Variáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
|
|
- Benedita Aldeia Damásio
- 5 Há anos
- Visualizações:
Transcrição
1 all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo DCEL Departamento de Computação e Eletrônica Variáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
2 Variáveis Aleatórias Conjuntamente Distribuídas Antes: distribuições de probabilidade com uma única VA. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 2/22
3 Variáveis Aleatórias Conjuntamente Distribuídas Antes: distribuições de probabilidade com uma única VA. Agora: expressões de probabilidade envolvendo duas ou mais VAs. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 2/22
4 Variáveis Aleatórias Conjuntamente Distribuídas Antes: distribuições de probabilidade com uma única VA. Agora: expressões de probabilidade envolvendo duas ou mais VAs. Sejam X e Y duas VAs. A função distribuição de probabilidade cumulativa conjunta de X e Y é definida como F (a, b) = P(X a, Y b), a, b R. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 2/22
5 Variáveis Aleatórias Conjuntamente Distribuídas Antes: distribuições de probabilidade com uma única VA. Agora: expressões de probabilidade envolvendo duas ou mais VAs. Sejam X e Y duas VAs. A função distribuição de probabilidade cumulativa conjunta de X e Y é definida como F (a, b) = P(X a, Y b), a, b R. Obtemos a função cumulativa de X a partir da distribuição conjunta fazendo F X (a) = P(X a) = P(X a, Y ) = F (a, ). Variáveis Aleatórias Bidimensionais &Teoremas de Limite 2/22
6 Variáveis Aleatórias Conjuntamente Distribuídas Antes: distribuições de probabilidade com uma única VA. Agora: expressões de probabilidade envolvendo duas ou mais VAs. Sejam X e Y duas VAs. A função distribuição de probabilidade cumulativa conjunta de X e Y é definida como F (a, b) = P(X a, Y b), a, b R. Obtemos a função cumulativa de X a partir da distribuição conjunta fazendo F X (a) = P(X a) = P(X a, Y ) = F (a, ). Similarmente, a função cumulativa de Y é dada por F Y (b) = P(Y b) = F (, b). Variáveis Aleatórias Bidimensionais &Teoremas de Limite 2/22
7 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Se X e Y são VAs discretas então podemos definir a função de probabilidade conjunta de X e Y como p(x, y) = P(X = x, Y = y). Variáveis Aleatórias Bidimensionais &Teoremas de Limite 3/22
8 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Se X e Y são VAs discretas então podemos definir a função de probabilidade conjunta de X e Y como p(x, y) = P(X = x, Y = y). As funções de probabilidade de X e Y são obtidas a partir de p(x, y) tomando-se p X (x) = y:p(x,y)>0 p(x, y) p Y (y) = x:p(x,y)>0 p(x, y). Variáveis Aleatórias Bidimensionais &Teoremas de Limite 3/22
9 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Se X e Y são VAs contínuas, então elas são ditas conjuntamente contínuas se existir uma função f (x, y), com domínio R R, onde P(X A, Y B) = f (x, y) dx dy, para todos os possíveis conjuntos de números reais A, B R. B A Variáveis Aleatórias Bidimensionais &Teoremas de Limite 4/22
10 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Se X e Y são VAs contínuas, então elas são ditas conjuntamente contínuas se existir uma função f (x, y), com domínio R R, onde P(X A, Y B) = f (x, y) dx dy, para todos os possíveis conjuntos de números reais A, B R. A função f (x, y) é chamada de função densidade de probabilidade conjunta de X e Y. B A Variáveis Aleatórias Bidimensionais &Teoremas de Limite 4/22
11 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Se X e Y são VAs contínuas, então elas são ditas conjuntamente contínuas se existir uma função f (x, y), com domínio R R, onde P(X A, Y B) = f (x, y) dx dy, para todos os possíveis conjuntos de números reais A, B R. A função f (x, y) é chamada de função densidade de probabilidade conjunta de X e Y. As funções densidade de probabilidade de X e Y são obtidas a partir de f (x, y) tomando-se f X (x) = B A f (x, y)dy f Y (y) = f (x, y)dx. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 4/22
12 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Proposição 1 Se X e Y são VAs e g é uma função de duas variáveis, então E[g(X, Y )] = g(x, y) p(x, y) no caso discreto y x = g(x, y) f (x, y) dx dy no caso contínuo. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 5/22
