Distribuições discretas e contínuas
|
|
- Walter Franca Assunção
- 6 Há anos
- Visualizações:
Transcrição
1 Distribuições discretas e contínuas Universidade Tecnológica Federal do Parana 15 de maio de 2017 (UTFPR) Probabilidade 15 de maio de / 130
2 Distribuição Discreta de Probabilidade 1 Uniforme discreta: honestos 2 Bernoulli: tendência 3 Binomial: seqüências Bernoullis 4 Poisson: N 5 Hipergeométrica: exp. sem reposição 6 Pascal: eventos sinistrantes (UTFPR) Probabilidade 15 de maio de / 130
3 Distribuição Uniforme de Probabilidade f(x) = 1 N (UTFPR) Probabilidade 15 de maio de / 130
4 Distribuição Uniforme de Probabilidade 1 Eventos equiprováveis (honestas) 2 X : {x ℵ } (UTFPR) Probabilidade 15 de maio de / 130
5 Distribuição Uniforme de Probabilidade 1 Função Massa de Probabilidade { 1 f(x a,b) = N, se N ℵ com a N b 0, se c.c. 2 Função Acumulada de Probabilidade F(x a,b) = 1 k x k N N 3 Função Caracterísitca ϕ X (t) = 1 N 4 Função Geradora de Momentos ϕ X (t) = 1 N x=1 (UTFPR) Probabilidade 15 de maio de / 130 N x N x e itx e tx
6 Distribuição Uniforme de Probabilidade Tabela: Medidas MTC/MDV N+1 Média 2 N+1 Mediana 2 Moda SKW 0 Curtose 6 N N 2 1 N Variância (UTFPR) Probabilidade 15 de maio de / 130
7 Uniform discrete distribution Cumulative Distribution Function fx Fn(x) x x Figura: a) Distribuição Uniforme Discreta b) Função de Distribuição. (UTFPR) Probabilidade 15 de maio de / 130
8 Distribuição Uniforme de Probabilidade Exemplo I: Calcule a média e a variância em jogar um dado honesto de seis faces. Qual a probabilidade de sair a face 6? (UTFPR) Probabilidade 15 de maio de / 130
9 Distribuição Bernoulli de Probabilidade f(x) = θ x (1 θ) 1 x X : (0,1) (UTFPR) Probabilidade 15 de maio de / 130
10 Distribuição Bernoulli de Probabilidade 1 Eventos tendenciosos 2 X : {x (0,1)}, dicotômicos (UTFPR) Probabilidade 15 de maio de / 130
11 Distribuição Bernoulli de Probabilidade 1 Função Massa de Probabilidade { P(X = x) = θ f(x a,b) = x (1 θ) 1 x, se X : (0,1) 0, se c.c. 2 Função Acumulada de Probabilidade 3 Função Caracterísitca F(x a,b) = 4 Função Geradora de Momentos 1 θ x (1 θ) 1 x x=0 ϕ X (t) = E(e itx ) = (1 θ)+θe it M X (t) = E(e tx ) = (1 θ)+θe t (UTFPR) Probabilidade 15 de maio de / 130
12 Distribuição Bernoulli de Probabilidade Bernoulli distribution Cumulative Distribution Function fx Fn(x) x x Figura: a) Distribuição Bernoulli Discreta b) Função de Distribuição. (UTFPR) Probabilidade 15 de maio de / 130
13 Distribuição Bernoulli de Probabilidade Média SKW θ 1 2θ θ(1 θ) 1 6 var(x) var(x) Curtose Variância θ(1 θ) (UTFPR) Probabilidade 15 de maio de / 130
14 Exemplo II Joga-se uma dado com probabilidade de sair a face seis igual a 2 3. Qual a probabilidade de não sair essa face? Calcule o valor esperado da distribuição. (UTFPR) Probabilidade 15 de maio de / 130
15 Distribuição Binomial de Probabilidade f(x) = ( ) N θ x (1 θ) N x X : (0,1,2,3,...) x (UTFPR) Probabilidade 15 de maio de / 130
16 Distribuição Binomial de Probabilidade a) seqüênicas de eventos Bernoulli. b) X : {X ℵ}. c) Aplicável a experimentos com reposição (UTFPR) Probabilidade 15 de maio de / 130
17 Distribuição Binomial de Probabilidade 1 Função Massa de Probabilidade P(X = x) = ( N x ) θ x (1 θ) N x 2 Função Acumulada de Probabilidade F(x a,b) = k x=0 ( ) N θ x (1 θ) N x x k N 3 Função Caracterísitca ϕ X (t) = E(e itx ) = [(1 θ)+θe it ] N 4 Função Geradora de Momentos M X (t) = E(e tx ) = (1 θ+θe t ) N (UTFPR) Probabilidade 15 de maio de / 130
18 Distribuição Binomial de Probabilidade Binomial distribution Cumulative Distribution Function fx Fn(x) x x Figura: a) Distribuição binomial b) Função de Distribuição. (UTFPR) Probabilidade 15 de maio de / 130
19 Distribuição Binomial de Probabilidade Tabela: Medidas MTC/MDV Média Nθ Mediana Nθ Moda (N +1)θ SKW 1 2θ Curtose Nθ(1 θ) 1 6 θ(1 θ) θ(1 θ) Variância Nθ(1 θ) (UTFPR) Probabilidade 15 de maio de / 130
20 Distribuição Binomial de Probabilidade Exercício II Uma fábrica produz 10 peças em uma linha de produção. A probabilidade de ser defeituosa é de Qual a probabilidade de encontrarmos 5 peças com defeito? (UTFPR) Probabilidade 15 de maio de / 130
21 Distribuição Binomial de Probabilidade Exercício III Suponha uma caixa contendo 2 bolas vermelhas, 1 bola azul e 5 bolas brancas. Qual a probabilidade de retirar 2 bolas vermelhas, com reposição? (UTFPR) Probabilidade 15 de maio de / 130
22 Distribuição Binomial de Probabilidade Resol. (Método convencional) P(V 1 V 2 ) = P(V 1 )P(V 2 V 1 ) = experimento com reposição = P(V 1 )P(V 2 ) = = 4 64 = 1 16 (1) (UTFPR) Probabilidade 15 de maio de / 130
