Variáveis Aleatórias
|
|
- Vergílio da Mota Avelar
- 6 Há anos
- Visualizações:
Transcrição
1 Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades Unversdade Federal do Pará Insttuto de Tecnologa Capítulo III Varáves Aleatóras Campus de Belém Curso de Engenhara Mecânca
2 III Varáves Aleatóras Introdução Varíáves aleatóras dscretas Varáves aleatóras contínuas Parâmetros das varáves aleatóras Varáves aleatóras bdmensonas III Varáves Aleatóras Introdução Varíáves aleatóras dscretas Varáves aleatóras contínuas Parâmetros das varáves aleatóras Varáves aleatóras bdmensonas
3 3. Introdução Em um expermento aleatóro, uma varável cuo valor meddo pode varar de uma réplca do expermento para outra é referda como varável aleatóra. Exemplos: X pode denotar a medda da resstênca mecânca no ensao de tração de um materal; Y representar o dâmetro de uma peça usnada; Z expressar a resstvdade do solo em um processo corrosvo em torres de lnha de transmssão. As varáves aleatóras (V.A) surgem em função da necessdade de se representar os resultados de uma experênca aleatóra por meo de números reas. 3. Introdução Defnção Uma varável aleatóra pode ser expressa como uma função defnda num espaço de resultados S e que tem como contradomíno os números reas. Sea E um expermento e S o espaço assocado a ele. Uma função X, que assoce a cada elemento s S um número real X(s) é denomnada varável aleatóra. S X R s Varável aleatóra X(s) 3
4 3. Introdução Defnção Exemplo: E : Lançamento de duas moedas; X : Número de caras (c) obtdas nas duas moedas; S : {(c, c), (c, k), (k, c), (k, k)} X = 0 correspondente ao evento (k, k) com probabldade ¼; X = correspondente ao evento (k, c), (c, k) com probabldade ½; X = correspondente ao evento (c, c) com probabldade ¼. 3. Introdução Classfcação As varáves aleatóras classfcam-se em dscretas ou contínuas, dependendo do tpo de conunto de valores que elas podem assumr. - Varável dscreta: quando a varável assume valores num conunto fnto ou nfnto numerável. - Varável contínua: quando a varável assume valores de um conunto nfnto não numerável. 4
5 3. Introdução Classfcação Exemplos: - A V.A resultado do lançamento de um dado é dscreta; - A V.A que representa o tempo que um atleta leva para completar a prova dos 00 metros é contínua se for admtdo que é medda com precsão absoluta. - A V.A que representa as meddas de corrente elétrca a partr de um nstrumento dgtal que mostre a corrente para o mas próxmo centésmo de mlampére é dscreta (as meddas possíves são lmtadas). 3. Introdução Representação As varáves aleatóras são representadas por letras maúsculas (X, Y, Z, W,...), e os valores que elas podem assumr são representados pelas correspondentes letras mnúsculas (x, y, z, w,...). Exemplo: E: Medção do peso de uma pessoa escolhda ao acaso. S = {Conunto de todos os pesos atrbuíves a uma pessoa}. X = O peso da pessoa (assume qualquer valor do espaço de resultados). x =,65 m (a altura de uma das pessoas). 5
6 3. Introdução Observação: Exstem stuações em que os valores da varável aleatóra não são os resultados do espaço assocado ao expermento, mas sm uma transformação destes. - Exemplo: E: Lançamento de dos dados. S = Conunto dos valores obtdos pelos dos dados, num total de trnta e ses resultados possíves (tamanho de S = 36) S = {( x, y ) x, y =,,3,4,5,6}. X = V.A que representa a soma dos números dos pontos dos dos dados, a qual pode assumr qualquer valor ntero de a, ou X(s) = {,3,4, 5, 6, 7, 8, 9, 0,,}. 3. Introdução Observação: No mesmo espaço assocado ao expermento anteror poder-se-a defnr outra varável aleatóra. - Exemplo: Y = V.A que representa a dferença, em valor absoluto, dos números dos pontos dos dos dados, a qual pode assumr qualquer valor ntero de 0 a 5, ou Y(s) = {0,,,3,4,5 } 6
7 III Varáves Aleatóras Introdução Varíáves aleatóras dscretas Varáves aleatóras contínuas Parâmetros das varáves aleatóras Varáves aleatóras bdmensonas 3. Varáves Aleatóras Dscretas Função de probabldade A dstrbução de probabldade de uma varável aleatóra qualquer X é uma descrção das probabldades assocadas com os valores possíves de X. Para uma varável aleatóra dscreta, a dstrbução é freqüentemente especfcada por apenas uma lsta de valores possíves untamente com a probabldade de cada um. Em alguns casos, é convenente expressar a probabldade em termos de uma fórmula. 7
8 3. Varáves Aleatóras Dscretas Função de probabldade Defne-se como função de probabldade, f, a função que assoca a cada valor que a varável pode assumr, a probabldade da varável assumr esse valor. Para uma varável aleatóra dscreta X, com valores possíves x, x,..., x n, a função de probabldade é f ( x ) P( X x ) Já que f(x ) é defnda como n uma probabldade, então f ( x ) 0 para todo x e f ( x ) P(X) pode ser expresa por uma tabela, gráfco ou fórmula. 3. Varáves Aleatóras Dscretas Função de probabldade Exemplo: E: Lançamento de duas moedas. X: nº de caras obtdas. P(X) pode ser expressa das seguntes formas: x 0 P(x) P(x) /4 / /4 P( x ) C,x 4 ½ ¼ 0 x 8
