Sumário. 2 Índice Remissivo 13
|
|
- Sophia Gonçalves Penha
- 5 Há anos
- Visualizações:
Transcrição
1 i
2 Sumário 1 Variáveis Aleatórias e Suas Distribuições Variáveis Aleatórias Discretas Variáveis Aleatórias Contínuas Função de Distribuição Acumulada Variáveis Aleatórias Mistas Funções de Variáveis Aleatórias Índice Remissivo 13 ii
3 Capítulo 1 Variáveis Aleatórias e Suas Distribuições Imaginemos que existe a definição de que a temperatura de João Pessoa é considerada quente se é maior do que 27 graus Celsius, é considerada confortável se está entre 20 e 27 graus Celsius, e é considerada fria se é menor do que 20 graus Celsius. Suponha que nosso espaço amostral para o experimento medir a temperatura de João Pessoa pela manhã. Suponha que nosso espaço amostral, que contém todos os resultados possíveis para a temperatura, é Ω = R. Se queremos determinar se a temperatura é fria, confortável ou quente, a melhor ferramenta para isso é definir uma função X : Ω {fria,confortável,quente}. Ou seja, uma função que associa a cada valor de temperatura, a quantidade fria, confortável ou quente. Por exemplo, X(10) = frio; X(34) = quente, e X(22) = confortável. Neste exemplo, foram medidas temperaturas, 10, 34 e 22, respectivamente. Essa função X que utilizamos é o que chamamos de uma variável aleatória. Ou seja, é um rótulo que damos para os valores possíveis no espaço amostral. Na prática, o mais comum é utilizar variáveis aleatórias, onde associamos cada valor do espaço amostral a um número real, ao invés de um conjunto arbitŕario. Isso se deve ao fato, de que existem muitas distribuições de probabilidade conhecidas tomando como valores números reais. Portanto, ao considerar uma variável aleatória que toma valores reais, estamos pegando um problema de probabilidade genérico, e transformando num problema de probabilidade de números reais, e assim podemos utilizar toda a teoria de distribuições discretas e contínuas para resolver o problema. Desta forma, mais precisamente, temos a Definição: Variável Aleatória Seja Ω um espaço amostral e seja X : Ω R uma função X que associa a cada elemento ω Ω um número real X(ω) R. Exemplo 1.1 Exemplo de variável aleatória Suponha que sorteamos 3 pessoas em João Pessoa e observamos se é homem ou mulher. Suponha que queremos saber o número de mulheres sorteadas. Para isso, defina a variável aleatória X : Ω R, onde X pode assumir os valores, 0,1,2 e 3. Se denotamos homem por H e mulher por M, temos que Ω = {MMM,MMH,MHM,HMM,MHH,HMH,HHM,HHH}, e portanto X(MMM) = 3,X(MMH) = X(MHM) = X(HMM) = 2,X(MHH) = X(HMH) = X(HHM) = 1,X(HHH) = 0. Definição: Imagem Inversa Seja Ω um espaço amostral e seja X : Ω R uma variável aleatória. Dado qualquer subconjunto B R, definimos a imagem inversa de B pela variável aleatória X como o conjunto X 1 (B) = 1 / 13
4 {ω Ω;X(ω) B}. Ou seja, X 1 (B) consiste dos elementos de Ω que são levados no conjunto B pela variável aleatória X. A partir da imagem inversa de X 1 (B) podemos construir uma nova medida de probabilidade induzida pela variável aleatória X. Definição: Probabilidade induzida pela variável aleatória X Definimos a probabilidade P(X B) como sendo P(X 1 (B)), ou seja, como a probabilidade do evento X 1 (B). Da mesma forma, definimos P(X = a) como sendo P(X 1 ({a})), ou seja, a probabilidade da variável aleatória assumir o valor a. Escreva o que significa P(X b) para algum número real b. Seguindo a mesma ideia da definição, temos que P(X b) deve ser definido como a probabilidade de X ser menor ou igual a b, assim, é a probabilidade de X pertencer ao intervalo da reta (,b]. Portanto, P(X b) = P(X 1 ((,b])). Suponha que na cidade de João Pessoa, temos a mesma quantidade de homens e de mulheres, e que cada sorteio de pessoas é feito com reposição e independentemente do(s) sorteio(s) anterior(es). Seja X a variável aleatória que indica o número de mulheres sorteadas. Calcule: P(X = 0),P(X = 1),P(X = 2) e P(X 2). Temos que P(X = 0) = P(HHH) = 1 8 ; P(X = 1) = P({HHM,HMH,MHH}) = P(HHM) + P(HMH) + P(MHH) = 8 3 ; P(X = 2) = P(HMM,MHM,MMH) = P(HMM) + P(MHM) + P(MMH) = 3 8. Finalmente, P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = = 7 8. Poderíamos também ter resolvido utilizando a técnica de tomar complementares. Como X só pode assumir valores 0,1,2 e 3, temos que, P(X 2) = 1 P(X > 2) = 1 P(X = 3) = 1 P(MMM) = = Variáveis Aleatórias Discretas Como falamos anteriormente, nosso objetivo em considerar variáveis aleatórias tomando como valores números reais, se deve ao fato de haver uma teoria bem completa em torno dessas variáveis aleatórias. Dentre as variáveis aleatórias reais, existem dois grandes grupos: as variáveis aleatórias discretas e as variáveis aleatórias contínuas. Nosso objetivo nesta seção consiste em definir, e apresentar vários exemplos de variáveis aleatórias discretas. Definição: Variável aleatória discreta Seja Ω um espaço amostral e seja X : Ω R uma variável aleatória. Se existe uma sequência números a 1,a 2,a 3,..., tais que X só pode assumir um dos valores dessa sequência. Então dizemos que X é uma variável aleatória discreta. 2 / 13
