ipaee capitulo 3_slides_1
DESCRIPTION
Material integrante do curso "Introdução ao Planejamento e Análise Estatística de Experimentos" - Prof. Pedro Ferreira Filho e Profa. Estela Maris P. Bereta - UFSCarTRANSCRIPT
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
CCAPÍTULOAPÍTULO 33
IINTRODUÇÃONTRODUÇÃO AA PPROBABILIDADEROBABILIDADEIINTRODUÇÃONTRODUÇÃO AA PPROBABILIDADEROBABILIDADE
EE AA IINFERÊNCIANFERÊNCIA EESTATÍSTICASTATÍSTICA
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
Um fenômeno aleatório tem resultados que não
podemos predizer , mas que, não obstante, possuem
uma distribuição regular em uma grande quantidade
de repetições.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UM EXEMPLO: Lançamento de uma moeda
Característica: Dois resultados possíveis
Cara ou Coroa
Não é possível afirmar a priori qual o resultado que
vai ocorrer no lançamento da moeda.
É possível definir uma distribuição regular?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UM EXEMPLO: Lançamento de uma moeda
O que podemos entender como uma distribuição regular?
Qual o comportamento da ocorrência de cada possível
resultado em uma longa seqüência de repetições do
fenômeno, realizadas sob as mesmas condições.
No Exemplo: Qual o comportamento do número de caras
(ou de coroas) quando uma moeda é lançada um grande
número de vezes.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UM EXEMPLO: Lançamento de uma moeda
Consideramos 5000 lançamento de uma moedaConsideramos 5000 lançamento de uma moeda
A cada lançamento determinar a proporção de caras (ouA cada lançamento determinar a proporção de caras (ou
coroas) observadas até aquele lançamento!
Por exemplo Exemplo: Até o 10º lançamento foi
observado 7 cuja face obtido foi cara, logo a proporção de
caras é de 70%.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UM EXEMPLO: Lançamento de uma moeda
Consideramos 5000 lançamento de uma moedaConsideramos 5000 lançamento de uma moeda
Duas Situações:
A: Ocorre as seguintes faces nos primeiros
lançamentos: coroa, cara, coroa, coroa.
B: Ocorre face cara em todos os 5 primeiros
lançamentos.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UM EXEMPLO: Lançamento de uma moeda
Consideremos 5000 lançamento de uma moedaConsideremos 5000 lançamento de uma moeda
LOGO:
Para o ensaio A a proporção de caras inicia com zero no 1Para o ensaio A a proporção de caras inicia com zero no 1
lançamento, sobe para 0,5 quando no segundo lançamento dá
uma cara, cai para 0,33 e 0,25 quando obtemos mais 2 coroas.
Para o ensaio B a proporção de caras é 1 até o 5º lançamento.
O ensaio A inicia com poucas caras e o B com muitas.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UM EXEMPLO: Lançamento de uma moeda
Consideremos 5000 lançamento de uma moedaConsideremos 5000 lançamento de uma moeda
Conseqüentemente:
A proporção de lançamentos com caras é muito variável noA proporção de lançamentos com caras é muito variável no
inicio.
QUESTÃO:
O que ocorre a medida que fazemos mais e mais jogadas?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UM EXEMPLO: Lançamento de uma moeda
A : Primeira série de lançamentosB : Segunda série
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UM EXEMPLO: Lançamento de uma moeda
Consideremos 5000 lançamento de uma moedaConsideremos 5000 lançamento de uma moeda
CONCLUSÃO:
O comportamento do acaso é imprevisível a curto prazo,
mas tem um padrão regular e previsível a longo prazo.
O resultado não pode ser predito antecipadamente.
Porém há um padrão regular nos resultados, um padrão
que emerge após muitas repetições.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UM EXEMPLO: Lançamento de uma moeda
Consideremos 5000 lançamento de uma moedaConsideremos 5000 lançamento de uma moeda
Após um longa seqüencia de lançamentos da moeda aApós um longa seqüencia de lançamentos da moeda a
proporção de caras (conseqüentemente também de
coroas) é aproximadamente 0.5 (50%)
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UMA DEFINIÇÃO DE PROBABILIDADE:
Consideremos que:
1. Cada resultado possível de um fenômeno aleatório é um
evento.evento.
