Mais Aplicações sobre cálculo de probabilidades
|
|
- Rodrigo Bernardes Castro
- 5 Há anos
- Visualizações:
Transcrição
1 Mais Aplicações sobre cálculo de probabilidades Prof. Hemílio Fernandes Campos Coêlho Departamento de Estatística - Universidade Federal da Paraíba - UFPB
2 Noções de Epidemiologia Em algumas aplicações de saúde, a base do conhecimento é de natureza probabilística. Algumas aplicações envolvem o que chamamos em saúde de indicadores epidemiológicos Uma aplicação importante da teoria das probabilidades em saúde está relacionada à avaliação da capacidade que um determinado exame tem de acertar o verdadeiro diagnóstico. Isto acontece devido à limitação que o pesquisador possui para elaboração do exame. Ou seja, um diagnóstico é emitido de acordo com a capacidade de um exame clínico para detectar o evento de interesse. O quadro a seguir mostra de maneira esquemática os possíveis resultados associados à comparação do resultado de um exame que está sendo avaliado e o resultado denitivo ou diagnóstico denitivo ou diagnóstico de certeza.
3 continuação Resultado de um exame diagnóstico versus diagnóstico de certeza Diagnóstico de Certeza Doença(+) Doença( ) Totais Resultado do Exame(+) a(++) b(+ ) a + b Exame Exame( ) c( +) d( ) c + d Totais a + c b + d a + b + c + d
4 Conceitos Iniciais Falso-Positivo: Indivíduo sadio cujo exame resultou positivo. No quatro anterior, corresponde à letra b Para determinar a probabilidade do evento falso-positivo, basta dividir b pelo total de exames positivos, a + b. Falso-Negativo: Indivíduo doente cujo exame resultou negativo. No quatro anterior, corresponde à letra c Para determinar a probabilidade do evento falso-negativo, basta dividir c pelo total de exames negativos, c + d.
5 continuação Sensibilidade: É a proporção de indíviduos cujo exame revelou resultado positivo e que possuem a doença, no grupo de indivíduos doentes. Ou seja: Sensibilidade = S = a a + c A sensibilidade avalia o total de acertos do exame sobre o verdadeiro número de doentes. Quanto mais próximo de 1 estiver o valor da sensibilidade do teste, melhor será esse teste. Observação Importante: Ao fazer (1 S), o pesquisador está respondendo a seguinte pergunta: Qual a proporção de indivíduos doentes que o exame deixou de diagnosticar como tais? Essa proporção é a proporção de falso-negativos no total de pessoas doentes.
6 continuação Especicidade: É a proporção do número de indivíduos sadios cujo exame resultou negativo, no grupo de indivíduos sadios. Ou seja, Especicidade = E = d b + d A especicidade expressa o total de exames corretamente negativos sobre o total de indivíduos sadios. Quanto mais próxima de 1 estiver a especicadade, melhor será esse teste. Observação Importante: Ao fazer (1 E), temos a proporção é a proporção de falso-positivos no total de pessoas doentes.
7 continuação Valor preditivo positivo: É a proporção de indivíduos doentes com exame positivo no grupo de exames positivos. Valor Preditivo Positivo = VPD = a a + b Valor preditivo negativo: É a proporção de indivíduos sadios com exame negativo no grupo de exames negativos. Valor Preditivo Negativo = VPN = d c + d
8 continuação Acuidade ou Eciência Global do Teste: Verica o percentual de acerto do exame diagnóstico no grupo total de pacientes analisados. a + d Acuidade = A = a + b + c + d Prevalência: É a proporção de pacientes doentes no grupo total de pacientes analisados. a + c Prevalência = P = a + b + c + d
9 Observações Importantes Cienticamente já foi constatado que um teste com alta especicidade deve ser usado quando a prevalência da doença é relativamente baixa (doença rara), mesmo que o teste tenha relativamente baixa sensibilidade. O mesmo pode ser dito em relação a um teste com alta sensibilidade deve ser usado quando a prevalência da doença é alta (doença comum), mesmo que o teste tenha relativamente baixa especicidade.
10 Coeciente de Kappa (κ) Coeciente utilizado quando se tem interesse em testar a concordância entre dois diagnósticos diferentes, fornecidos por pesquisadores diferentes. Concordância de diagnóstico entre dois pesquisadores Diagnóstico 2 (+) ( ) Totais Diagnóstico (+) a(++) b(+ ) a + b 1 ( ) c( +) d( ) c + d Totais a + c b + d a + b + c + d A proporção da concordância observada é dada por a + d P CO = a + b + c + d Além disso, precisamos da chamada concordância causal: (a + b)(a + c) + (c + d)(b + d) P CC = (a + b + c + d) 2
11 Coeciente de Kappa (κ) Logo: κ = P CO P CC 1 P CC Quando há total concordância, o coeciente é igual a 1. Quando há discordância total, o coeciente é igual a 0. Para avaliar o grau de concordância, é possível avaliar a seguinte classicação: κ = 0 total discordância 0 < κ < 0, 4 concordância leve 0, 4 κ < 0, 8 concordância moderada 0, 8 κ < 1 concordância forte κ = 1 concordância perfeita
12 Distribuições de Probabilidade Denição: Denimos como uma variável aleatória X uma característica que pode assumir valores denidos em um conjunto de n valores: X = {x 1, x 2,..., x n } A relação x i f (x i ) dene uma correspondência entre todos os valores que a variável aleatória pode assumir, x i, e suas respectivas probabilidades de ocorrência, f (x i ). Esta relação é o que chamamos em estatística de função de probabilidade da variável aleatória X. Analogamente ao estuda da estatística descritiva, as variáveis aleatórias também podem ser divididas em dois tipos: discretas e contínuas.
