Experiência para o qual o modelo probabilístico é adequado. Efeito. Causas. E 1 : Joga-se um dado e observase o número da face superior.
|
|
- Felipe Sintra Fernandes
- 5 Há anos
- Visualizações:
Transcrição
1 Determinístico Prof. Lorí Viali, Dr. ufrgs.br/~viali/ Sistema Real Probabilístico Causas Efeito X Causas Efeito Eperiência para o qual o modelo probabilístico é adequado. E : Joga-se um dado e observase o número da face superior.
2 E : Joga-se uma moeda quatro vezes e observa-se a seqüência de caras e coroas ; E 3 : Uma lâmpada nova é ligada e conta-se o tempo gasto até queimar; E 4 : Jogam-se dois dados e observa-se o par de valores obtido; É o conjunto de resultados de uma eperiência aleatória. S = {,, 3, 4, 5, 6} S = { cccc, ccck, cckc, ckcc, kccc, cckk, kkcc, ckkc, kcck, ckck, kckc, kkkc, kkck, kckk, ckkk, kkkk}
3 S 3 = { t R / t 0 } S 4 = { (, ), (, ),(,3), (, 4), (, 5), (, 6) (, ), (, ), (, 3), (, 4), (, 5), (, 6) (3, ), (3, ), (3, 3), (3, 4), (3, 5), (3, 6) (4, ), (4, ), (4, 3), (4, 4), (4, 5), (4, 6) (5, ), (5, ), (5, 3), (5, 4), (5, 5), (5, 6) (6, ), (6, ), (6, 3), (6, 4), (6, 5), (6, 6) } Um evento é um subconjunto de um espaço amostra. Seja E um eperimento com espaço amostra associado S. Diremos que o evento A ocorre se realizado E o resultado é um elemento de A. Sejam A e B eventos de um espaço S. Diremos que ocorre o evento: A união B, A soma B ou A mais B, se e só se A ocorre ou B ocorre. A B Sejam A e B eventos de um espaço S. Diremos que ocorre o evento: A produto B, A vezes B ou A interseção B, se e só se A ocorre e B ocorre. A B 3
4 Sejam A e B eventos de um espaço S. Diremos que ocorre o evento: A menos B, A diferença B, se e só se A ocorre e B não ocorre. A - B Sejam A e B eventos de um espaço S. Diremos que ocorre o evento: Complementar de A (não A) se e só se A não ocorre. A = A C = A Dois eventos A e B são mutuamente ecludentes se não puderem ocorrer juntos. CLÁSSICO FREQÜENCIAL AXIOMÁTICO (número de casos favoráveis) P(A) = _ (número de casos possíveis) (número de vezes que A ocorre) fr A = (número de vezes que E é repetido) 4
5 P(A) é um número real que deve satisfazer as seguintes propriedades: () 0 P(A) P(A) = lim fr A n () P(S) = (3) P(AUB) = P(A) + P(B) se A B = () P( ) = 0 () P( A) = - P(A) (3) P(A - B) = P(A) - P(A B) (4) P(AUB) = P(A) + P(B) - P(A B) (5) P(AUBUC) = P(A) + P(B) + P(C) - -P(A B) - P(A C) - P(B C) + + P(A B C) Definição P(A/B) = P(A B) / P(B) Teorema da multiplicação P(A B) = P(A).P(B/A) = P(A/B).P(B) Dois eventos A e B são independentes se a probabilidade de um ocorrer não altera a probabilidade do outro ocorrer, isto é: 5
6 () P(A/B) = P(A) () P(B/A) = P(B) (3) P(A B) = P(A).P(B) Diz-se que os conjuntos: A, A,..., A n eventos de um mesmo espaço amostra S, formam uma partição deste espaço se: () A i A j =, para todo i j () A A... A n = S, para todo i j (3) P(A i ) > 0, para todo i B B pode ser escrito como: B = (B A ) (B A )... (B A n ) 6
7 B A B A B A 3 B P(B) será então: P(B) = P[(B A ) (B A )... (B A n )] = P(B A ) + P(B A ) P(B A n ) = = P(B A i ) = P(A i ).P(B/A i ) P(B) = P(A i ).P(B/A i ) A4 B Calcula a probabilidade de ocorrência de um dos A i (que formam a partição) dado que ocorreu um evento qualquer B. Aplicando a epressão da probabilidade condicionada vem: P(A i /B) = P(A i B)/ P(B) = = P(A i ).P(B/A i )/ P(B) Na epressão P(A i /B) = P(A i ).P(B/A i ) / P(B) o valor de P(B) é obtido através do Teorema da Probabilidade Total 7
