Cadeias de Markov em Tempo Continuo
|
|
- Luzia de Lacerda
- 4 Há anos
- Visualizações:
Transcrição
1 Cadeias de Markov em Tempo Continuo Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44
2 Análogo ao processo de Markov já visto para tempo discreto. Satisfaz à propriedade Markoviana. O processo de Poisson é uma cadeia de Markov em tempo continuo com estados 0, 1, 2,... que sempre vai sempre do estado n para o estado n + 1. O processo de Poisson é um processo de nascimento puro. Processos baseados no modelo exponencial que podem saltar de n para n + 1 ou n 1 são chamados processos de nascimento e morte. 2 / 44
3 Seja um processo estocástico {X (t), t 0} em tempo continuo que assume valores nos inteiros não negativos 0, 1, 2,... Este processo é uma cadeia de Markov em tempo continuo se, P[X (t + s) = j X (s) = i, X (u) = k, 0 u < s] = P[X (t + s) = j X (s) = i], s, t 0. A cadeia tem a propriedade Markoviana, a distribuição do futuro X (t + s), dado o presente X (s), não depende do passado X (u), 0 u < s. Se P[X (t + s) = j X (s) = i] não depende de s a cadeia é estacionária. 3 / 44
4 Seja uma cadeia de Markov em tempo continuo {X (t), t 0}. Se a cadeia entrou no estado i e permaneceu neste estado por 10 minutos, qual a probabilidade da cadeia permanecer no estado i por mais 5 minutos? Pela propriedade Markoviana, a probabilidade de permanecer no estado i no intervalo [10,15] é a probabilidade de ficar no estado i por ao menos mais 5 minutos. 4 / 44
5 Seja T i o tempo que a cadeia fica no estado i antes de fazer uma transição para outro estado. Então, No caso geral, P(T i > 15 T i > 10) = P(T i > 5). P(T i > s + t T i > s) = P(T i > t), s, t 0. Portanto a variável aleatória T i não tem memória e tem distribuição exponencial. 5 / 44
6 Definição Alternativa Um processo estocástico que quando entra num estado i tem as seguintes propriedades, o tempo T i gasto em i antes de mudar para j i tem distribuição exponencial com parâmetro v i, e muda para o estado j com probabilidade P ij tal que P ii = 0 e j P ij = 1, i, é uma cadeia de Markov em tempo continuo. 6 / 44
7 Processos de nascimento e morte Considere um sistema cujo estado é o seu número de individuos. Quando há n individuos no sistema, novos individuos entram no sistema a uma taxa exponencial λ n, individuos saem do sistema a uma taxa exponencial µ n. Equivalentemente, o tempo até a próxima chegada tem distribuição exponencial com parâmetro λ n, o tempo até a próxima saida tem distribuição exponencial com parâmetro µ n, estes tempos são independentes. Tal sistema é chamado de processo de nascimento e morte. 7 / 44
8 Definição. Um processo de nascimento e morte é uma cadeia de Markov em tempo continuo com estados 0, 1, 2,... cujas transições vão do estado n para n 1 ou n + 1. v 0 = λ 0 v i = λ i + µ i, i = 1, 2,... P 01 = 1 P i,i+1 = P i,i 1 = λ i λ i + µ i µ i λ i + µ i 8 / 44
9 A trajetória do processo é similar a um passeio aleatório porém as transições ocorrem em tempos aleatórios ao invés de tempos fixos. Uma possivel trajetória do processo seria, i, para 0 < t < t 1, i + 1, para t 1 < t < t 1 + t 2, X (t) = i, para t 1 + t 2 < t < t 1 + t 2 + t 3,. 9 / 44