5 Nota Note que apesar da sequência a 1,a 2,a 3,... ser uma sequência infinita, o conjunto de valores possíveis para a variável aleatória X pode ser finito ou infinito enumerável. Por infinito enumerável, nós queremos dizer um conjunto infinito que pode ser indexado pelo conjunto dos números naturais, ou seja, pelo qual podemos escrever uma sequência numérica cobrindo todos os números. No caso de variáveis aleatórias discretas, sabemos que vale a seguinte identidade: P(X {a 1,a 2,a 3,...}) = 1, pois X necessariamente só assume valores nesse conjunto {a 1,a 2,a 3,...}. Portanto, utilizando a aditividade contável da medida de probabilidade, obtemos 1 = P(X {a 1,a 2,a 3,...}) = i=1 P(X = a i ), e portanto temos que i=1 P(X = a i) = 1, e além disso, sabemos que para cada i, vale P(X = a i ) 0. Estes fatos motivam a seguinte definição: Definição: Função de probabilidade Seja Ω um espaço amostral e seja X : Ω R uma variável aleatória discreta, e seja a 1,a 2,a 3,..., o conjunto de valores possíveis de X. Definimos a função de probabilidade da variável aleatória X como uma função p(a i ), que associa a cada a i a probabilidade da variável aleatória X assumir o valor a i, isto é, definimos p(a i ) = P(X = a i ). Nota Pelo que já vimos, uma função de probabilidade satisfaz as seguintes propriedades:. para todo i, p(x i ) 0;. i=1 p(x i) = 1. Suponha que uma urna contém 6 bolas azuis e 4 bolas vermelhas. Quatro bolas são tiradas aleatoriamente da urna, com reposição, e é observada a cor da bola, antes da bola ser devolvida à urna. Seja X a variável aleatória que indica o número de bolas vermelhas que foram retiradas da urna. Obtenha a função de probabilidade de X. Denote por V a bola vermelha e por A, a bola azul. Pelas informações do problema, temos que a probabilidade de se retirar uma bola vermelha é 4 10 e a de se retirar uma bola azul é Assim, P(V ) = 4 10 = 0,4 e P(A) = 6 10 = 0,6. O espaço amostral do problema é dado por Ω = {VVVV,VVVA,VVAV,VAVV, AVVV,VVAA,VAVA, VAAV, AVAV, AAVV, AVVA,VAAA, AVAA, AAVA, AAAV, AAAA}. É fácil ver que o conjunto de valores possíveis para a variável aleatória X é {0,1,2,3,4}. 3 / 13
6 Assim: p(0) = P(X = 0) = P(AAAA) = (0,6) 4 ; p(1) = P(X = 1) = P(AAAV, AAVA, AVAA,VAAA) = P(AAAV ) + P(AAVA) + P(AVAA) + P(VAAA) = (0,6) 3 0,4 + (0,6) 3 0,4 + (0,6) 3 0,4 + (0,6) 3 0,4 = 4(0,6) 3 0,4; p(2) = P(X = 2) = P(VVAA,VAVA,VAAV, AVAV, AAVV, AVVA) = P(VVAA) + P(VAVA) + P(VAAV ) + P(AVAV ) + P(AAVV ) + P(AVVA) = (0,6) 2 (0,4) 2 + (0,6) 2 (0,4) 2 + (0,6) 2 (0,4) 2 + (0,6) 2 (0,4) 2 + (0,6) 2 (0,4) 2 + (0,6) 2 (0,4) 2 = 6(0,6) 2 (0,4) 2 ; p(3) = P(X = 3) = P(VVVA,VVAV,VAVV, AVVV ) = P(VVVA) + P(VVAV ) + P(VAVV ) + P(AVVV ) = (0,4) 3 0,6 + (0,4) 3 0,6 + (0,4) 3 0,6 + (0,4) 3 0,6 = 4(0,4) 3 0,6; finalmente, p(4) = P(X = 4) = P(VVVV ) = (0,4) Variáveis Aleatórias Contínuas As variáveis contínuas são aquelas na qual a variável aleatória pode assumir uma quantidade nãoenumerável de valores. Isto faz com que a probabilidade de assumir um valor específico seja 0. Ou seja, se X é uma variável aleatória contínua, para todo número real a, temos que P(X = a) = 0. A intuição para este fato inusitado, é que temos tantos valores possíveis para X, que faz com que a probabilidade de assumir um valor em particular seja 0. Neste caso, a probabilidade de X assumir um valor é trocada pela probabilidade de X pertencer a um intervalo da reta. Além disso, no cálculo da probabilidade, a soma é trocada por uma integral, conforme veremos na próxima definição. Definição: Variável Aleatória Contínua Dizemos que X é uma variável aleatória contínua se existe uma função real f : R R, a qual chamamos de função de densidade de X, que satisfaz as seguintes condições: Para todo x real, f (x) 0; f (x)dx = 1; Se f (x) satisfaz as duas primeiras condições, então temos que para quaisquer a e b, < a < b <, vale P(a X b) = b a f (x)dx. Nota Note portanto, que pela definição, para checar se uma função f (x) é uma função de densidade é suficiente verificar duas coisas: 1. se para todo x real, temos f (x) 0; 2. se f (x)dx = 1. 4 / 13
