Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula 02
Aula 02
e probabilidade
Aula 03
Prof. Valner Brusamarello
Fontes potenciais de
variabilidade
y Exemplo 1: O consumo de um carro no
ddependentes
d t da
d distncia
di t i registrada
i t d apenas. D
Depende
d
de fatores como tipo de estrada, condies do carro,
ti dde gasolina,
tipo
li etc.
t
y Exemplo 2: Um engenheiro est projetando um
conector de nilon para aplicao automotiva. A
parede deste conector est condicionada a fora de
remoo do conector. O primeiro prottipo foi feito
e as seguintes foras de remoo so medidas: 12,6;
12,9; 13,4; 12,3 ;13,6; 13,5; 12,6; 13,1 N.
f ( x )dx = 1
P (a X b) = f ( x )dx
a
0 P ( a < X < b) 1
Funes
densidade de probabilidade
p
y Histograma uma aproximao da funo densidade
F ( x) = P( X x) =
f (u )du
acumulada.
y Observe q
que os valores variam entre 0 e
1
y A funo
densidade probabilidade
p
de uma
varivel aleatria contnua pode ser
determinada a partir da diferenciao da
funo distribuio cumulativa.
f ( x) =
dF ( x)
dx
probabilidade
b bilid d f(
f(x)) a mdia
di ou o valor
l esperado
d dde X e a varincia
i i X
definida pelas equaes abaixo.
y O desvio
des io padro a raiz
rai quadrada
uadrada da mdia
mdia.
= E( X ) =
xf ( x)dx
2 = V (X ) =
(x )
f ( x )dx =
x 2 f ( x )dx 2
como multiplicador
lti li d dde cada
d valor
l medido.
did
1
1
1
x = x1 + x2 + ... + xn
n
n
n
y A mdia ou o valor esperado de X denotados
por E(X)
= E ( X ) = xf ( x)
y x o ponto de equilbrio quando um peso
x
igual for colocado no local de cada medida ao
longo da linha numrica. Similarmente se f(x)
for a funo densidade de uma carga de uma
viga longa e delgada, E(X) o ponto no qual
a viga se equilibra. E(X) o centro de
distribuio.
distribuio
um conjunto de dados.
Amostra: conjunto de observaes sobre a
ppopulao.
p
Populao: Conjunto muito grande de observaes.
No exemplo
p anterior as 8 medidas constituem uma
amostra da populao. A populao deveria ser a
medida de todos os conectores.
A mdia da amostra uma boa estimativa da mdia
da populao
x=
i=1
Mdia da amostra
N
i=1
Mdia da populao
1
1
1
2
2
2
...
x
x
+
x
x
+
+
x
x
(1 )
( 2 )
( n )
n 1
n 1
n 1
= V ( X ) = ( x ) f ( x)
= V ( X ) = x2 f ( x ) 2
2
y E o desvio p
padro:
= [V ( X )]
1/ 2
2
i =1
=
referenciados
f
i d com
N
Graus de liberdade
y Note
N t que o di
divisor
i dda varincia
i i dda amostra
t o ttamanho
h dda amostra
t
Graus de liberdade
y Outra maneira de pensar acerca disso considerar a
varincia
i i s2, da
d amostra como estando
d baseada
b d em n-11
graus de liberdade.
y O termo graus
d liberdade
de
lib d d resulta
l do
d fato
f de
d que n
desvios X1 -X, X2 X, ..., Xn X sempre somam zero e
assim especificar os valores de quaisquer n-1
assim,
n 1 dessas
quantidades determina automaticamente aquele
restante.
restante
y Dessa forma, somente n-1 nos n desvios Xi X, esto
livremente determinados.
determinados
Representao
p
da mdia e desvios
de forma grfica
Distribuio Normal
y Modelo mais utilizado
y Teorema central do limite faz com que a forma seja um sino simtrico.
y Ponto central (mximo), representa a mdia
y Em uma medida, quando os desvios so decorrentes de variveis
Distribuio Normal
y Uma varivel aleatria X com funo densidade de
probabilidade
F ( x) =
1
2
( x )
2 2
E( X ) =
V (X ) = 2
Distribuio Normal
y Da simetria de f(x):
que x se afasta de .
y Pelo fato de mais de 0.9973 da probabilidade de uma
distribuio normal estar dentro do intervalo de (-3,
+3), 6 freqentemente referida como a largura de
uma distribuio normal.
y Uma varivel aleatria com =0 e 2=1 chamada de
varivel aleatria normal padro. Uma varivel aleatria
normall padro
d ddenotada
t d por Z
Z.
