Capítulo 5 - Distribuições conjuntas de probabilidade e complementos 3
|
|
- Luiz Eduardo Sá
- 4 Há anos
- Visualizações:
Transcrição
1 Capítulo 5 - Distribuições conjuntas de probabilidade e complementos Conceição Amado e Ana M. Pires Departamento de Matemática Instituto Superior Técnico Capítulo 5 - Distribuições conjuntas de probabilidade e complementos Duas v.a. discretas ou contínuas Distribuições marginais Função distribuição Valores esperados Função Probabilidade condicionada Valores esperados condicionados Independência entre variáveis aleatórias Covariância e correlação. Propriedades Combinações lineares de variáveis aleatórias Desigualdade de Chebychev Teorema do Limite Central. Aplicações às distribuições binomial e de Poisson
2 Sumário Capítulo 5 - Distribuições conjuntas de probabilidade e complementos 2 / 59 Capítulo 5 - Distribuições conjuntas de probabilidade e complementos 3 / Duas v.a. discretas ou contínuas. Em muitas situações, está-se interessado em estudar simultâneamente mais de uma característica numa eperiência aleatória. Suponha-se que a eperiência é seleccionar aleatoriamente alunos de um certo curso, e o interesse é estudar o perfil biológico desses alunos. Pode-se, então considerar que o perfil é composto de: peso altura pressão arterial frequência cardíaca capacidade respiratória Ou seja, está-se interessado em cinco variáveis aleatórias que devem ser estudadas simultaneamente. Isto motiva a seguinte definição de um vector aleatório. 4 / 59 2
3 Duas v.a. discretas ou contínuas. Definição: Considere-se uma eperiência aleatória e o seu espaço de resultados Ω. Diz-se que (X, Y) é um vector aleatório, par aleatório ou variável aleatória bidimensional se X e Y forem variáveis aleatórias. (X,Y) é um vector aleatório: discreto se X e Y forem variáveis aleatórias discretas; contínuo se X e Y forem variáveis aleatórias contínuas. 5 / 59 Função de (massa de) probabilidade conjunta Dadas duas ou mais v.a. o seu comportamento simultâneo é estudado usando as chamadas distribuições conjuntas. Definição: Dadas duas variáveis aleatórias discretas, X e Y, chama-se função de (massa de) probabilidade conjunta à função que verifica i) f X,Y (,y) 0, (,y) R 2 f X,Y (,y) = P(X =,Y = y), (,y) R 2, ii) f X,Y (,y) = 1 y 6 / 59 3
4 Função de (massa de) probabilidade conjunta Esta função, é em geral, apresentada numa tabela de dupla entrada: X\Y y 1 y 2 y s 1 p 11 p 12 p 1s 2 p 21 p 22 p 2s... r p r1 p r2 p rs... onde p ij = P(X = i,y = y j ) p ij 0 i j p ij = 1 7 / Eemplo: Função de (massa de) probabilidade conjunta Eemplo 5.1: Considere o lançamento de dois dados perfeitos. Seja X - v.a. que indica o n. o de vezes que saiu a face 5 Y - v.a. que indica o n. o de vezes que saiu a face 6 Valores possíveis: = 0,1,2 e y = 0,1,2 Mas X Bin(2,1/6) e que Y Bin(2,1/6). Nota: Isto quer dizer que X e Y têm o mesmo comportamento em termos de valores possíveis e respectivas probabilidades. Não quer dizer X = Y! O que se pode dizer é X e Y são identicamente distribuídas A questão é saber qual é o comportamento conjunto das duas variáveis, em termos de probabilidades de ocorrência dos pares de valores (,y), com = 0,1,2 e y = 0,1,2 8 / 59 4
5 5.1 (cont.) P(X = 0,Y = 0) = P(X = 0,Y = 1) = P(X = 0,Y = 2) = Verificar que 2 2 P(X =,Y = y) = 1 =0 y=0 P(X = 1,Y = 0) = P(X = 1,Y = 1) = P(X = 1,Y = 2) = P(X = 2,Y = 0) = P(X = 2,Y = 1) = P(X = 2,Y = 2) = 9 / (cont.) X\Y f X,Y (, y) 4/ y y 2 1 (1/) (2/9) (1/18) 0 (4/9) (2/9) (1/) / 59 5
