Upload
vandien
View
213
Download
0
Embed Size (px)
Citation preview
24/05/2014
1
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Teoria das Probabilidades
Estatística Aplicada I
Prof. Dr. Jorge Teófilo de Barros Lopes
Universidade Federal do Pará
Instituto de Tecnologia
Campus de Tucuruí – CTUCCurso de Engenharia Mecânica
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Capítulo IV
Universidade Federal do Pará
Instituto de Tecnologia
Modelos de Distribuições
Campus de Tucuruí – CTUCCurso de Engenharia Mecânica
24/05/2014
2
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Introdução
� Distribuições teóricas discretas
� Distribuições teóricas contínuas
IV – Modelos de Distribuições
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Introdução
� Distribuições teóricas discretas
� Distribuições teóricas contínuas
IV – Modelos de Distribuições
24/05/2014
3
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.1 Introdução
� Existem variáveis aleatórias que têm uma função dedistribuição pertencente a uma classe de distribuições
teóricas.
� As distribuições teóricas, como o próprio nome indica,foram submetidas a estudos prévios e têm propriedadesconhecidas; portanto, podem servir como modelo emdeterminadas situações em que a distribuição estejaidentificada, poupando tempo na análise do problemaestudado.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.1 Introdução
� As distribuições teóricas que aqui serão estudadas são:
• Caso discreto- Distribuição binomial- Distribuição hipergeométrica- Distribuição de Poisson
• Caso contínuo- Distribuição uniforme- Distribuição exponencial- Distribuição normal- Distribuição qui-quadrado- Distribuição t de Student- Distribuição F
24/05/2014
4
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Introdução
� Distribuições teóricas discretas
� Distribuições teóricas contínuas
IV – Modelos de Distribuições
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Prova de Bernoulli
• A prova de Bernoulli é uma experiência aleatória que serve debase a várias distribuições teóricas (distribuição binomial,distribuição binomial negativa e distribuição geométrica).
• Consideremos uma experiência aleatória na qual existem apenasdois acontecimentos em que estamos interessados: oacontecimento A que será designado por sucesso e oacontecimento contrário, , que será designado por falha. Osucesso ocorre com probabilidade p, e o insucesso comprobabilidade q = 1− p .
A
24/05/2014
5
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Prova de Bernoulli
• O espaço de resultados está assim particionado emdois acontecimentos em que:}A,A{S ====
p1q)A(PfalhaA
p)A(PsucessoA
−−−−============
========
• A uma experiência aleatória com estas característicasdá-se o nome de prova de Bernoulli.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Prova de Bernoulli
• Principais características:
[[[[ ]]]]
pq)p1(ppp
pp1q0)x(fx
)X(E)x(E:Variância
pp1q0)x(fx:Média
2
1
0
2222
i
2
i
222
i
2
1
0
ii
====−−−−====−−−−====
====−−−−++++====−−−−====
====−−−−====−−−−====
====⋅⋅⋅⋅++++⋅⋅⋅⋅========
∑∑∑∑
∑∑∑∑
µµµµ
µµµµµµµµσσσσ
µµµµ
24/05/2014
6
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Prova de Bernoulli
• Sucessão de provas de Bernoulli: Defini-se como oprocesso caracterizado por repetidas provas que têm lugar nasseguintes condições:
1. Cada prova resultem em somente dois resultados possíveis,designados como “sucesso” e “falha”.
2. A probabilidade de um sucesso em cada prova, designada porp, permaneça constante. A probabilidade de falha designa-sepor q = 1− p.
3. As provas sejam independentes, isto é, os resultados obtidosnuma sequência de provas não influenciam os resultados da(s)provas(s) subsequente(s).
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição binomial
• Trata-se de uma distribuição de probabilidade adequada aosexperimentos que apresentam apenas dois resultados: sucesso oufalha.
• Este modelo fundamenta-se nas seguintes hipóteses:
- H1. n provas independentes e do mesmo tipo são realizadas;- H2. cada prova admite apenas dois resultados – sucesso ou
falha;- H3. a probabilidade de sucesso é p e de falha é 1 – p = q.
24/05/2014
7
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição binomial
• Considerando-se uma sucessão de n provas de Bernoulli, avariável aleatória que representa o número de sucessos obtidosnessas n provas de Bernoulli tem distribuição binomial.