2. Os eventos têm diferentes atributos, ou seja, tem aspectos
diferentes que os distinguem entre si.
Definição 1: Se são possíveis n eventos mutuamente exclusivos e
igualmente prováveis, se nA desses eventos tem a atributo A,
então a probabilidade de A e dada pela razão nA / n.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UMA DEFINIÇÃO DE PROBABILIDADE:
Exemplo 1.
Qual é a probabilidade de ocorrer face 6, quando se joga um
dado equilibrado?dado equilibrado?
Solução:
Quando se joga um dado equilibrado, ocorre um de 6 eventos
mutuamente exclusivos e igualmente prováveis; logo, a
probabilidade de ocorrer 6 e 1/6.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UMA DEFINIÇÃO DE PROBABILIDADE:
IMPORTANTE:
É importante entender que a definição clássica de probabilidade
não faz sentido a menos que possamos imaginar muitas repetiçõesnão faz sentido a menos que possamos imaginar muitas repetições
independentes do fenômeno. Quando dizemos que a probabilidade
de sair cara num jogo de moeda é 1/2, estamos aplicando, a um
único lançamento de uma única moeda, a medida de chance que
teria sido obtida se tivéssemos feito uma longa serie de jogadas.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UMA DEFINIÇÃO DE PROBABILIDADE:
Definição 2:
Freqüência relativa do evento A é a razão entre o número de vezes
em que ocorreu A (nA) e o número de eventos observados (n).A
É importante entender que, se em uma longa seqüência de
repetições do fenômeno, nas mesmas condições, a freqüência
relativa de um evento se aproxima de um numero fixo, esse
número é uma estimativa da probabilidade de o evento ocorrer.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
UMA DEFINIÇÃO DE PROBABILIDADE:
Exemplo 2.
Qual é a probabilidade de ocorrer face 6 quando se joga um dado
que não é equilibrado (os seis eventos possíveis não são
igualmente prováveis)?
Solução:
Se o dado não é equilibrado, para obter a probabilidade de ocorrer
face 6 devemos lançar o dado um número suficientemente grande
de vezes e dividir o numero de vezes que saiu 6 pelo número de
lançamentos feitos.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Definição 3:
S = Espaço amostral: É o conjunto de todos os resultados
possíveis de um fenômeno aleatório.possíveis de um fenômeno aleatório.
Um evento é um subconjunto do espaço amostral.
Exemplo 1 : Fenômeno Aleatório: Lançamento de uma moeda
S = {cara, coroa}
Evento: Face observada é cara.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Exemplo 2 : Fenômeno Aleatório: Lançamento de um dado
S = Face{1, 2, 3, 4, 5, 6}
Evento 1: Face observada é SEIS.
Evento 2: Face observada é IMPAR
Evento 3: Face observada é maior ou igual que 4
Evento 4: Face observada é IMPAR
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Exemplo 3 : Fenômeno Aleatório: Um jogador de basquetebol
faz três lances livre. Quais são as possíveis seqüências de
acertos (A) e erros(E)?
S =???
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Evento A: O jogador acerta os três lances;
Evento B: O jogador erra dois lances;
Evento C: O jogador acerta o segundo lance;
P(A) = 1/8
P(B) = 3/8
P(C) = 3/8
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Exemplo 3 : Fenômeno Aleatório: Um jogador de basquetebol faz
três lances livre. Qual o número de cestas feitas?
S =???
S = { 0, 1, 2, 3}
P (0) = ?? P(1)= ??
P(2) = ?? P (3) = ??
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Exemplo 4 : Fenômeno Aleatório: Uma nutricionista pesquisa
sobre uma nova dieta para alimentar ratos, machos, brancos. Quais
são os possíveis resultados de ganho de peso (em gramas)?
S =???
S = [0, ∞] = (todos os números≥ 0)
S =???
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Finitos
ESPAÇOS
Dado: S={1,2,3,4,5,6}
ESPAÇOS
AMOSTRAIS:
Infinitos Peso:S = [0, ∞] = (todos
os números ≥ 0)
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Questão:
Como calcular probabilidades quando o espaço
amostral é infinito (contínuo)?
