Modelos de Distribuições
|
|
- Arthur Ventura Pinheiro
- 6 Há anos
- Visualizações:
Transcrição
1 7/5/017 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 05/07/017 19: ESTATÍSTICA APLICADA I - Teoria das Probabilidades Universidade Federal do Pará Instituto de Tecnologia Capítulo IV Modelos de Distribuições Campus de Belém Curso de Engenharia Mecânica 1
2 7/5/017 IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas
3 7/5/ Introdução Existem variáveis aleatórias que têm uma função de distribuição pertencente a uma classe de distribuições teóricas. As distribuições teóricas, como o próprio nome indica, foram submetidas a estudos prévios e têm propriedades conhecidas; portanto, podem servir como modelo em determinadas situações em que a distribuição esteja identificada, poupando tempo na análise do problema estudado. 4.1 Introdução As distribuições teóricas que aqui serão estudadas são: Caso discreto - Distribuição binomial - Distribuição hipergeométrica - Distribuição de Poisson Caso contínuo - Distribuição uniforme - Distribuição exponencial - Distribuição normal - Distribuição qui-quadrado - Distribuição t de Student - Distribuição F 3
4 7/5/017 IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas 4. Distribuições Teóricas Discretas Prova de Bernoulli A prova de Bernoulli é uma experiência aleatória que serve de base a várias distribuições teóricas (distribuição binomial, distribuição binomial negativa e distribuição geométrica). Consideremos uma experiência aleatória na qual existem apenas dois acontecimentos em que estamos interessados: o acontecimento A que será designado por sucesso e o acontecimento contrário, A, que será designado por falha. O sucesso ocorre com probabilidade p, e o insucesso com probabilidade q = 1 p. 4
5 7/5/ Distribuições Teóricas Discretas Prova de Bernoulli O espaço de resultados está assim particionado em dois acontecimentos S { A, A } em que: A sucesso A falha P( A ) p P( A ) q 1 p A uma experiência aleatória com estas características dá-se o nome de prova de Bernoulli. 4. Distribuições Teóricas Discretas Prova de Bernoulli Principais características: Média : 1 0 x i f ( x i ) 0 q 1 p p Variância : E ( x ) i E( X ) 1 0 x i p p f ( x i ) 0 q 1 p( 1 p ) pq p p 5
6 7/5/ Distribuições Teóricas Discretas Prova de Bernoulli Sucessão de provas de Bernoulli: Defini-se como o processo caracterizado por repetidas provas que têm lugar nas seguintes condições: 1. Cada prova resultem em somente dois resultados possíveis, designados como sucesso e falha.. A probabilidade de um sucesso em cada prova, designada por p, permaneça constante. A probabilidade de falha designa-se por q = 1 p. 3. As provas sejam independentes, isto é, os resultados obtidos numa sequência de provas não influenciam os resultados da(s) provas(s) subsequente(s). 4. Distribuições Teóricas Discretas Distribuição binomial Trata-se de uma distribuição de probabilidade adequada aos experimentos que apresentam apenas dois resultados: sucesso ou falha. Este modelo fundamenta-se nas seguintes hipóteses: - H1. n provas independentes e do mesmo tipo são realizadas; - H. cada prova admite apenas dois resultados sucesso ou falha; - H3. a probabilidade de sucesso é p e de falha é 1 p = q. 6
7 7/5/ Distribuições Teóricas Discretas Distribuição binomial Considerando-se uma sucessão de n provas de Bernoulli, a variável aleatória que representa o número de sucessos obtidos nessas n provas de Bernoulli tem distribuição binomial. A variável aleatória X, que é igual ao número de provas que resultam em um sucesso, tem uma distribuição binomial com parâmetros p e n em que 0 < p < 1 e n = {1,, 3,..., n}. A função de probabilidade de X é n x n f ( x ) p q x x, x 0,1,,...,n 4. Distribuições Teóricas Discretas Distribuição binomial É assim chamada (binomial), pois variando X (número de vezes do sucesso) obtemos os termos correspondentes do desenvolvimento do binômio (q + p) n. Com efeito, n n n1 n( n 1 ) n n ( q p ) q nq p q p... p! n! n 0 n! n1 0 q p q p 0!( n 0 )! 1!( n 1 )!... Generalizando, tem-se: n! n!0! q 0 p n f ( x ) n! x!( n q x )! n x p x n p q x x n x 7
8 7/5/ Distribuições Teóricas Discretas Distribuição binomial Principais características: - De acordo com as hipóteses, observa-se que X é a soma de n variáveis do tipo Bernoulli, daí Média : E( X ) n np Variância : Var ( X ) n npq 4. Distribuições Teóricas Discretas Distribuição binomial Exemplo: Cada amostra de ar tem 10% de chance de conter uma certa molécula rara. Considere que as amostras sejam independentes em relação à presença da molécula rara. Encontre a probabilidade de que, nas próximas 18 amostras, exatamente contenham a molécula rara. - Seja X = número de amostras de ar que contenham a molécula rara nas próximas amostras analisadas (sucessos); então, X é a variável aleatória binomial com p = 0,1 e n = 18. Assim, f ( x ) n p x x q n x 18 P( X ) (0,1 ) ( 0,9 ) 16 0,84 8