• A variável aleatória X, que é igual ao número de provas queresultam em um sucesso, tem uma distribuição binomial comparâmetros p e n em que 0 < p < 1 e n = {1, 2, 3, ..., n}.
• A função de probabilidade de X é
n...,,2,1,0x,qpx
n)x(f xnx ====
==== −−−−
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição binomial
• Principais características:
- De acordo com as hipóteses, observa-se que X é a soma de n
variáveis do tipo “Bernoulli”, daí
npqn)X(Var:Variância
npn)X(E:Média
2 ========
========
σσσσ
µµµµ
24/05/2014
8
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição binomial
• Exemplo: Cada amostra de ar tem 10% de chance de conteruma certa molécula rara. Considere que as amostras sejamindependentes em relação à presença da molécula rara. Encontrea probabilidade de que, nas próximas 18 amostras, exatamente 2contenham a molécula rara.
- Seja X = número de amostras de ar que contenham a molécularara nas próximas amostras analisadas (sucessos); então, X é avariável aleatória binomial com p = 0,1 e n = 18. Assim,
284,0)9,0()1,0(2
18)2X(Pqp
x
n)x(f 162xnx ====
========∴∴∴∴
==== −−−−
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição binomial
• Exemplo: Determine a probabilidade de que no mínimo 4amostras contenham a molécula rara.
- Neste caso, a probabilidade requerida é
098,0
)168,0284,0300,0150,0(1
)9,0()1,0(x
181
)9,0()1,0(x
18)4X(P
3
0x
x18x
18
4x
x18x
====
====++++++++++++−−−−====
====
−−−−====
====
====≥≥≥≥
∑∑∑∑
∑∑∑∑
====
−−−−
====
−−−−
24/05/2014
9
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição binomial
• Exemplo: Determine a probabilidade de que o número deamostras que contenham a molécula rara esteja entre 3 e 6.
- Neste caso, a probabilidade requerida é
265,0
005,0022,0070,0168,0
)9,0()1,0(x
18)6X3(P
6
3x
x18x
====
====++++++++++++====
====
====≤≤≤≤≤≤≤≤ ∑∑∑∑
====
−−−−
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição hipergeométrica
• Suponhamos que temos um conjunto de N elementos e que M
destes elementos têm uma certa característica em que estamosinteressados (sucesso); logo os outros N-M elementos não têmessa característica.
• Ao retirarmos n elementos do conjunto inicial de N elementos(retirar de forma aleatória e sem reposição) consideremos X avariável aleatória que representa o número de elementos que sãoretirados e que têm a característica em que estamos interessados.
• A variável aleatória definida nas condições anteriores temdistribuição hipergeométrica com parâmetros N, M e n.
24/05/2014
10
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição hipergeométrica
• A probabilidade da variável aleatória assumir o valor x é dadapor:
{{{{ }}}} {{{{ }}}}M,nmin...,,)MN(n,0máxxcom
n
N
xn
MN
x
M
)n,M,N,x(b)xX(P
−−−−−−−−====
−−−−
−−−−⋅⋅⋅⋅
============
• Demonstra-se que se a variável aleatória X tem distribuiçãohipergeométrica com parâmetros N, M e n, então:
−−−−
−−−−⋅⋅⋅⋅
−−−−⋅⋅⋅⋅⋅⋅⋅⋅====⋅⋅⋅⋅====
1N
nN
N
MN
N
Mn)X(Var
N
Mn)X(E
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição hipergeométrica
• Exemplo: Na produção de 1000 parafusos em uma máquina Afoi observado que 100 apresentam algum tipo de defeito. Comovão ser utilizados 10 parafusos de cada vez, determine aprobabilidade de todos serem perfeitos.
- Neste caso, N = 1000, M = 100 e n = 10, a probabilidaderequerida, portanto, será:
35,0
10...21
991...9991000
10...21
891...8999001
10
1000
010
1001000
0
100
)0X(P ====
⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅
⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅
⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅
⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅
====
−−−−
−−−−⋅⋅⋅⋅
========
24/05/2014
11
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição de Poisson
• A distribuição de Poisson (que deve o seu nome ao físico francêsSimon Poisson) está associada a um grande conjunto de situaçõespráticas cujos alguns exemplos são os seguintes:
- Número de mensagens que chegam em um servidor no intervalode uma hora.
