UNIDADE II. José J. C. Hernández. April 9, 2017 DE - UFPE. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
|
|
- Armando Bastos Sintra
- 5 Há anos
- Visualizações:
Transcrição
1 INTRODUÇÃO À ESTATÍSTICA UNIDADE II José J. C. Hernández DE - UFPE April 9, 2017 José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
2 Variável aleatória Seja X : Ω R uma função real de Ω e considere A = (, a]. A função X será uma variável aleatória se P(X 1 (A)) está bem definida para todo a R. Aqui: X 1 (A) = {w Ω : X (w) A}. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
3 Tipos de Variável aleatória Podemos trabalhar apenas com as variáveis aleatórias e sua medida de probabilidade. Seja X uma variável aleatória e P sua medida de probabilidade. Variáveis aleatórias discretas: Uma variável aleatória X cujo suporte S X é um conjunto enumerável é dita ser discreta (ex: S X = {0, 1}, S X = {1, 2, 3}). Variáveis aleatórias contínuas: Uma variável aleatória X cujo suporte S X é um conjunto não-enumera vel é dita ser contínua (ex: S X = (0, 1), S X = (3, 5), S X = (0, ),S X = R). José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
4 ESPERANÇA, VARIÂNCIA DE V.A. DISCRETAS Esperança, variância e Desvio padrão Seja X uma variável aleatória discreta com suporte S X = {x 1, x 2,..., x n,... }. Seja p(x i ) = P(X = x i ). Esperança: A esperança matemática de X é definida por E(X ) = x i p(x i ), i=1 Variância: A variância de X é definida por Var(X ) = [x i E(X )] 2 p(x i ) = E(X 2 ) (E(X )) 2 i=1 Desvio padrão: O Desvio padrão de X é definida por DP(X ) = σ(x ) = Var(X ). José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
5 Valor esperado de função de v.a. Seja X variável aleatória discreta com valores x 1,..., x n e probabilidades p(x 1 ),..., p(x n ). Definamos a v.a. Y = f (X ), onde f : R R, então E(Y ) = E(f (X )) = n f (x i )p(x i ). i=1 A variância de Y = f (X ) é Var(Y ) = Var(f (X )) = n [ f (xi ) 2 E(f (X )) ] 2 p(xi ). i=1 José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
6 Esperança e Variância de f (X, Y ) Sejam X, Y duas variáveis aleatórias discretas com valores x 1,..., x n, y 1,..., y n e probabilidades p(x 1 ),..., p(x n ) p(y 1 ),..., p(y n ). Se p(x i, y j ) = P(X = x i, Y = y j ), i = 1,..., n, j = 1,..., m é a distribuição conjunta de X e Y, e f (X, Y ) for uma função de X e Y, então E(f (X, Y )) = n m f (x i, y j )p(x i, y j ). i=1 j=1 Dois casos particulares: E(X + Y ) = E(X ) + E(Y ). Se X e Y são v.a. independentes, então E(XY ) = E(X )E(Y ). José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
7 Exemplo: Pedro é o gerente de uma revendedora de carros. Toda semana ele tem 5 carros para vender. Se ele vender até dois carros, não ganha qualquer adicional ao seu salário; porém se ele conseguir vender 3 ou mais carros, ganha um premio igual a 100x 2, onde x é o número de carros vendidos. Se a probabilidade de vender um carro é 0.6, e cada carro se vende de forma independiente. Determine o valor esperado, a variância e o desvio padrão do premio semanal. Solução: f (x) = 0, x = 0, 1, 2 900, x = , x = , x = 5 E(f (X )) = 0 + f (3)P(X = 3) + f (4)P(X = 4) + f (5)P(X = 5) José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
8 Exemplo: Suponha que estamos interesados em estudar a composição de familias com três crianças, quanto ao sexo. Definamos as v.a. X = { número de meninos 1, se o primeiro filho for homem Y = 0, se o primeiro filho for mulher Supondo que as possíveis composições tenham a mesma probabilidade, Construir as distribuições das v.a. X + Y e XY. Calcular E(X + Y ) e E(XY ). X e Y são independentes? José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
9 Variáveis aleatórias contínuas Seja X uma variável aleatória e S X o seu suporte. Dizemos que X é uma variável aleatória contínua se S X for não-enumerável. Exemplos: S X = (0, 1) S X = (a, b) com a < b S X = (, ) = R S X = (0, ) José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
10 VARIÁVEIS ALEATÓRIAS CONTÍNUAS Uma variável aleatória X é contínua se existe uma função real f X : R R + tal que onde f X satisfaz F X (x) = f X (x) 0 para todo x R f X é continua em S X f X (x)dx = 1 x f X (t)dt A função f X é chamada de função densidade de probabilidade de X José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
11 Seja B R, então definimos P(X B) = B f (x)dx. Em particular P(X [a, b]) = P(a X b) = b a f (x)dx. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