10 Exemplo. Considere um processo de nascimento e morte no qual, µ n = 0, n = 0, 1,... λ n = λ, n = 0, 1,... Neste processo não ocorrem saidas do sistema e o tempo entre chegadas sucessivas tem distribuição exponencial com parâmetro λ. Portanto é um processo de Poisson. 10 / 44
11 Exemplo. (Processo de Yule). Considere uma população em que só há nascimentos e ninguém morre. Os individuos agem de forma independente e cada um leva um tempo exponencial com parâmetro λ para dar origem a um nascimento. Em uma população com n individuos a taxa total de nascimento é λ n = nλ, n = 0, 1,... Se X (t) representa o tamanho da população no tempo t então {X (t), t 0} é um processo de nascimento com taxa λ n 11 / 44
12 No caso geral, considere novamente uma população em que só há nascimentos sendo X (t) o número de elementos na população no tempo t. Assume-se que X (0) = 0. Sejam S 0, S 1,... os tempos entre nascimentos, e k 1 W k = S i, k = 1, 2,... i=0 o tempo para o k-ésimo nascimento. Pelo que sabemos de processos de Poisson, S 0, S 1,... são independentes e S k Exponencial(λ k ). Dizemos que {X (t), t 0} é um processo de nascimento puro com taxas de nascimento λ 0, λ 1, / 44
13 Sejam as probabilidades de que a cadeia esteja no estado n em um tempo t dado que começou no estado zero, P[X (t) = n X (0) = 0] = P n (t). Pelos resultados da Seção 1.2 temos que, P 0 (t) = e λ 0t [ e λ 0 ] t P 1 (t) = λ 0 + e λ1t λ 1 λ 0 λ 0 λ 1 ( n 1 ) n P n (t) = λ k B j,n e λ j t k=0 j=0 13 / 44
14 sendo, B 0,n = B k,n = B n,n = n 1 (λ j+1 λ j ) j=0 n j=0,j k 1 1 (λ j λ k ), k = 1,..., n 1 n 1 (λ j λ n ) j= / 44
15 Exemplo. Um processo de nascimento puro com X (0) = 0 tem taxas de nascimento λ 0 = 1, λ 1 = 3, λ 2 = 2 e λ 3 = 5. Calcule as probabilidades, P 0 (t), P 1 (t), P 2 (t) e P 3 (t). P 0 (t) = e t P 1 (t) = e t 2 e 3t / 44
16 Exemplo. Um equipamento está sujeito a operações dostipos 1, 2 e 3 em sequência. Os tempos para executar as operações S 1, S 2, S 3 são independentes e tem distribuições exponenciais com parâmetros λ 1 = 5, λ 2 = 3 e λ 3 = 13. Seja X (t) a operação que está sendo executada no tempo t. Calcule as probabilidades P 1 (t), P 2 (t) e P 3 (t). 16 / 44
17 Exemplo. Seja um processo de nascimento com taxas λ k = α + kβ, k = 0, 1, 2,.... Neste modelo, β representa a taxa de nascimento de cada individuo e α a taxa de imigração. Assumindo que X (0) = 0 determine as probabilidades P 0 (t), P 1 (t), P 2 (t), / 44
18 Probabilidades de transição Dado que o processo está no estado j, define-se a probabilidade de que esteja no estado i após um tempo t como, P ij (t) = P[X (t + s) = j X (s) = i] que são as probabilidades de transição da cadeia. Note que estas probabilidades não dependem de s. 18 / 44
19 Equações de Chapman-Kolmogorov Seja {X (t), t 0} uma cadeia de Markov em tempo continuo. A cadeia se move do estado i para o estado j no tempo t + s movendo-se do estado i para o estado k no tempo t e de k para o estado j no tempo restante s, P ij (t + s) = P ik (t)p kj (s) k=0 19 / 44