Densidade uniforme: Densidade uniforme:
A probabilidade de distribuirmos
uniformemente a variavel Y dentro de
0.3 e 0.7 é a área sob a curva de
densidade correspondente a esse
intervalo. Então:
P(0.3 ≤ y ≤ 0.7) = (0.7 − 0.3)*1 = 0.4
Existem muitos outros tipos de curvas de densidades.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Definição 4:
Dois eventos são disjuntos (ou
mutuamente exclusivos) se eles
não tiverem nenhum resultado
em comum portanto nunca
ocorrem juntos. (A ∩∩∩∩ B) = ∅∅∅∅ ⇒⇒⇒⇒
P (A ∩∩∩∩ B) = 0
Como exemplificar usandoresultados de lançamento deum dado
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Definição 5:
Dois eventos são independentes se a probabilidade de um evento
ocorrer em qualquer realização do experimento não muda aocorrer em qualquer realização do experimento não muda a
probabilidade de um outro evento ocorrer.
Exemplo: No lançamento de uma moeda o resultado do primeiro
lançamento (cara, por exemplo), NÃO ALTERA, a probabilidade de
dar cara ou coroa no segundo lançamento.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Propriedade 1:
A Probabilidade P(A) de qualquer evento A satisfaz 0 ≤ P(A) ≤ 1
Propriedade 2:Propriedade 2:
A probabilidade do espaço amostral completo é igual a 1. P(S) = 1
Exemplo: P(cara) + P(coroa) = 0.5 + 0.5 = 1
Propriedade 3:
A Probabilidade de um evento não ocorrer é igual a 1 menos a
probabilidade do evento ocorrer. P(A) = 1 – P( não A)
Exemplo: P(coroa) = 1 – P(cara) = 0.5
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Propriedade 4:
Regra da adição geral para quaisquer dois eventos A e B: A
probabilidade que A ocorra, ou B ocorra, ou ambos eventos ocorram é:probabilidade que A ocorra, ou B ocorra, ou ambos eventos ocorram é:
P(A ou B) = P ( A ∪∪∪∪ B) = P(A) + P(B) – P(A e B)
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Propriedade 4:
Exemplo: Qual é a probabilidade de selecionar aleatoriamente uma carta
de um baralho de 52 cartas e ela ser um rei ou copas?
Então: P(rei ou copas)= P(rei) + P(copas) – P(rei e copas)
= 4/52 + 13/52 1/52 = 16/52 ≈ 0.3
413
1
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Propriedade 5:
A probabilidade condicional reflete como a probabilidade um
evento pode mudar se soubermos que algum outro evento tenha
ocorrido.
Exemplo: A probabilidade de que um dia nublado resulte em chuva é
diferente, se você vive no nordeste ou se você vive no Sul do Brasil.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
11ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Propriedade 5:
A probabilidade condicional do evento B dado o evento A é: (desde que
P(A) > 0)P(A) > 0)
A = Retirado um Rei
B = Carta Retirada é de Copas
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Se A e B são independentes:
Desta forma, se A e B são independentes:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
IMPORTANTE:
A e B disjuntos ou mutuamente exclusivos:
A e B são independentes:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
CASO GERAL: REGRA DA MULTIPLICAÇÃO:
A probabilidade de que quaisquer dois eventos, A e B,
Caso particular : A e B são independentes:
ocorram conjuntamente pode ser dada por:
P(A e B) = P(A∩B) = P(A)P(B|A)
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
REGRA DA MULTIPLICAÇÃO: DIAGRAMA DE ARVORES
O diagrama de árvore representa graficamente todos os possíveis
resultados e apresenta as probabilidades condicionais deresultados e apresenta as probabilidades condicionais de
subconjuntos de eventos.
Diagrama de árvorepara hábitos conversarem sites de bate-papopara três grupos deidade adulta.
