Aula 1 - Revisão de Probabilidade e Estatística
|
|
- Melissa Eger Deluca
- 4 Há anos
- Visualizações:
Transcrição
1 Aula 1 - Revisão de Probabilidade e Estatística Matheus Rosso e Camila Steffens 1 de Março de 2018 Conteúdos 1. Introdução à probabilidade 2. Probabilidade condicional e independência 3. Variáveis aleatórias unidimensionais 4. Caracterização de variáveis aleatórias 5. Variável aleatória discreta importante 6. Variáveis aleatórias contínuas importantes 7. Teoria assintótica 8. Amostragem 9. Estimação de parâmetros 10. Inferência 1
2 1 Introdução à probabilidade Modelagem matemática: abordagem determinística: y = α + βx (1) Abordagem não-determinística: y = α + βx + ɛ (2) Onde ɛ é uma variável aleatória que segue uma dada distribuição de probabilidade. O termo aleatório ɛ implica que sua realização é aparentemente acidental, não determinada precisamente por uma fórmula matemática. No entanto, ɛ pode ser determinado em um experimento aleatório. Isso significa que se conhece o conjunto de todos os possíveis resultados desse experimento. Além disso, a repetição indefinida do experimento resulta na detecção de algum padrão. Definição 1.1 Um experimento aleatório E é um procedimento que pode ser repetido infinitamente e que tem um conjunto bem definido de resultados. Exemplos de experimentos aleatórios: 1. E1: lançamento de um dado e observação do número mostrado na face de cima. 2. E2: lançamento de uma moeda e distinção da face voltada para cima entre cara ou coroa. 3. Peças produzidas em uma linha de produção em um dado dia, a partir das quais são contadas as peças defeituosas. Definição 1.2 Para um dado experimento aleatório E, o espaço amostral S é o conjunto de todos os seus resultados possíveis. Exemplos de espaços amostrais: 1. S1: {1, 2, 3, 4, 5, 6}. 2. S2: {Cara, Coroa}. 3. {0, 1, 2,..., N}, onde N é o máximo de peças que podem ser produzidas em um dia. 2
3 Definição 1.3 Um evento é um subconjunto qualquer do espaço amostral. Exemplos de eventos: 1. A1: {1, 3, 5}. 2. A2:. 3. A3: {n N 0 < n N/3}. Uma noção primitiva de probabilidade parte da repetição do experimento E e da contagem de ocorrências de um dado evento A. Definição 1.4 Repetindo-se o experimento E n vezes, e sendo n A o número de vezes que evento A ocorreu, f A = n a /n é a frequência relativa de tal evento. A noção mais formal de probabilidade considera um n adequado, sendo que a adequação se refere a uma fidedigna representação do grau de possibilidade de ocorrência de um evento. Definição 1.5 Dado um experimento E e um espaço amostral associado S, para cada evento A associa-se um número real P (A), a probabilidade de A, que tem as seguintes propriedades: 1. 0 P (A) 1; 2. P (S) = 1; 3. Para eventos A e B mutuamente exclusivos, P (A B) = P (A) + P (B). P (A) e f A são próximos na medida em que f A for baseado em um número suficientemente grande de repetições. Propriedades da probabilidade: 1. P ( ) = Sendo A o evento complementar de A, P (A) = 1 P (A). 3. P (A B) = P (A) + P (B) P (A B). 4. P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C). 5. Se A B, então P (A) P (B). 3