20 Além disso, P n (t) = P(X (t) = n) = P(X (t) = n X (0) = i)p(x (0) = i). i=0 20 / 44
21 Comportamento limite Em processos de nascimento e morte deseja-se saber se existe uma distribuição limite para a cadeia, independente do estado inicial. Para uma cadeia sem estados absorventes pode-se mostrar que, lim i0(t) t = π 0, lim i1(t) t = π 1, lim i2(t) t = π 2, com π j 0, j = 0, 1,... Se π j > 0, j = 0, 1,... segue também que j=0 π j = 1 e temos uma distribuição de probabilidades limite.. 21 / 44
22 Equaçoes de Kolmogorov, P i0(t) = λ 0 P i0 (t) + µ 1 P i1 (t) P ij(t) = λ j 1 P ij 1 (t) (λ j +µ j )P ij (t)+µ j+1 P i,j+1 (t), j = 1, 2,... Passando o limite para t, obtém-se 0 = λ 0 π 0 + µ 1 π 1 0 = λ j 1 π j 1 (λ j + µ j )π j + µ j+1 π j+1, j = 1, 2, / 44
23 A solução é obtida por indução sendo dada por, π j+1 = θ j+1 π 0 definindo-se os parâmetros θ como, θ 0 = 1 e θ j = j 1 k=0 λ k j k=1 µ, j = 1, 2,... k Somando-se ambos os lados segue que, π k = π 0 k=0 k=0 θ k e então, π j = θ j π 0 = θ j k=0 θ, j = 0, 1,... k 23 / 44
24 Portanto, fica claro que π 0, π 1,... define uma distribuição de probabilidades se k=0 θ k <. Caso contrário, se k=0 θ k = então π j = 0, j e a distribuição limite não existe. 24 / 44
25 Exemplo. Seja um processo de nascimento e morte com taxas λ n = a + nλ e µ n = nµ, n = 0, 1,.... Os parâmetros λ, µ > 0 são as taxas individuais de nascimento e morte e a > 0 é a taxa de imigração. θ 0 = 1 θ 1 = a µ θ 2 = θ 3 =. θ k = a(a + λ) 2µ 2 a(a + λ)(a + 2λ) 6µ 3 a(a + λ)... (a + (k 1)λ) k!µ k 25 / 44
26 θ k = = a λ ( a λ + 1)... ( a λ + (k 1)) k! ( a/λ + k 1 k ) ( λ µ ) k ( ) λ k µ Usando a expansão binomial, segue que, θ k = k=0 (1 x) N = ( ) N + k 1 x k, para x < 1, k k=0 ( a/λ + k 1 k=0 k ) ( λ µ ) k = ( 1 λ µ) a/λ, para λ < µ. 26 / 44
27 Conclui-se então que, para λ < µ a distribuição limite existe e é dada por, π 0 = π k = ( 1 λ ) a/λ µ ( a/λ + k 1 k ) ( ) λ k ( 1 λ a/λ, k = 1, 2,... µ µ) Se λ µ a distribuição limite não existe, 27 / 44
28 Exemplo. Um sistema é composto de N máquinas. Cada máquina opera um tempo aleatório com distribuição exponencial(λ). Quando uma máquina falha ela é consertada num tempo aleatório com distribuição exponencial(µ). X (t): o número de máquinas não defeituosas no tempo t, é um processo de nascimento e morte finito com parâmetros, para n = 0, 1,..., N. λ n = (N n)λ µ n = nµ 28 / 44
29 Temos então, θ 0 = 1 θ 1 = Nλ µ θ 2 = N(N 1)λ2 2µ 2. θ k = N(N 1)... (N k + 1)λk k!µ k = Pela fórmula binomial temos que, e portanto, N θ k = k=0 (1 + x) N = N k=0 ( N k N k=0 ( ) N x k k ( N k ) ( ) λ k ( = 1 + λ ) N µ µ ) ( ) λ k. µ 29 / 44
30 Conclui-se que a distribuição limite existe e é dada por, π 0 = π k = = = ( 1 + µ) λ N ( ) µ N = λ + µ ( ) ( ) N λ k ( 1 + λ ) N k µ µ ( ) ( ) N λ k ( ) µ N k µ λ + µ ( ) ( ) N λ k ( ) µ N k, k λ + µ λ + µ ou seja distribuição Binomial com parâmetros N e λ/(λ + µ). 30 / 44
