Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis

Tamanho: px
Começar a partir da página:

Download "Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis"

Transcrição

1 Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos, métodos e crtéros a fm de tratar dados relatvos fenômenos aleatóros ou dados expermentas e outras observações do mundo real. A teora de probabldade teve nco com os jogos de azar no seculo XVI, mas sua teora axomátca, só veo em 1930 com o matemátco sovétco Kolmogorov. A teora elementar da probabldade é baseada na teora de conjuntos. Na natureza é comum encontrarmos stuações que envolvem um elemento de ncerteza, ou aleatoredade. Essas stuações são denomnadas fenômenos ou expermentos aleatóros. Os modelos de probabldade, vsam descrever expermentos aleatóros, sto é, expermentos que podem ser repetdos (ndefndamente) e onde os resultados futuros não pode ser exatamente prevsto, devdo à aleatoredade, mesmo que o expermento seja totalmente controlado. A fundação de estatístcas encontra-se na dea de um expermento aleatóro. Um expermento é chamado aleatóro se seu resultado não pode ser predto precsamente porque as condções em que é realzado não podem ser predetermnadas com precsão sufcente. Exemplos: Joga-se um dado e observa-se o número obtdo na face superor. Resultados possíves 1, 2, 3, 4, 5, 6 Um lote de 10 peças contém 3 defetuosas. As peças são retradas uma a uma (sem reposção) até que a últma defetuosa seja encontrada. Conta-se o número de peças retradas. Resultados possíves 3, 4, 5, 6, 7, 8, 9, 10 Uma lâmpada nova é lgada e observa-se o tempo gasto até quemar. Resultados possíves [0, )

2 1 TEORIA DE CONJUNTOS Um conjunto é qualquer coleção bem defnda de objetos, chamados elementos. São exemplos de conjuntos: O conjunto de todos os números nteros, O conjunto de todos os alunos da UFMT O conjunto de todos os seres humanos vvos atualmente, O conjunto de todos os números reas maores que zero e menores que 1, O conjunto de todos os jogadores da atual seleção O conjunto de todas as letras do alfabeto romano. Conjuntos são representados por letras maúsculas: A, B, C, S, e os elementos de um conjunto são representados por letras mnúsculas: a, b, x, y.. Em geral, podemos especfcar um conjunto descrevendo os seus elementos por meo de uma condção ou então enumerando os seus elementos. Exemplo 1.1: Seja A o conjunto de todos o números nteros maor que 5. Este conjunto pode ser representado por: A = {x N x > 5} onde se lê: x pertence ao conjunto dos numero naturas tal que x seja maor que 5. Exemplo 1.2: Seja B o conjunto de todos as cores da bandera do Brasl. B = {verde, amarelo, azul, branco} Podemos defnr um conjunto de dversas formas. Se um conjunto tem poucos elementos, podemos lstá-los, um a um, em qualquer ordem, entre chaves. Por exemplo, o conjunto cujos elementos são os números nteros 2, 3 e 5 pode ser escrto A = {2, 3, 5}. Assm, por exemplo, temos que 3 A, mas 4 A. Exstem alguns conjuntos de números que são muto usados em matemátca, e tem notações convenconas bem estabelecdas:

