição Binomial 5-5 A Distribuição

Leia mais

Distribuições de Probabilidade

Distribuições de Probabilidade Distribuições de Probabilidade Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT) Distribuições de

Leia mais

F (x) = P (X x) = Σ xi xp(x i ) E(X) = x i p(x i ).

F (x) = P (X x) = Σ xi xp(x i ) E(X) = x i p(x i ). Variável Aleatória Uma variável aleatória é uma variável numérica, cujo valor medido pode variar de uma réplica para outra do experimento. Exemplos: (i) Variáveis aleatórias contínuas: corrente elétrica,

Leia mais

Modelos básicos de distribuição de probabilidade

Modelos 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 mais

Variáveis Aleatórias Discretas

Variáveis Aleatórias Discretas Variáveis Aleatórias Discretas 5.1 VARIÁVEL ALEATÓRIA Um conceito de fundamental importância para a estatística indutiva é o de variáveis aleatórias. Para entender esse conceito, imagine que um dado comum

Leia mais

Variáveis Aleatórias

Variáveis 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 mais

DISTRIBUIÇÕES BERNOULLI E BINOMIAL

DISTRIBUIÇÕES BERNOULLI E BINOMIAL DISTRIBUIÇÕES BERNOULLI E BINOMIAL Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 26 de junho de 2017 Distribuição Bernoulli Nos experimentos

Leia mais

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:

Leia mais

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:

Leia mais

{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3;

{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3; Universidade de Brasília Departamento de Estatística 4 a Lista de PE 1. Seja X uma variável aleatória com densidade { C(1 x 2 ), se x ( 1, 1), 0, se x / ( 1, 1). a) Qual o valor de C? b) Qual a função

Leia mais

Cálculo das Probabilidades e Estatística I

Cálculo das Probabilidades e Estatística I Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Modelos de distribuição Para utilizar a teoria

Leia mais

Distribuições discretas de probabilidades. Cap. 8 Binomial, Hipergeométrica, Poisson

Distribuições discretas de probabilidades. Cap. 8 Binomial, Hipergeométrica, Poisson Distribuições discretas de probabilidades Cap. 8 Binomial, Hipergeométrica, Poisson Definições Variável aleatória: função que associa a cada elemento do espaço amostral um número real. Exemplo: diâmetro

Leia mais

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:

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: 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 mais

Probabilidades e Estatística TODOS OS CURSOS

Probabilidades e Estatística TODOS OS CURSOS Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 2 o semestre 206/207 05/07/207 :30 o Teste C 0 valores. Uma peça de certo tipo é

Leia mais

Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS

Daniel 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 mais

BIOESTATÍSTICA. Parte 3 Variáveis Aleatórias

BIOESTATÍSTICA. 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 mais

Aula 5. Variáveis Aleatórias Discretas

Aula 5. Variáveis Aleatórias Discretas Aula 5. Variáveis Aleatórias Discretas Definição formal : Variável aleatória é qualquer função definida em espaço Ω. Ω função é uma regra que para cada valor de domínio corresponde um valor de R R Definição

Leia mais

Variáveis Aleatórias Contínuas e Distribuições de Probabilidade

Variáveis Aleatórias Contínuas e Distribuições de Probabilidade Variáveis Aleatórias Contínuas e Distribuições de Probabilidade Motivação A quantidade de oxigênio dissolvido é importante para aferir a qualidade de um regato. Os níveis aceitáveis de oxigênio variam

Leia mais

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE

VARIÁVEIS 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 mais

Distribuições Bernoulli e Binomial

Distribuições Bernoulli e Binomial Distribuições Bernoulli e Binomial Prof. Dr. Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 04 de junho de 2018 Londrina 1 / 12 Distribuição Bernoulli Nos experimentos

Leia mais

Notas de Aula. Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.

Notas de Aula. Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley. Notas de Aula Estatística Elementar 10ª Edição by Mario F. Triola Tradução: Denis Santos Slide 1 Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de

Leia mais

Tiago Viana Flor de Santana

Tiago 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 mais

ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara

ALGUNS 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 mais

(a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p), então (X + Y ) Binomial(n + m, p).

(a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p), então (X + Y ) Binomial(n + m, p). Capítulo 0 Revisões Exercício 0.1 Sejam X e Y variáveis aleatórias independentes. Mostre que: (a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p),

Leia mais

EELT-7035 Processos Estocásticos em Engenharia. Variáveis Aleatórias. EELT-7035 Variáveis Aleatórias Discretas. Evelio M. G.

EELT-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 mais

Simulação com Modelos Teóricos de Probabilidade

Simulação com Modelos Teóricos de Probabilidade Simulação com Modelos Teóricos de Probabilidade p. 1/21 Algumas distribuições teóricas apresentam certas características que permitem uma descrição correta de variáveis muito comuns em processos de simulação.

Leia mais

EST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais

EST029 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 mais

Variáveis Aleatórias Contínuas

Variáveis Aleatórias Contínuas Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos

Leia mais

2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.

2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :

Leia mais