4 2 Probabilidade condicional e independência Definição 2.1 A probabilidade de B condicionada à ocorrência de A é: P (B A) = P (A B) P (A) (3) com P (A) > 0. Dada uma partição do espaço amostral em eventos mutuamente excludentes B i, onde i {1,..., K}, define-se: P (A) = P (A B 1 ) P (A B K ) Logo: P (A) = P (A B 1 ).P (B 1 ) P (A B K ).P (B K ) O teorema de Bayes parte disto para definir: Onde i {1,..., K}. P (B i A) = P (A B i).p (B i ) i P (A B i).p (B i ) (4) Definição 2.2 A e B são eventos independentes se, e somente se: P (A B) = P (A).P (B) (5) Para a Econometria: a definição em (5) implica em P (A B) = P (A) e em P (B A) = P (B). Esta noção de independência de eventos está na raiz da independência entre variáveis aleatórias, importante para as hipóteses iniciais do modelo de regressão linear clássico (MRLC). 3 Variáveis aleatórias unidimensionais A noção de variável aleatória é a mais importante da teoria da probabilidade, no que toca à Econometria. Os processos em Economia são fundamentalmente aleatórios, o que é captado pelo icônico termo de erro ɛ. Sendo ɛ uma V.A., e na medida em que funções de V.A. são também V.A., os parâmetros que serão estimados ao longo do curso são V.A., o que condiciona o seu tratamento matemático e possibilita um amplo conjunto interpretativo. 4
5 Definição 3.1 Dado um experimento aleatório E e um espaço amostral associado S, uma função X que associa a cada elemento s S um número real, X(s), é denominado uma variável aleatória. Isto é, uma variável aleatória assume valores numéricos e tem seu resultado determinado por um experimento. Obs.1: a função X deve ser unívoca, isto é, a cada s S corresponde um único valor X(s). Obs.2: variáveis aleatórias são representadas pro letra maiúscula (X) e um resultado particular é representado por letra minúscula (x). Exemplos: 1. X 2 : número de caras em n repetições de E2: X 2 (Cara, Cara) = 2, X 2 (Cara, Coroa) = 1, etc. 2. Se n = 10, por exemplo, uma variável aleatória seria o número de vezes que Cara aparece nessas 10 repetições. Antes de jogarmos a moeda, não sabemos quantas vezes Cara ocorrerá. 3. Mercado acionário: (a) Experimento: funcionamento de um mercado acionário em um dado dia e observação do preço de fechamento de um ativo. (b) Espaço amostral: preço de fechamento, p R +. (c) Variável aleatória: cada elemento do espaço amostral consiste em um possível valor a ser assumido pela V.A. preço de fechamento, logo, o espaço amostral é o contradomínio da V.A. (d) Função de variável aleatória: a variação do preço do ativo, (p t p t 1 )/p t 1, também é uma V.A., na medida em que, com p t 1 dado, p t é uma V.A. 3.1 Variável aleatória discreta: Definição 3.2 Uma variável aleatória discreta é aquela que assume um conjunto finito, ou infinito numerável 1, de possíveis valores. Neste caso, a distribuição de probabilidade é descrita pela função de probabilidade. 1 Valores possuem correspondência um-a-um com o conjunto de inteiros positivos 5
6 Definição 3.3 Dado X uma V.A. discreta, para cada possível valor x i em X, p(x i ) = P (X = x i ) é a probabilidade de que X assuma o valor específico x i, sendo tal que: 1. p(x 1 ) 0; 2. i p(x i ) = 1. Definição 3.4 A função p é a função de probabilidade de X. Ela resume a relação entre possíveis valores de X e as probabilidades correspondentes. f(x) = p Para qualquer número real x, f(x) é a probabilidade de que a variável aleatória X assuma o valor x. 3.2 Variável aleatória contínua: Definição 3.5 Uma variável aleatória contínua possui como contradomínio um conjunto infinito, por exemplo, um intervalo de valores. Por isso, diz-se que qualquer valor real ocorre com probabilidade 0 (zero). Neste caso, a função de probabilidade deve ser definida em um intervalo, e não para um valor específico X = x i. A distribuição de probabilidade é descrita por duas funções principais: a densidade de probabilidade e a distribuição acumulada. Definição 3.6 X é uma variável aleatória contínua se existir uma função f, denominada função densidade de probabilidade 2, tal que: 1. f(x) 0; 2. + f(x)dx = 1; 3. Define-se: P (a X b) = b a f(x)dx (6) Ou seja, a probabilidade de X assumir um valor entre a e b é a área abaixo da função densidade de probabilidade entre os pontos a e b, conforme representado na figura abaixo. 2 pdf em inglês 6