13 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Exemplo 1 Se g(x, Y ) = X + Y, então, no caso contínuo E[X + Y ] = = = E[X] + E[Y ]. (x + y) f (x, y) dx dy x f (x, y) dx dy + y f (x, y) dx dy Variáveis Aleatórias Bidimensionais &Teoremas de Limite 6/22
14 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Exemplo 1 Se g(x, Y ) = X + Y, então, no caso contínuo E[X + Y ] = = (x + y) f (x, y) dx dy x f (x, y) dx dy + y f (x, y) dx dy = E[X] + E[Y ]. Para o caso discreto, e para quaisquer constantes a e b, tem-se E[aX + by ] = ae[x] + be[y ]. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 6/22
15 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Exemplo 2 Calcule o valor esperado da soma obtida quando três dados honestos são rolados. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 7/22
16 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Exemplo 2 Calcule o valor esperado da soma obtida quando três dados honestos são rolados. Solução: Tome X como a VA indicando a soma. Então X = X 1 + X 2 + X 3, onde X i representa o valor obtido no i-ésimo dado. Logo Variáveis Aleatórias Bidimensionais &Teoremas de Limite 7/22
17 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Exemplo 2 Calcule o valor esperado da soma obtida quando três dados honestos são rolados. Solução: Tome X como a VA indicando a soma. Então X = X 1 + X 2 + X 3, onde X i representa o valor obtido no i-ésimo dado. Logo E[X] = E[X 1 ] + E[X 2 ] + E[X 3 ] = 3( 7 /2) = 21 /2. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 7/22
18 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Exemplo 3 Calcule o valor esperado de uma VA binomial X com parâmetros n e ˆp. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 8/22
19 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Exemplo 3 Calcule o valor esperado de uma VA binomial X com parâmetros n e ˆp. Solução: A VA X indica o número de sucessos em n experimentos, onde a probabilidade de sucesso de cada experimento é ˆp. Assim, temos que X = X 1 + X X n, onde cada X i é uma VA de Bernoulli com E[X i ] = ˆp. Logo Variáveis Aleatórias Bidimensionais &Teoremas de Limite 8/22
20 Variáveis Aleatórias Conjuntamente Distribuídas (cont.) Exemplo 3 Calcule o valor esperado de uma VA binomial X com parâmetros n e ˆp. Solução: A VA X indica o número de sucessos em n experimentos, onde a probabilidade de sucesso de cada experimento é ˆp. Assim, temos que X = X 1 + X X n, onde cada X i é uma VA de Bernoulli com E[X i ] = ˆp. Logo E[X] = E[X 1 ] + E[X 2 ] E[X n ] = nˆp. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 8/22
21 Variáveis Aleatórias Independentes As VAs X e Y são independentes se para todo a, b P(X a, Y b) = P(X a) P(Y b), isto é, se os eventos {X a} e {Y b} são independentes. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 9/22
22 Variáveis Aleatórias Independentes As VAs X e Y são independentes se para todo a, b P(X a, Y b) = P(X a) P(Y b), isto é, se os eventos {X a} e {Y b} são independentes. Se X e Y são independentes, então F (a, b) = F X (a) F Y (b) para todo a, b. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 9/22
23 Variáveis Aleatórias Independentes As VAs X e Y são independentes se para todo a, b P(X a, Y b) = P(X a) P(Y b), isto é, se os eventos {X a} e {Y b} são independentes. Se X e Y são independentes, então F (a, b) = F X (a) F Y (b) para todo a, b. No caso discreto, temos p(x, y) = p X (x) p Y (y). Para o caso contínuo, vale f (x, y) = f X (x) f Y (y). Provas: Ross, Cap. 2. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 9/22
24 Variáveis Aleatórias Independentes (cont.) Proposição 2 Se as VAs X e Y são independentes então para quaisquer funções g e h: E[g(X) h(y )] = E[g(X)] E[h(Y )]. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 10/22
25 Variáveis Aleatórias Independentes (cont.) Proposição 2 Se as VAs X e Y são independentes então para quaisquer funções g e h: E[g(X) h(y )] = E[g(X)] E[h(Y )]. Proposição 3 Se X 1,..., X n são VAs independentes, então: ( n ) n V X i = V (X i ). i=1 i=1 Variáveis Aleatórias Bidimensionais &Teoremas de Limite 10/22
26 Variáveis Aleatórias Independentes (cont.) Média Amostral Se X 1,..., X n são independentes e identicamente distribuídas, então a VA X = n i=1 X i/n é chamada de média amostral. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 11/22