Distribuio Normal
y Exemplo: Utilize a tabela de probabilidades cumulativas para uma
varivel
i l aleatria
l t i padro
d para encontrar
t P(Z1
P(Z1.5).
5)
y A funo
u o dee distribuio
st u o cu
cumulativa
u at a dee uumaa varivel
a e aaleatria
eat a normal
o a
( z ) = P( Z z )
y P(Z -4.6) no pode ser encontrada diretamente utilizando a tabela,
Distribuio Normal
y Todos os exemplos precedentes mostram como calcular as probabilidades para variveis
aleatrias normais padres. Para uma varivel aleatria genrica necessrio fazer uma
pequena transformao para utilizar a tabela.
y Se X for uma varivel aleatria normal com E(X)= e V(X)=2, ento a varivel
aleatria
Z=
ser uma varivel aleatria normal com E(Z)=0 e V(Z)=1 assim a tabela poder ser
utilizada.
Suponha que as medidas da corrente em um pedao de fio sigam a distribuio normal com
uma mdia de 10 mA e uma varincia de 4 mA2. Qual a probabilidade da medida
exceder 13 mA? Faa X denotar a corrente em mA, ento P(x>13)=?
Z=(X 10)/2 logo P(X>13)= P(Z>1
Z=(X-10)/2,
P(Z>1,5)
5) = 11 P(Z1,5)=0.06681
P(Z1 5)=0 06681
Qual a probabilidade da medida da corrente estar entre 9 e 11 mA?
P(9<X<11) = P((9-10)/2<(11-10)/2))= P(-0.5<Z<0.5) = P(Z<0.5)-P(Z<-0.5)=
0,69146 - 0.30854= 0.38292
Inferncia estatstica
y Mtodos utilizados para tomar decises ou tirar concluses a cerca da
y
y
y
y
populao
l
Exemplo: Um engenheiro est analisando a resistncia a tenso de um
componente
p
usado em um chassi de automvel. Uma vez que
q a
variabilidade da resistncia a trao est naturalmente presente em
componentes individuais, devido a diferenas nas matrias primas,
processos, medidas entre outros. Na prtica esse engenheiro est
interessado na resistncia mdia a trao, e para tal far uma estimativa
baseado em uma amostra da populao
Populao consiste na totalidade das obser
Populao:
observaes
aes em que
ue estamos
interessados
Amostra: um subconjunto de observaes selecionadas a partir de uma
populao.
As variveis aleatrias (X1, X2,...Xn) so uma amostra aleatria de
tamanho n se os dados Xi forem variveis aleatrias independentes e cada
um deles tiver a mesma distribuio de probabilidades.
M lh estimativa
Melhor
ti ti
y Quando um valor numrico reportado, geralmente
necessrio
i dar
d alguma
l
idia
idi da
d iincerteza
t dda estimao.
ti A
medida da incerteza geralmente empregada o desvio
padro da mdia dos dados (ou do estimador que est
sendo utilizado).
y A incerteza p
padro de um estimador o seu desvio
padro dado por = V ()
y Se a incerteza p
padro envolver pparmetros desconhecidos
que possam ser estimados ento a substituio daqueles
valores em produzir uma incerteza padro estimada.
M did da
Medida
d disperso
di
sobre
a populao.
