Elementos de Estatística e Probabilidades II
|
|
- Ana Salgado de Santarém
- 7 Há anos
- Visualizações:
Transcrição
1 Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros dscretos, um dos capítulos leconados na dscplna de Elementos de Estatístca e Probabldades II do curso de Educação Básca.
2 Elementos de Estatístca e Probabldades II VARIÁVEIS ALEATÓRIAS Defnção Dado um espaço amostra, chama-se varável aleatóra, v.a (undmensonal) e costuma representar-se por X a uma função que a cada acontecmento ω do espaço amostra, faz corresponder x = X (ω), ou seja, X: Ω R ω x = X (ω) É usual utlzar letras maúsculas tas como X, Y, Z, M, N,..., para representar varáves aleatóras. A cada um dos valores de uma varável aleatóra X podemos fazer corresponder uma probabldade P[X = x], defnda como sendo a probabldade do acontecmento que tem como magem x por meo da aplcação X. Exemplo : Consderemos a experênca aleatóra que consste no lançamento de uma moeda equlbrada três vezes consecutvas. Sendo F = "sar cara" e C = "sar coroa" o conjunto de todos os resultados possíves é dado por Ω = {(F,F,F), (F,F,C), (F,C,F), (C,F,F), (F,C,C), (C,F,C), (C,C,F), (C,C,C)} Neste espaço amostra, podemos defnr uma varável aleatóra X = número de vezes que sau caras. Esta varável pode tomar valores 0,, 2 ou 3. Podemos calcular a probabldade da v.a. tomar cada um destes valores. Por exemplo, probabldade de sar uma vez cara é dada por, P[X = ] = P[(F,C,C) ou (C,F,C) ou (C,C,F)] = 8 3. As varáves aleatóras podem ser dscretas, se assumem um conjunto fnto ou nfnto numerável de valores, ou contínuas, se são susceptíves de tomar qualquer valor real pertencente a um ntervalo dado. Para uma dada experênca aleatóra podemos estar nteressados no estudo de uma únca característca - varável aleatóra undmensonal - ou no estudo de um conjunto de k característcas - varável aleatóra multdmensonal ou vector aleatóro. Educação Básca 2
3 Elementos de Estatístca e Probabldades II Uma varável aleatóra dz-se bdmensonal se for uma função que a cada elemento de Ω faz corresponder um elemento de R 2. Generalzando, é uma varável n-dmensonal se o conjunto de chegada for Rⁿ. VARIÁVEL ALEATÓRIA UNIDIMENSIONAL Varáves aleatóras dscretas: Função de probabldade de uma varável dscreta X: Se X é uma v.a. dscreta, que assume valores dstntos x, x 2,, x n,..., então a função de probabldade (f.p.) de X é defnda como f x p x P[ X 0 x] se x x se x x, =, 2,, n, e deve satsfazer as seguntes condções:. 0 f(x), xr; 2. Se n fnto, n f x. Caso n nfnto, f x terá de ser uma sére convergente de soma. Ao conjunto de pares ordenados (x, f(x )), =,2,...,n,..., desgna-se por dstrbução de probabldades da varável aleatóra. Exemplo 2. Consderando a v.a. do exemplo anteror, X = número de vezes que sau cara em três lançamentos de uma moeda, P[X = 0] = P[(C C C)]= 8 3 P[X = ] = P[(F C C) U (C F C) U (C C F)] = 8 3 P[X = 2] = P[(F F C) U (F C F) U (C F F)]= 8 P[X = 3] = P[(F F F)]= 8 Grafcamente, x f(x) /8 3/8 3/8 /8 Educação Básca 3
