SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
|
|
- Ana Vitória Borges Cabreira
- 6 Há anos
- Visualizações:
Transcrição
1 4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está disponível ou não é necessária. Em vez disso, certas características importantes de uma variável aleatória continua X pode ser conhecida e este conhecimento pode ser suficiente para levar a uma solução desejada. Várias sumários numéricos (parâmetros) podem ser obtidas a partir da fpd, que nos dá características simples da distribuição da variável aleatória. 4.1 ESPERANÇA MATEMÁTICA Definição 4.1: Seja X uma variável aleatória contínua com função de densidade f. Definimos como esperança matemática (valor esperado ou média) de X dada por: E[X] = desde que a integral esteja bem definida. x f (x)dx A esperança está bem definida se pelo menos uma das integrais for finita x f (x)dx < ou x f (x)dx < O valor esperado E[X] pondera os valores assumidos pelas probabilidade, e pode ser interpretado como o centro de gravidade da distribuição da variável aleatória X. Exemplo 4.1: Seja X uma variável aleatória contínua com densidade dada por: f (x) = 1 4 I (,)(x) I (,4)(x)
2 Sumários de variáveis aleatórias continuas Figura 4.1: Centro de Gravidade e Valor Esperado - Caso Contínuo Assim o valor esperado é E[X] = = x f (x)dx x dx + x 1 4 dx = 1 xdx E[X] = 1 Desta forma o gráfico de f (x) pode é dado por 4 xdx Figura 4.: Função de Densidade e Valor Esperado Exemplo 4.: Suponha que X seja uma variável aleatória com f.d.p. dada por a) Obtenha o valor de c. f (x) = { c(9 x ) se 3 x 3 caso contrário 3 c (9 x )dx = 1 36c = 1 c =
3 Sumários de variáveis aleatórias continuas 3 Assim f (x) = { 1 36 (9 x ) se 3 x 3 caso contrário c) Obtenha a esperança de X. E[X] = x f (x)dx = 3 3 c) Determine a função de distribuição de X F(x) = x d) Determine P[X E[X] + 1] f (u)du = x x 1 36 (9 x )dx = 1 3 (9x x 3 )dx = (9 u )du = (x3 7x 54) 18 P[X E[X] + 1] = P[X + 1] = P[X 1] = F(1) = 7 Exemplo 4.3: Uma variável aleatória X contínua tem a seguinte função de distribuição Determinar a E[X]. F(x) = { se x < 1 e 4 x se x Para calcular o valor esperado podemos, inicialmente vamos obter a fdp de X f (x) = df(x) dx = e 4 x I [, ) (x) Assim, E[X] = x f (x)dx = xe 4 x dx = xe 4 x dx = 5 Definição 4.: Seja X uma variável aleatória com função de distribuição F e cujo valor esperado existe. Então E[X] = (1 F(x))dx F(x)dx Exemplo 4.4: Seja X uma variável aleatória com função de distribuição se x < 1 F(x) = x +x 18 se 1 x < 4 1 se x 4
4 Sumários de variáveis aleatórias continuas 4 A variável só tem valores positivos, logo E[X] = = 1 (1 F(x))dx 1dx ( ) 1 x + x dx 18 = 11 4 Teorema 4.1: Seja X uma variável aleatória cujo valor esperado existe. Considere Y = g(x), uma função de X que também é uma variável aleatória no mesmo espaço de probabilidade. Então: E[g(X)] = g(x) f (x)dx Exemplo 4.5: A variável aleatória X tem função de densidade de probabilidade dada por: f (x) = Seja Y = X, determine o valor esperado de Y. Temos que Y é uma função de X, logo E[Y ] = E[X ] = = = (x + ) se x < 1 se x < 1 caso contrário x f (x)dx x (x + )dx + x 1 dx (x 3 + x )dx + 1 = = 1 1 x dx Teorema 4. (Propriedades da Esperança): Seja X uma variável aleatória cujo valor esperado existe. Então a) E[c] = c onde c é uma constante. b) Linearidade: Se E[aX + b] = ae[x] + b Exemplo 4.6: Suponha X seja uma variável aleatória, para a qual E[X] = 1. Seja Y = a + bx. Para quais valores de a e b deve ter valor esperado. Aplicando as propriedades de esperança temos que E[Y ] = E[a + bx] = a + be[x]