7 A função de distribuição acumulada 3, F, parte da função de densidade: F (x) P (X x) = x f(s)ds (7) 4 Caracterização de variáveis aleatórias À semelhança da definição (5), duas V.A. (X,Y) são independentes se, e somente se: P (X = x i, Y = y j ) = p(x i, y j ) = p(x i ).q(y j ) (8) f(x, y) = g(x).h(y) (9) Onde p(x i, y j ) em (8) é a distribuição conjunta de X e Y, caso sejam discretas, e f(x, y) em (9) é a distribuição conjunta de X e Y, caso sejam contínuas. As funções g(x) e h(y) são ditas funções de densidade de probabilidade marginal de X e de Y, respectivamente. Teorema 4.1 X e Y são variáveis aleatórias independentes se, e somente se: p(x i y j ) = p(x i ) (10) g(x y) = g(x) (11) em que g(x y) é função densidade de probabilidade condicional de X dado Y. 3 cdf em inglês 7
8 Se duas variáveis aleatórias (X,Y) são independentes, então o fato de conhecermos o resultado de X não muda as probabilidades dos possíveis resultados de Y. Além disso, funções de V.A independentes são também independentes. 4.1 Medidas relacionadas às V.A A V.A. é o objeto de interesse de quem investiga um experimento aleatório. A descrição probabilística desta variável envolve seu conjunto de valores possíveis e a sua distribuição de probabilidade. Algumas medidas, por sua vez, resumem as principais propriedades de uma distribuição. Valor esperado: média ponderada de todos os valores possíveis de X, em que os pesos são definidos a partir da função de densidade de probabilidade. Caso X seja discreta: E(X) = i x i p(x i ) (12) Caso seja contínua: E(X) = + xf(x)dx (13) Lembre que qualquer função de uma V.A será também uma V.A. Seja g(x) uma função de X. Então o valor esperado de E[g(x] é definido, no caso contínuo, como 4 : E[g(X)] = + g(x)f(x)dx (14) Valor esperado condicional: parte da distribuição condicional, definida de modo análogo à probabilidade condicional: E(X y j ) = i x i p(x i y j ) (15) Caso X e Y sejam discretas; caso sejam contínuas: E(X y) = Propriedades do valor esperado: + xg(x y)dx (16) 1. E(k) = k, com k R. 2. E(k.X) = k.e(x), com k R. 4 Note que, de forma geral, g[e(x)] E[g(X)]. 8
9 3. E(X + Y ) = E(X) + E(Y ). Resultado importante: E( i X i) = i E(X i). E(kX + b) = k.e(x) + b, com k, b R. 4. Se X e Y são independentes, E(XY ) = E(X).E(Y ). 5. Com X e Y independentes, E(X Y ) = E(X) e E(Y X) = E(Y ). 6. E[c(X) X] = c(x), para qualquer função de X, representada por c(x). 7. E[a(X)Y + b(x) X] = a(x).e[y X] + b(x). 8. Lei das expectativas iteradas: E X [E(Y X)] = E(Y ). Obs.: E X [E(Y X)] = E(Y X)f(x)dx, uma vez que E(Y X) é uma função da V.A. X, trata-se também de uma V.A. Obs.: analogamente, E X [E(Y X, Z) X] = E(Y X). Para a Econometria: a lei das expectativas iteradas é fundamental na configuração do MRLC. Variância: consiste em uma medida da distância da variável aleatória X de seu valor esperado. Como é função de uma V.A, a variância também se trata de uma V.A. V ar(x) = E[(X E(X)) 2 ] = E(X 2 ) [E(X)] 2 (17) Variância condicional: V ar(x y) = E[(X E(X y)) 2 y] = E(X 2 y) [E(X y)] 2 (18) Propriedades da variância: 1. V ar(x + k) = V ar(x), com k R. 2. V ar(k.x) = k 2 V ar(x), com k R. V ar(kx + b) = k 2.V ar(x), com k, b R. 3. V ar(x) = E[(X k) 2 ] [E(X) k] Se X e Y são independentes, então V ar(x + Y ) = V ar(x) + V ar(y ). Resultado importante: V ar( i X i) = i V ar(x i). 5. Se X e Y são independentes, então V ar(x Y ) = V ar(x). 9