- Número de partículas defeituosas em um cm3 de volume de umcerto líquido.
- Número de defeitos em um metro de comprimento, de um fioproduzido por uma máquina têxtil.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição de Poisson
• Todos os exemplos apresentados têm umacaracterística comum: a variável aleatória em estudorepresenta o número de ocorrências de um certoevento ao longo de um intervalo (tempo,comprimento, área ou volume).
• Os valores que a variável aleatória pode assumir sãovalores inteiros não negativos: 0, 1, ..., n,... .
24/05/2014
12
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição de Poisson
• Outras características que identicam uma distribuição de Poissonsão:
- O número de ocorrências em intervalos não sobrepostos sãovariáveis independentes.
- A probabilidade de um certo número de ocorrências se verificaré a mesma para intervalos da mesma dimensão; isto é, aprobabilidade depende apenas da amplitude do intervalo e nãoda posição em que se situa nesse intervalo.
- As ocorrências do fenômeno descrito verificam-se uma a uma e
nunca em grupos.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição de Poisson
• Se o número médio de ocorrências no intervalo em estudo for λ >
0, a variável aleatória X, que é igual ao número de ocorrências nointervalo, terá uma distribuição de Poisson, com parâmetro λ,sendo a função de distribuição de X dada por
...,2,1,0x,!x
e)x(f
x
========−−−− λλλλλλλλ
Não é possível exibir esta imagem no momento.
• Características:
λλλλ
λλλλ
====
====
)X(Var:Variância
)X(E:Média
24/05/2014
13
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição de Poisson
• Exemplo: Mensagens chegam a um servidor de computadoresde acordo com a distribuição de Poisson, com uma taxa média de10 por hora.
Não é possível exibir esta imagem no momento.
a) Qual a probabilidade de 3 mensagens chegarem em 1 hora?
b) Qual a probabilidade de 6 mensagens chegarem em 30minutos?
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
� Distribuição de Poisson
• Exemplo:
0076,0!3
10e)3X(P
!x
e)x(f
310x
============∴∴∴∴====−−−−−−−− λλλλλλλλ
Não é possível exibir esta imagem no momento.
b) Seja X a representação do número de mensagens em 30minutos (0,5 hora). Então E(X) = 0,5.10 = 5 mensagens e
1462,0!6
5e)6X(P
65
============−−−−
a) Seja X a representação do número de mensagens em 1 hora.Então E(X) = 10 mensagens e
24/05/2014
14
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Introdução
� Distribuições teóricas discretas
� Distribuições teóricas contínuas
IV – Modelos de Distribuições
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.3 Distribuições Teóricas Contínuas
� Distribuição uniformeNão é possível exibir esta imagem no momento.
• Consideremos uma variável aleatória contínua, cujos valorespodem ocorrer dentro dum intervalo limitado (aberto ou fechado)(a,b). Se quaisquer dois subintervalos de igual amplitude têm amesma probabilidade, então a variável aleatória tem distribuiçãouniforme.
• Diz-se que a variável aleatória contínua X tem distribuiçãouniforme no intervalo (a,b) se a sua função de densidade deprobabilidade for dada por:
<<<<<<<<
−−−−====
xdevaloresoutrospara0
bxaab
1
)x(f
24/05/2014
15
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição uniforme
≥≥≥≥
<<<<<<<<−−−−
−−−−
≤≤≤≤
====
bx1
bxaab
ax
ax0
)x(F
Não é possível exibir esta imagem no momento.
• Os parâmetros caracterizadores desta distribuição são a e b, quesatisfazem a condição −∞ < a < b < +∞.
• Sua função de distribuição cumulativa F(x) é dada por:
• Características: Se a variável aleatória X tem distribuiçãouniforme no intervalo (a,b) então:
12
)ab()X(Var,
2
ba)X(E
2−−−−====
++++====
4.3 Distribuições Teóricas Contínuas
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição uniforme
2x0para,5,002
1
ab
1)x(f ≤≤≤≤≤≤≤≤====
−−−−====
−−−−====
Não é possível exibir esta imagem no momento.