9 7/5/ Distribuições Teóricas Discretas Distribuição binomial Exemplo: Determine a probabilidade de que no mínimo 4 amostras contenham a molécula rara. - Neste caso, a probabilidade requerida é P( X x 18 x 4 ) ( 0,1 ) ( 0,9 ) x4 x 3 18 x 18 x 1 ( 0,1 ) ( 0,9 ) x0 x 1 ( 0,150 0,300 0,84 0,168 ) 0, Distribuições Teóricas Discretas Distribuição binomial Exemplo: Determine a probabilidade de que o número de amostras que contenham a molécula rara esteja entre 3 e 6. - Neste caso, a probabilidade requerida é P( x 18 x X 6 ) ( 0,1 ) ( 0,9 ) x3 x 0,168 0,070 0,0 0,005 0,65 9
10 7/5/ Distribuições Teóricas Discretas Distribuição hipergeométrica Suponhamos que temos um conjunto de N elementos e que M destes elementos têm uma certa característica em que estamos interessados (sucesso); logo os outros N-M elementos não têm essa característica. Ao retirarmos n elementos do conjunto inicial de N elementos (retirar de forma aleatória e sem reposição probabilidade do sucesso não constante) consideremos X a variável aleatória que representa o número de elementos que são retirados e que têm a característica em que estamos interessados. A variável aleatória definida nas condições anteriores tem distribuição hipergeométrica com parâmetros N, M e n. 4. Distribuições Teóricas Discretas Distribuição hipergeométrica A probabilidade da variável aleatória assumir o valor x é dada por: M N M x n x P( X x ) b( x, N,M,n ) N n com x máx0,n ( N M ),...,minn,m Demonstra-se que se a variável aleatória X tem distribuição hipergeométrica com parâmetros N, M e n, então: M E( X ) n N M N M N n Var ( X ) n N N N 1 10
11 7/5/ Distribuições Teóricas Discretas Distribuição hipergeométrica Exemplo: Na produção de 1000 parafusos em uma máquina A foi observado que 100 apresentam algum tipo de defeito. Como vão ser utilizados 10 parafusos de cada vez, determine a probabilidade de todos serem perfeitos. - Neste caso, N = 1000, M = 100 e n = 10, a probabilidade requerida, portanto, será: P( X ) 0, Distribuições Teóricas Discretas Distribuição de Poisson A distribuição de Poisson (que deve o seu nome ao físico francês Simon Poisson) está associada a um grande conjunto de situações práticas cujos alguns exemplos são os seguintes: - Número de mensagens que chegam em um servidor no intervalo de uma hora. - Número de partículas defeituosas em um cm 3 de volume de um certo líquido. - Número de defeitos em um metro de comprimento, de um fio produzido por uma máquina têxtil. 11
12 7/5/ Distribuições Teóricas Discretas Distribuição de Poisson Todos os exemplos apresentados têm uma característica comum: a variável aleatória em estudo representa o número de ocorrências de um certo evento ao longo de um intervalo (tempo, comprimento, área ou volume). Os valores que a variável aleatória pode assumir são valores inteiros não negativos: 0, 1,..., n, Distribuições Teóricas Discretas Distribuição de Poisson Outras características que identicam uma distribuição de Poisson são: - O número de ocorrências em intervalos não sobrepostos são variáveis independentes. - A probabilidade de um certo número de ocorrências se verificar é a mesma para intervalos da mesma dimensão; isto é, a probabilidade depende apenas da amplitude do intervalo e não da posição em que se situa nesse intervalo. - As ocorrências do fenômeno descrito verificam-se uma a uma e nunca em grupos. 1
13 7/5/ Distribuições Teóricas Discretas Distribuição de Poisson Para encontrar a expressão que dá a probabilidade de x sucessos num intervalo t, algumas hipóteses precisam ser admitidas: H1. P(X = 1, t) = λ t (ou seja, a probabilidade de um sucesso num intervalo t é proporcional à amplitude do intervalo). H. P(X > 1, t) = 0. H3. P (X 0, t) = 1 λ H4. As ocorrências de sucessos em intervalos são independentes. Tem-se que t = t/n, logo P(X = 1, t) = λt/n. 4. Distribuições Teóricas Discretas Distribuição de Poisson Para encontrar a expressão que dá P(X,t), ou seja, a probabilidade de X sucessos no intervalo t, pode-se calcular o limite de uma distribuição binomial com parâmetros n e t/n. Assim: n t P( x,t ) lim x x n x ( t ) P( x,t ) e x! x t 1 n t n x 13
14 7/5/ Distribuições Teóricas Discretas Distribuição de Poisson Se o número médio de ocorrências no intervalo em estudo for λ > 0, a variável aleatória X, que é igual ao número de ocorrências no intervalo, terá uma distribuição de Poisson, com parâmetro λ, sendo a função de distribuição de X dada por Características: x ( t ) f ( x ) x! e t, x 0,1,,... Média : Variância : E( X ) t Var( X ) t 4. Distribuições Teóricas Discretas Distribuição de Poisson Exemplo: Mensagens chegam a um servidor de computadores de acordo com a distribuição de Poisson, com uma taxa média de 10 por hora. a) Qual a probabilidade de 3 mensagens chegarem em 1 hora? b) Qual a probabilidade de 6 mensagens chegarem em 30 minutos? 14