4 Elementos de Estatístca e Probabldades II 0,40 0,35 0,30 0,25 0,20 0,5 0,0 0,05 0, F(x) 0,25 0,375 0,375 0,25 Função de dstrbução de uma varável aleatóra dscreta X: Defne-se função de dstrbução (f.d.) de uma varável aleatóra X como F(x)=P[X x]. Esta função tem domíno R, conjunto de chegada [0,] e verfca as seguntes propredades:. 0 F(x), x R; 2. F(x ) F(x 2 ), x, x 2 : x < x 2 (é uma função monótona não decrescente); 3. lm 0 e lm x F x x F x 4. P[x < X x 2 ] = F(x 2 ) - F(x ), x, x 2 : x < x 2. ; Exemplo 3. Retomando novamente o exemplo do lançamento de uma moeda três vezes consecutvas, em que consderaámos a v.a. número de caras obtdo. A função dstrbução da varável X é dada por F(0) = P[X 0] = F() = P[X ] = F(2) = P[X 2] = x0 f x ; 8 x x2 f x x 7 8 F(3) = P[X 3] = x3 f f x 4 8 F x x 0 x 2 0 x 2 x 3 x 3 A representação gráfca da função dstrbução de uma varável aleatóra é "em escada" Educação Básca 4
5 Elementos de Estatístca e Probabldades II VECTORES ALEATÓRIOS Por vezes, numa mesma experênca, pretendemos observar smultaneamente mas do que um fenómeno aleatóro. O respectvo modelo probablístco envolve então o estudo em conjunto de mas do que uma varável aleatóra. Exemplo 4. Consdere o lançamento de dos dados equlbrados. Seja X o maor nº de pntas das faces vradas para cma e Y a soma das pntas das faces vradas para cma. (X,Y) é um par aleatóro. Exemplo 5. É selecconado aleatoramente um aluno de uma escola prmára. Seja U a altura do aluno (em cm), V o seu peso (em Kg) e W a sua dade (em meses). (U,V,W) é um vector aleatóro. Defnção 2 Seja (X) = (X,, X n ) um vector aleatóro. Dá-se o nome de função de dstrbução de (X) e representa-se por F (X) (x,, x n ) = F (X,, Xn) (x,, x n ) = P[X x,, X n x n ], (x,, x n ) R n. Vamos estudar apenas o caso de um vector aleatóro com duas varáves (X,Y).A generalzação a mas varáves é medata. PAR ALEATÓRIO A um vector aleatóro de dmensão 2 chamamos um par aleatóro ou varável aleatóra bdmensonal. Educação Básca 5
6 Elementos de Estatístca e Probabldades II Par aleatóro dscreto: Um par aleatóro dz-se dscreto quando ambas as componentes são v.a. s dscretas. Assm (X,Y) é um par aleatóro dscreto quando os domínos de exstênca das v.a. s X e Y são conjuntos fntos ou nfntos numeráves. função de probabldade conjunta: A função de probabldade conjunta do par aleatóro (X,Y) é uma função f(x,y) que assoca a cada elemento de R² uma probabldade, f(x,y) = p j = P[X = x,y = y]. Verfca as seguntes propredades:. 0 f(x,y), (x,y) R²; 2. j f(x.,y j ) Exemplo 6. Uma moeda equlbrada tem o algarsmo desenhado numa das faces e o algarsmo 2 desenhado na outra face. A moeda é lançada ao ar duas vezes. Seja a v.a. X soma dos dos números observados nos lançamentos e a v.a. Y dferença dos mesmos números (o prmero menos o segundo). = {(,), (,2), (2,), (2,2)} (X,Y) = (2,0) (3,-) (3,) (4,0) Assm temos : P[X = 2,Y = 0] = ¼; P[X = 3,Y = -] = ¼; P[X = 3,Y = ] = ¼; P[X = 4,Y = 0] = ¼. A função de probabldade conjunta, por vezes é representada através de um quadro. Para o exemplo 7 a função de probabldade conjunta de (X,Y) vem: X \ Y /4 0 3 /4 0 /4 4 0 /4 0 Educação Básca 6