• Exemplo: Um ponto é escolhido ao acaso no segmento de reta(0,2). Qual a probabilidade de que este ponto esteja entre 1 e 1,5?
4.3 Distribuições Teóricas Contínuas
Então:
∫∫∫∫
∫∫∫∫
========≤≤≤≤≤≤≤≤
∴∴∴∴====≤≤≤≤≤≤≤≤
5,1
1
b1
a
25,0dx5,0)5,1x1(P
dx)x(f)bxa(P
- Seja X a representação da variável escolher um ponto de (0,2).A função densidade de probabilidade de X é dada por:
24/05/2014
16
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição ExponencialNão é possível exibir esta imagem no momento.
4.3 Distribuições Teóricas Contínuas
• A distribuição exponencial está intimamente ligada à distribuição dePoisson. Se o número de ocorrências de um certo acontecimentosegue uma distribuição de Poisson, a “medida de espaço” entre duasocorrências consecutivas ou a “medida de espaço” até à primeiraocorrência segue uma distribuição exponencial.
• A distribuição exponencial é também usualmente utilizada nadescrição do tempo de vida de aparelhos, de organismos etc. (lei defalhas exponencial).
• A distribuição de probabilidade de um intervalo entre dois sucessosconsecutivos de uma lei de Poisson é a distribuição exponencial.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição ExponencialNão é possível exibir esta imagem no momento.
0xparaeλ)x(f xλ ≥≥≥≥==== −−−−
• Sua função densidade de probabilidadea é dada por
4.3 Distribuições Teóricas Contínuas
onde λ é o parâmetro caracterizador da distribuição, sendo λ > 0.
• Características:
2
1)X(Var:Variância
1)X(E:Média
λλλλ
λλλλ
====
====
24/05/2014
17
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição ExponencialNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• O gráfico de f(x) é dado por:
• Função distribuição cumulativa:
0 x
f(x)
λ
4.3 Distribuições Teóricas Contínuas
0xpara,e1dxeλ)x(F
0xpara,0)x(F
xλ
x
0
xλ ≥≥≥≥−−−−========
<<<<====
−−−−−−−−∫∫∫∫
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição ExponencialNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Conhecida a função distrbuição cumulativa de x, pode-sefacilmente determinar
[[[[ ]]]] 00 xx
00 ee11)x(F1)xX(Pλλλλλλλλ −−−−−−−− ====−−−−−−−−====−−−−====≥≥≥≥
0 x
f(x)
λ
e-λxo
xo
4.3 Distribuições Teóricas Contínuas
24/05/2014
18
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição ExponencialNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Exemplo: Os defeitos de um tecido seguem adistribuição de Poisson com média de um defeito acada 400 m de tecido. Qual a probabilidade de que ointervalo entre dois defeitos consecutivos seja:
4.3 Distribuições Teóricas Contínuas
a) No mínimo de 1000 m;
b) Entre 800 e 1000 m.
Calcule a média e a variância.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição ExponencialNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Exemplo:
4.3 Distribuições Teóricas Contínuas
- Sabe-se que na distribuição de Poisson E(x) = λ,então:
%32,5ou0532,0ee
)1000x(P)800x(P)1000x800(P)b
%81ou081,0ee)1000x(P)a
400
1
400
1000
400
800
400
1000
x
====−−−−====
====≥≥≥≥−−−−≥≥≥≥====≤≤≤≤≤≤≤≤
============≥≥≥≥
====
−−−−−−−−
−−−−−−−−λλλλ
λλλλ
24/05/2014
19
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• É a mais importante distribuição de probabilidade, sendo aplicadaem inúmeros fenômenos e utilizada para o desenvolvimentoteórico da estatística.
• A grande maioria das variáveis aleatórias contínuas que descrevemprocessos físicos ou características humanas seguem umadistribuição normal. Algumas vezes, as variáveis aleatórias nãoseguem uma distribuição normal, mas aproximam-se muito desta.Por outro lado, a distribuição normal desempenha um papelcrucial na inferência estatística.
• É também conhecida como distribuição de Gauss, Laplace ouLaplace-Gauss
4.3 Distribuições Teóricas Contínuas
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento. Não é possível exibir esta imagem no momento.