7 [IMPORTANT]: Como mencionamos anteriormente, a definição de variável aleatória contínua implica que para todo a real, P(X = a) = 0. De fato, como X possui uma função de densidade f, temos que P(X = a) = a a f (x)dx = 0. Uma consequência deste fato é que P(a X b) = P(a < x < b) = P(a < x b) = P(a X < b). Suponha que X seja uma variável aleatória contínua com a função de densidade { 2x, 0 < x < 1; f (x) = 0, caso contrário.. a. Mostre que f (x) é uma função de densidade; b. Calcule P(X 1/2); c. Calcule P(X 1/2 1/3 X 2/3) (probabilidade condicional). a. Temos da definição de f (x) que para todo x real, f (x) 0. Basta verificar agora que f (x)dx = 1. Note que f (x) = 0 fora do intervalo [0,1], e portanto Assim, f (x) é função de densidade b. c. f (x)dx = P(X 1/2) = 1 0 1/2 0 2xdx = x = 1. 2xdx = x 2 1/2 = 1 4. P(X 1/2 1/3 X 2/3) = P(1/3 X 1/2) = = 0 P(1/3 X 1/2) 1/2 1/3 2xdx 2/3 1/3 2xdx 1/2 x 2 1/3 2/3 x 2 = /3 = 5/36 3/9 1.3 Função de Distribuição Acumulada Na teoria matemática da probabilidade é possível mostrar que, dada uma variável aleatória X, a probabilidade de qualquer evento pode ser obtida a partir das probabilidades P(X a), onde a é número real. Ou seja, conhecendo P(X a) para todo a real, significa dizer que conhecemos P(X A) para qualquer evento A. Este resultado é um importante resultado de Teoria da Medida, e mostra o quão rica é a função F(a) = P(X a). Por conta disso, ela recebe um nome: 5 / 13
8 Definição: Função de Distribuição Acumulada Seja Ω um espaço amostral, e seja X : Ω R uma variável aleatória discreta ou contínua. Defina a função F X : R R dada por F X (a) = P(X a), onde a é número real. F X é denominada a função de distribuição acumulada da variável aleatória X, ou simplesmente função de distribuição. Se X for uma variável aleatória discreta, então F X (a) = onde a soma é feita sobre os indíces j, tais que a j a. Se X for uma variável aleatória contínua, então F X (a) = p(a j ), j;a j a a f (x)dx. Seja X uma variável aleatória discreta tomando valores 0,1 e 2. Suponha que sua função de probabilidade é dada por p(0) = 1/2, p(1) = 1/3 e p(2) = 1/6. Obtenha F X. Se a < 0, então F X (a) = P(X < a) P(X < 0) = 0. Como F X (a) = P(X a) 0, segue que para todo a < 0, F X (a) = 0. Suponha agora, 0 a < 1, então F X (a) = P(X a) = P(X = 0) = p(0) = 1/2. Seja agora, 1 a < 2. Então, F X (a) = P(X a) = P(X = 0) + P(X = 1) = p(0) + p(1) = 1/2 + 1/3 = 5/6. Finalmente, se a 2, então F X (a) = P(X a) = P(X 2) = 1. Assim, 0, a < 0 1/2, 0 a < 1, F X (a) =. 5/6, 1 a < 2, 1, a 2. Seja X uma variável aleatória contínua com função de densidade { 2x, 0 < x < 1; f (x) = 0, caso contrário.. Já sabemos que f é função de densidade por um exercício anterior. Obtenha sua função de distribuição F X. Temos que se a < 0, então P(X a) P(X < 0) = 0. Assim, para a < 0, temos F X (a) = 0. Para 0 a 1, temos P(X a) = Assim, para 0 a 1, vale F X (a) = a 2. a 0 6 / 13 2xdx = x 2 a 0 = a2.
9 Finalmente, se a > 1, então P(X a) = P(X 1) = 1. Portanto, para a > 1, segue F X (a) = 1. Desta forma, 0, 0 a < 0, F X (a) = a 2, 0 a 1,. 1, a 1. Nota Observe que se a b, então sempre que X(ω) a, teremos X(ω) a b, o que implica, X(ω) b. Assim, vale a inclusão de conjuntos {ω Ω;X(ω) a} {ω Ω;X(ω) b}. Logo, P(X a) P(X b). Portanto, temos que se a b, então F X (a) F X (b), ou seja, F X é uma função nãodecrescente. Nota É possível mostrar que para qualquer variável aleatória X, vale lim a F X (a) = 0 e lim a F X (a) = 1. Importante Note ainda que se X é uma variável aleatória discreta com conjunto de valores possíveis dado por {a 1,a 2,a 3,...}, ordenados de tal forma que a 1 < a 2 < a 3 < a 4 <..., então temos que p(a i ) = P(X = a i ) = P(X a i ) P(X a i 1 ) = F X (a i ) F X (a i 1 ). Ou seja, podemos obter a função de probabilidade de X a partir da função de distribuição de X desta forma. Nota Note que esta última observação nos diz que se temos uma função de distribuição de uma variável aleatória discreta, então o conjunto de valores que a variável aleatória X pode assumir é exatamente o conjunto dos pontos de descontinuidade da função de distribuição F X. Assim, se a 1 é o menor ponto de descontinuidade de X, então P(X = a 1 ) = F X (a 1 ), e depois disso, se F X é descontínua no ponto a i, então teremos que P(X = a i ) = F X (a i ) F X (a i 1 ). Suponha que X é uma variável aleatória discreta com função de distribuição F X dada por 0, a < 0, 1/4, 0 a < 1, F X (a) = 1/2, 1 a < 2, 1, a 2. Obtenha a função de probabilidade p(a i ). 7 / 13
10 Os pontos de descontinuidade da função de distribuição F X são 0, 1 e 2. Portanto, pelo que vimos, temos que p(0) = F X (0) = 1/4, p(1) = F X (1) F X (0) = 1/2 1/4 = 1/4, e finalmente, p(2) = F X (2) F X (1) = 1 1/2 = 1/2. Temos um resultado análogo para variáveis aleatórias contínuas. Importante Seja agora X uma variável aleatória contínua. Então, vale que F X (x) = x f (t)dt. Ou seja, estamos dizendo que F X é uma primitiva para a função de densidade f. Desta forma, podemos recuperar a função de densidade, a partir da função de distribuição, por simples derivação em todos os pontos em que F X for derivável: f (a) = df X(a) da = F X(a). Suponha que X é uma variável aleatória contínua com função de distribuição F X dada por { 0, a < 0, F X (a) = 1 e a, a 0.. Obtenha a função de densidade f (x). Sabemos que a função de densidade f (x) é dada pela derivada da função