Processos Estocásticos
|
|
- Manuel Covalski
- 4 Há anos
- Visualizações:
Transcrição
1 Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 1 Introdução aos Processos Estocásticos Exercício 1.1 O número de sinais emitidos por uma fonte no intervalo (0, t], N(t), tem distribuição Poisson (λt). Cada sinal emitido é registado por um receptor com probabilidade p, independentemente dos restantes sinais emitidos. Seja X(t) o número de sinais registados pelo receptor no intervalo (0, t]. (a) Calcule a função de probabilidade de X(t) condicional a N(t) = n. (b) Determine a distribuição de X(t). Exercício 1.2 O ministério da saúde de um pequeno país é responsável pelo registo, numa base de dados, de todos os nascimentos que ocorrem nesse país. Suponha que os intervalos entre duas notificações consecutivas de nascimentos são independentes e distribuem-se exponencialmente com valor esperado de 2 horas. (a) Com o objectivo de gerir o espaço de memória, o responsável pela base de dados pretende saber qual o número esperado de registos anuais. Calcule-o. (b) Determine a probabilidade do funcionário responsável pela introdução dos registos ficar desocupado durante um dia inteiro. (c) Obtenha a probabilidade de serem notificados 100 nascimentos ao fim de 3 dias, sabendo que ao fim dos 2 primeiros desses 3 dias foram notificados 80. Exercício 1.3 Três clientes A, B e C entram simultaneamente numa estação de correios com dois guichets de atendimento. A e B dirigem-se para os guichets, onde são imediatamente atendidos por dois funcionários, ao passo que C só será atendido quando A ou B abandonarem os respectivos guichets. Qual é a probabilidade de A ser o último cliente a abandonar a estação de correios, sabendo que a duração do serviço prestado por qualquer dos funcionários é: 1
2 (a) Exactamente 10 minutos? (b) Uma variável aleatória uniforme discreta em {1, 2, 3}? (c) Uma variável aleatória exponencial com parâmetro µ? Exercício 1.4 É efectuado um número de experiências (idênticas) com distribuição Poisson de valor esperado λ. Admita que o conjunto de resultados possíveis das experiências é {1, 2,..., n}, que as experiências são independentes e que o resultado de cada experiência é igual a i, 1 i n, com probabilidade p i. Para j = 0, 1,..., calcule E(X j ) e Var(X j ), onde X j representa o número de resultados possíveis que ocorreram exactamente j vezes no total de experiências efectuadas. Exercício 1.5 Seja {N(t), t 0} um processo com incrementos independentes e estacionários e tal que N(t) tem distribuição de Poisson (λt), designado por Processo de Poisson de taxa λ. Determine, para s, t 0: (a) Cov[N(t), N(t + s)]. (b) E[N(t)N(t + s)]. (c) Mostre que, para n 1, P (N(s) = k N(s + t) = n) = ( ) ( ) n s k ( ) t n k, k = 0, 1,..., n. k s + t s + t Exercício 1.6 Um Processo de Poisson Bidimensional (homogéneo) com intensidade λ (> 0) é um processo de ocorrências de eventos no plano real tal que: (i) Para qualquer região do plano de área A, o número de eventos nessa região tem distribuição Poisson (λa); e (ii) Os números de eventos em regiões disjuntas do plano são independentes. Suponha que há dois processos de Poisson bidimensionais independentes: 1 e 2, com intensidades λ i (i = 1, 2) e denote-se por X i (i = 1, 2) a distância de um ponto arbitrário do plano ao evento mais próximo do processo i. Mostre que: (a) Para i = 1, 2, X i tem função densidade: f Xi (x) = 2λ i πxe λ iπx 2 I (0, ) (x). (b) E[X i ] = (2 λ i ) 1. (c) P (X 1 < X 2 ) = λ 1 /(λ 1 + λ 2 ). (d) A variável aleatória min(x 1, X 2 ) tem função densidade de probabilidade f(x) = 2(λ 1 + λ 2 )πxe (λ 1+λ 2 )πx 2 I (0, ) (x). Que pode concluir com respeito à adição de processos de Poisson bidimensionais independentes? 2