6 5.2 -Função de densidade probabilidade conjunta Definição: Seja (X,Y) um v.a. contínuo. Se eistir uma função f X,Y (,y) tal que: F (X,Y ) (,y) = y f (X,Y) (u,v)dvdu, (,y) R 2 então ela diz-se a função de densidade de probabilidade conjunta do v.a. contínuo (X,Y) e satisfaz: 1) f X,Y (,y) 0, (,y) R 2 2) + + f X,Y (,y)ddy = 1 11 / (cont.) Nota: Qualquer que seja a região R R 2 P((X,Y) R) = f X,Y (,y)ddy. R Eemplo 5.2: Seja a f.d.p conjunta do par aleatório (X,Y), { 1 f (X,Y) (,y) = 2, 0 < < 1,0 < y < 2 0, c.c. É fácil de verificar que é, de facto, uma f.d.p, pois: (i) f (X,Y) (,y) 0, (,y) R 2; + + (ii) f (X,Y)(,y)dyd = 1 o dyd = 1[ 1 o 2 y] 2 d = 1 0 o 1d =[]1 0 = 1 12 / 59 6
7 Distribuições marginais Definição: Dado o par (X,Y) discreto (contínuo), com função de probabilidade conjunta f X,Y (,y), as funções de probabilidade marginais de X são: f X () = P(X = ) = y P(X =,Y = y) = y f X,Y (,y), R (discreto) f X () = + f (X,Y) (,y)dy =, R e de Y são: f Y (y) = P(Y = y) = P(X =,Y = y) = f X,Y (,y), y R (contínuo) (discreto) f Y (y) = + f (X,Y) (,y)d =, y R (contínuo) 13 / (cont.) Eemplo 5.1 (cont.) - Funções de probabilidade marginais: por eemplo X\Y P(X = ) P(Y = y) P(X = 0) = P(X = 0,Y = 0)+P(X = 0,Y = 1)+P(X = 0,Y = 2) = = 2 y=0p(x = 0,Y = y) (verificar que X e Y Bin(2,1/6)) 1 14 / 59 7
8 Função distribuição F (X,Y) (,y) = P(X,Y y) = f X,Y ( i,y j ), (,y) R 2 (discreto) i y j y F (X,Y) (,y) = P(X,Y y) = y f X,Y (u,v)dvdu, (,y) R 2 (contínuo) Nota: As propriedades da função de distribuição são análogas às dadas no caso univariado. Eemplo 5.1 (cont.) O valor da função distribuição no ponto (0,1): F (X,Y) (0,1) = P(X 0,Y 1) = P(X = 0,Y = 0)+P(X = 0,Y = 1) = 24 Eemplo 5.2 (cont.) Cálculo da seguinte probabilidade: P(X 1 3,Y 1) = F (X,Y)( 1 3,1) = dyd = / Valores esperados E[h(X,Y)] = h(,y)f X,Y (,y) (discreto) y + + E[h(X,Y)] = h(,y)f X,Y (,y)dyd (contínuo) Casos particulares: E(XY) = yf X,Y (,y) (discreto) y E(XY) = E(X) = E[X] = + + yf X,Y (,y)dyd (contínuo) f X,Y (,y) = ( ) f X,Y (,y) = y y + + f X,Y (,y)dyd = + f X ()d (contínuo) f X () (discreto) 16 / 59 8
9 (cont.) Casos particulares (cont.): E(Y) = E[Y] = yf X,Y (,y) = y y + + yf X,Y (,y)dyd = ( ) y f X,Y (,y) = y + yf Y (y)dy (contínuo) yf Y (y) (discreto) As quatro últimas epressões mostram que E(X) e E(Y) (ou de outras quaisquer funções que dependam apenas de uma das variáveis) tanto podem ser calculados usando: a f.p. conjunta ou as f.p. marginais. Tem-se ainda que E(X +Y) = E(X)+E(Y) 17 / (cont.) Eemplo (cont.): X\Y P(X = ) 0 16/ 8/ 1/ 25/ 1 8/ 2/ 0 10/ 2 1/ 0 0 1/ P(Y = y) 25/ 10/ 1/ 1 E(XY) = y yf X,Y(,y) = = = 1 18 E(X) = y f X,Y(,y) = ou ou ainda = = 1 3 E(X) = f X() = = 1 3 E(X) = = 1 3, dado que X Bin(2, 1 6 ) 18 / 59 9
10 Função Probabilidade condicionada Definição: Dadoopar(X,Y) discreto(contínuo), comfunçãodeprobabilidadeconjuntaf X,Y (,y), chamase função de probabilidade condicionada de Y dado (tal que f X () > 0) à função: Caso discreto: que verifica 1) f Y (y) 0, y e 2) y Caso contínuo: f Y (y) = P(Y = y X = ) = f X,Y(,y) f X () f Y (y) = 1 que verifica 1) f Y (y) 0, y e 2) f Y (y)dy = 1 y f Y (y) = f X,Y(,y) f X () = P(X =,Y = y) P(X = ) 19 / Função Probabilidade condicionada Para cada fio, f Y (y), tem as propriedades de uma função de probabilidade (é a f.p. da v.a. Y X = ) Analogamente define-se f X y () = P(X = Y = y). E as funções de distribuições condicionadas de Y X = e X Y = y definem-se como usualmente. 20 / 59 10
11 Valores esperados condicionados Definição: O valor e esperado condicionado e a variância condicionada de Y dado (tal que f X () > 0) são respectivamente: Caso discreto: E(Y X = ) = yf Y (y) = yp(y = y X = ) y y V(Y X = ) = y [y E(Y X = )] 2 f Y (y) = E(Y 2 X = ) E 2 (Y X = ) Caso contínuo: E(Y X = ) = V(Y X = ) = + + yf Y (y)dy [y E(Y X = )] 2 f Y (y)dy = E(Y 2 X = ) E 2 (Y X = ) 21 / (cont.) Eemplo 5.1 (cont.): X\Y P(X = ) 0 16/ 8/ 1/ 25/ 1 8/ 2/ 0 10/ 2 1/ 0 0 1/ P(Y = y) 25/ 10/ 1/ 1 Y X = 0 Y X = 1 P(Y = 0 X = 0) = 16/ 8/ 25/ = 16/25 P(Y = 0 X = 1) = 10/ = 8/10 P(Y = 1 X = 0) = 8/ 2/ 25/ = 8/25 P(Y = 1 X = 1) = 10/ = 2/10 P(Y = 2 X = 0) = 1/ 0 25/ = 1/25 P(Y = 2 X = 1) = 10/ = 0 E(Y X = 0) = = 10/25 E(Y X = 1) = 1 10 = 2/10 O que acontece com Y X = 2? 22 / 59 11