de distribuição em todos os pontos em que esta for derivável. Assim, se x < 0, temos que f (x) = F X (x) = 0. Se x > 0, então f (x) = F X (x) = e x. Em x = 0, F X não é derivável, então podemos supor f (x) = 0, já que o valor de uma função em um único ponto não altera o valor da integral. Portanto, a função de densidade f da variável aleatória X é dada por { 0, 0 x 0, f (x) = e x., x > Variáveis Aleatórias Mistas Podemos ter também um terceiro tipo de variável aleatória: a variável aleatória mista. Ela consiste em uma variável aleatória cuja probabilidade é uma mistura entre as variáveis aleatórias contínuas e discretas. Assim, se X é uma variável aleatória mista, então existem números reais a 1,a 2,a 3,..., tais que para algum i, P(X = a i ) > 0, e tais que i=1 P(X = a i ) = p < 1, 8 / 13
11 ou seja, isso garante que ela tem esse comportamento da variável aleatória discreta, mas não é uma variável aleatória discreta, pois a soma não é igual a 1. Assim, seja F X a função de distribuição da variável aleatória X. Definimos a parte discreta da função de distribuição de X como F d X (x) = i;a i x P(X = a i ). Defina p(a i ) = P(X = a i ), então dizemos que a função p é a função de probabilidade da parte discreta da variável aleatória X. Nota Note que se X fosse uma variável aleatória discreta, teríamos F X = F d X. Agora, defina FX c(x) = F X(x) FX d (x), a parte contínua da função de distribuição da variável aleatória x X. Assim, se X é uma variável aleatória mista, existe uma função f (t) 0, tal que FX c(x) = f (t)dt, e f (t)dt = 1 p. Dizemos que a função f é a função de densidade da parte contínua de X. Nota Observe então que se X é uma variável aleatória discreta, então FX c (x) = 0, para todo x; e se X é uma variável aleatória contínua, então FX d(x) = 0, donde temos F X(x) = FX c(x). Portanto, podemos concluir que F X (x) = FX c(x) + Fd X (x), ou seja, vale: F X (x) = P(X x) = x f (t)dt + P(X = a i ). i;a i x Assim, suponha que é dada uma função de distribuição F X de uma variável aleatória mista X, e que queremos encontrar a função de probabilidade da parte discreta de X, e a função de densidade da parte contínua de X. Para tanto, começamos procurando por pontos de descontinuidade de F X. Suponha que temos os pontos a 1,a 2,..., então, para encontrar a função de probabilidade da parte discreta de X, basta calcular para cada i, o número p(a i ) = P(X = a i ) = P(X a i ) P(X < a i ). Uma vez, encontrada a função de probabilidade da parte discreta de X, definimos F c X (x) = F X(x) F d X (x), e obtemos a função de densidade da parte contínua de X por derivação: f (x) = Fc X (x), ou seja, derivamos a parte contínua da função de distribuição F X. Seja X uma variável aleatória mista com função de distribuição 0, x 0, F X (x) = x, 0 < x < 1/2, 1,x 1/2. Obtenha a função de probabilidade da parte discreta de X e a função de densidade da parte contínua de X. 9 / 13
12 Observe que F X só possui apenas um ponto de descontinuidade no ponto x = 1/2. Assim, temos que a função de probabilidade da parte discreta é dada por p(1/2) = P(X 1/2) P(X < 1/2) = F X (1/2) P(X < 1/2) = 1 1/2 = 1/2. Pois, como para x < 1/2, vale, P(X < x) = x, temos, P(X < 1/2) = 1/2. Portanto, temos que se x < 1/2, então FX d(x) = 0, e se x 1/2, então Fd X (x) = 1/2. Daí, se x < 1/2, FX c(x) = F X(x) FX d(x) = x, e se x 1/2, temos Fc X (x) = F X(x) FX d (x) = 1 1/2 = 1/2. Desta forma, temos que 0, x 0, FX(x) c = x, 0 < x < 1/2,. 1/2,x 1/2. Assim, derivando, obtemos que a função de densidade da parte contínua de X é dada por { 0, x 0 ou x 1/2, f (x) =. 1, 0 < x < 1/ Funções de Variáveis Aleatórias Definição: Função de uma Variável Aleatória Seja X uma variável aleatória tomando valores reais. Seja Im(X) = X(Ω) = {X(ω); ω Ω} a imagem de X, ou seja, o conjunto dos valores que a variável aleatória X pode assumir. Seja g : Im(X) R uma função real. Então, a função Y = g(x) é uma nova variável aleatória, e dizemos que Y é uma função da variável aleatória X. Relembre a definição de imagem inversa: para um subconjunto dos reais A R a imagem inversa de A pela função g é o conjunto g 1 (A) = {x Im(X);g(x) A}. Assim, temos que para todo evento A R, vale P(Y A) = P(g(X) A) = P(X g 1 (A)). Portanto, podemos calcular probabilidades com relação à variável aleatória Y a partir diretamente de probabilidades envolvendo apenas a variável aleatória X. Exemplo 1.2 Exemplo de função de variável aleatória discreta Seja X uma variável aleatória discreta tomando valores no conjunto 1,2,3,... Suponha que P(X = n) = (1/2) n. Defina a função g : {1,2,3,...} R dada por f (2k) = 1, k = 1,2,3,..., e f (2k 1) = 1, para k = 1,2,3,... Ou seja, g(x) é igual a 1 se x é par, e é igual a -1 se x é ímpar. Desta forma, definindo Y = g(x), temos que { 1, se X for par, Y = 1, se X for ímpar. Assim, temos que P(Y = 1) = P(g(X) = 1) = P(X g 1 ({1})). Note que g(x) = 1 se, e somente se, x é par, ou seja, g 1 ({1}) = {2,4,6,...}. Assim, P(Y = 1) = P(X {2,4,6,...}) = (1/2) 2 + (1/2) 4 + (1/2) 6 + = 1/4 + (1/4) 2 + (1/4) 3 + = 1/4 1 1/4 = 1/3. Por outro lado, P(Y = 1) = 1 P(Y = 1) = 1 1/3 = 2/3. Observe que outra forma equivalente de calcular P(Y = 1), seria observar que Y = 1 se, e somente se, X é par, e portanto {Y = 1} = {X {2,4,6,...}}. E portanto, P(Y = 1) = P(X {2,4,6,...}). 10 / 13
