Este documento apresenta uma agenda para discutir vários tópicos relacionados a variáveis aleatórias, incluindo: (1) distribuição uniforme, (2) média e variância da distribuição uniforme, (3) distribuição normal, (4) distribuição F, e (5) distribuição t de Student. O documento também fornece uma introdução sobre variáveis aleatórias e suas funções de distribuição e densidade. Por fim, discute a distribuição uniforme em mais detalhes, definindo sua função de densidade, esperança matemática e
A0001 tabelas de derivadas e integrais básicasWilson Kushima
O documento apresenta uma tabela de derivadas e integrais básicas para alunos iniciantes de cálculo diferencial e integral, sugerindo que os alunos restrinjam os valores das constantes, especifiquem os domínios das funções e eliminem linhas desnecessárias. A tabela não contém todas as regras nem especifica as restrições, e contém casos repetitivos.
Profº Marcelo Santos Chaves Cálculo I (limites trigonométricos)MarcelloSantosChaves
The document provides solutions to 12 limit problems involving trigonometric functions. Each problem is solved in 3 steps or less. The solutions show that:
1) Many of the limits evaluate to simple numeric values like 1, 0, or constants like a.
2) Trigonometric limits are often solved by factorizing the expressions and applying standard trigonometric limits like lim(sinx/x) = 1 as x approaches 0.
3) More complex problems are broken down into composite limits and simplified through algebraic manipulation and properties of limits.
Este documento apresenta conceitos básicos de probabilidade. Em três frases, resume:
1) É introduzido o conceito de modelo probabilístico para quantificar incertezas em fenômenos aleatórios;
2) São revisados conceitos da teoria dos conjuntos como espaço amostral e eventos para definir probabilidades;
3) São apresentadas as propriedades que uma função deve satisfazer para ser considerada uma probabilidade.
1) A integral indefinida representa a operação inversa da derivação e fornece as primitivas de uma função.
2) Existem regras para calcular integral indefinidas de funções somadas, multiplicadas por constantes e funções elementares.
3) A integral indefinida de uma função representa geometricamente uma família de curvas com tangentes paralelas.
1) O documento contém 10 questões sobre operações matemáticas com números inteiros e fracionários, como preenchimento de tabelas, cálculo de expressões, redução de potências e conversão entre unidades de medida.
2) São solicitadas operações como adição, subtração, multiplicação, divisão, potenciação e radiciação em diferentes contextos numéricos.
3) Deve-se identificar resultados, preencher lacunas e escolher alternativas para completar as questões.
Estatística Inferencial - 4 Probabilidade Condicional e Teorema de BayesRanilson Paiva
O documento discute estatística inferencial e probabilidade. Aborda conceitos como probabilidade condicional, teorema de Bayes, população e amostragem, intervalos de confiança e distribuições de probabilidade. Apresenta exemplos e exercícios para ilustrar esses tópicos.
1) O documento apresenta um resumo da teoria de álgebra, incluindo operações binárias, grupos, anéis, corpos e polinômios. 2) É fornecido um conjunto de exercícios classificados por nível de dificuldade para ajudar na fixação do conteúdo. 3) O texto foi elaborado para a disciplina de Introdução à Álgebra ministrada na UAB/UFPB.
A0001 tabelas de derivadas e integrais básicasWilson Kushima
O documento apresenta uma tabela de derivadas e integrais básicas para alunos iniciantes de cálculo diferencial e integral, sugerindo que os alunos restrinjam os valores das constantes, especifiquem os domínios das funções e eliminem linhas desnecessárias. A tabela não contém todas as regras nem especifica as restrições, e contém casos repetitivos.
Profº Marcelo Santos Chaves Cálculo I (limites trigonométricos)MarcelloSantosChaves
The document provides solutions to 12 limit problems involving trigonometric functions. Each problem is solved in 3 steps or less. The solutions show that:
1) Many of the limits evaluate to simple numeric values like 1, 0, or constants like a.
2) Trigonometric limits are often solved by factorizing the expressions and applying standard trigonometric limits like lim(sinx/x) = 1 as x approaches 0.
3) More complex problems are broken down into composite limits and simplified through algebraic manipulation and properties of limits.
Este documento apresenta conceitos básicos de probabilidade. Em três frases, resume:
1) É introduzido o conceito de modelo probabilístico para quantificar incertezas em fenômenos aleatórios;
2) São revisados conceitos da teoria dos conjuntos como espaço amostral e eventos para definir probabilidades;
3) São apresentadas as propriedades que uma função deve satisfazer para ser considerada uma probabilidade.
1) A integral indefinida representa a operação inversa da derivação e fornece as primitivas de uma função.
2) Existem regras para calcular integral indefinidas de funções somadas, multiplicadas por constantes e funções elementares.
3) A integral indefinida de uma função representa geometricamente uma família de curvas com tangentes paralelas.
1) O documento contém 10 questões sobre operações matemáticas com números inteiros e fracionários, como preenchimento de tabelas, cálculo de expressões, redução de potências e conversão entre unidades de medida.
2) São solicitadas operações como adição, subtração, multiplicação, divisão, potenciação e radiciação em diferentes contextos numéricos.
3) Deve-se identificar resultados, preencher lacunas e escolher alternativas para completar as questões.
Estatística Inferencial - 4 Probabilidade Condicional e Teorema de BayesRanilson Paiva
O documento discute estatística inferencial e probabilidade. Aborda conceitos como probabilidade condicional, teorema de Bayes, população e amostragem, intervalos de confiança e distribuições de probabilidade. Apresenta exemplos e exercícios para ilustrar esses tópicos.
1) O documento apresenta um resumo da teoria de álgebra, incluindo operações binárias, grupos, anéis, corpos e polinômios. 2) É fornecido um conjunto de exercícios classificados por nível de dificuldade para ajudar na fixação do conteúdo. 3) O texto foi elaborado para a disciplina de Introdução à Álgebra ministrada na UAB/UFPB.
O documento discute conceitos básicos de probabilidade. Em três frases:
(1) Probabilidade é um modelo matemático para caracterizar regularidades em fenômenos aleatórios, que podem ser repetidos em idênticas condições, mas com resultados incertos; (2) Eventos são subconjuntos do espaço amostral de resultados possíveis, e sua probabilidade é dada pela razão entre casos favoráveis e possíveis; (3) A probabilidade de um evento é um número entre 0 e 1, e a soma das probabilidades de um evento e seu complementar é
O documento descreve os modelos de regressão linear, que objetivam estabelecer uma relação matemática entre uma variável dependente e uma ou mais variáveis independentes. Apresenta o modelo de regressão linear simples, com uma variável dependente e uma independente, e o modelo de regressão linear múltipla, com uma variável dependente e duas ou mais variáveis independentes. Também explica o significado do termo de erro e como os coeficientes são estimados usando o método dos mínimos quadrados ordinários.