7 Elementos de Estatístca e Probabldades II Função de dstrbução conjunta: Dada uma v.a. bdmensonal (par aleatóro) (X,Y), dscreta, a função de dstrbução conjunta de (X,Y) é defnda da segunte forma: x, y PX x Y y f x y j F,,, x x y y j e satsfaz as seguntes condções: lm F x, y. 0 x lm F x, y 2. 0 y lm F x, y 3. 0 x, y lm F x, y 4. x, y, com y fxo;, com x fxo; 5. 0 F(x,y), (x,y) R²; ; ; 6. F(x,y ) F(x 2,y 2 ), x < x 2, y < y 2 Exemplo 7 (contnuação) A função de dstrbução de (X,Y) F x, y y - - y 0 y 0 - y 0 y 0 0 y 0 y y y x 3 x 2 x 3 2 x 3 3 x 4 x 4 3 x 4 x 4 Y X Funções de probabldade margnas: Apesar de no par aleatóro se proceder ao estudo em conjunto de duas varáves aleatóras, sso não mpede que se possa estudar probablstcamente cada varável componente em separado. De facto é possível obter as funções de probabldade das varáves X ey, ndvdualmente, e a que damos o nome de funções de probabldade margnas: Educação Básca 7
8 Elementos de Estatístca e Probabldades II Função de probabldade margnal de X, x PX x, Y f x y f X, y Função de probabldade margnal de Y y P X, Y y f x y f Y, x Exemplo 7 (contnuação) Podemos calcular as probabldades margnas, sto é, calcular a função de probabldade de X ey usando a função de probabldade conjunta. Assm, P[X = 2] = P[({X = 2} {Y = -}) ({X = 2} {Y = 0}) ({X = 2} {Y = })] = = P[X = 2,Y = -] + P[X = 2,Y = 0] + P[X = 2,Y = ] = ¼, P[X = 3] = P[({X = 3} {Y = -}) ({X = 3} {Y = 0}) ({X = 3} {Y = })] = = P[X = 3,Y = -] + P[X = 3,Y = 0] + P[X = 3,Y = ] = ½, P[X = 4] = P[({X = 4} {Y = -}) ({X = 4} {Y = 0}) ({X = 4} {Y = })] = = P[X = 4,Y = -] + P[X = 4,Y = 0] + P[X = 4,Y = ] = ¼, Pelo que, a função de probabldade margnal de X é, Da mesma forma obtemos, P[Y = -] = ¼, P[Y = 0] = ½ e P[Y = ] = ¼, X A função de probabldade margnal de Y será, Y O quadro da dstrbução de probabldade conjunta de (X,Y) pode agora ser completado com mas uma lnha e uma coluna para as probabldades margnas das v.a. s X e Y. Educação Básca 8
9 Elementos de Estatístca e Probabldades II X \ Y /4 0 /4 3 /4 0 /4 /2 4 0 /4 0 /4 /4 /2 /4 função de probabldade margnal de X (soma de lnha) função de probabldade margnal de Y (soma de coluna) INDEPENDÊNCIA ENTRE VARIÁVEIS ALEATÓRIAS Dada uma v.a. bdmensonal (X,Y), as v.a. undmensonas que a ntegram, X e Y, dzem-se ndependentes se f(x,y) = f X (x) f Y (y), (x,y). PARÂMETROS DE UMA VARIÁVEL ALEATÓRIA E DE UM PAR ALEATÓRIO Valor esperado: Seja X uma varável aleatóra. O valor esperado, méda ou esperança matemátca de X, que denotamos por E[X] (também representado por μ X ou μ), quando exste, defne-se por E X x f x se X é uma varável aleatóra dscreta, Propredades do valor esperado: Dadas X e Y duas varáves aleatóras, e seja k uma constante real, E[k] = k ; E[kX] = k E[X]; E[X±Y] = E[X] ± E[Y]; E[XY] = E[X]. E[Y] + Cov[X,Y] Se X e Y forem ndependentes então E[XY] = E[X]. E[Y] Educação Básca 9
10 Elementos de Estatístca e Probabldades II Varânca: Seja X uma varável aleatóra. A varânca de X, que denotamos por Var[X] (também representada por 2 σ X ou smplesmente σ²), é defnda por: Var[X] = E[(X- μ X ) 2 ], ou seja, Var 2 X x - ) f x ( se X é uma v.a. dscreta, X Propredades da varânca: Dadas X e Y duas varáves aleatóras, e seja k uma constante real, Var[k] = 0; Var[kX] = k 2 Var[X]; Var[X±Y] = Var[X] +Var[Y] ± 2Cov[X,Y]; Se X e Y forem ndependentes então Var[X±Y] = Var[X] +Var[Y] Var[X] = E[X 2 ] E 2 [X] Onde, 2 2 x f x E X se X é uma varável aleatóra dscreta, Desgna-se por desvo-padrão a raíz quadrada postva da varânca: σ σ Var X. X Covarânca: A covarânca entre X ey, representa-se por Cov(X,Y)ou smplesmente σ X,Y, e defne-se como Cov[X, Y] = σ X,Y = E[(X- μ X ) (Y- μ Y )], ou seja,, ( x - )( x - ) f x, y Cov X Y j se (X,Y) é uma v.a. dscreta, X j Y j Uma outra fórmula para calcular a covarânca é onde Cov[X,Y] = E[XY] E[X] E[Y]. Educação Básca 0