∞∞∞∞<<<<<<<<∞∞∞∞−−−−====
−−−−−−−−
xpara,eπ2σ
1)x(f
2
2
σ2
)µx(
• Seja X uma variável aleatória contínua, X terá uma distribuiçãonormal se
4.3 Distribuições Teóricas Contínuas
2)X(Vare)X(E σσσσµµµµ ========
onde µ e σ são os parâmetros caracterizadores da distribuição.
• Se a variável aleatória X tem distribuição normal então:
• A notação N(µ,σ2) é frequentemente usada para denotar umadistribuição normal, com média µ e variância σ2.
24/05/2014
20
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento. Não é possível exibir esta imagem no momento.
4.3 Distribuições Teóricas Contínuas
• Quando se utiliza a distribuição normal na forma como seapresenta, para o cálculo das probabilidades, surgem doisproblemas:
- A integração de f(x) fica difícultada, pois para o cálculo énecessário o desenvolvimento da função em série;
- A elaboração de uma tabela de probabilidades única inexiste,pois como f(x) depende de dois parâmetros, isto acarreta umgrande trabalho para tabelar essas propriedades considerando-seas várias combinações de µ e σ2.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Esses problemas podem ser contornados por meio de umamudança de variável, obtendo-se, assim, a distribuição normalpadronizada ou reduzida.
• Distribuição normal padrão:
σσσσ
µµµµ−−−−==== i
i
XZ
em que X é uma variável normal de média µ e variância σ2.
- Seja Z uma variável aleatória tal que:
4.3 Distribuições Teóricas Contínuas
24/05/2014
21
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento. Não é possível exibir esta imagem no momento.
[[[[ ]]]] [[[[ ]]]] [[[[ ]]]]
[[[[ ]]]] [[[[ ]]]] 1)X(Var1
)X(Var1X
Var)Z(Var
01
)(E)X(E1
)X(E1X
E)Z(E
2
2
22============−−−−====
−−−−====
====−−−−====−−−−====−−−−====
−−−−====
σσσσ
σσσσ
σσσσµµµµ
σσσσσσσσ
µµµµ
µµµµµµµµσσσσ
µµµµσσσσ
µµµµσσσσσσσσ
µµµµ
• Distribuição normal padrão:
- Logo, a função densidade de probabilidade será:
- A média e a variância de Z serão:
∞∞∞∞<<<<<<<<∞∞∞∞−−−−====−−−−
z,e2
1)z( 2
z 2
ππππϕϕϕϕ
4.3 Distribuições Teóricas Contínuas
- Como a média de Z é 0 e a variância 1, as probabilidades podemser facilmente calculadas e tabeladas.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento. Não é possível exibir esta imagem no momento.
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
1. f(x) é simétrica em relação à média x = µ, ou φ(z) é simétrica emrelação a z = 0.
µ0
f(x)
φ(z)
24/05/2014
22
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento. Não é possível exibir esta imagem no momento.
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
2. f(x) possui um máximo para x = µ, ou φ(z) possui um máximopara z = 0.
φ(z) 0,39
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento. Não é possível exibir esta imagem no momento.
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
3. f(x) tende a zero quando x tende para ± ∞, o mesmo acontecendocom φ(z) quando z tende para ± ∞; isto é, x ou z são assíntotas de
f(x) ou φ(z).
24/05/2014
23
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento. Não é possível exibir esta imagem no momento.
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
4. f(x) tem dois pontos de inflexão cujas abscissas valem µ + σ
e µ – σ, da mesma forma φ(z) tem dois pontos de inflexão cujasabscissas valem +1 e –1.
µ+σµ-σ 0 1-1
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento. Não é possível exibir esta imagem no momento.
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
5. Em ambas as funções 99,99% dos valores da variável pertencemao intervalo [µ - 4σ, µ + 4σ].
24/05/2014
24
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento. Não é possível exibir esta imagem no momento.
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
6. Na figura (a) estão representadas duas distribuições que têm omesmo valor médio (µ1 = µ2), mas diferentes desvios padrões (σ1
< σ2). Na figura (b) estão representadas duas distribuições quetêm o mesmo desvio padrão, mas médias diferentes.