10 Para a Econometria: a propriedade da variância 4 é importante não somente para a Econometria de cross-section, como também para a Econometria de séries de tempo. Desvio Padrão: é simplesmente a raiz quadrada da variância, o que resulta em uma medida de variação comparável à V.A. em magnitude. Propriedades do desvio padrão: 1. Sd(X + k) = Sd(X), com k R. 2. Sd(k.X) = k Sd(X), com k R. Covariância: consiste em uma medida de relação linear entre duas V.A. Cov(X, Y ) = E[(X E(X))(Y E(Y ))] = E(XY ) E(X).E(Y ) (19) Correlação linear: medida de relação linear entre duas V.A que independe das unidades de medida dessas V.A. Corr(X, Y ) = Cov(X, Y ) V ar(x).v ar(y ) (20) Propriedades da covariância e da correlação: 1. Se X e Y são independentes 5, então Cov(X, Y ) = Corr(X, Y ) = Se E(Y X) = E(Y ), então Cov(X, Y ) = Cov(a 1 X + b 1, a 2 Y + b 2 ) = a 1 a 2.Cov(X, Y ), com a 1, a 2, b 1, b 2 R Corr(X, Y ) Corr(a 1 X + b 1, a 2 Y + b 2 ) = Corr(X, Y ), se a 1.a 2 > Corr(a 1 X + b 1, a 2 Y + b 2 ) = Corr(X, Y ), se a 1.a 2 < Se E(Y X) = AX + B, então: V ar(y ) E(Y X) = E(Y ) + Corr(X, Y ) (X E(X)) (21) V ar(x) Para a Econometria: a propriedade 5 consiste no substrato estatístico do modelo de regressão linear clássico (MRLC). 5 Lembre que, nesse caso, E(XY ) = E(X).E(Y ). No entanto, Cov(X, Y ) = Corr(X, Y ) = 0 não implica independência (pense no exemplo X = Y 2 ). 10
11 5 Variável aleatória discreta importante Uma variável aleatória que pode assumir apenas valores 0 (zero) e 1 (um) é chamada variável aleatória Bernoulli (ou binária). Geralmente, representamos X = 1 se sucesso e X = 0, caso contrário. Para descrever o comportamento de uma V.A binária, só precisamos definir a P(X = 1). Função densidade de probabilidade: θ, se X = 1 P(X) = 1 θ, se X = 0 Aplicação: regressão logística, em Econometria II. 6 Variáveis aleatórias contínuas importantes Distribuições importantes: normal, t-student, qui-quadrado, uniforme. Aspectos a se atentar de uma distribuição: gráfico padrão, função densidade de probabilidade, aplicações. 11
12 6.1 Distribuição normal: Função densidade de probabilidade: f(x) = 1 2πσ exp[( 1/2)( x µ σ )2 ] (22) Onde µ é a média populacional [E(X)] e σ 2 é a variância populacional. Então X Normal(µ, σ 2 ) Aplicações: supondo uma distribuição normal para o termo de erro, os coeficientes do MRLC também seguem uma distribuição normal. Assim, é possível estabelecer uma análise de inferência para tais parâmetros. Obs.: para uma amostra suficientemente grande, o teorema central do limite (a ser visto adiante) garante a utilização da distribuição normal. Obs.: supõe-se conhecimento da variância populacional para a utilização da distribuição normal. Distribuição Normal Padrão: uma variável aleatória Z tem distribuição normal padrão se a média for 0 e a variância 1. Então, Z Normal(0,1). Propriedades da Distribuição Normal: 1. Se X Normal(µ, σ 2 ), então X µ σ Normal(0,1). 12