11 Elementos de Estatístca e Probabldades II XY xy j f x y j j E, se (X,Y) é uma v.a. dscreta, Propredades da Covarânca: Sejam X ey duas varáves aleatóras e a, b, c e d constantes reas, X ey são varáves ndependentes Cov(X,Y) =0 (Nota: O recíproca pode não ser verdadero. O facto de Cov(X,Y) =0 não mplca a ndepndênca entre X ey, pode exstr uma lgação não lnear entre as varáves.); Cov(X,X) = Var[X]; Cov(aX+b, cy+d) = accov(x,y). A covarânca depende das undades em que se exprmem as varáves aleatóras X ey. Sendo assm, é mportante a ntrodução de um parâmetro para caracterzar a ntensdade da lgação entre X ey, mas que não dependa das undades, como é o caso do coefcente de correlação. Coefcente de correlação: O coefcente de correlação é defndo como: X,Y, σx,y X. Var Y σx σy Cov X Y Var Propredades do coefcente de correlação: Sejam X ey duas varáves aleatóras e a, b, c e d constantes reas, - < X,Y < ; Se X e Y são varáves aleatóras ndependentes, então X,Y = 0; O coefcente de correlação não se altera quando as varáves sofrem uma transformação lnear postva, ou seja, ρ ax+b,cy+d =ρ X,Y se ac > 0. Educação Básca
12 Elementos de Estatístca e Probabldades II MOMENTOS DE VARIÁVEIS ALEATÓRIAS Momento de ordem k relatvamente a um ponto C: μ kc = E [(X-C) k ]. Momento ordnáro de ordem k (caso em que C = 0): μ k = E [X k ]. Se X for uma v.a. dscreta, k k x f x Casos partculares de momentos ordnáros: μ 0=; μ = E [X] = μ X ; μ 2= E [X 2 ]. Momento centrado de ordem k (caso em que C=μ): μ k = E [(X - μ) k ]. Se X for uma v.a. dscreta, k k x f x Casos partculares de momentos centrados: μ 0 = ; μ = 0; μ 2 = E [(X - μ) 2 ] = Var [X]. Educação Básca 2
13 Elementos de Estatístca e Probabldades II Bblografa: Afonso, A., Nunes, C., (200) Estatístca e Probabldades - Aplcações e Soluções em SPSS. Escolar Edtora Slva, M. C. M. (993) Estatístca Aplcada à Pscologa e Cêncas Socas, Lsboa McGraw-Hll. Pestana D., Velosa S. (2002). Introdução à probabldade e estatístca. Volume. Fundação Calouste Gulbenkan. Educação Básca 3
R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisNotas de Aula de Probabilidade A
VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisCAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade
CAPÍTULO 4 - Varáves aleatóras e dstrbuções de probabldade Conceto de varável aleatóra Uma função cujo valor é um número real determnado por cada elemento em um espaço amostral é chamado uma varável aleatóra
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisEstatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas Professor Fernando Porto Lançam-se 3 moedas. Seja X o número de ocorrências da face cara. O espaço amostral do experimento é: W = {(c,c,c),(c,c,r),(c,r,c),(c,r,r),(r,c,c),(r,c,r),(r,r,c),(r,r,r)}