8 KKK CKK KKC KCK CCK CKC KCC s CCC S X = X(s) 0 3 R X(S) Uma função X que associa a cada elemento de S (s S) um número real = X(s) é denominada variável aleatória. Conforme o conjunto de valores X(S) uma variável aleatória poderá ser discreta ou contínua. Se o conjunto de valores for finito ou então infinito enumerável a variável é dita discreta. Se o conjunto de valores for infinito não enumerável então a variável é dita contínua. 8
9 A função de probabilidade (fp) de uma VAD é a função que associa a cada i X(S) o número f( i ) = P(X = i ) que satisfaz as seguintes propriedades: f( i ) 0, para todo i f( i ) = A coleção dos pares [ i, f( i )] para i =,, 3,... é denominada de distribuição de probabilidade da VAD X. Suponha que um par de dados é lançado. Então X = soma do par é uma variável aleatória discreta com o seguinte conjunto de valores: Como X((a, b)) = a + b, o conjunto de valores de X é dado por: X(S) = {, 3, 4, 5, 6, 7, 8, 9, 0,, } A função de probabilidade f() = P(X = ), associa a cada X(S), um número no intervalo [0; ] dado por: f() = P(X = ) = P(X(s) = ) = = P([ X(S) / X(s) = }) 9
10 Desta forma: f() = P(X = ) = P{(,)} = /36 f(3) = P(X = 3) = P{(,), (, )} = /36... f() = P(X=) = P{(6, 5), (5, 6)} = /36 f() = P(X = ) = P{(6, 6)} = /36 A distribuição de probabilidade será: f() 36 A distribuição de probabilidade de X será então: Σ Através de: uma tabela uma epressão analítica (fórmula) um diagrama Seja X = número de caras, obtidas no lançamento de 4 moedas honestas. Então a distribuição de X é a dada ao lado Σ f() /6 4/6 6/6 4/6 /6 Considere X = soma do par, no lançamento de dois dados equilibrados, então: f : X(S) R ( - )/36 se 7 ( - -)/36 se > 7 0,8 0,6 0,4 0, 0,0 0,08 0,06 0,04 0,0 0,
11 (a) Epectância, valor esperado µ = E(X) =.f () =.P(X = ) (b) Desvio padrão σ = f ()( µ) = f () µ Bernoulli Binomial Hipergeométrica EXPERIMENTO Qualquer um que corresponda a apenas dois resultados. Estes resultados são anotados por 0 ou fracasso e ou sucesso. A probabilidade de ocorrência de sucesso é representada por p e a de insucesso por q = p. Conjunto de Valores X(S) = { 0, } A Função de Probabilidade (fp) A Função de Probabilidade (fp),0 0,8 0,6 p f () = P(X = ) = p se se = 0 = 0,4 0, 0,0 0
12 Características Epectância ou Valor Esperado E(X) =.f () = 0.q +.p = p Variância V = = ( X ) (0 p.q p = + E ( X =.p ) p ( ) - E(X) p p ) = = pq = EXPERIMENTO Como eistem apenas duas situações: A ocorre e A não ocorre, pode-se determinar a probabilidade de A não ocorrer como sendo q = p. A VAD definida por X = número de vezes que A ocorreu nas n repetições de E é denominada BINOMIAL. Conjunto de Valores X(S) = {0,,, 3,..., n} A Função de Probabilidade (fp) f () n = P(X = ) = p q n Características Epectância ou Valor Esperado Variância V(X) E(X) =.f() = = E( X ) - E(X) = npq np σ X = npq
13 EXPERIMENTO A distribuição Binomial é deduzida com base em n repetições de um eperimento de maneira independente (isto é, p = constante), ou retiradas com reposição de uma população finita. EXPERIMENTO Se a eperiência consistir na seleção de objetos, sem reposição, de uma população finita, de tamanho N, onde r apresentam uma característica N r não apresentam esta característica, então eistirá dependência entre as repetições. EXPERIMENTO Neste caso a variável aleatória X = número de objetos com a característica r em uma amostra de tamanho n, terá uma distribuição denominada de Hipergeométrica. Conjunto de Valores : má{0, n N+r)},..., mín{r, n} A Função de Probabilidade (fp) r N r n r f () = P(X = ) = N n Características Epectância ou Valor Esperado E (X) = np Desvio Padrão σ X = npq N n N Onde p = r N 3