15 7/5/ Distribuições Teóricas Discretas Distribuição de Poisson Exemplo: a) Seja X a representação do número de mensagens em 1 hora. Então E(X) = 10 mensagens e E( x ) t 10 x ( t ) f ( x ) x! e t ( 10 1 ) P( X 3 ) 3! ( 10 ) 3! 0, e 101 b) Seja X a representação do número de mensagens em 30 minutos (0,5 hora). Então E(X) = 10.0,5 = 5 mensagens e x ( t ) f ( x ) x! e t ( 10 0,5 ) P( X 6 ) 6! 6 e 100,5 3 ( 5 ) 6! 6 e 10 e 5 0,146 IV Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas 15
16 7/5/017 Distribuição uniforme A distribuição uniforme é a mais simples distribuição contínua; entretanto, é uma das mais importantes e utilizadas dentro da teoria de probabilidade. Tem uma importante característica a qual a probabilidade de acontecer um fenômeno de mesmo comprimento é a mesma. Consideremos uma variável aleatória contínua, cujos valores podem ocorrer dentro dum intervalo limitado (aberto ou fechado) [a,b]. Se quaisquer dois subintervalos de igual amplitude têm a mesma probabilidade, então a variável aleatória tem distribuição uniforme. Distribuição uniforme Diz-se que a variável aleatória contínua X tem distribuição uniforme no intervalo [a,b] se a sua função de densidade de probabilidade for dada por: f ( 1 x ) b a 0 a x b para outros valores de x 16
17 7/5/017 Distribuição uniforme Os parâmetros caracterizadores desta distribuição são a e b, que satisfazem a condição < a < b < +. Sua função de distribuição cumulativa F(x) é dada por: 0 x a F( x ) b a 1 x a a x b x b Características: Se a variável aleatória X tem distribuição uniforme no intervalo [a,b] então: a b E( X ) ( b a ) Var( X ) 1, Distribuição uniforme Exemplo: A ocorrência de panes em qualquer ponto de uma rede telefônica de 7 km foi modelada por uma distribuição uniforme no intervalo [0,7]. Qual é a probabilidade de que uma pane venha a ocorrer nos primeiros 800 metros? E qual a probabilidade de que ocorra nos 3 km centrais da rede? f ( x ) 1 1 b a 7 0 P( a x b ) f ( x )dx b a 1 7, para 0 x 7 ( a ) P(0 x 0,8 ) ( b ) P( x 5 ) 1 x dx ,8 0 1 x dx ,8 0 0,8 0, ,
18 7/5/017 Distribuição uniforme Exemplo: Um ponto é escolhido ao acaso no segmento de reta (0,). Qual a probabilidade de que este ponto esteja entre 1 e 1,5? - Seja X a representação da variável escolher um ponto de (0,). A função densidade de probabilidade de X é dada por: Então: 1 1 f ( x ) 0,5 b a 0 P( a x b ) para 0 x P( 1 x 1,5 ) b a 1,5 1, f ( x )dx 0,5dx 0,5 Distribuição Exponencial A distribuição exponencial está intimamente ligada à distribuição de Poisson. Se o número de ocorrências de um certo acontecimento segue uma distribuição de Poisson, a medida de espaço entre duas ocorrências consecutivas ou a medida de espaço até à primeira ocorrência segue uma distribuição exponencial. A distribuição de probabilidade de um intervalo entre dois sucessos consecutivos de uma lei de Poisson é a distribuição exponencial. A distribuição exponencial é também usualmente utilizada na descrição do tempo de vida de aparelhos, de organismos etc. (lei de falhas exponencial). 18
19 7/5/017 Distribuição Exponencial Sua função densidade de probabilidadea é dada por f ( x ) λe λx para x 0 onde λ é o parâmetro caracterizador da distribuição, sendo λ > 0. Características: Média : Variância : E( X ) Var ( X ) 1 1 Distribuição Exponencial O gráfico de f(x) é dado por: f(x) λ 0 x Função distribuição cumulativa: F( x ) 0 F( x ) x 0 λe, λx dx 1 e para x para x λx,
20 7/5/017 Distribuição Exponencial Conhecida a função distribuição cumulativa de x, pode-se facilmente determinar P( X x x 0 0 x 1 e 0 ) 1 F( x0 ) 1 e f(x) λ e -λx o 0 x o x Distribuição Exponencial Exemplo: Os defeitos de um tecido seguem a distribuição de Poisson com média de um defeito a cada 400 m de tecido. Qual a probabilidade de que o intervalo entre dois defeitos consecutivos seja: a) No mínimo de 1000 m; b) Entre 800 e 1000 m. Calcule a média e a variância. 0
21 7/5/017 Distribuição Exponencial Exemplo: - Sabe-se que na distribuição de Poisson E(x) = λt, então: E( x ) a ) P( x 1defeito t 400 m 1000 ) e x e 1 / 400 defeito 1m ,081 ou 8,1% defeito / m b ) P( 800 x 1000 ) P( x e ) P( x 1000 ) e ,053 ou 5,3% Distribuição Exponencial Exemplo: Média : Variância : 1 1 E( X ) 400 m Var ( X ) m