13 Modelos Probabilísticos Discretos
14 Exemplo Suponha que o número máximo de leitos que uma unidade de terapia intensiva comporte seja 4. Denindo a variável aleatória X como número de óbitos (na UTI), os valores que a variável aleatória pode assumir, num certo período de tempo, são: X = {0, 1, 2, 3, 4} onde: X = 0 signica nenhum óbito (quatro pacientes vivos); X = 1 signica um óbito (três pacientes vivos); X = 2 signica dois óbitos (dois pacientes vivos); X = 3 signica três óbitos (um pacientes vivos); Por m, X = 4 signica quatro óbitos, nenhuma sobrevivência.
15 Exemplo Suponha que o número máximo de leitos que uma unidade de terapia intensiva comporte seja 4. Denindo a variável aleatória X como número de óbitos (na UTI), os valores que a variável aleatória pode assumir, num certo período de tempo, são: X = {0, 1, 2, 3, 4} onde: X = 0 signica nenhum óbito (quatro pacientes vivos); X = 1 signica um óbito (três pacientes vivos); X = 2 signica dois óbitos (dois pacientes vivos); X = 3 signica três óbitos (um pacientes vivos); Por m, X = 4 signica quatro óbitos, nenhuma sobrevivência.
16 Exemplo Supondo que as probabilidades associadas a cada um destes possíveis resultados sejam f (0) = 0, 3164 f (1) = 0, 4219 f (2) = 0, 2109 f (3) = 0, 0461 f (4) = 0, 0039 É possível montar a função mostrada no quadro a seguir: X Soma f (x) 0,3164 0,4219 0,2109 0,0461 0, que é função de probabilidade do número de óbitos.
17 continuação Note que para n possíveis valores da variável aleatória X temos que n f (x i ) = 1 i=1 Em nosso exemplo, n = 4. Note que esse resultado é algo já esperado, pois estamos avaliando todas as possibilidades de ocorrência da variável aleatória X.
18 Construção da função de probabilidade Suponha que a probabilidade de óbito de um paciente, ao dar entrada na UTI, seja de 25% (risco de morte). Denindo a variável aleatória X como no exemplo anterior, tem-se X = { 0, 1 } { f (0) = 0, 75 f (1) = 0, 25 Ou seja, X 0 1 Soma f (x) 0,75 0,25 1
19 Construção da função de probabilidade Se dois pacientes ingressarem na UTI (n = 2), Sendo p(v i ) é a probabilidade do paciente i sobreviver e p(o i ) é a probabilidade do paciente i morrer, tem-se X = { 0, 1, 2 } f (0) { p(v 1 )p(v 2 ) = 0, 75 0, 75 = 0, 5625 p(v1 )p(o f (1) 2 ) = 0, 75 0, 25 = 0, , 3750 p(o 1 )p(v 2 ) = 0, 25 0, 75 = 0, 1875 f (2) p(o 1 )p(o 2 ) = 0, 25 0, 25 = 0, 0625 O quadro com as funções de probabilidade é dado a seguir: X Soma f (x) 0,5625 0,3750 0,0625 1
20 Observações Importantes: A construção para um número maior de casos (n) pode ser realizado. Porém, é uma tarefa repetitiva e bastante trabalhosa. De modo a sistematizar o cálculo de probabilidades de um determinado número de ocorrências em n casos, considera-se a Distribuição Binomial.
21 Distribuição Binomial Considere uma variável aleatória denida em termos binários, ou seja, com dois valores possíveis de ocorrer em n experimentos, ou n ensaios, ou n tentativas, n casos, etc. Denotando a probabilidade de ocorrência(ou sucesso) de X por p e a probabilidade de não-ocorrência de X por q, tem-se p + q = 1. Note que q = 1 p. Com base nessa informação, a probabilidade de x ocorrências da variável aleatória X em n casos é dada por: ( ) n P(X = x) = p x q n x x
22 continuação Através de uma distribuição de probabilidade é possível calcular valores para o que chamamos em estatística de parâmetro, ou seja, um valor conceitualmente conhecido na população com base nos valores da amostra. Dessa forma, para o modelo binomial: Média = Valor Esperado = E[X ] = µ = n p Variância = σ 2 = n p q Desvio Padrão = σ = n p q Note que o formato da distribuição binomial depende de p e de n exclusivamente.