12 Exemplo: Seja X uma v.a. contínua com { 2x, se x (0, 1) f X (x) = 0, caso contrário Verifique se f satisfaz as propriedades de uma função densidade de probabilidades. Apresente o gráfico (x, f (x)). Qual o suporte de X? Seja B = (0, 1/2), calcule P(X B) e P(X B c ). José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
13 Exemplo: Seja X uma v.a. contínua com função densidade de probabilidades { c f X (x) = x, se x (1, exp(2)) 0, caso contrário Encontre a constante c. Apresente o gráfico (x, f (x)). Qual o suporte de X? Seja B = (0, 1/2), calcule P(X B) e P(X B c ). Calcule também P(X (1, 2])). José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
14 Esperança Seja X uma v.a. contínua com função de densidade f. A Esperança matemática de X é definida por E(X ) = xf (x)dx. Seja h uma função real, a Esperança matemática de h(x ) é definida por E(h(X )) = h(x)f (x)dx. A esperança matemática nos informa o valor central da densidade de valores possíveis de X. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
15 Esperança - Propriedades Seja X uma v.a. contínua com função de densidade f. Se a R é uma constante, então E(a) = a; Se a R é uma constante, então E(aX ) = ae(x ); Se a, b R são constantes, então E(aX + b) = ae(x ) + b; Exemplo 4: Calcule a esperança dos exemplos 2 e 3. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
16 Variância Seja X uma v.a. contínua com função de densidade f. A Variância de X é definida por Var(X ) = (x E(X )) 2 f (x)dx. Seja h uma função real, a Variância de h(x ) é definida por Var(h(X )) = (h(x) E(h(X )) 2 f (x)dx. A variância nos informa o grau de variabilidade da densidade de valores possíveis de X. É uma medida de quão dispersa está a densidade de pontos possíveis que X pode assumir. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
17 Variância - Propriedades Seja X uma v.a. contínua com função de densidade f. Se a R é uma constante, então Var(a) = 0; Se a R é uma constante, então Var(aX ) = a 2 Var(X ); Se a, b R são constantes, então Var(aX + b) = a 2 E(X ). Var(X ) = E(X 2 ) (E(X )) 2. Exemplo 5: Calcule a Variância dos exemplos 2 e 3. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
18 Exemplo 6: A distribuição exponential é uma variavel aleatória contínua bastante conhecida na estatística e tem função de densidade de probabilidade dada por: f (x) = λe λx, x 0. Sabe-se que para que f seja de fato uma fdp, ela deve satisfazer, dentre outras condições, a seguinte condição: A probabilidade de todo espaço amostral é 1. Demonstre essa propriedade. Uma fábrica produz baterias. Se o tempo de vida de uma bateria tem distribuição exponential com parâmetro 1/80. Calcular a vida media de uma bateria. Qual a probabilidade de que ela dure mais de 100 horas? José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
19 CORRELAÇÃO Seja (X, Y ) uma v.a. bidimensional. Definimos a correlação, ρ(x, Y ), entre X e Y como, ρ(x, Y ) = E(X E(X ))E(Y E(Y )) Var(X )Var(Y ). Propriedades: 1 ρ 1. E(XY ) E(X )E(Y ) ρ =. Var(X )Var(Y ) Se X e Y são independentes, então ρ = 0. Se ρ 2 = 1, então Y = AX + B, onde A e B são constantes (com probabilidade 1). Se X e Y são duas v.a. tal que Y = AX + B. Então ρ 2 = 1. Se A > 0, então ρ + 1. Se A < 0, então ρ = 1. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
20 Principais variáveis aleatórias discretas Variável Uniforme Discreta Variável de Bernoulli Variável Binomial Variável geométrica Variável Pascal Variável hipergeométrica Variável de Poisson José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
21 Variável Uniforme Discreta A variável aleatória X tem distribuição uniforme quando P(X = k) = 1 S X para todo k S X com S X < (numero de elementos de S X é finito). Exemplo: seja X uma v.a. discreta com S X = {0, 1, 2} e P(X = 0) = P(X = 1) = P(X = 2) = 1 3. Calcule a esperança, variância e função distribuição acumulada. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
22 Variável de Bernoulli Suponha que um experimento cujo resultado pode ser classificado como sucesso ou fracasso é executado (experimento de Bernoulli). Seja X = 1 se o resultado for sucesso e X = 0 se for fracasso. Dizemos que X é uma variável aleatória de Bernoulli e sua função de probabilidade é definida por P(X = 1) = p, P(X = 0) = 1 p em que p [0, 1]. Exemplo: Seja X Ber(p). Calcule a esperança, variância e função distribuição acumulada. Faça os gráficos da distribuição de X e da f.d.a. F X. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