(a) (b)1
2
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
6. Alguns resultados úteis relativos à distribuição normal, sãosumarizados na figura abaixo. Para qualquer variável aleatórianormal,
9975,0)3X3(P
9545,0)2X2(P
6827,0)X(P
====++++<<<<<<<<−−−−
====++++<<<<<<<<−−−−
====++++<<<<<<<<−−−−
σσσσµµµµσσσσµµµµ
σσσσµµµµσσσσµµµµ
σσσσµµµµσσσσµµµµ
24/05/2014
25
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
- Pelo fato de mais de 0,9975 da probabilidade de umadistribuição normal estar dentro do intervalo (µ - 3σ, µ + 3σ), 6σ
é frequentemente referida como a largura de uma distribuiçãonormal.
- A integração numérica pode ser usada para mostrar que a áreasob a função densidade de probabilidade normal de – ∞ < x < ∞
é igual a 1.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- Existem vários tipos de tabelas que oferecem as áreas(probabilidades) sob a curva normal padrão.
- Essa tabela fornece a área sob a curva normal padrão entre z = - ∞
até o valor de z considerado, ou seja, P(Z ≤ z).
zo
24/05/2014
26
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- O uso da tabela para encontrar, por exemplo, P(Z ≤ 1,53) éilustrado na figura abaixo:
1,53
P(Z ≤ 1,53) = Φ (1,53)
= área sombreada
z 0.00 0,01 0,02 0,03 . . . 0,09
0 0,500000 0,503989 0,507978 0,511967 . . . 0,535856
0,1 0,539828 0,503795 0,547758 0,551717 . . . 0,575345
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1,5 0,933193 0,934478 0,935744 0,936992 . . . 0,944083
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3,9 0,999952 0,999954 0,999956 0,999958 . . . 0,999967
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- Definição: A função Φ(z) = P(Z ≤ z) é usada para denotar umaprobabilidade proveniente da tabela anterior. Ela é chamada defunção distribuição cumulativa de uma variável aleatória normalpadrão.
- Uma tabela é requerida porque a probabilidade não pode serdeterminada pelos métodos elementares.
24/05/2014
27
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- Outros exemplos:
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- Exemplos: Os seguintes cálculos são mostrados de formadiagramática na figura a seguir.
10364,089616,01)26,1Z(P1)26,1Z(P)1 ====−−−−====≤≤≤≤−−−−====>>>>
24/05/2014
28
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição Normal
19490,0)86,0Z(P)2 ====−−−−<<<<
• Uso da tabela de distribuição normal padrão
91465,0)37,1Z(P)37,1Z(P)3 ====<<<<====−−−−>>>>
4.3 Distribuições Teóricas Contínuas
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
53886,0
10565,064431,0
)25,1Z(P)37,0Z(P)37,0Z25,1(P)4
====
====−−−−====
====−−−−<<<<−−−−<<<<====<<<<<<<<−−−−
24/05/2014
29
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
0)6,4Z(P
0003,0)6,4Z(P
00003,0)99,3Z(P
)99,3Z(P)6,4Z(P)5
≈≈≈≈−−−−≤≤≤≤
<<<<−−−−≤≤≤≤
====−−−−<<<<
−−−−≤≤≤≤<<<<−−−−≤≤≤≤
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
).próximomaisvalor(65,1z)95,0Z(P:tabelaDa
95,0)zZ(P05,0)zZ(P)6
====⇒⇒⇒⇒≤≤≤≤
====≤≤≤≤≡≡≡≡====>>>>
24/05/2014
30
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
.58,2zquando,99506,0étabelanavalordessepróxima
maisadeprobabilidA.tabelana995,0deadeprobabilid
aecorrespondzdevalorO.005,02/)99,01(aigualé
ãodistribuiçdaeextremidadcadaemáreaa,simetriaPor
99,0)zZz(P)7
≅≅≅≅
====−−−−
====<<<<<<<<−−−−
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Cálculo das probabilidades para uma variável aleatórianormal padrão arbitrária
4.3 Distribuições Teóricas Contínuas
- Todas as distribuições normais estão relacionadas algebricamentee a tabela da distribuição normal padrão pode ser usada paraencontrar as probabilidades associadas com uma variável aleatórianormal arbitrária usando a transformação
σσσσ
µµµµ−−−−==== i
i
XZ
onde X é a variável aleatória normal de média µ e variância σ2.