23 Distribuição Binomial de Probabilidade Exercício IV: Suponha uma caixa contendo 2 bolas vermelhas, 1 bola azul e 5 bolas brancas. Qual a probabilidade de retirar 2 bolas vermelhas, com reposição? Resol. (Usando a distribuição) f(x) = ( N x ) θ x (1 θ) N x N = 2 Retirar bolas quaisquer x =? p(vermelho) θ = = 2 8 Sucesso de x (UTFPR) Probabilidade 15 de maio de / 130
24 Distribuição Binomial de Probabilidade Exercício V: Suponha uma caixa contendo 2 bolas vermelhas, 1 bola azul e 5 bolas brancas. Qual a probabilidade de retirar 2 bolas vermelhas, com reposição? Resol. (Usando a distribuição) 2 p(vermelho) = = 2 8 θ ( ) N P(X = x) = θ x (1 θ) N x x ( )( ) [ ( )] P(X = 2) = ( ) 2! 1 2 [ ( )] 1 0 = 1 (2 2)!2! 4 4 = 1 16 (UTFPR) Probabilidade 15 de maio de / 130
25 Distribuição Poisson de Probabilidade f(x) = λx e λ x! X : (0,1,2,3,...) (UTFPR) Probabilidade 15 de maio de / 130
26 Distribuição Poisson de Probabilidade a) Define-se o valor esperado E(x) = Nθ = λ. b) X : {X ℵ}. c) Aplicável aos casos espaciais e temporais. (UTFPR) Probabilidade 15 de maio de / 130
27 Distribuição Poisson de Probabilidade 1 Função Massa de Probabilidade P(X = x) = λx e λ x! 2 Função Acumulada de Probabilidade k λ k e λ F(x a,b) = k! x=0 k N 3 Função Caracterísitca ϕ X (t) = E(e itx ) = e λ(eit 1) 4 Função Geradora de Momentos M X (t) = e λ(et 1) (UTFPR) Probabilidade 15 de maio de / 130
28 Distribuição Poisson de Probabilidade Poisson distribution Cumulative Distribution Function fx Fn(x) x x Figura: a) Distribuição Poisson X Pois(λ) b) Função de Distribuição. (UTFPR) Probabilidade 15 de maio de / 130
29 Distribuição Poisson de Probabilidade Tabela: Medidas MTC/MDV Média λ SKW λ 1/2 Curtose λ 1 Variância λ (UTFPR) Probabilidade 15 de maio de / 130
30 Exercício VI: Um call-center recebe 25 chamadas em uma hora. Qual a probabilidade do número de chamadas ser exatamente 30 no mesmo período? Qual a variânica no call-center? (UTFPR) Probabilidade 15 de maio de / 130
31 Poisson X Binomial Exercício VII Uma fábrica produz 10 peças em uma linha de produção. A probabilidade de ser defeituosa é de Qual a probabilidade de encontrarmos (obs. exercício já visto). a) Usando distribuição Poisson: exatamente 5 peças com defeito? A média será E(x) = Nθ = = 3 = λ P(X = 5) = λx e λ x! = 35 e 3 5! = (UTFPR) Probabilidade 15 de maio de / 130
32 Distribuição Poisson de Probabilidade (cont...) Uma fábrica produz 10 peças em uma linha de produção. A probabilidade de ser defeituosa é de Qual a probabilidade de encontrarmos (obs. exercício já visto). b) Usando distribuição binomial: exatamente 5 peças com defeito? ( ) N P(X = x) = θ x (1 θ) N x x ( ) 10 P(X = 5) = (0.30) 5 (1 0.30) = (UTFPR) Probabilidade 15 de maio de / 130
33 Distribuição Poisson de Probabilidade Observação Verifique que existe uma diferença en torno de 2% no valor numérico das probabilidades. Isto fica claro porque a distribuição de Poisson é uma extensão da distribuição binomial, portanto não faz sentido uma diferença grande no cálculo das probilidades encontradas. Suponha que a fábrica produza 10 mil peças, como ficaria o resultado encontrado? (UTFPR) Probabilidade 15 de maio de / 130
34 Distribuição Hipergeométrica f(x) = ( k N k ) x) ( n x ( N n) (UTFPR) Probabilidade 15 de maio de / 130
35 Distribuição Hipergeométrica a) X : {X ℵ}. b) Experimentos sem reposição. (UTFPR) Probabilidade 15 de maio de / 130
36 Distribuição Hipergeométrica 1 Função Massa de Probabilidade P(X = x) = ( k N k ) x) ( n x ( N n) onde: Tamanho da população: N Tamanho da amostra: n Variável aleatória: X Subclasse de interesse: k (UTFPR) Probabilidade 15 de maio de / 130
37 2 Função Caracterísitca ϕ X (t) = E(e itx ) = ( N k n ) ( N n) 2F1( n, k,n K n+1,e it ) sendo 2F 1 a função hipergeométrica generalizada. 3 Função Geradora de Momentos ) M X (t) = E(e tx ) = ( N k n ( N n) 2F1( n, k,n K n+1,e t ) sendo 2F 1 a função hipergeométrica generalizada. (UTFPR) Probabilidade 15 de maio de / 130
38 Distribuição Hipergeométrica Poisson distribution Cumulative Distribution Function fx Fn(x) x x Figura: a) Distribuição Hipergeométrica X Pois(λ) b) Função de Distribuição. (UTFPR) Probabilidade 15 de maio de / 130
39 Distribuição Hipergeométrica Tabela: Medidas MTC/MDV Média n ( ) k N (n+1)(k+1) Moda N+2 Variância n ( )( k N k ) ( ) N n N N N 1 (UTFPR) Probabilidade 15 de maio de / 130
40 Distribuição Hipergeométrica Exercício VIII: Calcule a probabilidade de retirar uma amostra de 4 peças e encontrarmos, no mínimo, 3 peças fora do padrão em uma caixa com 100 peças misturadas a outras 9 defeituosas. Espera-se tirar quantas defeituosas na amostra? Resol. N = 109 : n = 4 : k = 9 : x = 3 : (UTFPR) Probabilidade 15 de maio de / 130