23 Variável Binomial Suponha que n experimentos independentes de Bernoulli são executados (probabilidade de sucesso igual a p). Seja X o número de sucessos que ocorrem nos n experimentos, então X é dita ser uma variável aleatória binomial com parâmetros n e p. Pode-se mostrar que sua função de probabilidade é dada por ( ) n P(X = k) = p k (1 p) n k k para k = 0, 1, 2,..., n Exemplo: Seja X Ber(p). Calcule a esperança, variância e função distribuição acumulada. Faça os gráficos da distribuição de X e da f.d.a. F X. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
24 Variável de Bernoulli e Binomial Exemplo: Um pacote de informações é enviado pelo transmissor ao receptor através de uma conexão, sendo p = 0.95 a probabilidade de que o pacote chegue corretamente ao receptor. Seja X a variável que representa o transmissor enviar corretamente um pacote. Calcule o valor esperado e a variância de X. Suponha que 20 pacotes de informação são enviados pelo transmissor ao receptor através de uma conexão. Cada pacote tem resultado independente de outro. Defina a variável aleatória adequada e calcule a probabilidade de no mínimo 18 pacotes cheguem corretamente ao receptor. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
25 Variável de Bernoulli e Binomial Exemplo: Suponha que um aluno pretende fazer um teste de múltipla escolha com 10 questões e cinco alternativas por questão respondendo cada uma das questões de forma aleatória. Qual é probabilidade dele acertar no máximo 3 questões? José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
26 Variável de Bernoulli e Binomial Exemplo: A probabilidade de uma caça bem sucedida de uma aranha é p = 0.3. Em um dia especifico a aranha teve 7 caças. (a) Qual é a probabilidade que ela conseguiu pelo menos duas refeições? (b) Qual é a probabilidade que ela conseguiu menos que 4 efeições? José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
27 Variável Aleatória de Poisson Quando estamos interessados no número de eventos de um certo tipo que ocorrem num intervalo de tempo (ou superfície ou volume) utilizamos a distribuição de Poisson. Dizemos que X tem distribuição de Poisson com parâmetro λ, quando para k = 0, 1, 2,... P(X = k) = e λ λ k O evento X = k significa que o evento de interesse ocorreu k vezes no intervalo de tempo (ou superfície ou volume) especificado. O parâmetro λ e a taxa média de ocorrência do evento no intervalo de tempo (ou superfície ou volume) especificado. Assume-se que a probabilidade de ocorrer o evento de interesse mais de uma vez num intervalo muito pequeno é desprezível. k! José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
28 Exemplo: O numero médio de pessoas que chegam a um pronto socorro em 10 minutos é 2. (a) Calcular a probabilidade que nos próximos 10 minutos não chegue ninguém. (b) Calcular a probabilidade que nos próximos 10 minutos cheguem pelo menos 4 pessoas. (c) Calcular a probabilidade que nos próximos 10 minutos cheguem mais que 1, mas menos que 8 pessoas. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
29 Exemplo: Suponha que a probabilidade de que um celular producido pela empresa ASUS seja defeituoso é de Se quince itens produzidos por essa empresa são selecionados ao acaso, qual é a probabilidade de que não mais do que dois defeituosos sejam encontrados? Use a distribuição binomial e a distribuição de Poisson e compare os resultados. Exemplo: Se X é uma variável aleatória de Poisson com parâmetro λ, calcular E(X ) e Var(X ) Exemplo: Suponha que o número de clientes que chegam em um banco segue uma distribuição de Poisson. Se a probabilidade de chegarem 3 clientes for o triplo da de chegarem 4 clientes em um dado período de 10 minutos. Determine: (a) Qual o nu?mero esperado de clientes que chegam em um período de 1 hora neste banco? (b) Qual o número mais provável de clientes que chegam em um período de 1 hora neste banco? José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
30 Variável Hipergeométrica Considere uma população de N objetos, r dos quais têm atributo A e N r têm atributo B. Um grupo de n elementos é escolhido ao acaso, sem reposição. Estamos interesados em calcular a probabilidade de que esse grupo contenha k elementos com atributo A ( r N r ) k)( P(X = k) = n k ( N n) para k = 0, 1, 2,..., min{r, n}. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