22 7/5/017 Distribuição Normal É a mais importante distribuição de probabilidade, sendo aplicada em inúmeros fenômenos e utilizada para o desenvolvimento teórico da estatística. A grande maioria das variáveis aleatórias contínuas que descrevem processos físicos ou características humanas seguem uma distribuição normal. Algumas vezes, as variáveis aleatórias não seguem uma distribuição normal, mas aproximam-se muito desta. Por outro lado, a distribuição normal desempenha um papel crucial na inferência estatística. É também conhecida como distribuição de Gauss, Laplace ou Laplace-Gauss Distribuição Normal Seja X uma variável aleatória contínua, X terá uma distribuição normal se f ( x ) σ 1 e π ( x μ ) σ para x onde μ e σ são os parâmetros caracterizadores da distribuição. Se a variável aleatória X tem distribuição normal então: E( X ) e Var( X ) A notação N(μ,σ ) é frequentemente usada para denotar uma distribuição normal, com média μ e variância σ.,
23 7/5/017 Distribuição Normal Quando se utiliza a distribuição normal na forma como se apresenta, para o cálculo das probabilidades, surgem dois problemas: - A integração de f(x) fica difícultada, pois para o cálculo é necessário o desenvolvimento da função em série; - A elaboração de uma tabela de probabilidades única inexiste, pois como f(x) depende de dois parâmetros, isto acarreta um grande trabalho para tabelar essas propriedades considerando-se as várias combinações de μ e σ. Distribuição Normal Esses problemas podem ser contornados por meio de uma mudança de variável, obtendo-se, assim, a distribuição normal padronizada ou reduzida. Distribuição normal padrão: - Seja Z uma variável aleatória tal que: Z i X i em que X é uma variável normal de média μ e variância σ. 3
24 7/5/017 Distribuição Normal Distribuição normal padrão: - A média e a variância de Z serão: E( Z ) Var ( Z ) X 1 E X 1 Var E( X ) E( X ) E( ) Var ( X ) Var ( X ) Logo, a função densidade de probabilidade será: z 1 ( z ) e, z - Como a média de Z é 0 e a variância 1, as probabilidades podem ser facilmente calculadas e tabeladas. 0 Distribuição Normal Propriedades da distribuição normal 1. f(x) é simétrica em relação à média x = μ, ou φ(z) é simétrica em relação a z = 0. f(x) φ(z) μ 0 4
25 7/5/017 Distribuição Normal Propriedades da distribuição normal. f(x) possui um máximo para x = μ, ou φ(z) possui um máximo para z = 0. φ(z) 0,39 Distribuição Normal Propriedades da distribuição normal 3. f(x) tende a zero quando x tende para ±, o mesmo acontecendo com φ(z) quando z tende para ± ; isto é, x ou z são assíntotas de f(x) ou φ(z). 5
26 7/5/017 Distribuição Normal Propriedades da distribuição normal 4. f(x) tem dois pontos de inflexão cujas abscissas valem μ + σ e μ σ, da mesma forma φ(z) tem dois pontos de inflexão cujas abscissas valem +1 e 1. μ-σ μ+σ Distribuição Normal Propriedades da distribuição normal 5. Em ambas as funções 99,99% dos valores da variável pertencem ao intervalo [μ - 4σ, μ + 4σ]. 6
27 7/5/017 Distribuição Normal Propriedades da distribuição normal 6. Na figura (a) estão representadas duas distribuições que têm o mesmo valor médio (μ 1 = μ ), mas diferentes desvios padrões (σ 1 < σ ). Na figura (b) estão representadas duas distribuições que têm o mesmo desvio padrão, mas médias diferentes. (a) 1 (b) Distribuição Normal Propriedades da distribuição normal 6. Alguns resultados úteis relativos à distribuição normal, são sumarizados na figura abaixo. Para qualquer variável aleatória normal, P( X ) 0,687 P( X ) 0,9545 P( 3 X 3 ) 0,9975 7
28 7/5/017 Distribuição Normal Propriedades da distribuição normal - Pelo fato de mais de 0,9975 da probabilidade de uma distribuição normal estar dentro do intervalo (μ - 3σ, μ + 3σ), 6σ é frequentemente referida como a largura de uma distribuição normal. - A integração numérica pode ser usada para mostrar que a área sob a função densidade de probabilidade normal de < x < é igual a 1. Distribuição Normal Uso da tabela de distribuição normal padrão - Existem vários tipos de tabelas que oferecem as áreas (probabilidades) sob a curva normal padrão. - Essa tabela fornece a área sob a curva normal padrão entre z = - até o valor de z considerado, ou seja, P(Z z). z o 8
29 7/5/017 Distribuição Normal Uso da tabela de distribuição normal padrão - O uso da tabela para encontrar, por exemplo, P(Z 1,53) é ilustrado na figura abaixo: P(Z 1,53) = Φ (1,53) = área sombreada 1,53 z ,01 0,0 0, ,09 0 0, , , , , ,1 0, , , , , ,5 0, , , , , ,9 0, , , , , Distribuição Normal Uso da tabela de distribuição normal padrão - Definição: A função Φ(z) = P(Z z) é usada para denotar uma probabilidade proveniente da tabela anterior. Ela é chamada de função distribuição cumulativa de uma variável aleatória normal padrão. - Uma tabela é requerida porque a probabilidade não pode ser determinada pelos métodos elementares. 9