41 Distribuição Hipergeométrica Exemplo IX: Suponha uma caixa contendo 2 bolas vermelhas, 1 bola azul e 5 bolas brancas. Qual a probabilidade de retirar 2 bolas vermelhas, sem reposição? (UTFPR) Probabilidade 15 de maio de / 130
42 Distribuição Hipergeométrica (Método convencional) P(V 1 V 2 ) = P(V 1 )P(V 2 V 1 ) = experimento sem reposição = = 2 56 = (2) (UTFPR) Probabilidade 15 de maio de / 130
43 Distribuição Hipergeométrica (Método análise combinatória) (# Sair 2 bolas vermelhas das 2) (# Não sair de outra c P(V 1 V 2 ) = (# Retirar 2 bolas em 8 ) = experimento sem reposição = C 2,2C 6,0 = = = C 8,2 2! (2 2)!2! 6! (6 0)!6! 8! (8 2)!2! 1 8! 6!2! = (UTFPR) Probabilidade 15 de maio de / 130
44 Distribuição Hipergeométrica (Usando a distribuição hipergeométrica) N = 8 : População n = 2 : Amostras k = 2 : Bolas vermelhas na população x = 2 : Retirada de bolas vermelhas (UTFPR) Probabilidade 15 de maio de / 130
45 Distribuição Hipergeométrica P(X = x) = P(X = 2) = = ( x 1 ) ( N k x n x ( N n) ( ) 2) ( 2 2 ( 8 2) ( 2 ) ( 6 2( 0) 8 2) ) = (1) (1) 28 = No Software R: > dhyper(2,2,6,2,log = FALSE) [1] (UTFPR) Probabilidade 15 de maio de / 130
46 Distribuição Pascal ou Binomial Negativa de Probabilidade f(x) = ( ) x 1 θ k (1 θ) x k k 1 (UTFPR) Probabilidade 15 de maio de / 130
47 Distribuição Pascal 1 Função Massa de Probabilidade ( ) x 1 P(X = x) = θ k (1 θ) x k k 1 onde: Média: E(X) = k 1 θ VariÂncia: Var(X) = k 1 θ θ 2 (UTFPR) Probabilidade 15 de maio de / 130
48 Distribuição Geométrica de Probabilidade P(X = x) = θ(1 θ) x 1 (UTFPR) Probabilidade 15 de maio de / 130
49 Distribuição Geométrica Quando r = 1 sinistro P(X = x) = θ(1 θ) x 1 Média: E(X) = 1 θ Variância: Var(X) = 1 θ θ 2 (UTFPR) Probabilidade 15 de maio de / 130
50 Distribuição Geométrica Exemplo X: O banco de sangue necessita de sangue do grupo AB. Probabilisticamente apenas 0, 5% da população brasileira apresentam este tipo de sangue, segundo o portal da HEMOPA ( Qual a probabilidade desta pessoa a ser encontrada estar na quinta posição da fila? Qual a provável posição? (UTFPR) Probabilidade 15 de maio de / 130
51 Distribuição Multinomial de Probabilidade P[X 1 = x 1,X 2 = x 2, X N = x N ] = N! n 1!n 2! n N! θx 1 1 θx θx N N (UTFPR) Probabilidade 15 de maio de / 130
52 Distribuição Multinomial P[X 1 = x 1,X 2 = x 2, X N = x N ] = N! n 1!n 2! n N! θx 1 1 θx θx N N Média: E(X) = Nθ i Variância: Var(X) = Nθ i (1 θ i ) (UTFPR) Probabilidade 15 de maio de / 130
53 Distribuição Multinomial Exercício XI: Na inspeção de qualidade de um produto a classificação é feita por quatro categorias: Conforme (C) (θ C = 70%) Aproveitável (A) (θ A = 15%) Reciclável (Rc) (θ Rc = 10%) Refugado (Rf) (θ Rf = 5%) Uma amostra foi retirada 10 unidades para inspeção. Qual a probabilidade de encontrar 6 conformes, duas aproveitáveis, uma recicalda e uma refugada? (UTFPR) Probabilidade 15 de maio de / 130
54 Distribuição Multinomial (continua...)resol. 10! P(C = 6,A = 2,Rc = 1,Rf = 1) = 6!2!1!1! (0.70)6 (0.15) 2 (0.10) 1 (0.05) 1 = 3,34% (UTFPR) Probabilidade 15 de maio de / 130
55 Distribuição Multinomial Exemplo XII Suponha uma urna com 3 bolas vermelhas, 1 branca e 2 azuis. Qual a probabilidade de retirar 2 azuis e 1 vermelha com reposição? (UTFPR) Probabilidade 15 de maio de / 130
56 Distribuição Multinomial (Método convencional) P[(A 1 A 2 V 3 ) (A 1 V 2 A 3 ) (V 1 A 2 A 3 )] = P(A 1 )P(A 2 )P(V 3 )+P(A 1 )P(V 2 )P(A 3 )+P(V 1 )P(A 2 )P(A 3 ) = = = 1 18 = (3) (UTFPR) Probabilidade 15 de maio de / 130
57 Distribuição Multinomial (Usando o modelo) P(X 1 = x 1,X 2 = x 2,,...X m = x m ) = P(V,B,A) = N! n 1!n 2!n 3! n m! θx 1 1 θx 2 2 θx 3 3 θxm m N! n V!n B!n A! θv V θb B θa A ( ) 2 2 ( ! = 2!0!1! = ) 0 ( 3 6 ) 1 = = 1 18 = (4) (UTFPR) Probabilidade 15 de maio de / 130
58 Distribuição Multinomial (cont...) Suponha uma urna com 3 bolas vermelhas, 1 branca e 2 azuis. Qual a probabilidade de retirar 2 azuis e 1 vermelha com reposição? No software R > x < c(2,1,0) > Prob < c(2/6, 1/6, 3/6); sum(prob) [1] 1 > fx < dmultinom(x,prob = Prob,log = FALSE) > fx [1] (5) (UTFPR) Probabilidade 15 de maio de / 130
59 Distribuições discretas: Qual usar? Qual a probabilidade de nascer menino(a)? Em um único dado honesto, qual face você apostaria? Qual o tempo de meia vida do decaimento do C 1 4? Do transistor SCR? Do planeta Terra? Qual a probabilidade de ganhar na Mega-Sena? A proporção de peças defeituosas é 7%. Em uma entrega de 50 peças, qual a probabilidade de de não retirar peças defeituosas em uma amostra de 15 unidades? Em média abre ordem de manutenção a cada 76,8 horas em média. Qual a possibilidade de abrir a ordem antes de 24 horas de manutenção? (UTFPR) Probabilidade 15 de maio de / 130
60 Distribuições Contínuas de Probabilidade (UTFPR) Probabilidade 15 de maio de / 130