5 Sumários de variáveis aleatórias continuas 5 Como E[Y ] = a + be[x] = Então a + be[x] = a + 1b = b = a 1 Ou seja valor esperado de Y será, sempre que a e b tiverem valores na reta Exemplo 4.7: Seja X uma variável aleatória com valor esperado E[X] = µ, mostre que o erro quadrático médio, dado pela expressão E[(X d) ], é minimizado quando d = µ Temos que E[(X d) ] = E[X Xd + d ] = E[X ] de[x] + d = E[X ] dµ + d Fazendo h(d) = E[X ] dµ + d, temos a primeira derivada h (d) = µ + d, assim quando h (d) = temos, µ + d = d = µ Logo o ponto d = µ minimiza a expressão E[(X d) ] 4. VARIÂNCIA O valor esperado E[X] é uma medida do centro de uma distribuição. Para uma caracterização mais ampla da variável aleatória, é interessante considerar uma medida da dispersão dessa distribuição. Definindo o desvio de uma V. A. X relativamente ao seu valor esperado E[X], como d = X E[X] utilizando as propriedades do valor esperado tem-se que: E[d] =
6 Sumários de variáveis aleatórias continuas 6 A medida que leva em conta a grandeza dos desvios independente do seu sinal, é chamada de variância. Definição 4.3: Seja X uma variável aleatória. Definimos a variância de X, denotada por V (X), dada por V (X) = E[(X E[X]) ] Definição 4.4: A raiz quadrada positiva de V [X] é denominada desvio padrão de X DP(X) = V (X) Teorema 4.3: Seja X uma variável aleatória com em que existe o valor esperado, então a variância é dada por: V [X] = E[X ] (E[X]) Exemplo 4.8: Seja X uma variável aleatória com fpd dada por { 1 + x 1 x f (x) = 1 x < x 1 Determine a esperança e a variância de X E[X] = = 1 x f (x)dx x(1 + x)dx + 1 x(1 x)dx E[X ] = = = = 1 = x f (x)dx x (1 + x)dx + = 1 6 V (X) = E[X ] (E[X]) = 1 6 = x (1 x)dx Teorema 4.4 (Propriedades da Variância): Seja X uma variável aleatória cujo valor esperado existe. Então a) V [X]
7 Sumários de variáveis aleatórias continuas 7 b) V [c] = onde c é uma constante. c) [V [ax + b] = a V [X] 4.3 DESIGUALDADE DE CHEBYSHEV Se conhecemos a função de distribuição de probabilidade de uma variável aleatória X, podemos obter o valor esperado E[X] e a variância V (X). Mas a reciproca não é verdadeira, pois somente com o conhecimento de E[X] e V (X) não é possível obter a fdp de X, e por consequência não é possível calcular probabilidades. Mas, embora não possamos calcular probabilidades a partir de E[X] e V (X), é possível estabelecer limites para as probabilidades. Este resultado é conhecido como desigualdade de Chebyshev. Teorema 4.5 (Desigualdade de Markov): Seja X uma variável aleatória não negativa e considere k >. Então P(X k) E[X] k Corolário 4.1 (Desigualdade de Chebyshev): Seja X uma variável aleatória com E[X] = µ e variância finita. Então, para k > Demonstração. P( X µ k) V (X) k P( X µ k) = P((X µ) k ) Aplicando a desigualdade de Markov temos P((X µ) k ) E [ (X µ) ] k = V (X) k Formas alternativas de se escrever a desigualdade de Chebyshev são dadas a seguir P( X µ < k) 1 V (X) k P(E[X] k < X < E[X] + k) 1 V (X) k Exemplo 4.9: Seja X uma variável aleatória continua E[X] = µ e DP(X) = σ. Determine os limites de P ( X µ 3 ) σ
8 Sumários de variáveis aleatórias continuas 8 Pela Desigualdade de Chebyshev temos P( X µ k) V (X) k P ( X µ 3 ) σ σ ( 3 σ ) = σ 9 4 σ = 4 9 Exemplo 4.1: Seja X uma variável aleatória continua E[X] = 1 e DP(X) = 1, Determine os limites para a probabilidade abaixo P(8 < X < 16) Fazendo E[X] k = 8 1 k = 8 k = 4 E[X] + k = k = 16 k = 4 Assim temos P(8 < X < 16) 1 1 (4) = 16 1 = =,9375 Assim P(8 < X < 16), MOMENTOS Já vimos como calcular o valor esperado (E[X]), e a variância V (X)de uma variável aleatória contínua X. Estes dois parâmetros dão uma indicação da localização e de dispersão de uma distribuição de probabilidade. Pode-se mostrar que outras características da distribuição de probabilidade de X podem ser expressas por meio de potências de X. Esses valores são chamados de momentos de uma variável aleatória X. Os momentos são estatísticas de uma variável aleatória capazes de representar seu comportamento probabilístico. Os infinitos momentos estatísticos definem a função de densidade de probabilidade.