30 7/5/017 Distribuição Normal Uso da tabela de distribuição normal padrão - Outros exemplos: Distribuição Normal Uso da tabela de distribuição normal padrão - Exemplos: Os seguintes cálculos são mostrados de forma diagramática na figura a seguir. 1) P( Z 1,6 ) 1 P( Z 1,6 ) 1 0, ,
31 7/5/017 Distribuição Normal Uso da tabela de distribuição normal padrão ) P( Z 0,86 ) 0, ) P( Z 1,37 ) P( Z 1,37 ) 0,91465 Distribuição Normal Uso da tabela de distribuição normal padrão 4 ) P( 1,5 Z 0,37 ) P( Z 0, , , ,37 ) P( Z 1,5 ) 31
32 7/5/017 Distribuição Normal Uso da tabela de distribuição normal padrão 5 ) P( Z P( Z P( Z P( Z 4,6 ) 3,99 ) 0, ,6 ) 0,0003 4,6 ) 0 P( Z 3,99 ) Distribuição Normal Uso da tabela de distribuição normal padrão 6 ) P( Z z ) 0,05 Da tabela : P( Z P( Z z ) 0,95 0,95 ) z 1,65 ( valor mais próximo ). 3
33 7/5/017 Distribuição Normal Uso da tabela de distribuição normal padrão 7 ) P( z Z z ) 0,99 Por simetria, a área em cada extremidad e da distribuição é igual a ( 1 0,99 ) / 0,005. O valor de z correspond e a probabilidade de 0,995 na tabela. A probabilidade mais próxima desse valor na tabela é 0,99506, quando z,58. Distribuição Normal Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária - Todas as distribuições normais estão relacionadas algebricamente e a tabela da distribuição normal padrão pode ser usada para encontrar as probabilidades associadas com uma variável aleatória normal arbitrária usando a transformação Z i X i onde X é a variável aleatória normal de média μ e variância σ. 33
34 7/5/017 Distribuição Normal Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária - Exemplo: Suponha que as medidas de corrente em um pedaço de fio sigam a distribuição normal, com uma média de 10 miliampères e uma variância de 4 (miliampères). Qual a probabilidade de a medida exceder 13 miliampères? Distribuição Normal Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária - Seja X a representação da corrente em miliampères. A probabilidade requerida pode ser representada por P(X > 13). Usando a transformação de variável tem-se: Logo, P( X X Z 1,5 13 ) P( Z 1,5 ) 1 P( Z 1,5 ) 1 0, ,
35 7/5/017 Distribuição qui-quadrado Trata-se de um modelo de distribuição contínua muito importante para a teoria da inferência estatística. Seja X 1, X,..., X n, como uma amostra aleatória de uma distribuição normal, com média µ e variância σ desconhecidas. A grandeza ( n 1 ) S tem uma distribuição qui-quadrado, com n-1 graus de liberdade, abreviada como ou n1. Distribuição qui-quadrado Entendendo a ideia de graus de liberdade: Consideremos um conjunto de dados qualquer. Graus de liberdade é o número de valores deste conjunto de dados que podem variar após terem sido impostas certas restrições a todos os valores. Por exemplo, consideremos que estudantes obtiveram em um teste média 8,0. Assim, a soma das 10 notas deve ser 80 (restrição). Portanto, neste caso, temos um grau de liberdade 9 (10 1 = 9), pois as nove primeiras notas podem ser escolhidas aleatoriamente, contudo a 10ª nota deve ser igual a [10 (soma das 9 primeiras)]. 35
36 7/5/017 Distribuição qui-quadrado Em geral, a função densidade de probabilidade de uma variável qui-quadrado é dada baixo, em que k é o número de graus de liberdade e Γ(k/) é a função gama: f ( x ) k / 1 ( k / ) Pode-se demonstrar que a média de uma distribuição qui-quadrado é igual ao número de graus de liberdade, e que a variância é igual ao dobro do número de graus de liberdade: E Var ( k / ) 1 ( ) ( ) e /, ( m ) 0 e x x m1 dx Distribuição qui-quadrado A forma da curva que descreve a função densidade varia conforme o valor do grau de liberdade (valor do parâmetro φ): 36
37 7/5/017 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - A distribuição qui-quadrado está tabelada. A tabela fornece a abscissa da distribuição para diversas áreas (probabilidades) da cauda à direita. Assim: Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 01: Admita φ = 9 e α = 5%. Entra-se na 1ª coluna com φ = 9, e na 1ª linha com α = 0,05; na intersecção dessas obtém-se o número 16,9. φ = 9 α = 5% 16,9 37
38 7/5/017 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: Considere uma distribuição qui-quadrado com parâmetro 18. Encontre: (a) a média, a variância e o desvio padrão; (b) a mediana; (c) o 1º quartil e (d) o 90º percentil. a) A média, a variância e o desvio padrão: ( 18 ( ( 18 ) ) 36 ) 36 6 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: b) A mediana 38
39 7/5/017 Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: c) O 1º quartil Distribuição qui-quadrado Uso da tabela de distribuição qui-quadrado - Exemplo 0: d) O 90º percentil 39