61 Distribuição Discreta de Probabilidade 1 Uniforme contínua: Uniformidade 2 Gamma: 75 distribuições 3 Exponencial: Intervalos (tempo/espaço) 4 Gaussiana: TCL 5 Normal Padrão: Cáclulo Probabiĺıstico 6 Qui-quadrado: Teorema de Cochran 7 t-student: Baixa amostragem 8 F-Snedecor: Teste variacional 9 Cauchy: Não tem média e nem variância! (UTFPR) Probabilidade 15 de maio de / 130
62 Distribuição Uniforme de Probabilidade Distribuição Uniforme de Probabilidade (UTFPR) Probabilidade 15 de maio de / 130
63 Distribuição Uniforme de Probabilidade 1 Função Densidade de Probabilidade f(x a,b) = { 1 b a 2 Função Acumulada de Probabilidade 3 Função Caracterísitca F(x a,b) = x a b a ϕ X (t) = eitb e ita it(b a) 4 Função Geradora de Momentos M X (t) = etb e ta t(b a), se x [a,b], 0, se c.c. x [a,b] x [a,b] x [a,b] (UTFPR) Probabilidade 15 de maio de / 130
64 Distribuição Uniforme de Probabilidade Tabela: Medidas MTC/MDV a+b 2 Média a+b Mediana 2 Moda - SKW 0 Curtose 6 5 Variância σ 2 = (b a)2 12 (UTFPR) Probabilidade 15 de maio de / 130
65 Distribuição Uniforme de Probabilidade Uniform distribution Cumula tive Function fx Fx x x Figura: a) Distribuição Uniforme Contínua b) Função de Distribuição. (UTFPR) Probabilidade 15 de maio de / 130
66 Distribuição Gamma Distribuição Gamma de Probabilidade (UTFPR) Probabilidade 15 de maio de / 130
67 Distribuição Gamma 1 Função Densidade de Probabilidade { 1 f(x a,b) = Γ(α)β x α 1 e β, x se x 0, α 0, se c.c. 2 Função Acumulada de Probabilidade 3 Função Caracterísitca F(x α,β) = 1 Γ(α) γ(α,βx) 0 < x < ϕ X (t) = 4 Função Geradora de Momentos M X (t) = ( ) 1 α t < α 1 iβt β ( 1 1 βt ) α t < α β (UTFPR) Probabilidade 15 de maio de / 130
68 Distribuição Gamma (UTFPR) Probabilidade 15 de maio de / 130
69 Distribuição Gamma Tabela: Medidas MTC/MDV Média αβ Mediana Moda (α 1) β SKW 2 α Curtose 6 α Variância αβ 2 (UTFPR) Probabilidade 15 de maio de / 130
70 Distribuição Gamma Gamma distribution Cumulative Function fx Fx x x Figura: a) Distribuição Gamma Contínua: Γ(1, 1) em preto, Γ(2, 1) em vermelho, Γ(3,2) em azul b) Função de distribuição. (UTFPR) Probabilidade 15 de maio de / 130
71 Distribuição Exponencial de Probabilidade Distribuição Exponencial de Probabilidade f(x a,b) = λe λx (UTFPR) Probabilidade 15 de maio de / 130
72 Distribuição Exponencial de Probabilidade 1 Função Densidade de Probabilidade { λe f(x a,b) = λx, se x 0, 0, se c.c. 2 Função Acumulada de Probabilidade F(x λ) = 1 e λx 0 < x < 3 Função Caracterísitca ϕ X (t) = ( ) λ λ it 4 Função Geradora de Momentos ( ) λ M X (t) = λ t t < λ t < λ (UTFPR) Probabilidade 15 de maio de / 130
73 Distribuição Exponencial de Probabilidade Tabela: Medidas MTC/MDV 1 Média λ ln 2 Mediana λ Moda 0 SKW 2 Curtose 6 1 Variância λ 2 (UTFPR) Probabilidade 15 de maio de / 130
74 Exercício XIV O tempo médio até a falha do diodo SCR é de 5 mil horas. Qual a probabilidade do diodo falhar até a metade do tempo projetado? Qual o tempo de meia vida? (UTFPR) Probabilidade 15 de maio de / 130
75 Distribuição Exponencial de Probabilidade Exponencial distribution Cumulative Function fx Fx x x Figura: a) Distribuição Exponencial com λ = 2 b) Função de Distribuição. (UTFPR) Probabilidade 15 de maio de / 130
76 Distribuição Gaussiana de Probabilidade Distribuição Gaussiana de Probabilidade Figura: Carl Friedrich Gauss (UTFPR) Probabilidade 15 de maio de / 130
77 Distribuição Gaussiana de Probabilidade 1 Função Densidade de Probabilidade f(x µ,σ 2 ) = 1 2( x µ 2πσ 2 e 1 σ ) 2 2 Função Acumulada de Probabilidade F(x µ,σ 2 ) = 1 [ ( )] x µ 1+erf 2 σ 2 com erf(y) = 2 y e t2 dt π 3 Função Caracterísitca 4 Função Geradora de Momentos ϕ X (t) = e iµt 1 2 σ2 t 2 M X (t) = e µt+1 2 σ2 t 2 0 (UTFPR) Probabilidade 15 de maio de / 130
78 Distribuição Gaussiana de Probabilidade Tabela: Medidas MTC/MDV Média µ Mediana µ Moda µ SKW 0 Curtose 0 Variância σ 2 (UTFPR) Probabilidade 15 de maio de / 130
79 Distribuição Gaussiana de Probabilidade Figura: a) Função de densidade de probabilidade e b) função de distribuição (UTFPR) Probabilidade 15 de maio de / 130
80 Exercício XV Encontre a probabilidade P(0.25 < X 1.5) para X N(2,1) (UTFPR) Probabilidade 15 de maio de / 130
81 P(0.25 < X 1.5) = = = πσ 2 e 1 2( x µ σ ) 2 dx 1 2π e 1 2 (x 2)2 dx e u2 2du 2π 1.75 = e u2 du π 1.75 (6) (UTFPR) Probabilidade 15 de maio de / 130
82 Taylor = e u2 = = 1 π k=0 = 1 π 0.5 = 1 π ( u 2 ) k k=0 k! ( u 2 ) k du k! ( 1) k u 2k du k! 1.75 k=0 0.5 k=0 = 1 π k=0 ( 1) k k! ( 1) k k! 1.75 u 2k du ( u2k+1 2k = 1 ( 1) k π (2k +1)k! [( 0.5)2k+1 ( 1.75) 2k+1 ] k= (UTFPR) Probabilidade 15 de maio de / 130
83 Distribuição Normal Padrão de Probabilidade Distribuição Normal Padrão de Probabilidade (UTFPR) Probabilidade 15 de maio de / 130
