PE-MEEC 1S 09/ Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,
|
|
- Victor Luís Lombardi Braga
- 8 Há anos
- Visualizações:
Transcrição
1 Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis 4.3 Distribuição uniforme contínua 4.4 Distribuição normal 4.5 Distribuição exponencial Capítulo 4 - Variáveis aleatórias e distribuições contínuas PE-MEEC 1S 09/10 118
2 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade Exemplos: Considerar as seguintes variáveis aleatórias: T - tempo de vida de um determinado equipamento X - intensidade da corrente em determinado ponto de um circuito Y - resistência mecânica de uma peça PE-MEEC 1S 09/10 119
3 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade Exemplos: Considerar as seguintes variáveis aleatórias: T - tempo de vida de um determinado equipamento X - intensidade da corrente em determinado ponto de um circuito Y - resistência mecânica de uma peça Em qualquer destes exemplos é razoável dizer que os valores possíveis das variáveis são intervalos números reais (de comprimento finito ou infinito) = N. o de valores possíveis é infinito não contável PE-MEEC 1S 09/10 119
4 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade Exemplos: Considerar as seguintes variáveis aleatórias: T - tempo de vida de um determinado equipamento X - intensidade da corrente em determinado ponto de um circuito Y - resistência mecânica de uma peça Em qualquer destes exemplos é razoável dizer que os valores possíveis das variáveis são intervalos números reais (de comprimento finito ou infinito) = N. o de valores possíveis é infinito não contável Definição: Uma variável aleatória é contínua se o seu contradomínio contiver um intervalo de números reais e nenhum desses valores puder ser observado repetidamente. Nota: há v.a. discretas que tomam um número tão elevado de valores que é mais conveniente tratá-las como contínuas (p.ex., o valor do saldo contabilístico de uma conta bancária seleccionada ao acaso). PE-MEEC 1S 09/10 119
5 4.1 (cont.) Como descrever uma v.a. contínua? O método usado para as v.a. discretas (lista dos valores possíveis de X e respectivas probabilidades) não é aplicável pois é impossível elaborar uma lista desses valores. Se pudéssemos listar todos os pequenos intervalos... PE-MEEC 1S 09/10 120
6 4.1 (cont.) Como descrever uma v.a. contínua? O método usado para as v.a. discretas (lista dos valores possíveis de X e respectivas probabilidades) não é aplicável pois é impossível elaborar uma lista desses valores. Se pudéssemos listar todos os pequenos intervalos... Para resolver este problema admite-se que existe uma função, f X (x), tal que para cada intervalo de comprimento pequeno, x, se verifica ( P x x 2 < X < x + x ) f X (x) x 2 ou f X (x) P ( x x 2 < X < x + x 2 ) x PE-MEEC 1S 09/10 120
7 4.1 (cont.) Como descrever uma v.a. contínua? O método usado para as v.a. discretas (lista dos valores possíveis de X e respectivas probabilidades) não é aplicável pois é impossível elaborar uma lista desses valores. Se pudéssemos listar todos os pequenos intervalos... Para resolver este problema admite-se que existe uma função, f X (x), tal que para cada intervalo de comprimento pequeno, x, se verifica ( P x x 2 < X < x + x ) f X (x) x 2 ou f X (x) P ( x x 2 < X < x + x ) 2 x a esta função chama-se função de densidade de probabilidade (por analogia com a densidade de massa) PE-MEEC 1S 09/10 120
8 Esta função pode surgir como limite do histograma quando n
9 Esta função pode surgir como limite do histograma quando n n=200
10 Esta função pode surgir como limite do histograma quando n n=200 n=1000
11 Esta função pode surgir como limite do histograma quando n n=200 n=1000 n=10000
12 Esta função pode surgir como limite do histograma quando n n=200 n=1000 n=10000 n=100000
13 4.1 (cont.) Definição: A função f X (x) é a função de densidade de probabilidade da v.a. contínua X se 1) f X (x) 0, x R 2) + f X (x)dx = 1 3) P(a X b) = b a f X (x)dx, a,b R: a b PE-MEEC 1S 09/10 122
14 4.1 (cont.) Definição: A função f X (x) é a função de densidade de probabilidade da v.a. contínua X se 1) f X (x) 0, x R 2) + f X (x)dx = 1 3) P(a X b) = b a f X (x)dx, a,b R: a b f X (x) P(a X b) a b x PE-MEEC 1S 09/10 122
15 4.1 (cont.) Consequência: para qualquer variável aleatória contínua P(X = x) = x x f X (u)du = 0, x R PE-MEEC 1S 09/10 123
16 4.1 (cont.) Consequência: para qualquer variável aleatória contínua P(X = x) = x x f X (u)du = 0, x R Ou seja, há acontecimentos que podem ocorrer, mas que têm probabilidade zero. A um acontecimento deste tipo chama-se acontecimento quase impossível. Por outras palavras, todas as vezes que se realizar a experiência aleatória correspondente observa-se um acontecimento quase impossível! Faz sentido? PE-MEEC 1S 09/10 123
17 4.1 (cont.) Sim, porque o que está em causa é a probabilidade do acontecimento formado por um único ponto mesmo que o dito ponto seja observado, isso não voltará a acontecer repetidamente (exactamente o mesmo ponto, note-se), logo a frequência relativa do acontecimento {X = x} aproxima-se inevitavelmente de zero P(X = x) = 0 (interpretação frequencista). Note-se que a situação é totalmente diferente com acontecimentos do tipo {x ε X x + ε}. Em geral, se x {contradomínio de X}, P (x ε X x + ε) > 0, ε>0 PE-MEEC 1S 09/10 124