13 Exemplo 1.3 Exemplo de função de variável aleatória contínua Seja X uma variável aleatória contínua com função de densidade dada por f (x) = 2x, se x (0,1), e 0 caso contrário. Seja Y = 3X + 1. Vamos encontrar a função de densidade de Y, que denotaremos por f Y (y). Primeiramente, note que como Im(X) = (0, 1), e assim Im(Y ) = (1, 4). Observe, agora, que P(Y y) = P(3X + 1 y). Sabemos que 3X + 1 y se, e somente se, X (y 1)/3. Portanto, vale F Y (y) = P(3X + 1 y) = P(X (y 1)/3) = F X ((y 1)/3). Finalmente, se y 0, então F Y (y) = P(Y y) = 0, e se y 4, temos F Y (y) = P(Y y) = 1. Portanto, se y < 0, então f Y (y) = F Y (y) = 0, e se y > 4, então f Y (y) = F Y (y) = 0. Agora, se y (1,4), temos que F Y (y) = F X ((y 1)/3), e portanto, pela regra da cadeia f Y (y) = F Y (y) = F X((y 2((y 1)/3) 1)/3) 1/3 = f ((y 1)/3) 1/3 = = 3 2(y 1). 9 Considere X variável aleatória contínua com a densidade do exemplo anterior. Seja g(x) = e x. Obtenha a função de densidade de Y = g(x) = e X, f Y (y). Como Im(X) = (0,1), temos que Im(Y ) = (1/e,1). Assim, se y < 1/e, então F Y (y) = P(Y y) = 0, e se y > 1, então F Y (y) = P(Y y) = 1. Isto implica que se y < 1/e, f Y (y) = F Y (y) = 0, e se y > 1, temos f Y (y) = F Y (y) = 0. Falta considerarmos y (1/e,1). Assim, temos que Y y se, e somente se, e X y, que por sua vez, vale se, e somente se, X ln(y). Portanto, F Y (y) = P(Y y) = P(X ln(y)) = 1 F X ( ln(y)). Onde temos que P(X ln(y)) = 1 P(X < ln(y)) = 1 P(X ln(y)) = 1 F X ( ln(y)), pois P(X = ln(y)) = 0, já que X é uma variável aleatória contínua. Desta forma, obtemos, usando a regra da cadeia, que para y (1/e,1), f Y (y) = F Y (y) = (1 F X ( ln(y)) = f X ( ln(y)) 1 y = 2ln(y). y Seja X uma variável aleatória contínua com função de densidade f. Seja Y = X 2. Encontre a função de densidade da variável aleatória Y, f Y. Observe que X 2 0. Daí, se y < 0, segue que F Y (y) = P(Y y) = 0, e portanto, para y < 0, vale f Y (y) = 0. Suponha agora que y 0, e note que Y y se, e somente se, X 2 y. Esta última desigualdade vale se, e somente se, X 2 y 0. Resolvendo essa inequação, obtemos que X 2 y 0 se, e somente se, X y e X y. Assim, vale a igualdade entre os conjuntos {Y y} = { y X y}. Portanto, como X é variável aleatória contínua, segue que, F Y (y) = P(Y y) = P( y X y) = P(X y) P(X < y) = F X ( y) F X ( y). 11 / 13
14 Daí, pela regra da cadeia, vale que F Y (y) = f ( 1 y) 2 y f ( y) 1 2 y = 1 2 y ( f ( y) + f ( y)). Portanto, f Y (y) = 1 2 y ( f ( y) + f ( y) ). 12 / 13
15 Capítulo 2 Índice Remissivo C Contínua, 4 D Densidade Parte contínua, 9 densidade, 4 Discretas, 2 Distribuição, 5 Parte contínua, 9 Parte discreta, 9 Distribuição acumulada, 5 Parte discreta, 9 V Variável Aleatória, 1 Contínua, 4 Discretas, 2 Função, 10 Imagem inversa, 1 Mista, 8 F Função, 10 Densidade Parte contínua, 9 densidade, 4 Distribuição, 5 Parte contínua, 9 Parte discreta, 9 Distribuição acumulada, 5 Probabilidade Parte discreta, 9 Função de, 3 I Imagem inversa, 1 Induzida por uma variável aleatória, 2 M Mista, 8 P Parte contínua, 9 Parte discreta, 9 Probabilidade Função de, 3 Induzida por uma variável aleatória, 2 13 / 13
Notas de Aula. tal que, para qualquer ponto (x, y) no plano xy, temos: p XY
UNIVERSIDDE FEDERL D BHI INSTITUTO DE MTEMÁTIC DEPRTMENTO DE ESTTÍSTIC v. demar de Barros s/n - Campus de Ondina 40170-110 - Salvador B Tel:(071)247-405 Fax 245-764 Mat 224 - Probabilidade II - 2002.2
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Variáveis Aleatórias Contínuas 14/10 1 / 25 VALE A PENA VER DE NOVO:Variáveis Aleatórias
Leia maisLucas Santana da Cunha de junho de 2017
VARIÁVEL ALEATÓRIA Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 19 de junho de 2017 Uma função que associa um número real aos resultados
Leia maisVariáveis Aleatórias. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Luiz Medeiros Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja um
Leia maisProf. Dr. Lucas Santana da Cunha de maio de 2018 Londrina
Prof. Dr. Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 21 de maio de 2018 Londrina 1 / 14 Variável aleatória Introdução Definição Uma função que associa um número real
Leia maisSumário. 2 Índice Remissivo 12
i Sumário 1 Definições Básicas 1 1.1 Fundamentos de Probabilidade............................. 1 1.2 Noções de Probabilidade................................ 3 1.3 Espaços Amostrais Finitos...............................