24/05/2014
31
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição NormalNão é possível exibir esta imagem no momento.
Não é possível exibir esta imagem no momento.
• Cálculo das probabilidades para uma variável aleatórianormal padrão arbitrária
4.3 Distribuições Teóricas Contínuas
- Exemplo: Suponha que as medidas de corrente em umpedaço de fio sigam a distribuição normal, com umamédia de 10 miliampères e uma variância de 4(miliampères)2. Qual a probabilidade de a medidaexceder 13 miliampères?
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição Normal
5,12
1013
2
10XZ ====
−−−−====
−−−−====
• Cálculo das probabilidades para uma variável aleatórianormal padrão arbitrária
4.3 Distribuições Teóricas Contínuas
- Seja X a representação da corrente em miliampères. Aprobabilidade requerida pode ser representada por P(X > 13).Usando a transformação de variável tem-se:
06681,093319,01
)5,1Z(P1)5,1Z(P)13X(P
====−−−−
====≤≤≤≤−−−−====>>>>====>>>>
Logo,
24/05/2014
32
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição qui-quadrado
2
p
2
2
2
1
2
p x...xx ++++++++++++====χχχχ
4.3 Distribuições Teóricas Contínuas
onde “p” é um parâmetro da função densidade denominado grau
de liberdade, normalmente indicado pela letra grega φ.
• Trata-se de um modelo de distribuição contínua muito importantepara a teoria da inferência estatística.
• Seja x1, x2, ..., xp, “p” variáveis aleatórias independentes,normalmente distribuídas, com média 0 e variância 1. Define-sevariável aleatória com distribuição qui-quadrado, como umacombinação das variâncias dessas variáveis aleatória:
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição qui-quadrado
[[[[ ]]]]
[[[[ ]]]] ϕϕϕϕχχχχσσσσχχχχ
ϕϕϕϕχχχχµµµµχχχχ
ϕϕϕϕ
ϕϕϕϕϕϕϕϕ
2)(Var
)(E
222
p
22
========
========
4.3 Distribuições Teóricas Contínuas
• Pode-se demonstrar que a média de uma distribuiçãoqui-quadrado é igual ao grau de liberdade, e que avariância é igual ao dobro do número de graus deliberdade:
24/05/2014
33
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
• A forma da curva que descreve a função densidade varia conformeo valor do grau de liberdade (valor do parâmetro φ):
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- A distribuição qui-quadrado está tabelada. A tabela fornece aabscissa da distribuição para diversas áreas (probabilidades) dacauda à direita. Assim:
• Uso da tabela de distribuição qui-quadrado
24/05/2014
34
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 01: Admita φ = 9 e α = 5%.
Entra-se na 1ª coluna com φ = 9, e na 1ª linha com α = 0,05; naintersecção dessas obtém-se o número 16,9.
• Uso da tabela de distribuição qui-quadrado
16,9
φ = 9
α = 5%
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 02: Considere uma distribuição qui-quadrado comparâmetro 18. Encontre: (a) a média, a variância e o desviopadrão; (b) a mediana; (c) o 1º quartil e (d) o 90º percentil.
a) A média, a variância e o desvio padrão:
• Uso da tabela de distribuição qui-quadrado
636)(
362)(
18)(
22
18
2
18
2
2
18
============
========
========
σσσσχχχχσσσσ
ϕϕϕϕχχχχσσσσ
ϕϕϕϕχχχχµµµµ
24/05/2014
35
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 02:
b) A mediana
• Uso da tabela de distribuição qui-quadrado
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 02:
c) O 1º quartil
• Uso da tabela de distribuição qui-quadrado
24/05/2014
36
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 02:
d) O 90º percentil
• Uso da tabela de distribuição qui-quadrado
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
• Trata-se de um modelo de distribuição contínua que se assemelhaà distribuição normal padrão, N(0,1). É utilizada para inferênciasestatísticas, particularmente, quando se tem amostras comtamanhos inferiores a 30 elementos (Fonseca & Matins, 1996).
• A distribuição t também possui um parâmetro denominado grau de
liberdade (φ), e é simétrica em relação à sua média.