18 4.1 (cont.) Sim, porque o que está em causa é a probabilidade do acontecimento formado por um único ponto mesmo que o dito ponto seja observado, isso não voltará a acontecer repetidamente (exactamente o mesmo ponto, note-se), logo a frequência relativa do acontecimento {X = x} aproxima-se inevitavelmente de zero P(X = x) = 0 (interpretação frequencista). Note-se que a situação é totalmente diferente com acontecimentos do tipo {x ε X x + ε}. Em geral, se x {contradomínio de X}, P (x ε X x + ε) > 0, ε>0 Outra consequência: para qualquer variável aleatória contínua P(a X b) = P(a < X b) = P(a X < b) = P(a < X < b) PE-MEEC 1S 09/10 124
19 4.1 (cont.) Exemplo: Uma experiência aleatória consiste em escolher, totalmente ao acaso, um ponto do intervalo [0,2]. Seja X a variável aleatória que representa a distância à origem. Qual será a f.d.p. de X? Calcular P(0.5 < X < 1.5). Resolução: PE-MEEC 1S 09/10 125
20 4.1 (cont.) Exemplo: Uma experiência aleatória consiste em escolher, totalmente ao acaso, um ponto do intervalo [0,2]. Seja X a variável aleatória que representa a distância à origem. Qual será a f.d.p. de X? Calcular P(0.5 < X < 1.5). Resolução: totalmente ao acaso segmentos [0,2] com o mesmo comprimento devem ter a mesma probabilidade f X (x) é constante em [0,2], ou seja f X (x) = { k, 0 x 2 0, c.c. k f X (x) 2 x PE-MEEC 1S 09/10 125
21 4.1 (cont.) k =? + f X (x)dx = dx k dx dx = 1 2 k = 1 k = 1 2 PE-MEEC 1S 09/10 126
22 4.1 (cont.) k =? + f X (x)dx = dx k dx dx = 1 2 k = 1 k = 1 2 P(0.5 < X < 1.5) = [ x ] dx = = PE-MEEC 1S 09/10 126
23 4.1 (cont.) k =? + f X (x)dx = dx k dx dx = 1 2 k = 1 k = 1 2 P(0.5 < X < 1.5) = [ x ] dx = = Graficamente: 1 2 f X (x) Área = x PE-MEEC 1S 09/10 126
24 4.1 (cont.) Observações: Geralmente não é fácil determinar f X (x), a não ser em casos como o anterior. Nesta fase vamos admitir que essa função é conhecida. Tal como se viu anteriormente (Cap. 3) uma descrição alternativa de uma v.a. é dada pela função de distribuição acumulada (ou, simplesmente, função de distribuição). PE-MEEC 1S 09/10 127
25 4.1 (cont.) Observações: Geralmente não é fácil determinar f X (x), a não ser em casos como o anterior. Nesta fase vamos admitir que essa função é conhecida. Tal como se viu anteriormente (Cap. 3) uma descrição alternativa de uma v.a. é dada pela função de distribuição acumulada (ou, simplesmente, função de distribuição). Definição: A função de distribuição (ou função de distribuição acumulada) de uma v.a. contínua, X, é F X (x) = P(X x) = x f X (u)du, com x R PE-MEEC 1S 09/10 127
26 4.1 (cont.) Exemplo (cont.): (número ao caso em [0,2]) cálculo de F X (x) x < 0 : F X (x) = 0 x 2 : F X (x) = x > 2 : F X (x) = x du = 0 0 du + 0 du + x [ u 2 du = du + x 2 ] x 0 = x 2 0 du = 1 PE-MEEC 1S 09/10 128
27 4.1 (cont.) Exemplo (cont.): (número ao caso em [0,2]) cálculo de F X (x) x < 0 : F X (x) = 0 x 2 : F X (x) = x > 2 : F X (x) = x du = 0 0 du + 0 du + x [ u 2 du = du + x 2 ] x 0 = x 2 0 du = 1 F X (x) 1 2 x PE-MEEC 1S 09/10 128
28 4.1 (cont.) Propriedades da função de distribuição de uma v.a. contínua 1. contínua 2. domínio = R 3. não decrescente: x 1 < x 2 F X (x 1 ) F X (x 2 ) 4. lim x F X (x) = 0 lim x + F X (x) = 1 5. contradomínio [0, 1] 6. como F X (x) = x f X (u) du conclui-se que f X (x) = d F X(x) dx 7. se a < b, P(a < X < b) = F X (b) F X (a) PE-MEEC 1S 09/10 129
29 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis O valor esperado e a variância são definidos de forma semelhante ao que foi feito para o caso discreto (ver Secção 3.3), com as necessárias adaptações. 1 PE-MEEC 1S 09/10 130
30 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis O valor esperado e a variância são definidos de forma semelhante ao que foi feito para o caso discreto (ver Secção 3.3), com as necessárias adaptações. 1 Definição: Seja X uma v.a. contínua com função densidade de probabilidade f X (x), < x < +, O valor esperado de X é A variância de X é E(X) = µ X = µ = + x f X (x)dx V (X) = σ 2 X = σ 2 = + (x µ X ) 2 f X (x)dx O desvio padrão de X é σ X = [V (X)] 1/2 1 somatórios integrais PE-MEEC 1S 09/10 130
31 4.2 (cont.) Notar ainda que E [h(x)] = + h(x) f X (x)dx PE-MEEC 1S 09/10 131
32 4.2 (cont.) Notar ainda que E [h(x)] = + h(x) f X (x)dx Mantêm-se as interpretações e as propriedades (Cap. 3) E (ax + b) = ae(x) + b, a,b R V (X) = E(X 2 ) [E(X)] 2 V (ax + b) = a 2 V (X), a,b R PE-MEEC 1S 09/10 131
33 4.2 (cont.) Outros parâmetros de localização Moda: de uma v.a. contínua X é o valor, ou valores, onde a função densidade de probabilidade é máxima (m 0 ) m 0 : f X (m 0 ) = max x f X (x) Obs.: A moda pode não ser única. Podem ainda definir-se modas relativas (correspondentes a máximos relativos). PE-MEEC 1S 09/10 132
34 4.2 (cont.) Outros parâmetros de localização Moda: de uma v.a. contínua X é o valor, ou valores, onde a função densidade de probabilidade é máxima (m 0 ) m 0 : f X (m 0 ) = max x f X (x) Obs.: A moda pode não ser única. Podem ainda definir-se modas relativas (correspondentes a máximos relativos). Exemplo: f X (x) 2 3 m 0 = 1 3 x PE-MEEC 1S 09/10 132