9 3. Varáves Aleatóras Dscretas Função de probabldade Exemplo: Sea X a varável aleatóra que representa o resultado do lançamento de um dado equlbrado. A função de probabldade é defnda por: f (), 6 f ( ), 6 f ( 3 ), 6 f ( 4 ), 6 f ( 5 ), 6 x f (6 ) Em termos de notação e de modo a smplfcar, a função de probabldade pode ser representada por meo de uma tabela, assumndo que os valores que não aparecem na tabela têm probabldade zero de ocorrer. Neste exemplo tem-se, então: f(x) /6 /6 /6 /6 /6 / Varáves Aleatóras Dscretas Função de probabldade Observações: - Se uma varável aleatóra X apresentar f(x) 0 e constante para todos os valores de x, dz-se que essa V.A tem uma dstrbução unforme (dscreta). - Qualquer função de uma varável aleatóra é também uma varável aleatóra, sto é, se X é V.A, então Y = φ(x) também será. Exemplos: X V.A pontos de um dados; Y = X + X V.A; Z = Max {(x, x )} onde (x, x ) são pontos de dos dados. 9
10 3. Varáves Aleatóras Dscretas Função dstrbução cumulatva Uma função dstrbução cumulatva, também chamada função repartção ou função dstrbução de probabldades, pode também ser usada para fornecer a dstrbução de probabldades de uma varável dscreta. A função dstrbução cumulatva em um valor de x é a soma das probabldades em todos os pontos menores ou guas a x. Defne-se, então, como função dstrbução cumulatva de uma certa varável aleatóra X, no ponto x, como sendo a probabldade de que X assuma um valor menor ou gual a x, sto é: F( x ) P( X x ) f ( x ) x x 3. Varáves Aleatóras Dscretas Função dstrbução cumulatva Exemplo (Montgomery et al., 00): Há uma chance de que um bt transmtdo através de um canal de transmssão dgtal sea recebdo com erro. Consdere X gual ao número de bts com erro nos quatro próxmos bts transmtdos. Os valores possíves para a varável aleatóra X são {0,,, 3, 4}. Com base em um modelo de probabldades, as probabldades para esses valores foram determnados como sendo: P(X = 0) = 0,656 P(X = ) = 0,96 P(X = ) = 0,0486 P(X = 3) = 0,0036 P(X = 4) = 0,000 0
11 3. Varáves Aleatóras Dscretas Função dstrbução cumulatva Exemplo (cont.): - A dstrbução de probabldades de X é especfcada pelos valores possíves, untamente com a probabldade de cada um. A fgura mostra uma descrção gráfca dessa dstrbução: f(x) 0,656 0,96 0,0486 0,0036 0, x 3. Varáves Aleatóras Dscretas Função dstrbução cumulatva Exemplo (cont.): - Por consegunte, a função dstrbução cumulatva de X será: F(0) = 0,656 F() = 0,9477 F() = 0,9963 F(3) = 0,9999 F(4) = - Mesmo se a varável aleatóra puder assumr somente valores nteros, a função dstrbução cumulatva é defnda em valores não nteros. Por exemplo: F(,5) = P(X,5) = P(X ) = 0,9477
12 3. Varáves Aleatóras Dscretas Função dstrbução cumulatva Exemplo (cont.): - O gráfco do exemplo é mostrado abaxo, onde se observa que o mesmo apresenta descontnudades (saltos) nos valores dscretos para X. O tamanho do salto em um ponto x é gual à probabldade em x. F(x) x 0,8 0,6 0,4 0, 3. Varáves Aleatóras Dscretas Função dstrbução cumulatva Propredades:. 0 F(x), para todo x. F(- ) = 0 3. F(+ ) = 4. P(a < X b) = F(b) F(a) 5. P(a X b) = F(b) F(a) + P(X = a) 6. P(a < X < b) = F(b) F(a) P(X = b) 7. lm F(x) = e lm F(x) = 0 x + x -
13 3. Varáves Aleatóras Dscretas Função dstrbução cumulatva Propredades: - Exemplo: Do exemplo anteror, tem-se: F( x ) 0 0,656 0,9477 0,9963 0,9999 se x 0 se 0 x se x se x 3 se 3 x 4 se x 4 III Varáves Aleatóras Introdução Varíáves aleatóras dscretas Varáves aleatóras contínuas Parâmetros das varáves aleatóras Varáves aleatóras bdmensonas 3
14 3.3 Varáves Aleatóras Contínuas Função densdade de probabldade Uma função densdade de probabldade f(x) pode ser usada para descrever a dstrbução de probabldades de uma varável aleatóra contínua X. A probabldade de X estar entre a e b é determnada pela ntegral de f(x) entre a e b. f(x) P(a < x < b) a b x 3.3 Varáves Aleatóras Contínuas Função densdade de probabldade Defnção: Dz-se que f(x) é a função densdade de probabldade da varável aleatóra contínua X se a área lmtada por f(x), o exo dos x e as retas x = a e x = b for gual a P(a x b), sto é: Propredades: P( a x b ) f ( x )dx b a.. f ( x ) f 0 ( x )dx para todo x 4
15 3.3 Varáves Aleatóras Contínuas Função densdade de probabldade Observações:. A defnção anteror mostra que a probabldade de qualquer valor especfcado de X, por exemplo x o, tem P(X = x o ) = 0, pos P( X xo xo ) f ( x )dx 0 xo sendo assm, as probabldades abaxo serão todas guas, se X for uma varável aleatóra contínua: P( a X b ) P( a X b ) P( a X b ) P( a X b ) 3.3 Varáves Aleatóras Contínuas Função densdade de probabldade Observações:. Note-se que f(x), densdade de probabldade, não é probabldade. Somente quando a função for ntegrada entre dos lmtes, ela produzrá uma probabldade, que será a área sob a curva função entre x = a e x = b, para a < b. 5