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
Leia maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Função de Distribuição 05/14 1 / 25
Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função de Distribuição 05/14 1 / 25 Função de Distribuição Definição 8.1:(Função de Distribuição)
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Variáveis Aleatórias Bidimensionais 11/13 1 / 1 Variáveis Bidimensionais Até o momento, consideramos
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisSME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades
SME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades Pablo Martin Rodriguez SME ICMC USP Bacharelado em Estatística 20 Mar 2017 Vetores aleatórios Definição Sejam X 1,
Leia maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. Probabilidade
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio Experimentos aleatórios: no estudo de probabilidade,
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisVARIÁVEIS ALEATÓRIAS. Assim, o espaço amostral é um conjunto com 8 elementos dado por
VARIÁVEIS ALEATÓRIAS Definição.: Dado um espaço de probabilidade (Ω, F, P ), uma variável aleatória X é uma função real definida no espaço Ω, e que toma valores em R tal que o conjunto {ω Ω : [X(ω) x]}
Leia maisAula 10 Variáveis aleatórias discretas
AULA 0 Aula 0 Variáveis aleatórias discretas Nesta aula você aprenderá um conceito muito importante da teoria de probabilidade: o conceito de variável aleatória. Você verá que as variáveis aleatórias e
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisFUNÇÕES DE VARIÁVEL ALEATÓRIA
5 FUNÇÕES DE VARIÁVEL ALEATÓRIA Dada uma variável aleatória contínua X com função de densidade f (x). Considerando Y = g(x), uma função de X, também é uma variável aleatória. A definição da variável Y
Leia maisCálculo II (Primitivas e Integral)
Cálculo II (Primitivas e Integral) Antônio Calixto de Souza Filho Escola de Artes, Ciências e Humanidades Universidade de São Paulo 19 de março de 2013 1 Aplicações de Integrais 2 subject Aplicações de
Leia mais3. Variáveis aleatórias
3. Variáveis aleatórias Numa eperiência aleatória, independentemente de o seu espaço de resultados ser epresso numericamente, há interesse em considerar-se funções reais em Ω, denominadas por variáveis
Leia maisVariáveis Aleatórias. Prof. Tarciana Liberal Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Tarciana Liberal Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja
Leia mais1 Probabilidade: Axiomas e Propriedades
1 Probabilidade: Axiomas e Propriedades 1.1 Definição Frequentista Considere um experimento aleatório que consiste no lançamento de um dado honesto. O espaço amostral desse experimento é Ω = {1, 2, 3,
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Experimento aleatório Definição. Qualquer experimento cujo resultado não pode
Leia maisAULA 8 - Funções de variáveis aleatórias
AULA 8 - Funções de variáveis aleatórias Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Funções de variáveis aleatórias Dada uma variável aleatória X, nós podemos gerar outras variáveis aleatórias
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte I 2012/02 1 Variáveis Aleatórias Contínuas 2 Distribuições de Probabilidade e Funções Densidades de Probabil 3 4 Objetivos Ao final
Leia mais1 Variáveis Aleatórias
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis
Leia mais2.4 Esperança e distribuição condicionais
2.4. ESPERANÇA E DISTRIBUIÇÃO CONDICIONAIS 35 2.4 Esperança e distribuição condicionais Estendemos aqui o conceito de probabilidade condicional em (2.8) para obter a distribuição condicional e, posteriormente,
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisProbabilidade. 1 Variável Aleatória 2 Variável Aleatória Discreta 3 Variável Aleatória Contínua. Renata Souza
Probabilidade 1 Variável Aleatória 2 Variável Aleatória Discreta 3 Variável Aleatória Contínua Renata Souza Introdução E: Lançamento de duas moedas Ω = {(c,c), (c,k), (k,k), (k,c)}. X: número de caras
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisVariáveis Aleatórias. Probabilidade e Estatística. Prof. Dr. Narciso Gonçalves da Silva
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Variáveis Aleatórias Variável Aleatória Variável aleatória (VA) é uma função que associa a cada
Leia mais6.3 Valor Médio de uma Variável Aleatória
6. 3 V A L O R M É D I O D E U M A V A R I Á V E L A L E A T Ó R I A 135 1. Considere uma urna contendo três bolas vermelhas e cinco pretas. Retire três bolas, sem reposição, e defina a v.a. X igual ao
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição
Leia maisLucas Santana da Cunha 23 de maio de 2018 Londrina
Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ 23 de maio de 2018 Londrina 1 / 14 Variável aleatória Introdução Definição Uma função que associa um número real aos resultados de um experimento
Leia maisVariáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse
Leia maisConteúdo Teórico: 03 Variáveis Aleatórias e Distribuições
ACH2053 Introdução à Estatística Conteúdo Teórico: 03 Variáveis Aleatórias e Distribuições Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark
Leia maisAula 22 O teste da derivada segunda para extremos relativos.
O teste da derivada segunda para extremos relativos. MÓDULO 2 - AULA 22 Aula 22 O teste da derivada segunda para extremos relativos. Objetivo: Utilizar a derivada segunda para determinar pontos de máximo
Leia maisA Derivada. Derivadas Aula 16. Alexandre Nolasco de Carvalho Universidade de São Paulo São Carlos SP, Brazil
Derivadas Aula 16 Alexandre Nolasco de Carvalho Universidade de São Paulo São Carlos SP, Brazil 04 de Abril de 2014 Primeiro Semestre de 2014 Turma 2014104 - Engenharia Mecânica A Derivada Seja x = f(t)
Leia maisMB-210 Probabilidade e Estatística
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MB-210 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 2o. semestre/2013 Variáveis
Leia maisLista de Exercícios 4
Introdução à Teoria de Probabilidade. Informática Biomédica. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 30 de maio de 2007. Lista de Exercícios 4 são difíceis, são bem mais difíceis.
