DISTRIBUIÇÃO NORMAL EM LINGUAGEM R

Altor: Mateus Amorim Marques; MARQUES, M. A.

Calculando a probabilidade de barras de aço serem produzidas com a espessura entre 9.9mm e 10.1mm, onde a espessura média da produção é de 9.897, e o desvio padrão é de 0.0987.

#PLOTANDO O GRÁFICO

ENTRADA:

library(ggplot2)

dados_0<- data.frame(espes = rnorm(200,9.897,0.0987))

ggplot(dados_0)+

aes(x=espes)+

geom_histogram(fill="lightblue",

col = "black",

alpha = 0.5,

bins = 20,

aes(y=..density..))+

stat_function(fun = dnorm, args = list(mean = mean(dados_0$espes), sd=sd(dados_0$espes)))

SAIDA:

#PROBABILIDADE DE ESPESSURA SER MAIOR QUE 9.9mm

ENTRADA:

prob_maior_9.9<-1-pnorm(9.9,9.897,0.0987)

prob_maior_9.9

SAIDA:

[1] 0.487876

#PROBABILIDADE DE ESPESSURA SER MAIOR QUE 10.1mm

ENTRADA:

prob_maior_10.1<-1-pnorm(10.1,9.897,0.0987)

prob_maior_10.1

SAIDA:

[1] 0.01985574

#CALCULANDO A PROBABILIDADE DA ESPESSURA SER MAIOR QUE 9.9mm E MENOR QUE 10.1mm

ENTRADA:

prob_maiorq_9.9_menorq_10.1 <- prob_maior_9.9 - prob_maior_10.1

print(prob_maiorq_9.9_menorq_10.1)

SAIDA:

[1] 0.4680202

RESULTADO: A probabilidade de as barras serem produzidas com a espessura entre 9.9mm e 10.1mm é de 0.4680202 ou 47%.

Comentários

Postagens mais visitadas deste blog

Machine Learning com "Azure ML Studio", Redes Neurais e Regressão Linear

Altor: Mateus Amorim Marques; MARQUES, M. A. Machine Learning com “Azure Machine Learning Studio” Inserindo a base de dados “ student-mat.csv ” e criação dos modelos treinados, com Redes Neurais e Regressão Linear: A base de dados avalia o desempenho de alunos de determinada região. A coluna que iremos prever será a G3. Modelo de Redes Neurais: Modelo de Regressão Linear: Publicação do modelo treinado, para solicitação do usuário: Prevendo média e desvio padrão da coluna G3, com base nos dados preenchidos pelo usuário: Desempenho dos modelos: - Redes Neurais: - Regressão Linear: O modelo que apresentou o melhor desempenho foi o de Regressão Linear: Erro Absoluto Médio: 1.416767 Coeficiente de Determinação: 0.752131 Modelo de Redes Neurais: Erro Absoluto Médio: 1.700481 Coeficiente de Determinação: 0.711061

Criação e manipulação de banco de dados em Sql Server.

Autor: Mateus Amorim Marques; MARQUES, M. A. Instituição: Universidade Cruzeiro do Sul Curso: Ciência de Dados --CRIAÇÃO DE BASE DE DADOS --CREATE DATABASE F1; --CRIAÇÃO DE TABELAS --2018 create table TB_EQUIPE ( ID_EQUIPE INT PRIMARY KEY NOT NULL, NM_EQUIPE VARCHAR(100) NOT NULL, ID_PAIS INT NOT NULL ); CREATE TABLE TB_PILOTO ( ID_PILOTO INT PRIMARY KEY NOT NULL, NM_PILOTO VARCHAR(100) NOT NULL, DT_NASCIMENTO DATE NOT NULL, ID_PAIS INT NOT NULL, ID_EQUIPE INT NOT NULL ); CREATE TABLE TB_PAIS ( ID_PAIS INT PRIMARY KEY NOT NULL, NM_PAIS VARCHAR(100) NOT NULL, NR_POPULACAO INT NOT NULL ); CREATE TABLE TB_CIRCUITO ( ID_CIRCUITO INT PRIMARY KEY NOT NULL, NM_CIRCUITO VARCHAR(100) NOT NULL, NR_EXTENSAO VARCHAR(100) NOT NULL, ID_PAIS INT NOT NULL ); CREATE TABLE TB_PROVA ( ID_PROVA INT PRIMARY KEY NOT NULL, DT_PROVA DATETIME NOT NULL, NM_SITUACAO VARCHAR(100), ID_CIRCUITO INT NOT NULL ); CREATE TABLE TB_RESULTADO ( ID_PROVA INT NOT NULL, ID_PILOTO INT NOT NULL, NR...

Criação de API de Análise de vendas com plataforma Qlik

Altor: Mateus Amorim Marques; MARQUES, M.A. Universidade Cruzeiro do Sul Criação de API de Análise de vendas Link das Bases de dados: https://help.qlik.com/pt-BR/qlikview/12.1/Content/Tutorial.htm Criação de API com páginas e diferentes tipos de análises: Criação de página com análise de clientes Top 10, exibição em gráfico de barras: Criação de página com análise de vendas por vendedores, exibição em gráfico de barras: Criação de página com análise de vendas por cidade, exibição em Mapa:

Pesquisar este blog