3 Teora de Conjuntos 3 o conjunto dos números naturas N = {0, 1, 2, 3, 4,...} o conjunto dos números nteros Z = {..., 4, 3, 2, 1, 0, 1, 2, 3, 4,...} o conjunto dos números raconas Q = {x = a /a, b Z e b > 0} b o conjunto dos números rraconas I = {x x Q} o conjunto dos números reas R = {x x Q ou x I} Defnção 1.1: O Espaço Amostral, representado por Ω, é o conjunto de todos os resultados possíves de um expermento aleatóro. Exemplo 1.3: Joga-se uma moeda 4 vezes e o observa-se o número de caras obtdo. Ω = (0, 1, 2, 3, 4). 0-1 possbldade (Co,Co,Co,Co); 1-4 possbldades (Co,Co,Co,Ca); (Co,Co,Ca,Co); (Co,Ca,Co,Co); (Ca,Co,Co,Co); 2-6 possbldades (Co,Co,Ca,Ca); (Co,Ca,Co,Ca); (Co,Ca,Ca,Co); (Ca,Co,Co,Ca); (Ca,Co,Ca,Co); (Ca,Ca,Co,Co) 3-4 possbldades (Co,Ca,Ca,Ca); (Ca,Co,Ca,Ca); (Ca,Ca,Co,Ca); (Ca,Ca,Ca,Co); 4-1 possbldades (Ca,Ca,Ca,Ca) Exemplo 1.4: Se o expermento consste em medr a vda útl de um carro, então um possível espaço amostral consste de todos os números reas não-negatvos, sto é, Ω = [0, ) Defnção 1.2: Conjunto vazo, representado por é o únco conjunto que não possu elementos. Defnção 1.3: Sejam A e B conjuntos. Se todo elemento de A é elemento de B, então A é chamado um subconjunto de B, ou seja, A B, essa representação pode se escrta da segunte forma: A B x[(x A) (x B)] Defnção 1.4: Qualquer subconjunto A do espaço amostral Ω, sto é A Ω, ao qual atrbuímos uma probabldade, é dto um evento aleatóro. 1.1 OPERAÇÕES DE CONJUNTOS Defnção 1.5: A unão de dos conjuntos quasquer A e B, denotada por A B, é o conjunto dos elementos x tas que x pertence a pelo menos um dos dos conjuntos A e B. Ou seja: A B x A ou x B

4 Teora de Conjuntos 4 Teorema 1.1: Propredade da Unão. Sejam X um conjunto e A, B e C subconjuntos de X. Então temos: a) O elementos neutro A = A Demonstração. Seja x A x A ou x x A. Logo A = A b) Le de dempotênca A A = A Demonstração. Seja x A A x A ou x A x A. Logo A A = A c) Le comutatva A B = B A Demonstração. Seja x A B. Então por defnção de unão x A ou x B,o que é equvalente a x B ou x A, assm, A B = B A d) Le assocatva A (B C) = (A B) C Demonstração. Seja x A (B C) x A ou x (B C), e x (B C) x B ou x C. Assm x A (B C) x A ou (x B ou x C) x A (B C) (x A ou x B) ou x C x A (B C) (x A B)ou x C x A (B C) (x A B) C Logo A (B C) = (A B) C Defnção 1.6: A nterseção de dos conjuntos quasquer A e B, denotada por A B, é o conjunto dos elementos x tas que x pertence a ambos os conjuntos A e B. Ou seja: A B x A e x B dzemos que A e B são conjuntos dsjuntos, se A B = Teorema 1.2: Propredade da Intersecção Sejam X um conjunto e A, B e C subconjuntos de X. Então temos: a) O elementos neutro A X = A b) Le de dempotênca A A = A c) Le comutatva A B = B A

5 Teora de Conjuntos 5 d) Le assocatva A (B C) = (A B) C As demonstrações das propredades da ntersecção são análogas a da unão. Teorema 1.3: Les dstrbutvas. Sejam X um conjunto e A, B e C subconjuntos de X. Então temos: A (B C) = (A B) (A C) A (B C) = (A B) (A C) Demonstração. Seja x A (B C) x A e x (B C). Assm x A (B C) x A e (x B ou x C) x A (B C) (x A e x B) ou (x A e x C) x A (B C) (x A B) ou (x A C) x A (B C) (x (A B) (A C) Logo A (B C) = (A B) (A C) A demostração da segunda parte é análoga. Defnção 1.7: Seja A um de subconjunto Ω o seu complementar, é o conjunto A c, dos elementos que não pertencem a A. A c = {x Ω x A} Teorema 1.4: Seja A um subconjunto de Ω, e A c o seu complementar. Então temos: A A c = Demonstração. Seja x Ω, tal que x A, por defnção se x A então x A c, logo não exste um elemento x, tal que x A e x A c, ou seja A A c não possu elementos, e assm A A c =. A A c = Ω Demonstração. Por defnção temos que se A Ω então A c Ω, assm Ω contém todos os elementos de A e A c, então não exste um elemento de Ω que não pertença a A ou A c, logo A A c = Ω.