14 Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável é dita contínua. É a função que associa a cada X(S) um número f() que deve satisfazer as seguintes propriedades: f() 0 f(). d A coleção dos pares (, f()) é denominada de P ( a y < X < b ) = b a f ( ) d distribuição de probabilidade da VAC X. a b a < X < b P ( a < X < b Isto é, a probabilidade de que X assuma valores entre os números a e b é a área sob o gráfico de f() entre os pontos = a e = b. ) = b a f ( ) d P ( X Se X é uma VAC, então: = a ) = a a f ( ) d = 0 P (a < X < b ) = P (a X < b ) = = P (a < X b ) = P (a X b ) 4
15 (a) Epectância, valor esperado µ = E(X) =.f () d (b) Desvio padrão σ = f ()( µ ) d = f ()d µ É a função F() definida por: F() = P(X ) = f(u)du A F() é a integral da f() até um ponto genérico. O uso da FDA é bastante prático no cálculo das probabilidades, pois não é necessário integrar, já que ela é um função que fornece a Integral. Usando a FDA, teremos sempre três casos possíveis: P(X ) = F() P(X > ) = F() P( < X< ) = F( ) F( ) Uniforme Eponencial Normal t (Student) χ (Qui-quadrado) F (Snedekor) 5
16 Uma VAC X é uniforme no intervalo [a; b] se assume todos os valores com igual probabilidade. Isto é, se f() for: f() = b a 0 se c.c. a b A função F() é dada por: 0 se < a a F ( )= se a b b a se > b Epectância ou Valor Esperado a + b E(X) = Variância (b a ) σ = V ( X ) = E ( X ) E (X ) = Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f() =.e π. σ µ. σ, R com - < µ < e σ > 0 6
17 0,8 N(0; ) N(0; 0,5) N(0; ) 0,6 N(; ) 0,4 0, 0, P(X ) =.e π. σ u µ. σ du =? A normal não é integrável através do TFC, isto é, não eiste F() tal que F () = f(). Utilizar integração numérica. Como não é possível fazer isto com todas as curvas, escolheu-se uma para ser tabelada (integrada numericamente). A curva escolhida é a N(0, ), isto é, com µ = 0 e σ =. Se X é uma N(µ, σ), então: Z = X µ σ Será uma N(0; ) 0,4 P(Z z) = Φ(z) = DIST.NORP(z) 0,3 0, P(Z > z) = - P(Z z) = - Φ (z) Φ ( z) = DIST.NORP( -z) = 0, 0,0-4,0-3,0 -,0 -,0 0,0,0,0 3,0 4,0 P( z < Z < DIST.NORMP z ( z ) = Φ( z ) Φ( z ) = ) DIST.NORMP ( z ) 7
18 Se a normal não é a padrão pode-se padronizar ou, então, utilizar a função: =DIST.NORM(; µ; σ;) Uma VAC tem distribuição normal de média 50 e desvio padrão 8. Determinar: (a) P(X ) = 5% (b) P(X > ) = % Para resolver este tipo de eercício é preciso utilizar a função inversa, isto é: = INV.NORM(5%; 50; 8) = = 36,84 0,05 0,04 0,03 0,0 5% 0,0 P(X ) = 5% 0,
19 (b) P(X > ) = % Não esquecer que a planilha fornece a área à esquerda, então: P(X > ) = % P(X ) = 99% INV.NORM(99%; 50; 8) = 68,6 0,05 0,05 0,04 0,04 0,03 0,03 0,0 0,0 0,0 P(X > ) = % % 0, Uma variável aleatória X tem uma distribuição t ou de Student se sua fdp for do tipo: f ( ) υ + Γ + υ υ πυ. Γ = para υ + R 9
20 onde Γ é a função dada por Γ ( p ) = 0 para p > 0 Γ ( p ) = (p - ) Γ ( p d ) p e Γ ( / ) = π Γ ( n ) = (n - )! se n Z 0,40 0,30 0,0 0,0 fdp de t() t(5) t(5) 0, Epectância ou Valor esperado µ = E (X) = 0 Variância υ Var(X) = υ- O valor υ é denominado de Grau de liberdade A planilha fornece uma função direta e uma inversa, em relação a área à direita (unilateral) ou a soma das caudas (bilateral), isto é, a tabela retorna um valor t tal que P(Τ t) = α (unilateral) ou P( T t) = α (bilateral). (a) Dada uma distribuição t (de Student) com parâmetro g.l. = 30, determinar: P(Τ ). (b) O valor t tal que P( Τ t) = 90% Então P(T ) =,73% 0