23 EXEMPLO Suponha que a probabilidade de um indivíduo do sexo masculino(m), com mais de 60 anos, sedentário(s) e fumante(f), desenvolver uma doença cardiovascular nos próximos 8 anos seja de 40%. A partir de um estudo controle com 10 indivíduos com essas características, qual a probabilidade de que nenhum desses indivíduos sofra doenças cardiovasculares no período determinado?
24 EXEMPLO Suponha que a probabilidade de um indivíduo do sexo masculino(m), com mais de 60 anos, sedentário(s) e fumante(f), desenvolver uma doença cardiovascular (DCV) nos próximos 8 anos seja de 40%. A partir de um estudo controle com 10 indivíduos com essas características, qual a probabilidade de que nenhum desses indivíduos sofra doenças cardiovasculares no período determinado? Resposta: Note que n = 10. Além disso, P(DCV M (60+) S F ) = P(X ) = p = 0, 4 Logo, a probabilidade de nenhum caso de DCV resulta em ( ) 10 P(X = 0) = (0, 4) 0 (0, 6) 10 = 0, 0060 = 0, 60% 0
25 continuação Qual a probabilidade de menos de três indivíduos da amostra terem DCV? P(X < 3) = P(X = {0, 1, 2}) = P(X = 0) + P(X = 1) + P(X = 2) ( ) 10 P(X = 0) = (0, 4) 0 (0, 6) 10 = 0, 0060 = 0, 60% ( 0 ) 10 P(X = 1) = (0, 4) 1 (0, 6) 9 = 0, 0403 = 4, 03% ( 1 ) 10 P(X = 2) = (0, 4) 2 (0, 6) 8 = 0, 1209 = 12, 09% 2 P(X < 3) = P(X = 0) + P(X = 1) + P(X = 2) = 0, , , 1209 = 0, 1672 = 16, 72%
26 continuação Qual a probabilidade de pelo menos três indivíduos da amostra terem DCV? P(X 3) = P(X = {3, 4, 5, 6, 7, 8, 9, 10}) = P(X = 3) + P(X = 4) + + P(X = 10) Contudo, como sabemos que n f (x i ) = 1, podemos utilizar este i=1 resultado para simplicar os cálculos. Ou seja: P(X 3) = 1 P(X < 3) = 1 0, 1672 = 0, 8328
27 continuação Qual é a média (ou valor esperado) de casos de DCV? µ = 10 0, 4 = 4 casos Qual é o desvio padrão do número de casos de DCV? σ = 10 0, 4 0, 6 = 1, 55 2casos.
28 Distribuição de Poisson A distribuição de Poisson está associada com a taxa de ocorrência do número de casos da variável aleatória X. A função de probabilidade de Poisson é dada por P (X = x) = ( e λ ) λ x x!, lembrando que e = 2, A partir deste tipo de distribuição também é possível obter valores de média, variância e desvio padrão: µ = λ Variância = σ 2 = λ Desvio Padrão = σ = λ
29 continuação Ao substituir λ por µ = np, note que a função de probabilidade de Poisson é dada por P (X = x) = (e µ ) µ x x! = ( e (np) ) (np) x x! Esta expressão dá uma aproximação da distribuição binomial, tanto mais precisa quanto menor for o valor de p. Em áreas de saúde, essa modelagem probabilística é utilizada em situações de estudos relacionados à patologias raras (valor de p baixo).
30 EXEMPLO Suponha que uma em cada mil pessoas que utilizam determinado anestésico sofra uma reação negativa. Num total de 500 cirurgias em que se empregou esse anestésico, qual é a probabilidade de que 1 pessoa sofra a reação? Resposta: Primeiramente, λ = µ = n p = 500 0, 001 = 0, 5 Logo, P(X = 1) = e 0,5 0, 5 1 = 0, 3033 = 30, 33% 1!
31 continuação Qual é a probabilidade de nenhum paciente sofrer reação? Resposta: P(X = 0) = e 0,5 0, 5 0 0! = 0, 6065 = 60, 65% Qual é a probabilidade de mais de um paciente sofrer reação? Resposta: P(X > 1) = 1 P (X = {0, 1}) = 1 [P(X = 0) + P(X = 1)] P(X > 1) = 1 (0, , 3033) = 0, 0902 = 9, 02%
32 Modelos Probabilísticos Contínuos
33 Modelos contínuos de probabilidade Variável Aleatória Contínua: Assume valores num intervalo de números reais. Não é possível listar, individualmente, todos os possíveis valores de uma variável aleatória contínua. Dessa forma, associamos probabilidades a intervalos de valores da variável. Ou seja, a probabilidade será calculada como uma área de interesse no gráco da distribuição.