16 3.3 Varáves Aleatóras Contínuas Função densdade de probabldade Exemplo (Montgomery et al., 00): Sea a varável aleatóra contínua X a representação do dâmetro de um orfíco perfurado em uma placa com um componente metálco. O dâmetro alvo é,5 mm. A maora dos dstúrbos aleatóros no processo resulta em dâmetros maores. Dados hstórcos mostram que a dstrbução de X pode ser modelada por uma função densdade de probabldade f(x) = 0e -0(x,5), x,5. (a) Se uma peça com dâmetro maor que,6 mm for descartada, qual será a proporção de peças descartadas? (b) Que proporção de peças está entre,5 e,6? 3.3 Varáves Aleatóras Contínuas Função densdade de probabldade Solução: A função densdade e a probabldade requerda são mostradas na fgura abaxo. f(x),5,6 x 6
17 3.3 Varáves Aleatóras Contínuas Função densdade de probabldade Solução (cont.): a) Uma peça é descartada se X >,6, logo: P( X,6 ) e f ( x )dx,6, 6 0( x,5 ) 0,35 dx b) Uma peça não é descartada se,5 < X <,6, logo: P(,5 X,6 ) e f ( x )dx 0( x,5 ),6,6,5,5,6,6,5 0e 0e 0,865 0( x,5 ) 0( x,5 ) dx 3.3 Varáves Aleatóras Contínuas Função dstrbução cumulatva A função dstrbução cumulatva de uma varável aleatóra contínua X, com função densdade de probabldade f(x) é: F( x ) para < x <. P( X x ) x f ( u )du Para uma varável aleatóra contínua X, a defnção pode também ser F(x) = P(X < x), pos P(X = x) = 0. 7
18 3.3 Varáves Aleatóras Contínuas Função dstrbução cumulatva A função dstrbução cumulatva F(x) pode ser relaconada à função densdade de probabldade f(x) e pode ser usada para obter probabldades, como segue: P( a X b ) b f ( x )dx f ( x )dx a b a f ( x )dx F(b ) F( a ) O gráfco de uma função dstrbução cumulatva tem propredades específcas. Pelo fato de F(x) fornecer probabldades, ela é sempre postva. Além dsso, à medda que x aumenta, F(x) é crescente. Fnalmente, quando x tende a, F(x) = P(X x) tende a. 3.3 Varáves Aleatóras Contínuas Função dstrbução cumulatva Exemplo (Montgomery et al., 00): As leturas da temperatura de um termopar em um forno flutuam de acordo com a função dstrbução cumulatva 0 F( x ) 0,x 80 0 x 800º C 800º C x 80º C x 80º C Determne: a) P(X < 805); b) P(800 < X 805); c) P(X > 808) d) Se as especfcações para o processo solctassem que a temperatura do forno estvesse entre 80ºC e 808ºC, qual sera a probabldade da fornalha operar fora das especfcações? 8
19 3.3 Varáves Aleatóras Contínuas Função dstrbução cumulatva Solução: a) P( X 805 ) P( X 805 ) F( 805 ) F( ) 0, ,5 b) P( 800 X 805 ) F( 805 ) F( 800 ) 0, (0, ) 0,5 c) d) P( X P( X P( X 808 ) P( 808 X ) F( ) F( 808 ) (0, ) 0, 80 ) P( X 80 ) F( 80 ) F( ) 0, , 80 ou X 808 ) 0, 0, 0,4 III Varáves Aleatóras Introdução Varíáves aleatóras dscretas Varáves aleatóras contínuas Parâmetros das varáves aleatóras Varáves aleatóras bdmensonas 9
20 3.4 Parâmetros das Varáves Aleatóras Os parâmetros que caracterzam uma varável aleatóra em termos médos (méda e medana), e em termos de dspersão (varânca e desvo padrão), podem ser usados para resumr uma dstrbução de probabldades. a) Meddas de posção a.) Méda ou esperança matemátca: Chama-se valor médo ou esperança matemátca ao valor que se obtém somando (ou ntegrando) todos os valores que uma varável aleatóra pode assumr, ponderados pela respectva probabldade pontual (ou densdade de probabldade no ponto) e representa-se por μ = n E( X ) : E( X ) E( X ) x f ( x ) f ( x )dx ( caso contínuo ) x ( caso dscreto ) 3.4 Parâmetros das Varáves Aleatóras a) Meddas de posção a.) Méda ou esperança matemátca: - Propredades: Serão demonstradas somente para o caso de varáves dscretas.. A méda de uma constante é a própra constante E( K ) Kf ( x ) K f ( x ) K K. Multplcando uma varável aleatóra X por uma constante, sua méda fca multplcada por essa constante. E( KX ) Kx f ( x ) K x f ( x ) KE( X ) 0
21 3.4 Parâmetros das Varáves Aleatóras a) Meddas de posção a.) Méda ou esperança matemátca: - Propredades: 3. A méda da soma ou da dferença de duas varáves aleatóras é a soma ou dferença das médas. E( X Y ) x ( x y x f ( x ) f ( x f ( x, y ) ) f ( x, y ) x, y ) y y f ( y y f ( x, y ) f ( ) E( X ) E(Y ) x, y ) 3.4 Parâmetros das Varáves Aleatóras a) Meddas de posção a.) Méda ou esperança matemátca: - Propredades: 4. Somando ou subtrando uma constante a uma varável aleatóra, a sua méda fca somada ou subtraída da mesma constante. E( X K ) E( X ) E( K ) E( X ) K 5. A méda de uma varável aleatóra centrada é zero. E( X ) E( X ) E( ) 0 X X X X