13 2. Se X Normal(µ, σ 2 ), então ax + b Normal(aµ + b, a 2 σ 2 ). 3. Se X e Y possuem distribuição conjunta normal, então elas são independentes se, e somente se, Cov(X, Y ) = 0. No caso da distribuição normal, a volta também vale. 4. Qualquer combinação linear de variáveis aleatórias independentes e identicamente distribuídas normalmente possui distribuição normal. 6.2 Distribuição t-student: caso não se conheça a variância populacional da V.A. de distribuição normal, utiliza-se a distribuição t. Obs.: para um tamanho de amostra suficientemente grande, a distribuição t converge para a normal, logo, pode-se utilizar a distribuição normal. 6.3 Distribuição qui-quadrado: Função densidade de probabilidade: f(x) = Onde n é o número de graus de liberdade e Γ(.) é a função gama. 1 2 n/2.γ(n/2) xn/2 1 exp( x/2) (23) Aplicação: diversos testes na Econometria utilizam esta distribuição. consiste no teste da variância. O mais imediato deles 13
14 6.4 Distribuição uniforme: Função densidade de probabilidade: Aplicações: muito útil em simulações. f(x) = 1 b a (24) 14
15 7 Teoria assintótica O crescimento do tamanho da amostra complexifica a teoria de probabilidade, porém, felizmente, simplifica a prática em Econometria. Desigualdade de Tchebycheff: seja uma V.A. X, a desigualdade é dada por: Onde ɛ > 0. P ( X c ɛ) E[(X c)2 ] ɛ 2 (25) Alternativamente: P ( X c < ɛ) 1 E[(X c)2 ] ɛ 2 (26) Lei dos grandes números: indica a convergência da frequência relativa para a probabilidade. Em uma configuração de distribuição binomial, onde p = P (A): Com n, encontra-se que f A p p. P ( f A p < ɛ) 1 p(1 p) n.ɛ 2 (27) Convergência em probabilidade da média amostral: dada a V.A. em que consiste a média amostral: Com n, encontra-se que X p µ. P ( X µ < ɛ) 1 σ2 n.ɛ 2 (28) Sequência de V.A. i.i.d.: uma sequência de V.A. {X 1,..., X n } é dita independente e identicamente distribuída se for independente e seguir uma mesma distribuição (mesma forma e mesmos parâmetros). Para a Econometria: amostragem aleatória, ou tratar-se de uma sequência de variáveis i.i.d., consiste em uma hipótese fundamental para o MRLC. A partir disto, diversos procedimentos têm sua validade garantida. Teorema central do limite: dada uma sequência de variáveis aleatórias independentes, {X 1,..., X n }, definem-se: X = i X i e µ = i E(X i ). Assim, o TCL implica: X µ i V ar(x N(0, 1) (29) i) 15
16 Caso a sequência {X 1,..., X n } seja i.i.d., com E(X i ) = µ e V ar(x i ) = σ 2 para i {1,..., n}, então: n(x µ) d N(0, σ 2 ) (30) Conforme n. 8 Amostragem Estatisticamente, é equivalente a noção de uma amostra aleatória e a de uma sequência de V.A. i.i.d. Em termos práticos, uma amostra aleatória consiste na realização empírica repetida n vezes de uma V.A. Em virtude da equivalência apontada acima, as observações de uma amostra aleatória são independentes e têm uma mesma distribuição. Logo, a ocorrência de X i = x i não afeta a realização de X j = x j. Além disso, E(X i ) = E(X j ) = µ e V ar(x i ) = V ar(x j ) = σ 2. Define-se uma estatística uma função Y = H(X 1,..., X n ) de uma amostra aleatória. Principais estatísticas: i 1. Média amostral: X = X i n. i 2. Variância amostral: s 2 = (X i X) 2. (n 1) 3. Covariância amostral: cov(x, Y ) = ( i X i X)( i Y i Y ). (n 1) 4. Correlação amostral: corr(x, Y ) = cov(x, Y ). s 2 X.s2 Y 5. Mínimo da amostra: m = min{x 1,..., X n }. 6. Máximo da amostra: M = max{x 1,..., X n }. 7. Amplitude da amostra: M m. 8. Número de observações: n. Para a Econometria: as estatísticas acima compõem o instrumental básico das estatísticas descritivas que devem compor um trabalho empírico. Programas como o Stata dispõem de uma ampla variedade de aplicações que partem destes conceitos básicos. 16
