Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatística Aplicada I
Campus de Belém
Curso de Engenharia Mecânica
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Teoria das Probabilidades
Capítulo IV
Modelos de Distribuições
Campus de Belém
Curso de Engenharia Mecânica
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
1
6/11/2019
IV – Modelos de Distribuições
❑ Introdução
❑ Distribuições teóricas discretas
❑ Distribuições teóricas contínuas
IV – Modelos de Distribuições
❑ Introdução
❑ Distribuições teóricas discretas
❑ Distribuições teóricas contínuas
2
6/11/2019
4.1 Introdução
4.1 Introdução
• 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
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
3
6/11/2019
IV – Modelos de Distribuições
❑ Introdução
❑ Distribuições teóricas discretas
❑ Distribuições teóricas contínuas
✓ Prova de Bernoulli
4
6/11/2019
✓ Prova de Bernoulli
A = sucesso P( A ) = p
A = falha P( A ) = q = 1 − p
✓ Prova de Bernoulli
• Principais características:
1
Média : = xi f ( xi ) = 0 q + 1 p = p
0
Variância : 2 = E ( x i − ) 2 = E ( X 2 ) − 2 =
1
= x i2 f ( x i ) − 2 = 0 2 q + 1 2 p − p 2 =
0
= p − p 2 = p( 1 − p ) = pq
5
6/11/2019
✓ Prova de Bernoulli
✓ Distribuição binomial
• Trata-se de uma distribuição de probabilidade adequada aos
experimentos que apresentam apenas dois resultados: sucesso ou
falha.
6
6/11/2019
✓ Distribuição binomial
• Considerando-se uma sucessão de n provas de Bernoulli, a
variável aleatória que representa o número de sucessos obtidos
nessas n provas de Bernoulli tem distribuição binomial.
• A função de probabilidade de X é
n
f ( x ) = p x q n− x , x = 0 , 1 , 2 , ..., n
x
✓ Distribuição binomial
• É assim chamada (binomial), pois variando X (número de vezes
do sucesso) obtemos os termos correspondentes do
desenvolvimento do binômio (q + p)n. Com efeito,
n( n − 1 ) n − 2 2
( q + p )n = q n + nq n− 1 p + q p + ... + p n =
2!
n! n!
= q n p0 + q n− 1 p0 +
0! ( n − 0 )! 1! ( n − 1 )!
n! 0 n
+ ... + q p
n!0!
• Generalizando, tem-se: n! n
f( x)= q n− x p x = p x q n− x
x! ( n − x )! x
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
7
6/11/2019
✓ Distribuição binomial
• Principais características:
Média : E ( X ) = n = np
✓ Distribuição binomial
n 18
f ( x ) = p x q n− x P ( X = 2 ) = ( 0 ,1 ) 2 ( 0 ,9 )16 = 0 ,284
x 2
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
8
6/11/2019
✓ Distribuição binomial
18
18
P ( X 4 ) = ( 0 ,1 ) x ( 0 ,9 )18 − x =
x=4 x
3
18
= 1 − ( 0 ,1 ) x ( 0 ,9 )18 − x =
x =0 x
✓ Distribuição binomial
6
18
P ( 3 X 6 ) = ( 0 ,1 ) x ( 0 ,9 )18 − x =
x=3 x
9
6/11/2019
✓ Distribuição hipergeométrica
• Suponhamos que temos um conjunto de N elementos e que M
destes elementos têm uma certa característica em que estamos
interessados (sucesso); logo os outros N-M elementos não têm
essa característica.
• Ao retirarmos n elementos do conjunto inicial de N elementos
(retirar de forma aleatória e sem reposição – probabilidade do
sucesso não constante) consideremos X a variável aleatória que
representa o número de elementos que são retirados e que têm a
característica em que estamos interessados.
• A variável aleatória definida nas condições anteriores tem
distribuição hipergeométrica com parâmetros N, M e n.