12 5.1 (cont.) Representação gráfica de valores esperados condicionados: y E(X Y = y) 2+ E(Y X = ) Observações: Os E(X Y) e E(Y X) são v.a.(s) que tomam diferentes valores consoantes os valores fios para X e Y respectivamente. Propriedade destas v.a.(s) : E(E(X Y)) = E(X) se E(X) eistir e f Y (y) > 0. E(E(Y X)) = E(Y) se E(Y) eistir e f X () > / Independência entre variáveis aleatórias Definição: Seja(X, Y) um vector aleatório. As variáveis aleatórias X e Y (contínuas ou discretas), dizem-se independentes, simbolicamente X Y, sse: F X,Y (,y) = F X ()F Y (y), (,y) R 2 (1) A equação (1) é equivalente a: P(X =,Y = y) = P(X = )P(Y = y), (,y) R 2, se (X,Y) for um vector aleatório discreto; f X,Y (,y) = f X ()f Y (y), (,y) R 2, se (X,Y) for um vector aleatório contínuo. 24 / 59 12
13 Independência entre variáveis aleatórias Observação: Podemos dizer, em geral, que as variáveis aleatórias são independentes sse: P(X A,Y B) = P(X A)P(Y B) para quaisquer acontecimentos A e B definidos no eio dos e no eio dos yy, respectivamente. Se X Y então: f Y (y) = f Y (y), (,y), com fx ()>0 f X y () = f X (), (,y), com fy (y)>0 E(XY) = E(X)E(Y ). No Eemplo 5.1 X e Y serão independentes? E no Eemplo 5.2? 25 / Covariância e correlação. Propriedades Objectivo: medir de alguma forma a variação conjunta de duas variáveis aleatórias. Esta medida pode ser feita em termos: absolutos (covariância); relativos (correlação). Definição: A covariância de duas variáveis aleatórias X e Y, com valores esperados E(X) e E(Y), respectivamente, representa-se por cov(x,y) ou σ XY, é definida por e calcula-se por se X e Y forem discretas, ou por se X e Y forem contínuas. cov(x,y) = E[(X E(X))(Y E(Y))] ( E(X))(y E(Y))f X,Y (,y) y + + ( E(X))(y E(Y))f X,Y (,y)ddy 26 / 59 13
14 O sinal da covariância ( µ X ) < 0 (y µ Y ) > 0 y ( µ X ) > 0 (y µ Y ) > 0 (µ X, µ Y ) ( µ X ) < 0 (y µ Y ) < 0 ( µ X ) > 0 (y µ Y ) < 0 27 / 59 Interpretação do valor e sinal covariância Mede a variação conjunta de duas variáveis, podendo ser interpretada do modo seguinte: se for positiva, as duas variáveis variam em média no mesmo sentido; se for negativa, as duas variáveis variam em média em sentidos contrários; se for nula, não se verifica nenhuma das tendências anteriores. 28 / 59 14
15 Propriedades da covariância 1. cov(x,y) = E(XY) E(X)E(Y) 2. cov(x,y) = cov(y,x) 3. cov(x,x) = var(x) 4. cov(ax +b,cy +d) = a ccov(x,y) Eercício: Demonstrar 5. cov(x +Z,Y) = cov(x,y)+cov(z,y) 6. Se X Y então cov(x,y) = 0... Muito importante: a proposição inversa não é verdadeira, i.e. cov(x,y) = 0 / X e Y são independentes estas propriedades (notar que E(X +Y) = E(X)+E(Y) X,Y ) 29 / (cont.) Eemplo 5.1 (cont.): X\Y P(X = ) 0 16/ 8/ 1/ 25/ 1 8/ 2/ 0 10/ 2 1/ 0 0 1/ P(Y = y) 25/ 10/ 1/ 1 E(XY) = 1 18 E(X) = E(Y) = 1 3 (já calculados) cov(x,y) = = 1 18 Significa que há uma tendência para Y decrescer quando X cresce e vice-versa. Podemos saber se essa tendência é forte ou fraca? 30 / 59 15
16 A covariância é uma medida que não permite responder à questão anterior porque é sensível às mudanças de escala: y y cov(x,y) = 1. cov(x,y) = / (cont.) Definição: A correlação ou coeficiente de correlação (linear) entre duas variáveis aleatórias, X e Y, representa-se por corr(x,y) ou ρ X,Y e é definida por corr(x,y) = ρ X,Y = cov(x,y) V(X)V(Y) = σ XY σ X σ Y 32 / 59 16
17 O coeficiente de correlação não é alterado quando há mudanças de escala e é adimensional: y y ρ X,Y = 0.81 ρ X,Y = / (cont.) Propriedades da correlação 1. 1 ρ X,Y 1 2. ρ X,Y = 1 se e só se Y = a+bx, com b > 0 ρ X,Y = 1 se e só se Y = a+bx, com b < 0 3. Se X e Y forem independentes então ρ X,Y = 0. Mas a proposição inversa não é verdadeira, i.e., ρ X,Y = 0 / X e Y são independentes 34 / 59 17