Uso de
Internet
0.47
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
DEFINIÇÕES E PROPRIEDADES:
Uso de
Internet
0.47
Qual a probabilidadede encontrarmos umindividuo que utiliza o
Internetindividuo que utiliza obate papo na internet:
P(Utilizar e ter idade A1)+P(Utilizar e ter idade A2)+P(Utilizar e ter idade A3)=
P(C∩∩∩∩A1)+P(C∩∩∩∩A2)+P(C∩∩∩∩A3)= P(A1)P(C/A1)+ P(A2)P(C/A2)+ P(A3)P(C/A3)=
= 029*043+047*021+0,24*0.0168= 0.136 + 0.099 + 0.017= 0.252
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
No capítulo anterior definimos alguns procedimentos gráficos e
numéricos para descrever o comportamento de uma dada característica
(variável) presente no nosso estudo. Sob ponto de vista da(variável) presente no nosso estudo. Sob ponto de vista da
probabilidade, este comportamento da variável em estudo é definido
como a distribuição da mesma. Na identificação da distribuição dos
dados, vamos nos concentrar no estudo de variáveis quantitativas. Neste
caso o histograma se constitui num instrumento de grande importância
na identificação de um modelo adequado aos dados.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
Se traçarmos uma curva sobre o histograma observado podemos ter
uma boa descrição geral dos dados. A curva obtida é um modelo
matemático para a distribuição, ou seja, é uma descrição idealizada,
que oferece uma imagem concisa do padrão geral dos dados, mas
ignora irregularidades de menor importância, bem como a presença
de valores atípicos.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
A figura apresenta o histograma do peso,
em kg, de 1500 pessoas adultas
selecionadas ao acaso em uma
população. O peso apresenta umapopulação. O peso apresenta uma
distribuição muito regular. O histograma
é simétrico e decresce suavemente a
partir de um pico central únicoico nana
direçãodireção dede ambasambas asas caudascaudas.. AA curvacurva
suavesuave traçadatraçada atravésatravés dodo topotopo dasdas barrasbarras
dodo histogramahistograma éé umauma boaboa descriçãodescrição dodo
padrãopadrão geralgeral dosdos dadosdados..
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
A análise do histograma indica que:
1. a distribuição dos valores é
aproximadamente simétrica em
torno de 70kg;torno de 70kg;
2. a maioria dos valores (88%)
encontra-se no intervalo (55;85);
3. existe uma pequena proporção de
valores abaixo de 48kg (1,2%) e
acima de 92kg (1%).
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
Uma curva com uma forma apropriada é geralmente, uma
descrição adequada do padrão geral de uma distribuição.
Evidentemente que nenhum conjunto de dados reais é
descrito exatamente por uma dessas curvas, mas sim se
constitui em uma boa aproximação de fácil utilização e com
precisão suficiente para ser considerada na pratica.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
Sabemos que características (variáveis) em estudo para
determinados problemas apresentam um mesmo padrão dedeterminados problemas apresentam um mesmo padrão de
comportamento. Portanto estas variáveis podem ser aproximadas
por uma mesma curva, exceto por seus valores de referência,
como por exemplo, ponto central, dispersão...
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
Dizemos então que variáveis que apresentam um mesmo
padrão de comportamento seguem um mesmo modelo (oupadrão de comportamento seguem um mesmo modelo (ou
distribuição) de probabilidade. Um modelo de probabilidade
pode então ser definido como uma descrição matemática de
um fenômeno aleatório (ou variável aleatória de forma mais
formal).
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
MODELOS DISCRETOS
DOIS TIPOS DE MODELOS:
MODELOS CONTÍNUOS
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
MODELOS DISCRETOS:
Os modelos discretos são adequados a variáveis que podem
assumir um número finito ou enumerável de valores;
MODELOS CONTÍNUOS:
São aqueles relacionados às variáveis que podem assumir infinitos
valores.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
Tipo de Modelo Modelo CaracterísticaDiscretos Binomial Variável em estudo somente pode assumir dois
possíveis valores em cada uma das n repetiçõesdo experimento e a probabilidade de ocorrênciade cada um é constante.
Poisson A variável observada identifica o resultado deuma contagem no experimento (número deuma contagem no experimento (número deinsetos em uma determinada área, porexemplo).
Geométrico Número de experimentos necessários até aocorrência de um dado resultado de interesse.
BinomialNegativa
Número de experimentos necessários até aocorrência de certo número de vezes doresultado de interesse.
Hipergeométrico Variável em estudo somente pode assumir doispossíveis valores em cada uma das n repetiçõesdo experimento e a probabilidade de ocorrênciade cada um não é constante (usualmenteexperimentos sem reposição).
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
Tipo deModelo
Modelo Característica
Contínuos Uniforme A variável pode assumir, com igualprobabilidade, qualquer valor emum intervalo, região,...
Exponencial A variável observa o temponecessário até a ocorrência de umdeterminado resultado de interesse.