27 Variáveis Aleatórias Independentes (cont.) Média Amostral Se X 1,..., X n são independentes e identicamente distribuídas, então a VA X = n i=1 X i/n é chamada de média amostral. Se E[X i ] = µ e V (X i ) = σ 2, então E[ X] = µ V ( X) = σ 2 /n. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 11/22
28 Variáveis Aleatórias Independentes (cont.) Média Amostral Se X 1,..., X n são independentes e identicamente distribuídas, então a VA X = n i=1 X i/n é chamada de média amostral. Se E[X i ] = µ e V (X i ) = σ 2, então E[ X] = µ V ( X) = σ 2 /n. Exemplo 4 Calcule a variância de uma VA binomial X com parâmetros n e ˆp. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 11/22
29 Variáveis Aleatórias Independentes (cont.) Média Amostral Se X 1,..., X n são independentes e identicamente distribuídas, então a VA X = n i=1 X i/n é chamada de média amostral. Se E[X i ] = µ e V (X i ) = σ 2, então E[ X] = µ V ( X) = σ 2 /n. Exemplo 4 Calcule a variância de uma VA binomial X com parâmetros n e ˆp. Solução: Temos que X = X X n, onde cada X i é uma VA de Bernoulli com V (X i ) = ˆp(1 ˆp). Da Proposição 3, vem V (X) = V (X 1 ) V (X n ) = n ˆp(1 ˆp). Variáveis Aleatórias Bidimensionais &Teoremas de Limite 11/22
30 Teoremas de Limite Variáveis Aleatórias Bidimensionais &Teoremas de Limite 12/22
31 Teoremas de Limite Proposição 4 Desigualdade de Markov Seja X uma VA tomada somente para valores não negativos, então para qualquer a > 0: P(X a) E[X] /a. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 12/22
32 Teoremas de Limite Proposição 4 Desigualdade de Markov Seja X uma VA tomada somente para valores não negativos, então para qualquer a > 0: P(X a) E[X] /a. Prova: E[X] = = = a 0 a 0 a a a xf (x)dx xf (x)dx + xf (x)dx af (x)dx a xf (x)dx f (x)dx = ap(x a) Variáveis Aleatórias Bidimensionais &Teoremas de Limite 12/22
33 Teoremas de Limite (cont.) Proposição 5 Desigualdade de Chebyshev Seja X uma VA com média µ e variância σ 2, então para qualquer k > 0: P( X µ k) σ2 k 2 Variáveis Aleatórias Bidimensionais &Teoremas de Limite 13/22
34 Teoremas de Limite (cont.) Proposição 5 Desigualdade de Chebyshev Seja X uma VA com média µ e variância σ 2, então para qualquer k > 0: P( X µ k) σ2 k 2 Prova: Como (X µ) 2 é uma VA não-negativa, podemos usar a desigualdade de Markov (com a = k 2 ) para obter P((X µ) 2 k 2 ) E[(X µ)2 ] k 2 Para se completar a prova basta observar que (X µ) 2 k 2 X µ k. = σ2 k 2. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 13/22
35 Teoremas de Limite (cont.) Utilidade As desigualdades de Markov e Chebyshev são importantes pois permitem estabelecer limites de probabilidades quando somente a média e/ou variância são conhecidas, isto é, a distribuição de probabilidade é desconhecida. Exemplo: Análise estatística de dados. Se a distribuição for conhecida as probabilidades desejadas podem ser calculadas de forma exata e não é necessário usar limites. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 14/22
36 Teoremas de Limite (cont.) Exemplo 5 Através de uma análise do histórico de produção de uma fábrica verificou-se que o número de itens produzidos em uma semana é uma VA com média 500 e variância 100. a b O que se pode dizer sobre a probabilidade de que a produção dessa semana seja ao menos 1000? O que se pode dizer sobre a probabilidade de que a produção dessa semana fique entre 400 e 600? Variáveis Aleatórias Bidimensionais &Teoremas de Limite 15/22
37 Teoremas de Limite (cont.) Exemplo 5 Solução X: o número de itens produzidos em uma semana. a Pela Desigualdade de Markov: P(X 1000) E[X] 1000 = = 1 2. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 16/22
38 Teoremas de Limite (cont.) Exemplo 5 Solução X: o número de itens produzidos em uma semana. a Pela Desigualdade de Markov: P(X 1000) E[X] 1000 = = 1 2. b Pela Desigualdade de Chebyshev: Logo, P( X ) σ = P( X 500 < 100) = e podemos concluir que a probabilidade da produção dessa semana ficar entre 400 e 600 é ao menos Variáveis Aleatórias Bidimensionais &Teoremas de Limite 16/22.
39 Teoremas de Limite (cont.) O teorema a seguir é um resultado famoso da teoria de probabilidade. Descrição: a média de uma sequência de VAs independentes com a mesma distribuição converge com probabilidade 1 para a média da distribuição. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 17/22