35 4.2 (cont.) Mediana: de uma v.a. contínua X é um ponto central em termos de probabilidade, ou seja, tal que, P(X m e ) = P(X m e ) = 0.5 m e : P(X m e ) = P(X m e ) = 1 2 F X (m e ) = 1 2 esta equação tem sempre pelo menos uma solução. Se F X (x) for invertível em ]0,1[ então a solução é única e pode ser escrita como m e = F 1 X (1/2). PE-MEEC 1S 09/10 133
36 4.2 (cont.) Mediana: de uma v.a. contínua X é um ponto central em termos de probabilidade, ou seja, tal que, P(X m e ) = P(X m e ) = 0.5 m e : P(X m e ) = P(X m e ) = 1 2 F X (m e ) = 1 2 esta equação tem sempre pelo menos uma solução. Se F X (x) for invertível em ]0,1[ então a solução é única e pode ser escrita como m e = F 1 X (1/2). Exemplo: f X (x) 3 3 Exercício: (a) Escrever f X (x). (b) Mostrar que E(X) = 4/3 e verificar que m 0 > m e > E(X) (assimetria à direita). Área = 1 2 m e = x PE-MEEC 1S 09/10 133
37 4.2 (cont.) Quartis e outros que tais: 1. o quartil: q 1 : F X (q 1 ) = 1/4 ou q 1 = F 1 X (1/4) 3. o quartil: q 3 : F X (q 3 ) = 3/4 ou q 3 = F 1 X (3/4) Quantil de ordem α (com 0 < α < 1): x α : F X (x α ) = α ou x α = F 1 X (α) PE-MEEC 1S 09/10 134
38 4.2 (cont.) Quartis e outros que tais: 1. o quartil: q 1 : F X (q 1 ) = 1/4 ou q 1 = F 1 X (1/4) 3. o quartil: q 3 : F X (q 3 ) = 3/4 ou q 3 = F 1 X (3/4) Quantil de ordem α (com 0 < α < 1): x α : F X (x α ) = α ou x α = F 1 X (α) Graficamente: F X (x) 1 α x α 2 x PE-MEEC 1S 09/10 134
39 4.3 Distribuição uniforme contínua É a distribuição contínua mais simples. Um exemplo é a variável considerada anteriormente, relativa à escolha de um ponto ao acaso em [0,2]. PE-MEEC 1S 09/10 135
40 4.3 Distribuição uniforme contínua É a distribuição contínua mais simples. Um exemplo é a variável considerada anteriormente, relativa à escolha de um ponto ao acaso em [0,2]. Definição: Uma v.a. contínua tem distribuição uniforme contínua de parâmetros a e b, com a < b, se 1 f X (x) = b a, a x b 0, c.c. abreviadamente, X U nif(a, b) Tem-se ainda µ X = E(X) = a + b 2 (obviamente?) e σ 2 X = V (X) = (b a)2 12 PE-MEEC 1S 09/10 135
41 4.3 (cont.) Demonstração: (Completar!) E(X) = b a x b a dx = E(X 2 ) = b a x 2 b a dx = V (X) = No exemplo X Unif(0,2) com a = 0 e b = 2 vem E(X) = 1 (óbvio por simetria!) e V (X) = 1/3 PE-MEEC 1S 09/10 136
42 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular PE-MEEC 1S 09/10 137
43 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular n = 20 p = PE-MEEC 1S 09/10 137
44 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular n = 20 p = 0.45 n = 100 p = PE-MEEC 1S 09/10 137
45 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular n = 20 p = 0.45 n = 100 p = n = 200 p = PE-MEEC 1S 09/10 137
46 4.4 Distribuição normal Factos sobre a distribuição normal: A distribuição normal apareceu pela primeira vez (embora sem nome) num trabalho de De Moivre em 1733, como um limite da distribuição binomial quando n. Simular n = 20 p = 0.45 n = 100 p = n = 200 p = n = 500 p = PE-MEEC 1S 09/10 137
47 4.4 (cont.) O resultado de De Moivre (aproximação normal da distribuição binomial) permaneceu praticamente desconhecido durante os 80 anos seguintes, até que em 1812 Laplace o generalizou e publicou no livro Théorie analytique des probabilités (este resultado é conhecido como Teorema de De Moivre-Laplace). Independentemente, esta distribuição foi estudada por Gauss (1809) e utilizada para modelar erros de medição em astronomia. O termo distribuição normal (típica, habitual) só apareceu muito mais tarde (cerca de 1875). É também conhecida como distribuição Gaussiana, ou de Gauss, ou ainda de Laplace-Gauss. Verifica-se que é uma boa aproximação para muitos fenómenos naturais (físicos, biológicos, psicológicos...) e não só (económicos, sociais...). É de importância fundamental em estatística indutiva. PE-MEEC 1S 09/10 138
48 4.4 (cont.) Definição: Uma v.a. contínua tem distribuição normal de parâmetros µ, com µ R, e σ 2, com σ > 0, se f X (x) = f X (x;µ,σ) = 1 2πσ 2 e (x µ)2 2σ 2, x R abreviadamente, X N(µ,σ 2 ) Tem-se ainda E(X) = µ (obviamente?) 2 e V (X) = σ 2 2 E(X) = + xf X(x; µ, σ)dx pode ser calculado recorrendo à transformação z = (x µ)/σ. Idem para E(X 2 ). PE-MEEC 1S 09/10 139
49 4.4 (cont.) Os gráficos de f X : PE-MEEC 1S 09/10 140
50 4.4 (cont.) Definição: Uma v.a. normal com µ = 0 e σ 2 = 1 é designada por normal reduzida (ou padrão, ou estandardizada), e é geralmente representada como Z N(0,1). PE-MEEC 1S 09/10 141
51 4.4 (cont.) Definição: Uma v.a. normal com µ = 0 e σ 2 = 1 é designada por normal reduzida (ou padrão, ou estandardizada), e é geralmente representada como Z N(0,1). Propriedade: Se X N(µ,σ 2 ) e Y = ax + b, em que a e b são constantes (a 0) então Y N(aµ + b,a 2 σ 2 ) PE-MEEC 1S 09/10 141
52 4.4 (cont.) Definição: Uma v.a. normal com µ = 0 e σ 2 = 1 é designada por normal reduzida (ou padrão, ou estandardizada), e é geralmente representada como Z N(0,1). Propriedade: Se X N(µ,σ 2 ) e Y = ax + b, em que a e b são constantes (a 0) então Y N(aµ + b,a 2 σ 2 ) Demonstração: o que se pretende mostrar é que [ ] 1 f Y (y) = 2πa 2 σ exp (y (aµ + b))2 2 2a 2 σ 2 PE-MEEC 1S 09/10 141