Leia maisUNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA PROGRAMA DE EDUCAÇÃO TUTORIAL APOSTILA DE CÁLCULO. Realização:
UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA PROGRAMA DE EDUCAÇÃO TUTORIAL APOSTILA DE CÁLCULO Realização: Fortaleza, Fevereiro/2010 1. LIMITES 1.1. Definição Geral Se os valores de f(x) puderem
Leia maisMAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 26 de Agosto, 2013 Probabilidade: uma Introdução / Aula 5 1 Variáveis aleatórias Definição
Leia maisAULA 9 - Variável aleatória bidimensional discreta
AULA 9 - Variável aleatória bidimensional discreta Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Variáveis aleatórias bidimensionais Definition Sejam ɛ um experimento e S um espaço amostral
Leia maisMatemática & Raciocínio Lógico
Matemática & Raciocínio Lógico para concursos Prof. Me. Jamur Silveira www.professorjamur.com.br facebook: Professor Jamur PROBABILIDADE No estudo das probabilidades estamos interessados em estudar o experimento
Leia maisVariável Aleatória Contínua. Tiago Viana Flor de Santana
ESTATÍSTICA BÁSICA Variável Aleatória Contínua Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual de Londrina UEL Departamento
Leia maisIntegração por partes
Universidade de Brasília Departamento de Matemática Cálculo 1 Integração por partes Vimos nos textos anteriores que a técnica de mudança de variáveis é muito útil no cálculo de algumas primitivas. Porém,
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu. Engenharia e Gestão Industrial
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC,
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia mais1 A Equação Fundamental Áreas Primeiras definições Uma questão importante... 7
Conteúdo 1 4 1.1- Áreas............................. 4 1.2 Primeiras definições...................... 6 1.3 - Uma questão importante.................. 7 1 EDA Aula 1 Objetivos Apresentar as equações diferenciais
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte I 29 de Abril de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Determinar probabilidades a partir de funções densidades
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisTécnicas de. Integração
Técnicas de Capítulo 7 Integração TÉCNICAS DE INTEGRAÇÃO f ( xdx ) a Na definição de integral definida, trabalhamos com uma função f definida em um intervalo limitado [a, b] e supomos que f não tem uma
Leia maisLIMITES E CONTINUIDADE
LIMITES E CONTINUIDADE 1 LIMITE Marina Vargas R. P. Gonçalves a a Departamento de Matemática, Universidade Federal do Paraná, marina.vargas@gmail.com, http:// www.estruturas.ufpr.br Definição 1.1 O limite
Leia maisVariável aleatória. O resultado de um experimento aleatório é designado variável aleatória (X)
Variável aleatória O resultado de um experimento aleatório é designado variável aleatória (X) Função densidade de probabilidade A função densidade de probabilidade associa cada possível valor da variável
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Condicionais 11/13 1 / 19 Em estudo feito em sala perguntamos aos alunos qual
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões
Leia maisContando o Infinito: os Números Cardinais
Contando o Infinito: os Números Cardinais Sérgio Tadao Martins 4 de junho de 2005 No one will expel us from the paradise that Cantor has created for us David Hilbert 1 Introdução Quantos elementos há no
Leia maisNo que segue, X sempre denota um espaço topológico localmente compacto
O TEOREMA DE REPRESENTAÇÃO DE RIESZ PARA MEDIDAS DANIEL V. TAUSK No que segue, sempre denota um espaço topológico localmente compacto Hausdorff. Se f : R é uma função, então supp f denota o{ suporte (relativamente
Leia maisMOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições
Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa
Leia maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia maisMaterial Teórico - Módulo Números Naturais: Contagem, Divisibilidade e o Teorema da Divisão Euclidiana
Material Teórico - Módulo Números Naturais: Contagem, Divisibilidade e o Teorema da Divisão Euclidiana Números Naturais e Problemas de Contagem Parte Oitavo Ano Autor: Prof Ulisses Lima Parente Revisor:
Leia mais3 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes
Leia maisEspaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais:
Espaços Euclidianos Espaços R n O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: R n = {(x 1,..., x n ) : x 1,..., x n R}. R 1 é simplesmente o conjunto R dos números
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisChamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
Leia maisProbabilidade Aula 11
0303200 Probabilidade Aula 11 Magno T. M. Silva Escola Politécnica da USP Junho de 2017 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia
Leia maisUNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ PROVA DE CÁLCULO 1
UNIFEI - UNIVERSIDADE FEDERAL DE ITAJUBÁ PROVA DE CÁLCULO 1 PROVA DE TRANSFERÊNCIA INTERNA, EXTERNA E PARA PORTADOR DE DIPLOMA DE CURSO SUPERIOR - 16/10/2016 CANDIDATO: CURSO PRETENDIDO: OBSERVAÇÕES: 1.
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
Leia maisProbabilidade 2 - ME310 - Lista 0
Probabilidade 2 - ME310 - Lista 0 17 de agosto de 2018 Lembrando: 1) Conjuntos disjuntos: A B = = P (A B) = 0 2) Conjuntos independentes: P (A B) = P (A) P (B) A = (A B). (A B c ) só uma forma de deixar
Leia maisCálculo Diferencial e Integral I
Cálculo Diferencial e Integral I Complementos ao texto de apoio às aulas. Amélia Bastos, António Bravo Julho 24 Introdução O texto apresentado tem por objectivo ser um complemento ao texto de apoio ao
Leia maisA Estatística é uma ciência que se ocupa em grande parte do estudo das. Vamos imaginar uma população como um conjunto Π = {I 1, I 2,...