Este documento descreve como construir intervalos de confiança para a média de uma população normal quando a variância é desconhecida. Explica que se deve estimar a variância com S2 e usar a distribuição t de Student em vez da normal. Fornece exemplos de como calcular valores críticos da t de Student e construir intervalos de confiança para a média populacional com base nos dados amostrais.
Apresentação feita por alunos do 2º semestre de Sistemas de Informações da Faculdade de Juazeiro do Norte (FJN) na disciplina de Matemática Discreta II.
Este documento apresenta os conceitos fundamentais de geometria analítica no plano cartesiano, incluindo:
1) Sistema de coordenadas cartesianas e localização de pontos no plano.
2) Noções de quadrantes, bissetrizes e distância entre pontos.
3) Condições para alinhamento de três pontos no plano.
O texto é acompanhado por exemplos resolvidos e exercícios propostos sobre os tópicos apresentados.
Este documento fornece uma introdução teórica às primitivas imediatas e apresenta uma tabela com primitivas elementares. Inclui exercícios resolvidos e propostos sobre o cálculo de primitivas utilizando a tabela fornecida. Fornece também sugestões para a resolução dos exercícios propostos, indicando como derivar a segunda coluna da tabela de primitivas imediatas.
Material de apoio das aulas de tutoria de Algoritmos e Estrutura de dados da Universidade Federal de Ouro Preto, Campus João Monlevade. O conteúdo abordado é sobre relações de recorrência em relação com a análise e complexidade de algoritmos.
Analise de Regressão Linear Modelo Linearizável - Veja como linearizar alguns modelos - Resolução de duas questões de Estatística da Cebraspe: MPU/2013 e STM/2018.
Alguns exercícios de
Geometria Analítica (vetores) resolvidos.
Em caso de dúvidas/sugestões e relato de erros, enviar e-mail para rodrigo.silva92@aluno.ufabc.edu.br
Este documento contém 32 exercícios de circuitos elétricos resolvidos. Os exercícios envolvem cálculos de corrente, tensão, potência, condutância, capacitância e indutância em vários circuitos. Alguns exercícios utilizam métodos como análise de malha, nó, superposição, equivalente de Thévenin e Norton.
O documento apresenta as regras básicas de derivação de funções, incluindo derivadas de constantes, funções potência, funções multiplicadas por uma constante, soma, produto e quociente de funções. As regras são ilustradas com exemplos numéricos de cada uma.
Um comerciante gastou R$300 na compra de maçãs que venderá a R$2 cada. Para não ter prejuízo, ele precisa vender pelo menos 150 maçãs. Vendendo menos de 150 maçãs terá prejuízo, e vendendo mais de 150 terá lucro.
Aula 2 profmat - Aplicacoes da InducaoAline Guedes
1. O documento apresenta exemplos de definições por recorrência, incluindo fatorial, potência e somatórios.
2. Propriedades de somatórios como associatividade, distributividade e soma telescópica são discutidas.
3. Fórmulas fechadas para somatórios podem ser encontradas usando propriedades ou o método da perturbação.
Este documento discute equações polinomiais e algébricas. Ele define equações polinomiais como equações na forma P(x)=0, onde P(x) é um polinômio. O documento também discute o grau de uma equação polinomial, raízes, o Teorema Fundamental da Álgebra, a decomposição de polinômios em fatores de primeiro grau, e a multiplicidade de raízes.
Este documento discute variáveis aleatórias discretas e a distribuição binomial. Apresenta as características de uma variável aleatória binomial, incluindo que o experimento deve ser repetido um número fixo de vezes de forma independente, com cada repetição sendo um experimento de Bernoulli. Fornece a notação e propriedades da distribuição binomial, como a fórmula para calcular probabilidades e exemplos numéricos de lançar uma moeda.
O documento discute vários tipos de superfícies quádricas, incluindo elipsóides, hiperbolóides, parabolóides, superfícies cônicas e cilíndricas. Exemplos de equações para cada tipo de superfície são fornecidos junto com explicações gráficas. Alguns exercícios de identificação de superfícies a partir de equações são resolvidos.
O documento apresenta uma revisão sobre potências de dez, notação científica e operações matemáticas básicas. É explicado como representar números maiores e menores que um usando potências de dez e como realizar operações como multiplicação, divisão, adição, subtração, potenciação e radiciação preservando os expoentes das potências de dez. Por fim, são propostos exercícios para praticar essas operações em números expressos na notação científica.
O documento introduz os conceitos fundamentais de geometria analítica, incluindo a representação de pontos no plano cartesiano, cálculo da distância entre pontos, e propriedades do módulo de um número real. Exemplos ilustram como representar pontos, calcular distâncias, e aplicar propriedades do módulo.
Probabilidade e estatística - Variáveis AleatóriasLucas Vinícius
Este documento resume os principais conceitos de variáveis aleatórias, incluindo: 1) a definição de variável aleatória e sua notação; 2) variáveis aleatórias discretas e contínuas; 3) funções de probabilidade e repartição; 4) medidas de posição como média; e 5) medidas de dispersão como variância e desvio padrão. O documento fornece exemplos para ilustrar cada um desses conceitos.
O documento apresenta uma questão sobre variáveis aleatórias contínuas com distribuição triangular. A questão pede para identificar qual alternativa expressa corretamente a função de distribuição acumulada, o valor dessa função para um ponto e a esperança da variável aleatória.
O documento discute conceitos básicos de probabilidade. Em três frases:
(1) Probabilidade é um modelo matemático para caracterizar regularidades em fenômenos aleatórios, que podem ser repetidos em idênticas condições, mas com resultados incertos; (2) Eventos são subconjuntos do espaço amostral de resultados possíveis, e sua probabilidade é dada pela razão entre casos favoráveis e possíveis; (3) A probabilidade de um evento é um número entre 0 e 1, e a soma das probabilidades de um evento e seu complementar é
O documento descreve os modelos de regressão linear, que objetivam estabelecer uma relação matemática entre uma variável dependente e uma ou mais variáveis independentes. Apresenta o modelo de regressão linear simples, com uma variável dependente e uma independente, e o modelo de regressão linear múltipla, com uma variável dependente e duas ou mais variáveis independentes. Também explica o significado do termo de erro e como os coeficientes são estimados usando o método dos mínimos quadrados ordinários.
Este documento descreve como construir intervalos de confiança para a média de uma população normal quando a variância é desconhecida. Explica que se deve estimar a variância com S2 e usar a distribuição t de Student em vez da normal. Fornece exemplos de como calcular valores críticos da t de Student e construir intervalos de confiança para a média populacional com base nos dados amostrais.