40 Teoremas de Limite (cont.) O teorema a seguir é um resultado famoso da teoria de probabilidade. Descrição: a média de uma sequência de VAs independentes com a mesma distribuição converge com probabilidade 1 para a média da distribuição. Teorema 1 - Lei dos Grandes Números Sejam X 1,..., X n uma sequência de VAs independentes com uma distribuição em comum, e seja E[X i ] = µ. Então, com probabilidade 1, X X n n µ quando n. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 17/22
41 Teoremas de Limite (cont.) O teorema a seguir fornece um método aproximado para se calcular a probabilidade da soma de VAs independentes. Também explica o fato de que as frequências empíricas de muitas populações naturais exibem uma curva normal. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 18/22
42 Teoremas de Limite (cont.) O teorema a seguir fornece um método aproximado para se calcular a probabilidade da soma de VAs independentes. Também explica o fato de que as frequências empíricas de muitas populações naturais exibem uma curva normal. Teorema 2 - Teorema do Limite Central Sejam X 1,..., X n uma sequência de VAs independentes com uma distribuição em comum, com média µ e variância σ 2. A distribuição da VA definida como X X n nµ σ n tende para a distribuição normal padrão quando n. Isto é, [ ] X X n nµ P σ a n 1 2π a e x 2 /2 dx. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 18/22
43 Teoremas de Limite (cont.) Observação: o Teorema do Limite Central se aplica para qualquer distribuição de X i. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 19/22
44 Teoremas de Limite (cont.) Observação: o Teorema do Limite Central se aplica para qualquer distribuição de X i. Exemplo 6 A vida útil de uma bateria é uma VA com média de 40 horas e desvio padrão de 20 horas. Uma bateria é utilizada até falhar quando é então substituída por uma nova. Assumindo um estoque de 25 baterias, todas com vida útil independente, calcule uma aproximação para probabilidade de que mais de 1100 horas de uso sejam obtidas. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 19/22
45 Teoremas de Limite (cont.) Exemplo 6 Solução X i : vida útil da i-ésima bateria utilizada. Busca-se p = P(X X 25 > 1100), que pode ser aproximada por [ ] X X p = P > P[N(0, 1) > 1] = 1 Φ(1) Variáveis Aleatórias Bidimensionais &Teoremas de Limite 20/22
46 Processos Estocásticos Definição Um processo estocástico (PE) {X(t), t T } é uma coleção de VAs, isto é, para cada t T, X(t) é uma VA. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 21/22
47 Processos Estocásticos Definição Um processo estocástico (PE) {X(t), t T } é uma coleção de VAs, isto é, para cada t T, X(t) é uma VA. O índice t pode ser interpretado como tempo. Nesse caso, X(t) é chamado de estado do processo no tempo t. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 21/22
48 Processos Estocásticos Definição Um processo estocástico (PE) {X(t), t T } é uma coleção de VAs, isto é, para cada t T, X(t) é uma VA. O índice t pode ser interpretado como tempo. Nesse caso, X(t) é chamado de estado do processo no tempo t. Exemplos: X(t) = número total de clientes que entraram em um supermercado no tempo t; ou o número total de vendas feitas em uma loja no tempo t, etc. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 21/22
49 Processos Estocásticos Definição Um processo estocástico (PE) {X(t), t T } é uma coleção de VAs, isto é, para cada t T, X(t) é uma VA. O índice t pode ser interpretado como tempo. Nesse caso, X(t) é chamado de estado do processo no tempo t. Exemplos: X(t) = número total de clientes que entraram em um supermercado no tempo t; ou o número total de vendas feitas em uma loja no tempo t, etc. O conjunto T é chamado de conjunto indexador dos processos. T é contável PE de tempo discreto. T é um intervalo real PE de tempo contínuo. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 21/22
50 Processos Estocásticos (cont.) Exemplos: {X n, n = 0, 1,...} é um PE de tempo discreto indexado por inteiros não-negativos. {X(t), t 0} é um PE de tempo contínuo indexado por números não-negativos. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 22/22
51 Processos Estocásticos (cont.) Exemplos: {X n, n = 0, 1,...} é um PE de tempo discreto indexado por inteiros não-negativos. {X(t), t 0} é um PE de tempo contínuo indexado por números não-negativos. O conjunto de todos os possíveis valores que as VAs podem assumir é chamado de espaço de estados de um processo estocástico. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 22/22
