Baixe o app para aproveitar ainda mais
Prévia do material em texto
MOQ – 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Regressão linear simples e correlação. Aplicações de modelos de regressão linear.15 e 16 Prova14 Feriado (4/6)13 Testes não-paramétricos (associação, independência e de aderência).12 Testes de Hipóteses. Inferência baseada em 2 amostras (entre parâmetros de populações distintas).11 Intervalos de confiança (estimação por intervalo). Tamanho da amostra. Princípios de testes de hipóteses.10 Estimador, estimativa e propriedades dos estimadores. Estimação pontual de parâmetros (Métodos dos momentos e da máxima verossimilhança).9 Princípios de estatística. Amostras aleatórias. Distribuições amostrais. Teorema do limite central.8 Prova7 Variáveis aleatórias conjuntas, função distribuição conjunta e marginal. Independência estatística. Covariância e Coeficiente de Correlação.6 Feriado (2/4)5 Principais distribuições de probabilidade contínuas (Exponencial negativa e Normal).4 Valor esperado e variância. Momentos de uma variável aleatória. Função geradora de momentos. Principais distribuições de probabilidade discretas (Bernoulli, Binomial e Poisson).3 Teorema da probabilidade total e teorema de Bayes. Variáveis aleatórias. Distribuições de probabilidade. Funções massa, densidade, e distribuição acumulada. Funções de variáveis aleatórias.2 Introdução à probabilidade (eventos, espaço amostral, axiomas, propriedades, probabilidade condicional e independência).1 ConteúdoSemanas MOQ – 13 PRINCIPAIS DISTRIBUIÇÕES CONTÍNUAS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Tipos de variáveis: VARIÁVEL QUALITATIVA QUANTITATIVA NOMINAL ORDINAL DISCRETA CONTÍNUA - UNIFORME - NORMAL - EXPONENCIAL - OUTRAS1. f(x) ou P(x) 2. F(x) 3. E(x) 4. Var(x) 5. Utilidade O QUE É ESTUDAR UMA VARIÁVEL ALEATÓRIA? Distribuição Uniforme [X~U(αααα,ββββ)]: � Def: Uma variável aleatória X tem distribuição uniforme se sua função distribuição de probabilidade é dada por: ≤≤ = contrário , 0 , - 1 )( caso xse xf βααβ > ≤≤ < =≤= , 1 , - -x , 0 )()( β βα αβ α α x x x xXPxF E(X) = (α+β) / 2 Var(X) = (β -α)2 / 12 Distribuição Gamma [X~Gamma(αααα,ββββ)]: ∫ ∞ −− =Γ 0 1)( dxex xαα� Def - Função Gamma: α>1, Γ(α)=(α-1). Γ(α-1) Para n inteiro e positivo, Γ(n)=(n-1)! Γ(½) = pi½ � Def: Uma variável aleatória X tem distribuição gamma se sua função distribuição de probabilidade é dada por: >> ≥ Γ= 0,0, contrário , 0 0, e x )( 1 )( x-1- βααβ βα α caso x xf Distribuição Gamma [X~Gamma(αααα,ββββ)]: αααα αααα αααα αααα αααα ββββ ββββ ββββ ββββββββ >> ≥ Γ= 0,0, contrário , 0 0, e x )( 1 )( x-1- βααβ βα α caso x xf Família da Distribuição Gamma: �Distribuição Exponencial: αααα= 1 e ββββ=1/λλλλ , ≥ = contrário ,0 0, e )( x- caso x xf λλ �Distribuição Chi-quadrado: αααα= νννν/2 e ββββ=2 ≥ Γ= contrário , 0 0, e x )2(2 1 )( 2x-1-)2( 2 caso x xf ν ν ν em que νννν é o número de graus de liberdade de X Distribuição Normal [X~N(µµµµ,σσσσ2)]: � Uma variável aleatória X tem distribuição Normal se sua f.d.p. é: → x ∈∈∈∈ ℜℜℜℜ → µµµµ ∈∈∈∈ ℜℜℜℜ (-∞∞∞∞ < µµµµ < ∞∞∞∞) → σσσσ ∈∈∈∈ ℜℜℜℜ+ (σσσσ > 0) ∞<<−∞= − − xexf x , 2 1)( 2 2 1 σ µ σpi � Propriedades: µµµµ σσσσ = ½ σσσσ = 1 σσσσ = 2 • Forma de sino centrado em µµµµ • Simétrica • Achatamento depende de σσσσ • Há um único máximo global em x= µµµµ • f(x) é crescente para x < µµµµ • f(x) é decrescente para x > µµµµ E [X] = µµµµ Var [X] = σσσσ2 � Distribuição Normal Padronizada: Z~N(0,1): uma variável aleatória Z tem distribuição Normal padronizada (ou reduzida) se sua f.d.p. pode ser escrita como: Distribuição Normal [X~N(µµµµ,σσσσ2)]: ∞<<−∞= − zezf z , 2 1)( 2 2 1 piσ µ− = XZ E[Z] =0 Var[Z]=1 � Tabulação da Distribuição Normal Padronizada Distribuição Normal [X~N(µµµµ,σσσσ2)]: �Se X~N(µµµµ,σσσσ2) e se Z=(X- µµµµ)/σ/σ/σ/σ então Z~N(0,1) � Exemplo: Suponha que a demanda de energia em megawatts/hora, em uma cidade, em um certo dia é uma variável aleatória X~N(500,900). Qual a probabilidade do consumo ser superior a 530 megawatts/hora???? E entre 440 e 560 megawatts/hora???? → E[X] = µµµµ → Var[X] = σσσσ2∞<<−∞= − − xexf x , 2 1)( 2 2 1 σ µ σpi Aproximações da Distribuição Normal: � Distribuição Binomial: Se X~Bin(n,p) em que n é relativamente grande (n≥≥≥≥30) e n.p.(1-p)>5 pode ser aproximada à uma Normal com µµµµ = n.p e σσσσ2 =n.p.(1-p), ou seja, )1,0(~)1.(. . N ppn pnx − − � Distribuição de Poisson: Uma variável aleatória que segue uma distribuição de Poisson com parâmetro λλλλ ≥≥≥≥ 5 pode ser aproximada à uma distribuição Normal com µµµµ = λλλλ e σσσσ = λλλλ½ , ou seja, )1,0(~ Nx λ λ− Outras Distribuições: �Distribuição Log-normal �Distribuição Weibull �Distribuição Beta �Distribuição Erlang �Distribuição Wald �Distribuição Cauchy �Distribuição Pareto �Distribuição Rayleigh Para casa: • Lista de Exercícios 4 (site: www.mec.ita.br/~rodrigo/) • Leitura: Devore – cap. 4: Variáveis aleatórias contínuas Walpole et al. – cap. 6: Algumas dist. prob. contínuas
Compartilhar