40 7/5/017 Distribuição t de Student Trata-se de um modelo de distribuição contínua que se assemelha à distribuição normal padrão, N(0,1). É utilizada para inferências estatísticas, particularmente, quando se tem amostras com tamanhos inferiores a 30 elementos (Fonseca & Martins, 1996). Considere X 1, X 1,..., X n como uma amostra aleatória para uma distribuição normal com média e variância desconhecidas. A grandeza, X T S / n tem uma distribuição t, com n - 1 graus de liberdade. Distribuição t de Student A função densidade de probabilidade t é dada abaixo, sendo k o número de graus de liberdade: [( k 1 ) / 1 ( x ) x ( k1 ) / k ( k / ) [( x / k ) 1] f Como visto, a distribuição t também possui um parâmetro denominado grau de liberdade (k = φ = n - 1), e é simétrica em relação à sua média. A média dessa distribuição é zero, e sua variância é dada por: Var t ( t ) ( ) 40
41 7/5/017 Distribuição t de Student Gráfico da distribuição t de Student (para φ = 4): Observa-se que para valores de φ < 30 a distribuição t apresenta maior dispersão do que a normal padrão N(0,1), já que o desvio padrão, nesses casos, é maior do que 1, que é o desvio padrão da distribuição normal padrão. Distribuição t de Student Exemplo: - Para φ = 4 tem-se: 4 ( t 4 ) 1, Para φ = 35 tem-se: 35 ( t 35 ) 1, Para φ = 60 tem-se: 60 ( t 60 ) 1,
42 7/5/017 Distribuição t de Student Uso da tabela de distribuição t de Student - Trata-se de uma tabela unicaudal. Assim: 1 α α Encontra-se na tabela Distribuição t de Student Uso da tabela de distribuição t de Student - Procedimento de uso da tabela: 4
43 7/5/017 Distribuição t de Student Exemplo: Considere uma distribuição t com parâmetro igual a 18. Encontre: (a) a média, a variância e o desvio padrão; (b) a mediana; (c) o 1º quartil e (d) o 95º percentil. a) A média, a variância e o desvio padrão: Média : ( t 18 Variância : ( t Desvio padrão : ) ) 1,13 18 ( t 18 ) 1,13 1,06 Distribuição t de Student Exemplo: b) A mediana Md(t 18 ) : Md = c) O 1º quatil Q 1 : d) O 95º percentil P 95 : 43
44 7/5/017 Distribuição F de Snedecor Trata-se de um modelo de distribuição contínua também útil para inferências estatísticas. A distribuição F é a razão entre duas variáveis aleatórias independentes com distribuições qui-quadrado. Assim, uma distribuição F com υ (pronuncia-se upsilon) graus de liberdade no numerador e ν (pronuncia-se ni) graus de liberdade no denominador é expressa por: F(, ) Distribuição F de Snedecor Sejam W e Y variáveis aleatórias independentes qui-quadrado, com υ e ν graus de liberdade, respectivamente. Então a razão W / F Y / tem a função densidade de probabilidade ( / x ( x 1 f ( x ) ) 1 0 x e é dita seguir a distribuição F com υ graus de liberdade no numerador e ν graus de liberdade no denominador, geralmente abreviada com F υ,ν. / ) 1 44
45 7/5/017 Distribuição F de Snedecor A função F possui dois parâmetros: o grau de liberdade do numerador e o grau de liberdade do denominador, que são denominados, comumente, por υ e ν ou φ 1 e φ. A média, a variância e a moda dessa distribuição são dadas por: Média : Variância : Moda : Distribuição F de Snedecor Formas de gráficos da distribuição F : 45
46 7/5/017 Distribuição F de Snedecor Uso da tabela de distribuição F - A tabela fornece as abscissas que deixam α na cauda à direita, dados os parâmetros φ 1 e φ. Distribuição F de Snedecor Uso da tabela de distribuição F - Para se encontrar o valor da abscissa F 1-α (u,v) utiliza-se a fórmula: 1 F1,u,v F - Exemplo: Admita uma distribuição F com u = 9, v = 5 e α = 5, determine as abscissas.,v,u 46
47 7/5/017 IV Modelos de Distribuições FIM 47
Modelos de Distribuições
4/05/014 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Tucuruí CTUC Curso de Engenharia Mecânica 4/05/014 06:56 ESTATÍSTICA
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisProbabilidade 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 maisDaniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS
Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia 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 maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisAula de hoje. administração. São Paulo: Ática, 2007, Cap. 3. ! Tópicos. ! Referências. ! Distribuição de probabilidades! Variáveis aleatórias
Aula de hoje! Tópicos! Distribuição de probabilidades! Variáveis aleatórias! Variáveis discretas! Variáveis contínuas! Distribuição binomial! Distribuição normal! Referências! Barrow, M. Estatística para
Leia mais14. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas
4. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas Os valores assumidos por uma variável aleatória contínua podem ser associados com medidas em uma escala contínua como, por exemplo,