34 Distribuição Normal Observemos por exemplo, o peso em Kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma do conjunto de dados é dado a seguir:
35 Distribuição Normal A análise do histograma mostra que: a distribuição dos valores é aproximadamente simétrica em torno de 70kg; a maioria dos valores (88%) encontra-se no intervalo (55;85); existe uma pequena proporção de valores abaixo de 48kg (1,2%) e acima de 92kg (1%).
36 Distribuição Normal Denindo a variável aleatória X : peso, em kg, de uma pessoa adulta escolhida ao acaso da população. É natural então considerar a distribuição dos valores da variável aleatória X, isto é, qual a distribuição de probabilidades de X?
37 Distribuição Normal A distribuição normal é uma das mais importantes distribuições contínuas de probabilidade, pois: Muitos fenômenos aleatórios comportam-se de forma próxima a essa distribuição. Exemplos: 1. Altura; 2. Pressão sanguínea; 3. Peso. Pode ser utilizada para calcular, de forma aproximada, probabilidades para outras distribuições, como por exemplo, para a distribuição Binomial.
38 Observação Importante Nem todos os fenômenos se ajustam à distribuição Normal. Exemplo: 1. Y : Duração, em horas, de uma lâmpada de certa marca. A experiência sugere que esta distribuição deve ser assimétrica - grande proporção de valores entre 0 e 500 horas e pequena proporção de valores acima de 1500 horas
39 Função Densidade da Normal A área na gura é calculada a partir da chamada função densidade da distribuição normal. A expressão da função densidade da distribuição normal é dada por f (x) = 1 } (x µ)2 exp { 2πσ 2σ 2 µ é a média e pode assumir valores em um campo de variação amplo ( < µ < ) σ 2 é a variância, e só assume valores positivos (σ 2 > 0) Apesar da complexidade da expressão, a utilizaremos para cálculo de probabilidades de uma forma fácil, através do uso de uma tabela de cálculo de probabilidades, com base na chamada distribuição normal padrão.
40 Gráco da distribuição normal
41 Características da Distribuição Normal Assintótica em relação ao eixo das abscissas; Simétrica em torno do seu valor central, ou seja: valores de média, mediana e moda são iguais. Temos uma notação apropriada para representar uma variável aleatória com distribuição normal. Ou seja, quando X for uma variável aleatória que possuir distribuição normal, temos que X N ( µ, σ 2) Valores concentrados em torno da tendência central. No gráco, as áreas (probabilidades) para um, dois e três desvios padrões em torno da média são, respectivamente:
42 Parâmetros da Distribuição Normal A distribuição normal depende dos parâmetros µ e σ 2 Curvas normais com mesma variância, porém com médias diferentes (µ 2 > µ 1 ).
43 Inuência de σ 2 na curva da Distribuição Normal Curvas normais com mesma média, porém com variâncias diferentes (σ 2 2 > σ2 1 ).
44 Cálculo de probabilidades P(a < X < b) Área sob a curva e acima do eixo horizontal(x ) entre a e b
45 Distribuição Normal Padronizada Para calcular probabilidades associadas à distribuição normal apresentadas anteriormente, costuma-se transformar a variável original do problema X, em unidades padronizadas. Ou seja, é denida uma variável Z, onde Z = X µ σ Com a transformação, temos um modelo bem simples: Z N (0, 1), chamada distribuição normal padrão. Com isso, ca fácil determinar as probabilidades associadas à uma determinada variável aleatória, pois existe uma tabela especíca de cálculo de probabilidades com base na distribuição normal padronizada.
46 Uso da tabela da distribuição normal padrão Denotamos: A(z) = P(Z z), para todo z 0.
47 EXEMPLO Calcular P(Z 0, 32) Logo, P(Z 0, 32) = A(0, 32) = 0, 6255
48 continuação
49 continuação
50 EXEMPLO Calcular P(0 < Z 1, 71) Regra: P(x < Z < y) = A(y) A(x) Logo, P(0 < Z 1, 71) = A(1, 71) A(0) = 0, , 5 = 0, 4564
51 EXEMPLO Calcular P(1, 32 < Z 1, 79) Regra: P(x < Z < y) = A(y) A(x) Logo, P(1, 32 < Z 1, 79) = A(1, 79) A(1, 32) = 0, , 9066 = 0, 0567
52 EXEMPLO Calcular P(Z 1, 5) Logo, P(Z 1, 5) = 1 P(Z < 1, 5) = 1 A(1, 5) = 1 0, 9332 = 0, 0668
53 EXEMPLO Calcular P(Z 1, 3) Logo, P(Z 1, 3) = A( 1, 3) = 0, 0968
54 EXEMPLO Calcular P( 1, 5 < Z 1, 5) Regra: P(x < Z < y) = A(y) A(x) Logo, P( 1, 5 < Z 1, 5) = A(1, 5) A( 1, 5) = 0, , 0668 = 0, 8664
55 EXEMPLO Calcular P( 1, 32 < Z 0) Regra: P(x < Z < y) = A(y) A(x) Logo, P( 1, 32 < Z 0) = A(0) A( 1, 32) = 0, , 5 = 0, 4066
56 EXEMPLO Calcular P( 2, 30 < Z 1, 49) Regra: P(x < Z < y) = A(y) A(x) Logo, P( 2, 30 < Z 1, 49) = A( 1, 49) A( 2, 30) = 0, , 5 = 0, 4066
57 EXEMPLO Calcular P( 1, 0 < Z 2, 0) Regra: P(x < Z < y) = A(y) A(x) Logo, P( 1, 0 < Z 2, 0) = A(2, 0) A( 1, 0) = 0, , 1586 = 0, 8186
58 EXEMPLO Como encontrar o valor da distribuição N (0, 1) tal que P(Z z) = 0, 975? Note que z é tal que A(z) = 0, 975. Pela tabela, z = 1, 96.