22 3.4 Parâmetros das Varáves Aleatóras a) Meddas de posção a.) Méda ou esperança matemátca: - Propredades: 6. A méda do produto de duas varáves aleatóras ndependentes é o produto das suas médas. E( XY ) X Y X f ( x ) E( X ) E(Y ) X Y f ( x, y ) f ( x ) Y f ( y f ( y ) ) Se X e Y são ndependentes 3.4 Parâmetros das Varáves Aleatóras a) Meddas de posção a.) Medana: Medana de uma varável aleatóra é o valor que dvde a dstrbução em duas partes guas, ou sea, F( Md ) 0,5 Exemplo: Sea X uma varável aleatóra com a segunte função dstrbução cumulatva: F(X) = 0 para x < 0 F(X) = x para 0 x < F(X) = para x Logo, a medana será o valor de x tal que F(x = Md) = 0,5. Assm: x Md 0,5 Md 0,5
23 3.4 Parâmetros das Varáves Aleatóras a) Meddas de posção a.3) Moda: É o valor da varável aleatóra com maor probabldade, se X for dscreta, ou maor densdade de probabldade se X for contínua. Exemplo: Sea X uma varável aleatóra dscreta tal que: Logo, a moda será gual a. x - 0 P(x) 0,3 0, 0,5 3.4 Parâmetros das Varáves Aleatóras a) Meddas de posção a.3) Moda: Exemplo : Sea X uma varável aleatóra contínua tal que: O gráfco de f(x) é: f(x) 0 x f ( x ) 0 para 0 x para outros valores de x x Então: Moda: Medana: M ; o F( Md ) x Md 0 0,5 Md 0 xdx 0,5 0,5 Md 0,5 Md 0,5 3
24 3.4 Parâmetros das Varáves Aleatóras b) Meddas de dspersão b.) Varânca: A varânca de uma varável aleatóra X é representada por Var(X) = σ x e defne-se por: Var x ( X ) E ( X E( X )) x x x E( X ) x E( X ) f ( x ) f ( x )dx (caso dscreto ) ( caso contínuo ) 3.4 Parâmetros das Varáves Aleatóras b) Meddas de dspersão b.) Varânca: - Exste uma fórmula prátca para o cálculo da varânca: Var( X ) E( X E( X ) ) onde, E( X E( X ) ) x x f ( x ) f ( x )dx ( caso dscreto ) ( caso contínuo ) 4
25 3.4 Parâmetros das Varáves Aleatóras b) Meddas de dspersão b.) Desvo padrão: Desgna-se por desvo padrão e representa-se por σ a raz quadrada postva da varânca: x Var( X ) 3.4 Parâmetros das Varáves Aleatóras b) Meddas de dspersão - Propredades: Seam X e Y duas varáves aleatóras e K, a e b constantes.. Var(k) = 0. Var(kX) = k Var(X) 3. Var(aX ± by ) = a Var( X ) + b Var( Y ) ± abcov(x,y ) Caso as varáves seam ndependentes, Cov(X,Y ) = 0, então: Var( ax ± by ) = a Var( X ) + b Var( Y ) 5
26 III Varáves Aleatóras Introdução Varíáves aleatóras dscretas Varáves aleatóras contínuas Parâmetros das varáves aleatóras Varáves aleatóras bdmensonas 3.5 Varáves Aleatóras Bdmensonas Até aqu consderou-se que o resultado do expermento sera regstrado como um únco número x. Contudo, exstem casos em que há nteresse por dos resultados smultâneos. Por exemplo, estatura e peso de pessoas. Para sso precsa-se da segunte defnção: Seam E um expermento aleatóro e S o espaço amostral assocado a E. Seam X = X(s) e Y = Y(s), duas funções, cada uma assocando um número real a cada resultado s S; denomna-se (X,Y) uma varável aleatóra bdmensonal. s X Y X(s) Y(s) 6
27 3.5 Varáves Aleatóras Bdmensonas Uma varável aleatóra bdmensonal não é mas do que uma par de varáves aleatóras (X,Y). No caso de X e Y serem duas varáves aleatóras dscretas, o par dz-se uma varável aleatóra bdmensonal dscreta. Na stuação em que ambas são contínuas tem-se uma varável aleatóra bdmensonal contínua. Portanto, tal como a varável undmensonal, (X,Y) poderá ser dscreta ou contínua, valendo as mesmas consderações fetas anterormente. 3.5 Varáves Aleatóras Bdmensonas Função de probabldade conunta (V.A.D) Chama-se função de probabldade conunta da varável aleatóra bdmensonal dscreta (X,Y) à função f(x,y) que assoca a cada elemento (x,y) a probabldade da varável aleatóra X assumr o valor x ao mesmo tempo da varável Y assumr o valor y. - Propredades:.. f ( x, y ) 0 f ( f (x,y) = P(X = x,y = y) x, y ), x R 7
28 3.5 Varáves Aleatóras Bdmensonas Função dstrbução cumulatva conunta (V.A.D) Chama-se função de dstrbução de probabldade cumulatva conunta da varável aleatóra dscreta (X,Y) à função F(x,y) que assoca a cada elemento (x,y) a probabldade da varável aleatóra X tomar valores menores ou guas a x ao mesmo tempo da varável Y tomar valores menores ou guas a y. F( x, y ) P( X x,y y ) F( x, y ) sx t y f ( s,t ) 3.5 Varáves Aleatóras Bdmensonas Função dstrbução cumulatva conunta (V.A.D) Propredades: F( x, y ) lm F( x, y ), x y lm F( x, y ) 0 x lm F( x, y ) 0 y,,, ( x, y ) R ( y x x, y ) x x ^ y y F( x, y ) F( x, y ) 8