Apresentação feita por alunos do 2º semestre de Sistemas de Informações da Faculdade de Juazeiro do Norte (FJN) na disciplina de Matemática Discreta II.
Este documento apresenta os conceitos fundamentais de geometria analítica no plano cartesiano, incluindo:
1) Sistema de coordenadas cartesianas e localização de pontos no plano.
2) Noções de quadrantes, bissetrizes e distância entre pontos.
3) Condições para alinhamento de três pontos no plano.
O texto é acompanhado por exemplos resolvidos e exercícios propostos sobre os tópicos apresentados.
Este documento fornece uma introdução teórica às primitivas imediatas e apresenta uma tabela com primitivas elementares. Inclui exercícios resolvidos e propostos sobre o cálculo de primitivas utilizando a tabela fornecida. Fornece também sugestões para a resolução dos exercícios propostos, indicando como derivar a segunda coluna da tabela de primitivas imediatas.
Material de apoio das aulas de tutoria de Algoritmos e Estrutura de dados da Universidade Federal de Ouro Preto, Campus João Monlevade. O conteúdo abordado é sobre relações de recorrência em relação com a análise e complexidade de algoritmos.
Analise de Regressão Linear Modelo Linearizável - Veja como linearizar alguns modelos - Resolução de duas questões de Estatística da Cebraspe: MPU/2013 e STM/2018.
Alguns exercícios de
Geometria Analítica (vetores) resolvidos.
Em caso de dúvidas/sugestões e relato de erros, enviar e-mail para rodrigo.silva92@aluno.ufabc.edu.br
Este documento contém 32 exercícios de circuitos elétricos resolvidos. Os exercícios envolvem cálculos de corrente, tensão, potência, condutância, capacitância e indutância em vários circuitos. Alguns exercícios utilizam métodos como análise de malha, nó, superposição, equivalente de Thévenin e Norton.
O documento apresenta as regras básicas de derivação de funções, incluindo derivadas de constantes, funções potência, funções multiplicadas por uma constante, soma, produto e quociente de funções. As regras são ilustradas com exemplos numéricos de cada uma.
Um comerciante gastou R$300 na compra de maçãs que venderá a R$2 cada. Para não ter prejuízo, ele precisa vender pelo menos 150 maçãs. Vendendo menos de 150 maçãs terá prejuízo, e vendendo mais de 150 terá lucro.
Aula 2 profmat - Aplicacoes da InducaoAline Guedes
1. O documento apresenta exemplos de definições por recorrência, incluindo fatorial, potência e somatórios.
2. Propriedades de somatórios como associatividade, distributividade e soma telescópica são discutidas.
3. Fórmulas fechadas para somatórios podem ser encontradas usando propriedades ou o método da perturbação.
Este documento discute equações polinomiais e algébricas. Ele define equações polinomiais como equações na forma P(x)=0, onde P(x) é um polinômio. O documento também discute o grau de uma equação polinomial, raízes, o Teorema Fundamental da Álgebra, a decomposição de polinômios em fatores de primeiro grau, e a multiplicidade de raízes.
Este documento discute variáveis aleatórias discretas e a distribuição binomial. Apresenta as características de uma variável aleatória binomial, incluindo que o experimento deve ser repetido um número fixo de vezes de forma independente, com cada repetição sendo um experimento de Bernoulli. Fornece a notação e propriedades da distribuição binomial, como a fórmula para calcular probabilidades e exemplos numéricos de lançar uma moeda.
O documento discute vários tipos de superfícies quádricas, incluindo elipsóides, hiperbolóides, parabolóides, superfícies cônicas e cilíndricas. Exemplos de equações para cada tipo de superfície são fornecidos junto com explicações gráficas. Alguns exercícios de identificação de superfícies a partir de equações são resolvidos.
O documento apresenta uma revisão sobre potências de dez, notação científica e operações matemáticas básicas. É explicado como representar números maiores e menores que um usando potências de dez e como realizar operações como multiplicação, divisão, adição, subtração, potenciação e radiciação preservando os expoentes das potências de dez. Por fim, são propostos exercícios para praticar essas operações em números expressos na notação científica.
O documento introduz os conceitos fundamentais de geometria analítica, incluindo a representação de pontos no plano cartesiano, cálculo da distância entre pontos, e propriedades do módulo de um número real. Exemplos ilustram como representar pontos, calcular distâncias, e aplicar propriedades do módulo.
Probabilidade e estatística - Variáveis AleatóriasLucas Vinícius
Este documento resume os principais conceitos de variáveis aleatórias, incluindo: 1) a definição de variável aleatória e sua notação; 2) variáveis aleatórias discretas e contínuas; 3) funções de probabilidade e repartição; 4) medidas de posição como média; e 5) medidas de dispersão como variância e desvio padrão. O documento fornece exemplos para ilustrar cada um desses conceitos.
O documento apresenta uma questão sobre variáveis aleatórias contínuas com distribuição triangular. A questão pede para identificar qual alternativa expressa corretamente a função de distribuição acumulada, o valor dessa função para um ponto e a esperança da variável aleatória.
funcoes1_slides.pptx matematica,engenharia e afinsJosJunior621067
O documento apresenta conceitos fundamentais sobre funções, incluindo: (1) definição de produto cartesiano e exemplos; (2) definição de função, gráfico e domínio; (3) tipos de funções como lineares, quadráticas, módulo e exponenciais.
Este documento fornece um resumo de aulas sobre cálculo diferencial e integral para o primeiro semestre de 2006. Contém resumos de seis aulas abordando conceitos básicos de funções, representação gráfica, tipos de funções, limites, derivadas e aplicações da derivada. Inclui também listas de exercícios propostos para cada aula.
O documento discute propriedades de funções, incluindo continuidade, limites, funções pares e ímpares, períodicidade, intervalos de monotonia e extremos. Apresenta exemplos para ilustrar cada conceito.
1) O documento discute o conceito de variável aleatória e apresenta modelos de distribuição de probabilidade para variáveis aleatórias discretas, como a distribuição binomial e de Poisson.
2) É definido o que é uma variável aleatória, valor esperado, variância, distribuição de probabilidade e função de distribuição.
3) São apresentados exemplos para ilustrar esses conceitos e propriedades matemáticas associadas.
Resolução de Questão do Concurso para Estatístico (CP-T/2015) na Marinha do Brasil. Relação entre distribuição gama, qui-quadrado e exponencial. Comparação da função densidade de probabilidade
1) O documento descreve diferentes tipos de funções elementares, incluindo funções constantes, identidade, lineares, do primeiro grau, módulo, quadráticas e racionais.