31 Cadeias com estados absorventes Em processos de nascimento e morte com λ 0 = 0 o estado 0 é absorvente. Neste caso, deseja-se calcular a probabilidade de absorção dado que a cadeia iniciou no estado i = 1, 2,..., P(X (t) = 0 X (0) = i). Este não é um evento certo pois a cadeia pode ficar para sempre vagando pelos estado 1, 2, / 44
32 A probabilidade pode ser reescrita como, P(X (t) = 0 X (0) = i) = P(X (t) = 0 X (1) = k)p(x (1) = k X (0) = i) k=0 P(X (t) = 0 X (0) = i + 1)P i,i+1 + P(X (t) = 0 X (0) = i 1)P i,i 1 Defina u i a probabilidade de absorção dado que começou no estado i e lembrando que, P i,i+1 = λ i λ i + µ i segue que, u i = P i,i 1 = µ i λ i + µ i λ i u i+1 + µ i u i 1 λ i + µ i λ i + µ i 32 / 44
33 Podemos reescrever esta expressão como, u i+1 u i = (u i u i 1 ) µ i λ i, i = 1, 2,... ν i = ν i 1 µ i λ i = ν i 2 µ i λ i µ i 1 λ i 1. = ν 0 µ i µ i 1... µ 1 λ i λ i 1... λ 1 = ρ i ν 0, com ρ 0 = / 44
34 Some ambos os lados para i variando de 1 até um inteiro m 1, m 1 (u i+1 u i ) = (u 1 u 0 ) i=1 m 1 i=1 m 1 u m u 1 = (u 1 1) ρ i, m = 2, 3,... Sendo u m 1 segue que se m 1 i=1 ρ i = então u 1 = 1 e u m = 1, m > 1 e a absorção pelo estado 0 é certa para qualquer estado inicial. i=1 ρ i 34 / 44
35 Por outro lado, se 0 < u 1 < 1 então m 1 i=1 ρ i <. Neste caso u m é uma função decrescente de m (pois u 1 1 < 0). Pode-se mostrar que u m 0 quando m. Passando ao limite temos uma solução para u 1, i=1 u 1 = ρ i 1 + i=1 ρ i Substituindo na equação anterior, temos que u m = i=1 ρ i m 1 i=1 ρ i 1 + i=1 ρ i = i=m ρ i 1 + i=1 ρ i 35 / 44
36 Exemplo. Considere um processo de nascimento e morte com estados 0,1,2,3,4,5 e parâmetros (λ 0, λ 1, λ 2, λ 3, λ 4, λ 5 ) = (0, 1, 2, 3, 4, 0) (µ 0, µ 1, µ 2, µ 3, µ 4, µ 5 ) = (0, 4, 3, 2, 1, 0). Se o processo inicia no estado 2 calcular a probabilidade de absorção no estado 0. Os estados 0 e 5 são absorventes. Deseja-se calcular P(X (t) = 0 X (0) = 2). 36 / 44
37 Segue que, ρ 0 = 1 ρ 1 = µ 1 /λ1 = 4 ρ 2 = ρ 1 µ 2 /λ2 = 6 ρ 3 = ρ 2 µ 3 /λ3 = 4 ρ 4 = ρ 3 µ 4 /λ4 = 1 ρ 5 = 0 Portanto, P(X (t) = 0 X (0) = 2) = u 2 = 5 i=2 ρ i i=1 ρ = 0.73 i 37 / 44
38 Tempo médio até absorção Seja um processo de nascimento e morte com estado 0 absorvente. Assume-se que i=1 ρ i = (absorção certa). Seja w i o tempo médio de absorção começando no estado i. Seja T i o tempo de permanencia no estado i antes de mudar para i + 1 ou i 1. Sabemos que, T i Exponencial(λ i + µ i ), e P i,i+1 = λ i /(λ i + µ i ) e P i,i 1 = µ i /(λ i + µ i ). Então, w i = 1 λ i + µ i + λ i (λ i + µ i ) w i+1 + µ i (λ i + µ i ) w i 1, i = 1, 2, / 44
39 A expressão anterior pode ser reescrita como, w i = 1 + λ iw i+1 + µ i w i 1 λ i + µ i λ i (w i w i+1 ) = 1 + µ i (w i 1 w i ) z i = 1 ( ) µi + z i 1, i = 1, 2,... λ i Fazendo substituições sucessivas, z 1 = 1 λ 1 + ( µ1 λ 1 ) λ i z 0 z 2 = 1 λ 2 + µ 2 λ 2 λ 1 +. ( µ2 µ 1 λ 2 λ 1 ) z 0 39 / 44
40 Finalmente, z m = m 1 λ i i=1 m j=i+1 µ j m + λ j µ j λ j j=1 z 0. sendo m µ j j=m+1 λ j = 1. Voltando a notação anterior segue que, z m = m i=1 1 λ i ρ m ρ i + ρ m z 0. Equivalentemete, como z m = w m w m+1 e z 0 = w 0 w 1 = w 1, w m w m+1 ρ m = m i=1 1 λ i ρ i w / 44