Normal Variáveis com distribuiçõessimétricas em relação a um pontocentral.
Outros Modelos: Gama, Beta, Weibull, Erlang, .....
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELOS DE PROBABILIDADE:
Observações:
1. Para determinadas situações, modelos discretos podem ser
aproximados (representados) por um modelo contínuo. Por exemplo,
num caso binomial onde o número de repetições do experimento énum caso binomial onde o número de repetições do experimento é
grande, podese analisar a variável em estudo pelo modelo normal.
2. Os modelos aqui apresentados referemse à distribuição de uma única
variável. Podemos em alguns casos ter interesse no comportamento
conjunto de duas ou mais variáveis. Nesses casos temos os chamados
modelos multidimensionais ou multivariados, que não serão objetos de
estudo nesse curso.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
Muitos dos fenômenos que ocorrem na natureza, na indústria e nas
pesquisas, apresentam características que podem ser representadas
por um MODELO PADRÃO conhecido como MODELO OUpor um MODELO PADRÃO conhecido como MODELO OU
DISTRIBUIÇÃO NORMAL. Medições físicas em áreas como
experimentos meteorológicos, estudos sobre chuvas, medições de
peças manufaturadas são explicadas de forma adequada pela
distribuição normal e erros em medições científicas são bem
aproximados pela distribuição normal.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
CARACTERISTICA DO MODELO NORMAL:
Os modelo padrão é resultado de uma curva aproximada do
histograma dos dados, tem um único pico e apresenta umahistograma dos dados, tem um único pico e apresenta uma
forma de sino (simetria em torno do ponto de pico).
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
CARACTERISTICA DO MODELO NORMAL:
A curva suave traçada através dos topos das barras do histograma, é
uma boa descrição do padrão geral dos dados.uma boa descrição do padrão geral dos dados.
A curva é um modelo matemático para a distribuição, ou seja, é uma
descrição idealizada do padrão geral de uma distribuição.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
Para dados X que podem ser representados pelo modelo acima
dizemos que: X ~ N (µµµµ,,,, σσσσ).
Para dados X que podem ser representados pelo modelo acima
dizemos que: X ~ N (µµµµ,,,, σσσσ).
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
As distribuições Normais ou Gaussianas — são famílias de
distribuições simétricas, com a mesma forma geral. A curva de
densidade é bem caracterizada por sua média µµµµ (mi) e seu desvio
padrão σσσσ (sigma).
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
Algumas Diferentes Situações:
Mesma média e diferentes variâncias (2,4,6) respectivamente.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
Algumas Diferentes Situações:
Mesma Variância e diferentes médias (10, 15, 20) respectivamente!
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
PROPRIEDADES:
X ~ N (µ ; σ2µ ; σ2µ ; σ2µ ; σ2)
1. E(X) = µ (média ou valor esperado);
2. Var(X) = σσσσ2 (e, portanto, DP(X) = σσσσ );
3. x = σσσσ é ponto de máximo de f (x);
4. µ - σσσσ e µ + σσσσ são pontos de inflexão de f (x);
5. A curva Normal é simétrica em torno da média µ.
6. A distribuição Normal depende dos parâmetros µ e σσσσ2
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
IMPORTANTE
Embora haja muitas curvas Normais, todas têm propriedades em
comum. Em particular todas as distribuições normais obedecem àcomum. Em particular todas as distribuições normais obedecem à
seguinte regra:
Na distribuição normal com média µ e desvio padrão σσσσ:
68% das observações estão no intervalo ( µ - σσσσ ; µ + σσσσ),
95,4% das observações estão no intervalo ( µ - 2σσσσ ; µ + 2σσσσ),
99,7% das observações estão no intervalo ( µ - 3σσσσ ; µ + 3σσσσ),
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
MODELO (DISTRIBUIÇÃO) NORMAL
IMPORTANTE
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
PROBLEMA:
Um bom indicador do nível de intoxicação por benzeno é a
quantidade de fenol encontrada na urina. A quantidade de fenol na
urina de moradores de certa região segue, aproximadamente, uma
distribuição normal de média 6 mg/L e desvio padrão 2 mg/L.
Considere a seguinte definição em termos da variável quantidade de
fenol na urina:
Uma pessoa é considerada “atípica” se a quantidade de fenol em
sua urina for superior a 9mg/l ou inferior a 3 mg/L.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
QUESTÃO:
Qual é a probabilidade de ser encontrado um indivíduo “atípico”?