9 Sumários de variáveis aleatórias continuas 9 Definição 4.5 (Momentos): Se X é uma variável aleatória, o k-ésimo momento de X é definido como, denotado por µ k, é definido como µ r = E[X r ] Definição 4.6 (Momentos Centrais): Se X é uma variável aleatória, o k-ésimo momento central de X é definido como, E[(X a) r ] Se E[X] = µ <, temos que k-ésimo momento central de X de ordem k é dado por µ r = E[(X µ) r ou sejam este é o k-ésimo momento em torno da média. O primeiro momento da distribuição de probabilidade de uma variável aleatória X, ou seja, o valor esperado E[X] = µ, é uma medida de localização da distribuição de y. O segundo momento central em torno da média E[(X µ) ], exprime a dispersão da distribuição. Outros momentos centrados descrevem outros aspectos importantes referentes à forma da distribuição. Em particular, o terceiro e quarto momentos centrados podem ser utilizados para exprimir os graus de assimetria ou de curtose da distribuição. O terceiro e quarto momentos centrais em torno da média podem ser utilizados para exprimir medidas de assimetria ou de curtose da distribuição. Seguindo a definição de uma função simétrica, pode-se dizer que a distribuição de probabilidade da variável aleatória X é simétrica em torno da média µ se: f (µ x) = f (µ + x). Assim uma distribuição é simétrica se o terceiro momento µ 3 =. O calculo do terceiro momento centrado depende da unidade de medida da variável X, o que dificulta a comparação de diferentes distribuições quanto ao grau de assimetria. Para contornar esse problema, a medida de assimetria mais utilizada é o coeficiente de assimetria. (a) Assimétrica a Direita (b) Assimétrica a Esquerda (c) Simétrica Figura 4.3: Exemplos de distribuição simétrica e assimétrica
10 Sumários de variáveis aleatórias continuas 1 Definição 4.7 (Coeficiente de Assimetria): Seja X uma variável aleatória qualquer com valor esperado µ e desvio padrão σ. O coeficiente de assimetria de X, é dado por α 3, indica o grau de assimetria da distribuição de probabilidade e é definida por α 3 = E[(X µ)3 ] σ 3 Em geral, se α 3 <, dizemos que a variável X é assimétrica à esquerda. Se α 3 >, dizemos que a variável X é assimétrica à direita. Em termos de probabilidade uma variável aleatória é simétrica, em torno de um valor a, se satisfaz a equação P(X µ x) = P(X µ x), x R A curtose é outra medida da forma de distribuição, que pode ser entendida como uma medida relativa ao do pico distribuição. Definição 4.8 (Coeficiente de Curtose): Seja X uma variável aleatória qualquer com valor esperado µ e desvio padrão σ. O coeficiente de curtose de X, é dado por α 4, mede a intesidade dos picos de uma da distribuição de probabilidade e é definida por α 4 = E[(X µ)4 ] σ 4 A distribuição normal tem uma curtose de 3 (mesocúrtica), em geral, compara-se os valores da curtose com esse valor. A curtose pode ser entendida como uma medida de peso de cauda: Uma distribuição platicúrtica (α 4 < 3) tem caudas mais pesadas do que uma distribuição normal. Isto significa que há mais casos longe da média do que é encontrado em uma distribuição normal. Uma distribuição leptocúrtica (α 4 > 3) tem menos valores nas caudas (caudas leves), então há mais casos perto da média do então seria esperado em uma distribuição normal Função Geradora de Momentos A função geradora de momento está associado a uma função de densidade de probabilidade. A função geradora de momento pode ser usado para gerar momentos. No entanto, o principal uso dessa função não é gerarm momentos de geração, mas para ajudar na caracterização de uma distribuição. Definição 4.9: A função geradora de momentos de uma variável aleatória continua X, denotado por M X (t), é definido como: M X (t) = E[e tx ] = e tx f (x)dx
11 Sumários de variáveis aleatórias continuas 11 desde que a expectativa existe para t em alguns bairro de. Exemplo 4.11: Seja uma variável aleatória continua X com fdp dada por Determine a função geradora de momentos M X (t) = E[e tx ] = f (x) = e x I [, ) (x) e tx f (x)dx = e tx e x dx = e (t )x dx = lim a t e(t )x ( ) = lim t a e(t )a 1 M X (t) = t se t < Nesse caso os valores de t foram restritos para garantir que a integral seja finita. Teorema 4.6: Seja X uma variável aleatória, e suponha que sua função geradora de momento M X (t) exista para t < t, sendo t >. Então o n-ésimo momento de X é a n-ésima derivada de M X (t), calculada no ponto t =. Ou seja E[X n ] = dn M X () dt n Exemplo 4.1: Seja uma variável aleatória continua X com fdp dada por e função geradora de momentos dada por Determine a média e a variância de X. M X(t) = f (x) = e x I [, ) (x) M X (t) = t se t < ( t) M X(t) 4 = ( t) 3 a