21 Então O valor t tal que P( Τ t) = 90% é t =,697 Uma variável aleatória X tem uma distribuição Qui-Quadrado se sua fdp for do tipo: υ υ f ( ) = 0 e υ Γ se se > 0 0 Epectância ou Valor esperado E(X) = υ Variância Var(X) = υ O valor υ é denominado de Grau de liberdade,0,00 0,80 0,60 0,40 0,0 0,00 fdp de χ () χ () χ (3) χ (5) A planilha fornece uma função direta e uma inversa, em relação a área à direita (unilateral) ou a soma das caudas (bilateral), isto é, a tabela retorna um valor t tal que P(Τ t) = α (unilateral) ou P( T t) = α (bilateral).
22 (a) Dada uma distribuição t (de Student) com parâmetro g.l. = 30, determinar: P(Τ ). (b) O valor t tal que P( Τ t) = 90% Então P(T ) =,73% Então O valor t tal que P( Τ t) = 90% é t =,697 A planilha fornece uma função direta (área á direita) e uma inversa, em relação a área à direita (unilateral). Isto é, a planilha retorna um valor α tal que P(χ c) = α (unilateral), ou c tal que P(χ c) = α, no caso da função inversa. (a) Dada uma distribuição Qui- Quadrado com parâmetro g.l. =, determinar: P(χ ). (b) O valor de c tal que P(χ c) = 90% Então P(χ ) = 3,73%
23 Então, o valor de c tal que, P(χ c) = 90% é c =,7. Uma variável aleatória X tem uma distribuição F ou de Snedecor se sua fdp for do tipo: m n m m + n Γ m n f() = m n Γ Γ 0 ( n + m) m + n se > 0 se 0 Epectância ou Valor esperado m E(X) = m Variância (m + n - ) Var(X) = m m(n- )(n- 4) m é o grau de liberdade do numerador e n do denominador,0 0,8 0,6 0,4 0, 0,0 fdp de F(, 3) F(, 5) F(5, 0) F(0, 0) A planilha fornece uma função direta e uma inversa, em relação a área à direita (unilateral) ou a soma das caudas (bilateral), isto é, a tabela retorna um valor t tal que P(Τ t) = α (unilateral) ou P( T t) = α (bilateral). 3
24 (a) Dada uma distribuição t (de Student) com parâmetro g.l. = 30, determinar: P(Τ ). (b) O valor t tal que P( Τ t) = 90% Então P(T ) =,73% Então O valor t tal que P( Τ t) = 90% é t =,697 A planilha fornece uma função direta (área á direita) e uma inversa, em relação a área à direita (unilateral). Isto é, a planilha retorna um valor α tal que P(χ c) = α (unilateral), ou c tal que P(χ c) = α, no caso da função inversa. (a) Dada uma distribuição Qui- Quadrado com parâmetro g.l. =, determinar: P(χ ). (b) O valor de c tal que P(χ c) = 90% Então P(χ ) = 3,73% 4
25 Então, o valor de c tal que, P(χ c) = 90% é c =,7. O que é tabelado é a área à direita de cada curva (função direta), isto é, dado um certo valor de, tem-se: P[F(m, n) ] = α, ou dado uma área à direita α pode-se determinar que satisfaz P[F(m, n) ] = α (função inversa). (a) Dada uma distribuição F com parâmetros g.l. do numerador = 3 e g.l. do denominador igual a 5, determinar P(F,5). (b) O valor de f tal que P(F f) = 80% Então P(F,5) = 7,39% Então, o valor de f tal que, P(F f) = 80% é f =,5. 5
26 de Tchebycheff, Tchebichev ou Chebyshev, P( X - µ kσ) /k P( X - µ < kσ) - /k Se a distribuição for unimodal e simétrica, então: P( X - µ kσ) 4/9k Estas desigualdades fornecem as probabilidades de que os valores de uma VAD/VAC estejam em um intervalo simétrico em torno da média de amplitude igual a k desvios padrões. Assim se k =, por eemplo, a desigualdade de Tchebycheff estabelece que o percentual de valores da variável aleatória que está compreendida no intervalo µ ± σ é de pelo menos - /4 = 75%. X - µ < σ - /4 = 75%. Na normal este percentual vale eatamente 95,44%. Mas como a normal é simétrica e unimodal, neste caso, um resultado mais próimo é dado pela desigualdade de Camp-Meidell, isto é: 4/(9k ) = (/9) = 88,89%. 6