3 Exercício 1.7 Mostre que se {A n, n 1} for uma sucessão crescente (ou decrescente) de acontecimentos, então ( ) lim P (A n) = P lim A n. n n Nota: lim n A n = k=1 A k se A 1 A 2...; e lim n A n = k=1 A k se A 1 A 2... Exercício 1.8 (Processos de Ramificação). Num processo de ramificação cada indivíduo duma determinada geração tem, independentemente dos outros indivíduos, k filhos, k = 0, 1, 2,... com probabilidade p k. Suponha que na geração 0 (população inicial) há um único indivíduo e defina-se para n = 0, 1, 2, 3,... e P n (s) = E [ s Zn], 0 s 1. Z n = número de indivíduos na n-ésima geração da população; (a) Mostre que para n = 1, 2,... e 0 s 1, P n (s) = P n 1 (P 1 (s)) = P 1 (P n 1 (s)). (b) Seja µ (σ 2 ) o valor médio (variância) do número de filhos por indivíduo da população. Mostre que para n = 1, 2,... E[Z n ] = µ n e Var[Z n ] = (c) Use o resultado provado no Exercício 1.7 para concluir que { σ 2 µ n 1 µn 1 µ 1 µ 1 nσ 2 µ = 1. P ({extinção da população}) = lim n P (Z n = 0) = lim n P n(0). (d) Mostre que se o número médio de filhos por indivíduo for menor que um (µ < 1), então o valor esperado do número total de indivíduos (em todas as gerações) de uma população iniciada por um único indivíduo é (1 µ) 1. Que consequência tem o resultado descrito em relação à probabilidade de extinção de uma população iniciada por um único indivíduo? (e) Considerando µ < 1, calcule o valor esperado do número total de indivíduos (em todas as gerações) de uma população iniciada por um número de indivíduos Z 0 com função massa de probabilidade: P (Z 0 = n) = 1 { n IN } ( 1 2) n. Exercício 1.9 Considere o modelo de urnas de Ehrenfest em que M moléculas são distribuídas por 2 urnas. Em cada instante de tempo uma molécula, escolhida ao acaso, é trocada de urna. Seja X n o número de moléculas na urna 1 após n trocas e seja µ n = E[X n ]. (a) Será que {X n, n 0} é uma cadeia de Markov? (b) Mostre que, para n IN 0, µ n+1 = 1 + M 2 M µ n e µ n = M 2 + ( M 2 M ) n ( E[X 0 ] M ) M 2 n 2. 3
4 p (c) Será que X n M 2? Exercício 1.10 Sejam X 1, X 2,... variáveis aleatórias independentes e identicamente distribuídas tais que, para i = 1, 2,..., P (X i = j) = α j, j 0. Considere que é efectuado um registo no instante n se X n > max i=0,1,...,n 1 X i (assuma-se que X 0 = 0), sendo nesse caso o valor registado igual a X n. Considere ainda que R i representa o i-ésimo valor registado. (a) Justifique que {R i, i 1} é uma cadeia de Markov e determine a respectiva matriz de probabilidades de transição (a um passo). (b) Seja, para i IN, T i o tempo que decorre entre o (i 1)-ésimo e i-ésimo registos, com o 0-ésimo registo a ocorrer no instante zero. Será que {T i, i 1} é uma cadeia de Markov? E {(R i, T i ), i 1}? Em caso afirmativo, calcule as respectivas probabilidades de transição. Exercício 1.11 Considere um processo de renovamento {N(t), t 0} e a correspondente sucessão de renovamento {S n, n 0}, i.e. S n = inf {t 0 : N(t) n}, n = 0, 1,... Diga, justificando, se são verdadeiras ou falsas as seguintes afirmações: (a) N(t) < n S n > t, (b) N(t) n S n t e (c) N(t) > n S n < t. Exercício 1.12 Suponha que a distribuição do tempo entre eventos de um processo de renovamento, {N(t), t 0}, é Poisson (λ). (a) Determine a função de distribuição de S n (o instante de observação do n-ésimo renovamento. (b) Calcule P (N(t) = n), para n IN 0. Exercício 1.13 Repita o Exercício 1.12 na situação em que o tempo entre renovamentos sucessivos pode ser interpretado como o número de provas, independentes e com distribuição Bernoulli (p), realizadas para obter um sucesso. Exercício 1.14 Admita que um mineiro se encontra fechado numa sala com três portas. Se ele optar pela porta 1 encontrar-se-á em liberdade após 2 dias de viagem. Caso escolha a porta 2 (3), ele voltará à mesma sala após 4 (8) dias de viagem. Suponha que, em cada instante, o mineiro escolhe uma das três portas de modo aleatório, e que T representa o tempo que o mineiro leva a sair da mina. (a) Defina uma sequência de variáveis aleatórias independentes e identicamente distribuídas {X n, n 1} e um tempo de paragem, N, tais que T = N i=1 X i. (b) Utilize a equação de Wald para determinar o valor esperado de T. [ N ] (c) Calcule E i=1 X i N = n e verifique que não é igual a E [ n i=1 X i]. Nota: uma variável aleatória T com valores naturais é um tempo de paragem para a sucessão {X k, k 1} de variáveis aleatórias com valores inteiros se o acontecimento {T = n} for independente de {X k, k n + 1}. 4