18 5.3 (cont.) Demonstrações 1) Considere-se a variável aleatória X σ X + Y σ Y. Usando uma das propriedades da variância vem: ( X V + Y ) [ ( X 0 E + Y ) ] 2 [ ( X E + Y )] 2 σ X σ Y σ X σ Y σ X σ Y E(X2 ) σ 2 X + E(Y 2 ) σ 2 Y +2 E(XY) E2 (X) σ X σ Y σx 2 E2 (Y) σy 2 2 E(X)E(Y) 0 σ X σ Y E(X2 ) E 2 (X) σ 2 X + E(Y 2 ) E 2 (Y) σy ρ X,Y 0 ρ X,Y 1 +2 E(XY) E(X)E(Y) σ X σ Y 0 De igual modo V ( X Y ) 0 ρ X,Y 1 σ X σ Y 35 / (cont.) Demonstrações (cont.) ( X 2) ρ X,Y = 1 V Y ) = 0 X Y = constante σ X σ Y σ X σ Y ( X ρ X,Y = 1 V + Y ) = 0 X + Y = constante σ X σ Y σ X σ Y 3) X e Y independentes f X,Y (,y) = f X ()f Y (y), E(XY) = ( = yf X,Y (,y)ddy = )( f X ()d yf X ()f Y (y)ddy = ) yf Y (y)dy = E(X)E(Y ) cov(x,y) = 0 ρ X,Y = 0 / 59 18
19 5.3 (cont.) Para mostrar que cov(x,y) = corr(x,y) = 0 / basta dar um contra-eemplo: X e Y são independentes X\Y P(X = ) 1 0 1/6 0 1/6 0 1/12 1/12 1/12 2/ /6 0 1/6 P(Y = y) 1/12 5/6 1/12 1 I. E(XY) = 0, E(X) = E(Y) = 0, logo cov(x,y) = 0 II. mas X e Y não são independentes (por eemplo, P(X = 1,Y = 1) P(X = 1) P(Y = 1) 37 / (cont.) Eemplo (cont.): X\Y P(X = ) 0 16/ 8/ 1/ 25/ 1 8/ 2/ 0 10/ 2 1/ 0 0 1/ P(Y = y) 25/ 10/ 1/ 1 Vimos antes que cov(x,y) = 1/18, o que significa que há uma tendência para Y decrescer quando X cresce e vice-versa, e podemos agora responder à questão: essa tendência é forte ou fraca? Como X e Y Bin(2,1/6), tem-se que V(X) = V(Y) = np(1 p) = 5/18, logo corr(x,y) = 1/18 5/18 5/18 = 1 5 o que permite concluir que a sua tendência/relação é fraca (por o seu valor estar bastante mais próimo de zero do que de um), para além de que as variáveis estão correlacionados linearmente no sentido negativo. 38 / 59 19
20 5.4 - Combinações lineares de variáveis aleatórias Definição: Dadas p variáveis aleatórias, X 1,X 2,...,X p e p constantes reais, c 1,c 2,...,c p, diz-se que a variável aleatória Y, definida como é uma combinação linear de X 1,X 2,...,X p. Valor esperado de uma combinação linear Y = c 1 X 1 +c 2 X 2 + +c p X p E(c 1 X 1 +c 2 X 2 ) = c 1 E(X 1 )+c 2 E(X 2 ) Demonstração: (c 1 1 +c 2 2 )f( 1, 2 )d 1 d 2 = = c 1 1 f( 1, 2 )d 1 d 2 +c 2 2 f( 1, 2 )d 1 d 2 E(c 1 X 1 +c 2 X 2 + +c p X p ) = c 1 E(X 1 )+c 2 E(X 2 )+ +c p E(X p ) 39 / (cont.) Variância de uma combinação linear V(c 1 X 1 +c 2 X 2 ) = c 2 1 V(X 1)+c 2 2 V(X 2)+2c 1 c 2 cov(x 1,X 2 ) Dem.: V(c 1 X 1 +c 2 X 2 ) = E [ (c 1 X 1 +c 2 X 2 ) 2] [E(c 1 X 1 +c 2 X 2 )] 2 = = E(c 2 1 X2 1 +c2 2 X2 2 +2c 1c 2 X 1 X 2 ) (c 1 E(X 1 )+c 2 E(X 2 )) 2 = = c 2 1 E(X2 1 )+c2 2 E(X2 2 )+2c 1c 2 E(X 1 X 2 ) c 2 1 E2 (X 1 ) c 2 2 E2 (X 2 ) 2c 1 c 2 E(X 1 )E(X 2 ) = = c 2 1( E(X 2 1 ) E 2 (X 1 ) ) +c 2 2( E(X 2 2 ) E 2 (X 2 ) ) + +2c 1 c 2 (E(X 1 X 2 ) E(X 1 )E(X 2 )) 40 / 59 20
21 5.4 (cont.) Variância de uma combinação linear (cont.) V(c 1 X 1 + +c p X p ) = p c 2 i V(X i)+2 i=1 p p i=1 j=1,j>i c i c j cov(x i,x j ) Se cov(x i,x j ) = 0, para qualquer i j, ou seja, se as variáveis aleatórias forem não correlacionadas duas a duas, então V(c 1 X 1 + +c p X p ) = p c 2 i V(X i) i=1 O mesmo acontece se as variáveis aleatórias forem independentes duas a duas, pois como se viu, independência covariância (e correlação) nula. 41 / (cont.) Casos especiais de somas de variáveis aleatórias 1. Propriedade reprodutiva da distribuição binomial X 1 Bin(n 1,p) X 2 Bin(n 2,p) X 1 +X 2 Bin(n 1 +n 2,p) X 1 e X 2 independentes Caso especial: k ) X i Bin(n i,p) independentes X 1 + +X k Bin( i=1 n i,p X i Ber(p) Bin(1,p) independentes X 1 + +X n Bin(n,p) 42 / 59 21