Leia maisDistribuição 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 maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
Leia maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia maisDistribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Leia maisConforme o conjunto de valores X(S) uma variável aleatória poderá ser discreta ou contínua.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X X(s) R X(S) Uma função X que associa a cada elemento de S (s S) um número real X(s) é denominada
Leia maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia maisDistribuição Normal. Prof a Dr a Alcione Miranda dos Santos. Abril, 2011
Distribuição Normal Prof a Dr a Alcione Miranda dos Santos Universidade Federal do Maranhão Programa de Pós-Graduação em Saúde Coletiva email:alcione.miranda@gmail.com Abril, 2011 1 / 18 Sumário Introdução
Leia maisMétodos Estatísticos
Métodos Estatísticos 5 - Distribuição Normal Referencia: Estatística Aplicada às Ciências Sociais, Cap. 7 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 2002. Distribuição de Probabilidades A distribuição
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Júlio Osório Distribuições Teóricas de Probabilidades Diz-se que uma variável aleatória contínua X tem uma distribuição normal de parâmetros µ (média) e σ (desviopadrão)
Leia maisVariável 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 maisConceitos Básicos, Básicos,Básicos de Probabilidade
Conceitos Básicos, Básicos,Básicos de Probabilidade Espaço Amostral Base da Teoria de Probabilidades Experimentos são realizados resultados NÃO conhecidos previamente Experimento aleatório Exemplos: Determinar
Leia maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisModelos Probabiĺısticos Discretos
Discretos Prof. Gilberto Rodrigues Liska UNIPAMPA 19 de Setembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Gilberto R. Liska ( UNIPAMPA ) Notas de Aula 19 de Setembro de 2017 1 /
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições de Probabilidade 2007/2008 1 / 31 Introdução Introdução Já vimos como caracterizar
Leia maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
Leia mais1 Introdução. 2 Variáveis Aleatórias Discretas (VAD)
Prof. Janete Pereira Amador 1 1 Introdução Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações podem ser descritas por uma variável
Leia mais2.1 Variáveis Aleatórias Discretas
4CCENDMMT02-P PROBABILIDADE E CÁLCULO DIFERENCIAL E INTEGRAL Girlan de Lira e Silva (1),José Gomes de Assis (3) Centro de Ciências Exatas e da Natureza /Departamento de Matemática /MONITORIA Resumo: Utilizamos
Leia maisCapítulo 3. Introdução à Probabilidade E à Inferência Estatística
Capítulo 3 Introdução à Probabilidade E à Inferência Estatística definições e propriedades: Propriedade 5: A probabilidade condicional reflete como a probabilidade de um evento pode mudar se soubermos
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte II 29 de Março de 2011 Distribuição Uniforme Discreta Média Propriedade da falta de memória Objetivos Ao final deste capítulo você
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Tipos de Modelos Determinístico Sistema Real Probabilístico Modelo determinístico Causas Efeito Exemplos Gravitação F GM 1 M /r
Leia maisVariável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada
Variável Aleatória Uma função X que associa a cada Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ elemento de S (s S) um número real x X(s) é denominada variável aleatória. O
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
Leia 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 maisUm conceito importante em Probabilidades e Estatística é o de
Variáveis Aleatórias Um conceito importante em Probabilidades e Estatística é o de Variável Aleatória. Variável Aleatória Seja (Ω, A) um espaço de acontecimentos. À função X : Ω IR chamamos variável aleatória.
Leia maisInstituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica. Professora: Denise Beatriz T. P. do Areal Ferrari
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Distribuições Discretas Uniforme Bernoulli Binomial Poisson
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisPROBABILIDADE & ESTATÍSTICA
PROBABILIDADE & ESTATÍSTICA Lilian de Souza Vismara Mestre Eng. Elétrica ESSC / USP Licenciada em Matemática UFSCar PROBABILIDADE & ESTATÍSTICA VARIÁVEIS ALEATÓRIAS DISTRIBUIÇÕES DE PROBABILIDADE Lilian
Leia maisCap. 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 maisCAPÍTULO 4 CONCEITOS BÁSICOS DE ESTATÍSTICA E PROBABILIDADES
CAPÍTULO 4 CONCEITOS BÁSICOS DE ESTATÍSTICA E PROBABILIDADES. INTRODUÇÃO - Conceito de população desconhecida π e proporção da amostra observada P. π P + pequeno erro Perguntas: - Qual é o pequeno erro?