31 Exemplo: O Departamento de Estatística da UFPE é formado por 35 professores, sendo 21 homens e 14 mulheres. Uma comissão de 3 professores será constituida para uma banca de um TCC, sorteando ao acaso e sem reposição três membros do departamento. Calcular a probabilidade que a comissão tenha pelo menos 1 mulher. Exemplo: Por engano 3 peças defeituosas foram misturadas com boas formando um lote com 12 peças no total. Escolhendo ao acaso 4 dessas peças, determine a probabilidade de encontrar: (a) Pelo menos 2 defeituosas. (b) No máximo 1 defeituosa. (c) No mínimo 1 boa. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
32 Variável Hipergeométrica: Aproximação com a binomial Pode-se demonstrar que se X é uma v.a. hipergeométrica, então E(X ) = np, Var(X ) = np(1 p) N n N 1 onde p = r/n é a probabilidade de obter um objeto com atributo A. Se N for grande, quanto comparado com n, isto é, N n N 1 1, então E(X ) = np, Var(X ) np(1 p). Assim para N grande, quanto comparado com n, podemos aproximar P(X = k) b(k, n, p) José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
33 Variável de Poisson: Aproximação com a binomial Suponhamos que chamadas telefônicas cheguem em uma grande central, e que em um período particular de três horas (180 minutos), um total de 270 chamadas tenham sido recebidas, ou seja, 1,5 chamadas por minuto. Suponhamos que queiramos calcular a probabilidade de serem recebidas k chamadas durante os próximos três minutos. Ao considerar o fenômeno da chegada de chamadas, poderemos chegar á conclusão de que, a qualquer instante, uma chamada telefônica é tão provável de ocorrer como em qualquer outro instante. Vamos fazer uma série de aproximações para este cálculo. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
34 Variável de Poisson: Aproximação com a binomial Para começar, pode-se dividir o intervalo de 3 minutos em nove intervalos de 20 segundos cada um. Poderemos então tratar cada um desses nove intervalos como um ensaio de Bernoulli, durante o qual observaremos uma chamada (sucesso) ou nenhuma chamada (falha), com probabilidade de sucesso igual a p = = 0.5. Desse modo, poderemos ser tentados a afirmar que a probabilidade de 2 chamadas é igual a ( ) 9 2 (0.5) 9 = Porém, este cálculo ignora a possibilidade de que mais de uma chamada possa ocorrer em um único intervalo. Então, queremos aumentar o número n de subintervalos de tempo de modo que cada subintervalo corresponde a 180 n segundos e então a probabilidade de ocorrência de uma chamada em um subintervalo é igual a p = 4.5 n. Desta maneira temos que np = 4, 5 permanece constante ao crescermos o número de subintervalos. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
35 Variável de Poisson: Aproximação com a binomial Utilizando novamente o modelo binomial, temos que ( ) n P(X = k) = p k (1 p) n k k ( ) n(n 1) (n k + 1) 4.5 k ( = [ ( k! n = 4.5k (1) 1 1 ) ( 1 2 ) k! n n ( ) n ( ) k n n n n ( 1 k 1 n ) n k )] José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
36 Variável de Poisson: Aproximação com a binomial Theorem Se lim n np n = α > 0, então lim n ( n )p kn(1 p n ) n k α αk = e k k!. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
37 Variável de Poisson: Aproximação com a binomial Exemplo: Ao formar números binários com n dígitos, a probabilidade de que um dígito incorreto possa aparecer é 0,002. Se os erros forem independentes, qual é a probabilidade de encontrar k dígitos incorretos em um número binário de 25 dígitos? Se um computador forma 10 6 desses números de 25 dígitos por segundo, qual é a probabilidade de que pelo menos um número incorreto seja formado durante qualquer período de 1 segundo? José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
38 Principais variáveis aleatórias continuas Variável Uniforme Variável Normal Variável t-student José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
39 Distribuição Uniforme Dizemos que a variável aleatória X tem Distribuição Uniforme com parâmetros a e b, < a < b < se sua função densidade de probabilidade é dada por 1, se a x b f (x) = b a 0, caso contrário Notação: X U(a, b). José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
40 Seja X U(a, b). Para qualquer intervalo [c, d] onde a c < d b temos que P(c X d) = d c f (x)dx = d c b a. Função de distribuição acumulada 0, x < a x a F (x) = P(X x) =, a x < b b a 1, x b E(X ) = a + b 2, Var(X ) = (b a)2 12 José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