22 5.4 (cont.) 2. Propriedade reprodutiva da distribuição de Poisson X 1 Poisson(λ 1 ) X 2 Poisson(λ 2 ) X 1 e X 2 independentes X 1 +X 2 Poisson(λ 1 +λ 2 ) X i Poisson(λ i ) independentes X 1 + +X k Poisson( k i=1 λ i ) 43 / (cont.) 3. Propriedade reprodutiva da distribuição Normal X 1 N(µ 1,σ 2 1 ) X 2 N(µ 2,σ 2 2 ) X 1 e X 2 independentes ax 1 +bx 2 N(aµ 1 +bµ 2,a 2 σ 2 1 +b2 σ 2 2 ) X i N(µ i,σ 2 i ) independentes c 1 X 1 + +c k X k N ( k i=1 c iµ i, ) k i=1 c2 i σ2 i 44 / 59 22
23 5.5 - Desigualdade de Chebychev Desigualdade de Chebychev: Qualquer que seja a variável aleatória com valor esperado µ e variância σ 2 verifica-se P ( X µ cσ) 1 c 2 Demonstração: Considera-se a v.a. auiliar, Y, tal que { 1, se X µ cσ Y = 0, c.c. (Y Ber(p), com p = P( X µ cσ)) E(Y) = P( X µ cσ) (X µ) 2 (X µ) 2 Y c 2 σ 2 Y logo E [ (X µ) 2] c 2 σ 2 E(Y) P ( X µ cσ) 1 c 2 45 / (cont.) Observações: é uma desigualdade muito útil em casos práticos, pois para qualquer v.a. X, conhecidas a média e variância, a probabilidade no intervalo ]µ cσ,µ+cσ[ nunca é inferior a 1 1 c 2, justificando o uso de µ como medida de localização e σ como medida de dispersão. permite interpretar o desvio padrão para qualquer v.a. (de forma semelhante à interpretação usada para a distribuição normal) só é útil para c > 1! permite demonstrar outros resultados mais interessantes. quando a distribuição da variável é conhecida esta desigualdade não é tão útil pois pode calcular-se o valor eacto (ou, pelo menos, um seu valor aproimado). 46 / 59 23
24 5.5 (cont.) P ( X µ cσ) 1 c 2: c X qualquer X Normal µ c σ µ µ + c σ Tal que eistem µ e σ 47 / Teorema do Limite Central. Aplicações às distribuições binomial e de Poisson Na maioria das situações é difícil determinar a distribuição da soma de variáveis (mesmo que sejam independentes!). O teorema seguinte justifica a grande utilidade e importância da distribuição normal (quer em probabilidades quer em estatística). Teorema do Limite Central: Seja X 1,...,X n uma sucessão de v.a. independentes e identicamente distribuídas com valor esperado µ < e variância σ 2 <. Considere-se S n = n i=1 X i, então quando n + S n E(S n ) = S n nµ a N (0,1), V (Sn ) nσ 2 ou seja, lim P n + ( ) S n E(S n ) z = Φ(z) V (Sn ) 48 / 59 24
25 5.6 (cont.) Observações: A demonstração do teorema eige algumas ferramentas matemáticas avançadas. Observar que, ( n ) E(S n ) = E X i = i=1 n E(X i ) = ne(x 1 ) = nµ e como X 1,X 2 X n são v.a. independentes tem-se ( n ) n V (S n ) = V X i = V(X i ) = nv(x 1 ) = nσ 2 i=1 i=1 i=1 As v.a. X 1,...,X n podem ser discretas ou contínuas. Geralmente considera-se n grande se n 30 As distribuições Binomial e de Poisson podem ser aproimadas pela distribuição normal (na secção anterior vimos que podem ser escritas como somas de variáveis aleatórias). 49 / (cont.) Simulações: (dinâmica) Os gráficos das páginas seguintes representam simulações realizadas em R ( 50 / 59 25
26 Simulação da soma padronizada de n v.a. Unif(0,1) n = 1 Obs. = Simulação da soma padronizada de n v.a. Unif(0,1) n = 5 Obs. = Densidade Densidade Soma St Soma St. Simulação da soma padronizada de n v.a. Unif(0,1) n = 10 Obs. = Simulação da soma padronizada de n v.a. Unif(0,1) n = 15 Obs. = Densidade Densidade Soma St Soma St. 51 / 59 Simulação da soma padronizada de n va. Ep(1) n = 10 Obs. = Simulação da soma padronizada de n va. Ep(1) n = 30 Obs. = Densidade Densidade Soma St Soma St. Simulação da soma padronizada de n va. Ep(1) n = 50 Obs. = Simulação da soma padronizada de n va. Ep(1) n = 70 Obs. = Densidade Densidade Soma St Soma St. 26
27 27 52 / 59
28 Aproimação da dist. Binomial pela dist. Normal Aproimação da dist. Binomial pela dist. Normal n = 20 p = 0.25 n = 20 p = 0.5 F() F() Aproimação da dist. Binomial pela dist. Normal Aproimação da dist. Binomial pela dist. Normal n = 50 p = 0.2 n = 100 p = 0.2 F() F() / 59 Aproimação da dist. Poisson pela dist. Normal Aproimação da dist. Poisson pela dist. Normal λ = 5 λ = 10 F() F() Aproimação da dist. Poisson pela dist. Normal Aproimação da dist. Poisson pela dist. Normal λ = 15 λ = 20 F() F()