6 Teora de Conjuntos 6 Defnção 1.8: Sejam dos conjuntos quasquer A e B,a dferença de A \ B ou A B,é o conjunto dos elementos que pertencem a A e que não pertencem a B. A B = {x A x 6 B} = A B c Exemplo 1.5: Seja Ω = {(x, y) R 0 x 1, e 0 y 1} Sejam os subconjuntos de Ω A1 = {(x, y) R 0 x 1, e 0 y 12 } A2 = {(x, y) R 0 x 12, e 0 y 1} A3 = {(x, y) R 0 x 21, e 0 y 21 } A4 = {(x, y) R 0 x y 1} Pode-se verfcar as relações nos subconjuntos: A3 A1 A3 A2

7 Teora de Conjuntos 7 A 3 A 4 A 1 A 2 = A 3 A c 3 = {(x, y) R 0 x 1 se 1 < y 1 e 1 x 1 se 0 < y 1} A 1 A c 3 = Ω A c 1 = {(x, y) 0 x 1, e 1 < y 1} 2 Teorema 1.5 (Le de De Morgan Generalzada): Teorema de De Morgan: Seja {A 1, A 2,..., A n } uma coleção de subconjuntos de Ωu. Então ( n ) c n a) A = ( n ) c b) A = n A c A c ( n ) c Demonstração. Prova parte a) ( ) Seja x A. Então x n Assm, x A c,, logo x A c. n A, ou seja, x A,. n ( ) Seja x A c. Então x A c,, e anda x A,. Dessa forma x ( n ) c assm, x A n A, e Demonstração. Prova ( parte b) n ) c n ( ) Seja x A. Então x A, ou seja, para algum x A, sto é, x A 1 ou x A 2 ou,..., ou x A n, então x A c 1 ou x A c 2 ou,..., ou x A c n. Dessa forma n x A c ( ) Seja x n A c. Então para algum x A c, sto é, x A c 1 ou x A c 2 ou,..., ou x A c n, então, x A 1 ou x A 2 ou,..., ou x A n. Dessa forma, x ( n ) c A. n A, logo, x Vale ressaltar que as Les de Morgan também são váldas para o caso em que n = Exemplo 1.6: Seja A 1, A 2, A 3 subconjuntos de Ω, podemos ndcar as operações como pelo dagram de Venn.

8 Teora de Conjuntos CLASSES DE CONJUNTOS Defnção 1.9: Uma classe de conjuntos ou coleção de conjuntos é um conjunto cujos elementos são subconjuntos de um dado espaço. São usados geralmente quando queremos tratar de alguns subconjuntos de um dado conjunto. Uma coleção de conjuntos pode ser denotada por letras calgráfcas maúsculas A; B; C Defnção 1.10: Uma classe A de subconjuntos de Ω é chamada de álgebra se 1. Ω A 2. Se A A então Ac A (a classe é fechada pela complementaredade) 3. Se A1, A2,..., An A então n [ A A (a classe é fechada pela unão fnta) Defnção 1.11: Uma classe A de subconjuntos de Ω é chamada de σ-álgebra se 1. Ω A 2. Se A A então Ac A 3. Se A1, A2,... A então [ A A Proposção 1.1: Se A é uma σ-álgebra de subconjuntos de Ω. Então:

9 Teora de Conjuntos 9 1. A 2. Se A 1, A 2,... A então A A Demonstração.. Parte 1) A é uma σ-álgebra então Ω A e Ω c = A. Parte 2) ( ) c Se A 1, A 2,... A, então A c 1, A c 2,..., A, assm A c A. Então A A, como a classe é fechada pela complementaredade A A Exemplo 1.7: Seja a coleção A = {, Ω}, verfque se é uma σ-álgebra. 1. Ω A 2. Ω A, temos que Ω c = A 3., Ω A então Ω = Ω A Como as três propredades são satsfetas logo A é uma σ-álgebra. Exemplo 1.8: Sejam A, B, C subconjuntos não vazos de Ω, dsjuntos, e tas que A B C = Ω Seja a coleção A = {, A, B, C, A B, A C, B C, Ω}, verfque se é uma σ-álgebra. 1. Ω A 2. Os complementares dos elementos de A está em A c = Ω, Ω c =, A c = B C, B c = A C, C c = A B, (A B) c = C, (A C) c = B, (B C) c = A 3. As unões de todos os elementos de A está em A A unão do dá os própros elementos; A unão de Ω com qualquer elemento da o própro Ω; A B, A C, A (A B) = (A B), A (A C) = (A C), A (B C) = Ω A B A, B C, B (A B) = (A B), B (A C) = Ω, B (B C) = (B C) A C A, C B, C (A B) = Ω, C (A C) = (A C), C (B C) = (B C) A

10 Teora de Conjuntos 10 Como as três propredades são satsfetas logo A é uma σ-álgebra. Exemplo 1.9: Seja Ω = {1, 2, 3} e A = {, {1}, {2}, {1, 3}, {2, 3}, Ω}, verfque se A é uma σ-álgebra. 1. Ω A 2. Os complementares dos elementos de A está em A c = Ω, Ω c =, {1} c = {2, 3}, {2} c = {1, 3}, {1, 3} c = {2}, {2, 3} c = {1} 3. As unões de todos os elementos de A está em A A unão do dá os própros elementos; A unão de Ω com qualquer elemento da o própro Ω; {1} {2} = {1, 2} A Como a tercera propredade não é satsfeta, logo A não é uma σ-álgebra. Defnção 1.12: Seja Ω um conjunto com uma σ-algebra assocada, A, então o par (Ω, A) é chamado de espaço mensurável. Defnção 1.13: Se Ω = R um conjunto com uma σ-algebra assocada, R, então o par (R, R) é chamado de espaço de Borel. A σ-algebra de Borel, ou Borel-σ-algebra, é defnda como a σ-algebra gerada por conjuntos abertos de R. Os elementos de R são chamados de boleranos. São borelanos todos os tpos de ntervalo. Comecemos com os ntervalos do tpo {x R x < c} Pela segunda propredade da defnção de σ-álgebra temos: {x R x < c} R {x R x c} R Pela tercera propredade da defnção de σ-álgebra temos: {x R x < c} = n=1 { x R x c 1 } R n

11 Teora de Conjuntos 11 Como nterseções de elementos de R pertencem à R, podemos escrever (a, b] = {x R x > a} {x R x b} R [a, b) = {x R x a} {x R x < b} R (a, b) = {x R x > a} {x R x < b} R [a, b] = {x R x a} {x R x b} R Os subconjuntos untáros pertencem à R, pos {a} = [a, a] R 1.3 FUNÇÃO INDICADORA Defnção 1.14: Seja Ω um espaço amostral e seja A algum subconjunto de Ω. A função ndcadora de A, denotaa por I A, é uma função com seu domno em Ω e e contradomíno bnáro {0, 1}. { 1 se ω A I A (ω) = 0 se ω A Teorema 1.6 (Propredades da função ndcadora): Seja Ω um espaço amostral e F uma coleção de subconjuntos de Ω Exemplo 1.10: Seja a função f defnda por f(x) = 0 se x 0 x se 0 < x 1 2 x se 1 < x 2 0 se x > 2 Usando uma função ndcadora f(x) pode ser escrta da segunte forma: f(x) = xi (0,1] (x) + (2 x)i (1,2] (x) 1. I A (ω) = 1 I A c(ω) para todo A F 2. I A1 A 2... A n (ω) = I A1 (ω)i A2 (ω)...i An (ω) EXERCÍCIOS Teórcos 1) Demonstre as propredades da ntersecção. 2) Sejam A e B dos subconjuntos não-vazos contdos em um espaço amostral Ω. Mostre que