53 4.4 (cont.) O mais conveniente é começar por manipular as funções de distribuição e a seguir derivar para obter funções de densidade (o método é geral para obter a distribuição de uma v.a. que é função de outra com distribuição conhecida): F Y (y) = P(Y y) = P(aX + b y) = P ( X y b ) a ( ) y b = F X a PE-MEEC 1S 09/10 142
54 4.4 (cont.) O mais conveniente é começar por manipular as funções de distribuição e a seguir derivar para obter funções de densidade (o método é geral para obter a distribuição de uma v.a. que é função de outra com distribuição conhecida): F Y (y) = P(Y y) = P(aX + b y) = P ( X y b ) a ( ) y b = F X a logo f Y (y) = df Y (y) dy = d dy F X ( ) y b a = 1 a f X ( ) y b a PE-MEEC 1S 09/10 142
55 4.4 (cont.) O mais conveniente é começar por manipular as funções de distribuição e a seguir derivar para obter funções de densidade (o método é geral para obter a distribuição de uma v.a. que é função de outra com distribuição conhecida): F Y (y) = P(Y y) = P(aX + b y) = P ( X y b ) a ( ) y b = F X a logo f Y (y) = df Y (y) dy agora é fácil verificar que 1 a = d dy F X [ 1 exp 2πσ 2 ( ) y b = 1 a a f X (y b a ] µ)2 2σ 2 ( ) y b a coincide com a expressão de f Y (y) do slide anterior. PE-MEEC 1S 09/10 142
56 4.4 (cont.) Ou seja, uma transformação linear de uma v.a. normal altera os parâmetros (obviamente de acordo com as regras que já conhecíamos) mas não altera o tipo de distribuição (questão: será que acontece o mesmo para as distribuições discretas e contínuas anteriores?). Assim, para muitos cálculos podemos usar apenas uma distribuição normal (escolhemos a mais simples: normal padrão). Qualquer variável aleatória normal pode ser transformada em normal padrão: Se X N(µ,σ 2 ) e Z = X µ σ então Z N(0,1) Justifique! PE-MEEC 1S 09/10 143
57 4.4 (cont.) Funções de distribuição: Z N(0,1): P(Z x) = x 1 e u2 /2 du 2π } {{ }? Φ(x) Como e u2 /2 não tem primitiva elementar, o valor do integral só pode ser obtido por métodos numéricos. X N(µ,σ 2 ): F X (x) = P(X x) = P ( X µ σ x µ ) σ = = P ( Z x µ ) σ ( ) x µ = Φ σ PE-MEEC 1S 09/10 144
58 4.4 (cont.) Os gráficos de F X : PE-MEEC 1S 09/10 145
59 4.4 (cont.) Cálculo de probabilidades: Programas em computador ou calculadora (não é necessário usar a normal padrão) Tabelas (é necessário usar a normal padrão) (ver). Resultado útil: Φ(x) = 1 Φ( x), x R PE-MEEC 1S 09/10 146
60 4.4 (cont.) Alguns valores de probabilidades (quaisquer que sejam µ e σ) µ 3σ µ 2σ µ σ µ µ+σ µ+2σ µ+3σ PE-MEEC 1S 09/10 147
61 4.4 (cont.) Cálculos: X N(µ,σ 2 ), µ,σ P(µ σ < X < µ + σ) = P ( µ σ µ σ < X µ σ < µ + σ µ ) σ = = Φ(1) Φ( 1) = = P(µ 2σ < X < µ + 2σ) = Φ(2) Φ( 2) = = P(µ 3σ < X < µ + 3σ) = Φ(3) Φ( 3) = = PE-MEEC 1S 09/10 148
62 4.4 (cont.) Exercício: A empresa ACME fabrica um tipo de lâmpada de xénon cuja duração média é de 300 dias, com um desvio padrão de 50 dias. O engenheiro responsável pelo departamento de qualidade acredita que a vida útil daquelas lâmpadas é normalmente distribuída. Para decidir qual a duração que deve ser anunciada como garantida, ele pretende calcular os seguintes valores: (a) (b) A probabilidade de uma lâmpada ter uma vida útil superior a um ano. O tempo de vida útil que é excedido por 95% daquelas lâmpadas. Vamos ajudá-lo? PE-MEEC 1S 09/10 149
63 4.4 (cont.) Exercício: A empresa ACME fabrica um tipo de lâmpada de xénon cuja duração média é de 300 dias, com um desvio padrão de 50 dias. O engenheiro responsável pelo departamento de qualidade acredita que a vida útil daquelas lâmpadas é normalmente distribuída. Para decidir qual a duração que deve ser anunciada como garantida, ele pretende calcular os seguintes valores: (a) (b) A probabilidade de uma lâmpada ter uma vida útil superior a um ano. O tempo de vida útil que é excedido por 95% daquelas lâmpadas. Vamos ajudá-lo? Soluções: e dias PE-MEEC 1S 09/10 149
64 4.5 Distribuição exponencial Exemplo: O call center de uma empresa de telecomunicações recebe em média 5 chamadas por hora, admitindo-se que as chamadas seguem um processo de Poisson. O gestor do call center está agora interessado em conhecer como varia o intervalo de tempo entre chamadas. Pretende nomeadamente saber: (a) A probabilidade daquele intervalo de tempo ser superior a 20 minutos. (b) O valor esperado, mediana e desvio padrão dos intervalos de tempo entre chamadas. PE-MEEC 1S 09/10 150
65 4.5 Distribuição exponencial Exemplo: O call center de uma empresa de telecomunicações recebe em média 5 chamadas por hora, admitindo-se que as chamadas seguem um processo de Poisson. O gestor do call center está agora interessado em conhecer como varia o intervalo de tempo entre chamadas. Pretende nomeadamente saber: (a) (b) A probabilidade daquele intervalo de tempo ser superior a 20 minutos. O valor esperado, mediana e desvio padrão dos intervalos de tempo entre chamadas. Resolução: Definição das variáveis aleatórias: X t - N. o de chamadas que chegam em t horas. X t Poisson(5t) T - Intervalo de tempo entre chamadas (em horas). T? Notar que T é uma v.a. contínua PE-MEEC 1S 09/10 150
66 4.5 (cont.) (a) o tempo que esperamos pela próxima chamada é superior a 20 minutos se e só se não houver chamadas nos próximos 20 minutos (20 minutos = 1/3 horas) (X 1/3 Poisson(5/3)) P ( T > 1 ) = P(X 3 1/3 = 0) = e 5/3 (5/3) 0 0! = e 5/ PE-MEEC 1S 09/10 151
