ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
|
|
- Ângelo Jonathan Valente Benevides
- 6 Há anos
- Visualizações:
Transcrição
1 1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara
2 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial 3. Distribuição de Poisson 4. Distribuição Geométrica 5. Distribuição Binomial Negativa (Pascal) 6. Distribuição Hipergeométrica
3 3 Distribuição Uniforme Discreta Definição: Uma variável aleatória X assumindo valores no conjunto A = {x 1, x 2,..., x n }, em que os n resultados são equiprováveis, tem distribuição uniforme discreta com função: f(x) = P (X = x) = 1 n I(x) A Notação: X Ud(n)
4 4 P(X=x) x Figura 1: Distribuição de probabilidade de uma variável aleatória discreta.
5 5 Ensaios de Bernoulli Definição: Um experimento em que se admite apenas uma dicotomia de resultados do tipo sucesso (evento A) ou fracasso (evento A c ) é denominado ensaio de Bernoulli. Admita: X = 0 se ocorre o fracasso ou X = 1 se ocorre o sucesso e seja π a probabilidade do sucesso, então a função de probabilidade da variável aleatória X é dada por: Esperança e Variância f(x) = P (X = x) = π x (1 π) 1 x, I(x) {0,1}. E(X) = π Var(X) = π(1 π)
6 6 Distribuição Binomial Definição: Considere a realização de n ensaios de Bernoulli, independentes e todos do mesmo tipo. Admita que em cada ensaio a probabilidade do sucesso permanece constante π. Nestas condições: seja X a variável aleatória que descreve o número de sucessos nestas n realizações. Dizemos que a variável aleatória X tem distribuição binomial. Notação: X b(n, π) Função de probabilidade ( ) n f(x) = P (X = x) = π x (1 π) n x I(x) A, A = {0, 1,..., n} x Função Geradora de Momentos Esperança e Variância M X (t) = [πe t + (1 π)] n E(X) = nπ Var(X) = nπ(1 π)
7 7 Função de probabilidade Função de distribuição f(x)=p(x=x) F(x) x x Figura 2: Função de probabilidade e de distribuição da v.a. X b(10, 0, 40).
8 8 Limite da função binomial Suponha a realização de n ensaios de Bernoulli independentes e todos do mesmo tipo. Façamos n. Se quando n, π 0 e nπ λ, então a função binomial pode ser aproximada pela expressão abaixo, chamada de função Poisson: lim n ( n )π x (1 π) n x e λ λ x x x!
9 9 Distribuição Poisson Definição: Seja X uma variável discreta, dizemos que X tem distribuição Poisson se sua função de probabilidade for dada por: f(x) = P (X = x) = e λ λ x I(x) A, A = {0, 1, 2,...} x! Notação: X Poisson(λ) Função Geradora de Momentos M X (t) = exp[λ(e t 1)] Esperança e Variância E(X) = λ Var(X) = λ
10 10 Função de probabilidade Função de distribuição f(x)=p(x=x) F(x) x x Figura 3: Função de probabilidade e de distribuição da v.a. X Poisson(2).