59 EXEMPLO Como encontrar o valor da distribuição N (0, 1) tal que P(0 < Z z) = 0, 4975? Note que P(0 < Z z) = 0, 4975 = A(z) A(0) = 0, 4975 = A(z) = 0, Pela tabela, z = 2, 81.
60 EXEMPLO Como encontrar o valor da distribuição N (0, 1) tal que P(Z z) = 0, 3? Note que P(Z z) = 0, 3 = 1 P(Z < z) = 0, 3 = A(z) = 0, 7. Pela tabela, z = 0, 53.
61 EXEMPLO Como encontrar o valor da distribuição N (0, 1) tal que P(Z z) = 0, 975? Note que P(Z z) = 0, 975 = 1 P(Z < z) = 0, 975 = A(z) = 0, 025. Pela tabela, z = 1, 96.
62 EXEMPLO Como encontrar o valor da distribuição N (0, 1) tal que P(Z z) = 0, 10? Note que pela tabela, z = 1, 28.
63 EXEMPLO Como encontrar o valor da distribuição N (0, 1) tal que P( z < Z z) = 0, 80? Note neste caso que P(Z < z) = P(Z > z) = 0, 1 Logo, pela tabela, P(Z < z) = A(z) = 0, 90 e assim, z = 1, 28.
64 EXEMPLO Seja X N (10; 64) ( µ = 10, σ 2 = 64 e σ = 8 ) Calcular P(6 X 12) Note que P(6 X 12) = P ( 6 10 P ( 0, 5 < Z < 0, 25) X Logo, P ( 0, 5 < Z < 0, 5) = A(0, 25) A( 0, 5) = 0, , 3085 = 0, ) =
65 EXEMPLO Suponha que o comprimento médio de recém-nascidos do sexo feminino não-portadores de anomalias seja 48,54cm. Além disso, sabemos que o desvio padrão da variável é igual a 2,5cm. Qual é a probabilidade de haver na população indivíduos com comprimento maior ou igual à 48,54? Resposta: Queremos então obter P(X 48, 54). Logo: ( X µ P(X 48, 54) = P σ ) 48, 54 48, 54 = P(Z 0). 2, 5 A tabela fornecida calcula probabilidades da forma P(X x) ou P(X < x). Por isso, P(Z 0) = 1 P(Z < 0) = = 1 2
66 continuação Qual é a probabilidade do comprimento ser menor que 44,79cm? Resposta: ( X µ P(X < 44, 79) = P < σ ) 44, 79 48, 54 = A( 1, 5) = 0, , 5
67 continuação Qual é a probabilidade do comprimento ser superior à 47,29cm? Resposta: ( X µ P(X > 47, 29) = P > σ ) 47, 29 48, 54 = P(Z > 0, 5) 2, 5 Novamente, é importante lembrar que a tabela fornecida calcula probabilidades da forma P(X x) ou P(X < x). Por isso, P(Z > 0, 5) = 1 P(Z < 0, 5) = 1 0, 3085 = 0, 6915
68 continuação Qual é a probabilidade de indivíduos terem comprimento entre 46,04cm e 51,04cm? Resposta: P(46, 04 X 51, 04) = P ( 46, 04 48, 54 2, 5 X µ σ ) 51, 04 48, 54 2, 5 No caso da distribuição normal padrão, temos uma propriedade especial: P(a Z b) = P(Z b) P(Z a) Logo, P( 1 Z 1) = P(Z 1) P(Z 1) = 0, , 1587 = 0, 7056
69 continuação Qual é o limite inferior nas crianças com maior comprimento, cujo percentual é de 5% na população? Resposta: Neste tipo de situação, faremos o caminho inverso. Ao invés de encontrar a probabilidade, precisamos encontrar o menor valor dentre os maiores comprimentos. Sabemos que as maiores crianças correspondem à 5%. Ou seja, precisamos então encontrar o valor de x tal que P ( Z ) x 48, 54 = 0, 95 2, 5 Logo, pesquisando na tabela, vemos então que x 48, 54 2, 5 = 1, 65 x = 1, 65 2, , 54 = 52, 67cm Ou seja, 5% das crianças nasce com comprimento superior à 52,67. Neste exercício o valor de x é chamado de percentil 95.