84 Distribuição Normal Padrão de Probabilidade 1 Função Densidade de Probabilidade f(z) = 1 2π e 1 2 z2 2 Função Acumulada de Probabilidade F(z) = 1 [ ( )] z 1+erf 2 2 com erf(y) = 2 y e t2 dt π 3 Função Caracterísitca 4 Função Geradora de Momentos 0 ϕ X (t) = e 1 2 t2 M X (t) = e 1 2 t2 (UTFPR) Probabilidade 15 de maio de / 130
85 Distribuição Normal Padrão de Probabilidade Tabela: Medidas MTC/MDV Média 0 Mediana 0 Moda 0 SKW 0 Curtose 0 Variância 1 (UTFPR) Probabilidade 15 de maio de / 130
86 Z = x µ σ Chamamos a função padronizada por Distribuição Normal Padrão. Seja a probabilidade dada por P(a < X < b) = b 1 2( x µ a 2πσ 2 e 1 σ ) 2 dx ( ) X µ Troca de variável = Z = σ (UTFPR) Probabilidade 15 de maio de / 130
87 P(a < X < b) = = ( b µ σ ) 1 2πσ 2 e 1 2 z2 σdz ( a µ σ ) ( b µ σ ) ( a µ σ ) 1 2π e 1 2 z2 dz [( ) ( )] a µ b µ = P < Z < σ σ Finalmente, [( ) ( )] a µ b µ P(a < X < b) = P < Z < σ σ têm o mesmo valor. (UTFPR) Probabilidade 15 de maio de / 130
88 Distribuição Normal Padrão de Probabilidade Exercício XVI: Suponha um conjunto de dados que segue uma distribuição normal padrão com média µ = 2 e variância σ 2 = 1, calcule a probabilidade P(0.25 < X 1.5) (UTFPR) Probabilidade 15 de maio de / 130
89 Distribuição Normal Padrão de Probabilidade ( P(0.25 < X 1.5) = P 1 = P < X µ σ ( 1.75 < X µ σ = P( 1.75 < Z 0.5) = F Z ( 0.5) F Z ( 1.75) ) 1 ) 0.5 Utilizando a tabela Normal Padrão = F Z ( 1.75) = , F Z ( 0.5) = , = (UTFPR) Probabilidade 15 de maio de / 130
90 Distribuição Normal Padrão de Probabilidade Calcule as probabilidades: 1 Calcule P[5 < X < 10] para X N(5,25) (Resp ) 2 Calcule P[ X 1] para X N(1/10,9) (Resp ) 3 Calcule P[X > 102] para X N(49,49) (Resp. 0) 4 Calcule P[1 X 2 3 < 13] para X N(2,4) (Resp ) (UTFPR) Probabilidade 15 de maio de / 130
91 Características Normal distribution X~N(0,1) Cumulative Function fx Fx x x Figura: a) Distribuição Normal Padrão Z N(0, 1) b) Função de Distribuição. (UTFPR) Probabilidade 15 de maio de / 130
92 (UTFPR) Probabilidade 15 de maio de / 130
93 Características 1) Se o desvio-padrão σ = 1 z = 1 P(0 < X < 1) 34,13% 2) Se o desvio-padrão σ = 2 z = 2 P(1 < X < 2) 13,59% 3) Se o desvio-padrão σ = 3 z = 3 P(2 < X < 3) 2,14% 4) Para a região 1 < σ < 1 Z < 1 P( Z < 1) 68,26% 5) Para a região 2 < σ < 2 Z < 2 P( Z < 2) 95,44% 6) Para a região 3 < σ < 3 Z < 3 P( Z < 3) 99,73%, também conhecido como 6σ. (UTFPR) Probabilidade 15 de maio de / 130
94 Distribuição Normal Padrão de Probabilidade Exercício XVII: Calcule e explique o cálculo das seguintes probabilidades de 1 X > 1.5 para X N(3,9) = Z? 2 X < 2 para X N( 0.1,0.41) = Z? (UTFPR) Probabilidade 15 de maio de / 130
95 Distribuição Cauchy Distribuição Cauchy Figura: Acerte no meio do alvo porque não tem média! (UTFPR) Probabilidade 15 de maio de / 130
96 Distribuição Cauchy 1 Função Densidade de Probabilidade f(x x 0,γ) = [ γπ 1 1+( x x0 γ ) 2 ] 2 Função Acumulada de Probabilidade 3 Função Caracterísitca F(x λ) = 1 π arctan ( x x0 γ ϕ X (t) = e x 0it γ t 4 Função Geradora de Momentos Não existe ) (UTFPR) Probabilidade 15 de maio de / 130
97 Tabela: Medidas MTC/MDV Média Mediana x 0 Moda x 0 SKW Curtose Variância (UTFPR) Probabilidade 15 de maio de / 130
98 Distribuição Não existe média! NÃO EXISTE MÉDIA! E(x) = = = xf(x θ)dx = x π0 = x [ γπ 1 1+( x x0 γ ) 2 ]dx 1 (x 0 +γy) γπ(1+y 2 ) γdy 1 1+y 2dy + γ π y 1+y 2dy (UTFPR) Probabilidade 15 de maio de / 130
99 Distribuição Não existe média! NÃO EXISTE MÉDIA! Figura: NÃO EXISTE MÉDIA! (UTFPR) Probabilidade 15 de maio de / 130
100 Distribuição Não existe variância! NÃO EXISTE VARIÂNCIA! Observe que ambas as integrais divergem. Como o primeiro momento não existe, a média não existe! Além disso, a variância é descrita por var(x) = E(X 2 ) E(X) 2 De fato, a variância divergirá porque a média E(X) diverge. (UTFPR) Probabilidade 15 de maio de / 130
101 Distribuição Não existe média! NÃO EXISTE VARIÂNCIA! Figura: NÃO EXISTE VARIÂNCIA! (UTFPR) Probabilidade 15 de maio de / 130
102 Distribuição Qui-quadrado χ 2 ν Distribuição Qui-quadrado Figura: (UTFPR) Probabilidade 15 de maio de / 130
103 Distribuição Qui-quadrado χ 2 ν 1 Função Densidade de Probabilidade { 1 f(x a,b) = 2 ν/2 Γ( ν 2 )xν/2 1 e x/2, se x 0, 0, se c.c. 2 Função Acumulada de Probabilidade F(x ν/2,β) = 3 Função Caracterísitca ϕ X (t) = 4 Função Geradora de Momentos M X (t) = 1 Γ(ν/2) γ(ν/2,2x) 0 < x < ( ) 1 ν/2 t < ν 1 2it 4 ( 1 1 2t ) ν/2 t < ν 4 (UTFPR) Probabilidade 15 de maio de / 130
104 Distribuição Qui-quadrado χ 2 ν Tabela: Medidas MTC/MDV Média ν Mediana Moda 2(ν/2 1) 2 SKW ν/2 6 Curtose ν/2 Variância 2ν (UTFPR) Probabilidade 15 de maio de / 130