12 Sumários de variáveis aleatórias continuas 1 Fazendo em t = 4.4. Cumulantes E[X] = M X() = () =,5 E[X ] = M X() = 4 () 3 =,5 VAR[X] = E[X ] (E[X]) =,5,5 =,5 Cumulantes também chamados de momentos cumulativos são de muita importância na descrição de uma variável aleatória. Os cumulantes são um conjunto de quantidades que fornecem uma alternativa para os momentos da distribuição distribuição de probabilidade. Definição 4.1: Seja X uma variável aleatória com função geradora de momentos M X (t). A função geradora de cumulantes de uma variável aleatória continua X denotada por c X (t), é definida como C X (t) = ln(m X (t)) Definição 4.11: O cumulante de ordem n é definido como c n = dn C X () dt n Os cumulantes são relacionados com os momentos centrais da seguinte forma: c 1 = µ c = µ c 3 = µ 3 c 4 = µ 4 3µ Exemplo 4.13: Seja uma variável aleatória continua X com fdp dada por e função geradora de momentos dada por f (x) = 1 3 e 1 3 x, se x M X (t) = 1 1 3t se t < 1 3 Determine a função geradora de cumulantes. ( ) 1 C X (t) = ln(m X (t)) = ln = ln(1) ln(1 3t) = ln(1 3t) 1 3t
13 Sumários de variáveis aleatórias continuas 13 Determinar os 4 primeiros cumulantes C X(t) = C X(t) = C X (t) = 3 1 3t c 1 = C X() = 3 9 (1 3t) c = C X() = 9 54 (1 3t) 3 c 1 = C X () = 54 C (4) X (t) = 486 (1 3t) 4 c 4 = C X() = 486 Determinar a média, variância, coeficiente de assimetria e coeficiente de curtose µ 1 = c 1 = 3 média µ = c = 9 variância (9) = 3 desvio padrão µ 3 = c 3 = 54 assimetria α 3 = 54 = coeficiente de assimetria 33 µ 4 = c 4 + 3µ = (9 ) = 79 curtose α 4 = 79 = 9 coeficiente de curtose MODA Outro valor de interesse no resumo de um distribuição de probabilidade é a moda Mo. Apesar de não ser realmente uma medida central, a moda diz o valor mais provável da variável aleatório X. Assim, a moda ocorre no valor máximo de f (x), e podem ser localizados através do gráfico de a função densidade de probabilidade. Definição 4.1: Se X é o variável aleatória continua, com função de densidade f, então a moda de X, é dada por: f (Mo) f (x), x R Para determinar a moda de X basta determinar o valor máximo da função de densidade de probabilidade. Com funções complexas, pode ser necessário diferenciar para encontrar os máximos e mínimos de f. Exemplo 4.14: Seja X uma variável aleatória com fdp dada por f (x) = 1x 1x 3 I [,1] (x)
14 Sumários de variáveis aleatórias continuas 14 Determine a Moda de X. Fazendo a primeira derivada de f (x) em relação a x, temos f (x) = 4x 36x Fazendo f (x) =, temos 4x 36x = x = e x = 3 A segunda derivada de f (x) em relação a x, temos ( ) f (x) = 4 7x f () = 4 e f = 4 3 Assim x = é um ponto de mínimo e x = 3 é um ponto de máximo. Logo Mo = 3 Exemplo 4.15: Seja X uma variável aleatória com fdp dada por f (x) = xe x I [, ] (x) Determine a Moda de X. Fazendo a primeira derivada de f (x) em relação a x, temos f (x) = (1 x)e x Fazendo f (x) =, temos (1 x)e x = 1 x = e x = 1 A segunda derivada de f (x) em relação a x, temos f (x) = (x )e x f (1) = e Assim x = 1 é um ponto de máximo. Logo Mo = MEDIANA E QUANTIS Definição 4.13: Seja X uma variável aleatória continua com função de distribuição F, e seja uma probabilidade p (,1). Um valor de q tal que F(q) = p