11 11 Distribuição Geométrica Definição: Seja X a variável discreta que descreve o número de ensaios de Bernoulli até a ocorrência do primeiro sucesso, então a v.a. tem distribuição geométrica, com função de probabilidade: f(x) = P (X = x) = (1 π) x 1 π I(x) A, A = {1, 2, 3...} Notação: X Geo(π) Função Geradora de Momentos M X (t) = Esperança e Variância E(X) = 1 π πe t 1 (1 π)e t Var(X) = 1 π π 2
12 12 Distribuição Geométrica Definição: Outra forma de descrever a distribuição geométrica é pela variável aleatória Y, que registra o número de fracassos anteriores ao primeiro sucesso. Assim a função de probabilidade é: f(y) = P (Y = y) = (1 π) y π I(y) A, A = {0, 1, 2, 3...} Notação: Y Geo(π) Função Geradora de Momentos Esperança e Variância M Y (t) = E(Y ) = 1 π π π 1 (1 π)e t Var(Y ) = 1 π π 2
13 13 Distribuição Binomial Negativa (Pascal) Definição: Uma v.a. X tem distribuição Pascal, se ela descreve o número de ensaios de Bernoulli até a ocorrência de r sucessos. Notação: X bn(r, π) Função de probabilidade ( ) x 1 f(x) = P (X = x) = (1 π) x r π r I(x) A, A = {r, r + 1, r + 2,...} r 1 Função Geradora de Momentos ( πe t M X (t) = 1 (1 π)e t ) r Esperança e Variância E(X) = r π Var(X) = r 1 π π 2
14 14 Distribuição Binomial Negativa (Pascal) Definição: Outra forma de descrever a distribuição Pascal é por meio da v.a. Y, que descreve o número de fracassos anteriores ao r-ésimo sucesso. Função de probabilidade ( ) y + r 1 f(y) = P (Y = y) = (1 π) y π r I(y) A, A = {0, 1, 2,...} y Função Geradora de Momentos ( π M Y (t) = 1 (1 π)e t ) r Esperança e Variância E(X) = r 1 π π Var(X) = r 1 π π 2
15 15 Distribuição Hipergeométrica Definição: Considere uma população de N itens, dos quais r possuem uma característica A. Seleciona-se uma amostra de n itens (n < N), um a um e sem reposição, então a v.a. X que descreve o número de itens na amostra com a característica A tem distribuição hipergeométrica. Notação: X Hiperg(N, n, r) Função de probabilidade f(x) = P (X = x) = ( r N r ) x)( n x ( N n) I(x) A em que A = {x max[0, n (N r)] x min[n, r]}. Esperança e Variância E(X) = nπ Var(X) = N n nπ(1 π) N 1 π = r N
16 16 Modelos de variáveis aleatórias contínuas 1. Distribuição Uniforme Contínua 2. Distribuição Normal 3. Distribuição Gama 4. Distribuição Qui-Quadrado 5. Distribuição Beta 6. Distribuição Weibull 7. Distribuição de Cauchy 8. Distribuição t de Student 9. Distribuição F de Fisher-Snedecor
17 17 Distribuição Uniforme Contínua Definição: Uma variável aleatória X tem distribuição Uniforme no intervalo real (a, b), se sua função de densidade de probabilidade for dada por: f(x) = 1 b a I(x) (a,b) Função Geradora de Momentos M X (t) = Notação X U(a, b) 1 (b a) t (ebt e at ), t 0 Esperança e Variância E(X) = b + a 2 e Var(X) = (b a)2 12
18 18 densidade x Figura 4: Gráfico da v.a. X U(a = 5, b = 12)
19 19 Distribuição Normal Definição: Uma variável aleatória X tem distribuição normal de parâmetros µ R e σ 2 > 0, se se sua função de densidade de probabilidade for dada por: f(x) = [ 1 exp 2πσ 2 1 ] (x µ)2 I(x) 2σ2 (,+ ). Notação X N(µ, σ 2 )
20 20 função de densidade µ Figura 5: Gráfico da distribuição normal
21 Características da Distribuição Normal 21
22 22 1. f(x) é uma legítma função densidade de probabilidade, pois: f(x) 0 x R; + [ 1 exp 1 ] (x µ)2 = 1 2πσ 2 2σ2 2. Simetria em relação à µ f(x) depende de x apenas em (x µ) 2. Dessa forma, tem-se para x = µ b (µ b µ) 2 = b para x = µ + b (µ + b µ) 2 = b 3. Limites extremos do modelo normal. [ 1 exp 2πσ 2 e lim x lim x + [ 1 exp 2πσ 2 1 (x µ)2 2σ2 ] 1 ] (x µ)2 2σ2 = 0 = 0