29 29 54 / 59
30 5.6 (cont.) Aproimações Binomial/Normal e Poisson/Normal: X Bin(n,p) pode ser aproimada por X N(np,np(1 p)) quando np > 5 e n(1 p) > 5 X Poisson(λ) pode ser aproimada por X N(λ,λ) quando λ > 5 Correcção de continuidade: em geral a aproimação é melhor se fizermos P(X ) P( X +0.5) Eemplo: O número de chamadas de telemóvel registadas a partir de certa zona numa hora tem, em condições estacionárias, distribuição de Poisson de parâmetro Calcule a probabilidade de ocorrerem mais de 1600 chamadas na próima hora. P(X > 1600) = 1 P(X 1600) 1 P( X ) = Φ( 2.59) / 59 Eercícios Eercício 5.1: Segundo os cálculos do engenheiro responsável pelo tráfego de uma dada ponte, a carga W (em toneladas) que o tabuleiro dessa ponte pode suportar sem sofrer danos estruturais segue uma distribuição normal, de valor médio 400 toneladas e desvio padrão 40 toneladas. Considere que os pesos dos veículos que nela circulam são variáveis aleatórias normais, independentes, com valor médio 3 toneladas e desvio padrão 0.3 toneladas. (a) Admita que, em certo momento, estão 100 veículos sobre a ponte. Determine a probabilidade de o peso total desses veículos eceder 400 toneladas. 56 / 59 30
31 Eercício (cont.) (b) Prove que o valor esperado e a variância da variável aleatória que representa a diferença entre o peso total de n veículos e a carga W que a ponte pode suportar são, respectivamente, 3n 400 e 0.09n+1600, admitindo que o peso total e a carga são variáveis aleatórias independentes. Determine ainda o maior valor de n para o qual a probabilidade de ocorrência de danos na estrutura é inferior a 0.1? 57 / (cont.) Eercício 5.2: Suponha-se que ao adicionar números reais cada número é arredondado previamente para o inteiro mais próimo. Admita-se que os erros de arredondamento são v.a. independentes e identicamente distribuídas com distribuição uniforme contínua no intervalo [ 0.5; 0.5] (esta suposição é razoável se desconhecermos à partida tudo sobre os referidos números reais e admitirmos que também eles se distribuem uniformemente e independentemente nalgum intervalo). a) Qual é a probabilidade de que, ao adicionar 1500 números, o valor absoluto do erro seja superior a 15? 58 / 59 31
32 5.6 (cont.) b) Quantos números podem ser somados para que se possa garantir com uma probabilidade de aproimadamente 90% que o erro absoluto não ecede 10? 59 / 59 32
5 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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Covariância e Coeficiente de correlação 11/13 1 / 21 Covariância Quando duas variáveis aleatórias
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 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 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 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 maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 1 o semestre 2018/2019 30/01/2019 11:30 1 o Teste C 10 valores 1. Numa unidade fabril
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisCapítulo 4 - Variáveis aleatórias e distribuições contínuas
Capítulo 4 - Variáveis aleatórias e distribuições contínuas Conceição Amado e Ana M. Pires 4.1 - Variáveis aleatórias contínuas. Função densidade de probabilidade 3 4.2 - Valor esperado, variância e algumas
Leia maisLista de Exercícios #5 Assunto: Variáveis Aleatórias Multidimensionais Contínuas
1. ANPEC 018 Questão 9 Uma pessoa investe R$ 10.000,00 (I) em duas aplicações cujas taxas de retorno são variáveis aleatórias independentes, R 1 e R, com médias 5% e 14% e desvios-padrão 1% e 8%, respectivamente.