Exemplos. Experimento Aleatório. E 1 : Joga-se uma moeda quatro vezes e observa-se o número de caras;
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Eperimento Aleatório Eperiência para o qual o modelo probabilístico é adequado. Eemplos E : Joga-se uma moeda quatro vezes e observa-se
Leia maisÉ o conjunto de resultados de uma experiência aleatória. E 1 : Joga-se uma moeda quatro vezes e observa-se o número de caras e coroas;
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali Eperiência na qual o resultado é incerto. E : Joga-se uma moeda quatro vezes e observa-se o número de caras e coroas; E : Joga-se uma
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 maisEfeito. Causas. Determinístico. Sistema Real. Probabilístico. Experiência para o qual o. modelo probabilístico é adequado.
Sistema Real Determinístico Probabilístico Causas Efeito X Causas Efeito Eperiência para o qual o modelo probabilístico é adequado. ❶ Não é possível prever um resultado particular, mas pode-se enumerar
Leia maisExperiência para o qual o modelo probabilístico é adequado. Efeito. Causas. Prof. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/~viali Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
Leia maisTipos de Modelos. Exemplos. Efeito. Causas. Exemplos. Causas. Efeito. Modelo determinístico. Modelo probabilístico. Determinístico.
Tipos de Modelos Sistema Real Determinístico Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração clássica v at Aceleração relativística v at + a t c Modelo probabilístico
Leia maisTipos de Modelos. Determinístico. Sistema Real. Probabilístico. Prof. Lorí Viali, Dr. FAculdade de Matemática - Departamento de Estatística - PUCRS
Tipos de Modelos Determinístico Sistema Real Probabilístico Modelo determinístico Causas Efeito Exemplos Gravitação F GM 1 M 2 /r 2 Aceleração clássica v at Aceleração relativística v 1 + at a 2 c t 2
Leia maisTipos de Modelos. Exemplos. Causas. Efeito. Exemplos. Causas. Efeito. Modelo determinístico. Modelo probabilístico. Determinístico.
5/9/07 Tipos de Modelos Sistema Real Determinístico Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração clássica v at Aceleração relativística v at + a t c Modelo
Leia maisUma variável aleatória X tem uma distribuição normal se sua fdp for do tipo:
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().e π. μ., R com - < μ < e > 0 0, 0,6 N(0; ) N(0;
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 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 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 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 maisEfeito. Causas. Determinístico. Sistema Real. Probabilístico. Gravitação F = GM 1 M 2 /r 2. Aceleração clássica. v = at. Aceleração relativística
Determinístico Sistema Real Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Gravitação F GM 1 M 2 /r 2 Causas Efeito Aceleração clássica v at Aceleração relativística
Leia maisTipos de Modelo. Exemplos. Modelo determinístico. Causas. Efeito. Exemplos. Modelo probabilístico. Causas. Efeito. Determinístico.
Tipos de Modelo Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM 1 M 2 /r 2 Causas Efeito
Leia maisTipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.
Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração
Leia 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 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 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 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 maisSolução: A distribuição normal. Representação gráfica. Cálculo de probabilidades. A normal padrão. σ Será uma N(0; 1).
A distribuição normal Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f (x) =.e π. σ x µ. σ, x R Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ com
Leia maisSÉRIE: Probabilidade Texto 1: PROBABILIDADE UNIVARIADA 1. INTRODUÇÃO CONCEITOS DE PROBABILIDADE VARIÁVEIS ALEATÓRIAS...
SUMÁRIO 1. INTRODUÇÃO...3 1.1. MODELOS...3 1.1.1. Modelo determínistico...3 1.1.2. Modelo não-determinístico ou probabilístico...3 1.2. EXPERIMENTO ALEATÓRIO (NÃO-DETERMINÍSTICO)...4 1.2.1. Características
Leia maisTexto SII: ELEMENTOS DE PROBABILIDADE
SUMÁRIO 1. INTRODUÇÃO... 2 1.1. MODELOS... 2 1.2. EXPERIMENTO ALEATÓRIO (NÃO-DETERMINÍSTICO)... 2 1.3. O ESPAÇO AMOSTRAL... 3 1.4. EVENTOS... 4 1.5. COMBINAÇÃO DE EVENTOS... 4 1.6. EVENTOS MUTUAMENTE EXCLUDENTES...
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 maisEstatística I Aula 6. Prof.: Patricia Maria Bortolon, D. Sc.
statística I Aula 6 Prof.: Patricia Maria Bortolon, D. Sc. VARIÁVIS ALATÓRIAS Variáveis Aleatórias xaminemos as seguintes situações: Um estudante que fez um teste do tipo verdadeiro ou falso está interessado
Leia maisUFRGS - UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA - DEPARTAMENTO DE ESTATÍSTICA
UFRGS - UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA - DEPARTAMENTO DE ESTATÍSTICA SUMÁRIO 1. COMBINATÓRIA... 3 1.1. CONJUNTOS... 3 1.2. OPERAÇÕES COM CONJUNTOS... 3 1.3. APLICAÇÕES
Leia maisSÉRIE: Probabilidade Univariada Parte 2: Variáveis Contínuas 2. PROPRIEDADES DA MÉDIA E DA VARIÂNCIA DE VARIÁVEIS ALEATÓRIAS EXERCÍCIOS...
SUMÁRIO 1. VARIÁVEIS ALEATÓRIAS CONTÍNUAS... 1.1. CÁLCULO DE PROBABILIDADE COM UMA VAC... 1.. A FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA...3 1.3. VARIÁVEL ALEATÓRIA CONTÍNUA (CARACTERIZAÇÃO)...4 1.3.1. Expectância,
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 maisExperimento Aleatório
Probabilidades 1 Experimento Aleatório Experimento aleatório (E) é o processo pelo qual uma observação é ob;da. Exemplos: ü E 1 : Jogar uma moeda 3 vezes e observar o número de caras ob;das; ü E 2 : Lançar
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 maisUniversidade Federal de Goiás Instituto de Matemática e Estatística
Universidade Federal de Goiás Instituto de Matemática e Estatística Prova de Probabilidade Prof.: Fabiano F. T. dos Santos Goiânia, 9 de setembro de 04 Aluno: Nota: Descreva seu raciocínio e desenvolva
Leia maisVariáveis Aleatórias. Probabilidade e Estatística. Prof. Dr. Narciso Gonçalves da Silva
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Variáveis Aleatórias Variável Aleatória Variável aleatória (VA) é uma função que associa a cada
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 maisTexto SII: ELEMENTOS DE PROBABILIDADE 3.1. INTRODUÇÃO...9
SUMÁRIO 1. INTRODUÇÃO...2 1.1. MODELOS...2 1.2. EXPERIMENTO ALEATÓRIO (NÃO-DETERMINÍSTICO)...2 1.3. O ESPAÇO AMOSTRAL...3 1.4. EVENTOS...4 1.5. COMBINAÇÃO DE EVENTOS...4 1.6. EVENTOS MUTUAMENTE EXCLUDENTES...5
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 maisProf.: Joni Fusinato
Variável Aleatória Prof.: Joni Fusinato joni.fusinato@ifsc.edu.br jfusinato@gmail.com Variável Aleatória Uma variável aleatória X representa um valor numérico associado a cada resultado de um experimento
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas
Probabilidades Cristian Villegas clobos@usp.br Setembro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio
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 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 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 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 maisVariáveis Aleatórias - VA
Variáveis Aleatórias - VA cc ck kc kk 0 1 2 1/4 1/2 Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - Introdução Se entende por VA ou V. indicadoras uma lista de valores