67 4.5 (cont.) (a) o tempo que esperamos pela próxima chamada é superior a 20 minutos se e só se não houver chamadas nos próximos 20 minutos (20 minutos = 1/3 horas) (X 1/3 Poisson(5/3)) P ( T > 1 ) = P(X 3 1/3 = 0) = e 5/3 (5/3) 0 0! (b) Precisamos de t genérico (X t Poisson(5t)) = e 5/ P (T > t) = P(X t = 0) = e 5t (5t) 0 então F T (t) = P(T t) = 1 e 5t, t > 0 0! = e 5t e a função densidade de probabilidade é f T (t) = df T(t) dt = 5e 5t, t > 0 PE-MEEC 1S 09/10 151
68 Finalmente: E(T) = 4.5 (cont.) + 0 5te 5t dt = = 1/5 horas = 12 minutos PE-MEEC 1S 09/10 152
69 Finalmente: E(T) = E(T 2 ) = 4.5 (cont.) te 5t dt = = 1/5 horas = 12 minutos 5t 2 e 5t dt = = 2/25 horas 2 V (T) = 1/25 horas 2 σ T = 1/5 horas = 12 minutos PE-MEEC 1S 09/10 152
70 Finalmente: E(T) = E(T 2 ) = 4.5 (cont.) te 5t dt = = 1/5 horas = 12 minutos V (T) = 1/25 horas 2 σ T = 1/5 horas = 12 minutos 5t 2 e 5t dt = = 2/25 horas 2 m e : F T (m e ) = e 5m e = 0.5 m e = log(0.5)/ horas 8.3 min. PE-MEEC 1S 09/10 152
71 4.5 (cont.) Definição: A v.a. X que representa o intervalo de tempo até à próxima ocorrência (ou entre ocorrências sucessivas) de um processo de Poisson com taxa λ > 0 tem uma distribuição exponencial de parâmetro λ, com função de densidade de probabilidade dada por abreviadamente, X Exp(λ) Tem-se ainda f X (x) = f X (x;λ) = λe λx, x 0 µ X = E(X) = 1 λ (obviamente?) e σ2 X = V (X) = (1 λ 2 PE-MEEC 1S 09/10 153
72 4.5 (cont.) Definição: A v.a. X que representa o intervalo de tempo até à próxima ocorrência (ou entre ocorrências sucessivas) de um processo de Poisson com taxa λ > 0 tem uma distribuição exponencial de parâmetro λ, com função de densidade de probabilidade dada por abreviadamente, X Exp(λ) Tem-se ainda f X (x) = f X (x;λ) = λe λx, x 0 µ X = E(X) = 1 λ (obviamente?) e σ2 X = V (X) = (1 λ 2 Observação importante: funciona no sentido inverso, ou seja, se os intervalos de tempo entre ocorrências forem v.a. independentes e identicamente distribuídas Exp(λ) então o n. o de ocorrências em t unidades de tempo é Poisson(λt). PE-MEEC 1S 09/10 153
73 4.5 (cont.) Propriedade da falta de memória ou amnésia: Se X Exp(λ), λ > 0 P(X < t 1 + t 2 X > t 1 ) = P(X < t 2 ), t1 >0,t 2 >0 Demonstração: (exercício) PE-MEEC 1S 09/10 154
74 4.5 (cont.) Observações: O facto de esta distribuição não ter memória significa que não é indicada para modelar situações do tipo tempo de vida, em que há desgaste ou envelhecimento. A distribuição exponencial é a única distribuição contínua sem memória. Existe uma única distribuição discreta sem memória: é a distribuição geométrica. PE-MEEC 1S 09/10 155
Capítulo 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 maisVariáveis Aleatórias Contínuas
Variáveis aleatórias contínuas: vamos considerar agora uma lista de quantidades as quais não é possível associar uma tabela de probabilidades pontuais ou frequências tempo de duração de uma chamada telefônica
Leia maisTipos de variáveis aleatórias
Tipos de variáveis aleatórias Variáveis aleatórias discretas se assumem um conjunto finito ou infinito numerável de valores. Exemplos: número de pintas que sai no lançamento de um dado; registo, a intervalos
Leia maisDISTRIBUIÇÃO NORMAL 1
DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo
Leia maisDistribuições de Probabilidade Distribuição Normal
PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisDescreve de uma forma adequada o
EST029 Cálculo de Probabilidade I Cap. 8 - Variáveis Aleatórias Contínuas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Variável Aleatória Normal Caraterização: Descreve de uma forma adequada
Leia maisLogo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A:
MQI 00 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 6/05/008 GABARITO PROBLEMA O preço de um certo carro usado é uma variável Normal com média R$ 5 mil e desvio padrão R$ 400,00. a) Você está interessado
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos
Leia maisSimulação Estocástica
Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias
Leia maisInstituto Politécnico de Viseu Escola Superior de Tecnologia
Instituto Politécnico de Viseu Escola Superior de Tecnologia Departamento: Matemática Estatística I Curso: Contabilidade e Administração Ano: 3 o Semestre: o Prova: Exame Época: Normal Ano Lectivo: 2004/2005
Leia maisDistribuição de Erlang
Distribuição de Erlang Uma variável aleatória exponencial descreve a distância até que a primeira contagem é obtida em um processo de Poisson. Generalização da distribuição exponencial : O comprimento
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisAula 11 Esperança e variância de variáveis aleatórias discretas
Aula 11 Esperança e variância de variáveis aleatórias discretas Nesta aula você estudará os conceitos de média e variância de variáveis aleatórias discretas, que são, respectivamente, medidas de posição
Leia maisMomentos de uma variável aleatória
Momentos de uma variável aleatória O cálculo de E[X] (valor médio de X) e E[X 2 ] (que intervém na variância), pode ser generalizado pensando em E[X k ] com k IN. Definição: Dada uma v.a. X, chama-se momento
Leia maisUma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência.