41 Exemplo: A espessura de chapas fabricadas numa indústria está uniformemente distribuída entre 0, 84 cm e 1, 04 cm. 1 De um total de 200 chapas inspecionadas, quantas excedem 1,00 cm? 2 Qual deve ser a espessura de modo que 40% das chapas não excedam essa espessura. Exemplo: A partir das 7 da manhã, um ônibus passa por um ponto específico em intervalos de 30 minutos e fica parado no ponto por 6 minutos. Suponha que um passageiro chegou neste ponto em uma hora que está uniformemente distribuída entre 7 : 00 e 8 : 00. Encontre a probabilidade do passageiro: 1 Não esperar no ponto pelo ônibus. 2 Esperar menos do que 6 minutos. 3 Esperar mais do que 6 minutos. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
42 Distribuição Normal ou Gaussiana Exemplo: Observamos o peso, em kg, de 1500 pessoas adultas selecionadas, ao acaso, em uma população. O histograma por densidade é o seguinte: José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
43 A análise do histograma indica que: a distribuição dos valores é aproximadamente simétrica em torno de 70 kg; a maioria dos valores (88%) encontra-se no intervalo (55, 85); existe uma pequena proporção de valores abaixo de 48 kg (1, 2%) e acima de 92 kg (1%). José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
44 Vamos a definir a variável aleatória X : peso, em kg, de uma pessoa adulta escolhida, ao acaso, da população. Como se distribuem os valores da variável aleatória X, isto e, qual é a distribuição de probabilidades de X? A curva contínua da figura denomina-se curva Normal (ou curva de Gauss). José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
45 A distribuição Normal é uma das mais importantes distribuições contínuas de probabilidade pois: Muitos fenômenos aleatórios comportam-se próximos a essa distribuição: 1 altura 2 pressão sanguínea 3 peso, etc Pode ser utilizada para calcular, de forma aproximada, probabilidades para outras distribuições, como por exemplo, para a distribuição binomial. O modelo normal de probabilidade foi desenvolvido por Carl Friedrich Gauss. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
46 A v. a. X tem distribuição Normal com parâmetros µ e σ 2 se sua função densidade de probabilidade é dada por: { f (x) = 1 σ π exp 1 ( ) } x µ 2, < x <. 2 σ Notação: X N(µ, σ 2 ). Simétrica em torno de µ, ou seja f (x + µ) = f (x µ) para todo x R. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
47 Propriedades da distribuição Normal X N(µ, σ 2 ) 1 E(X ) = µ (média ou valor esperado); 2 Var(X ) = σ 2 (e portanto DP = σ); 3 x = µ é o ponto de máximo de f (x); 4 x µ e x + µ são pontos de inflexão de f (x); 5 a curva normal é simétrica em torno da média µ. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
48 A distribuição Normal depende dos parâmetros µ e σ 2 Curvas Normais com mesma variância σ 2 mas médias diferentes µ 2 > µ 1. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
49 Influência de σ 2 na curva Normal Curvas Normais com mesma média µ mas com variâncias diferentes σ 2 > σ 1. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
50 Padronização de uma variável com distribuição Normal Seja X N(µ, σ 2 ). Uma propriedade importante é que a variável Z = X µ N(0, 1). σ Dizemos que Z tem distribuição normal padrão. Note que E(Z) = 0 e Var(Z) = 1. Ou seja, Z é simétrica em torno de zero. Definimos P(Z z) = A(z) José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
51 Cálculo de probabilidades Seja X N(µ, σ 2 ) P(a < X < b) = P(a X b) José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
52 Cálculo de probabilidades José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
53 A v.a. Z N(0, 1) denomina-se normal padrão ou reduzida. Portanto ( a µ P (a < X < b) = P < Z < b µ ) σ σ ( ) ( ) b µ a µ = A A σ σ José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
54 José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
55 Exemplo: Se Z N(0, 1). Calcular 1 P(Z 0.32) 2 P(0 Z 1.71) 3 P( 1.32 Z 0) 4 P(1.32 Z 1.79) 5 P( 2.3 Z 1.49) 6 P(Z 1.5) 7 P(Z 1.3) 8 P( 1 Z 2) Exemplo: Como encontrar o valor z da distribuição N(0; 1) tal que: (a) P(Z z) = (b) P(0 < Z z) = (c) P(Z z) = 0.3 (d) P( z < Z z) = 0.8 José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