105 Distribuição Qui-quadrado χ 2 ν Theorem Teorema de Cochran Sejam X 1,X 2,X 3, X n variáveis aleatórias independentes e identicamente distribuídas X NID(0, 1). A soma χ 2 ν = Z2 1 +Z2 2 +Z2 3 + Z2 n segue uma distribuição qui-quadrado com ν graus de liberdade. (UTFPR) Probabilidade 15 de maio de / 130
106 Distribuição Qui-quadrado χ 2 ν Exercício XVIII: Mostre que P(0 < x < ) = 1 para a distribuição χ 2 ν. (UTFPR) Probabilidade 15 de maio de / 130
107 Distribuição Qui-quadrado χ 2 ν Γ(ν/2,2) = (1/2)ν/2 Γ(ν/2) x ν 2 1 e x 2 P(0 < x < ) = 0 = (1/2)ν/2 Γ(ν/2) (1/2) ν/2 Γ(ν/2) x ν 2 1 e x 2dx 0 x ν 2 1 e x 2dx = Troca de variável t = ν 2 (7) (UTFPR) Probabilidade 15 de maio de / 130
108 Distribuição Qui-quadrado χ 2 ν C.q.c. = (1/2)ν/2 Γ(ν/2) 0 = 2 ν/2+ν/2 1+1 = 1 Γ(ν/2) Γ(ν/2) 0 (2t) ν 2 1 e t (2dt) 0 t ν 2 1 e t dt = Define-se Γ(ν/2) = = Γ(ν/2) Γ(ν/2) = 1 t ν 2 1 e t dt 0 t ν 2 1 e t dt Independentemente do valor que o grau liberdade ν assume, a probabilidade P(0 < x < ) sempre resultará na unidade. (UTFPR) Probabilidade 15 de maio de / 130
109 Distribuição t-student Distribuição t-student Figura: Amostra por domicílio (UTFPR) Probabilidade 15 de maio de / 130
110 Distribuição t-student 1 Função Densidade de Probabilidade 2 ) f(x ν) = Γ(ν Γ( ν 2 ) [ ] νπ (ν+1)/2 1+( x2 ν ) 2 Função Acumulada de Probabilidade F X (x) = 1 ( ) ν xγ 2 Sendo F 1 a função hipergeométrica. 3 Função Geradora de Momentos Não existe F1( 1 2, ν 1 2, 3 2, x2 νπγ( π ν ) 2 ) (UTFPR) Probabilidade 15 de maio de / 130
111 Distribuição t-student Theorem Teorema Sejam as variáveis aleatórias X 1,X 2,X 3,...X n com distribuição X N(µ,σ 2 ) condicionando µ e σ 2 às variáveis amostrais X e S 2 independentes, n( X µ) N(0,1) σ segue uma distribuição normal padrão e, (n 1)S 2 σ 2 χ 2 ν segue uma distribuição χ 2 ν com ν graus de liberdade (UTFPR) Probabilidade 15 de maio de / 130
112 Distribuição t-student Seja U N(0,1) e W χ 2 o pivot U W ν t ν (0,1) segue uma distribuição t-student com ν graus de liberdade. (UTFPR) Probabilidade 15 de maio de / 130
113 Distribuição t-student Tabela: Medidas MTC/MDV Média 0 Mediana 0 Moda 0 SKW 6 ν 4 Curtose 0 Variância ν ν 2 (UTFPR) Probabilidade 15 de maio de / 130
114 Figura: a) Distribuição t-student para graus de liberdade ν = 3,ν = 4,ν = 5, ν = 15 e ν = 20 b)distribuição normal de probabilidade (vermelho pontilhado) (UTFPR) Probabilidade 15 de maio de / 130 Distribuição t-student t Student distribution fx x
115 Distribuição F-Snedecor Distribuição F-Snedecor Figura: Análise cĺınica (UTFPR) Probabilidade 15 de maio de / 130
116 Distribuição F-Snedecor 1 Função Densidade de Probabilidade f(x x 0,γ) = Γ(n/2+m/2) n[(n/m)x] n/2 1 Γ(n/2)Γ(m/2) [1+(n/m)x] n/2 m/2 com função beta dada por Beta(n/2,m/2) = Γ(n/2)Γ(m/2) Γ(n/2+m/2) (UTFPR) Probabilidade 15 de maio de / 130
117 2 Função Acumulada de Probabilidade F(x λ) = I d 1 x d 1 x+d 2 ( d1 2, d 1 2 Sendo a função beta incompleta dada por: Beta(x;α,β) = x e a função beta incompleta regularizada 0 I x = Beta(x;α,β) Beta(α, β) ) t α 1 (1 t) b 1 dx 3 Função Geradora de Momentos Não existe (UTFPR) Probabilidade 15 de maio de / 130
118 Distribuição F-Snedecor Tabela: Medidas MTC/MDV ν 2 ν 2 2 Média Variância 2( ν 2 ν 2 2 )2ν 1+ν 2 2 ν 1 (ν 2 4) (UTFPR) Probabilidade 15 de maio de / 130
119 Distribuição F-Snedecor (UTFPR) Probabilidade 15 de maio de / 130
120 Distribuição F-Snedecor Theorem Sejam U χ 2 n 1 e V χ2 m 1 duas variáveis aleatórias independentes de distribuição qui-quadrado com n 1 e m 1 graus de liberdade, respectivamente. A razão define a distribuição F-Snedecor: W = U/n V/m F ν 1,ν 2 (UTFPR) Probabilidade 15 de maio de / 130
121 Theorem Seja X t(ν) uma variável aleatória com distribuição t-student, então F 1,ν = t 2 ν (UTFPR) Probabilidade 15 de maio de / 130
122 Distribuições discretas: Qual usar? O tempo médio entre chegadas de pessoas no banco é de 8,5 minutos. Qual a probabilidade da pessoa permanecer mais do que 15 minutos no banco? Qual ovalor esperado par uma distribuição Γ( ν 2,2)? Calcule P[ 0.2 < X < 1.3] para X N(2,36) Pode um conjunto de dados não apresentar média? Qual distribuição terá? (UTFPR) Probabilidade 15 de maio de / 130
123 Relações entre distribuições (UTFPR) Probabilidade 15 de maio de / 130
124 Relações entre distribuições Figura: EXERCÍCIOS (UTFPR) Probabilidade 15 de maio de / 130
125 Exercício I Uma linha de produção 15 peças são produzidas, sendo quatro identificadas pelo robô como defeituosas. Qual a probabilidade em uma amostragem sistemática não sair nenhuma das peças defeituosas em um amostra experimental sem reposição contendo 3 unidades? O que esta probabilidade significa? Figura: Linha de produção (UTFPR) Probabilidade 15 de maio de / 130