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 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 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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Condicionais 11/13 1 / 19 Em estudo feito em sala perguntamos aos alunos qual
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. RINCIAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por f, β α 0, Notação: ~ Uα, β.
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 maisPROBABILIDADE RESUMO E EXERCÍCIOS* P2
PROBABILIDADE RESUMO E EXERCÍCIOS* P2 *Exercícios de provas anteriores escolhidos para você estar preparado para qualquer questão na prova. Resoluções grátis em Variáveis Aleatórias Discretas e Contínuas
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 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 mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros α e β (α β) se sua função densidade de probabilidade é dada por f ( ) β α 0, Notação:
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
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 maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas o semestre 07/08 0/07/08 :0 o Teste C 0 valores. Um relatório anual estabelece que
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 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 mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 00 5.. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros α e β (α β) se sua função densidade de probabilidade é dada por f ( ) β α 0, Notação:
Leia maisVariáveis bidimensionais
Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 19/04/2018 WB, FM, EK ( LEG/DEST/UFPR ) Variáveis
Leia mais3. Variáveis aleatórias
3. Variáveis aleatórias Numa eperiência aleatória, independentemente de o seu espaço de resultados ser epresso numericamente, há interesse em considerar-se funções reais em Ω, denominadas por variáveis
Leia mais5. Distribuições conjuntas de probabilidade e complementos
5. Distribuições conjuntas de probabilidade e complementos Motivação 5. Pares aleatórios Ao realizar-se uma experiência aleatória é comum estarmos interessados em estudar mais do que uma v.a., nomeadamente,
Leia maisMétodos Estatísticos Aplicados à Economia II (GET00118) Variáveis Aleatórias Bidimensionais
Universidade Federal Fluminense Instituto de Matemática e Estatística Métodos Estatísticos Aplicados à Economia II (GET8) Variáveis Aleatórias Bidimensionais Ana Maria Lima de Farias Departamento de Estatística
Leia maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
Leia maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
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 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 maisPRINCIPAIS MODELOS CONTÍNUOS
RINCIAIS MODELOS CONTÍNUOS 0 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por, f β α 0, Notação: ~ Uα, β. 0,
Leia maisProbabilidades e Estatística LEE, LEGI, LENO, LETI, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMat, MEQ
Duração: 90 minutos Grupo I Probabilidades e Estatística LEE, LEGI, LENO, LETI, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMat, MEQ Justifique convenientemente todas as respostas o semestre 08/09
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 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 maisComplementos de Probabilidades e Estatística
Departamento de Matemática, IST Secção de Probabilidades e Estatística Complementos de Probabilidades e Estatística o. Teste o. Semestre 8/9 Duração: hora e 3 minutos Justifique convenientemente todas
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
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 maisVariáveis bidimensionais
Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação LEG/DEST/UFPR 1 / 48 Sumário 1 Distribuições conjuntas
Leia maisEST029 Cálculo de Probabilidade I Cap. 6: Caracterização Adicional de Variáveis Aleatórias
EST029 Cálculo de Probabilidade I Cap. 6: Caracterização Adicional de Variáveis Aleatórias Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Motivação Suponha que tenhamos um experimento onde a probabilidade
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 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 maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
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 maisIND 1115 Inferência Estatística Aula 7
Conteúdo IND 1115 Inferência Estatística Aula 7 Setembro 2004 Por que a revisão de probabilidades até agora? A importância da distribuição Normal O Mônica Barros mbarros.com 1 mbarros.com 2 Por que uma
Leia maisNotas de Probabilidades e Estatística
Notas de Probabilidades e Estatística Giovani Loiola da Silva Carlos Daniel Paulino Departamento de Matemática - IST/UTL Setembro 2012 Conteúdo 1 Introdução 1 2 Noções de probabilidade 2 3 Variáveis aleatórias
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 maisDistribuições conjuntas de probabilidades e complementos
Probabilidades e Estatística 2004/05 Colectânea de Exercícios LEIC, LERCI, LEE Capítulo 5 Distribuições conjuntas de probabilidades e complementos 02 x = 0 065 x = 1 Exercício 51 (a) P(X = x) = 015 x =
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 6: Desigualdades, Limites e 1 Normalização Desigualdade de Chebyshev Lei dos Grandes Números 2 3 Normalização Sumário Normalização Desigualdade de Chebyshev
Leia maisNotas de Probabilidades e Estatística
Notas de Probabilidades e Estatística Giovani Loiola da Silva Dep. Matemática - IST Setembro, 2008 Estas notas visam apoiar as aulas teóricas da disciplina Probabilidades e Estatística. Agradecimentos:
Leia maisCE085 - Estatística Inferencial
CE085 - Estatística Inferencial Revisão: Probabilidade Básica Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal do Paraná
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 25 de abril de 2016 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] + + E[X