15 Sumários de variáveis aleatórias continuas 15 é chamada de quantil de ordem p para a distribuição de X Um quantil de ordem p é valor q, tal que abaixo dele tenha p de probabilidade acumulada. Assim, F(q) = p = P[X q] = q f (x)dx Para encontrar o valor do q-ésimo quantil, poderia utilizar a resolução da integral q f (x)dx = p Para maioria das variáveis continuas, o valor q é encontrado como q = F 1 (p) em que F 1 é a função inversa de F da função de distribuição é chamada de função quantílica. Alguns quantis recebem nomes especiais: O quantil de ordem 1 O quantil de ordem 1 4 O quantil de ordem 3 4 é chamado de mediana ou segundo quartil da distribuição é chamado de primeiro quartil da distribuição é chamado de primeiro quartil da distribuição Definição 4.14: A mediana de uma variável aleatória X, denotada por Md, é o valor de X tal que F(Md) = 1 = 1 F(Md) ou Md f (x)dx = 1 = Md f (x)dx Assim, a mediana de uma variável aleatória X é um numero, tal que a massa de probabilidade de X seja dividida igualmente para a direita e esquerda desse valor. Exemplo 4.16: Seja X uma variável aleatória com função de densidade de probabilidade dada por f (x) = (1 x)i [,1] (x) Determinar a mediana e os quantis,3 e,7 Primeiro vamos obter a função de distribuição de X F(x) = x (1 u)du = x x I [,1] (x) Assim a função quantílica x = F 1 (p) x = 1 1 p
16 Sumários de variáveis aleatórias continuas 16 Para mediana p=,5, assim Md = 1 1,5 =,99 Para o quantil de p=,3 X,3 = 1 1,3 =,1633 Para o quantil de p=,7 X,7 = 1 1,7 =,45 Exemplo 4.17: Seja X uma variável aleatória com função de distribuição dada por f (x) = 1 e x I [, ) (x) Determinar a mediana e o quantil de,9 Primeiro vamos obter a função quantílica x = F 1 (p) Para mediana p=,5, assim Para o quantil de p=,9 Md = X,9 = x = ln(1 p) ln(1,5) ln(1,9) =,3465 = 1, EXERCÍCIOS Teóricos 4.1) Mostre ou dê um contra-exemplo que E [ ] 1 = 1 X E[X] 4.) Para quaisquer valores de a e b, se P(a X b) = 1, então a E[X] b 4.3) Seja X uma variável aleatória simétrica em torno de α, isto é, P(X α +x) = P(X α x) para todo x R. Mostre que se X é integrável, então E(X) = α. 4.4) Suponha que X é uma variável aleatória com função geradora de momento M x (t), média µ e variância σ. Seja c(t) = lnm x (t). Mostre que c () = µ e c () = σ
17 Sumários de variáveis aleatórias continuas ) Seja X uma variável aleatória para o qual P(X ) = e E[X] = µ <. Prove que P[X µ] 1 1 k para k 1 4.6) Mostre que o terceiro momento central (µ 3 ) é dada por µ 3 = E[X 3 ] 3µσ µ 3 sendo E[X] = µ e V (X) = σ 4.7) Seja X uma variável aleatória com E[X] < e V (X) <, mostre que tem E[X] = e V (X) = 1 Z = X E[X] DP[X] 4.8) Se K é real positivo e x uma variável aleatória então P( X λ) E( X t ) k t t > 4.9) Seja X uma variável aleatória com função geradora de momentos M X (t) e a e b constantes.mostre que a função geradora de momentos de Y = ax + b é R Y (t) = e bt M X (at) 4.1) Seja X uma variável aleatória com valores entre e c. Tal que P( X c) = 1. Então 4.7. Práticos V (X) c 4 4.1) Verifique se as funções abaixo são funções de densidade de probabilidade. Caso positivo determine E[X], V (X), coeficiente de assimetria e curtose, função geradora de momentos, Moda e Mediana a) f (x) = x+1 1 I [,3](x) b) f (x) = x 3 x + 1, se x 1 c) f (x) = 5(1 x) 4, se x 1 d) f (x) = 1 sen(x), se x π
18 Sumários de variáveis aleatórias continuas 18 e) f (x) = {.5e x x.5e x x > 4.) Suponha que a duração de vida (em horas) de uma certa válvula seja uma variável aleatória contínua X com fdp dada por f (x) = 1 x, para x > 1 e zero para quaisquer outro valor. Mostre que E[X] não existe. 4.3) Suponha que um dispositivo eletrônico tenha uma duração de vida X, (em unidades de 1. horas), a qual é considerada como uma variável aleatória continua, com a seguinte fdp. f (x) = e x, x > Suponha que o custo de fabricação de um desses dispositivos seja R$,. O Fabricante vende a peça por R$5,, mas garante o reembolso total se X <,9. Qual o lucro esperado pelo fabricante? 4.4) A função de distribuição de X é dada por a) Calcule E[X] b) Calcule E[X ] c) Determine P[X < E[X]] F(X) =, se x < x+ 1, se x < x + 5 3x, se x < 5 1, se x 5 4.5) Admita que X representa a duração de uma chamada telefônica internacional e obedeça o seguinte modelo F(x) = 1 e x I[, ) (x) a) Verifique que F(x) é uma função de distribuição b) Determine E[X] c) A tarifa aplicada por chamada tem um custo inicial de R$, e um adicional de R$,75 por minuto inteiro de conversação. Determine o custo médio de cada chamada. 4.6) Suponha que X seja uma variável aleatória com E[X] = e V (X) = 5. Seja Y = ax b. Para quais valores positivos de a e b, Y deve ter E[Y ] = e V (Y ) = 1 4.7) Seja f (x) = (θx + 1 )I ( 1,1)(x), onde θ é uma constante. a) Para quais valores de θ, f (x) é uma função de densidade?