✓ Distribuição hipergeométrica
• A probabilidade da variável aleatória assumir o valor x é dada
por:
M N − M
x n− x
P ( X = x ) = b( x , N , M , n ) =
N
n
com x = máx0 , n − ( N − M ), ..., minn , M
10
6/11/2019
✓ Distribuição hipergeométrica
✓ Distribuição de Poisson
• A distribuição de Poisson (que deve o seu nome ao físico francês
Simon Poisson) está associada a um grande conjunto de situações
práticas cujos alguns exemplos são os seguintes:
11
6/11/2019
✓ Distribuição de Poisson
✓ Distribuição de Poisson
• Outras características que identicam uma distribuição de Poisson
são:
12
6/11/2019
✓ Distribuição de Poisson
• Para encontrar a expressão que dá a probabilidade de x sucessos
num intervalo t, algumas hipóteses precisam ser admitidas:
✓ Distribuição de Poisson
• Para encontrar a expressão que dá P(X,t), ou seja, a probabilidade
de X sucessos no intervalo t, pode-se calcular o limite de uma
distribuição binomial com parâmetros n e t/n. Assim:
n− x
n t t
x
P ( x , t ) = lim 1 − =
x →
x n n
( t ) x − t
= P( x , t ) = e
x!
13
6/11/2019
✓ 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 no
intervalo, terá uma distribuição de Poisson, com parâmetro λ,
sendo a função de distribuição de X dada por
( t ) x − t
f( x)= e , x = 0 , 1 , 2 , ...
x!
• Características:
Média : E ( X ) = t
Variância : Var( X ) = t
✓ Distribuição de Poisson
14
6/11/2019
✓ Distribuição de Poisson
• Exemplo:
a) Seja X a representação do número de mensagens em 1 hora.
Então E(X) = 10 mensagens e
E ( x ) = t = 10
( t ) x − t ( 10 1 )3 − 101 ( 10 )3 − 10
f( x)= e P( X = 3 ) = e = e = 0 ,0076
x! 3! 3!
IV – Modelos de Distribuições
❑ Introdução
❑ Distribuições teóricas discretas
❑ Distribuições teóricas contínuas
15
6/11/2019
✓ Distribuição uniforme
• A distribuição uniforme é a mais simples distribuição contínua;
entretanto, é uma das mais importantes e utilizadas dentro da
teoria de probabilidade.
• Tem uma importante característica a qual a probabilidade de
acontecer um fenômeno de mesmo comprimento é a mesma.
• Consideremos uma variável aleatória contínua, cujos valores
podem ocorrer dentro dum intervalo limitado (aberto ou fechado)
[a,b]. Se quaisquer dois subintervalos de igual amplitude têm a
mesma probabilidade, então a variável aleatória tem distribuição
uniforme.
✓ Distribuição uniforme
1
a xb
f ( x ) = b − a
0 para outros valores de x
16
6/11/2019
✓ Distribuição uniforme
• Os parâmetros caracterizadores desta distribuição são a e b, que
satisfazem a condição −∞ < a < b < +∞.
• Sua função de distribuição cumulativa F(x) é dada por:
0 xa
x−a
F( x ) = a xb
b− a
1 xb
✓ Distribuição uniforme
• Exemplo: A ocorrência de panes em qualquer ponto de uma rede
telefônica de 7 km foi modelada por uma distribuição uniforme no
intervalo [0,7] . Qual é a probabilidade de que uma pane venha a
ocorrer nos primeiros 800 metros? E qual a probabilidade de que
ocorra nos 3 km centrais da rede?
1 1 1
f( x)= = = , para 0 x 7
b−a 7 −0 7
0 ,8 0 ,8
1 x 0 ,8
b
( a ) P ( 0 x 0 ,8 ) = 7 dx = 7
0 0
=
7
= 0 ,1142
P ( a x b ) = f ( x ) dx 5
5−2
5
1 x
( b ) P ( 2 x 5 ) = dx =
a
= = 0 ,4285
2
7 7 2 7
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
17
6/11/2019
✓ Distribuição uniforme
• 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?
P ( 1 x 1 ,5 ) = 0 ,5 dx = 0 ,25
1
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
✓ Distribuição Exponencial
• A distribuição exponencial está intimamente ligada à distribuição de
Poisson.
• Se o número de ocorrências de um certo acontecimento segue uma
distribuição de Poisson, a “medida de espaço” entre duas
ocorrências consecutivas ou a “medida de espaço” até à primeira
ocorrência segue uma distribuição exponencial.
• A distribuição de probabilidade de um intervalo entre dois sucessos
consecutivos de uma lei de Poisson é a distribuição exponencial.
• A distribuição exponencial é também usualmente utilizada na
descrição do tempo de vida de aparelhos, de organismos etc. (lei de
falhas exponencial).