52 Processos Estocásticos (cont.) Exemplos: {X n, n = 0, 1,...} é um PE de tempo discreto indexado por inteiros não-negativos. {X(t), t 0} é um PE de tempo contínuo indexado por números não-negativos. O conjunto de todos os possíveis valores que as VAs podem assumir é chamado de espaço de estados de um processo estocástico. um PE é uma família de VAs que descrevem a evolução no tempo de algum processo do mundo real. Variáveis Aleatórias Bidimensionais &Teoremas de Limite 22/22
Distribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisVariáveis Aleatórias Discretas 1/1
Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo
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 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 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 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 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 maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
Leia 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 maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
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 maisVariáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse
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 mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia maisCálculo II (Primitivas e Integral)
Cálculo II (Primitivas e Integral) Antônio Calixto de Souza Filho Escola de Artes, Ciências e Humanidades Universidade de São Paulo 5 de março de 2013 1 Aplicações de Integrais subject Aplicações de Integrais
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 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 maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisAula 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 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 maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisMIEEC Probabilidades e Estatística 1 a Chamada 10/01/2008. Parte Prática
MIEEC Probabilidades e Estatística 1 a Chamada 1/1/8 Parte Prática Resolução 1. Definição dos acontecimentos: T 1 Cliente do operador Ptel 1 T Cliente do operador Ptel T 3 Cliente do operador Ptel 3 S
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 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 maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 6: Desigualdades, Limites e 1 Normalização Desigualdade de Chebyshev Lei dos Grandes Números 2 3 Normalização Sumário Normalização Desigualdade de Chebyshev
Leia maisProbabilidade 2 - ME310 - Lista 4
Probabilidade - ME30 - Lista 4 November 4, 05 Lembrando:. Geratriz de momentos: M X (t) = E(e t X ) = + et x f(x) dx, observe que dm X (t) = + x et x f(x) dx = dm X (0) = + x et 0 f(x) dx = + x f(x) dx
Leia mais3 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu. Engenharia e Gestão Industrial
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC,
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 maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisDistribuições amostrais
Distribuições amostrais Tatiene Correia de Souza / UFPB tatiene@de.ufpb.br October 14, 2014 Souza () Distribuições amostrais October 14, 2014 1 / 23 Distribuição Amostral Objetivo Estender a noção de uma
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 2 o semestre 206/207 05/07/207 :30 o Teste C 0 valores. Uma peça de certo tipo é
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Leia maisModelagem Estocástica e Quantificação de Incertezas
Modelagem Estocástica e Quantificação de Incertezas Rubens Sampaio rsampaio@puc-rio.br Roberta de Queiroz Lima robertalima@puc-rio.br Departamento de Engenharia Mecânica DINCON 2015 Organização do curso
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias. TE802 Somas de Variáveis Aleatórias
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 27 de setembro de 2017 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] +
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias Contínuas
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Contínuas Professora Renata Alcarde Piracicaba abril 2014 Renata Alcarde Estatística Geral 24 de Abril de 2014
Leia maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
Leia maisAULA 11 - Valor esperado e suas propriedades
AULA 11 - Valor esperado e suas propriedades Susan Schommer Introdução à Estatística Econômica - IE/UFRJ O valor esperado de uma variável aleatória Como forma de resumir o comportamento de uma variável