Populao: Conjunto muito grande de
observaes.
b
X =
i =1
n
N
i =1
Medidas de disperso
p
y A variabilidade ou disperso pode ser
referenciados com
(x x )
s2 =
i =1
n 1
n
2 =
(x )
i =1
y Ainda,
Ai d se X1, X2,...X
Xp forem
f
independentes
i d
d
ento
V (Y ) = C12V ( X 1 ) + C2 2V ( X 2 ) + ... + C p 2V ( X p )
V
(
X
)
=
i=1,2,...p ento
p
O desvio ppadro da mdia menor que
q da populao.
p p Este o
X =
1/n . Isso
1/
I reflete
fl t o ffato
t dde que ns
esperamos que a iincerteza
t ddo valor
l
da mdia seja menor quando utilizamos um grande nmero de medidas
N.
Distribuies
amostrais
Distribuies amostrais
y Considere que queremos determinar a distribuio amostral da mdia da amostra.
amostra
y Esta amostra retirada de uma populao normal com mdia e varincia 2.
y A mdia da amostra:
X 1 + X 2 + ... + X n
y Tem uma distribuio normal com mdian e varincia:
X =
2 + 2 ... + 2 2
Xppopulao
=p que
=
= de uma
y Seestivermos
amostrando
q 2 tenha =uma distribuio
desconhecida de
X
n
n
n
probabilidades, a distribuio amostral da mdia da amostra ser aproximadamente
normal com mdia e varincia 2/n.
+ + ... +
populao
l ffinita ou infinita,
f
com mdia
d e varincia
2, e se ffor a
mdia da amostra, ento
X a forma limite da distribuio de
Z=
y E assim::
X = 95
X =
Z=
10
25
=2
95 100
= 2,5
25
2
uniforme:
if
y Encontre a distribuio
d b
amostrall da
d mdia
d de
d uma amostra aleatria
l de
d
2 =
(6 4)
12
1
3
y O teorema centrall d
do lilimite
i iindica
di que a di
distribuio
ib i dde
X = 5
X =
2
2
n
1
1
=
3 ( 40 ) 120
Bibliografia
y Estatstica aplicada e probabilidade para engenheiros, Douglas
Montgomery,
g
y George
g Runger,
g LTC 2 Ed.
y Design and analysis of experiments 2Ed. Douglas Montgomory.
John Wiley and Sons.
y BALBINOT A., BRUSAMARELLO V. J., Instrumentao e
Fundamentos de Medidas V 1 e V2 , 2006 e 2007.
Regresso
gy Aula opcionalLinear
y Valner Brusamarello
Coletando dados
y Estudo observacional: Os dados so observados a medida q
que esto disponveis.
p
y Ex.: Desempenho de componentes de plsticos. Observao de:
Coletando dados
y Experimento
p
pplanejado:
j
O engenheiro
g
pprovoca variaes
propositais
p p
em
Modelos
y Mecanicista: Construdo a partir do mecanismo fsico bsico
y Pode-se
d
ajustar modelo
d l influncias
fl
externas:
I=
E
R
no modeladas.
Modelo
d l dde resistncia
a trao, relacionando
l R
d comprimento e
altura da matriz.
N Obs
Denominado
modelo de
regresso
Resist.
Trao
Comp.
Arame
Alt. Molde
9,95
50
24,45
110
31,75
11
120
35
10
550
25,02
295
16 86
16,86
200
14,38
375
9,6
52
24,35
100
10
27,5
300
11
17,08
412
12
37
11
400
13
41 95
41,95
12
500
14
11,66
360
15
21,65
205
16
17,89
400
17
69
20
600
18
10,3
585
19
34,93
10
540
20
46 59
46,59
15
250
21
44,88
15
290
22
54,12
16
510
23
56,63
17
590
24
22,13
100
25
21,15
400
Anlise de regresso
y Tcnica estatstica para investigar relao
N da
observao
Nvel de
hidrocarboneto
Pureza
%
0,99
90,01
1,02
89,05
1,15
91,43
1 29
1,29
93 74
93,74
1,46
96,73
1,36
94,45
0,87
87,59
1,23
91,77
1,55
99,42
10
1,4
93,65
11
1 19
1,19
93 54
93,54
12
1,15
92,52
13
0,98
90,56
14
1,01
89,54
15
1,11
89,85
16
1,2
90,39
17
1,26
93,25
18
1 32
1,32
93 41
93,41
19
1,43
94,98
20
0,95
87,33
Diagrama de disperso
Tendncia:
T
d i lilinear
Nenhuma curva
passa por todos
os pontos.
pontos
Pergunta: Posso
descrever o
processo com
uma reta?