23 23 4. Parâmetros que caracterizam o modelo: E(X) = µ e Var(X) = σ 2. A esperança matemática é dada por: + [ 1 E(X) = x exp 1 ] (x µ)2 = µ 2πσ 2 2σ2 e a variância: Var(X) = + (x µ) 2 1 2πσ 2 exp [ 1 ] (x µ)2 2σ2 = σ 2 Os resultados também podem ser estabelecidos pela função geradora de momentos (f.g.m.), que é dada por: M X (t) = E(exp(tX)) = exp (tµ + t2 σ 2 ) 2 Usando a propriedade fundamental da f.g.m, temos: M X(t = 0) = µ M X(t = 0) = µ 2 + σ 2
24 24 5. Interpretação geométrica dos parâmetros µ e σ 2. médias diferentes e dp iguais médias iguais e dp diferentes densidade densidade x x Figura 6: Interpretação geométrica dos parâmetros do modelo
25 25 6. Pontos de máximo e de inflexão da função normal. Condição necessária: f (x) = 0 x = µ (ponto de máximo). Condição necessária: f (x) = 0 x 1 = (µ σ) e x 2 = (µ + σ) (pontos de inflexão) Condições suficientes: estudo do sinal ou teste da derivada superior. 7. Considerações sobre assimetria e curtose. α 3 = E[(X µ)3 ] σ 3 = 0 (simétrica) α 4 = E[(X µ)4 ] σ 4 α 4 < 3 (platicúrtica) α 4 = 3 (mesocúrtica) α 4 > 3 (leptocúrtica)
26 26 densidade platicúrtica mesocúrtica leptocúrtica x Figura 7: Três curvas normais com graus de curtose diferentes
27 27 8. Cálculo de probabilidades sob a curva normal. Característica da função de distribuição da normal. Modelo normal padrão. Se X N(µ, σ 2 ): P(a X b) = b a [ 1 exp 2πσ 2 1 ] (x µ)2 2σ2 = F X (b) F X (a) Observa-se que a função de distribuição acumulada não tem forma analítica fechada e tem que ser resolvida numericamente: F X (x) = P(X x) = x [ 1 exp 2πσ 2 1 ] (t µ)2 dt 2σ2
28 28 9. Teorema: Se X N(µ, σ 2 ) e, se Y = ax + b (a, b R), então: Y N(aµ + b, a 2 σ 2 ) 10. Corolário: Se X N(µ, σ 2 ) e, se Z = X µ, então Z N(0, 1). σ f(z) = 1 [ exp 12 ] 2π z2 Eventos equivalentes implicam em igual probabilidade. Dado que Z = X µ σ P(a X b) = P(a σz + µ b) = P(a µ σz b µ) = P( a µ Z b µ σ σ ) (1)
29 29 (1) (2) densidade F(z) z z Figura 8: Distribuição normal padrão (1) e função de distribuição normal padrão (2)
30 30 Distribuição Gama Definição: A variável aleatória X tem distribuição gama de parâmetros α > 0 e β > 0 se sua função de densidade de probabilidade for dada por: Função Geradora de Momentos f(x) = xα 1 Γ(α) βα exp( βx)i(x) (0,+ ). Notação X Γ(α, β) M X (t) = ( β β t ) α, t < β Esperança e Variância E(X) = α β e Var(X) = α β 2
31 31 Casos particulares 1. Se α = 1 e β > 0 tem-se que X exp(β); 2. Se α = n/2 (n > 0 inteiro) e β = 1/2, tem-se que X χ 2 (n) ; 3. Se α = k (k > 0 inteiro) e β > 0, tem-se que X Erl k (β);
32 32 f(x) gamma(3,3) gamma(4,3) gamma(3,1) x Figura 9: Gráficos da função densidade da Gama para alternativas dos parâmetros.
33 33 f(x) gamma(2,1) gamma(3,1) gamma(6,1) x Figura 10: Gráficos da função densidade da Gama para alternativas do parâmetro de forma.
34 34 Distribuição Qui-quadrado Definição: A variável aleatória X tem distribuição qui-quadrado com n graus de liberdade, n > 0 (inteiro), se sua função de densidade de probabilidade for dada por: f(x) = x n 2 1 ( Γ( n βα exp 12 ) x I(x) (0,+ ). 2 )2n/2 Notação X χ 2 (n) Função Geradora de Momentos M X (t) = (1 2t) 1/2, t < 1/2 Esperança e Variância E(X) = n Var(X) = 2n e Moda(X) = n 2(n > 2).
35 35 Dedução da função de densidade de probabilidade da distribuição qui-quadrado com n graus de liberdade: 1. Como um caso particular da distribuição Gama; 2. Como uma função do vetor aleatório Z = (Z 1, Z 2,..., Z n ), em que Z i são v.a s. independentes e identicamente distribuídas, tais que Z i N(0, 1). Decorre: X = n Zi 2 χ 2 (n) i=1
36 36 f(x) Qui(1) Qui(2) Qui(6) x Figura 11: Gráficos da função de densidade qui-quadrado.