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade 7 6 5 4 3 2 1 0 Normal 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Temperatura do ar 20 18 16 14 12 10 8 6 4 2 0 Assimetrica Positiva 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Precipitação
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisStela Adami Vayego DEST/UFPR
Resumo 9 Modelos Probabilísticos Variável Contínua Vamos ver como criar um modelo probabilístico, o que é uma função densidade de probabilidade (fdp), e como calcular probabilidades no caso de variáveis
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Noções básicasb de Inferência Estatística descritiva inferencial População - Parâmetros desconhecidos (reais) Amostra
Leia maisProbabilidade, distribuição normal e uso de tabelas padronizadas
Probabilidade, distribuição normal e uso de tabelas padronizadas Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais O que é probabilidade? Número de 0 até 1 que expressa a tendência de
Leia maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 11/2014 Variáveis Aleatórias Variáveis Aleatórias Probabilidade e Estatística 3/41 Variáveis Aleatórias Colete
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisProbabilidade 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 maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia maisPROBABILIDADES 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 maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisDistribuições de Probabilidade. Distribuição Normal
Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisProbabilidade: aula 2, 3 e 4
Probabilidade: aula 2, 3 e 4 Regras de contagem e combinatória Permutação Simples: Exemplo: De quantas maneiras 5 pessoas podem viajar em um automóvel com 5 lugares, se apenas uma delas sabe dirigir? Atividade:
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisPROBABILIDADES: VARIÁVEL ALEATÓRIA CONTÍNUA E DISTRIBUIÇÃO NORMAL
PROBABILIDADES: VARIÁVEL ALEATÓRIA CONTÍNUA E DISTRIBUIÇÃO NORMAL Aula 6 META Estudar o comportamento e aplicação das Variáveis Aleatórias Contínuas, bem como da Distribuição Normal. OBJETIVOS Ao final
Leia mais1 Distribuição Uniforme
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 03 Aula 8 Professor: Carlos Sérgio UNIDADE 4 - Distribuições Contínuas (Notas de Aula) Distribuição Uniforme
Leia maisEstatística. 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 maisAULAS 6 e 7. ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017
AULAS 6 e 7 ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017 Em aulas passadas vimos as funções de probabilidade de variáveis discretas e contínuas agora vamos ver
Leia maisDistribuições Amostrais
Distribuições Amostrais 1 Da população, com parâmetro, retira-se k amostras de tamanho n e calcula-se a estatística. Estas estatísticas são as estimativas de. As estatísticas, sendo variáveis aleatórias,
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 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 maisDistribuições Importantes. Distribuições Discretas
Distribuições Importantes Distribuições Discretas Distribuição de Bernoulli Definição Prova ou experiência de Bernoulli é uma experiência aleatória que apenas tem dois resultados possíveis: A que se designa
Leia maisExperiência para o qual o modelo probabilístico é adequado. Efeito. Causas. Prof. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/~viali Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
Leia maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias Discretas
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 03: Variáveis Aleatórias Discretas Qual a similaridade na natureza dessas grandezas? Tempo de espera de um ônibus
Leia maisDISTRIBUIÇÕES ESPECIAIS DE PROBABILIDADE DISCRETAS
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADES 1 1. VARIÁVEIS ALEATÓRIAS Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações
Leia maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
Leia mais1073/B - Introdução à Estatística Econômica
Lista de exercicios 2 Prof. Marcus Guimaraes 1073/B - Introdução à Estatística Econômica Ciências Econômicas 1) Suponha um espaço amostral S constituido de 4 elementos: S={a 1,a2,a3,a4}. Qual das funções
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisSÉRIE: Probabilidade Univariada Parte 2: Variáveis Contínuas 2. PROPRIEDADES DA MÉDIA E DA VARIÂNCIA DE VARIÁVEIS ALEATÓRIAS EXERCÍCIOS...
SUMÁRIO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS... 1.1. CÁLCULO DE PROBABILIDADE COM UMA VAC... 1.. A FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA...3 1.3. VARIÁVEL ALEATÓRIA CONTÍNUA (CARACTERIZAÇÃO)...4 1.3.1. Expectância,
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 maisHEP-5800 BIOESTATÍSTICA. Capitulo 2
HEP-5800 BIOESTATÍSTICA Capitulo 2 NOÇÕES DE PROBABILIDADE, DISTRIBUIÇÃO BINOMIAL, DISTRIBUIÇÃO NORMAL Nilza Nunes da Silva Regina T. I. Bernal MARÇO DE 2012 2 1. NOÇÕES DE PROBABILIDADE 1. DEFINIÇÃO Considere
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Variável aleatória É uma função, com propriedades especiais, que transforma eventos em números,
Leia maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Leia maisUniversidade 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 maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
Leia maisICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim. ICMS PE 2014: Resolução da prova de Estatística Prof.
ICMS/PE 2014 Resolução da Prova de Estatística Professor Fábio Amorim 1 de 6 Pessoal, segue a resolução das questões de Estatística da prova realizada pela SEFAZ-PE, para o cargo de Auditor Fiscal do Tesouro
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 maisRESOLUÇÃO DAS QUESTÕES DE ESTATÍSTICA
RESOLUÇÃO DAS QUESTÕES DE ESTATÍSTICA Caro aluno, Disponibilizo abaixo a resolução resumida das questões de Estatística da prova de Auditor da SEFAZ/PI 2015. Vale dizer que utilizei a numeração da prova
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisDistribuições de probabilidade
Distribuições de probabilidade Distribuições contínuas Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT)
Leia maisNome: N o : Espaço reservado a classificações
ESTATÍSTICA I 2 o Ano/Gestão 1 o Semestre Época Normal Duração: 2 horas 1 a Parte Teórica N o de Exame: abcde 03.Jan.11 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação: 8 valores).
Leia maisPROBLEMA 1 O retorno mensal de certo investimento de risco pode ser modelado pela variável aleatória R com função de probabilidade dada abaixo :
Módulo básico - Tópicos de Estatística e obabilidade ONS 006/007 - ofa. Mônica Barros LISTA DE EXERCÍCIOS # PROBLEMA O retorno mensal de certo investimento de risco pode ser modelado pela variável aleatória
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte III 08 de Abril de 2014 Distribuição Binomial Negativa Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisConceitos básicos, probabilidade, distribuição normal e uso de tabelas padronizadas
Conceitos básicos, probabilidade, distribuição normal e uso de tabelas padronizadas Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Alguns conceitos População: é o conjunto de todos
Leia mais