56 Exemplo: O tempo gasto no exame vestibular de uma universidade tem distribuição Normal, com média 120 min e desvio padrão 15 min. 1 Sorteando-se um aluno ao acaso, qual é a probabilidade dele terminar o exame antes de 100 minutos? 2 Qual deve ser o tempo de prova, de modo a permitir que 95% dos vestibulandos terminem no prazo estipulado? 3 Qual é o intervalo de tempo, simétrico em torno da média (intervalo central), tal que 80% dos estudantes gastam para completar o exame? José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
57 Distribuição t-student A distribuição t-student é uma das distribuições mais utilizadas na estatśtica,com aplicações que vão desde a modelagem estatśtica at testes de hipóteses. Dizemos que a variável aleatória X tem Distribuição distribuição t-student com n graus de liberdade se sua função densidade de probabilidade é dada por f (x) = 1 Γ ( ) n+1 2 nπ Γ ( ) n (1 + x 2 ) ( n+1 2 ), n = 1, 2,..., x R. n 2 Notação: X t n José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
58 José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
59 Propiedades 1 Se X t n, então E(X ) = 0, n > 1 Var(X ) = n n 2, n > 2 2 A funçõ densidade da distribuição t-student é simétrica em torno do zero, i.e., f (x) = f ( x) para todo x R. 3 A funçõ densidade da distribuição t-student tem a mesma forma da distribuição Normal, mas reflete a maior variabilidade (com curvas mais alargadas) que é de se esperar em amostras pequenas. 4 Quanto maior o grau de liberdade, mais a distribuição t-student se aproxima da distribuição Normal. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
60 José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
Introdução à probabilidade e estatística I
Introdução à probabilidade e estatística I Variáveis Aleatórias Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Probabilidade Daqui por diante utilizaremos
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 maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
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 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 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 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 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 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 Distribuição Normal Motivação: Distribuição
Leia maisVariável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada
Variável Aleatória Uma função X que associa a cada Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ elemento de S (s S) um número real x X(s) é denominada variável aleatória. O
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 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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X 0 1 2 3 R x X(s) X(S) Uma função X que associa a cada elemento de S (s S) um número real
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 maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
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 maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
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 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 mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
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 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 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 maisCap. 8 - Variáveis Aleatórias
Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON
Leia maisConforme o conjunto de valores X(S) uma variável aleatória poderá ser discreta ou contínua.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X X(s) R X(S) Uma função X que associa a cada elemento de S (s S) um número real X(s) é denominada
Leia maisModelos Probabilisticos Discretos
Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento
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 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 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 maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
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 maisProbabilidade e Estatística
Probabilidade e Estatística Distribuições Discretas de Probabilidade Prof. Narciso Gonçalves da Silva www.pessoal.utfpr.edu.br/ngsilva Introdução Distribuições Discretas de Probabilidade Muitas variáveis
Leia maisRevisão de Probabilidade
05 Mat074 Estatística Computacional Revisão de Probabilidade Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
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 maisF (x) = P (X x) = Σ xi xp(x i ) E(X) = x i p(x i ).