29 3.5 Varáves Aleatóras Bdmensonas Funções de probabldade margnal (V.A.D.) Dada uma varável aleatóra bdmensonal dscreta e sua função de dstrbução conunta, pode-se determnar a função de dstrbução de X sem consderar Y, ou vce-versa. São as chamadas funções de probabldade margnal. - Função de probabldade margnal de X : f X ( x ) P( X x, Y ) P( X x,y y ) f ( x, y ) - Função de probabldade margnal de Y : fy ( y ) P( X,Y y ) P( X x,y y ) f ( x, y ) y x y x 3.5 Varáves Aleatóras Bdmensonas Função densdade de probabldade conunta (V.A.C) Tal como acontece nas varáves undmensonas contínuas, nas varáves bdmensonas contínuas não faz sentdo falar em função de probabldade vsto que P(X = x,y = y) = 0 para qualquer (x,y), aparecendo em seu lugar a função de densdade de probabldade conunta. Esta função ndca como a probabldade se dstrbu pelos valores que o par aleatóro (X,Y) pode assumr. Sea X uma varável aleatóra bdmensonal contínua. Dz-se que f(x,y) é uma função densdade de probabldade conunta se:.. f ( x, y ) 0, ( ( x, y )dx dy f x, y ) R 9
30 3.5 Varáves Aleatóras Bdmensonas Função dstrbução cumulatva conunta (V.A.C.) Chama-se função de dstrbução de probabldade conunta da varável aleatóra contínua (X,Y) à função F(x,y) que assoca a cada elemento (x,y) a probabldade da varável aleatóra X assumr valores menores ou guas a x ao mesmo tempo da varável Y assumr valores menores ou guas a y. É defnda como na varável aleatóra undmensonal, assm: F( x, y ) F( x, y ) P( X x y x,y y ) f ( x, y )dx dy 3.5 Varáves Aleatóras Bdmensonas Função dstrbução cumulatva conunta (V.A.C.) Propredades: F( x, y ) lm x y lm x lm y F( F( F( x, y ) x, y ) x, y ) 0 0,,,, ( x, y ) R ( y x x, y ) x x ^ y y F( x, y ) F( x, y ) 30
31 3.5 Varáves Aleatóras Bdmensonas Funções de probabldade margnal (V.A.C.) Dada uma varável aleatóra bdmensonal contínua e sua função densdade de probabldade conunta pode-se determnar a função densdade de probabldade de X sem consderar Y, ou vce-versa. São as chamadas funções de probabldade margnal. - Função de probabldade margnal de X : f X ( x ) f ( x, y ) dy - Função de probabldade margnal de Y : f Y ( y ) f ( x, y ) dx 3.5 Varáves Aleatóras Bdmensonas Funções de (densdade de) probabldade condconas Sabendo o valor que uma das varáves va assumr (ou assumu) pode-se calcular a função de probabldade (no caso dscreto) ou a função densdade de probabldade (no caso contínuo) da outra varável, tendo em conta a nformação conhecda relatvamente ao valor da prmera varável. - Caso dscreto e caso contínuo: f f X Y y Y X x f ( x, y ) ( x ) f ( y ) ( y ) Y f ( x, y ) f ( x ) X 3
32 3.5 Varáves Aleatóras Bdmensonas Covarânca No estudo das relações exstentes entre duas varáves aleatóras X e Y pode-se analsar a covarânca das duas varáves. Defne-se, então, covarânca entre X e Y, Cov(X,Y), como: X E( X ) Y E(Y ) Cov( X,Y ) XY E - No caso dscreto: Cov( X,Y ) - No caso contínuo: Cov( X,Y ) x E( X ) y E(Y ) x y x E( X ) y E(Y ) f f ( x, y ) ( x, y )dx dy 3.5 Varáves Aleatóras Bdmensonas Covarânca Fórmula prátca para o cálculo da covarânca: Cov( X,Y ) E( X Y ) E( X ) E(Y ) - Verfca-se que: Cov( X,Y ) 3
33 3.5 Varáves Aleatóras Bdmensonas Covarânca A covarânca entre duas varáves fornece uma medda da relação lnear exstente entre as duas varáves: - Quando a covarânca assume um valor muto alto postvo tem-se a ndcação que exste uma relação lnear postva forte entre as duas varáves. - Quando a covarânca assume um valor muto baxo negatvo tem-se a ndcação que exste uma relação lnear negatva forte. - Nas stuações em que a covarânca assume valores próxmos de zero, a relação lnear é muto fraca, e nexstente no caso em que a covarânca é gual a zero. 3.5 Varáves Aleatóras Bdmensonas Coefcente de correlação lnear A covarânca está expressa nas undades das varáves X e Y smultaneamente, o que ntroduz dfculdades quando se pretende fazer comparações. Para evtar esta stuação pode-se calcular o coefcente de correlação lnear (ρ) que tem sempre o seu valor entre e. Dado um par de varáves aleatóras (X,Y), defne-se coefcente de correlação lnear como: XY Cov( X,Y ) XY Var( X ) Var(Y ) X Y 33
34 3.5 Varáves Aleatóras Bdmensonas Coefcente de correlação lnear Quando: ρ XY =, exste correlação lnear negatva perfeta entre X e Y. ρ XY = 0, não há correlação lnear entrex e Y. ρ XY =, exste correlação lnear postva perfeta entre X e Y. 3.5 Varáves Aleatóras Bdmensonas Independênca das varáves aleatóras X e Y Dada uma varável aleatóra bdmensonal (X,Y), dz-se que as varáves undmensonas que a ntegram, X e Y, são ndependentes, se a sua função (densdade) de probabldade conunta f(x,y), for gual ao produto das funções (densdade) de probabldade margnas, sto é: X e Y são ndependentes se f ( x,y ) f ( x ) f ( y ), ( x,y ) Como consequênca da defnção tem-se que X e Y são ndependentes se e somente se f X Y y ( x ) f ( x ) ( y ) f ( y ) X ou f Y X x Y 34
35 3.5 Varáves Aleatóras Bdmensonas Independênca das varáves aleatóras X e Y Teorema: - Se duas varáves aleatóras X e Y são ndependentes então a Cov(X,Y) = 0. - Nota: A recíproca não é verdadera. Duas varáves podem ter Cov(X,Y) = 0 e não serem ndependentes. Apenas podemos garantr que não exste relação lnear entre as duas varáves; no entanto, pode exstr outro tpo de relação, que não a lnear, e não serem ndependentes. III Varáves Aleatóras FIM 35