126 Exercício II O diâmetro interno de um anel de pistão é uma variável aleatória normalmente distribuído D N(10, ) cm. Qual a proporção de anéis que excederão 10,075 centímetros? Figura: Anel de pistão (UTFPR) Probabilidade 15 de maio de / 130
127 Exercício III Um call-center está congestionado. O sistema acusa que a cada doze tentativas apenas três apresenta sucesso e o cliente normalmente desiste na quinta chamada. Qual a probabilidade de ser atendido na última tentativa? Figura: Cliente (UTFPR) Probabilidade 15 de maio de / 130
128 Exercício IV Um call-center está congestionado. O sistema acusa que a cada doze tentativas apenas três apresenta sucesso e o cliente normalmente desiste na quinta chamada. Após N = 100 chamadas, qual a quantidade de clientes atendido? (UTFPR) Probabilidade 15 de maio de / 130
129 Exercício V O corte a laser não pode ultrapassar uma área circular de 4.52 cm 2 na linha do corte. A dispersão do calor produzido no metal segue uma distribuição normal centrado no círculo quente com desvio de 0.6 cm, segundo a fotografia. Qual a probabilidade do corte a laser ultrapassar a área circular calibrada? Em um corte de 1 metro, qual o comprimeto possível de falhas? Figura: Corte (UTFPR) Probabilidade 15 de maio de / 130
130 Exercício VI Se o comprimento total de falhas no corte do exercício anterior for em torno de 4,5 cm por metro, qual a proporção de falhas apresentado rebarbas no corte entre 18 e 20 metros? Qual a distância média entre falhas? Figura: Corte (UTFPR) Probabilidade 15 de maio de / 130
Mais 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 maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia 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 - 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 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 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 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 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 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 maisModelos discretos e contínuos
Modelos discretos e contínuos Joaquim Neto joaquim.neto@ufjf.edu.br Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF Versão 3.0 1
Leia 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 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 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 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 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 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 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 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 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 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 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 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 maisMODELOS PROBABILÍSTICOS CONTÍNUOS
6 MODELOS PROBABILÍSTICOS CONTÍNUOS 6. DISTRIBUIÇÃO UNIFORME A distribuição uniforme é a distribuição de probabilidades contínua mais simples de conceituar: a probabilidade de se gerar qualquer ponto em
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 maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Distribuições Discretas de Probabilidade Prof. Narciso Gonçalves da Silva www.pessoal.utfpr.edu.br/ngsilva Introdução Distribuições Discretas de Probabilidade Muitas variáveis
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 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 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 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 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 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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
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 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 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 maisEstatística. Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 4: Distribuições Teóricas de Probabilidades de Variáveis Aleatórias Discretas Professor Fernando Porto Capítulo 4 Baseado no Capítulo 4 do livro texto, Distribuições Teóricas de Probabilidades
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 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 maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
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 maisModelos de Distribuições
Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 11/06/019 07:14 ESTATÍSTICA APLICADA I -
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisEELT-7035 Processos Estocásticos em Engenharia. Variáveis Aleatórias. EELT-7035 Variáveis Aleatórias Discretas. Evelio M. G.