12 Teora de Conjuntos 12 a) A = (A c B c ) c (A c B) c b) (A B) (A B) c = (A B c ) (A c B) 3) Prove que: a) A (A c B) = A B b) A (A B) = A b) (A B) (A B c ) = A 4) Sejam A, B e C conjuntos. Mostre que se A B = A C e A B = A C. Então B = C 5) Sejam A e B dos conjuntos. Sob que condções o conjunto A (A B) c e vazo? 6) Seja Ω um conjunto não-vazo, prove que se A e B são σ-álgebras de subconjunto de Ω, então A B também é uma σ-álgebra Prátcos 1) Sejam A, B e C três eventos em um espaço de probabldade. Expresse os seguntes eventos em termos de A, B e C: a) Apenas A ocorre; b) A e B ocorrem, mas C não ocorre; c) Os três eventos ocorrem; d) Pelo menos um dos três eventos ocorre; e) Nenhum dos três eventos ocorre; f) Exatamente um dos três eventos ocorre; g) No máxmo um dos três eventos ocorre; h) Pelo menos dos dos três eventos ocorrem. 2) Verfque se as relações são verdaderas: a) (A B) (A C) = A (B C) b) (A B) = (A B c ) B c) A c B = A B d) (A B) c C = A c B c C e) A B c

13 Teora de Conjuntos 13 3) Consdere o espaço amostral Ω ndcado pelo quadrado defndo num sstema de exos cartesanos de tal forma que 0 x 10 e 0 y 10. Ilustre grafcamente os eventos abaxo: a) A : x y b) B : max(x, y) 3 c) C : mx(x, y) 3 d) D : x y 3 e) B C 4)Sejam os conjuntos A = {x R 2 < x < 6} e B = {x R x > 3}, determne: a) A B b) A B c) A B c d) A c B e) A B c f) A B c 5) Sejam os conjuntos A = {x R 1 < x 2}, B = {x R 2 x < 4} e C = {x R 1 < x < 1}, determne: a) (A B) C b) A (B C) c c) (A C) B c d) (A c B c ) c C 6) Seja Ω = {1, 2, 3} e A = {, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, Ω}, verfque se A é uma σ-álgebra. 7) Seja Ω = {1, 2, 3, 4} e verfque se as coleções de conjuntos abaxo são σ-álgebras. a) A = {, {1}, {2, 3, 4}, Ω}, b) A = {, {1, 2}, {3, 4}, Ω}, 8) Um curso exgrá 2 provas para aferr o conhecmento do aluno, cuja nota pode varar de 0 a 10. As provas têm peso P 1 e P 2 e para passar o aluno deve receber nota gual ou superor a 6. Mostre grafcamente o espaço amostral de resultados que o aluno pode receber no curso e ndque o evento "A: o aluno passou no curso", dentro do espaço amostral, consderando 2 casos:

14 Teora de Conjuntos 14 a) P 1 = 1 e P 2 = 1 b) P 1 = 1 e P 2 = 2 9) Seja Ω = {0, 1, 2, 3} obtenha uma σ-álgebra. 10) Consdere Ω = [0, 1] e os seguntes subconjutos: A = {x Ω x 1 2 } B = {x Ω x 1 3 } Expresse os subconjuntos resultantes das operações abaxo em termos de funções ndcadoras a) (A B) b) A B) c) (A c B) d) (A c B c )

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

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 mais

INTRODUÇÃO 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 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 mais

PROBABILIDADE - CONCEITOS BÁSICOS

PROBABILIDADE - CONCEITOS BÁSICOS ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo

Leia mais

AEP FISCAL ESTATÍSTICA

AEP 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 mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 ) DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco

Leia mais

AULA Espaços Vectoriais Estruturas Algébricas.

AULA Espaços Vectoriais Estruturas Algébricas. Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

Resolução das Questões Objetivas

Resolução 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 mais

Notas de Aula de Probabilidade A

Notas de Aula de Probabilidade A VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável

Leia mais

Introdução e Organização de Dados Estatísticos

Introdução 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 mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

7 - Distribuição de Freqüências

7 - 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 mais

2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho

2010 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

O problema da superdispersão na análise de dados de contagens

O 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 mais

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,

Leia mais

Análise Complexa Resolução de alguns exercícios do capítulo 1

Análise Complexa Resolução de alguns exercícios do capítulo 1 Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +

Leia mais

Elementos de Estatística e Probabilidades II

Elementos 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 mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS 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 mais

ESCOLA DE APLICAÇÃO DR. ALFREDO JOSÉ BALBI UNITAU APOSTILA PROF. CARLINHOS MATRIZES NOME DO ALUNO: Nº TURMA: blog.portalpositivo.com.