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
18
6/11/2019
✓ Distribuição Exponencial
• Sua função densidade de probabilidadea é dada por
f ( x ) = λ e − λx para x 0
• Características:
1
Média : E( X ) =
1
Variância : Var ( X ) =
2
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
✓ Distribuição Exponencial
• O gráfico de f(x) é dado por:
f(x)
λ
0 x
F( x ) = 0 , para x 0
x
λe
− λx
F( x ) = dx = 1 − e − λx , para x 0
0
19
6/11/2019
✓ Distribuição Exponencial
• Conhecida a função distribuição cumulativa de x, pode-se
facilmente determinar
P ( X x 0 ) = 1 − F ( x 0 ) = 1 − 1 − e − x 0 = e − x 0
f(x)
λ
e-λxo
0 xo x
✓ Distribuição Exponencial
a) No mínimo de 1000 m;
b) Entre 800 e 1000 m.
Calcule a média e a variância.
20
6/11/2019
✓ Distribuição Exponencial
• Exemplo:
- Sabe-se que na distribuição de Poisson E(x) = λt,
então:
1 defeito 1 / 400 defeito 1
E ( x ) = t = = = defeito / m
400 m 1m 400
1000
−
a ) P ( x 1000 ) = e − x = e 400
= 0 ,081 ou 8 ,1%
✓ Distribuição Exponencial
• Exemplo:
1 1
Média : E( X ) = = = 400 m
1 400
1 1
Variância : Var( X ) = = = 160.000 m 2
2 (1 400)2
21
6/11/2019
✓ Distribuição Normal
• É a mais importante distribuição de probabilidade, sendo aplicada
em inúmeros fenômenos e utilizada para o desenvolvimento
teórico da estatística.
• A grande maioria das variáveis aleatórias contínuas que descrevem
processos físicos ou características humanas seguem uma
distribuição normal. Algumas vezes, as variáveis aleatórias não
seguem uma distribuição normal, mas aproximam-se muito desta.
Por outro lado, a distribuição normal desempenha um papel
crucial na inferência estatística.
• É também conhecida como distribuição de Gauss, Laplace ou
Laplace-Gauss
✓ Distribuição Normal
• Seja X uma variável aleatória contínua, X terá uma distribuição
normal se
− ( x − μ )2
1
f(x)= e 2σ 2 , para − x
σ 2π
22
6/11/2019
✓ Distribuição Normal
✓ Distribuição Normal
Xi −
Zi =
23
6/11/2019
✓ Distribuição Normal
• Distribuição normal padrão:
- A média e a variância de Z serão:
X − 1
= E ( X − ) = E ( X ) − E ( ) = − = 0
1 1
E( Z ) = E
X − 2
= 2 Var ( X − ) = 2 Var ( X ) = 2 = 1
1 1
Var ( Z ) = Var
✓ Distribuição Normal
f(x)
φ(z)
μ
0
24
6/11/2019
✓ Distribuição Normal
φ(z) 0,39
✓ Distribuição Normal
25
6/11/2019
✓ Distribuição Normal
μ-σ μ+σ -1 0 1
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
✓ Distribuição Normal
26
6/11/2019
✓ Distribuição Normal
✓ Distribuição Normal
P ( − X + ) = 0 ,6827
P ( − 2 X + 2 ) = 0 ,9545
P ( − 3 X + 3 ) = 0 ,9975
27
6/11/2019
✓ Distribuição Normal
✓ Distribuição Normal
28
6/11/2019
✓ Distribuição Normal
✓ Distribuição Normal
29
6/11/2019
✓ Distribuição Normal
- Outros exemplos:
✓ Distribuição Normal
30
6/11/2019
✓ Distribuição Normal
2 ) P ( Z −0 ,86 ) = 0 ,19490
✓ Distribuição Normal
31
6/11/2019
✓ Distribuição Normal
✓ Distribuição Normal
6 ) P ( Z z ) = 0 ,05 P ( Z z ) = 0 ,95
Da tabela : P ( Z 0 ,95 ) z = 1 ,65 ( valor mais próximo ).
32
6/11/2019
✓ Distribuição Normal
✓ Distribuição Normal
• Cálculo das probabilidades para uma variável aleatória
normal padrão arbitrária
Xi −
Zi =
33
6/11/2019
✓ Distribuição Normal
• Cálculo das probabilidades para uma variável aleatória
normal padrão arbitrária
- Exemplo: Suponha que as medidas de corrente em um
segmento de fio elétrico sigam a distribuição normal,
com uma média de 10 miliamperes e uma variância de
4 miliamperes2 (desvio padrão de 2 miliamperes). Qual
a probabilidade de a medida exceder 13 miliamperes?