5 Exercício 1.15 Considere um processo {X(t), t 0} com incrementos independentes e estacionários e tal que X(t) Normal ( 0, t), o qual é chamado Movimento Browniano Padrão. (a) Determine a distribuição de X(s) + X(t), com 0 s t. (b) Determine a distribuição de X(s) condicional a {X(t 1 ) = A, X(t 2 ) = B}, com t 1 < s < t 2. (c) Calcule E[X(t 1 ) X(t 2 ) X(t 3 )], com 0 < t 1 < t 2 < t 3. (d) Calcule a função densidade de probabilidade conjunta de Y (s) e Y (t), s < t, sendo {Y (t) = µt + σx(t), t 0} com µ IR, σ IR + ; {Y (t), t 0} é chamado Movimento Browniano com tendência µ e coeficiente de difusão σ 2. (e) Nas condições da alínea anterior e assumindo µ = 0, calcule o valor esperado e a variância de Y (t) e diga, justificando, se { Y (t), t 0} possui incrementos independentes. Exercício 1.16 Seja {X(t), t 0} um Processo Gaussiano; i.e. um processo cujas distribuições multidimensionais finitas são (sempre) gaussianas. (a) Mostre que {X(t), t 0} é estacionário se e só se {X(t), t 0} for estacionário em covariância. (b) Suponha agora que {X(t), t 0} é um movimento browniano (padrão) e considere o Processo de Ornstein-Uhlenbeck: V (t) = e αt 2 X ( e αt ), t 0. Mostre que {V t), t 0} é um processo gaussiano. Exercício 1.17 Considere um movimento browniano padrão {X(t), t 0} e defina-se ( ) 1 Y (0) = 0 e Y (t) = t X, t > 0. t (a) Determine a distribuição de Y (t), t > 0. (b) A que é igual Cov [Y (s), Y (t)], para 0 < s < t? (c) Prove que {Y (t), t 0} é um movimento browniano padrão. (d) Seja T = inf{t > 0 : X(t) = 0}. Use (c) para argumentar que P (T = 0) = 1. Nota: para um movimento browninano padrão, a probabilidade de retorno à origem após qualquer instante fixo é 1. Exercício 1.18 O Evaristo, como jovem yuppie muito empreendedor, decidiu fazer-se sócio de uma empresa portuense ligada à indústria têxtil a partir do dia 1 de Janeiro de Numa reunião com os restantes sócios da empresa o nosso amigo colheu informações preciosas. Ficou a saber que era muito provável que os seus lucros na empresa (em milhares de contos) se comportassem como um movimento browniano padrão, sendo a unidade de tempo o ano. E para além disso um dos sócios da empresa, Hans Hotter, adiantou que os lucros do Evaristo - ao fim da primeira quinzena de Junho de 1987 e exactamente cinco anos depois desta data - ainda eram correlacionados entre si. 5
6 (a) O Evaristo ficou muito surpreendido com a observação do Sr. Hotter. Demonstre que não há razões para qualquer surpresa. Devido a um incêndio no gabinete do contabilista do Evaristo, foram perdidos os registos dos lucros respeitantes aos anos No entanto aquele adiantou que sabia de cor os lucros no final de 1987 e de 1990: foram de 12 e 9 milhares de contos, respectivamente. Face a esta informação: (b) Esboce a dedução da função densidade de probabilidade do lucro às 24 horas de 31/12/1988. (c) Determine a probabilidade do lucro às 24 horas de 31/12/1988 ter excedido contos. Sugestão: Se {X(t), t 0} é um movimento browniano padrão, então, para 0 < t 1 < s < t 2 e A, B IR: E(X(s) X(t 1 ) = A, X(t 2 ) = B) = A + (B A) s t 1 t 2 t 1 e Var(X(s) X(t 1 ) = A, X(t 2 ) = B) = (s t 1) (t 2 s). t 2 t 1 Exercício 1.19 Na gestão de stocks de um determinada produto, uma loja segue a política de inventário (s, S); se o inventário no final de um dia for x, são encomendadas k x unidades, sendo 0 x s k x =, S x x < s sendo o pedido