70 Comentários adicionais da distribuição normal
71 EXEMPLO Suponha que temos X variável aletória com distribuição normal com média 60 e variância igual a 64. Ou seja: X N (60, 64). Considerando as áreas sob a distribuição (probabilidades) em relação ao desvio padrão, seria possível armar para este exemplo que P(µ ± σ) = P(52 X 68) = 0, 6826 P(µ ± 2σ) = P(44 X 76) = 0, 9546 P(µ ± 3σ) = P(36 X 84) = 0, 9974
Cálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisProbabilidade. Prof. Hemílio Fernandes Campos Coêlho. Departamento de Estatística - Universidade Federal da Paraíba - UFPB
Probabilidade Prof. Hemílio Fernandes Campos Coêlho Departamento de Estatística - Universidade Federal da Paraíba - UFPB Introdução Encontramos na natureza dois tipos de fenômenos: Determinísticos e Não-determinísticos
Leia maisVariável Aleatória Contínua:
Distribuição Contínua Normal Luiz Medeiros de Araujo Lima Filho Departamento de Estatística UFPB Variável Aleatória Contínua: Assume valores num intervalo de números reais. Não é possível listar, individualmente,
Leia maisProfessora Ana Hermínia Andrade. Período
Distribuições de probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Modelos de distribuição Para
Leia maisVariável Aleatória Contínua:
Distribuição Contínua Normal Prof. Tarciana Liberal Departamento de Estatística UFPB x x Variável Aleatória Contínua: Assume valores num intervalo de números reais. Não é possível listar, individualmente,
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ CAMPUS PONTA GROSSA METROLOGIA II
METROLOGIA II Professor: Eng. PAULO ROBERTO CAMPOS ALCOVER JUNIOR Curso de Tecnologia em Fabricação Mecânica 2 Período ; ; Cálculo de Probabilidades; ; ;. 2 : Coeficiente de Variação: Baixa dispersão:
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisMétodos Estatísticos
Métodos Estatísticos 5 - Distribuição Normal Referencia: Estatística Aplicada às Ciências Sociais, Cap. 7 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 2002. Distribuição de Probabilidades A distribuição
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Normal 06/11 1 / 41 LEMBRANDO: Variável Aleatória Contínua Assume
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisBioestatística Aula 3
Bioestatística Aula 3 Anderson Castro Soares de Oliveira Anderson Bioestatística 1 / 51 Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisAula de hoje. administração. São Paulo: Ática, 2007, Cap. 3. ! Tópicos. ! Referências. ! Distribuição de probabilidades! Variáveis aleatórias
Aula de hoje! Tópicos! Distribuição de probabilidades! Variáveis aleatórias! Variáveis discretas! Variáveis contínuas! Distribuição binomial! Distribuição normal! Referências! Barrow, M. Estatística para
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia mais1 Introdução. 2 Variáveis Aleatórias Discretas (VAD)
Prof. Janete Pereira Amador 1 1 Introdução Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações podem ser descritas por uma variável
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisCaros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina. De forma geral, a prova manteve o padrão das questões da
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisCapítulo 3. Introdução à Probabilidade E à Inferência Estatística
Capítulo 3 Introdução à Probabilidade E à Inferência Estatística definições e propriedades: Propriedade 5: A probabilidade condicional reflete como a probabilidade de um evento pode mudar se soubermos
Leia maisIntrodução à Estatística. Segundo Semestre/2018
Introdução à Estatística Segundo Semestre/2018 Recapitulação Já vimos que existem dois tipos de Variáveis Aleatórias: Discretas e Contínuas. Sabemos como trabalhar com variáveis aleatórias Discretas; Iremos
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia maisBIOESTATÍSTICA AULA 3. Anderson Castro Soares de Oliveira Jose Nilton da Cruz. Departamento de Estatística/ICET/UFMT
BIOESTATÍSTICA AULA 3 Anderson Castro Soares de Oliveira Jose Nilton da Cruz Departamento de Estatística/ICET/UFMT Probabilidade PROBABILIDADE Probabilidade é o ramo da matemática que estuda fenômenos
Leia maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia maisVerificar como a distribuição normal pode ser utilizada para calcular, l de forma aproximada, probabilidades associadas a uma variável aleatória com
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, l de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia mais14. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas
4. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas Os valores assumidos por uma variável aleatória contínua podem ser associados com medidas em uma escala contínua como, por exemplo,
Leia maisStela Adami Vayego DEST/UFPR
Resumo 9 Modelos Probabilísticos Variável Contínua Vamos ver como criar um modelo probabilístico, o que é uma função densidade de probabilidade (fdp), e como calcular probabilidades no caso de variáveis
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisVariáveis aleatórias contínuas
Variáveis aleatórias contínuas Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 20/04/2018 WB, FM,
Leia mais5- Variáveis aleatórias contínuas
5- Variáveis aleatórias contínuas Para variáveis aleatórias contínuas, associamos probabilidades a intervalos de valores da variável. Exemplo 5.1 Seja a variável correspondente ao tempo até a cura de pacientes