X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisCAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade
CAPÍTULO 4 - Varáves aleatóras e dstrbuções de probabldade Conceto de varável aleatóra Uma função cujo valor é um número real determnado por cada elemento em um espaço amostral é chamado uma varável aleatóra
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisMedidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos.
Meddas de Dspersão e Assmetra Desvo Médo Varânca Desvo Padrão Meddas de Assmetra Coefcente de Assmetra Exemplos lde 1 de 16 Meddas de Dspersão - Méda ervem para verfcação e representatvdade das meddas
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisApostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna
Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade
Leia maisUniversidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais
Ano lectvo: 2006/2007 Unversdade da Bera Interor Departamento de Matemátca ESTATÍSTICA Fcha de exercícos nº2: Dstrbuções Bdmensonas Curso: Cêncas do Desporto 1. Consdere a segunte tabela de contngênca:
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisESCOLA DE APLICAÇÃO DR. ALFREDO JOSÉ BALBI UNITAU APOSTILA PROF. CARLINHOS MATRIZES NOME DO ALUNO: Nº TURMA: blog.portalpositivo.com.
ESCOL DE PLICÇÃO DR. LFREDO JOSÉ BLBI UNITU POSTIL MTRIZES PROF. CRLINHOS NOME DO LUNO: Nº TURM: blog.portalpostvo.com.br/captcar MTRIZES Uma matrz de ordem m x n é qualquer conunto de m. n elementos dspostos
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisMecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos
Mecânca Estatístca Tal como a Termodnâmca Clássca, também a Mecânca Estatístca se dedca ao estudo das propredades físcas dos sstemas macroscópcos. Tratase de sstemas com um número muto elevado de partículas
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisResolução das Questões Objetivas
COMISSÃO PERMANENTE DE SELEÇÃO COPESE PRÓ-REITORIA DE GRADUAÇÃO PROGRAD CONCURSO PISM III - TRIÊNIO 2008-2010 Prova de Matemátca Resolução das Questões Objetvas São apresentadas abaxo possíves soluções
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisMETROLOGIA E ENSAIOS
METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade
Leia mais2 - Análise de circuitos em corrente contínua
- Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisLista de Exercícios. 2 Considere o número de aparelhos com defeito na empresa Garra durante 50 dias.
Classque as varáves: Faculdade Ptágoras / Dvnópols-MG Curso: Pscologa Dscplna: Estatístca Aplcada à Pscologa Lsta de Eercícos a) número de peças produzdas por hora; b) dâmetro eterno da peça; c) número
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisDinâmica do Movimento de Rotação
Dnâmca do Movmento de Rotação - ntrodução Neste Capítulo vamos defnr uma nova grandeza físca, o torque, que descreve a ação gratóra ou o efeto de rotação de uma força. Verfcaremos que o torque efetvo que
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisAula 6: Corrente e resistência
Aula 6: Corrente e resstênca Físca Geral III F-328 1º Semestre 2014 F328 1S2014 1 Corrente elétrca Uma corrente elétrca é um movmento ordenado de cargas elétrcas. Um crcuto condutor solado, como na Fg.
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisExercícios de CPM e PERT Enunciados
Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a
Leia maisCapítulo 26: Corrente e Resistência
Capítulo 6: Corrente e esstênca Cap. 6: Corrente e esstênca Índce Corrente Elétrca Densdade de Corrente Elétrca esstênca e esstvdade Le de Ohm Uma Vsão Mcroscópca da Le de Ohm Potênca em Crcutos Elétrcos
Leia mais3. Um protão move-se numa órbita circular de raio 14 cm quando se encontra. b) Qual o valor da velocidade linear e da frequência ciclotrónica do
Electromagnetsmo e Óptca Prmero Semestre 007 Sére. O campo magnétco numa dada regão do espaço é dado por B = 4 e x + e y (Tesla. Um electrão (q e =.6 0 9 C entra nesta regão com velocdade v = e x + 3 e
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisFísica C Intensivo V. 2
Físca C Intensvo V Exercícos 01) C De acordo com as propredades de assocação de resstores em sére, temos: V AC = V AB = V BC e AC = AB = BC Então, calculando a corrente elétrca equvalente, temos: VAC 6
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisCapítulo 24: Potencial Elétrico
Capítulo 24: Potencal Energa Potencal Elétrca Potencal Superfíces Equpotencas Cálculo do Potencal a Partr do Campo Potencal Produzdo por uma Carga Pontual Potencal Produzdo por um Grupo de Cargas Pontuas
Leia maisFiltros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências.