37 37 Distribuição Beta Definição: Uma variável aleatória X tem distribuição Beta de parâmetros a e b se sua função de densidade de probabilidade for dada por: f(x) = 1 β(a, b) xa 1 (1 x) b 1 I(x) (0,1) Notação X β(a, b) Esperança e Variância E(X) = a a + b Var(X) = ab (a + b + 1)(a + b) 2
38 38 densidade x Figura 12: Gráfico da v.a. X β(a = 3/2, b = 2)
39 39 Distribuição Weibull Definição: Uma variável aleatória X tem distribuição Weibull de parâmetros υ, α e β, se sua função de densidade de probabilidade for dada por: f(x) = β ( ) β 1 [ ( ) β ] x υ x υ exp I(x) (x>υ) α α α Notação X Weibull(υ, α, β)
40 40 Distribuição Cauchy Definição: Uma variável aleatória X tem distribuição Cauchy de parâmetro θ, se sua função de densidade de probabilidade for dada por: f(x) = 1 π (x θ) 2 I(x) (,+ )) Notação X Caughy(θ) Esperança e Variância não existe E(X) não existe Var(X)
41 41 Distribuição t de Student Definição: Uma variável aleatória X tem distribuição t de Student de parâmetro n > 0 (inteiro) se sua função de densidade de probabilidade for dada por: f(x) = ) ( n+1 1 nβ( 1 (1 2, n 2 ) + x2 2 ) I(x) (,+ ), n > 0. n Notação X t n
42 42 densidade t(6) N(0,1) x Figura 13: Comparação entre as densidades t (6) e normal padrão.
43 43 Estudo das características e propriedades da distribuição t 1. Dedução da função densidade de probabilidade, a partir da função de duas v.as.: X = Z, em que Z N(0, 1) e V χ 2 (n) ; V n 2. f(x) é uma legítma função densidade de probabilidade. (Dica: verifique a paridade e faça x2 n = tg2 θ); 3. Simetria em relação a 0 (ponto de máximo); 4. Esperança e Variância: E(X) = 0 e Var(X) = n, com n > 2. n 2
44 44 Distribuição F de Fisher-Snedecor Definição: Uma variável aleatória X tem distribuição F (m,n), com m e n graus de liberdade, se sua função de densidade de probabilidade for dada por: f(x) = 1 β( m 2 n 2 ) ( m n ) (m/2) x ( m 2 1) ) (1 I(x) ( m+n (0,+ ), m, n > 0. + mn x 2 ) Notação X F (m,n)
45 45 densidade x Figura 14: Gráfico da função de densidade da v.a. X F (4,11).
46 46 Estudo das características e propriedades da distribuição F 1. Dedução da função densidade de probabilidade a partir do quociente: X = em que V 1 χ 2 m e V 2 χ 2 n; 2. f(x) é uma legítma função densidade de probabilidade; Sugestão: (1 + m n x) = 1 t 3. Esperança: E(X) = n, com n > 2; n 2 4. Variância: Var(X) = 2n2 (m + n 2) m(n 2) 2, com n > 4; (n 4) 5. Relação entre a distribuição F e a t de Student: F (1,n) = (t (n) ) 2. V 1 m V 2 n,
47 47 REFERÊNCIAS BIBLIOGRÁFICAS DeGROOT, H. M.; SCHERVISH, M. J. Probability and Statistics. 3 a New York: Addison Wesley, p., MOOD, A. M.; GRAYBILL, F. A.; BOES, D. C. Introduction to the Theory of Statistics, 3 a ed., McGraw-Hill, 1974, 564 p. MURTEIRA, B. J. F. Probabilidades e Estatística, vol. I. Lisboa: McGraw- Hill de Portugal, 2 a ed., 1990, 480 p.
Modelos 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 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 maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia 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 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 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. 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 maisOutras distribuições contínuas. Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc...