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisEstatística e Probabilidade Aula 06 Distribuições de Probabilidades. Prof. Gabriel Bádue
Estatística e Probabilidade Aula 06 Distribuições de Probabilidades Prof. Gabriel Bádue Teoria A distribuição de Poisson é uma distribuição discreta de probabilidade, aplicável a ocorrências de um evento
Leia mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
Leia maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisHEP-5800 BIOESTATÍSTICA. Capitulo 2
HEP-5800 BIOESTATÍSTICA Capitulo 2 NOÇÕES DE PROBABILIDADE, DISTRIBUIÇÃO BINOMIAL, DISTRIBUIÇÃO NORMAL Nilza Nunes da Silva Regina T. I. Bernal MARÇO DE 2012 2 1. NOÇÕES DE PROBABILIDADE 1. DEFINIÇÃO Considere
Leia maisEstatística Aplicada ao Serviço Social AULA 06. Estatística Descritiva - Medidas de dispersão. Universidade Federal da Paraíba
Universidade Federal da Paraíba Curso de Serviço Social - Turma 01 Estatística Aplicada ao Serviço Social Prof. Hemílio Fernandes Campos Coêlho Departamento de Estatística Universidade Federal da Paraíba
Leia maisVARIÁVEIS ALEATÓRIAS e DISTRIBUIÇÃO BINOMIAL
VARIÁVEIS ALEATÓRIAS e DISTRIBUIÇÃO BINOMIAL 1 Variável Aleatória Uma função X que associa a cada elemento w do espaço amostral W um valor x R é denominada uma variável aleatória. Experimento: jogar 1
Leia maisDistribuição Normal. Prof a Dr a Alcione Miranda dos Santos. Abril, 2011
Distribuição Normal Prof a Dr a Alcione Miranda dos Santos Universidade Federal do Maranhão Programa de Pós-Graduação em Saúde Coletiva email:alcione.miranda@gmail.com Abril, 2011 1 / 18 Sumário Introdução
Leia maisVARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL
VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL 1 Variável Aleatória Uma função X que associa a cada elemento w do espaço amostral W um valor x R é denominada uma variável aleatória. Experimento: jogar 1 dado
Leia maisDISTRIBUIÇÃO NORMAL DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS ROTEIRO DISTRIBUIÇÃO NORMAL
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências DISTRIBUIÇÃO NORMAL Definição:
Leia maisUm conceito importante em Probabilidades e Estatística é o de
Variáveis Aleatórias Um conceito importante em Probabilidades e Estatística é o de Variável Aleatória. Variável Aleatória Seja (Ω, A) um espaço de acontecimentos. À função X : Ω IR chamamos variável aleatória.
Leia mais24/04/2017. Operações que podem ser aplicadas aos eventos
Inferência estatística: processo de extrair conclusões de uma população inteira com base na informação de uma amostra A base para a inferência estatística é a teoria da probabilidade Evento: é o resultado
Leia maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia mais2.1 Variáveis Aleatórias Discretas
4CCENDMMT02-P PROBABILIDADE E CÁLCULO DIFERENCIAL E INTEGRAL Girlan de Lira e Silva (1),José Gomes de Assis (3) Centro de Ciências Exatas e da Natureza /Departamento de Matemática /MONITORIA Resumo: Utilizamos
Leia maisMAE0219 Introdução à Probabilidade e Estatística I
Exercício 1 1 o semestre de 201 O tempo de vida útil de uma lavadora de roupas automática tem distribuição aproximadamente Normal, com média de 3,1 anos e desvio padrão de 1,2 anos. a Qual deve ser o valor
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia 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 maisDistribuições de Probabilidade
Distribuições de Probabilidade Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições de Probabilidade 2007/2008 1 / 31 Introdução Introdução Já vimos como caracterizar
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisVARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL
VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL Variável Aleatória Uma função X que associa a cada elemento ω do espaço amostral Ω um valor x R é denominada uma variável aleatória. A variável aleatória pode
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias Contínuas
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Contínuas Professora Renata Alcarde Piracicaba abril 2014 Renata Alcarde Estatística Geral 24 de Abril de 2014
Leia maisVariáveis Aleatórias Contínuas e Distribuições de Probabilidade
Variáveis Aleatórias Contínuas e Distribuições de Probabilidade Motivação A quantidade de oxigênio dissolvido é importante para aferir a qualidade de um regato. Os níveis aceitáveis de oxigênio variam
Leia maisModelos Binomial e Poisson
Modelos Binomial e Poisson Cristian Villegas clobos@usp.br Outubro de 2013 Apostila de Estatística (Cristian Villegas) 1 Distribuição Bernoulli Se um experimento possui dois possíveis resultados, sucesso
Leia maisMAE 116 Distribuição Normal FEA - 2º Semestre de 2018
MAE 116 Distribuição Normal FEA - 2º Semestre de 2018 1 Introdução Até aqui estudamos variáveis aleatórias discretas que são caracterizadas por ter uma distribuição de probabilidade dada por uma tabela
Leia maisDistribuições Importantes. Distribuições Contínuas
Distribuições Importantes Distribuições Contínuas Distribuição Normal ou de Gauss Definição Diz-se que uma v.a. X contínua tem distribuição normal ou de Gauss, X Nor(µ,σ), se a sua função densidade de
Leia maisDistribuição de Probabilidade. Prof. Ademilson
Distribuição de Probabilidade Prof. Ademilson Distribuição de Probabilidade Em Estatística, uma distribuição de probabilidade descreve a chance que uma variável pode assumir ao longo de um espaço de valores.