Leia maisExperimento aleatório: Lançamento de uma moeda honesta três vezes e observação das faces que ocorrem. c k c k c
7// UNIDADE III - Elementos de probabilidades.. Probabilidade no espaço básico...introdução...onceitos fundamentais...onceitos de probabilidade...teoremas para o cálculo de probabilidades...probabilidade
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 maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de
Leia maisESTATÍSTICA. aula 3. Insper Ibmec São Paulo. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA aula 3 Prof. Dr. Marco Antonio Leonel Caetano Insper Ibmec São Paulo Espaço Amostral Espaço amostral é o conjunto de todos os resultados possíveis de um experimento aleatório. Experimento aleatório
Leia maisConjunto de Valores. A Função de Probabilidade (fp)
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br htt://www.mat.ufrgs.br/~viali/ Bernoulli Binomial Binomial Negativa ou Pascal Geométrica Hiergeométrica Uniforme Poisson Eerimento Qualquer um que corresonda a
Leia maisMOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições
Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa
Leia maisProbabilidade. É o conjunto de todos os possíveis resultados de um experimento aleatório.
Probabilidade Introdução O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los
Leia maisEstatística. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal.
Estatística Probabilidade Profa. Ivonete Melo de Carvalho Conteúdo Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Objetivos Utilizar a probabilidade como estimador
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 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 maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
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 maisI NTRODUÇÃO. SÉRIE: Probabilidade
SUMÁRIO 1. COMBINATÓRIA... 5 1.1. CONJUNTOS... 5 1.2. OPERAÇÕES COM CONJUNTOS... 5 1.3. APLICAÇÕES DOS DIAGRAMAS DE VENN... 6 1.4. FATORIAL... 6 1.5. PRINCÍPIO FUNDAMENTAL DA CONTAGEM (PRINCÍPIO MULTIPLICATIVO)...
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 maisDistribuição de Probabilidade. Prof. Ademilson
Distribuição de Probabilidade Prof. Ademilson Distribuição de Probabilidade Em Estatística, uma distribuição de probabilidade descreve a chance que uma variável pode assumir ao longo de um espaço de valores.
Leia maisCap. 8 Distribuições contínuas e modelo normal
Estatística Aplicada às Ciências Sociais Seta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 2006 Cap. 8 Distribuições contínuas e modelo normal Variável aleatória discreta variável aleatória
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À PROBABILIDADE 2019 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
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 maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
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 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 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 maisDistribuição Normal. Diz-se que uma variável aleatória X tem distribuição normal, se a sua função densidade de probabilidade for dada por:
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 maisConjunto de Valores. A Função de Probabilidade (fp)
Prof. Lorí Viali, Dr. viali@ucrs.br viali@mat.ufrgs.br htt://www.ucrs.br/famat/viali/ htt://www.mat.ufrgs.br/~viali/ Bernoulli Binomial Binomial Negativa ou Pascal Geométrica Hiergeométrica Uniforme Poisson
Leia maisJanete Pereira Amador 1
Janete Pereira Amador 1 1 Introdução Muitas situações cotidianas podem ser usadas como experimento que dão resultados correspondentes a algum valor, e tais situações podem ser descritas por uma variável
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 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 maisEstatística Empresarial. Fundamentos de Probabilidade
Fundamentos de Probabilidade A probabilidade de chuva é de 90% A probabilidade de eu sair é de 5% Conceitos Básicos Conceitos Básicos 1. Experiência Aleatória (E) Processo de obtenção de uma observação
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
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 maisVARIÁVEIS ALEATÓRIAS e DISTRIBUIÇÃO BINOMIAL