Professor: Leandro Zvirtes UDESC/CCT Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos de
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisCapítulo 3 Modelos Estatísticos
Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide
Leia mais2 Independência e dependência das taxas de juro
1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisEstatística stica para Metrologia
Aula 5 Estatística stica para Metrologia Aula 5 Variáveis Contínuas Uniforme Exponencial Normal Lognormal Mônica Barros, D.Sc. Maio de 008 1 Distribuição Uniforme A probabilidade de ocorrência em dois
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos
Leia maisCAP4: Distribuições Contínuas Parte 1 Distribuição Normal
CAP4: Distribuições Contínuas Parte 1 Distribuição Normal Quando a variável sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada distribuição contínua. Exemplo 4.1
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisDistribuições: Binomial, Poisson e Normal. Distribuição Binomial
Distribuições: Binomial, Poisson e Normal Distribuição Binomial Monitor Adan Marcel e Prof. Jomar 1. Uma remessa de 800 estabilizadores de tensão é recebida pelo controle de qualidade de uma empresa. São
Leia maisAula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições.
Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Março de 2012 Tipos
Leia maisGeração de Números Aleatórios e Simulação
Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana
Leia maisExercícios Resolvidos da Distribuição de Poisson
. a. Qual é a diferença entre as distribuições de Poisson e inomial? b. Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson. c. Dê a fórmula da distribuição de Poisson e o significado
Leia maisVariáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder
Variáveis aleatórias contínuas e distribuiçao Normal Henrique Dantas Neder Definições gerais Até o momento discutimos o caso das variáveis aleatórias discretas. Agora vamos tratar das variáveis aleatórias
Leia maisDISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL
DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL Introdução Variável aleatória Discreta: assume um número finito ou infinito numerável de valores Contínua: assume todos os valores
Leia mais(b) Qual a probabilidade de ter sido transmitido um zero, sabendo que foi recebido um (1.0) zero?
Grupo I 5.0 valores 1. Um sistema de comunicação binária transmite zeros e uns com probabilidade 0.5 em qualquer dos casos. Devido ao ruído existente no canal de comunicação há erros na recepção: transmitido
Leia maisCurso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti
Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Medidas de Posição Depois de se fazer a coleta e a representação dos dados de uma pesquisa, é comum analisarmos as tendências
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES 1
CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,
Leia maisPor que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo:
Por que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo: que cada pessoa disponha do uso exclusivo de uma rua para se movimentar;
Leia maisPotenciação no Conjunto dos Números Inteiros - Z
Rua Oto de Alencar nº 5-9, Maracanã/RJ - tel. 04-98/4-98 Potenciação no Conjunto dos Números Inteiros - Z Podemos epressar o produto de quatro fatores iguais a.... por meio de uma potência de base e epoente
Leia maisIntrodução ao estudo de equações diferenciais
Matemática (AP) - 2008/09 - Introdução ao estudo de equações diferenciais 77 Introdução ao estudo de equações diferenciais Introdução e de nição de equação diferencial Existe uma grande variedade de situações
Leia maisUtilizando-se as relações entre as funções básicas é possível obter as demais funções de sobrevivência.
MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesta abordagem paramétrica, para estimar as funções básicas da análise de sobrevida, assume-se que o tempo de falha T segue uma distribuição
Leia maisa 1 x 1 +... + a n x n = b,
Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição
Leia maisFunção. Definição formal: Considere dois conjuntos: o conjunto X com elementos x e o conjunto Y com elementos y. Isto é:
Função Toda vez que temos dois conjuntos e algum tipo de associação entre eles, que faça corresponder a todo elemento do primeiro conjunto um único elemento do segundo, ocorre uma função. Definição formal:
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia maisCAPÍTULO 4 Exercícios Resolvidos
CAPÍTULO 4 Exercícios Resolvidos R4.1) Condição para concretização de uma venda Um certo tipo de componente é vendido em lotes de 1000 itens. O preço de venda do lote é usualmente de 60 u.m. Um determinado
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES. Comentários sobre as provas de estatística e financeira ICMS RJ
Comentários sobre as provas de estatística e financeira ICMS RJ Caríssimos, Acabei de voltar de uma longa auditoria em que visitamos inúmeros assentamentos federais do INCRA no interior do estado. Ou seja:
Leia maisVariáveis Aleatórias Discretas e Distribuições de Probabilidade
Variáveis Aleatórias Discretas e Distribuições de Probabilidade Objetivos do aprendizado a.determinar probabilidades a partir de funções de probabilidade b.determinar probabilidades a partir de funções
Leia maisHistogramas. 12 de Fevereiro de 2015
Apêndice B Histogramas Uma situação comum no laboratório e na vida real é a de se ter uma grande quantidade de dados e deles termos que extrair uma série de informações. Encontramos essa situação em pesquisas
Leia maisExercícios de Gestão de Inventários
Investigação Operacional Exercícios de Gestão de Inventários Exercícios de Gestão de Inventários Exercício 1 Uma empresa deve comprar 400 unidades de um artigo, por ano. Esta procura é conhecida e fixa.