Se afirmativo,
qual a reta q
q
que
melhor descreve
a relao?
Disperso x ajuste
102
100
98
Purreza O2 %
96
94
92
90
88
86
0,75
0,95
1,15
1,35
Nvel hidrocarboneto
1,55
1,75
Regresso
g
linear simples
p
y Os pontos repousam em torno de uma reta aleatoriamente,
E ( y | x ) = y| x = 0 + 1 x
0 e 1 coeficientes da regresso.
Modelo linear probabilstico:
y = 0 + 1 x +
Mnimos
quadrados
i = 1,
1 2,3,...,
23 n
yi = 0 + 1 xq
i + i
n
i =1
i =1
L = i2 = ( yi 0 1 xi )
L
0
L
1
^
^
= 2 yi 0 1 xi = 0
i =1
n
0 , 1
= 2 yi 0 1 xi xi = 0
i =1
n
0 , 1
i =1
i =1
n 0 + 1 xi = yi
^
0 xi + 1 x = yi xi
i =1
i =1
2
i
i =1
Mnimos quadrados
q
y Simplificando:
0 = y 1 x
n
1 =
1
y = yi
n i =1
y x
i =1
yi xi
i =1
i =1
xi
n
2
i =1
x
i
n
i =1
n
1 n
x = xi
n i =1
Regresso
g
Linear
simples
p
yi = 0 + 1 xi + ei
y resduo
i = 1,
1 2,3,...,
23 n
ei = yi yi
Notaes ao denominador
x
i
n
= xi2 i =1
n
i =1
n
S xx = ( xi x )
y x
i =1
Sxy = yi ( xi x ) = yi xi
2
i =1
i =1
Exemplo
p anterior: p
pureza O2
n = 20
20
x
i =1
2
i
20
y
i =1
= 1843, 21
x
i =1
20
x y
= 29, 29
20
i =1
= 2214, 66
= 23,92
20
y
i =1
2
i
y = 92,16
20
20
xi
S xx = xi2 i =1 = 0, 68
20
S xy 10,18
1 =
=
= 14,97
,
S xx 0, 68
x = 1, 2
= 170044,53
20
20
y x
i=1
20
Sxy = yi xi
i =1
i =1
= 10,18
Resultado do ajuste
y = 74, 20 + 14,97 x
Disperso x ajuste
102
100
Pureza O2 %
98
96
94
92
90
88
86
0,75
0,95
1,15
1,35
Nvel hidrocarboneto
1,55
1,75
Propriedades de varincia
dos estimadores de mnimos
q
quadrados
y 1 um estimador no tendencioso da inclinao
verdadeira 1
i
ei = yso
y Os resduos
utilizados
no clculo da
i y
estimativa de 2
y A soma dos quadrados dos resduos ou a soma dos
quadrados dos erros
n
sQE = ( yi yi )
i =1
Propriedades de variana
dos estimadores de mnimos
q
quadrados
Valor esperado
para a soma
dos quadrados
dos erros
encontrada
d substituindo
b i i d o modelo
d l ajustado
j d
yi = 0 + 1 xi chegamos em:
y Fazendo ainda algumas simplificaes
E ( sQE ) = ( n 2 ) 2
n
Estimador
E
ti d no
tendencioso de
2
sQE
=
n2
2
sQ
QE = yi2 ny 2 1S xy
i =1
n
sQT = y ny = ( yi y )
i =1
2
i
i =1
sQE = sQT 1S xy
No
exemplo
p
anterior
14 97
S = 10,18
Sxy
10 18 = 14,97
1
2
yi
20
20
1843, 21)
(
i =1
2
2
2
sQT = yi ny = yi
= 170044,53
= 173,37
20
20
i =1
i =1
20
S
sQ
14,97 )(10,18 )
(
sQ
T
1 xy
2
E
=
=
= 173,37
= 1,17
n2
n2
20 2
( )
se 1 =
2
Sxx
1
x
se 0 = 2
n
S
Sxx
( )
Grfico de resduos
resduos
3
2
1
0
-1
87
89
91
93
-2
-3
Pureza
u e a de O
O2 - y
R d
Resduos
3
Re
esduos
2
1
0
0 87
-10,87
1 07
1,07
1 27
1,27
1 47
1,47
-2
-3
Nvel de hidrocarboneto
1 67
1,67
95
97
99
Abusos e limitaes
y Freqentemente
q
mal empregada
p g
y Forte associao entre duas variveis no implica que existe relao causal entre
y
y
y
y
as mesmas
Ex.: O nmero de cegonhas
g
aumentou significativamente
g
aps
p a 2 guerra
g
mundial. Observou-se que o mesmo aconteceu com nascimento de bebs.
