Distribuicoes de Probabilidade

Título do slide
Distribuições de
Probabilidade
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 1

Título do slide
Variável Aleatória
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
Variável Aleatória Contínua
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
Distribuições contínuas
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:
0 .0 4
0 .0 3
Densid ade
0 .0 2
0 .0 1
0 .0 0
30 40 50 60 70 80 90 1 00
Peso

Título do slide
A análise do histograma indica que:
‐ a distribuição dos valores é aproximadamente simétrica em
torno de 70 kg;
‐ 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
Vamos definir a variável aleatória
X: peso, em toneladas, de uma carga escolhida ao acaso da população.
Como se distribuem os valores da variável aleatória X, isto é, qual é a
distribuição de probabilidades de X ?
0 .03 0
Densidade
0.01 5
0.00 0
30 40 50 60 70 80 90 10 0
P es o
A curva contínua da figura denomina‐se curva Normal.
Título do slide
Variável Aleatória NORMAL
A distribuição Normal é uma das mais importantes distribuições
contínuas 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).
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014

Título do slide
Nem todos os fenômenos se ajustam à distribuição Normal.
Exemplo:
Y: Duração, em horas, de uma lâmpada de certa marca.
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.

Título do slide
Modelos Contínuos de Probabilidade
Variável Aleatória Contínua:

• Assume valores num intervalo de números reais.
• Não é possível listar, individualmente, todos os possíveis valores de
uma v.a. contínua.
• Associamos probabilidades a intervalos de valores da variável.

Título do slide
Propriedades dos Modelos Contínuos

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.
Assim, P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b).

Título do slide
O MODELO UNIFORME
É o modelo mais simples para variáveis aleatórias contínuas. A
v.a. X tem distribuição Uniforme no intervalo (a,b) [X ~ U(a,b)],
se sua função densidade de probabilidade é dada por:
f(x) = 1/(b-a), se a ≤ x ≤ b.
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.

Título do slide
Variável Aleatória UNIFORME
O gráfico da f.d.p da U(0,1).
Função densidade de probabilidade de X - f(x)

1,50
1,25
1,00
0,75
0,50
0,0 0,2 0,4 0,6 0,8 1,0

Valores de X

Título do slide
A DISTRIBUIÇÃO NORMAL
A v. a. X tem distribuição Normal com parâmetros μ e σ2 se sua função
densidade de probabilidade é dada por
2
1 ⎛ x −μ ⎞
1 − ⎜ ⎟
f (x ) = e 2⎝ σ ⎠
, – ∞ < x < ∞.
σ 2π
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)

Título do slide
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);
• f (x) → 0 quando x → ±∞;
• x = μ é ponto de máximo de f (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
A distribuição Normal depende dos parâmetros μ e σ2
N(μ1; σ2) N(μ2; σ2)
μ1 μ2 x
Curvas Normais com mesma variância σ2
mas médias diferentes (μ2 > μ1).
Título do slide
Influência de σ2 na curva Normal
N(μ;σ12)
σ22 > σ12
N(μ; σ22)
μ
Curvas Normais com mesma média μ, mas com variâncias
diferentes (σ22 > σ12 ).
Título do slide
Cálculo de probabilidades
P(a < X < b)
Área sob a curva e acima do eixo horizontal (x) entre a e b.
a μ b
Título do slide
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)
P(X < 100) = 0,0912.
X
Título do slide
b) Qual deve ser o tempo de prova de modo a permitir que 95%
dos alunos terminem dentro do prazo estipulado?
X: tempo gasto na prova ⇒ X ~ N(120; 152)
120 x XZ
P(X< x) = 0,95, ou seja, x = 144,67 min.
Título do slide
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:
1 − x
f(x) = e μ
, x ≥ 0
μ
Pode‐se mostrar que

σ2 = µ2 e que P(X ≤ a) = 1 ‐ e ‐a/ µ , a ≥ 0.
Notação: X ~ Exp(µ)

Título do slide
Variável Aleatória EXPONENCIAL
Gráfico da f.d.p da Exp(1).
1 ,2
f(x)
0 ,8
0 ,6
0 ,4
0 ,2

Título do slide
Variável Aleatória EXPONENCIAL
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
Gráfico de Probabilidades
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.

Título do slide
Construção do Gráfico de probabilidades:
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.
Título do slide
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.

Título do slide
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.

Título do slide
Tabela A. Dados (já ordenados)

Observação Dado Observação Dado
1 0,03257 11 0,94661
2 0,09560 12 1,05534
3 0,14279 13 1,26731
4 0,20426 14 1,31419
5 0,21507 15 1,31554
6 0,25680 16 1,62219
7 0,61596 17 1,98849
8 0,68740 18 2,28708
9 0,76079 19 2,48113
10 0,77090 20 3,81403
Título do slide
Para a distribuição exponencial temos que
P(X ≤ xie) = 1 ‐ e – xie /1,094 (1)
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]

Título do slide
Tabela B. Amostra esperada sob a distribuição exponencial

com média 1,094
i xi (i-0,5)/20 xie
1 0,03257 0,025 0,02770
2 0,09560 0,075 0,08529
3 0,14279 0,125 0,14608
4 0,20426 0,175 0,21045
5 0,21507 0,225 0,27885
6 0,25680 0,275 0,35181
7 0,61596 0,325 0,42999
8 0,68740 0,375 0,51418
9 0,76079 0,425 0,60540
10 0,77090 0,475 0,70493
Título do slide
Tabela B. (continuação)
i xi (i-0,5)/20 xie
11 0,94661 0,525 0,81442
12 1,05534 0,575 0,93610
13 1,26731 0,625 1,07303
14 1,31419 0,675 1,22958
15 1,31554 0,725 1,41234
16 1,62219 0,775 1,63187
17 1,98849 0,825 1,90681
18 2,28708 0,875 2,27491
19 2,48113 0,925 2,83375
20 3,81403 0,975 4,03563
Título do slide
Gráfico de probabilidades exponencial para os
dados da Tabela A - MINITAB (scatterplot)
3
Valores esperados
0 1 2 3 4
Valores observados

Distribuicoes de Probabilidade

Enviado por

Dados do documento

Direitos autorais

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Distribuicoes de Probabilidade

Enviado por

Direitos autorais:

Título do slide

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 1

Uma variável aleatória pode ser classificada em:

• Variável aleatória discreta

Uma v.a. é discreta quando o conjunto de valores possíveis

Uma v.a. é contínua quando o conjunto de valores possíveis

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 2

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 3

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 4

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 5

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 8

Modelos Contínuos de Probabilidade

Variável Aleatória Contínua:

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 9

Propriedades dos Modelos Contínuos

Assim, P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b).

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 11

Função densidade de probabilidade de X - f(x)

0,0 0,2 0,4 0,6 0,8 1,0

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 12

1. μ é o valor esperado (média) de X ( ‐∞ < μ < ∞);

Notação : X ~ N(μ ; σ 2)

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 14

N(μ1; σ2) N(μ2; σ2)

σ22 > σ12

P(X < 100) = 0,0912.

Pode‐se mostrar que

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 20

Gráfico da f.d.p da Exp(1).

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 21

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 23

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 25

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 26

Tabela A. Dados (já ordenados)

Para a distribuição exponencial temos que

P(X ≤ xie) = 1 ‐ e – xie /1,094 (1)

Assim, fazendo P(X ≤ xie) = (i – 0,5)/20 (2)

xie = ‐ 1,094× ln[1‐(i – 0,5) / 20]

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 28

Tabela B. Amostra esperada sob a distribuição exponencial

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 31

Você também pode gostar