satisfeito antes do início do dia seguinte. As procuras diárias são independentes e iguais a j, j IN 0, com probabilidade p j ; toda a procura que não puder ser satisfeita imediatamente é perdida. Seja X n o nível de inventário no final do n-ésimo dia e assuma que X 0 {0, 1,..., S}. Argumente que {X n, n 0} é uma cadeia de Markov e calcule as respectivas probabilidades de transição (a um passo). Exercício 1.20 Mostre que todo o processo {X(t), t > 0} com incrementos independentes é um processo de Markov. Exercício 1.21 Uma urna contém bolas azuis e/ou bolas brancas, num total de K bolas. Em cada instante, uma bola escolhida ao acaso é retirada da urna. Se a bola retirada for azul, é colocada novamente na urna; se for branca, é substituída por uma bola azul retirada de um saco com bolas azuis. Seja X n o número de bola azuis na urna depois de a operação anterior ter sido efectuada n vezes, n 0, e µ n = E[X n ]. Para 0 i, j K, defina-se: T ij = inf{n 0 : X n = j X 0 = i}. (a) Derive a recursão: e conclua que: µ n+1 = (1 1/K) µ n + 1, n 0, µ n = K (1 1/K) n [K µ 0 ]. (b) Justifique que, para 0 i < K, (c) Calcule, para 0 i < K, E[T i,k ]. E[T i,i+1 ] = (1 i/k) 1. (d) Será que existe uma distribuição limite para X n? Em caso afirmativo, determine-a. 6
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2008/09 LMAC
Licenciatura em Matemática Aplicada e Computação INTRODUÇÃO AOS PROCESSOS ESTOCÁSTICOS 2008/09 LMAC Colectânea e Enunciados de Exames de 2007/2008 1 Capítulo 0 Revisões Exercício 0.1 Sejam X e Y variáveis
Leia mais(a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p), então (X + Y ) Binomial(n + m, p).
Capítulo 0 Revisões Exercício 0.1 Sejam X e Y variáveis aleatórias independentes. Mostre que: (a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p),
Leia maisCapítulo 3 Processos de Poisson
Capítulo 3 Processos de Poisson Exercício 31 Este exercício decorre de desenvolvimentos efectuados nas aulas teóricas e do Exercício (6) Exercício 32 Procedendo como no Exercício 4, conclui-se que a distribuição
Leia maisColectânea de Exercícios
LMAC INTRODUÇÃO AOS PROCESSOS ESTOCÁSTICOS 2006/07 Colectânea de Exercícios Mestrado em Matemática e Aplicações Licenciatura em Matemática Aplicada e Computação 1 2 Capítulo 0 Revisões Exercício 01 Sejam
Leia maisCapítulo 2 Processos de Poisson
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 2 Processos de Poisson Exercício 2.1 Seja {X k, k 1} uma sucessão de variáveis aleatórias
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia maisProbabilidades e Estatística
Departamento de Matemática - IST(TP) Secção de Estatística e Aplicações Probabilidades e Estatística 1 o Teste B 2 o semestre 2007/08 Duração: 90 minutos 19/04/2008 11:30 horas O teste consiste em dois
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia maisPROCESSO DE POISSON. Processo Estocástico Prof, Ms. Eliana Carvalho
Processo Estocástico Prof, Ms. Eliana Carvalho Este processo estocástico deve o seu nome ao matemático francês Simion-Denis Poisson (1781-1840). Espaço de estados discreto (cadeia) Variável tempo é contínua
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
Leia maisDistribuições conjuntas de probabilidade e complementos
Probabilidades e Estatística + Probabilidades e Estatística I Colectânea de Exercícios 2002/03 LEFT + LMAC Capítulo 5 Distribuições conjuntas de probabilidade e complementos Exercício 51 Uma loja de electrodomésticos
Leia maisFORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG exp(x) = j=0. j+1 xj ( 1) j=1. ( 1) j x j for 1 < x < 1
FORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG 008 Desenvolvimentos em série log( + x) = ( + x) = exp(x) = X ( ) = Cadeias de Markov + x X x! for < x X ( ) x for < x < Equações de Chapman-Kolmogorov