VARIÁVEIS ALEATÓRIAS e DISTRIBUIÇÃO BINOMIAL 1 Variável Aleatória Uma função X que associa a cada elemento w do espaço amostral W um valor x R é denominada uma variável aleatória. Experimento: jogar 1
Leia maisVARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL
VARIÁVEL ALEATÓRIA e DISTRIBUIÇÃO BINOMIAL 1 Variável Aleatória Uma função X que associa a cada elemento w do espaço amostral W um valor x R é denominada uma variável aleatória. Experimento: jogar 1 dado
Leia maisTema 4- Modelos de probabilidade. (Versão: para o manual a partir de 2016/17)
Tema 4- Modelos de probabilidade. (Versão: para o manual a partir de 016/17) 1- Modelos de probabilidade(136) 1.1) Introdução.(36) (Vídeo: 33) 1.) Fenómenos aleatórios(138) Experiência determinística-produz
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 maisTEORIA DAS PROBABILIDADES
TEORIA DAS PROBABILIDADES 1.1 Introdução Ao estudarmos um fenômeno coletivo, verificamos a necessidade de descrever o próprio fenômeno e o modelo matemático associado ao mesmo, que permita explicá-lo da
Leia maisEST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais
EST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Introdução Considere o experimento: Lançamento de uma moeda. Resultados
Leia maisDaniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS
Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é
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 maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 1ª Parte: Conceitos básicos, variáveis aleatórias, modelos probabilísticos para variáveis aleatórias discretas, modelo binomial, modelo de Poisson 1 Probabilidade
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 maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A função densidade de probabilidade. Exemplo
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 06 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ A função densidade de probabilidade Seja X uma variável aleatória
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 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. 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 maisTeoria da Probabilidade
Teoria da Probabilidade Luis Henrique Assumpção Lolis 14 de fevereiro de 2014 Luis Henrique Assumpção Lolis Teoria da Probabilidade 1 Conteúdo 1 O Experimento Aleatório 2 Espaço de amostras 3 Álgebra dos
Leia maisCONCEITOS BASICOS, ORGANIZAÇÃO E APRESENTAÇÃO DOS RESULTADOS, DISTRIBUIÇÃO DE FREQUÊNCIA
DISCIPLINA: MÉTODOS QUANTITATIVOS PROFESSORA: GARDÊNIA SILVANA DE OLIVEIRA RODRIGUES CONCEITOS BASICOS, ORGANIZAÇÃO E APRESENTAÇÃO DOS RESULTADOS, DISTRIBUIÇÃO DE FREQUÊNCIA MOSSORÓ/RN 2015 1 POR QUE ESTUDAR
Leia maisProf. Lorí Viali, Dr. Mat2282 Análise Estatística Não Paramétrica
Prof. Lorí Viali, Dr. http://www.pucrs.br/~viali/ viali@pucrs.br Objetivos Testar o valor hipotético de um parâmetro (testes paramétricos) ou de relacionamentos ou modelos (testes não paramétricos). Envolvem
Leia maisPROBABILIDADE. ENEM 2016 Prof. Marcela Naves
PROBABILIDADE ENEM 2016 Prof. Marcela Naves PROBABILIDADE NO ENEM As questões de probabilidade no Enem podem cobrar conceitos relacionados com probabilidade condicional e probabilidade de eventos simultâneos.
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisPEDRO A. BARBETTA Estatística Aplicada às Ciências Sociais 6ed. Editora da UFSC, 2006.
Como usar modelos de probabilidade para entender melhor os fenômenos aleatórios Capítulos 7 e 8. Estatística Aplicada às Ciências Sociais Sexta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC,
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisPROBABILIDADES PROBABILIDADE DE UM EVENTO EM UM ESPAÇO AMOSTRAL FINITO
PROBABILIDADES Probabilidade é um conceito filosófico e matemático que permite a quantificação da incerteza, permitindo que ela seja aferida, analisada e usada para a realização de previsões ou para a
Leia maisCapítulo4- Modelos de probabilidade.
Capítulo4- Modelos de probabilidade. 1- Modelos de probabilidade(110) 1.1) Introdução.(110) 1.) Fenómenos aleatórios(11) Experiência determinística-produz sempre o mesmo resultado desde que seja repetido
Leia mais