17 9 Estimação de parâmetros Métodos de estimação (estimadores pontuais): dado o modelo linear y = α + βx + ɛ: 1. Método dos momentos: E(x.e) = 0, onde e = y a bx, para a, b R. 2. Mínimos quadrados ordinários: min ê 2, onde e = y a bx, para a, b R. a,b i 3. Máxima verossimilhança: max ln(f(e X)), onde e = y a bx, para a, b R. a,b i Para a Econometria: demonstra-se a equivalência entre os dois primeiros métodos, e, supondo normalidade para o termo de erro, demonstra-se a equivalência entre os três métodos. Propriedades de estimadores: dados estimadores ˆθ e θ para o parâmetro verdadeiro θ: 1. Não tendenciosidade: E(ˆθ) = θ. 2. Eficiência: V ar(ˆθ) V ar(θ ) para qualquer estimador θ. 3. Consistência: lim n P ( ˆθ θ > δ) = 0, para qualquer δ > Inferência Os testes de hipóteses permitem aferir a significância de uma dada variável incluída no MRLC, enquanto que os intervalos de confiança proveem uma amplitude para as estimativas pontuais. Hipóteses convencionais: H 0 : β = β 0 (hipótese nula, a ser rejeitada ou não rejeitada) H 1 : β β 0 (hipótese alternativa) Procedimento para um teste de hipóteses: distribuição normal para referência: 1. Estimação do parâmetro. 2. Estabelecimento das hipóteses. 3. Cálculo da estatística de teste: ET = ˆβ β 0 ep( ˆβ) (31) 17
18 4. Comparação de ET com o valor tabelado; caso ET valor tabelado, rejeita-se a H 0 ao nível de significância escolhido; caso ET valor tabelado, não é possível rejeitar H 0 ao nível de significância escolhido. Obs.: caso ep( ˆβ) considere uma variância estimada, utiliza-se a distribuição t. Caso se conheça a variância da distribuição normal de referência, ou caso a amostra seja suficientemente grande, utiliza-se a distribuição normal. Intervalo de confiança padrão: distribuição normal para referência: P ( z α/2 ET z α/2 ) = 1 α (32) Interpretação: construindo-se a ET um número suficientemente grande de vezes, a cada 1 α intervalos, encontra-se ET [ z α/2, z α/2 ]. 11 Bibliografia Probabilidade Aplicações à Estatística, Paul L. Meyer. Statistical Inference, George Casella e Roger L. Berger. 18
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisGabarito - Lista 5 - Questões de Revisão
Gabarito - Lista 5 - Questões de Revisão Monitores: Camila Steffens e Matheus Rosso Parte I - Teoria assintótica 1. Enuncie a lei dos grandes números e o teorema central do limite. A LGN em sua expressão
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 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 maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE GRADUAÇÃO
ANEXO 1 - Plano de Ensino MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE GRADUAÇÃO PLANO DE ENSINO Ano Semestre letivo 2017 01 1. Identificação Código 1.1 Disciplina: Métodos Estatísticos
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
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 maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/ Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia 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 maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisEstimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB
Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo Lei de Bayes Variáveis Aleatórias
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB. Em muitas situações precisamos
Motivação Em muitas situações precisamos Prof. Lorí Viali, Dr. viali@pucrs.br lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma determinada peça.