2) As funções constantes, identidade e lineares têm domínio R, enquanto funções do primeiro grau e quadráticas mapeiam R para R.
3) A função módulo mapeia R para [0, +∞) e funções racionais têm domínio excluindo valores que tornam o denominador zero.
1. O documento discute propriedades de funções como domínio, valores em pontos específicos, limites superior e inferior, monotonia e periodicidade.
2. Exemplos de funções analisadas incluem f(x) = 1/x2-x, f(x) = √9-x2 e f(x) = cos 2x.
3. As respostas fornecem desenvolvimentos lógicos completos com conclusões sobre o domínio, valores, limites e propriedades de cada função analisada.
Este documento resume os principais conceitos de funções do 1o e 2o grau. No 1o grau, explica a forma geral da função linear f(x)=ax+b e conceitos como crescimento, decrescimento, raiz e estudo do sinal. No 2o grau, aborda a forma geral da parábola f(x)=ax2+bx+c, conceitos como vértice, concavidade, raízes e estudo do sinal.
1) O documento descreve funções polinomiais e suas propriedades, incluindo raízes, grau e identidade.
2) É apresentada a fórmula de Lagrange para determinar um polinômio a partir de seus valores em pontos fixos.
3) As características dos gráficos de polinômios são explicadas, incluindo o método de Newton para encontrar raízes.
Semelhante a Anpec - 2019 Estatística - Questão 1 (11)
O documento discute modelos de séries temporais, incluindo decomposição clássica em tendência, sazonalidade e irregularidade, e o uso de médias móveis para eliminar variações cíclicas, sazonalidade e irregularidade a fim de identificar apenas a tendência geral dos dados. Ele fornece alguns exemplos numéricos de cálculo de médias móveis.
O documento discute os pressupostos e estimadores da regressão linear simples. Resume os principais pontos da regressão linear, incluindo: (1) os pressupostos do modelo, (2) os estimadores de mínimos quadrados ordinários, e (3) as condições para a ausência de viés destes estimadores. O documento também apresenta respostas a uma questão de exame sobre regressão linear.
O documento discute conceitos estatísticos como percentis, quartis, amplitude interquartílica e pseudo-sigma. Ele fornece definições e fórmulas para calcular esses conceitos. O documento também apresenta uma questão de concurso público sobre calcular o pseudo-sigma a partir de medidas separatrizes de uma amostra.
O documento discute processos estocásticos não estacionários e passeios aleatórios. Apresenta as definições de média, variância e função de autocorrelação para passeios aleatórios. Explica que para um passeio aleatório baseado em ruídos brancos independentes, a média de Xt é proporcional a t, a variância é proporcional a t e a covariância entre Xt1 e Xt2 depende apenas da diferença entre t1 e t2. Por fim, resume uma questão sobre passeios aleató
i. O documento discute os pressupostos da regressão linear simples, incluindo a linearidade, aleatoriedade dos erros, homocedasticidade e independência dos erros.
ii. Apresenta também uma questão sobre como a falta de plausibilidade da distribuição normal dos erros afeta principalmente as inferências do modelo e seus coeficientes na população com base nos valores amostrais.
iii. Fornece ainda informações de contato de um estatístico e uma lista de tópicos estatísticos relevantes para concursos.
O documento introduz conceitos básicos de probabilidade, incluindo experimentos aleatórios, espaço amostral, eventos, frequência relativa e interpretação frequentista de probabilidade. Resolve um exercício sobre as propriedades da frequência relativa.
A aula introduz conceitos básicos de probabilidade como experimentos aleatórios, espaço amostral, eventos e operações entre conjuntos. É resolvida uma questão sobre eventos relacionados ao tempo para realização de uma tarefa por um marinheiro, onde a alternativa correta é que o evento A é igual a {t|t ≥ 50}.
1) O documento apresenta a desigualdade de Markov, demonstrando-a matematicamente e aplicando-a para resolver uma questão sobre a renda dos trabalhadores brasileiros em 2006.
2) É mostrado que, usando a desigualdade de Markov e dados estatísticos, o primeiro quartil da distribuição de renda naquele ano foi estimado em R$154,06, menor que R$160,00.
3) No final, é anunciado um lançamento de um conjunto de questões sobre estatística com descontos na Black Friday.
O documento descreve um teste estatístico para verificar se a mediana do teor de impureza de um produto químico é igual a 2,5 ppm. Foram observadas 36 amostras aleatórias, sendo que 24 tinham teor de impureza menor que 2,5 ppm. O teste estatístico utilizado foi o teste dos sinais, que comparou o número de amostras com teor menor ou maior que 2,5 ppm. O valor-p calculado para este teste foi 0,0228.
O documento descreve conceitos de cadeias de Markov irredutíveis e regulares e apresenta um exemplo de uma cadeia de Markov regular representada por um dígrafo e sua matriz de transição associada.
O documento discute a teoria da informação e o conceito de entropia de Shannon. Explica que a entropia quantifica a incerteza envolvida em uma variável aleatória e que para um dado honesto com 6 resultados igualmente prováveis, a entropia é igual a log2(6) ou aproximadamente 2,6 bits, e não 3,6 bits como afirmado no enunciado.
Análise Espectral e Modelos ARIMA - Autocorrelação modelo ARIMA(2,1,0)Anselmo Alves de Sousa
O documento discute autocovariância e autocorrelação de séries temporais. Define autocovariância como a covariância entre observações em momentos de tempo diferentes. Apresenta propriedades da autocovariância, incluindo que a autocovariância em um lag zero é sempre positiva. Introduz a função de autocorrelação como a razão entre a autocovariância em um determinado lag e a autocovariância em lag zero.
Análise de Séries Temporais - Cálculo da Função de Autocovariância de um modelo AR(1). Resolução de Questão do Concurso para o INSS realizado pela FUNRIO
Entropia da Distribuição Uniforme(a,b) - Resolução de Questão discursiva do concurso da Abin (Cespe/Cebraspe/2010). Oficial Técnico de Inteligência - Especialidade Criptoanálise
1) O documento discute eventos equivalentes e como a probabilidade de X1 ser maior que X2 é igual à probabilidade de X1 - X2 ser maior que 0.
2) A média e variância da diferença entre variáveis aleatórias independentes X e Y é igual à soma das médias e variâncias individuais.
3) Se X1 e X2 forem normais e independentes, então a probabilidade de X1 ser maior que X2 é 0,5.
O documento descreve o método dos momentos para estimar parâmetros de distribuições de probabilidade. Explica como igualar os momentos amostrais aos momentos populacionais para estimar o parâmetro lambda de uma distribuição de Poisson. Aplica o método aos dados de um exemplo numérico para estimar que o valor de lambda é 0,4 e o tamanho amostral é 8. O documento também lista tópicos estatísticos como estimação, distribuições especiais e propriedades de estimadores.