Outras distribuições contínuas Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc... 1 c) Algumas distribuições de probabilidade contínuas importantes d) Distribuição
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
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 maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia maisNOTAS DA AULA DISTRIBUIÇÃO BINOMIAL E DE POISSON. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA DISTRIBUIÇÃO BINOMIAL E DE POISSON Prof.: Idemauro Antonio Rodrigues de Lara 2 Objetivo geral da aula Caracterizar os modelos de distribuição de variável aleatória discreta: binomial e
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 maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisPRINCIPAIS DISTRIBUIÇÕES (continuação)
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior PRINCIPAIS DISTRIBUIÇÕES (continuação)
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra 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 maisUNIDADE II. José J. C. Hernández. April 9, 2017 DE - UFPE. José J. C. Hernández (DE - UFPE) Estatística I April 9, / 60
INTRODUÇÃO À ESTATÍSTICA UNIDADE II José J. C. Hernández DE - UFPE April 9, 2017 José J. C. Hernández (DE - UFPE) Estatística I April 9, 2017 1 / 60 Variável aleatória Seja X : Ω R uma função real de Ω
Leia maisLista de Exercícios #2 Assunto: Variáveis Aleatórias Discretas
1. ANPEC 2018 Questão 3 Considere um indivíduo procurando emprego. Para cada entrevista de emprego (X) esse indivíduo tem um custo linear (C) de 10,00 Reais. Suponha que a probabilidade de sucesso em uma
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 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 maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
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 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 maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia 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 maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia 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 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 maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisDistribuições de Probabilidades
Distribuições de Probabilidades 1 Distribuições Contínuas 1.1 Distribuição Uniforme - U(a,b) Uso mais comum: Primeira tentativa em casos em que apenas os limites dos dados são conhecidos. f() 1/(b-a) a
Leia maisProblemas Resolvidos. 1. Distr. Uniforme Contínua. (a) f X (x; a, b) = 1 1 (x µ) 2. (b) µ = E(x) = a+b. e V ar(x) = (b a)2. 2. Distr.
Distribuições Contínuas - Problemas Resolvidos. Distr. Uniforme Contínua (a) f X (x; a, b) = b a (b) µ = E(x) = a+b e V ar(x) = (b a). Distr. Gaussiana (a) f X (x; a, b) = (x µ) π e (b) µ = E(x) = µ e
Leia maisDistribuições discretas e contínuas
Distribuições discretas e contínuas Universidade Tecnológica Federal do Parana 15 de maio de 2017 (UTFPR) Probabilidade 15 de maio de 2017 1 / 130 Distribuição Discreta de Probabilidade 1 Uniforme discreta:
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula 02/14 1 / 1 A distribuição F de Snedecor também conhecida como distribuição de Fisher é frequêntemente
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu
Distribuições contínuas Departamento de Matemática Escola Superior de Tecnologia de Viseu Distribuição Normal Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade
Leia maisRevisão de Probabilidade
05 Mat074 Estatística Computacional Revisão de Probabilidade Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisPoder Executivo Ministério da Educação Universidade Federal do Amazonas Instituto de Ciências Exatas Departamento de Estatística PLANO DE ENSINO
PLANO DE ENSINO 1. IDENTIFICAÇÃO DA DISCIPLINA CURSO: IE01 - Estatística PERÍODO LETIVO: 2017/2 TURMA: EB01 DISCIPLINA: Probabilidade I SIGLA: IEE201 CARGA HORÁRIA TOTAL: 90 horas CRÉDITOS: 6.6.0 TEÓRICA:
Leia mais{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3;
Universidade de Brasília Departamento de Estatística 4 a Lista de PE 1. Seja X uma variável aleatória com densidade { C(1 x 2 ), se x ( 1, 1), 0, se x / ( 1, 1). a) Qual o valor de C? b) Qual a função
Leia maisAnálise 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 maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisNOTAS DA AULA. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA VARIÁVEIS ALEATÓRIAS. ESPERANÇA E VARIÂNCIA Prof.: Idemauro Antonio Rodrigues de Lara 2 Objetivo geral da aula Caracterizar variáveis aleatórias discretas e contínuas. Compreender e aplicar
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X 0 1 2 3 R x X(s) X(S) Uma função X que associa a cada elemento de S (s S) um número real
Leia maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias nuas
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 04: Variáveis Aleatórias Contínuas nuas Função densidade de probabilidade contínua nua f(x) a b f(x) 0 para
Leia maisVariável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada
Variável Aleatória Uma função X que associa a cada Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ elemento de S (s S) um número real x X(s) é denominada variável aleatória. O
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Distribuições de Probabilidade (Extra)
Estatística: Aplicação ao Sensoriamento Remoto SER 04 - ANO 018 Distribuições de Probabilidade (Etra) Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Distribuição Uniforme