19 Sumários de variáveis aleatórias continuas 19 b) Ache a média, mediana e variância de X c) Para quais valores de θ a variância de X é máxima. 4.8) Seja X uma variável aleatória com E[X] = 3 e E[X ] = 13. Determine os limites para P[ < X < 8]. 4.9) Sabe que uma variável aleatória X, tem E[X] = 6 e E[X ] = 6. Seja Y = 1 X + 3 Determine E[Y ] e V (Y ) 4.1) Seja X uma variável aleatória contínua com função densidade de probabilidade f (x) = 1 x se x < 1 1) Seja f (x) = (θx + 1 )I ( 1,1)(x), onde θ é uma constante. a) Prove que f é uma função densidade de probabilidade. b) Determine E(X) e V (X). c) Calcule P( X k), onde k é um número < k < 1. d) Obtenha uma cota superior para a probabilidade anterior. 4.11) Se uma variável aleatória continua X tem E[X] =,6 e função de densidade de probabilidade dada por { ax + bx < x < 1 f (x) = caso contrário determine P(X < 1/) e V (X)
Cálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Aula Valor esperado como solução do problema do menor erro quadrático médio e Quantis 03/14 1 / 15 Valor esperado como solução
Leia maisNOTAS DA AULA. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA VARIÁVEIS ALEATÓRIAS. ESPERANÇA E VARIÂNCIA Prof.: Idemauro Antonio Rodrigues de Lara 2 Objetivo geral da aula Caracterizar variáveis aleatórias discretas e contínuas. Compreender e aplicar
Leia maisCálculo II (Primitivas e Integral)
Cálculo II (Primitivas e Integral) Antônio Calixto de Souza Filho Escola de Artes, Ciências e Humanidades Universidade de São Paulo 5 de março de 2013 1 Aplicações de Integrais subject Aplicações de Integrais
Leia maisFUNÇÕES DE VARIÁVEL ALEATÓRIA
5 FUNÇÕES DE VARIÁVEL ALEATÓRIA Dada uma variável aleatória contínua X com função de densidade f (x). Considerando Y = g(x), uma função de X, também é uma variável aleatória. A definição da variável Y
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisVariáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse
Leia 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 maisEST029 Cálculo de Probabilidade I Cap. 6: Caracterização Adicional de Variáveis Aleatórias
EST029 Cálculo de Probabilidade I Cap. 6: Caracterização Adicional de Variáveis Aleatórias Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Motivação Suponha que tenhamos um experimento onde a probabilidade
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu. Engenharia e Gestão Industrial
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC,
Leia 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 maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte I 29 de Abril de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Determinar probabilidades a partir de funções densidades
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Variáveis Aleatórias
Estatística: Aplicação ao Sensoriamento Remoto SER 24 - ANO 218 Variáveis Aleatórias Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Variável atributo Em qualquer tipo
Leia maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte I 2012/02 1 Variáveis Aleatórias Contínuas 2 Distribuições de Probabilidade e Funções Densidades de Probabil 3 4 Objetivos Ao final
Leia maisEstatística Básica. Variáveis Aleatórias Contínuas. Renato Dourado Maia. Instituto de Ciências Agrárias. Universidade Federal de Minas Gerais
Estatística Básica Variáveis Aleatórias Contínuas Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Lembrando... Uma quantidade X, associada a cada possível resultado
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 maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A função densidade de probabilidade. Exemplo
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 06 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ A função densidade de probabilidade Seja X uma variável aleatória
Leia maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia maisMedidas de Posição ou Tendência Central
Medidas de Posição ou Tendência Central Medidas de Posição ou Tendência Central Fornece medidas que podem caracterizar o comportamento dos elementos de uma série; Possibilitando determinar se um valor
Leia maisVariável Aleatória Contínua. Tiago Viana Flor de Santana