41 Teorema. Seja um processo de nascimento e morte com parâmetros λ n e µ n, n = 1, 2,... e λ 0 = 0. Então, i=m ρ i 1 + i=1 ρ, se ρ i < i i=1 u m = 1, se ρ i = i=1 w m =, se i=1 i=1 m λ i ρ i 1 λ i ρ i = ρ k k=1 j=k+1 1 λ j ρ j, se i=1 1 λ i ρ i < 41 / 44
42 Exemplo. Considere uma população cujo número de elementos segue um processo de nascimento e morte com parâmetros λ n = nλ e µ n = nµ, n = 0, 1,.... O estado 0 é absorvente (extinção). Neste caso, ρ j = (µ/λ) j e portanto, ( µ ) j ρ j =. λ j=m j=m Se λ > µ temos a soma dos termos de uma progressão geométrica com razão µ/λ < 1 e assim, (µ/λ) m, se λ > µ, e 1 µ/λ ρ j = j=m, se λ µ, Analogamente, ρ j = 1 µ/λ, se λ > µ. 42 / 44 j=1
43 Finalmente, (µ/λ) m, se λ > µ, e P(X (t) = 0 X (0) = m) = 1, se λ µ 43 / 44
44 Para λ µ (extinção certa) e X (0) = 1, i=1 1 λ i ρ i = = 1 λ i=1 = 1 λ = 1 iλ i i=1 0 λ/µ 0 ( ) λ i = 1 µ λ λ/µ 1 λ log i=1 1 i x i 1 dx = 1 λ 1 1 x dx ( µ µ λ, se λ = µ. ( ) λ i = µ λ/µ 0 ), se λ < µ x i 1 dx i=1 44 / 44
Cadeias de Markov. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Cadeias de Markov Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 3 e 4 Taylor & Karlin 1 / 71 Cadeias de Markov Seja X 0, X 1,...
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisProcessos de Poisson
Processos de Poisson Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulo 5 Taylor & Karlin 1 / 37 Distribuição de Poisson Seja a variável
Leia maisCadeias de Markov de Tempo Contínuo (CTMC)
Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições
Leia maisTeoria de Filas Aula 10
Aula Passada Comentários sobre a prova Teoria de Filas Aula 10 Introdução a processos estocásticos Introdução a Cadeias de Markov Aula de Hoje Cadeias de Markov de tempo discreto (DTMC) 1 Recordando...
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Cadeias de Markov 20/11/2017 Andrei Markov Em 1907, Andrei Markov iniciou um estudo sobre processos onde o resultado de um experimento depende do resultado de
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos
Leia maisPropriedade Markoviana
Cadeias de Markov Cadeias de Markov É um tipo especial de processo estocástico, que satisfaz as seguintes condições: o parâmetro n é discreto (ex: tempo) o espaço de estados E é discreto (coleção de estados
Leia maisModelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014
Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos
Leia maisPROCESSO DE POISSON. Processo Estocástico Prof, Ms. Eliana Carvalho
Processo Estocástico Prof, Ms. Eliana Carvalho Este processo estocástico deve o seu nome ao matemático francês Simion-Denis Poisson (1781-1840). Espaço de estados discreto (cadeia) Variável tempo é contínua
Leia maisFORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG exp(x) = j=0. j+1 xj ( 1) j=1. ( 1) j x j for 1 < x < 1
FORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG 008 Desenvolvimentos em série log( + x) = ( + x) = exp(x) = X ( ) = Cadeias de Markov + x X x! for < x X ( ) x for < x < Equações de Chapman-Kolmogorov
Leia mais(a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p), então (X + Y ) Binomial(n + m, p).
