Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatística Aplicada I
Campus de Belém
Curso de Engenharia Mecânica
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Teoria das Probabilidades
Capítulo IV
Modelos de Distribuições
Campus de Belém
Curso de Engenharia Mecânica
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Modelos de Distribuições
1
7/5/2017
IV – Modelos de Distribuições
Introdução
Distribuições teóricas discretas
Distribuições teóricas contínuas
IV – Modelos de Distribuições
Introdução
Distribuições teóricas discretas
Distribuições teóricas contínuas
2
7/5/2017
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
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Modelos de Distribuições
3
7/5/2017
IV – Modelos de Distribuições
Introdução
Distribuições teóricas discretas
Distribuições teóricas contínuas
Prova de Bernoulli
4
7/5/2017
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
7/5/2017
Prova de Bernoulli
Distribuição binomial
• Trata-se de uma distribuição de probabilidade adequada aos
experimentos que apresentam apenas dois resultados: sucesso ou
falha.
6
7/5/2017
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
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Modelos de Distribuições
7
7/5/2017
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
8
7/5/2017
Distribuição binomial
18
18
P ( X 4 ) ( 0 ,1 ) x ( 0 ,9 )18 x
x4 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
x3 x
9
7/5/2017
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 máx 0 , n ( N M ), ..., minn , M
10
7/5/2017
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
7/5/2017
Distribuição de Poisson
Distribuição de Poisson
• Outras características que identicam uma distribuição de Poisson
são:
12
7/5/2017
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
7/5/2017
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
7/5/2017
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
7/5/2017
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
7/5/2017
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
xa
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
ba 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
52
5
1 x
( b ) P ( 2 x 5 ) dx
a
0 ,4285
2
7 7 2 7
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Modelos de Distribuições
17
7/5/2017
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 ,5dx 0 ,25
1
05/07/2017 19:22 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).
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Modelos de Distribuições
18
7/5/2017
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
05/07/2017 19:22 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
0 λe
λx
F( x ) dx 1 e λx , para x 0
19
7/5/2017
Distribuição Exponencial
• Conhecida a função distribuição cumulativa de x, pode-se
facilmente determinar
P ( X x0 ) 1 F ( x0 ) 1 1 e x0 e x0
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
7/5/2017
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
7/5/2017
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
7/5/2017
Distribuição Normal
Distribuição Normal
Xi
Zi
23
7/5/2017
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
7/5/2017
Distribuição Normal
φ(z) 0,39
Distribuição Normal
25
7/5/2017
Distribuição Normal
μ-σ μ+σ -1 0 1
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
26
7/5/2017
Distribuição Normal
Distribuição Normal
P ( X ) 0 ,6827
P ( 2 X 2 ) 0 ,9545
P ( 3 X 3 ) 0 ,9975
27
7/5/2017
Distribuição Normal
Distribuição Normal
zo
28
7/5/2017
Distribuição Normal
Distribuição Normal
29
7/5/2017
Distribuição Normal
- Outros exemplos:
Distribuição Normal
30
7/5/2017
Distribuição Normal
2 ) P( Z 0 ,86 ) 0 ,19490
Distribuição Normal
31
7/5/2017
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
7/5/2017
Distribuição Normal
Distribuição Normal
• Cálculo das probabilidades para uma variável aleatória
normal padrão arbitrária
Xi
Zi
33
7/5/2017
Distribuição Normal
• Cálculo das probabilidades para uma variável aleatória
normal padrão arbitrária
- Exemplo: Suponha que as medidas de corrente em um
pedaço de fio sigam a distribuição normal, com uma
média de 10 miliampères e uma variância de 4
(miliampères)2. Qual a probabilidade de a medida
exceder 13 miliampères?
Distribuição Normal
• Cálculo das probabilidades para uma variável aleatória
normal padrão arbitrária
34
7/5/2017
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
Distribuição qui-quadrado
35
7/5/2017
Distribuição qui-quadrado
• Em geral, a função densidade de probabilidade de uma
variável qui-quadrado é dada baixo, 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
36
7/5/2017
Distribuição qui-quadrado
Distribuição qui-quadrado
φ=9
α = 5%
16,9
37
7/5/2017
Distribuição qui-quadrado
( 18
2
) 18
2 ( 18
2
) 2 36
( 18
2
) 2 36 6
Distribuição qui-quadrado
b) A mediana
38
7/5/2017
Distribuição qui-quadrado
c) O 1º quartil
Distribuição qui-quadrado
d) O 90º percentil
39
7/5/2017
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.
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição t de Student
40
7/5/2017
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
42
- Para φ = 35 tem-se:
35
( t 35 ) 1 ,03
35 2
- Para φ = 60 tem-se:
60
( t 60 ) 1 ,02
60 2
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Modelos de Distribuições
41
7/5/2017
Distribuição t de Student
1–α α
Encontra-se na tabela
Distribuição t de Student
42
7/5/2017
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:
43
7/5/2017
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
44
7/5/2017
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
05/07/2017 19:22 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição F de Snedecor
45
7/5/2017
Distribuição F de Snedecor
Distribuição F de Snedecor
46
7/5/2017
IV – Modelos de Distribuições
FIM
47