✓ Distribuição Normal
• Cálculo das probabilidades para uma variável aleatória
normal padrão arbitrária
34
6/11/2019
✓ Distribuição qui-quadrado
• Seja X1, X2, ..., Xn, como uma amostra aleatória de uma
distribuição normal, com média µ e variância σ2 desconhecidas. A
grandeza
( n − 1 )S 2
2 =
2
35
6/11/2019
36
6/11/2019
✓ Distribuição qui-quadrado
• Em geral, a função densidade de probabilidade de uma
variável qui-quadrado é dada abaixo, em que k é o
número de graus de liberdade e Γ(k/2) é a função gama:
1
f( x)= ( k / 2 )− 1 e − / 2 , ( m ) = e − x x m −1dx
2 k/2
(k / 2) 0
✓ Distribuição qui-quadrado
37
6/11/2019
✓ Distribuição qui-quadrado
✓ Distribuição qui-quadrado
φ=9
α = 5%
16,9
38
6/11/2019
✓ Distribuição qui-quadrado
( 182 ) = = 18
2 ( 182 ) = 2 = 36
( 182 ) = 2 = 36 = 6
✓ Distribuição qui-quadrado
b) A mediana
39
6/11/2019
✓ Distribuição qui-quadrado
c) O 1º quartil
✓ Distribuição qui-quadrado
d) O 90º percentil
40
6/11/2019
✓ Distribuição t de Student
• Trata-se de um modelo de distribuição contínua que se assemelha
à distribuição normal padrão, N(0,1).
• Considere X1, X1, ..., Xn como uma amostra aleatória para uma
distribuição normal com média e variância desconhecidas. A
grandeza, X −
T=
S/ n
tem uma distribuição t, com n - 1 graus de liberdade.
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
✓ Distribuição t de Student
41
6/11/2019
✓ Distribuição t de Student
• Gráfico da distribuição t de Student (para φ = 4):
✓ Distribuição t de Student
• Exemplo:
- Para φ = 4 tem-se:
4
( t4 ) = = 1 ,41
4−2
- Para φ = 35 tem-se:
35
( t 35 ) = = 1 ,03
35 − 2
- Para φ = 60 tem-se:
60
( t 60 ) = = 1 ,02
60 − 2
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
42
6/11/2019
✓ Distribuição t de Student
1–α α
Encontra-se na tabela
✓ Distribuição t de Student
43
6/11/2019
✓ Distribuição t de Student
Média : ( t 18 ) = 0
18
Variância : 2 ( t 18 ) = = 1 ,13
18 − 2
Desvio padrão : ( t 18 ) = 1 ,13 = 1 ,06
✓ Distribuição t de Student
• Exemplo:
b) A mediana – Md(t18) :
Md =
c) O 1º quatil – Q1:
44
6/11/2019
✓ Distribuição F de Snedecor
• Trata-se de um modelo de distribuição contínua também útil para
inferências estatísticas.
• A distribuição F é a razão entre duas variáveis aleatórias
independentes com distribuições qui-quadrado. Assim, uma
distribuição F com υ (pronuncia-se upsilon) graus de liberdade no
numerador e ν (pronuncia-se ni) graus de liberdade no
denominador é expressa por:
2
2
F ( , ) = 2 = 2
✓ Distribuição F de Snedecor
• Sejam W e Y variáveis aleatórias independentes qui-quadrado,
com υ e ν graus de liberdade, respectivamente. Então a razão
W /
F=
Y /
tem a função densidade de probabilidade
/2
+ ( / 2 )− 1
x
2
f( x)= ( + )− 1
0 x
x + 1
2
45
6/11/2019
✓ Distribuição F de Snedecor
• A função F possui dois parâmetros: o grau de liberdade do
numerador e o grau de liberdade do denominador, que são
denominados, comumente, por υ e ν ou φ1 e φ2 .
• A média, a variância e a moda dessa distribuição são dadas por:
2
Média : =
2 − 2
2 22 ( 1 + 2 − 2 )
Variância : 2 =
1 ( 2 − 4 )( 2 − 2 )
2
1 − 2 2
Moda :
1 2 + 2
11/06/2019 07:14 ESTATÍSTICA APLICADA I - Modelos de Distribuições
✓ Distribuição F de Snedecor
46
6/11/2019
✓ Distribuição F de Snedecor
✓ Distribuição F de Snedecor
47
6/11/2019
IV – Modelos de Distribuições
FIM
48