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 maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisx, x < 1 f(x) = 0, x 1 (a) Diga o que entende por amostra aleatória. Determine a função densidade de probabilidade
Probabilidades e Estatística 2004/05 Colectânea de Exercícios LEIC, LERCI, LEE Capítulo 6 Estimação Pontual Exercício 6.1. Considere a população X com função densidade de probabilidade { x, x < 1 f(x)
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 maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
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 maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
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 maisProcessos de Poisson
Processos de Poisson Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulo 5 Taylor & Karlin 1 / 37 Distribuição de Poisson Seja a variável
Leia maisColectânea de Exercícios. Capítulo 4 Cadeias de Markov em Tempo Discreto
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 4 Cadeias de Markov em Tempo Discreto Exercício 41 Considere a cadeia de Markov {X n, n
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 maisDistribuições Importantes. Distribuições Discretas
Distribuições Importantes Distribuições Discretas Distribuição de Bernoulli Definição Prova ou experiência de Bernoulli é uma experiência aleatória que apenas tem dois resultados possíveis: A que se designa
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
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 maisLista de Exercícios 3 Probabilidades Escola Politécnica, Ciclo Básico
Lista de Exercícios 3 Probabilidades 0303200 Escola Politécnica, Ciclo Básico 1 o semestre 2017 1) Um equipamento tem tempo de vida T com distribuição normal, valor esperado de 40 horas e desvio padrão
Leia maisNome: N o : Espaço reservado a classificações
ESTATÍSTICA I 2 o Ano/Gestão 1 o Semestre Época Normal Duração: 2 horas 1 a Parte Teórica N o de Exame: abcde 03.Jan.11 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação: 8 valores).
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisLista de Exercícios 3 Probabilidades Escola Politécnica, Ciclo Básico
RESOLUÇÃO NA PÁGINA 06 Lista de Exercícios 3 Probabilidades 0303200 Escola Politécnica, Ciclo Básico 1 o semestre 2017 1) Um equipamento tem tempo de vida T com distribuição normal, valor esperado de 40
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisAula 5. Processo de Poisson. Exemplos.
Aula 5. Processo de Poisson. Exemplos. Exemplo 1. Processo de Poisson com diferentes tipos de eventos. Consideramos um processo de Poisson com intensidade λ. Suponha que em cada instante de ocorrência
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 maisVariáveis aleatórias discretas
Probabilidades e Estatística + Probabilidades e Estatística I Colectânea de Exercícios 2002/03 LEFT + LMAC Capítulo 3 Variáveis aleatórias discretas Exercício 3.1 Uma caixa contém 6 iogurtes dos quais
Leia maisModelagem de um sistema por cadeias de Markov
Modelagem de um sistema por cadeias de Markov Sistemas sem memória : somente o estado imediatamente anterior influencia o estado futuro. rocesso estacionário: probabilidades de transição de um estado para
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 maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos
Leia maisModelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014
Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos
Leia mais1/7 1/ se hoje não chove, amanhã não vai chover com probabilidade p 00 = 6/7;
6/7 nao chove 1/7 chove 1/3 "0" /3 "1" Figura 1: Todas as transições com suas respectivas probabilidades representadas através de um grafo. Notem que para cada estado, a soma das probabilidades das flechas
Leia maisExercícios propostos:
INF 16 Exercícios propostos: 1. Sabendo-se que Y=X-5 e que E(X)= e V(X)=1, calcule: a)e(y); b)v(y); c)e(x+y); d)e(x + Y ); e)v(x+y); Resp.: 1; 9; 5; 15; 81. Uma urna contém 5 bolas brancas e 7 bolas pretas.