Capítulo 1 Distribuições de freqüências A Estatística é uma ciência que se ocupa em grande parte do estudo das distribuições de freqüência de variáveis definidas em populações. Vamos imaginar uma população
Leia maisCálculo II (Primitivas e Integral)
Cálculo II (Primitivas e Integral) Antônio Calixto de Souza Filho Escola de Artes, Ciências e Humanidades Universidade de São Paulo 5 de março de 2013 1 Aplicações de Integrais subject Aplicações de Integrais
Leia maisGET00143 TEORIA DAS PROBABILIDADES II Variáveis Aleatórias Unidmensionais
Universidade Federal Fluminense Instituto de Matemática e Estatística GET43 TEORIA DAS PROBABILIDADES II Variáveis Aleatórias Unidmensionais Ana Maria Lima de Farias Jessica Quintanilha Kubrusly Mariana
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição de funções de vetores aleatórios 02/14 1 / 10 Distribuição de funções de vetores
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA. Medida e Probabilidade
UNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA Medida e Probabilidade Aluno: Daniel Cassimiro Carneiro da Cunha Professor: Andre Toom 1 Resumo Este trabalho contem um resumo dos principais
Leia maisA derivada de uma função
Universidade de Brasília Departamento de Matemática Cálculo 1 A derivada de uma função Supona que a função f está definida em todo um intervalo aberto contendo o ponto a R. Dizemos que f é derivável no
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO. Resumo. Nesta aula, apresentaremos a noção de integral indefinidada. Também discutiremos
CÁLCULO L NOTAS DA DÉCIMA OITAVA AULA UNIVERSIDADE FEDERAL DE PERNAMBUCO Resumo. Nesta aula, apresentaremos a noção de integral indefinidada. Também discutiremos a primeira técnica de integração: mudança
Leia maisCÁLCULO I. 1 A Função Logarítmica Natural. Objetivos da Aula. Aula n o 22: A Função Logaritmo Natural. Denir a função f(x) = ln x;
CÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida Aula n o 22: A Função Logaritmo Natural Objetivos da Aula Denir a função f(x) = ln x; Calcular limites, derivadas e integral envolvendo a função
Leia maisSessão 1: Generalidades
Sessão 1: Generalidades Uma equação diferencial é uma equação envolvendo derivadas. Fala-se em derivada de uma função. Portanto o que se procura em uma equação diferencial é uma função. Em lugar de começar
Leia maisTeoria da Probabilidade
Teoria da Probabilidade Luis Henrique Assumpção Lolis 14 de fevereiro de 2014 Luis Henrique Assumpção Lolis Teoria da Probabilidade 1 Conteúdo 1 O Experimento Aleatório 2 Espaço de amostras 3 Álgebra dos
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões
Leia maisAula 12 Funções Contínuas
Analise Matemática 1 Aula 12 Funções Contínuas Ano académico 2017 Bibliografia Básica Autor Título Editorial Data Stewart, James Cálculo, Volume 1 Zuma Medeiros, Valéria Demana, Franklin... (et al.) Larson,
Leia maisA Ideia de Continuidade. Quando dizemos que um processo funciona de forma contínua, estamos dizendo que ele ocorre sem interrupção.
Polos Olímpicos de Treinamento Curso de Álgebra - Nível 2 Prof. Marcelo Mendes Aula 5 A Ideia de Continuidade Quando dizemos que um processo funciona de forma contínua, estamos dizendo que ele ocorre sem
Leia maisCE085 - Estatística Inferencial
CE085 - Estatística Inferencial Revisão: Probabilidade Básica Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal do Paraná
Leia maisEnumerabilidade. Capítulo 6
Capítulo 6 Enumerabilidade No capítulo anterior, vimos uma propriedade que distingue o corpo ordenado dos números racionais do corpo ordenado dos números reais: R é completo, enquanto Q não é. Neste novo
Leia maisMAT 121 : Cálculo Diferencial e Integral II. Sylvain Bonnot (IME-USP)
MAT 121 : Cálculo Diferencial e Integral II Sylvain Bonnot (IME-USP) 2014 1 Informações gerais Prof.: Sylvain Bonnot Email: sylvain@ime.usp.br Minha sala: IME-USP, 151-A (Bloco A) Site: ver o link para
Leia maisContinuidade de processos gaussianos
Continuidade de processos gaussianos Roberto Imbuzeiro Oliveira April, 008 Abstract 1 Intrudução Suponha que T é um certo conjunto de índices e c : T T R é uma função dada. Pergunta 1. Existe uma coleção
Leia mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia maisÉ a função que associa um número real a cada elemento do espaço amostral.
Capítulo Variável Aleatória 1. VARIÁVEL ALEATÓRIA (X) (Walpole, S 1 ) É a função que associa um número real a cada elemento do espaço amostral. S IR s X(s) Onde S espaço amostral s elemento do espaço amostral
Leia maisEST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais
EST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Introdução Considere o experimento: Lançamento de uma moeda. Resultados
Leia maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisProbabilidade 2 - ME310 - Lista 0
Probabilidade 2 - ME310 - Lista 0 August 30, 2012 Lembrando: 1) Conjuntos disjuntos: A B = = P (A B) = 0 2) Conjuntos independentes: P (A B) = P (A) P (B) 3) Podemos dividir qualquer conjunto em dois conjuntos
Leia maisRef: H.Gould e J. Tobochnik. Para integrais em uma dimensão as regras do trapezóide e de Simpson são
Método de Monte Carlo Resolução de Integrais Ref: H.Gould e J. Tobochnik Para integrais em uma dimensão as regras do trapezóide e de Simpson são melhores, mais rápidas. A técnica de resolução de integrais
Leia maisEstatística Aplicada. Prof. Carlos Alberto Stechhahn PARTE I ESPAÇO AMOSTRAL - EVENTOS PROBABILIDADE PROBABILIDADE CONDICIONAL.
Estatística Aplicada Administração p(a) = n(a) / n(u) PARTE I ESPAÇO AMOSTRAL - EVENTOS PROBABILIDADE PROBABILIDADE CONDICIONAL Prof. Carlos Alberto Stechhahn 2014 1. Noções de Probabilidade Chama-se experimento
Leia maisEST012 - Estatística Econômica I Turma A - 1 o Semestre de 2019 Lista de Exercícios 3 - Variável aleatória
Exercício 1. Considere uma urna em que temos 4 bolas brancas e 6 bolas pretas. Vamos retirar, ao acaso, 3 bolas, uma após a outra e sem reposição. Sejam X: o número de bolas brancas e Y : o número de bolas
Leia mais