Leia maisSUMÁRIO. 1 Lista de Modelos Probabilísticos Modelos Discretos Modelos Contínuos... 3
SUMÁRIO Lista de Modelos Probabilísticos. Modelos Discretos.................................. Modelos Contínuos................................ 3 LISTA DE MODELOS PROBABILÍSTICOS. MODELOS DISCRETOS Distribuição
Leia maisAULA 3: DISTRIBUIÇÕES DE PROBABILIDADES. Gleici Castro Perdoná
AULA 3: DISTRIBUIÇÕES DE PROBABILIDADES Gleici Castro Perdoná pgleici@fmrp.usp.br AVALIAÇÃO 1 - (20 min) ENTRAR NO STOA E RESPONDER 5 QUESTÕES Qual objetivo das medidas descritivas? OBTENÇÃO ORGANIZAÇÃO
Leia maisIntrodução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:
Introdução à probabilidade e à estatística II Revisão Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Estatística Estatística: É uma ciência que se dedica
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisLista de exercícios 2 Métodos Estatísticos Básicos
Lista de exercícios 2 Métodos Estatísticos Básicos Prof. Regis Augusto Ely 1 de julho de 2014 1 Variáveis aleatórias unidimensionais 1. Suponha que a variável aleatória X tenha os valores possíveis 1,
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. RINCIAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por f, β α 0, Notação: ~ Uα, β.
Leia maisProfessora Ana Hermínia Andrade. Período
Distribuições de probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Modelos de distribuição Para
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 maisProbabilidade. 1 Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson. Renata Souza
Probabilidade Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson Renata Souza Distribuição de Bernoulli Uma lâmpada é escolhida ao acaso Ensaio de Bernoulli A lâmpada
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 maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
Leia maisProbabilidade Aula 08
332 Probabilidade Aula 8 Magno T. M. Silva Escola Politécnica da USP Maio de 217 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia e ciências,
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 00 5.. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros α e β (α β) se sua função densidade de probabilidade é dada por f ( ) β α 0, Notação:
Leia 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 maisModelos de Distribuições
7/5/017 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 05/07/017 19: ESTATÍSTICA APLICADA
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 maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br http://www.lce.esalq.usp.br/arquivos/aulas/2014/lce0216/ 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisAula de hoje. administração. São Paulo: Ática, 2007, Cap. 3. ! Tópicos. ! Referências. ! Distribuição de probabilidades! Variáveis aleatórias
Aula de hoje! Tópicos! Distribuição de probabilidades! Variáveis aleatórias! Variáveis discretas! Variáveis contínuas! Distribuição binomial! Distribuição normal! Referências! Barrow, M. Estatística para
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 maisIntrodução à probabilidade e estatística I
Introdução à probabilidade e estatística I Variáveis Aleatórias Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Probabilidade Daqui por diante utilizaremos
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
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 maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisVariáveis aleatórias contínuas
Variáveis aleatórias contínuas Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 20/04/2018 WB, FM,
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br Outubro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisEstatística e Probabilidade Aula 06 Distribuições de Probabilidades. Prof. Gabriel Bádue
Estatística e Probabilidade Aula 06 Distribuições de Probabilidades Prof. Gabriel Bádue Teoria A distribuição de Poisson é uma distribuição discreta de probabilidade, aplicável a ocorrências de um evento
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Probabilidade Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Planejamento Experimental 2 fatores manipuláveis x 1 x 2 x p entradas Processo...... saídas
Leia maisDistribuições Discretas - Problemas Resolvidos
Distribuições Discretas - Problemas Resolvidos Exercise Distribuição Binomial Qual a probabilidade de haver duas ou mais peças defeituosas numa caixa com 5 peças? Foi verificado que a proporção de defeituosos
Leia maisDistribuições de probabilidade
Distribuições de probabilidade Distribuições contínuas Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT)
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
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 Importantes. Distribuições Contínuas
Distribuições Importantes Distribuições Contínuas Distribuição Normal ou de Gauss Definição Diz-se que uma v.a. X contínua tem distribuição normal ou de Gauss, X Nor(µ,σ), se a sua função densidade de
Leia maisVARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL
VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL Variável Aleatória Uma função X que associa a cada elemento ω do espaço amostral Ω um valor x R é denominada uma variável aleatória. A variável aleatória pode
Leia maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO UNIFORME Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual de Londrina UEL Departamento
Leia mais