Download - Distribuições de Probabilidade
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Distribuições de Probabilidade
1
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória
2
Uma variável aleatória pode ser classificada em:
• Variável aleatória discreta• Variável aleatória contínua
Uma v.a. é discreta quando o conjunto de valores possíveis que ela assume for finito ou infinito enumerável.
Uma v.a. é contínua quando o conjunto de valores possíveis que ela assume for não enumerável.
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
3
Exemplo:
Observa‐se o tempo de vida, em horas, de lâmpadas produzidas por uma fábrica.
Defina T: tempo de vida, em horas, da lâmpada escolhida, ao acaso, da fábrica.
→ Então, T é uma variável aleatória contínua que assume qualquer valor real não negativo.
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
4
Exemplo: Observamos o peso, em toneladas, de 1500 cargas selecionadas, ao acaso, da população de cargas de um terminal. O histograma por densidade é o seguinte:
Distribuições contínuas
3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
0 .0 0
0 .0 1
0 .0 2
0 .0 3
0 .0 4
P e s o
Den
sid
ade
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
5
‐ a distribuição dos valores é aproximadamente simétrica em torno de 70 kg;
A análise do histograma indica que:
‐ a maioria dos valores (88%) encontra‐se no intervalo (55; 85);
‐ existe uma pequena proporção de valores abaixo de 48 kg (1,2%) e acima de 92 kg (1%).
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
6
Vamos definir a variável aleatória
A curva contínua da figura denomina‐se curva Normal.
Como se distribuem os valores da variável aleatória X, isto é, qual é a distribuição de probabilidades de X ?
X: peso, em toneladas, de uma carga escolhida ao acaso da população.
3 0 40 50 6 0 70 80 90 10 0
0 .00 0
0 .01 5
0 .03 0
P es o
Den
sida
de
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória NORMAL
A distribuição Normal é uma das mais importantes distribuiçõescontínuas de probabilidade pois:
Muitos fenômenos aleatórios comportam‐se de forma próxima a essa distribuição.
Exemplos:
1. tempo do ciclo de um pedido;
2. nível de demanda;
3. volume de vendas de uma mercadoria (em alguma unidade monetária).
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
8
A experiência sugere que esta distribuição deve ser assimétrica ‐grande proporção de valores entre 0 e 500 horas e pequena proporção de valores acima de 1500 horas.
Nem todos os fenômenos se ajustam à distribuição Normal.Exemplo:Y: Duração, em horas, de uma lâmpada de certa marca.
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
9
Modelos Contínuos de Probabilidade
Variável Aleatória Contínua:
• Associamos probabilidades a intervalos de valores da variável.
• Assume valores num intervalo de números reais.
• Não é possível listar, individualmente, todos os possíveis valores de uma v.a. contínua.
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
10
Uma v.a. X contínua é caracterizada por sua função densidade de probabilidade f(x) com as propriedades:
(i) A área sob a curva de densidade é 1;
(ii) P(a ≤ X ≤ b) = área sob a curva da densidade f(x) e acima do eixo x, entre os pontos a e b;
(iii) f(x) ≥ 0, para todo x;
(iv) P(X = x0) = 0, para x0 fixo.
Propriedades dos Modelos Contínuos
Assim, P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b).
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
11
O MODELO UNIFORMEÉ o modelo mais simples para variáveis aleatórias contínuas. Av.a. X tem distribuição Uniforme no intervalo (a,b) [X ~ U(a,b)],se sua função densidade de probabilidade é dada por:
Pode‐se mostrar que
µ = (b+a)/2 e que σ2 = (b-a)2/12,sendo µ, a média e σ2 a variância de X.
f(x) = 1/(b-a), se a ≤ x ≤ b.
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória UNIFORME
12
O gráfico da f.d.p da U(0,1).
1,00,80,60,40,20,0
1,50
1,25
1,00
0,75
0,50
Valores de X
Funç
ão d
ensi
dade
de
prob
abili
dade
de
X -
f(x
)
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
13
A DISTRIBUIÇÃO NORMAL
2121( ) e
2
x
f x−μ⎛ ⎞− ⎜ ⎟σ⎝ ⎠=
σ π , – ∞ < x < ∞.
Pode ser mostrado que
1. μ é o valor esperado (média) de X ( ‐∞ < μ < ∞);
2. σ 2 é a variância de X (σ 2 > 0).
Notação : X ~ N(μ ; σ 2)
A v. a. X tem distribuição Normal com parâmetros μ e σ2 se sua função densidade de probabilidade é dada por
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória NORMAL
14
Propriedades de X ~ N(μ ; σ2 )
• μ é o valor esperado (média) de X;
• σ 2 é a variância (e, portanto, σ é o desvio padrão);
• x = μ é ponto de máximo de f (x);
• f (x) → 0 quando x →±∞;
• μ ‐ σ e μ + σ são pontos de inflexão de f (x);
• a curva Normal é simétrica em torno da média μ.
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória NORMAL
15
Curvas Normais com mesma variância σ2
mas médias diferentes (μ2 > μ1).
A distribuição Normal depende dos parâmetros μ e σ2
μ1 μ 2
N(μ1; σ2) N(μ2; σ2)
x
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
16
Curvas Normais com mesma média μ,mas com variâncias diferentes (σ2
2 > σ12 ).
Influência de σ2 na curva Normal
N(μ;σ12)
N(μ; σ22)
σ22 > σ1
2
μ
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória NORMAL
17
Cálculo de probabilidadesP(a < X < b)
a bμ
Área sob a curva e acima do eixo horizontal (x) entre a e b.