1 Fltros são dspostvos seletvos em freqüênca usados para lmtar o espectro de um snal a um determnado ntervalo de freqüêncas. A resposta em freqüênca de um fltro é caracterzada por uma faxa de passagem
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisLicenciatura Análise de Dados e Probabilidade 1 e 2. Clara Costa Duarte. 1º Semestre 2006/2007
Lcencatura 34 -nálse de Dados e robabldade e º Semestre 6/7 Clara Costa Duarte 34- nálse de Dados e robabldade. Introdução Estatístca:é um conjunto de nstrumentos que servem para: Recolher Descrever e
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia mais8.16. Experimentos Fatoriais e o Fatorial Fracionado
8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e
Leia maisMicroeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot)
Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 2.1 Olgopólo em Quantdades (Cournot) Isabel Mendes 2007-2008 18-03-2008 Isabel Mendes/MICRO II 1 2.1 Olgopólo em Quantdades
Leia maisIV - Descrição e Apresentação dos Dados. Prof. Herondino
IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisREITORA Ângela Maria Paiva Cruz. VICE-REITOR José Daniel Diniz Melo
REITORA Ângela Mara Pava Cruz VICE-REITOR José Danel Dnz Melo DIRETORIA ADMINISTRATIVA DA EDUFRN Lus Passegg (Dretor) Wlson Fernandes (Dretor Adjunto) Judthe Albuquerque (Secretára) CONSELHO EDITORIAL
Leia maisAula 3 - Classificação de sinais
Processamento Dgtal de Snas Aula 3 Professor Marco Esencraft feverero 0 Aula 3 - Classfcação de snas Bblografa OPPENHEIM, AV; WILLSKY, A S Snas e Sstemas, a edção, Pearson, 00 ISBN 9788576055044 Págnas
Leia maisCARGA E DESCARGA DE UM CAPACITOR
EXPEIÊNCIA 06 CAGA E DESCAGA DE UM CAPACITO 1. OBJETIVOS a) Levantar, em um crcuto C, curvas de tensão no resstor e no capactor em função do tempo, durante a carga do capactor. b) Levantar, no mesmo crcuto
Leia maisLQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05
LQA - LEFQ - EQ -Químca Analítca Complemantos Teórcos 04-05 CONCEITO DE ERRO ALGARISMOS SIGNIFICATIVOS Embora uma análse detalhada do erro em Químca Analítca esteja fora do âmbto desta cadera, sendo abordada
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisReferências: No mínimo, para cada experimento o Caderno de Laboratório deve sempre conter:
Sstemas Mecâncos III - EXPERIMETO - Dlatação Térmca Prof.: Dr. Cláudo S. Sartor Técnco: Fernando ITRODUÇÃO: Forma Geral dos Relatóros É muto desejável que seja um caderno grande (formato A) pautada com
Leia maisEXERCÍCIOS DE RECUPERAÇÃO PARALELA 4º BIMESTRE
EXERCÍCIOS DE RECUERAÇÃO ARALELA 4º BIMESTRE NOME Nº SÉRIE : 2º EM DATA : / / BIMESTRE 4º ROFESSOR: Renato DISCILINA: Físca 1 VISTO COORDENAÇÃO ORIENTAÇÕES: 1. O trabalho deverá ser feto em papel almaço
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 maisSumarização dos dados
Inferênca e Decsão I Soluções da Colectânea de Exercícos 22/3 LMAC Capítulo 2 Sumarzação dos dados Nota: neste capítulo é apresentada a resolução apenas de alguns exercícos e a título ndcatvo. Exercíco
Leia maisUniversidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S
Unversdade Federal da Baha Insttuto de Físca Departamento de Físca da Terra e do Meo Ambente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Físca I SALVADOR, BAHIA 013 1 Prefáco Esta apostla é destnada
Leia maisEstatística Experimental Medicina Veterinária. Faculadade de Ciências Agrárias e Veterinárias. Campus de Jaboticabal SP. Gener Tadeu Pereira
MATERIAL DIDÁTICO Medcna Veternára Faculadade de Cêncas Agráras e Veternáras Campus de Jabotcabal SP Gener Tadeu Perera º SEMESTRE DE 04 ÍNDICE INTRODUÇÃO AO R AULA ESTATÍSTICA DESCRITIVA 3 º EXERCÍCIO
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
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 maisGuia 11 Escalonamento de Mensagens
Até esta altura, temos abordado prncpalmente questões relaconadas com escalonamento de tarefas a serem executadas num únco processador. No entanto, é necessáro consderar o caso de sstemas tempo-real dstrbuídos,
Leia maisUniversidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas
Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisANÁLISE EXPLORATÓRIA DE DADOS
CENTRO DE CIÊNCIAS EXATAS CCE DEPARTAMENTO DE ESTATÍSTICA Curso de Especalzação Lato Sensu em Estatístca ANÁLISE EXPLORATÓRIA DE DADOS Professor: Dr. Waldr Medr medr@uel.br Londrna/Pr Março de 011 ÍNDICE
Leia maisCapítulo 30: Indução e Indutância
Capítulo 3: Indução e Indutânca Índce Fatos xpermentas; A e de Faraday; A e de enz; Indução e Tranferênca de nerga; Campos létrcos Induzdos; Indutores e Indutânca; Auto-ndução; Crcuto ; nerga Armazenada
Leia maisSurpresa para os calouros. Série Matemática na Escola. Objetivos
Surpresa para os calouros Sére Matemátca na Escola Objetvos 1. Usando a decomposção de um número em fatores prmos, pode-se provar que um número ntero é um quadrado perfeto, se e somente se tem um número
Leia maisProf. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =
Análse de Regressão Cap.. Introdução Análse de regressão é uma técnca de modelagem utlzada para analsar a relação entre uma varável dependente () e uma ou mas varáves ndependentes,, 3,..., n. O ojetvo
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia mais(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
Leia maisCAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples
CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de
Leia mais3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas
PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas
Leia maisAVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO RESUMO ABSTRACT
AVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO Rodrgo Mkosz Gonçalves John Alejandro Ferro Sanhueza Elmo Leonardo Xaver Tanajura Dulana Leandro Unversdade Federal do Paraná - UFPR
Leia maisEXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS
EEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS Exemplo: Peso de 25 bolos ndustras Forma bruta: Dsposção ordenada 266 267 266 26 22 255 266 26 272 22 260 272 25 262 23 25 266 270 274 22 2 270 20
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia mais1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples.