9. Agenda
Variável Aleatória: função de distribuição e de densidade;
0 Distribuição Uniforme X ∼ U[a, b];
1 Média e Variância: X ∼ U[a, b];
10. Agenda
Variável Aleatória: função de distribuição e de densidade;
0 Distribuição Uniforme X ∼ U[a, b];
1 Média e Variância: X ∼ U[a, b];
2 Distribuição Normal
11. Agenda
Variável Aleatória: função de distribuição e de densidade;
0 Distribuição Uniforme X ∼ U[a, b];
1 Média e Variância: X ∼ U[a, b];
2 Distribuição Normal X ∼ N(µ, σ2
);
12. Agenda
Variável Aleatória: função de distribuição e de densidade;
0 Distribuição Uniforme X ∼ U[a, b];
1 Média e Variância: X ∼ U[a, b];
2 Distribuição Normal X ∼ N(µ, σ2
);
3 Distribução F de probabilidade;
13. Agenda
Variável Aleatória: função de distribuição e de densidade;
0 Distribuição Uniforme X ∼ U[a, b];
1 Média e Variância: X ∼ U[a, b];
2 Distribuição Normal X ∼ N(µ, σ2
);
3 Distribução F de probabilidade;
4 Distribuição t de Student.
14. Agenda
Variável Aleatória: função de distribuição e de densidade;
0 Distribuição Uniforme X ∼ U[a, b];
1 Média e Variância: X ∼ U[a, b];
2 Distribuição Normal X ∼ N(µ, σ2
);
3 Distribução F de probabilidade;
4 Distribuição t de Student.
19. Introdução
i. Variável Aleatória: Seja (Ω, F, P) um espaço de probabilidade.
Denominamos variável aleatória, qualquer função: X : Ω → R
20. Introdução
i. Variável Aleatória: Seja (Ω, F, P) um espaço de probabilidade.
Denominamos variável aleatória, qualquer função: X : Ω → R tal que
X−1
(I) = {ω ∈ Ω : X(ω) ∈ I} ∈ F
21. Introdução
i. Variável Aleatória: Seja (Ω, F, P) um espaço de probabilidade.
Denominamos variável aleatória, qualquer função: X : Ω → R tal que
X−1
(I) = {ω ∈ Ω : X(ω) ∈ I} ∈ F
uma variável aleatória (v.a)
22. Introdução
i. Variável Aleatória: Seja (Ω, F, P) um espaço de probabilidade.
Denominamos variável aleatória, qualquer função: X : Ω → R tal que
X−1
(I) = {ω ∈ Ω : X(ω) ∈ I} ∈ F
uma variável aleatória (v.a) é um característico numérico do resultado de
um experimento aleatório.
23. Introdução
i. Variável Aleatória: Seja (Ω, F, P) um espaço de probabilidade.
Denominamos variável aleatória, qualquer função: X : Ω → R tal que
X−1
(I) = {ω ∈ Ω : X(ω) ∈ I} ∈ F
uma variável aleatória (v.a) é um característico numérico do resultado de
um experimento aleatório.
Uma variável aleatória X em um espaço de probabilidade (Ω, F, P)
24. Introdução
i. Variável Aleatória: Seja (Ω, F, P) um espaço de probabilidade.
Denominamos variável aleatória, qualquer função: X : Ω → R tal que
X−1
(I) = {ω ∈ Ω : X(ω) ∈ I} ∈ F
uma variável aleatória (v.a) é um característico numérico do resultado de
um experimento aleatório.
Uma variável aleatória X em um espaço de probabilidade (Ω, F, P) é
uma função real denida no espaço Ω
25. Introdução
i. Variável Aleatória: Seja (Ω, F, P) um espaço de probabilidade.
Denominamos variável aleatória, qualquer função: X : Ω → R tal que
X−1
(I) = {ω ∈ Ω : X(ω) ∈ I} ∈ F
uma variável aleatória (v.a) é um característico numérico do resultado de
um experimento aleatório.
Uma variável aleatória X em um espaço de probabilidade (Ω, F, P) é
uma função real denida no espaço Ω tal que [X ≤ x]
26. Introdução
i. Variável Aleatória: Seja (Ω, F, P) um espaço de probabilidade.
Denominamos variável aleatória, qualquer função: X : Ω → R tal que
X−1
(I) = {ω ∈ Ω : X(ω) ∈ I} ∈ F
uma variável aleatória (v.a) é um característico numérico do resultado de
um experimento aleatório.
Uma variável aleatória X em um espaço de probabilidade (Ω, F, P) é
uma função real denida no espaço Ω tal que [X ≤ x] é evento aleatório
∀x ∈ R; i.e,
27. Introdução
i. Variável Aleatória: Seja (Ω, F, P) um espaço de probabilidade.
Denominamos variável aleatória, qualquer função: X : Ω → R tal que
X−1
(I) = {ω ∈ Ω : X(ω) ∈ I} ∈ F
uma variável aleatória (v.a) é um característico numérico do resultado de
um experimento aleatório.
Uma variável aleatória X em um espaço de probabilidade (Ω, F, P) é
uma função real denida no espaço Ω tal que [X ≤ x] é evento aleatório
∀x ∈ R; i.e,
X : Ω → R é variável aleatória se [X ≤ x] ∈ F, ∀x ∈ R
30. Introdução
Sendo X uma va em (Ω, F, P) sua função de distribuição é denida por:
FX(x) = P(X ∈ (−∞, x])) = P(X ≤ x)
31. Introdução
Sendo X uma va em (Ω, F, P) sua função de distribuição é denida por:
FX(x) = P(X ∈ (−∞, x])) = P(X ≤ x)
A partir da f.d obtemos quaisquer informações acerca da v.a.
32. Introdução
Sendo X uma va em (Ω, F, P) sua função de distribuição é denida por:
FX(x) = P(X ∈ (−∞, x])) = P(X ≤ x)
A partir da f.d obtemos quaisquer informações acerca da v.a.
Obtemos também a função de densidade de probabilidade
33. Introdução
Sendo X uma va em (Ω, F, P) sua função de distribuição é denida por:
FX(x) = P(X ∈ (−∞, x])) = P(X ≤ x)
A partir da f.d obtemos quaisquer informações acerca da v.a.
Obtemos também a função de densidade de probabilidade ou a função de
probabilidade
34. Introdução
Sendo X uma va em (Ω, F, P) sua função de distribuição é denida por:
FX(x) = P(X ∈ (−∞, x])) = P(X ≤ x)
A partir da f.d obtemos quaisquer informações acerca da v.a.