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória NORMAL
18
Exemplo: O tempo gasto numa prova de estatística do curso de Logística tem distribuição Normal, com média 120 min e desvio padrão 15 min. a) Sorteando um aluno ao acaso, qual é a probabilidade que ele termine a prova antes de 100 minutos?
X: tempo gasto na prova ⇒ X ~ N(120; 152)
X
P(X < 100) = 0,0912.
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória NORMAL
19
b) Qual deve ser o tempo de prova de modo a permitir que 95% dos alunos terminem dentro do prazo estipulado?
P(X< x) = 0,95, ou seja, x = 144,67 min.
X: tempo gasto na prova ⇒ X ~ N(120; 152)
Z120 Xx
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
20
O MODELO EXPONENCIAL
Outra distribuição contínua importante é a Exponencial. A v.a. X tem distribuição Exponencial com média µ>0, se sua função densidade de probabilidade é dada por:
0 1≥=
−x,e
μf(x) μ
x
Pode‐se mostrar queσ2 = µ2 e que P(X ≤ a) = 1 ‐ e ‐a/ µ , a ≥ 0.
Notação: X ~ Exp(µ)
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória EXPONENCIAL
21
Gráfico da f.d.p da Exp(1).
0
0 ,2
0 ,4
0 ,6
0 ,8
1
1 ,2
x
f(x)
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória EXPONENCIAL
22
Exemplo :O tempo de vida útil (em horas) de um transistor pode ser considerado uma v.a. com distribuição exponencial, com µ = 500 h.
⇒ Segue‐se que a vida média do transistor é 500 horas .
Determinar a probabilidade de que ele dure menos do que a média.
A probabilidade desejada é dada por: P(X < 500)= 0,6321.
MINITAB
Calc → Probability distribution → Exponential → Scale:500 →Input constant: 500
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
23
Um gráfico de probabilidades é um método simples e bastante utilizado para verificar se um conjunto de dados pode ter sido gerado a partir de uma distribuição de probabilidades específica .
Baseia‐se na comparação entre a amostra obtida e aquela que deveria ter sido obtida caso os dados realmente seguissem a distribuição de probabilidades em investigação.
Gráfico de Probabilidades
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Gráfico de Probabilidades
24
1. Ordenar os dados xi;
2. Definir a função acumulada empírica, Fe.Esta função estima a proporção de observações menores ou iguais a cada valor xi observada na amostra ordenada. Assim, se temos uma amostra de tamanho n, e estamos diante do quinto valor ordenado, uma possível estimativa dessa proporção seria 5/n; por motivos teóricos vamos adotar (5‐0,5)/n. Logo, a função acumulada empírica é dada por
Fe(xi) =(i‐0,5)/n.
Construção do Gráfico de probabilidades:
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 25
Construção do Gráfico:
3. Para cada valor de (i‐0,5)/n calculamos o valor esperado xie, tal que P(X < xie)=(i‐0,5)/n usando como distribuição de X aquela sob investigação.
4. O gráfico de probabilidades é um gráfico de dispersão dos pontos (xi , xie).Se a distribuição suposta for pertinente, espera‐se que os pontos estejam aleatoriamente dispostos ao redor de uma reta.
Gráfico de Probabilidades
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 26
Exemplo: Desejamos verificar se a amostra da Tabela A, no slide a seguir, segue uma distribuição exponencial.
Vamos utilizar a média amostral desses dados (1,094) como uma aproximação da média populacional da distribuição que os gerou.
Assim, vamos verificar se os dados podem ter sido gerados de uma distribuição exponencial com média 1,094.
Gráfico de Probabilidades
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 27
Tabela A. Dados (já ordenados)Observação Dado Observação Dado
1 0,03257 11 0,946612 0,09560 12 1,055343 0,14279 13 1,267314 0,20426 14 1,314195 0,21507 15 1,315546 0,25680 16 1,622197 0,61596 17 1,988498 0,68740 18 2,287089 0,76079 19 2,4811310 0,77090 20 3,81403
Gráfico de Probabilidades
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 28
Para a distribuição exponencial temos que
Assim, fazendo P(X ≤ xie) = (i – 0,5)/20 (2)
e igualando (1) e (2), segue que
xie = ‐ 1,094× ln[1‐(i – 0,5) / 20]
Gráfico de Probabilidades
P(X ≤ xie) = 1 ‐ e – xie /1,094 (1)
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 29
Gráfico de Probabilidades
Tabela B. Amostra esperada sob a distribuição exponencialcom média 1,094
i xi (i-0,5)/20 xie1 0,03257 0,025 0,027702 0,09560 0,075 0,085293 0,14279 0,125 0,146084 0,20426 0,175 0,210455 0,21507 0,225 0,278856 0,25680 0,275 0,351817 0,61596 0,325 0,429998 0,68740 0,375 0,514189 0,76079 0,425 0,6054010 0,77090 0,475 0,70493
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 30
Tabela B. (continuação)i xi (i-0,5)/20 xie
11 0,94661 0,525 0,8144212 1,05534 0,575 0,9361013 1,26731 0,625 1,0730314 1,31419 0,675 1,2295815 1,31554 0,725 1,4123416 1,62219 0,775 1,6318717 1,98849 0,825 1,9068118 2,28708 0,875 2,2749119 2,48113 0,925 2,8337520 3,81403 0,975 4,03563
Gráfico de Probabilidades
Título do slide
08/05/2014Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 31
Gráfico de probabilidades exponencial para os dados da Tabela A - MINITAB (scatterplot)
43210
4
3
2
1
0
Valores observados
Val
ores
esp
erad
os
Gráfico de Probabilidades