ESCOLA 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 mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 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 mais

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.

TEORIA 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 mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 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 mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso 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 mais

MATEMÁTICA LISTA DE EXERCÍCIOS NÚMEROS COMPLEXOS

MATEMÁTICA LISTA DE EXERCÍCIOS NÚMEROS COMPLEXOS MATEMÁTICA LISTA DE EXERCÍCIOS NÚMEROS COMPLEXOS PROF: Claudo Saldan CONTATO: saldan.mat@gmal.com PARTE 0 -(MACK SP/00/Janero) Se y = x, sendo x= e =, o valor de (xy) é a) 9 9 9 9 e) 9 0 -(FGV/00/Janero)

Leia mais

Regressão e Correlação Linear

Regressão 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 mais

Realimentação negativa em ampliadores

Realimentação negativa em ampliadores Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação

Leia mais

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA 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 mais

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna

Apostila 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 mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência. MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,

Leia mais

Teoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2014-I. Aula 3 Teoria dos Jogos Maurício Bugarin. Roteiro. Horário da disciplina: 14h15 a 15h45

Teoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2014-I. Aula 3 Teoria dos Jogos Maurício Bugarin. Roteiro. Horário da disciplina: 14h15 a 15h45 Teora dos Jogos Prof. Mauríco Bugarn Eco/UnB 04-I Rotero Horáro da dscplna: 4h5 a 5h45 Introdução: Por que pensar estrategcamente? Exemplos de stuações nas quas pensar estrategcamente faz sentdo Concetos

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 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 mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

Professor Mauricio Lutz CORRELAÇÃO

Professor 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 mais

4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES

4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES 4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento

Leia mais

Sumarização dos dados

Sumarização 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 mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 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 mais

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas

Leia mais

Probabilidade: Diagramas de Árvore

Probabilidade: Diagramas de Árvore Probabldade: Dagramas de Árvore Ana Mara Lma de Faras Departamento de Estatístca (GET/UFF) Introdução Nesse texto apresentaremos, de forma resumda, concetos e propredades báscas sobre probabldade condconal

Leia mais

CAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade

CAPÍTULO 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 mais

Introdução à Análise de Dados nas medidas de grandezas físicas

Introdução 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 mais

GRANDEZAS ELÉTRICAS CONCEITOS BÁSICOS

GRANDEZAS 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 mais

2 - Análise de circuitos em corrente contínua

2 - 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 mais

Resoluções dos testes propostos

Resoluções dos testes propostos da físca Undade B Capítulo 9 Geradores elétrcos esoluções dos testes propostos 1 T.195 esposta: d De U r, sendo 0, resulta U. Portanto, a força eletromotrz da batera é a tensão entre seus termnas quando

Leia mais

2ª ACTIVIDADE ESCRITA DE MATEMÁTICA A 12.º C 2009 NOVEMBRO 20 Duração da prova: 45 minutos VERSÃO 1. Grupo I

2ª ACTIVIDADE ESCRITA DE MATEMÁTICA A 12.º C 2009 NOVEMBRO 20 Duração da prova: 45 minutos VERSÃO 1. Grupo I ª ATIVIDADE ESRITA DE MATEMÁTIA A.º 009 NOVEMBRO 0 Duração da prova 4 mnutos VERSÃO Grupo I Para cada uma das três questões deste grupo, seleccone a resposta correcta de entre as alternatvas que lhe são

Leia mais

FAAP APRESENTAÇÃO (1)

FAAP APRESENTAÇÃO (1) ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,

Leia mais

Análise de Regressão

Análise de Regressão Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal

Leia mais

M mn (R) : conjunto das matrizes reais m n AnB = fx; x 2 A e x =2 Bg det A : determinante da matriz A