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 maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
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 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 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 maisIntrodução à Probabilidade e à Estatística (BCN ) Prova 2 (A) 16/08/2018 Correção
Introdução à Probabilidade e à Estatística (BCN0406-1) Prova 2 (A) 16/08/2018 Correção (1.pt) 1. Dadas as seguintes probabilidades associadas à variável aleatória X: -1 1 2 p() 1/2 1/3 1/6 a) Calcule a
Leia maisProbabilidades e Estatística LEAN, LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 minutos Grupo I Probabilidades e Estatística LEAN, LEGM, LEIC-A, LEIC-T, MA, MEMec Justifique convenientemente todas as respostas 2 o semestre 2016/2017 06/05/2017 09:00 1 o teste A 10 valores
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia 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 maisDistribuições de Probabilidade. Distribuição Normal
Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Duas Variáveis Aleatórias 29 de agosto de 2017 Duas Variáveis Aleatórias Função Distribuição Acumulada Conjunta: F X,Y (x,y) = P[X x, Y y] Propriedades: (a) 0
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia 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 maisDISTRIBUIÇÃO CONJUNTA (parte II)
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior DISTRIBUIÇÃO CONJUNTA (parte II) Variáveis
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 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 maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisVariável Aleatória Contínua (v.a.c)
Variável Aleatória Contínua (v.a.c) Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 20 de junho de 2018 Londrina 1 / 14 (v.a.c.) Uma função Y definida sobre o espaço amostral
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 - Distribuições Contínuas (Parte 01) Leitura obrigatória: Devore, Capítulo 4 Cap 6-1 Objetivos Nesta aula, vamos aprender: Representações de uma v. a. contínua: função
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio
Leia maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 minutos Grupo I Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ Justifique convenientemente todas as respostas 1 o semestre 2017/2018 18/11/2017
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 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 maisAula 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 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 maisDISTRIBUIÇÃO NORMAL DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS ROTEIRO DISTRIBUIÇÃO NORMAL
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências DISTRIBUIÇÃO NORMAL Definição:
Leia 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 maisProbabilidade Aula 11
0303200 Probabilidade Aula 11 Magno T. M. Silva Escola Politécnica da USP Junho de 2017 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia
Leia maisProbabilidades e Estatística LEAN, LEE, LEGI, LEMat, LETI, LMAC, MEAmb, MEAer, MEBiol, MEBiom, MEEC, MEFT, MEQ
Duração: 90 minutos Grupo I Probabilidades e Estatística LEAN, LEE, LEGI, LEMat, LETI, LMAC, MEAmb, MEAer, MEBiol, MEBiom, MEEC, MEFT, MEQ Justifique convenientemente todas as respostas! o semestre 015/016
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 maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LEIC-T, LEMat, LERC, LQ, MEAer, MEAmbi, MEBiol, MEEC, MEMec, MEQ 1 o Teste 1 o semestre 2010/2011 Duração: 1 hora e 30 minutos 20/11/2010
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 011 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por 1, f ( ) 0, Notação: X
Leia maisDistribuições Multidimensionais de Probabilidade para Variáveis Discretas e Contínuas Distribuições Marginais. Aula 9
Distribuições Multidimensionais de Probabilidade para Variáveis Discretas e Contínuas Distribuições Marginais Aula 9 Variáveis Aleatórias Discretas Variável aleatória discreta função definida em um espaço
Leia maisUma variável aleatória X tem uma distribuição normal se sua fdp for do tipo:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f().e π. μ., R com - < μ < e > 0 0, 0,6 N(0; ) N(0;
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de
Leia maisCap. 8 Distribuições contínuas e modelo normal
Estatística Aplicada às Ciências Sociais Seta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 2006 Cap. 8 Distribuições contínuas e modelo normal Variável aleatória discreta variável aleatória
Leia maisAula 5 - Variáveis bidimensionais
Aula 5 - Variáveis bidimensionais PhD. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação-LEG Universidade Federal do Paraná 1/2017 Bonat, W. H. (LEG/UFPR) 1/2017 1 / 15 Variáveis bidimensionais
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisPROBABILIDADE E ESTATÍSTICA 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 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 maisb) Fabrico de peças cilíndricas Capítulo 5 - Distribuições conjuntas de probabilidades e complementos X - comprimento da peça Y - diâmetro da peça
Capítulo 5 - Distribuições cojutas de probabilidades e complemetos 5.1 Duas variáveis aleatórias discretas. Distribuições cojutas, margiais e codicioais. Idepedêcia Em relação a uma mesma eperiêcia podem
Leia maisMAE-219: Introdução à Probabilidade e Estatística I
MAE-219: Introdução à Probabilidade e Estatística I Prof. Pedro Morettin e Prof. Nelson I. Tanaka Gabarito - Lista de Exercícios 6 1o. Semestre de 216 1 Questão 1 X: Número de caras nos dois primeiros
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 maisCaracterização Adicional de Variáveis Aleatórias
UFMG-ICE-EST-03/045 8/0/05 5:0 7 ESQUEMA DO CAPÍTULO Caracterização Adicional de Variáveis Aleatórias 7. O VALOR ESPERADO DE UMA VARIÁVEL ALEATÓRIA (VA) 7. EXPECTÂNCIA DE UMA FUNÇÃO DE UMA VA 7.3 VARIÁVEIS
Leia mais