Capítulo 0 Revisões Exercício 0.1 Sejam X e Y variáveis aleatórias independentes. Mostre que: (a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p),
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia maisNoções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
Leia maisAULA 16 - Distribuição de Poisson e Geométrica
AULA 16 - Distribuição de Poisson e Geométrica Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuição de Poisson Em muitas situações nos deparamos com a situação em que o número de ensaios
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
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 maisModelização do Sistema Produtivo Teoria das Filas de Espera
Modelização do Sistema Produtivo Teoria das Filas de Espera http://www.fe.up.pt/maspwww Licenciatura em Engenharia Electrotécnica e de Computadores Gil M. Gonçalves Gil.Goncalves@fe.up.pt 2004/2005 Outline
Leia maisModelos Probabilisticos Discretos
Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisAula - Equações de Chapman-Kolmogorov
Equações de Chapman-Kolmogorov Prof. Magnos Martinello Aula - Equações de Chapman-Kolmogorov Universidade Federal do Esprito Santo-UFES 2011 Equações de Chapman-Kolmogorov 1/17 Introdução As equações de
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
Leia maisPROCESSOS ESTOCÁSTICOS E APLICAÇÕES
PROCESSOS ESTOCÁSTICOS E APLICAÇÕES JOSÉ PEDRO GAIVÃO Conteúdo 1. Noções Gerais 2 1.1. Relembrar de teoria de probabilidades 2 1.2. Processos estocásticos 3 2. Esperança Condicional 5 2.1. Esperança condicional
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 maisModelos Probabilísticos Filas M/M/1, M/G/1. Profa. Jussara M. Almeida 1 o Semestre de 2014
Modelos Probabilísticos Filas M/M/1, M/G/1 Profa. Jussara M. Almeida 1 o Semestre de 2014 Modelos Probabilísticos de Filas R W S λ Notação de Kendall Fila G / G / 1 1 = um único servidor Distribuição dos
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisMOQ-12 Cadeias de Markov
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-12 Cadeias de Markov Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Roteiro Introdução Processos Estocásticos
Leia maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
Leia maisBinomiais e Primos. p p 2 + p 3 + p k. Demonstração. No produto n! = n, apenas os múltiplos de p contribuem com um fator p.
Polos Olímpicos de Treinamento Curso de Teoria dos Números - Nível 3 Carlos Gustavo Moreira Aula 16 Binomiais e Primos Começamos lembrando a Proposição 1 (Fatores do Fatorial) Seja p um primo Então a maior
Leia maisConceitos Básicos, Básicos,Básicos de Probabilidade
Conceitos Básicos, Básicos,Básicos de Probabilidade Espaço Amostral Base da Teoria de Probabilidades Experimentos são realizados resultados NÃO conhecidos previamente Experimento aleatório Exemplos: Determinar
Leia 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 maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia 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 maisProcessos Estocásticos
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisProcessos Estocásticos
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 1 Introdução aos Processos Estocásticos Exercício 1.1 O número de sinais emitidos por uma
Leia maisSe X t = 4 X t+1 = X t+2 =... = 4. Cadeias de Markov Classificação Cadeias ergódicas Cadeias com absorção
Nesta aula... Processos estocásticos 1 2 3 Processos estocásticos: Suponhamos que observamos um conjunto de caracteristicas de um sistema em instantes de tempo discretos 0, 1, 2,... A característica do
Leia maisf(x t =x t )= F(X t =x t )/ x X 1 X 2 X 3 X 4 Representação Gráfica de um Processo Estocástico
CAÍTULO ROCESSOS ESTOCÁSTICOS - Introdução ) A variação de tráfego em um cruzamento que envolve a formação e dissipação de congestionamento de tráfego. ) A variação diária do nível de estoques de um determinado
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisIndução Matemática. Matemática Discreta. Indução Matemática. Mayara Midori Omai e Sheila Morais de Almeida UTFPR-PG. Abril
Matemática Discreta Indução Matemática Mayara Midori Omai e Sheila Morais de Almeida UTFPR-PG Abril - 2017 Indução Matemática Se desejamos provar que A(n) B(n) é verdade para números inteiros k maiores
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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisClassificação de estados em uma cadeia de Markov. Professora Eliana Carvalho