Seja: X como sendo a quantidade de fenol encontrada na urina.Seja: X como sendo a quantidade de fenol encontrada na urina.
Individuo “Atípico”
Probabilidade desejada:
Individuo com X < 3 ou X > 9
P [ X < 3 OU X > 9] = P[ X < 3 ∪∪∪∪ X > 9 ] = P[X < 3 ] + P[X > 9]
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
Como calcular esta probabilidade, considerando que a variável de
interesse pode ser representada pela distribuição normal?
O cálculo de uma probabilidade na distribuição normal é dado pela
área sobre a curva normal na região de interesse, isto é, área sob a
curva de densidade fornece a proporção de observações que estão
numa região de valores de interesse.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
De forma genérica: P [ a < X < B ]
A solução desta integral não éimediata. A solução é usualmentedada através de métodos numéricos.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
Questão: Como calcular a probabilidade deseja sem anecessidade de resolver a integral acima apresentada?
Resultado: Se X ~ N(µ ; σ 2), então
Chamada distribuição Normal Padrão.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
IMPORTANTE: Probabilidades não se alteram
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
Características na Normal Padrão:
O escore- padronizado z
resultante diz de quantos −+ σµσµ
Quando x está 1 desvio padrão maior do que a média, então z = 1.
resultante diz de quantos
desvios padrões cada
valor x está afastado da
média da distribuição µµµµ.
1 , ==−+=+=σσ
σµσµσµ zxpara
222
,2 ==−+=+=σσ
σµσµσµ zxpara
Quando x está 2 desvios padrões acima da média, então z = 2.
Quando x é maior do que a média, z é positivo.
Quando x é menor do que a média, z é negativo.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
De que forma a transformação da variável X em Z, normalpadrão facilita o cálculo de probabilidades?
A solução destaintegral é maissimples que nocaso anterior, eseus valores sãotabelados
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
Como utilizar esta tabela?SIGNIFICADO DOS VALORES TABELADOS
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
Por Exemplo: z = 0.32
0.6255
P[ Z < 0.32 ]= 0.6255
P[Z > 0.32] = 1- P[ Z < 0.32 ] = 1 - 0.6255 = 0.3745
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
.0082 é a área sob a
curva N(0,1) a esquerda de z = 2.40
.0080 é a área sob a curva N(0,1) a
esquerda de z = 2.41
0.0069 é a área sob a curva N(0,1) a
esquerda z = 2.46
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
Uma segunda situação: P [0 < Z < 1.71 ] = ?
P(0 < Z ≤≤≤≤ 1,71)
= P(Z ≤≤≤≤1,71) – P(Z ≤≤≤≤ 0)
= 0,9564 - 0,5
0,4564.
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
ALGUMAS DICAS PARA USO DA TABELA DA NORMAL PADRÃO
Pelo ao fato da
distribuição Normal ser
simétrica, há uma outra
Pelo ao fato da
distribuição Normal ser
simétrica, há uma outrasimétrica, há uma outra
maneira para o cálculo
da área sob a curva
Normal padrão, que é a
direita do valor z .
simétrica, há uma outra
maneira para o cálculo
da área sob a curva
Normal padrão, que é a
direita do valor z .
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
ALGUMAS DICAS PARA USO DA TABELA DA NORMAL PADRÃO
Pelo ao fato da distribuição Normal ser simétrica, há uma outra maneira
para o cálculo da área sob a curva Normal padrão, que é a direita do valor z .
Pelo ao fato da distribuição Normal ser simétrica, há uma outra maneira
para o cálculo da área sob a curva Normal padrão, que é a direita do valor z .
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
Retornando ao Problema Inicial
X como sendo a quantidade de fenol encontrada na urina.
X ~ N ( 6, 4)
P [ X < 3 OU X > 9] = P[X < 3 ] + P[X > 9]
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
COMO CALCULAR PROBABILIDADES NO MODELO NORMAL?
X ~ N ( 6, 4) P [ X < 3 OU X > 9] = P[X < 3 ] + P[X > 9]
Portanto a probabilidade
de ser encontrada uma
pessoa considerada
“atípica” é 13.36%
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
Área= ???
Área = ???