Obtemos também a função de densidade de probabilidade ou a função de
probabilidade , que está associada à uma função de distribuição;
35. Introdução
Sendo X uma va em (Ω, F, P) sua função de distribuição é denida por:
FX(x) = P(X ∈ (−∞, x])) = P(X ≤ x)
A partir da f.d obtemos quaisquer informações acerca da v.a.
Obtemos também a função de densidade de probabilidade ou a função de
probabilidade , que está associada à uma função de distribuição;
38. Exame 2019 Questão 1
Julgue como verdadeiras ou falsas as armativas que se seguem:
39. Exame 2019 Questão 1
Julgue como verdadeiras ou falsas as armativas que se seguem:
0. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
média igual a 3, 50.
40. Exame 2019 Questão 1
Julgue como verdadeiras ou falsas as armativas que se seguem:
0. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
média igual a 3, 50.
1. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
variância igual a 0, 75.
41. Exame 2019 Questão 1
Julgue como verdadeiras ou falsas as armativas que se seguem:
0. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
média igual a 3, 50.
1. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
variância igual a 0, 75.
2. Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5, então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
42. Exame 2019 Questão 1
Julgue como verdadeiras ou falsas as armativas que se seguem:
0. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
média igual a 3, 50.
1. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
variância igual a 0, 75.
2. Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5, então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
3. Sejam Z1 e Z2 duas variáveis aleatórias independentes com distribuição
quiquadrado, então W =
Z1
Z2
apresenta distribuição F.
43. Exame 2019 Questão 1
Julgue como verdadeiras ou falsas as armativas que se seguem:
0. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
média igual a 3, 50.
1. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
variância igual a 0, 75.
2. Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5, então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
3. Sejam Z1 e Z2 duas variáveis aleatórias independentes com distribuição
quiquadrado, então W =
Z1
Z2
apresenta distribuição F.
4. Seja uma variável aleatória X, com distribuição t-Student com 2 graus de
liberdade. Então sua variância não será denida.
47. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
48. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
49. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
=
b
a
x
b − a
dx
50. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
=
b
a
x
b − a
dx =
x2
2(b − a)
b
a
51. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
=
b
a
x
b − a
dx =
x2
2(b − a)
b
a
=
b2
2(b − a)
52. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
=
b
a
x
b − a
dx =
x2
2(b − a)
b
a
=
b2
2(b − a)
−
a2
2(b − a)
53. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
=
b
a
x
b − a
dx =
x2
2(b − a)
b
a
=
b2
2(b − a)
−
a2
2(b − a)
=
b2 − a2
2(b − a)
54. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
=
b
a
x
b − a
dx =
x2
2(b − a)
b
a
=
b2
2(b − a)
−
a2
2(b − a)
=
b2 − a2
2(b − a)
=
(b − a)(b + a)
55. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
=
b
a
x
b − a
dx =
x2
2(b − a)
b
a
=
b2
2(b − a)
−
a2
2(b − a)
=
b2 − a2
2(b − a)
=
(b − a)(b + a)
2(b − a)
56. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
=
b
a
x
b − a
dx =
x2
2(b − a)
b
a
=
b2
2(b − a)
−
a2
2(b − a)
=
b2 − a2
2(b − a)
=
(b − a)(b + a)
2(b − a)
=
(b − a)(b + a)
2(b − a)
57. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado ou Esperança Matemática:
E(X) =
b
a
x · f(x) dx
=
b
a
x
b − a
dx =
x2
2(b − a)
b
a
=
b2
2(b − a)
−
a2
2(b − a)
=
b2 − a2
2(b − a)
=
(b − a)(b + a)
2(b − a)
=
(b − a)(b + a)
2(b − a)
E(X) =
a + b
2
59. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
60. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
)
61. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
62. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx
63. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx =
x3
3(b − a)
b
a
64. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx =
x3
3(b − a)
b
a
=
b3
3(b − a)
65. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx =
x3
3(b − a)
b
a
=
b3
3(b − a)
−
a3
3(b − a)
66. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx =
x3
3(b − a)
b
a
=
b3
3(b − a)
−
a3
3(b − a)
=
b3 − a3
67. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx =
x3
3(b − a)
b
a
=
b3
3(b − a)
−
a3
3(b − a)
=
b3 − a3
3(b − a)
68. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx =
x3
3(b − a)
b
a
=
b3
3(b − a)
−
a3
3(b − a)
=
b3 − a3
3(b − a)
=
(b − a)(b2 + ab + a2)
69. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx =
x3
3(b − a)
b
a
=
b3
3(b − a)
−
a3
3(b − a)
=
b3 − a3
3(b − a)
=
(b − a)(b2 + ab + a2)
3(b − a)
70. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx =
x3
3(b − a)
b
a
=
b3
3(b − a)
−
a3
3(b − a)
=
b3 − a3
3(b − a)
=
(b − a)(b2 + ab + a2)
3(b − a)
=
(b − a)(b2 + ab + a2)
3(b − a)
71. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Valor esperado de X2
:
E(X2
) =
b
a
x2
· f(x) dx
=
b
a
x2
b − a
dx =
x3
3(b − a)
b
a
=
b3
3(b − a)
−
a3
3(b − a)
=
b3 − a3
3(b − a)
=
(b − a)(b2 + ab + a2)
3(b − a)
=
(b − a)(b2 + ab + a2)
3(b − a)
E(X2
) =
b2 + ab + a2
3
73. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
74. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
Var(X)
75. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
Var(X) =
b2 + ab + a2
3
76. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
Var(X) =
b2 + ab + a2
3
−
a + b
2
2
77. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
Var(X) =
b2 + ab + a2
3
−
a + b
2
2
=
4b2 + 4ab + 4a2
12
78. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
Var(X) =
b2 + ab + a2
3
−
a + b
2
2
=
4b2 + 4ab + 4a2
12
−
a2 + 2ab + b2
4
79. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
Var(X) =
b2 + ab + a2
3
−
a + b
2
2
=
4b2 + 4ab + 4a2
12
−
a2 + 2ab + b2
4
=
4b2 + 4ab + 4a2
12
80. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
Var(X) =
b2 + ab + a2
3
−
a + b
2
2
=
4b2 + 4ab + 4a2
12
−
a2 + 2ab + b2
4
=
4b2 + 4ab + 4a2
12
−
3a2 + 6ab + 3b2
12
81. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
Var(X) =
b2 + ab + a2
3
−
a + b
2
2
=
4b2 + 4ab + 4a2
12
−
a2 + 2ab + b2
4
=
4b2 + 4ab + 4a2
12
−
3a2 + 6ab + 3b2
12
=
b2 − 2ab + a2
12
82. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Variância Var(X) = E(X2
) − E(X)2
:
Var(X) =
b2 + ab + a2
3
−
a + b
2
2
=
4b2 + 4ab + 4a2
12
−
a2 + 2ab + b2
4
=
4b2 + 4ab + 4a2
12
−
3a2 + 6ab + 3b2
12
=
b2 − 2ab + a2
12
=
(b − a)2
12
84. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
85. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
86. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
e Var(X) =
(b − a)2
12
87. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
e Var(X) =
(b − a)2
12
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
média igual a 3, 50.
88. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
e Var(X) =
(b − a)2
12
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
média igual a 3, 50.
1. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
variância igual a 0, 75.
89. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
e Var(X) =
(b − a)2
12
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
média igual a 3, 50.
1. Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5] tem
variância igual a 0, 75.
90. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
e Var(X) =
(b − a)2
12
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0. V Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5]
tem média igual a 3, 50.
91. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
e Var(X) =
(b − a)2
12
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0. V Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5]
tem média igual a 3, 50. Temos E(X) = (2 + 5)/2 = 3, 5.
92. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
e Var(X) =
(b − a)2
12
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0. V Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5]
tem média igual a 3, 50. Temos E(X) = (2 + 5)/2 = 3, 5.
1. V Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5]
tem variância igual a 0, 75.
93. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
e Var(X) =
(b − a)2
12
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0. V Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5]
tem média igual a 3, 50. Temos E(X) = (2 + 5)/2 = 3, 5.
1. V Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5]
tem variância igual a 0, 75. Temos Var(X) = (5 − 2)2
/12 = 9/12 = 0, 75.
94. Distribuição Uniforme[a, b]
Função de densidade: X ∼ U[a, b], sua função de densidade é dada por
f(x) =
1
b − a
, a ≤ x ≤ b.
Média e Variância:
E(X) =
a + b
2
e Var(X) =
(b − a)2
12
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
0. V Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5]
tem média igual a 3, 50. Temos E(X) = (2 + 5)/2 = 3, 5.
1. V Uma dada variável aleatória com distribuição uniforme no intervalo [2, 5]
tem variância igual a 0, 75. Temos Var(X) = (5 − 2)2
/12 = 9/12 = 0, 75.
96. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
97. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x)
98. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
99. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
100. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0
101. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0
E(X) = µ
102. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0
E(X) = µ e σ é o desvio padrão e Var(X) = σ2
.
103. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0
E(X) = µ e σ é o desvio padrão e Var(X) = σ2
. Gráco:
104. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
105. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
106. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
Sendo X ∼ N(µ; σ2
),
107. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
Sendo X ∼ N(µ; σ2
), então Z =
X − µ
σ
⇒ N(0, 1);
108. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
Sendo X ∼ N(µ; σ2
), então Z =
X − µ
σ
⇒ N(0, 1);
P
X − µ
σ
≤ z
109. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
Sendo X ∼ N(µ; σ2
), então Z =
X − µ
σ
⇒ N(0, 1);
P
X − µ
σ
≤ z = P(X ≤ zσ + µ)
110. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
Sendo X ∼ N(µ; σ2
), então Z =
X − µ
σ
⇒ N(0, 1);
P
X − µ
σ
≤ z = P(X ≤ zσ + µ)
=
zσ+µ
−∞
111. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
Sendo X ∼ N(µ; σ2
), então Z =
X − µ
σ
⇒ N(0, 1);
P
X − µ
σ
≤ z = P(X ≤ zσ + µ)
=
zσ+µ
−∞
1
σ
√
2π
exp −
(x − µ)2
2σ2
dx
112. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
Sendo X ∼ N(µ; σ2
), então Z =
X − µ
σ
⇒ N(0, 1);
P
X − µ
σ
≤ z = P(X ≤ zσ + µ)
=
zσ+µ
−∞
1
σ
√
2π
exp −
(x − µ)2
2σ2
dx
=
y
−∞
113. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
Sendo X ∼ N(µ; σ2
), então Z =
X − µ
σ
⇒ N(0, 1);
P
X − µ
σ
≤ z = P(X ≤ zσ + µ)
=
zσ+µ
−∞
1
σ
√
2π
exp −
(x − µ)2
2σ2
dx
=
y
−∞
1
√
2π
exp −
y2
2
dy
114. Distribuição Normal X ∼ N(µ, σ2
)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
A função de distribuição da N(µ, σ2
) não tem uma forma fechada;
Sendo X ∼ N(µ; σ2
), então Z =
X − µ
σ
⇒ N(0, 1);
P
X − µ
σ
≤ z = P(X ≤ zσ + µ)
=
zσ+µ
−∞
1
σ
√
2π
exp −
(x − µ)2
2σ2
dx
=
y
−∞
1
√
2π
exp −
y2
2
dy
y = (x − µ)/σ
115. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
116. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
117. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
2. Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5
118. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
2. Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5 , então Z =
X − 2
5
119. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
2. Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5 , então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
120. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
2. Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5 , então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
121. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
2. F Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5, então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
122. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
2. F Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5, então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
Veja que
µ = 2
123. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
2. F Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5, então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
Veja que
µ = 2 e σ =
√
5
124. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
2. F Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5, então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
Veja que
µ = 2 e σ =
√
5 ⇒ Z =
X − 2
√
5
125. Distribuição Normal X ∼ N(2, 5)
Uma variável X segue o modelo Normal se sua densidade é a seguinte:
f(x) =
1
σ
√
2π
exp −
(x − µ)2
2σ2
, −∞ x ∞, com µ, σ ∈ R, σ 0.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
2. F Seja X uma variável aleatória com distribuição normal, com média 2 e
variância 5, então Z =
X − 2
5
também apresenta distribuição normal, com
média 0 e variância 1.
Veja que
µ = 2 e σ =
√
5 ⇒ Z =
X − 2
√
5
∼ N(0, 1).
128. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado
129. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade
130. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente.
131. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
132. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
133. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w)
134. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w) =
Γ(ν1+ν2
2 )
135. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w) =
Γ(ν1+ν2
2 )
Γ ν1
2 Γ ν2
2
136. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w) =
Γ(ν1+ν2
2 )
Γ ν1
2 Γ ν2
2
·
ν1
ν2
ν1/2
137. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w) =
Γ(ν1+ν2
2 )
Γ ν1
2 Γ ν2
2
·
ν1
ν2
ν1/2
·
w
ν1−2
2
138. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w) =
Γ(ν1+ν2
2 )
Γ ν1
2 Γ ν2
2
·
ν1
ν2
ν1/2
·
w
ν1−2
2
1 + ν1
ν2
139. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w) =
Γ(ν1+ν2
2 )
Γ ν1
2 Γ ν2
2
·
ν1
ν2
ν1/2
·
w
ν1−2
2
1 + ν1
ν2
· w
ν1+ν2
2
,
140. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w) =
Γ(ν1+ν2
2 )
Γ ν1
2 Γ ν2
2
·
ν1
ν2
ν1/2
·
w
ν1−2
2
1 + ν1
ν2
· w
ν1+ν2
2
, w 0
141. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes , cada uma com distribuição
qui-quadrado , com ν1 e ν2, graus de liberdade , respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w) =
Γ(ν1+ν2
2 )
Γ ν1
2 Γ ν2
2
·
ν1
ν2
ν1/2
·
w
ν1−2
2
1 + ν1
ν2
· w
ν1+ν2
2
, w 0
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
3. Sejam Z1 e Z2 duas variáveis aleatórias independentes com distribuição
qui-quadrado, então W =
Z1
Z2
apresenta distribuição F.
142. Distribuição F: W ∼ F(ν1, ν2)
Sejam U e V duas v.a independentes, cada uma com distribuição
qui-quadrado, com ν1 e ν2, graus de liberdade, respectivamente. Então a v.a
W =
U/ν1
V/ν2
Tem função de densidade:
f(w) =
Γ(ν1+ν2
2 )
Γ ν1
2 Γ ν2
2
·
ν1
ν2
ν1/2
·
w
ν1−2
2
1 + ν1
ν2
· w
ν1+ν2
2
, w 0
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Julgue como verdadeiras ou falsas as armativas que se seguem:
3. F Sejam Z1 e Z2 duas variáveis aleatórias independentes com distribuição
qui-quadrado, então W =
Z1
Z2
apresenta distribuição F.
Veja que não estão denidos ν1 e ν2, os graus de liberdade.
146. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes
147. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
148. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
149. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
150. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
151. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
152. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
153. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
154. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−(ν+1)/2
155. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−(ν+1)/2
, −∞ t ∞
156. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−(ν+1)/2
, −∞ t ∞
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Valor esperado:
157. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−(ν+1)/2
, −∞ t ∞
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Valor esperado:
E(T)
158. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−(ν+1)/2
, −∞ t ∞
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Valor esperado:
E(T) =
∞
−∞
159. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−(ν+1)/2
, −∞ t ∞
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Valor esperado:
E(T) =
∞
−∞
t ·
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−
(ν+1)
2
dt
160. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−(ν+1)/2
, −∞ t ∞
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Valor esperado:
E(T) =
∞
−∞
t ·
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−
(ν+1)
2
dt = 0
161. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν , com Z e Y independentes . Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−(ν+1)/2
, −∞ t ∞
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Valor esperado:
E(T) =
∞
−∞
t ·
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−
(ν+1)
2
dt = 0 (f(t) é ímpar!)
162. Distribuição t: t ∼ tν
Seja Z uma v.a N(0, 1) e Y uma v.a χ2
ν, com Z e Y independentes. Então a
v.a
t =
Z
Y
ν
Tem função de densidade:
f(t) =
Γ(ν+1
2 )
Γ ν
2
√
πν
· 1 +
t2
ν
−(ν+1)/2
, −∞ t ∞
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Variância: Var(X) = E(X2
) − E(X)2
, E(X) = 0 ⇒ Var(X) = E(X2
).
E(T2
) =
∞
−∞
Γ(ν+1
2 )
Γ ν
2
√
πν
· t2
1 +
t2
ν
−(ν+1)/2
dt
179. Variância da t
Variância da distribuição t de Student:
E(T2
) =
∞
−∞
Γ(ν+1
2 )
Γ ν
2
√
πν
· t2
1 +
t2
ν
−
(ν+1)
2
dt
Seja y = 1 +
t2
v
−1
⇒ t ∈ R, temos 0 y 1.
180. Variância da t
Variância da distribuição t de Student:
E(T2
) =
∞
−∞
Γ(ν+1
2 )
Γ ν
2
√
πν
· t2
1 +
t2
ν
−
(ν+1)
2
dt
Seja y = 1 +
t2
v
−1
⇒ t ∈ R, temos 0 y 1.
E(T2
)
181. Variância da t
Variância da distribuição t de Student:
E(T2
) =
∞
−∞
Γ(ν+1
2 )
Γ ν
2
√
πν
· t2
1 +
t2
ν
−
(ν+1)
2
dt
Seja y = 1 +
t2
v
−1
⇒ t ∈ R, temos 0 y 1.
E(T2
) = n
Γ n+1
2
Γ 1
2 Γ n
2
182. Variância da t
Variância da distribuição t de Student:
E(T2
) =
∞
−∞
Γ(ν+1
2 )
Γ ν
2
√
πν
· t2
1 +
t2
ν
−
(ν+1)
2
dt
Seja y = 1 +
t2
v
−1
⇒ t ∈ R, temos 0 y 1.
E(T2
) = n
Γ n+1
2
Γ 1
2 Γ n
2
1
0
y
n
2
−2
(1 − y)
1
2 dy
183. Variância da t
Variância da distribuição t de Student:
E(T2
) =
∞
−∞
Γ(ν+1
2 )
Γ ν
2
√
πν
· t2
1 +
t2
ν
−
(ν+1)
2
dt
Seja y = 1 +
t2
v
−1
⇒ t ∈ R, temos 0 y 1.
E(T2
) = n
Γ n+1
2
Γ 1
2 Γ n
2
1
0
y
n
2
−2
(1 − y)
1
2 dy =
n
n − 2
184. Variância da t
Variância da distribuição t de Student:
E(T2
) =
∞
−∞
Γ(ν+1
2 )
Γ ν
2
√
πν
· t2
1 +
t2
ν
−
(ν+1)
2
dt
Seja y = 1 +
t2
v
−1
⇒ t ∈ R, temos 0 y 1.
E(T2
) = n
Γ n+1
2
Γ 1
2 Γ n
2
1
0
y
n
2
−2
(1 − y)
1
2 dy =
n
n − 2
Finalmente X ∼ tn ⇒ E(X) = 0 e Var(X) =
n
n − 2
.
185. Exame 2019 Questão 1
4. V Seja uma variável aleatória X, com distribuição t-Student com 2 graus de
liberdade. Então sua variância não será denida.
186. Exame 2019 Questão 1
4. V Seja uma variável aleatória X, com distribuição t-Student com 2 graus de
liberdade. Então sua variância não será denida.
X ∼ tn ⇒ E(X) = 0 e Var(X) =
n
n − 2
187. Exame 2019 Questão 1
4. V Seja uma variável aleatória X, com distribuição t-Student com 2 graus de
liberdade. Então sua variância não será denida.
X ∼ tn ⇒ E(X) = 0 e Var(X) =
n
n − 2