Classificação de estados em uma cadeia de Markov Professora Eliana Carvalho Classificação de estados em uma cadeia de Markov Os estados de uma cadeia de Markov podem ser classificados com base na probabilidade
Leia mais1/7 1/ se hoje não chove, amanhã não vai chover com probabilidade p 00 = 6/7;
6/7 nao chove 1/7 chove 1/3 "0" /3 "1" Figura 1: Todas as transições com suas respectivas probabilidades representadas através de um grafo. Notem que para cada estado, a soma das probabilidades das flechas
Leia maisIndução Matemática. Profa. Sheila Morais de Almeida. junho DAINF-UTFPR-PG
Indução Matemática Profa. Sheila Morais de Almeida DAINF-UTFPR-PG junho - 2018 Sheila Almeida (DAINF-UTFPR-PG) Indução Matemática junho - 2018 1 / 38 Este material é preparado usando como referências os
Leia maisProcessos Estocásticos
Processos Estocásticos Quinta Lista de Exercícios 2 de fevereiro de 20 Suponha que um organismo unicelular pode estar somente em dois estágios distintos A ou B Um indivíduo no estágio A passa para o estágio
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Cadeias de Markov Em 1907, Andrew Markov iniciou um estudo sobre um modelo onde o resultado
Leia mais3. CADEIA DE MARKOV EM TEMPO DISCRETO
3. CADEIA DE MARKOV EM TEMPO DISCRETO 3. Definição Uma Cadeia de Markov em Tempo Discreto é um processo estocástico em que a variável t representa intervalos de tempo, { }e que segue a propriedade de Markov,
Leia maisPROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 7 11 e 12 abril MOQ-12 Probabilidades e Int. a Processos Estocásticos
PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS Aula 7 11 e 12 abril 2007 1 Distribuições Discretas 1. Distribuição Bernoulli 2. Distribuição Binomial 3. Distribuição Geométrica 4. Distribuição Pascal
Leia mais3 Apresentação do processo e resultados preliminares
3 Apresentação do processo e resultados preliminares O Capitulo 1 dá a ferramenta para construir uma cadeia de Markov a tempo contínuo, a partir de uma cadeia de Markov a tempo discreto. Agora, queremos
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia 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 maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Parte VI: Introdução aos Processos Estocásticos e Teoria das Filas Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Processos Estocásticos Família de VAs
Leia maisAvaliação de Desempenho de Sistemas Discretos
Processos Estocásticos Avaliação de Desempenho de Sistemas Discretos Parte VI: Introdução aos Processos Estocásticos e Teoria das Filas Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Família de VAs
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 2 Leitura obrigatória: Devore, seções 3.4, 3.5 (hipergeométrica), 3.6 Aula 5-1 Objetivos Nesta parte 01 aprendemos a representar,
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia maisEquação Geral do Segundo Grau em R 2
8 Equação Geral do Segundo Grau em R Sumário 8.1 Introdução....................... 8. Autovalores e autovetores de uma matriz real 8.3 Rotação dos Eixos Coordenados........... 5 8.4 Formas Quadráticas..................
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 maisMATEMÁTICA A - 11.o Ano. Propostas de resolução
MATEMÁTICA A -.o Ano Sucessões Propostas de resolução Exercícios de exames e testes intermédios. Designado por a o maior dos dois termos considerados da progressão geométrica, e por b 0 menor, como a razão
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisCapítulo 3 Processos de Poisson
Capítulo 3 Processos de Poisson Exercício 31 Este exercício decorre de desenvolvimentos efectuados nas aulas teóricas e do Exercício (6) Exercício 32 Procedendo como no Exercício 4, conclui-se que a distribuição
Leia 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 maisCadeias de Markov e Campos Aleatórios Markovianos
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE FÍSICA Cadeias de Markov e Campos Aleatórios Markovianos Wagner Gomes Rodrigues Junior Profª Drª Tania Tomé - IFUSP São Paulo 2009 Sumário 1 Cadeias de MarKov 1 SUMÁRIO
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisAplicação. Controlo Óptimas. 23º Seminário de Engenharia Mecânica - 4 Junho de Nuno Manuel R. S. Órfão
Aplicação de Cadeias de Markov em Redes de Filas de Espera Políticas de Controlo Óptimas 23º Seminário de Engenharia Mecânica - 4 Junho de 2003 - Nuno Manuel R. S. Órfão nmorfao@estg.ipleiria.pt 1 Sumário