Concluso: O aumento de cegonhas provocou o aumento de bebs!!!???
Planejamento de experimentos a nica maneira de determinar relaes causais
Ajustes no devem ser extrapolados (apenas dentro da faixa considerada)
Testes de significncia so normalmente executados
Abusos e limitaes
y E se houverem mais que 2 variveis? 3 plano
plano, mais que 3
( )
1
Y =
Y
*
Bibliografia
y A rea de p
projeto
j de experimentos
p
e todas as suas aplicaes
p e particularidades
p
Exerccios
y
y
y
y
RPM
20
22
24
26
28
30
32
34
36
38
40
42
impurezas
8,4
9,5
11,8
10,4
13,3
14,8
13 2
13,2
14,7
16 4
16,4
16,5
18,9
18,5
Exerccios
y U
Um artigo
g em Technometrics,, de S.C.
quadrados.
y Encontre o preo mdio de venda,
correspondendo a x=5,8980 e
encontre o resduo correspondente.
Taxas anuais/1000
4,9176
5,0208
4,5429
4,5573
5,0597
3 891
3,891
5,898
5,6039
5 8282
5,8282
5,3003
6,2712
5 9592
5,9592
5,05
8,2464
6 6969
6,6969
7,7841
9,0384
5,9894
7,5422
8,7951
6,0831
8,3607
8,14
9,1416
Exerccios
planta qumica est relacionada temperatura (F) mdia
y
y
y
ambiente
b
para aquele
l ms.
O consumo do
d ano passado
d ea
temperatura so mostrados na seguinte tabela:
Considerando um modelo de regresso
g
linear simples,
p , faa
o
ajuste de curva para o consumo de vapor (y) por temperatura
mdia (x).
Qual ser a estimativa de consumo esperado de vapor quando
a temp. for 55 F?
Que mudana no uso mdio de vapor ser esperada quando a
temp. mdia
d variar 1 F?
Suponha que a temp. mdia mensal seja de 47 F. Calcule o
valor ajustado
j
de y e o resduo correspondente.
p
exerccios
ms
jan
fev
mar
abr
mai
jun
j l
jul
ago
set
out
nov
dez
Temp.
Temp
21
24
32
47
50
59
68
74
62
50
41
30
consumo/1000
185,79
214,47
288,03
424,84
454,58
539,03
621 55
621,55
675,06
562 03
562,03
452,93
369,95
273,98
exerccios
y Os dados relativos ao peso e presso sangunea
exerccios
indivduo
peso
Presso S.
165
130
167
133
180
150
155
128
212
151
175
146
190
150
210
140
200
148
10
149
125
11
158
133
12
169
135
13
170
150
14
172
153
15
159
128
16
168
132
17
174
149
18
183
158
19
215
150
20
195
163
21
180
156
22
143
124
23
240
170
24
235
165
25
192
160
26
187
159
Bibliografia
Bibli
Bibliografia
fi
y Estatstica aplicada e probabilidade para engenheiros, Douglas