Variável Aleatória Uma variável aleatória é uma variável numérica, cujo valor medido pode variar de uma réplica para outra do experimento. Exemplos: (i) Variáveis aleatórias contínuas: corrente elétrica,
Leia maisa) o time ganhe 25 jogos ou mais; b) o time ganhe mais jogos contra times da classe A do que da classe B.
Universidade de Brasília Departamento de Estatística 5 a Lista de PE. Um time de basquete irá jogar uma temporada de 44 jogos. desses jogos serão disputados contra times da classe A e os 8 restantes contra
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 maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisPROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I
PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável
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 maisUNIVERSIDADE FEDERAL DO PARANÁ CE003 - ESTATÍSTICA II
UNIVERSIDADE FEDERAL DO PARANÁ CE003 - ESTATÍSTICA II Segunda lista de Exercícios - Variáveis Aleatórias Professora Fernanda 1. Uma máquina caça níquel de cassino possui três roletas. Na primeira e segunda
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 maisLista de Exercícios #2 Assunto: Variáveis Aleatórias Discretas
1. ANPEC 2018 Questão 3 Considere um indivíduo procurando emprego. Para cada entrevista de emprego (X) esse indivíduo tem um custo linear (C) de 10,00 Reais. Suponha que a probabilidade de sucesso em uma
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. 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 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 maisModelos Probabiĺısticos Discretos
Discretos Prof. Gilberto Rodrigues Liska UNIPAMPA 19 de Setembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Gilberto R. Liska ( UNIPAMPA ) Notas de Aula 19 de Setembro de 2017 1 /
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 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 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 maisPROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES
PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável Aleatória
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 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 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 maisEstatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas Professor Fernando Porto Lançam-se 3 moedas. Seja X o número de ocorrências da face cara. O espaço amostral do experimento é: W = {(c,c,c),(c,c,r),(c,r,c),(c,r,r),(r,c,c),(r,c,r),(r,r,c),(r,r,r)}
Leia maisMAE0219 Introdução à Probabilidade e Estatística I
Exercício 1 Um par de dados não viciados é lançado. Seja X a variável aleatória denotando o menor dos dois números observados. a) Encontre a tabela da distribuição dessa variável. b) Construa o gráfico
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 mais1 Distribuições Discretas de Probabilidade
1 Distribuições Discretas de Probabilidade A distribuição discreta descreve quantidades aleatórias (dados de interesse) que podem assumir valores particulares e os valores são finitos. Por exemplo, uma
Leia mais{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3;
Universidade de Brasília Departamento de Estatística 4 a Lista de PE 1. Seja X uma variável aleatória com densidade { C(1 x 2 ), se x ( 1, 1), 0, se x / ( 1, 1). a) Qual o valor de C? b) Qual a função
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 maisEELT-7035 Processos Estocásticos em Engenharia. Variáveis Aleatórias. EELT-7035 Variáveis Aleatórias Discretas. Evelio M. G.