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia mais2.4 Esperança e distribuição condicionais
2.4. ESPERANÇA E DISTRIBUIÇÃO CONDICIONAIS 35 2.4 Esperança e distribuição condicionais Estendemos aqui o conceito de probabilidade condicional em (2.8) para obter a distribuição condicional e, posteriormente,
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
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 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 maisDistribuições de Probabilidade. Distribuição Normal
Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
Leia mais{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3;
Universidade de Brasília Departamento de Estatística 4 a Lista de PE 1. Seja X uma variável aleatória com densidade { C(1 x 2 ), se x ( 1, 1), 0, se x / ( 1, 1). a) Qual o valor de C? b) Qual a função
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
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 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 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 maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisCap. 8 - Variáveis Aleatórias
Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON
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 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 maisDistribuição Normal. Estatística Aplicada I DISTRIBUIÇÃO NORMAL. Algumas característica importantes. 2πσ
Estatística Aplicada I DISTRIBUIÇÃO NORMAL Prof a Lilian M. Lima Cunha AULA 5 09/05/017 Maio de 017 Distribuição Normal Algumas característica importantes Definida pela média e desvio padrão Media=mediana=moda
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 maisVariável Aleatória Contínua (v.a.c)
Variável Aleatória Contínua (v.a.c) Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 20 de junho de 2018 Londrina 1 / 14 (v.a.c.) Uma função Y definida sobre o espaço amostral
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 maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 25 de abril de 2016 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] + + E[X
Leia mais2. Distribuições amostrais
2. Distribuições amostrais USP-ICMC-SME 203 USP-ICMC-SME () 2. Distribuições amostrais 203 / 22 Amostra aleatória Notação. X: variável aleatória (v.a.). f(x; θ): função densidade de probabilidade (X contínua)
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
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 maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia 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 maisMESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA. 1ª Chamada 10/01/2008.
MESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA 1ª Chamada 10/01/2008 Parte Teórica DURAÇÃO : 50 min COTAÇÃO DA PARTE TEÓRICA: 8 Valores em 20 PERGUNTAS DE
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 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 maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisDistribuições conjuntas de probabilidades e complementos
Probabilidades e Estatística 2004/05 Colectânea de Exercícios LEIC, LERCI, LEE Capítulo 5 Distribuições conjuntas de probabilidades e complementos 02 x = 0 065 x = 1 Exercício 51 (a) P(X = x) = 015 x =
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 maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
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 maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEAN, LEE, LEGI, LEGM, LEIC-A, LEIC-T, LEMat, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ 2 o semestre 2/22 o TESTE (Época
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 maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
Leia maisUma estatística é uma característica da amostra. Ou seja, se
Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral
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 maisCapítulo 5. Variáveis aleatórias. 5.1 Introdução
Capítulo 5 Variáveis aleatórias 5.1 Introdução Em experimentos aleatórios cujo espaço amostral contém alguns eventos de interesse é, em geral, mais fácil lidar como uma variável aleatória, isto é, é mais
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas o semestre 07/08 0/07/08 :0 o Teste C 0 valores. Um relatório anual estabelece que
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 mais