ESTATÍSTICA BÁSICA Variável Aleatória Contínua Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual de Londrina UEL Departamento
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisEstatística 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 maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisDistribuições de Probabilidade. Variáveis aleatórias contínuas
Distribuições de Probabilidade Variáveis aleatórias contínuas 1 Variáveis contínuas Uma variável aleatória contínua toma um nº infinito não numerável de valores (intervalos de números reais), os quais
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
Leia 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 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 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;
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 maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ As medidas de posição apresentadas fornecem a informação dos dados apenas a nível
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisVariáveis Aleatórias - VA
Variáveis Aleatórias - VA cc ck kc kk 0 1 2 1/4 1/2 Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - Introdução Se entende por VA ou V. indicadoras uma lista de valores
Leia maisUniversidade Federal da Paraíba Departamento de Estatística Lista 1 - Outubro de 2013
1. Seja X a duração de vida de uma válvula eletrônica e admita que X possa ser representada por uma variável aleatória contínua, com f.d.p. be bx, x 0. Seja p j = P (j X < j + 1). Verifique que p j é da
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisEstatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS. Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais
Estatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Modelo Uniforme Contínuo Uma variável aleatória X tem distribuição
Leia mais3. VARIÁVEIS ALEATÓRIAS
3. VARIÁVEIS ALEATÓRIAS 011 Variável aleatória é o espaço amostral de um eperimento aleatório. Uma variável aleatória,, é uma função que atribui um número real a cada resultado em. Eemplo. Retira-, ao
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância Variáveis Contínuas 10/13 1 / 1 Esperança Definição 2.1:(Valor Esperado
Leia maisVariáveis aleatórias contínuas
Variáveis aleatórias contínuas Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 20/04/2018 WB, FM,
Leia maisn = 25) e o elemento (pois = 19) e terá o valor 8. Verifique que antes e depois do 19 o elemento, teremos 18 elementos.
V) Mediana: A Mediana de um conjunto de números, ordenados crescente ou decrescentemente em ordem de grandeza (isto é, em um rol), será o elemento que ocupe a posição central da distribuição de freqüência
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia 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 maisAula 6 - Variáveis aleatórias contínuas
Aula 6 - Variáveis aleatórias contínuas PhD. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação-LEG Universidade Federal do Paraná 1/2017 Bonat, W. H. (LEG/UFPR) 1/2017 1 / 18 Variáveis aleatórias
Leia maisVariáveis 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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula 02/14 1 / 1 A distribuição F de Snedecor também conhecida como distribuição de Fisher é frequêntemente
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisCálculo II (Primitivas e Integral)
Cálculo II (Primitivas e Integral) Antônio Calixto de Souza Filho Escola de Artes, Ciências e Humanidades Universidade de São Paulo 19 de março de 2013 1 Aplicações de Integrais 2 subject Aplicações de
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisVARIÁVEIS ALEATÓRIAS. Assim, o espaço amostral é um conjunto com 8 elementos dado por
VARIÁVEIS ALEATÓRIAS Definição.: Dado um espaço de probabilidade (Ω, F, P ), uma variável aleatória X é uma função real definida no espaço Ω, e que toma valores em R tal que o conjunto {ω Ω : [X(ω) x]}
Leia maisASSIMETRIA E CURTOSE
ASSIMETRIA E CURTOSE Lucas Santana da Cunha email: lscunha@uel.br Universidade Estadual de Londrina 11 de maio de 2016 Assimetria Numa distribuição estatística, a assimetria é o quanto sua curva de frequência
Leia mais3.1 - Medidas de Posição Medidas de Dispersão Quantis Empiricos Box-plots Graficos de simetria 3.