M mn (R) : conjunto das matrizes reais m n AnB = fx; x 2 A e x =2 Bg det A : determinante da matriz A NOTAÇÕES N = f1; ; ; g C conjunto dos números comlexos R conjunto dos números reas undade magnára = 1 [a; b] = fx R; a x bg jzj módulo do número z C [a; b[ = fx R; a x < bg z conjugado do número z C ]a;

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise de Variância. Comparação de duas ou mais médias Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)

Leia mais

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:

MODELO 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 mais

MATEMÁTICA. Aula 2 Teoria dos Conjuntos. Prof. Anderson

MATEMÁTICA. Aula 2 Teoria dos Conjuntos. Prof. Anderson MATEMÁTICA Aula 2 Teoria dos Conjuntos Prof. Anderson CONCEITO Na teoria dos conjuntos, um conjunto é descrito como uma coleção de objetos bem definidos. Estes objetos são chamados de elementos ou membros

Leia mais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais

Universidade 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 mais

Capítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2

Capítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2 Capítulo O plano compleo Introdução Os números compleos começaram por ser ntrodudos para dar sentdo à resolução de equações polnomas do tpo Como os quadrados de números reas são sempre maores ou guas a

Leia mais

Electromagnetismo e Óptica

Electromagnetismo e Óptica Electromagnetsmo e Óptca aboratóro - rcutos OBJETIOS Obter as curvas de resposta de crcutos do tpo sére Medr a capacdade de condensadores e o coefcente de auto-ndução de bobnas por métodos ndrectos Estudar

Leia mais

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG 1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o

Leia mais

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

Ministério 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 mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. 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 mais

EXPANSÃO TÉRMICA DOS LÍQUIDOS

EXPANSÃO TÉRMICA DOS LÍQUIDOS Físca II Protocolos das Aulas Prátcas 01 DF - Unversdade do Algarve EXPANSÃO ÉRMICA DOS ÍQUIDOS 1 Resumo Estuda-se a expansão térmca da água destlada e do glcerol utlzando um pcnómetro. Ao aquecer-se,

Leia mais

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos

Mecânica 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 mais

Introdução a Combinatória- Aplicações, parte II

Introdução a Combinatória- Aplicações, parte II Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o

Leia mais

PROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC)

PROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC) PROBLEMS SOBRE PONTOS Dav Máxmo (UFC) e Samuel Fetosa (UFC) Nível vançado Dstrbur pontos num plano ou num espaço é uma tarefa que pode ser realzada de forma muto arbtrára Por sso, problemas sobre pontos

Leia mais

Física C Intensivo V. 2

Física 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 mais

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br

Leia mais

NOTA II TABELAS E GRÁFICOS

NOTA 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 mais

Surpresa para os calouros. Série Matemática na Escola. Objetivos

Surpresa 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 mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise 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 mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições 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 mais

CAPITULO II - FORMULAÇAO MATEMATICA

CAPITULO 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 mais

Capítulo 24: Potencial Elétrico

Capítulo 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 mais

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística

ESTATÍSTICA 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 mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores. MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo

Leia mais

37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8

37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8 Resposta da questão 1: [C] Calculando:,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 8, 8,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 5, x = 9,9 Moda = 8 8+ 8 Medana = = 8,5 + 10 + 8 + 9,4 + 8 +,4 + 7,4 Méda das outras

Leia mais

8. Estudo da não-idealidade da fase líquida

8. Estudo da não-idealidade da fase líquida PQI 58 Fundamentos de Processos em Engenhara Químca II 009 8. Estudo da não-dealdade da fase líquda Assuntos. A le de Raoult. Defnção de atvdade 3. Convenções assmétrcas e a le de Henry 4. Exercícos 8..