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
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 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 maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição
Leia 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 maisLista de Exercícios #3 Assunto: Variáveis Aleatórias Multidimensionais Discretas
1. ANPEC 2018 - Questão 07 Em um problema envolvendo variáveis aleatórias independentes, um estudante calculou corretamente que E(Y) = 2, E(X 2 )E(Y) = 6, E(X)E(Y 2 ) = 8 e E(X) 2 E(Y) 2 = 24. Avalie as
Leia maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
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 maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
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 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 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 maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Exemplos Análise Combinatória Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
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 maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Frederico Caeiro 2009/10 Observação: Estas folhas servem de apoio às aulas de Probabilidades e Estatística. Para uma melhor compreensão dos assuntos abordados, aconselha-se
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 maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisBIOESTATÍSTICA. Parte 3 Variáveis Aleatórias
BIOESTATÍSTICA Parte 3 Variáveis Aleatórias Aulas Teóricas de 29/03/2011 a 26/04/2011 3.1. Conceito de Variável Aleatória. Função de Distribuição Variáveis aleatórias Uma variável aleatória pode ser entendida
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 maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as 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 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 maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisGrupo I. (a) A função de probabilidade marginal de X, P (X = x), é dada por
Probabilidades e Estatística + Probabilidades e Estatística I Solução do Exame de 2 a chamada 3 de Fevereiro de 2003 LEFT + LMAC Grupo I (a) A função de probabilidade marginal de X, P (X = x), é dada por
Leia maisProbabilidade e Estatística
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Inferência Estatística stica e Distribuições Amostrais Inferência Estatística stica O objetivo
Leia maisCasos. Índice. Parte I. Caso 1 Vendas da empresa Platox. Caso 2 Importação de matéria-prima. Caso 3 Carteira de acções. Caso 4 Lançamento de produto
Índice PREFÁCIO 15 NOTA INTRODUTÓRIA 17 CONVENÇÕES UTILIZADAS 19 Parte I Casos Caso 1 Vendas da empresa Platox 1. Enquadramento e objectivos 25 2. Aspectos metodológicos 26 3. Resultados e comentários
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 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 maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
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 maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
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 mais1 Noções de Probabilidade
Noções de Probabilidade Já vimos que para se obter informações sobre alguma característica da população, podemos utilizar uma amostra. Estudaremos agora a probabilidade, que é uma ferramenta usada e necessária
Leia maisUma estatística é uma característica da amostra. Ou seja, se
Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
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 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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS quantidade São Paulo (j = 1) Rio de Janeiro (j = 2) Minas Gerais (j = 3) Rio Grande do Sul (j = 4) total casos novos (X, em milhões) casos pendentes (Y, em milhões) processos
Leia maisDistribuições Discretas
META: Estudar o comportamento das Variáveis Aleatórias Discretas, bem como das Distribuições Binomial e Poisson e suas aplicações. Entender o comportamento de uma Variável aleatória Contínua. OBJETIVOS:
Leia mais1 Variáveis Aleatórias
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
Leia maisVariáveis Aleatórias - VA
Variáveis Aleatórias - VA cc ck kc kk 0 1 2 1/4 1/2 Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - Introdução Se entende por VA ou V. indicadoras uma lista de valores
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 maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia 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 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 maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
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 maisMAE0212 Introdução à Probabilidade e Estatística II
MAE01 Introdução à Probabilidade e Estatística II Gabarito-Lista 3 Exercicio 1 (a) Cada X i N(µ, σ ). Tamanho da amostra n = 9, desvio padrão σ =. A amostra é: 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7., 5.7, 6..
Leia maisVariáveis Aleatórias Discretas 1/1
Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo
Leia maisAULA 11 - Valor esperado e suas propriedades
AULA 11 - Valor esperado e suas propriedades Susan Schommer Introdução à Estatística Econômica - IE/UFRJ O valor esperado de uma variável aleatória Como forma de resumir o comportamento de uma variável
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
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 maisProbabilidade. É o conjunto de todos os possíveis resultados de um experimento aleatório.
Probabilidade Introdução O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los
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 maisCurso(s): Licenciaturas em Engenharia (1º ciclo) Aulas Teóricas 30h. Ano Curricular Semestre: 2º ano 1º semestre Aulas Teórico-Práticas 45h
UNIVERSIDADE CATÓLICA PORTUGUESA F A C U L D A D E D E E NGE N H ARIA Disciplina de Estatística Contexto da Disciplina Horas de Trabalho do Aluno Curso(s): Licenciaturas em Engenharia (1º ciclo) Aulas
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
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 maisEstatística Aplicada
Estatística Aplicada Variável Aleatória Contínua e Distribuição Contínua da Probabilidade Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7 Distribuição da Média Amostral Leitura obrigatória: Devore: Seções 5.3, 5.4 e 5.5 Chap 8-1 Inferência Estatística Na próxima aula vamos começar a parte de inferência
Leia mais