EELT-7035 Processos Estocásticos em Engenharia Variáveis Aleatórias Discretas 21 de março de 2019 Variáveis Aleatórias Variável aleatória, X( ): função que mapeia o espaço amostral (S) em números pertencentes
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 maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia mais1 Distribuições Discretas de Probabilidade
1 Distribuições Discretas de Probabilidade A distribuição discreta descreve quantidades aleatórias (dados de interesse) que podem assumir valores particulares e os valores são finitos. Por exemplo, uma
Leia maisProf. Lorí Viali, Dr.
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 maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisAula 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 maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia maisCAPÍTULO 4 CONCEITOS BÁSICOS DE ESTATÍSTICA E PROBABILIDADES
CAPÍTULO 4 CONCEITOS BÁSICOS DE ESTATÍSTICA E PROBABILIDADES. INTRODUÇÃO - Conceito de população desconhecida π e proporção da amostra observada P. π P + pequeno erro Perguntas: - Qual é o pequeno erro?
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 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 maisModelos de Distribuições
4/05/014 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Tucuruí CTUC Curso de Engenharia Mecânica 4/05/014 06:56 ESTATÍSTICA
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
Leia maisa) o time ganhe 25 jogos ou mais; b) o time ganhe mais jogos contra times da classe A do que da classe B.
Universidade de Brasília Departamento de Estatística 5 a Lista de PE. Um time de basquete irá jogar uma temporada de 44 jogos. desses jogos serão disputados contra times da classe A e os 8 restantes contra
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisME-310 Probabilidade II Lista 0
ME-310 Probabilidade II Lista 0 1. Sejam A e B eventos disjuntos tais que P(A) = 0.1 e P(B) = 0.. Qual é a probabilidade que (a) A ou B ocorra; (b) A ocorra, mas B não ocorra; (c) repita (a) e (b) se os
Leia maisProbabilidade 2 - ME310 - Lista 0
Probabilidade 2 - ME310 - Lista 0 17 de agosto de 2018 Lembrando: 1) Conjuntos disjuntos: A B = = P (A B) = 0 2) Conjuntos independentes: P (A B) = P (A) P (B) A = (A B). (A B c ) só uma forma de deixar
Leia maisVariáveis Aleatórias Discretas
Variáveis Aleatórias Discretas Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Definição Uma variável aleatória é uma função definida
Leia maisPRO 2271 ESTATÍSTICA I. 3. Distribuições de Probabilidades
PRO71 ESTATÍSTICA 3.1 PRO 71 ESTATÍSTICA I 3. Distribuições de Probabilidades Variáveis Aleatórias Variáveis Aleatórias são valores numéricos que são atribuídos aos resultados de um eperimento aleatório.
Leia maisConforme o conjunto de valores X(S) uma variável aleatória poderá ser discreta ou contínua.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X X(s) R X(S) Uma função X que associa a cada elemento de S (s S) um número real X(s) é denominada
Leia maisDistribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia 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 maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
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 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 mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
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 maisCapítulo 4 - Variáveis aleatórias e distribuições contínuas
Capítulo 4 - Variáveis aleatórias e distribuições contínuas Conceição Amado e Ana M. Pires 4.1 - Variáveis aleatórias contínuas. Função densidade de probabilidade 3 4.2 - Valor esperado, variância e algumas
Leia 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 maisIntrodução à Bioestatística
Instituto Nacional de Cardiologia February 22, 2016 1 2 3 4 Existem dois tipos de variáveis aleatórias Variáveis aleatórias discretas Variáveis aleatórias contínuas discreta Assume um número nito ou innito
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 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 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 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 maisLista de Exercícios 3 Probabilidades Escola Politécnica, Ciclo Básico
Lista de Exercícios 3 Probabilidades 0303200 Escola Politécnica, Ciclo Básico 1 o semestre 2017 1) Um equipamento tem tempo de vida T com distribuição normal, valor esperado de 40 horas e desvio padrão
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Tipos de Modelos Determinístico Sistema Real Probabilístico Modelo determinístico Causas Efeito Exemplos Gravitação F GM 1 M /r
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 maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisDistribuições de 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 mais4ª LISTA DE EXERCÍCIOS - LOB1012. Variáveis Aleatórias Contínuas, Aproximações e TLC
4ª LISTA DE EXERCÍCIOS - LOB1012 Variáveis Aleatórias Contínuas, Aproximações e TLC Assunto: Função Densidade de Probabilidade Prof. Mariana Pereira de Melo 1. Suponha que f(x) = x/8 para 3
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 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 maisPROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 7 11 e 12 abril MOQ-12 Probabilidades e Int. a Processos Estocásticos
PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS Aula 7 11 e 12 abril 2007 1 Distribuições Discretas 1. Distribuição Bernoulli 2. Distribuição Binomial 3. Distribuição Geométrica 4. Distribuição Pascal
Leia 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 maisVariáveis Aleatórias
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
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 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 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 maisAula de Exercícios - Variáveis Aleatórias Contínuas (II) Aula de Exercícios - Variáveis Aleatórias Contínuas (II)
Aula de Exercícios - Variáveis Aleatórias Contínuas (II) Organização: Rafael Tovar Digitação: Guilherme Ludwig Exemplo VIII Distribuição contínua Seja X a v. a. contínua cuja densidade de probabilidade
Leia maisProbabilidade 2 - ME310 - Lista 0
Probabilidade 2 - ME310 - Lista 0 August 30, 2012 Lembrando: 1) Conjuntos disjuntos: A B = = P (A B) = 0 2) Conjuntos independentes: P (A B) = P (A) P (B) 3) Podemos dividir qualquer conjunto em dois conjuntos
Leia mais