EELT-7035 Processos Estocásticos em Engenharia Variáveis Aleatórias Discretas 21 de março de 2019 Variáveis Aleatórias Variável aleatória, X( ): função que mapeia o espaço amostral (S) em números pertencentes
Leia maisEstatística. Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas Professor Fernando Porto Capítulo 4 Baseado no Capítulo 4 do livro texto, Distribuições Teóricas de Probabilidades
Leia mais4. PRINCIPAIS MODELOS DISCRETOS
4. PRINCIPAIS MODELOS DISCRETOS 2010 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 3. Uma peça é classificada como defeituosa
Leia maisVARIÁVEIS ALEATÓRIAS 1
VARIÁVEIS ALEATÓRIAS 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 duas vezes e observar
Leia maisPARTE 2. Profª. Drª. Alessandra de Ávila Montini
PARTE 2 Profª. Drª. Alessandra de Ávila Montini Conteúdo Introdução a Probabilidade Conceito de Experimento Conceito de Espaço Amostral Conceito de Variável Aleatória Principais Distribuições de Probabilidade
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 maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
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 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 maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisModelos discretos e contínuos
Modelos discretos e contínuos Joaquim Neto joaquim.neto@ufjf.edu.br Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF Versão 3.0 1
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisVariável Aleatória. Gilson Barbosa Dourado 6 de agosto de 2008
Variável Aleatória Gilson Barbosa Dourado gdourado@uneb.br 6 de agosto de 2008 Denição de Variável Aleatória Considere um experimento E e seu espaço amostral Ω = {a 1, a 2,..., a n }. Variável aleatória
Leia maisProcessos Estocásticos
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia mais4. PRINCIPAIS MODELOS DISCRETOS
4. PRINCIPAIS MODELOS DISCRETOS 2011 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 1. Uma peça é classificada como defeituosa
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
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 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 mais4. PRINCIPAIS MODELOS DISCRETOS
4. PRINCIPAIS MODELOS DISCRETOS 2019 Principais modelos probabilísticos discretos 4.1. Modelo Bernoulli Muitos eperimentos admitem apenas dois resultados. Eemplos: 1. Uma peça é classificada como defeituosa
Leia maisVariáveis Aleatórias e Distribuições de Probabilidade
de Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
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 : I, em que I. Esquematicamente: As variáveis aleatórias
Leia maisPROBABILIDADES: VARIÁVEL ALEATÓRIA CONTÍNUA E DISTRIBUIÇÃO NORMAL
PROBABILIDADES: VARIÁVEL ALEATÓRIA CONTÍNUA E DISTRIBUIÇÃO NORMAL Aula 6 META Estudar o comportamento e aplicação das Variáveis Aleatórias Contínuas, bem como da Distribuição Normal. OBJETIVOS Ao final
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 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 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 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 maisAULA 3: DISTRIBUIÇÕES DE PROBABILIDADES. Gleici Castro Perdoná
AULA 3: DISTRIBUIÇÕES DE PROBABILIDADES Gleici Castro Perdoná pgleici@fmrp.usp.br AVALIAÇÃO 1 - (20 min) ENTRAR NO STOA E RESPONDER 5 QUESTÕES Qual objetivo das medidas descritivas? OBTENÇÃO ORGANIZAÇÃO
Leia mais4ª LISTA DE EXERCÍCIOS - LOB1012. Variáveis Aleatórias Contínuas, Aproximações e TLC
4ª LISTA DE EXERCÍCIOS - LOB1012 Variáveis Aleatórias Contínuas, Aproximações e TLC Assunto: Função Densidade de Probabilidade Prof. Mariana Pereira de Melo 1. Suponha que f(x) = x/8 para 3
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 mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
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 maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 2 Leitura obrigatória: Devore, seções 3.4, 3.5 (hipergeométrica), 3.6 Aula 5-1 Objetivos Nesta parte 01 aprendemos a representar,
Leia maisLCE Introdução à Bioestatística Florestal 3. Variáveis aleatórias
LCE0216 - Introdução à Bioestatística Florestal 3. Variáveis aleatórias Profa. Dra. Clarice Garcia Borges Demétrio Monitores: Giovana Fumes e Ricardo Klein Escola Superior de Agricultura Luiz de Queiroz
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 maisPROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 7 11 e 12 abril MOQ-12 Probabilidades e Int. a Processos Estocásticos
PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS Aula 7 11 e 12 abril 2007 1 Distribuições Discretas 1. Distribuição Bernoulli 2. Distribuição Binomial 3. Distribuição Geométrica 4. Distribuição Pascal
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 maisAULA 16 - Distribuição de Poisson e Geométrica
AULA 16 - Distribuição de Poisson e Geométrica Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuição de Poisson Em muitas situações nos deparamos com a situação em que o número de ensaios
Leia maisAULAS 6 e 7. ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017
AULAS 6 e 7 ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017 Em aulas passadas vimos as funções de probabilidade de variáveis discretas e contínuas agora vamos ver
Leia maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #03 de Probabilidade: 19/10/2018 1 Variáveis Aleatórias Considere um experimento cujo espaço amostral é Ω. Ω contém todos os resultados possíveis: e
Leia mais