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisUNIDADE II. José J. C. Hernández. April 9, 2017 DE - UFPE. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
INTRODUÇÃO À ESTATÍSTICA UNIDADE II José J. C. Hernández DE - UFPE April 9, 2017 José J. C. Hernández (DE - UFPE) Estatística I April 9, 2017 1 / 60 Variável aleatória Seja X : Ω R uma função real de Ω
Leia maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Professora Renata Alcarde Piracicaba março 2014 Renata Alcarde Estatística Geral 27 de Março de 2014 1 / 42
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br http://www.lce.esalq.usp.br/arquivos/aulas/2014/lce0216/ 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisDistribuições de probabilidade
Distribuições de probabilidade Distribuições contínuas Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT)
Leia maisSolução dos Exercícios - Capítulos 1 a 3
Capítulo 9 Solução dos Exercícios - Capítulos a 3 9. Capítulo. a Como o valor se refere aos pacientes estudados, e não a todos os pacientes, esse é o valor de uma estatística amostral. b Estatística amostral
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisModelos Binomial e Poisson
Modelos Binomial e Poisson Cristian Villegas clobos@usp.br http://www.lce.esalq.usp.br/arquivos/aulas/2014/lce0216/ 1 Distribuição Bernoulli Se um experimento possui dois possíveis resultados, sucesso
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br Outubro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia maisVariáveis Aleatórias Discretas
Variáveis Aleatórias Discretas Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Definição Uma variável aleatória é uma função definida
Leia maisPrincipais distribuições discretas Distribuição de Bernoulli sucesso fracasso X = 1, se sucesso X = 0, se fracasso P(X) TOTAL 1 Exemplo 5:
Principais distribuições discretas Na prática, sempre se procura associar um fenômeno aleatório a ser estudado, a uma forma já conhecida de distribuição de probabilidade (distribuição teórica) e, a partir
Leia maisProbabilidade. 1 Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson. Renata Souza
Probabilidade Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson Renata Souza Distribuição de Bernoulli Uma lâmpada é escolhida ao acaso Ensaio de Bernoulli A lâmpada
Leia maisPARTE 3. Profª. Drª. Alessandra de Ávila Montini
PARTE 3 Profª. Drª. Alessandra de Ávila Montini Distribuições Contínuas 2 Conteúdo Principais Distribuições de Probabilidade para Variáveis Quantitativas Contínuas: Exponencial Normal T de Student Qui-quadrado
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisAula 4: Medidas Resumo
Aula 4: Professor: José Luiz Padilha da Silva email: jlpadilha@ufpr.br Departamento de Estatística Universidade Federal do Paraná Curitiba, 2018 José Luiz Padilha da Silva (UFPR) ce003 - Estatística II
Leia maisBioestatística F. Modelo Binomial. Enrico A. Colosimo
Bioestatística F Modelo Binomial Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/~enricoc 2011 1 / 1 Variável aleatória discreta Definição Uma
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Professora Renata Alcarde Sermarini Piracicaba Abril 2016 Renata Alcarde Sermarini Estatística Geral 27 de
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias Discretas
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Discretas Professora Renata Alcarde Sermarini Piracicaba abril 2016 Renata Alcarde Sermarini Estatística Geral
Leia maisConceito de Estatística
Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos, observáveis. Unidade Estatística um fenômeno individual é uma unidade no conjunto que irá constituir
Leia maisAula 6 - Variáveis aleatórias contínuas
Aula 6 - Variáveis aleatórias contínuas PhD. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação-LEG Universidade Federal do Paraná 1/2017 Bonat, W. H. (LEG/UFPR) 1/2017 1 / 18 Variáveis aleatórias
Leia mais5 Distribuição normal de probabilidade. Estatística Aplicada Larson Farber
5 Distribuição normal de probabilidade Estatística Aplicada Larson Farber Seção 5.1 Introdução às distribuições normais Propriedades de uma distribuição normal Suas média, mediana e moda são iguais. Tem
Leia mais