Leia mais

58 Textos de Apoio de Análise Matemática IV 2003/2004. Tem-se assim uma decomposição da região rectangular R em mk rectângulos

58 Textos de Apoio de Análise Matemática IV 2003/2004. Tem-se assim uma decomposição da região rectangular R em mk rectângulos 58 Textos de Apoo de Análse Matemátca IV 3/4.3 Integral duplo.3.1 efnção Seja um rectângulo fechado de, sto é, [a, b] [c, d] {(x, y) : a x b e c y d}, com a < b e c < d. Consdere-se uma partção do ntervalo

Leia mais

3 NOÇÕES DE PROBABILIDADE

3 NOÇÕES DE PROBABILIDADE 3 NOÇÕES DE PROILIDDE 3.1 Conjuntos Um conjunto pode ser considerado como uma coleção de objetos chamados elementos do conjunto. Em geral denota-se conjunto por letras maiúsculas,, C,... e a sua representação

Leia mais

3. 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

3. 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 mais

1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples.

1 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 mais

Atividade em Soluções Eletrolíticas

Atividade em Soluções Eletrolíticas Modelo de solução eletrolítca segundo Debye-Hückel. - A le lmte de Debye-Hückel (LLDH) tem o lmte que está em: I 0,01. log z.z A I 1/ valêncas do íons + e do eletrólto I 1 [ z b / b ] constante que depende

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

Associação de Resistores Física 2

Associação de Resistores Física 2 Assocação de esstores Físca 2 Aula 4. Sére I. A corrente elétrca é a mesma em cada resstor. II. A ddp total se dvde entre os resstores. III. A resstênca equvalente é a soma das resstêncas elétrcas de cada

Leia mais

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1 Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A

Leia mais

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia mais

PROBABILIDADE. 3) Jogando-se dois dados, qual a probabilidade de que a soma dos pontos obtidos seja menor que 4?

PROBABILIDADE. 3) Jogando-se dois dados, qual a probabilidade de que a soma dos pontos obtidos seja menor que 4? Segmento: ENSINO MÉDIO Dscplna: MATEMÁTICA Tpo de Atvdade: LISTA DE EXERCÍCIOS Prof. Marcelo 06/2016 Turma: 3 A PROBABILIDADE 1) No lançamento de um dado, determnar a probabldade de se obter: a) o número

Leia mais

EXERCÍCIOS DE RECUPERAÇÃO PARALELA 4º BIMESTRE

EXERCÍCIOS 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 mais

Cristina Caldeira 97. Tem-se assim uma decomposição da região Q em mkq paralelipípedos rectangulares

Cristina Caldeira 97. Tem-se assim uma decomposição da região Q em mkq paralelipípedos rectangulares Crstna Caldera 97 (c) T {(x, y) R : y a x } (a R + ) e ρ(x, y) é a dstânca de (x, y) ao ponto (, ); (d) T [, 3] [, ] e ρ(x, y) xy..4 Integral trplo.4.1 efnção e propredades Seja Q um paralelpípedo rectangular

Leia mais

1 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.

1 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 mais

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

Leia mais

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja

Leia mais

TE210 FUNDAMENTOS PARA ANÁLISE DE CIRCUITOS ELÉTRICOS

TE210 FUNDAMENTOS PARA ANÁLISE DE CIRCUITOS ELÉTRICOS TE0 FUNDAMENTOS PARA ANÁLISE DE CIRCUITOS ELÉTRICOS Números Complexos Introdução hstórca. Os números naturas, nteros, raconas, rraconas e reas. A necessdade dos números complexos. Sua relação com o mundo

Leia mais

Estatística stica Descritiva

Estatística 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 mais

Teoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2015-II. Aula 8 B Teoria dos Jogos Maurício Bugarin. Desenvolver o modelo de jogo repetido

Teoria dos Jogos. Prof. Maurício Bugarin Eco/UnB 2015-II. Aula 8 B Teoria dos Jogos Maurício Bugarin. Desenvolver o modelo de jogo repetido Teora dos Jogos Prof. Mauríco Bugarn Eco/UnB 015-II Rotero Capítulo 3. Jogos Jogos Repetdos Desenvolver o modelo de jogo repetdo Provar o teorema popular Aplcar para conluo no jogo de dlema dos prsoneros

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.

(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 mais