Leia maisProbabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
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 maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
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 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 maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - 1o Ano 01-1 a Fase Proposta de resolução GRUPO I 1. Sabemos que P B A P B A P A P B A P B A P A Como P A 0,, temos que P A 1 P A 1 0, 0,6 Como P B A 0,8 e P A 0,6, temos
Leia maisModelagem e Avaliação de Desempenho
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Exemplos usados na apresentação foram obtidos de Introduction to Probability, C.M.Grinstead
Leia maisModelos discretos e contínuos
Modelos discretos e contínuos Joaquim Neto joaquim.neto@ufjf.edu.br Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF Versão 3.0 1
Leia maisSéries Potências II. por Abílio Lemos. Universidade Federal de Viçosa. Departamento de Matemática UFV. Aulas de MAT
Séries Potências II por Universidade Federal de Viçosa Departamento de Matemática-CCE Aulas de MAT 147-2018 26 e 28 de setembro de 2018 Se a série de potências c n (x a) n tiver um raio de convergência
Leia maisLista de Exercícios - SCE131
Lista de Exercícios - SCE131 Prof. Eduardo F. Costa - ICMC - USP http://www.icmc.usp.br/ efcosta Parte 1 - Cadeia de Markov (a tempo discreto) Exercício 1. Seja uma cadeia de Markov com probabilidades
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT) Distribuições de
Leia maisProcessos de Markov. Processos de Markov com tempo discreto Processos de Markov com tempo contínuo. com tempo discreto. com tempo contínuo
Processos de Markov Processos sem memória : probabilidade de X assumir um valor fuuro depende apenas do esado aual (desconsidera esados passados). P(X n =x n X =x,x 2 =x 2,...,X n- =x n- ) = P(X n =x n
Leia maisINE Fundamentos de Matemática Discreta para a Computação
INE5403 - Fundamentos de Matemática Discreta para a Computação ) Fundamentos.1) Conjuntos e Sub-conjuntos.) Números Inteiros.3) Funções.4) Seqüências e Somas.5) Crescimento de Funções Seqüências Uma seqüência
Leia mais4. ([Magalhães, 2011] - Seção 2.4) Seja X U( α, α), determine o valor do parâmetro α de modo que:
GET189 Probabilidade I Lista de exercícios - Capítulo 6 1. ([Ross, 21] - Capítulo 5) Em uma estação, trens partem para a cidade A de 15 em 15 minutos, começando às 7:h; e trens partem para a cidade B de
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisProcessos Estocásticos aplicados à Sistemas Computacionais
Processos Estocásticos aplicados à Sistemas Computacionais Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia
Leia maisProcessos de Poisson
Processos de Poisson Mauro C. M. Campos 1 SUMÁRIO I Alguns fatos sobre a distribuição exponencial 1 II Alguns fatos sobre a distribuição de Poisson 2 III Processos estocásticos em tempo contínuo 2 IV Processos
Leia maisAPLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1
Disciplinarum Scientia. Série: Ciências Exatas, S. Maria, v.2, n.1, p.59-68, 2001 59 APLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1 APPLICATION OF BANACH FIXED POINT THEOREM
Leia maisPROPOSTA DE RESOLUÇÃO DA PROVA DE MATEMÁTICA A DO ENSINO SECUNDÁRIO (CÓDIGO DA PROVA 635) 1ª FASE 25 DE JUNHO 2018 CADERNO 1
PROPOSTA DE RESOLUÇÃO DA PROVA DE MATEMÁTICA A DO ENSINO SECUNDÁRIO (CÓDIGO DA PROVA 635) ª FASE 5 DE JUNHO 08 CADERNO... P00/00 Seja X a variável aleatória: Número de vezes que sai a face numerada com
Leia maisVariáveis Aleatórias Discretas
Variáveis Aleatórias Discretas Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Definição Uma variável aleatória é uma função definida
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 20
Teoria das Filas aplicadas a Sistemas Computacionais Aula 20 Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia
Leia maisAnálise de Dados em Astronomia. 3. Distribuições de Probabilidades
1 / 24 3. Distribuições de Probabilidades Análise de Dados em Astronomia 3. Distribuições de Probabilidades Laerte Sodré Jr. AGA0505, 1o. semestre 2019 introdução aula de hoje 1 2 a distribuição uniforme
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano Época especial
Prova Escrita de MATEMÁTICA A - 2o Ano 20 - Época especial Proposta de resolução GRUPO I. Considerando a eperiência aleatória que consiste em escolher, ao acaso, um jovem inscrito no clube, e os acontecimentos:
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia mais