• A média dessa distribuição é zero, e sua variância é dada por:
[[[[ ]]]] )2(2
)t(tVar 2 >>>>−−−−
======== ϕϕϕϕϕϕϕϕ
ϕϕϕϕσσσσ ϕϕϕϕϕϕϕϕ
24/05/2014
37
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
• Gráfico da distribuição t de Student (para φ = 4):
• Observa-se que para valores de φ > 30 a distribuição t apresentamaior dispersão do que a normal padrão N(0,1), já que o desviopadrão, nesses casos, é maior do que 1, que é o desvio padrão dadistribuição normal padrão.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
03,1235
35)t( 35 ====
−−−−====σσσσ
02,1260
60)t( 60 ====
−−−−====σσσσ
41,124
4)t( 4 ====
−−−−====σσσσ
• Exemplo:
- Para φ = 4 tem-se:
- Para φ = 35 tem-se:
- Para φ = 60 tem-se:
24/05/2014
38
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
- Trata-se de uma tabela bicaudal. Assim:
• Uso da tabela de distribuição t de Student
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
- Procedimento de uso da tabela:
• Uso da tabela de distribuição t de Student
24/05/2014
39
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição t de Student
a) A média, a variância e o desvio padrão:
• Exemplo: Considere uma distribuição t com parâmetro igual a18. Encontre: (a) a média, a variância e o desvio padrão; (b) amediana; (c) o 1º quartil e (d) o 95º percentil.
06,113,1)t(:padrãoDesvio
13,1218
18)t(:Variância
0)t(:Média
18
18
2
18
========
====−−−−
====
====
σσσσ
σσσσ
µµµµ
4.3 Distribuições Teóricas Contínuas
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição t de Student
b) A mediana – Md(t18) :
• Exemplo:
4.3 Distribuições Teóricas Contínuas
c) O 1º quatil – Q1:
d) O 95º percentil – P95:
Md =
24/05/2014
40
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição F
• Trata-se de um modelo de distribuição contínua também útil parainferências estatísticas.
• A distribuição F é a razão entre duas variáveis aleatóriasindependentes com distribuições qui-quadrado. Assim, umadistribuição F com p graus de liberdade no numerador e q grausde liberdade no denominador é expressa por:
4.3 Distribuições Teóricas Contínuas
p
q
q
p)q,p(F
2
q
2
p
2
q
2
p
⋅⋅⋅⋅========χχχχ
χχχχ
χχχχ
χχχχ
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição F
• A função F possui dois parâmetros: o grau de liberdade donumerador e o grau de liberdade do denominador, que sãodenominados, comumente, por φ1 e φ2 .
• A média, a variância e a moda dessa distribuição são dadas por:
4.3 Distribuições Teóricas Contínuas
(((( ))))(((( ))))(((( ))))
++++
−−−−
−−−−−−−−
−−−−++++====
−−−−====
2
2:Moda
24
22:Variância
2:Média
2
2
1
1
2
221
21
2
22
2
2
ϕϕϕϕ
ϕϕϕϕ
ϕϕϕϕ
ϕϕϕϕ
ϕϕϕϕϕϕϕϕϕϕϕϕ
ϕϕϕϕϕϕϕϕϕϕϕϕσσσσ
ϕϕϕϕ
ϕϕϕϕµµµµ
24/05/2014
41
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição F
• Formas de gráficos da distribuição F :
4.3 Distribuições Teóricas Contínuas
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição F
4.3 Distribuições Teóricas Contínuas
• Uso da tabela de distribuição F
- A tabela fornece as abscissas que deixam α na cauda à direita,dados os parâmetros φ1 e φ2.
24/05/2014
42
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
� Distribuição F
4.3 Distribuições Teóricas Contínuas
• Uso da tabela de distribuição F
- Para se encontrar o valor da abscissa F1-α(u,v) utiliza-se afórmula:
u,v,
v,u,1F
1F
αααα
αααα ====−−−−
- Exemplo: Admita umadistribuição F com u = 9,v = 5 e α = 5, determine asabscissas.
24/05/2014 06:56 ESTATÍSTICA APLICADA I - Modelos de Distribuições
FIM
IV – Modelos de Distrubuições