Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
|
|
- Moisés Sintra Esteves
- 6 Há anos
- Visualizações:
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)
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 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 maisPROBABILIDADE - 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 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 maisProf. 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 maisQ 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 maisAULA 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 maisAlgarismos 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 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 maisNotas 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 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 maisEstatística 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 maisProf. 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 maisCORRELAÇÃO 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 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 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 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 maisMatemática. 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 maisAnálise 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 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 maisDEFINIÇÃO - 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 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 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 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 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 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 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 maisMATEMÁTICA 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 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 maisRealimentação 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 maisCap. 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 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 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 maisOs 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 maisTeoria 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 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 mais2 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 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 mais4. 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 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 maisNotas 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 maisFaculdade 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 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 maisCONCEITOS 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 maisProbabilidade: 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 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 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 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 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 maisResoluções 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 mais2ª 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 maisFAAP 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 maisAnálise 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 maisM 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 maisAnálise 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 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 maisMATEMÁTICA. 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 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 maisCapítulo 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 maisElectromagnetismo 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 maisCENTRO 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 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. 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 maisEXPANSÃO 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 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 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 maisPROBLEMAS 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 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 maisANÁLISE 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 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 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 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 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 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 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 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 maisPalavras-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 mais37 [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 mais8. 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 mais58 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 mais3 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 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 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 maisAtividade 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 mais3.6. 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 mais1. 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 maisAssociação 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 maisProgramação 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 maisReconhecimento 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 maisPROBABILIDADE. 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 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 maisCristina 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 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 mais5 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 maisEstatística. 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 maisTE210 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 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 maisTeoria 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.
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