Leia maisTipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.
Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração
Leia mais9. Derivadas de ordem superior
9. Derivadas de ordem superior Se uma função f for derivável, então f é chamada a derivada primeira de f (ou de ordem 1). Se a derivada de f eistir, então ela será chamada derivada segunda de f (ou de
Leia mais3. Características amostrais. Medidas de localização e dispersão
Estatística Descritiva com Excel Complementos. 77 3. Características amostrais. Medidas de localização e dispersão 3.1- Introdução No módulo de Estatística foram apresentadas as medidas ou estatísticas
Leia maisResoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ
Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos
Leia maisModelagem no Domínio do Tempo. Carlos Alexandre Mello. Carlos Alexandre Mello cabm@cin.ufpe.br 1
Carlos Alexandre Mello 1 Modelagem no Domínio da Frequência A equação diferencial de um sistema é convertida em função de transferência, gerando um modelo matemático de um sistema que algebricamente relaciona
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 maisDisponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas 4 questões, com as respectivas resoluções comentadas.
Disponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas questões, com as respectivas resoluções comentadas. Amigos, para responder às questões deste Simulado, vamos
Leia mais3 Método de Monte Carlo
25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional
Leia maisUm capacitor é um sistema elétrico formado por dois condutores separados por um material isolante, ou pelo vácuo.
Capacitores e Dielétricos Um capacitor é um sistema elétrico formado por dois condutores separados por um material isolante, ou pelo vácuo. Imaginemos uma configuração como a de um capacitor em que os
Leia maisMATEMÁTICA I AULA 07: TESTES PARA EXTREMOS LOCAIS, CONVEXIDADE, CONCAVIDADE E GRÁFICO TÓPICO 02: CONVEXIDADE, CONCAVIDADE E GRÁFICO Este tópico tem o objetivo de mostrar como a derivada pode ser usada
Leia maisProbabilidade. Distribuição Normal
Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade
Leia maisAnálise de Circuitos Elétricos III
Análise de Circuitos Elétricos III Prof. Danilo Melges (danilomelges@cpdee.ufmg.br) Depto. de Engenharia Elétrica Universidade Federal de Minas Gerais Introdução à Transformada de Laplace A Transformada
Leia maisLei de Gauss Origem: Wikipédia, a enciclopédia livre.
Lei de Gauss Origem: Wikipédia, a enciclopédia livre. A lei de Gauss é a lei que estabelece a relação entre o fluxo de campo elétrico que passa através de uma superfície fechada com a carga elétrica que
Leia maisTEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com
TEORIA DO RISCO LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com 1 TARIFAÇÃO (FERREIRA, 2002) Diversos conceitos e metodologias envolvidos no cálculo do preço pago
Leia maisFunções algébricas do 1º grau. Maurício Bezerra Bandeira Junior
Maurício Bezerra Bandeira Junior Definição Chama-se função polinomial do 1º grau, ou função afim, a qualquer função f de IR em IR dada por uma lei da forma f(x) = ax + b, onde a e b são números reais dados
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 maisHipótese Estatística:
1 PUCRS FAMAT DEPTº DE ESTATÍSTICA TESTE DE HIPÓTESE SÉRGIO KATO Trata-se de uma técnica para se fazer inferência estatística. Ou seja, a partir de um teste de hipóteses, realizado com os dados amostrais,
Leia maisEmpresa de Pesquisa Energética (EPE) 2014. Analista de Projetos da Geração de Energia
Empresa de Pesquisa Energética (EPE) 2014 Analista de Projetos da Geração de Energia Oi, pessoal! Vou resolver as quatro questões de Estatística (53 a 56) da prova elaborada pela banca Cesgranrio para
Leia mais2 Modelo Clássico de Cramér-Lundberg
2 Modelo Clássico de Cramér-Lundberg 2.1 Conceitos fundamentais Nesta sessão introduziremos alguns conceitos fundamentais que serão utilizados na descrição do modelo de ruína. A lei de probabilidade que
Leia maisESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL- ESTREMOZ MATEMÁTICA A 12ºANO ANO LETIVO 2015/2016 OBJECTIVOS ESPECÍFICOS
PROBABILIDADES E COMBINATÓRIA ESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL- ESTREMOZ MATEMÁTICA A 12ºANO ANO LETIVO 2015/2016 Introdução ao cálculo Conhecer terminologia das probabilidades de Probabilidades
Leia maisLEI DE OHM. Professor João Luiz Cesarino Ferreira. Conceitos fundamentais
LEI DE OHM Conceitos fundamentais Ao adquirir energia cinética suficiente, um elétron se transforma em um elétron livre e se desloca até colidir com um átomo. Com a colisão, ele perde parte ou toda energia
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR Assuntos: Matrizes; Matrizes Especiais; Operações com Matrizes; Operações Elementares
Leia maisAplicações de Derivadas
Aplicações de Derivadas f seja contínua no [a,b] e que f '(x) exista no intervalo aberto a x b. Então, existe pelo menos um valor c entre a eb, tal que f '(c) f (b) f (a) b a. pelo menos um ponto c (a,
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 mais1 Variáveis Aleatórias
Variáveis Aleatórias Exercício Num lançamento de 3 moedas equilibradas seja X avariável aleatória que representa o número de caras saídas Escreva a função de probabilidade de X Exercício Quantasvezessedevelançarumdadoaoarparaqueaprobabilidade
Leia maisPor que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,...