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Cadeias de Markov 20/11/2017 Andrei Markov Em 1907, Andrei Markov iniciou um estudo sobre processos onde o resultado de um experimento depende do resultado de
Leia maisCapítulo 3 Processos de Renovamento
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 22/3 Colectânea de Exercícios Capítulo 3 Processos de Renovamento Exercício 3.1 Seja {X i, i IN} uma sucessão de variáveis aleatórias
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 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 maisEscola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 3
Escola Superior de Tecnologia de Viu Fundamentos de Estatística 006/007 Ficha nº 3. Os valores admissíveis de uma variável aleatória discreta X são: 0,,. Sabe- que E(X)=0.8 e que E(X )=.4. a) Defina a
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LEGM, LEIC-A, LEIC-T, LEMat, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ o semestre 011/01 Exame de Época
Leia maisESCOLA SUPERIOR DE TECNOLOGIA
Departamento Matemática Disciplina Estatística Aplicada Curso Engenharia Mec. Gest. Industrial 4º Semestre 2º Folha Nº2: Probabilidades 1. Na inspecção final a uma componente electrónica esta é classificada
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Processo de Poisson. Processo de Poisson Homogêneo Considere N(t) o número de ocorrências de um determinado
Leia maisS I M U L A Ç Ã O 84
S I M U L A Ç Ã O 84 - 1 - Elabore uma rotina que lhe permita gerar números pseudo-aleatórios (NPA) com distribuição X ( f X ( x ) representa a função de densidade de probabilidade de X e F X ( x ) representa
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 maisModelização do Sistema Produtivo Teoria das Filas de Espera
Modelização do Sistema Produtivo Teoria das Filas de Espera http://www.fe.up.pt/maspwww Licenciatura em Engenharia Electrotécnica e de Computadores Gil M. Gonçalves Gil.Goncalves@fe.up.pt 2004/2005 Outline
Leia maisSISTEMAS DE MANUTENÇÃO E CONFIABILIDADE TP077
SISTEMAS DE MANUTENÇÃO E CONFIABILIDADE TP077 6 DISPONIBILIDADE DE EQUIPAMENTOS 6.1 INTRODUÇÃO Diversas teorias em confiabilidade pressupõem o descarte dos componentes de interesse após a primeira falha.
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 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 maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisCadeias de Markov de Tempo Contínuo (CTMC)
Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições
Leia maisESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Científica Matemática Probabilidades e Estatística Curso Engenharia do Ambiente º Semestre º Ficha n.º: Probabilidades e Variáveis Aleatórias. Lançam-se ao acaso moedas. a) Escreva o espaço de resultados
Leia maisESCOLA SUPERIOR DE TECNOLOGIA
Departamento Matemática Probabilidades e Estatística Curso Engenharia do Ambiente 2º Semestre 1º Ficha n.º1: Probabilidades e Variáveis Aleatórias 1. Lançam- ao acaso 2 moedas. a) Escreva o espaço de resultados
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia maisUNIVERSIDADE DOS AÇORES Curso Serviço Social Estatística I 1º Ano 1º Semestre 2005/2006
UNIVERSIDADE DOS AÇORES Curso Serviço Social Estatística I 1º Ano 1º Semestre 2005/2006 Ficha de trabalho nº 1 Estatística Descritiva 1. Num conjunto de jovens estudantes pretende-se estudar; 1.1 A profissão
Leia maisSistemas Reparáveis - Processo de Contagem
Sistemas Reparáveis - Processo de Contagem Enrico A. Colosimo Colaboração: Rodrigo C. P. dos Reis e Maria Luiza Toledo Programa de Pós-Graduação em Estatística - UFMG Teoria básica de Processos de Contagem
Leia maisVariável Aleatória Poisson. Número de erros de impressão em uma
EST029 Cálculo de Probabilidade I Cap. 7. Principais Variáveis Aleatórias Discretas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Variável Aleatória Poisson Caraterização: Usa-se quando o experimento
Leia maisExercícios de MATEMÁTICA COMPUTACIONAL. 1 0 Semestre de 2009/2010 Resolução Numérica de Equações Não-Lineares
Exercícios de MATEMÁTICA COMPUTACIONAL Mestrado Integrado em Engenharia Biomédica 1 0 Semestre de 2009/2010 Resolução Numérica de Equações Não-Lineares 1. Considere a equação sin(x) e x = 0. a) Prove que
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 2 o semestre 206/207 05/07/207 :30 o Teste C 0 valores. Uma peça de certo tipo é
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
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 maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LEGM, LEIC-A, LEIC-T, LEMat, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ 2 o semestre 2/22 o TESTE (Época