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisESTATÍSTICA I Variáveis Aleatórias Variáveis Aleatórias Discretas. Helena Penalva 2006/2007
ESTATÍSTICA I Variáveis Aleatórias 1 Definição: A uma função X de domínio Ω com valores em Ñ X:Ω Ñ, ω X(ω)=x, chamamos variável aleatória (v.a.) em Ω. Ao contradomínio da função X, designaremos por V X
Leia maisNOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES
NOTAS DE AULA DA DISCIPLINA CE76 3 DISTRIBUIÇÃO NORMAL MULTIVARIADA 3 DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES A densdade normal multvarada é uma generalação da densdade normal unvarada ara dmensões
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisEstatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia mais2ª ACTIVIDADE ESCRITA DE MATEMÁTICA A 12.º C 2009 NOVEMBRO 20 Duração da prova: 45 minutos VERSÃO 1. Grupo I
ª ATIVIDADE ESRITA DE MATEMÁTIA A.º 009 NOVEMBRO 0 Duração da prova 4 mnutos VERSÃO Grupo I Para cada uma das três questões deste grupo, seleccone a resposta correcta de entre as alternatvas que lhe são
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais2ª Atividade Formativa UC ECS
I. Explque quando é que a méda conduz a melhores resultados que a medana. Dê um exemplo para a melhor utlzação de cada uma das meddas de localzação (Exame 01/09/2009). II. Suponha que um professor fez
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisCapítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes
Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75
Leia maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisLista de Exercícios. 2 Considere o número de aparelhos com defeito na empresa Garra durante 50 dias.
Classque as varáves: Faculdade Ptágoras / Dvnópols-MG Curso: Pscologa Dscplna: Estatístca Aplcada à Pscologa Lsta de Eercícos a) número de peças produzdas por hora; b) dâmetro eterno da peça; c) número
Leia maisMecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos
Mecânca Estatístca Tal como a Termodnâmca Clássca, também a Mecânca Estatístca se dedca ao estudo das propredades físcas dos sstemas macroscópcos. Tratase de sstemas com um número muto elevado de partículas
Leia maisProbabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições
Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRGS Insttuto de Matemátca
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisResumos Numéricos de Distribuições
Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas
Leia maisAULA Espaços Vectoriais Estruturas Algébricas.
Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisUm modelo nada mais é do que uma abstração matemática de um processo real (Seborg et al.,1989) ou
Dscplna - MR070 INTRODUÇÃO À MODELAGEM DE SISTEMAS LINEARES POR EQUAÇÕES DIFERENCIAIS Os modelos de um determnado sstema podem ser físcos ou matemátcos. Neste curso focaremos a modelagem pela dentfcação
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisREITORA Ângela Maria Paiva Cruz. VICE-REITOR José Daniel Diniz Melo
REITORA Ângela Mara Pava Cruz VICE-REITOR José Danel Dnz Melo DIRETORIA ADMINISTRATIVA DA EDUFRN Lus Passegg (Dretor) Wlson Fernandes (Dretor Adjunto) Judthe Albuquerque (Secretára) CONSELHO EDITORIAL
Leia mais