Departamento de Físca ICE/UFJF Laboratóro de Físca II Prátca : Medda da Aceleração da Gravdade Objetvo da experênca: Medr o módulo da aceleração da gravdade g no nosso laboratóro com ajuda de um pêndulo
Leia maisINTRODUÇÃO À ANÁLISE ESTATÍSTICA DE MEDIDAS14
ITRODUÇÃO À AÁLISE ESTATÍSTICA DE MEDIDAS4 Sérgo Rcardo Munz Fundamentos da Matemátca II 3. Introdução: o que é estatístca e para que serve? 3. A estatístca no da-a-da 3.3 Eatdão, precsão, erros e ncertezas
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisO que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.
Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,
Leia maisGRANDEZAS ELÉTRICAS CONCEITOS BÁSICOS
MINISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO PROFISSIONAL E TECNOLÓGICA INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE SANTA CATARINA CAMPUS DE SÃO JOSÉ CURSO TÉCNICO INTEGRADO EM TELECOMUNICAÇÕES
Leia maisApêndice B Frações mássicas, molares e volúmicas. Estequiometria.
Elementos de Engenhara Químca I Apêndce B Apêndce B Frações másscas, molares e volúmcas. Estequometra. O engenhero químco lda constantemente com msturas de compostos químcos em stuações que mporta caracterzar
Leia maisCAPITULO II - FORMULAÇAO MATEMATICA
CAPITULO II - FORMULAÇAO MATEMATICA II.1. HIPOTESES BASICAS A modelagem aqu empregada está baseado nas seguntes hpóteses smplfcadoras : - Regme permanente; - Ausênca de forças de campo; - Ausênca de trabalho
Leia maisAs tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.
1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação
Leia maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisExercícios de exames e provas oficiais
mata dstrbuções, normal, bnomal Eercícos de eames e provas ofcas. Um saco contém nove bolas numeradas de a 9, ndstnguíves ao tato. onsdere a segunte eperênca aleatóra: retram-se smultaneamente e ao acaso,
Leia maisConsideraremos agora, uma de cada vez, as equivalentes angulares das grandezas de posição, deslocamento, velocidade e aceleração.
CAPÍTULO 5 77 5.1 Introdução A cnemátca dos corpos rígdos trata dos movmentos de translação e rotação. No movmento de translação pura todas as partes de um corpo sofrem o mesmo deslocamento lnear. Por
Leia maisÍndices de Concentração 1
Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco
Leia maisPrincípios do Cálculo de Incertezas O Método GUM
Prncípos do Cálculo de Incertezas O Método GUM João Alves e Sousa Laboratóro Regonal de Engenhara Cvl - LREC Rua Agostnho Perera de Olvera, 9000-64 Funchal, Portugal. E-mal: jasousa@lrec.pt Resumo Em anos
Leia maisTexto 03: Campos Escalares e Vetoriais. Gradiente. Rotacional. Divergência. Campos Conservativos.
1 Unversdade Salvador UNIFACS Crsos de Engenhara Cálclo IV Profa: Ila Reboças Frere Cálclo Vetoral Teto 03: Campos Escalares e Vetoras. Gradente. Rotaconal. Dvergênca. Campos Conservatvos. Campos Escalares
Leia maisAula 5 Senado Federal Parte 2
Aula 5 Senado Federal Parte Estatístca... Classe... 8 Lmtes de classe... 8 Ampltude de um ntervalo de classe... 9 Ampltude total da Dstrbução... 9 Ponto médo de uma classe... 9 Tpos de frequêncas... 10
Leia maisMétodos Estatísticos Aplicados à Economia I (GET00117) Números Índices
Unversdade Federal Flumnense Insttuto de Matemátca e Estatístca Métodos Estatístcos Aplcados à Economa I (GET7) Números Índces Ana Mara Lma de Faras Departamento de Estatístca Agosto 25 Sumáro Índces Smples.
Leia mais2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho
rof.: nastáco nto Gonçalves lho Introdução Nem sempre é possível tratar um corpo como uma únca partícula. Em geral, o tamanho do corpo e os pontos de aplcação específcos de cada uma das forças que nele
Leia mais