Por que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,... 0) O que veremos na aula de hoje? Um fato interessante Produtos notáveis Equação do 2º grau Como fazer a questão 5 da 3ª
Leia maisUNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2
UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 LISTA N O 2 Prof.: William Morán Sem. I - 2011 1) Considere a seguinte função distribuição conjunta: 1 2 Y 0 0,7 0,0
Leia mais12. FUNÇÕES INJETORAS. FUNÇÕES SOBREJETORAS 12.1 FUNÇÕES INJETORAS. Definição
90 1. FUNÇÕES INJETORAS. FUNÇÕES SOBREJETORAS 1.1 FUNÇÕES INJETORAS Definição Dizemos que uma função f: A B é injetora quando para quaisquer elementos x 1 e x de A, f(x 1 ) = f(x ) implica x 1 = x. Em
Leia maisSomatórias e produtórias
Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +
Leia maisMétodo Monte-Carlo. Alexandre Rosas. 23 de Março de 2009. Departamento de Física Universidade Federal da Paraíba
Departamento de Física Universidade Federal da Paraíba 23 de Março de 2009 O que são os métodos de Monte-Carlo? Métodos numéricos que utilizam amostragem estatística (em contraposição a métodos determinísticos)
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia maisDistribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta
Distribuição Uniforme Discreta Modelos de distribuições discretas Notas de Aula da Profa. Verónica González-López e do Prof. Jesús Enrique García, digitadas por Beatriz Cuyabano. Acréscimos e modicações:
Leia maisCOMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia maisCAPACITORES. Vestibular1 A melhor ajuda ao vestibulando na Internet Acesse Agora! www.vestibular1.com.br
CAPACITORES DEFINIÇÕES Quando as placas do capacitor estão carregadas com cargas iguais e de sinais diferentes, estabelece-se entre as placas uma diferença de potencial V que é proporcional à carga. Q
Leia maisAula 18 Elipse. Objetivos
MÓDULO 1 - AULA 18 Aula 18 Elipse Objetivos Descrever a elipse como um lugar geométrico. Determinar a equação reduzida da elipse no sistema de coordenadas com origem no ponto médio entre os focos e eixo
Leia maisSó Matemática O seu portal matemático http://www.somatematica.com.br FUNÇÕES
FUNÇÕES O conceito de função é um dos mais importantes em toda a matemática. O conceito básico de função é o seguinte: toda vez que temos dois conjuntos e algum tipo de associação entre eles, que faça
Leia maisINSTITUTO POLITÉCNICO DE SETÚBAL ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA
INSTITUTO POLITÉCNICO DE SETÚBAL ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA 1 o Teste SEMESTREPAR 28/29 Data: 9 demaiode 29 Duração: 2hm Tópicos de
Leia maisTrabalhos Práticos. Programação II Curso: Engª Electrotécnica - Electrónica e Computadores
Trabalhos Práticos Programação II Curso: Engª Electrotécnica - Electrónica e Computadores 1. Objectivos 2. Calendarização 3. Normas 3.1 Relatório 3.2 Avaliação 4. Propostas Na disciplina de Programação
Leia maisQUALITATIVA VARIÁVEL QUANTITATIVA
NOMINAL ORDINAL QUALITATIVA VARIÁVEL QUANTITATIVA DISCRETA CONTÍNUA - Variável qualitativa nominal = valores que expressam atributos, sem nenhum tipo de ordem. Ex: cor dos olhos, sexo, estado civil, presença
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisDefinição. A expressão M(x,y) dx + N(x,y)dy é chamada de diferencial exata se existe uma função f(x,y) tal que f x (x,y)=m(x,y) e f y (x,y)=n(x,y).
PUCRS FACULDADE DE ATEÁTICA EQUAÇÕES DIFERENCIAIS PROF. LUIZ EDUARDO OURIQUE EQUAÇÔES EXATAS E FATOR INTEGRANTE Definição. A diferencial de uma função de duas variáveis f(x,) é definida por df = f x (x,)dx
Leia mais6. Geometria, Primitivas e Transformações 3D
6. Geometria, Primitivas e Transformações 3D Até agora estudamos e implementamos um conjunto de ferramentas básicas que nos permitem modelar, ou representar objetos bi-dimensionais em um sistema também
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisficha 3 espaços lineares
Exercícios de Álgebra Linear ficha 3 espaços lineares Exercícios coligidos por Jorge Almeida e Lina Oliveira Departamento de Matemática, Instituto Superior Técnico 2 o semestre 2011/12 3 Notação Sendo
Leia maisVetores Aleatórios, correlação e conjuntas
Vetores Aleatórios, correlação e conjuntas Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Segundo Semestre, 2013 C.T.Cristino (DEINFO-UFRPE) Vetores Aleatórios 2013.2
Leia maisAula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos
Aula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos Organização: Airton Kist Digitação: Guilherme Ludwig Exercício Se X b(n, p), sabendo-se que E(X ) = 12 e σ 2 = 3, determinar:
Leia maisCurso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal
Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Distribuição Normal 1. Introdução O mundo é normal! Acredite se quiser! Muitos dos fenômenos aleatórios que encontramos na
Leia maisMétodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF)
Métodos Estatísticos II 1 o. Semestre de 010 ExercíciosProgramados1e VersãoparaoTutor Profa. Ana Maria Farias (UFF) Esses exercícios abrangem a matéria das primeiras semanas de aula (Aula 1) Os alunos
Leia maisProva Parcial de Estatística I. Turma: AE1 AE2 AE3 AE4
ESCOLA DE ADMINISTRAÇÃO DE EMPRESAS DE SÃO PAULO FUNDAÇÃO GETULIO VARGAS Prova Parcial de Estatística I Data: Setembro / Professores: Eduardo Francisco Francisco Aranha Nelson Barth A Nome do Aluno: GABARITO
Leia maisTodos os exercícios sugeridos nesta apostila se referem ao volume 1. MATEMÁTICA I 1 FUNÇÃO DO 1º GRAU
FUNÇÃO IDENTIDADE... FUNÇÃO LINEAR... FUNÇÃO AFIM... GRÁFICO DA FUNÇÃO DO º GRAU... IMAGEM... COEFICIENTES DA FUNÇÃO AFIM... ZERO DA FUNÇÃO AFIM... 8 FUNÇÕES CRESCENTES OU DECRESCENTES... 9 SINAL DE UMA
Leia maisDISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES
LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração
Leia mais