N(µ, σ) = N(64.5, 2.5)Exemplo: Alturas de mulheres
As alturas de mulheres tem distribuição
aproximadamente normal, N(64.5″,2.5″).
Que percentual de todas as mulheres
têm altura menor ou igual a 67
polegadas?
Média µ = 64.5"Desvio padrão σ = 2.5" x : altura = 67"
Para o cálculo de z, o valor padronizado de x:
µ µ µ µ = 64.5″ x = 67″
z = 0 z = 1
polegadas?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
Exemplo: Alturas de mulheres
P [ X ≤ 67 ] ⇒ P [ Z ≤ 1 ]
N(µ, σ) = N(64.5”, 2.5”)
Área ≈ 0.84
µ = 64.5” x = 67” z = 1
Área ≈ 0.16
CONCLUSÃO :
84.13% das mulheres são menores do que 67 ″.
Por subtração, 1 − 0.8413, or 15.87% das mulheres são maiores do que 67".
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
O National Collegiate Athletic Association (NCAA) exige que atletas da 1a divisão tenham
pontuação de no mínimo 820 no SAT combinado de matemática e verbal para competir
no seu primeiro ano colegial. A pontuação SAT de 2003 foi aproximadamente normal com
média 1026 e desvio padrão 209. Que proporção de todos os estudantes seriam
qualificados (SAT ≥ 820)?
209
1026
820
===x
σµ
16%. approx.ou
0.1611 é .99- z
de esquerda a N(0,1)
sob área :Table
99.0209
206209
)1026820(
)(
209
−≈−=
−=
−=
=
z
z
xz
σµ
σ
Nota: Os dados reais podem conter estudantes que
pontuaram exatamente 820 no SAT. No entanto, a proporção
das pontuações exatamente igual a 820 é 0 para uma
distribuição normal é uma conseqüência da idealizada
suavização das curvas de densidade.
Área direita 820 = Área Total − Área a esquerda de 820= 1 − 0.1611 ≈ 84%
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
1. A resistência a compressão de amostras de cimento pode ser representadapor um modelo normal com média de 6000 kg por cm2 e um desvio padrão de100 kg por cm2.a) Qual a probabilidade da resistência da amostra ser menor do que 6250
kg/cm2?b) Qual a probabilidade da resistência da amostra estar entre 5800 e 5900
kg/cm2?
2. O volume de enchimento de uma máquina automática de enchimento usadapara encher latas de bebidas gasosas é distribuído segundo o modelo normalcom uma média de 12.4 onças fluidas e um desvio padrão de 0.1 de onçafluída.a) Qual a probabilidade do volume de enchimento ser menor do que 12
onças fluídas?b) Se todas as latas menores que 12.1 ou maiores que 12.6 onças são
rejeitas, qual a probabilidade de uma lata ser rejeitada?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
3. A vida de um semicondutor a laser, a uma potência constante, segue um
modelo normal com média de 7000 horas e desvio padrão de 600 horas.
a) Qual a probabilidade do laser falhar antes de completar 5000 horas?
b) Qual o tempo de vida em horas que 95% dos lasers excedem?b) Qual o tempo de vida em horas que 95% dos lasers excedem?
c) Se três lasers forem usados em certo produto e se eles falharem
independentemente, qual a probabilidade de todos os três estarem ainda
operando após 7000 horas?
IINTRODUÇÃONTRODUÇÃO AOAO PPLANEJAMENTOSLANEJAMENTOS EE AANÁLISENÁLISE EESTATÍSTICASTATÍSTICA DEDE EEXPERIMENTOSXPERIMENTOS
22ºº SSEMESTREEMESTRE DEDE 2010 2010
3. Dois analistas observaram uma solução de soda de concentração conhecida
(%) e obtiveram os seguintes resultados:
Considerando que a resposta observada pode ser representada pelo modelo
Analista DeterminaçõesJoão 10.2 9.9 10.1 10.4 10.2 10.4Paulo 9.9 10.2 9.5 10.4 10.6 9.4
Considerando que a resposta observada pode ser representada pelo modelo
normal e que a concentração real da solução é 10.1%, responda:
a) Qual dos dois analistas tem maior probabilidade de encontrar valores
acima de 10.5%?
b) Para cada analista, qual o valor da concentração determina que 15.5% das
determinações serão maiores?