3 - MEDIDAS RESUMO 3.1 - Medidas de Posição 3.2 - Medidas de Dispersão 3.3 - Quantis Empiricos 3.4 - Box-plots 3.5 - Graficos de simetria 3.6 - Transformações 1/17 3.1 - Medidas de Posição Muitas vezes
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 221171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisMétodos Estatísticos Básicos
Aula 4 - Medidas de dispersão Departamento de Economia Universidade Federal de Pelotas (UFPel) Abril de 2014 Amplitude total Amplitude total: AT = X max X min. É a única medida de dispersão que não tem
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisProbabilidade 2 - ME310 - Lista 4
Probabilidade - ME30 - Lista 4 November 4, 05 Lembrando:. Geratriz de momentos: M X (t) = E(e t X ) = + et x f(x) dx, observe que dm X (t) = + x et x f(x) dx = dm X (0) = + x et 0 f(x) dx = + x f(x) dx
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 maisEstatística 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 maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisUFABC - Pós-graduação em Física - FIS Mecânica Estatística Curso Prof. Germán Lugones CAPITULO 1. Variáveis Aleatórias
UFABC - Pós-graduação em Física - FIS 07 - Mecânica Estatística Curso 208. - Prof. Germán Lugones CAPITULO Variáveis Aleatórias Introdução Mecânica Mecânica Estatística Termodinâmica H(p i,q i ) Q N (V,
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Pertencem ao grupo de ferramentas estatísticas que permitem caracterizar um conjunto de dados sob ponto de vista da tendência
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ CAMPUS PONTA GROSSA METROLOGIA II
METROLOGIA II Professor: Eng. PAULO ROBERTO CAMPOS ALCOVER JUNIOR Curso de Tecnologia em Fabricação Mecânica 2 Período ; ; ; ; ;. 2 : Definições de Estatística; Conceitos Básicos; Medidas Descritivas:
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades 01 de Abril de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Determinar probabilidades a partir de funções de probabilidade
Leia maisMomentos. p i (x i µ)
Capítulo 5 Momentos O estudo das funções de distribuição de variáveis aleatórias é essencialmente o estudo de algumas características numéricas associadas. Esses parâmetros que caracterizam as funções
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
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 mais1 Noções de Probabilidade
Noções de Probabilidade Já vimos que para se obter informações sobre alguma característica da população, podemos utilizar uma amostra. Estudaremos agora a probabilidade, que é uma ferramenta usada e necessária
Leia maisNOTAS DE AULA. Medidas Descritivas. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DE AULA Medidas Descritivas Prof.: Idemauro Antonio Rodrigues de Lara 2 PRINCIPAIS MEDIDAS DESCRITIVAS 1. Medidas de tendência central 1.1 Média 1.2 Mediana 1.3 Moda 2. Medidas de dispersão 2.1
Leia maisVariáveis Aleatórias Discretas
Variáveis Aleatórias Discretas Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Definição Uma variável aleatória é uma função definida
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Professora Renata Alcarde Piracicaba março 2014 Renata Alcarde Estatística Geral 27 de Março de 2014 1 / 42
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Qui-quadrado 02/14 1 / 1 Definição 14.1: Uma variável aleatória contínua X tem
Leia maisVariáveis Aleatórias. Probabilidade e Estatística. Prof. Dr. Narciso Gonçalves da Silva
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Variáveis Aleatórias Variável Aleatória Variável aleatória (VA) é uma função que associa a cada
Leia maisExercícios 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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisPROBABILIDADE E ESTATÍSTICA ESTATÍSTICA DESCRITIVA
PROBABILIDADE E ESTATÍSTICA ESTATÍSTICA DESCRITIVA Prof.ª Sheila Regina Oro Projeto Recursos Educacionais Digitais Autores: Bruno Baierle e Maurício Furigo ESTATÍSTICA DESCRITIVA A Estatística Descritiva
Leia mais2. 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 maisProf. Dr. Engenharia Ambiental, UNESP
INTRODUÇÃO A ESTATÍSTICA ESPACIAL Análise Exploratória dos Dados Estatística Descritiva Univariada Roberto Wagner Lourenço Roberto Wagner Lourenço Prof. Dr. Engenharia Ambiental, UNESP Estrutura da Apresentação
Leia mais