Leia maisPARA A RESOLUÇÃO DO p-fólio, TENHA EM ATENÇÃO O SEGUINTE:
Nome:... B.I. :... Nº de Estudante:... Curso:... Turma:... Unidade Curricular: Elementos de Probabilidade e Estatística... Código:..1037... Data:..9 de Julho de 009. Assinatura do Vigilante:... PARA A
Leia maisModelagem e Análise Aula 9
Modelagem e Análise Aula 9 Aula passada Equações de fluxo Tempo contínuo Aula de hoje Parâmetros de uma fila Medidas de desempenho Cálculo do tempo de espera Resultado de Little Parâmetros da Fila chegada
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia mais1 Números Reais. 1. Simplifique as seguintes expressões (definidas nos respectivos domínios): b) x+1. d) x 2, f) 4 x 4 2 x, g) 2 x2 (2 x ) 2, h)
Números Reais. Simplifique as seguintes expressões (definidas nos respectivos domínios): x a), x b) x+ +, x c) +x + x +x, d) x, e) ( x ), f) 4 x 4 x, g) x ( x ), h) 3 x 6 x, i) x x +, j) x x+ x, k) log
Leia maisProbabilidade II Lista 1 - Vetores Aleatórios
Probabilidade II Lista - Vetores Aleatórios Exercício. Duas moedas equilibradas são lançadas de forma independente. Dena as v.a's X : número de caras nos dois lançamentos e Y : função indicadora de faces
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 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 maisMOQ-12 Cadeias de Markov
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-12 Cadeias de Markov Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Roteiro Introdução Processos Estocásticos
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 maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 9 minutos Grupo I Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec Justifique convenientemente todas as respostas o semestre 7/8 5/5/8 9: o Teste A valores. Uma loja comercializa telemóveis
Leia maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias nuas
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 04: Variáveis Aleatórias Contínuas nuas Função densidade de probabilidade contínua nua f(x) a b f(x) 0 para
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT) Distribuições de
Leia maisLista de exercícios sobre Distribuições Binomial, Poisson e Normal UFPR /2. Monitor Adi Maciel de A. Jr Prof. Jomar.
Lista de exercícios sobre Distribuições Binomial, Poisson e Normal UFPR - 2014/2 Monitor Adi Maciel de A. Jr Prof. Jomar. ----------------//----------------//---------------- Distribuição Binomial N =
Leia mais4. ([Magalhães, 2011] - Seção 2.4) Seja X U( α, α), determine o valor do parâmetro α de modo que:
GET189 Probabilidade I Lista de exercícios - Capítulo 6 1. ([Ross, 21] - Capítulo 5) Em uma estação, trens partem para a cidade A de 15 em 15 minutos, começando às 7:h; e trens partem para a cidade B de
Leia maisCálculo das Probabilidades I - Sexta Lista - Rio, 13/09/2014
Cálculo das Probabilidades I - Sexta Lista - Rio, 13/09/2014 1. O diâmetro X de{ um cabo elétrico é uma variável aleatória com densidade de probabilidade K(2x x dada por 2 ), 0 x 1 0, x < 0 ou x > 1. (a)
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias. TE802 Somas de Variáveis Aleatórias
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 27 de setembro de 2017 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] +
Leia mais3 a Lista de PE. Universidade de Brasília Departamento de Estatística
Universidade de Brasília Departamento de Estatística 3 a Lista de PE 1. Duas bolas são escolhidas aleatoriamente de uma urna contendo 8 bolas brancas, 4 pretas, e duas bolas laranjas. Suponha que um jogador
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, LEMat, MEBiom, MEFT, MEQ 2 o semestre 2011/2012 1 o Teste A 21/04/2012 9:00 Duração: 1 hora e 30 minutos Justifique convenientemente
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
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 maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
Leia maisPRO 2271 ESTATÍSTICA I. 3. Distribuições de Probabilidades
PRO71 ESTATÍSTICA 3.1 PRO 71 ESTATÍSTICA I 3. Distribuições de Probabilidades Variáveis Aleatórias Variáveis Aleatórias são valores numéricos que são atribuídos aos resultados de um eperimento aleatório.
Leia maisConceitos Básicos, Básicos,Básicos de Probabilidade
Conceitos Básicos, Básicos,Básicos de Probabilidade Espaço Amostral Base da Teoria de Probabilidades Experimentos são realizados resultados NÃO conhecidos previamente Experimento aleatório Exemplos: Determinar
Leia mais