Escolar Documentos
Profissional Documentos
Cultura Documentos
EMC 410112
Estatística para Experimentação
Prof. Armando Albertazzi G. Jr.
Tópicos
Variáveis aleatórias contínuas
Densidade de probabilidade
Função distribuição cumulativa
Média e variância a partir da função densidade
de probabilidade
Distribuição uniforme e triangular
Distribuição normal
Verificação de normalidade
Covariância e correlação
Outras distribuições
EMC 410112 Estatística para Experimentação
Variáveis aleatórias
A variável que associa um número ao resultado de um experimento
aleatório é uma variável aleatória.
Exemplos:
□ soma de dois dados, cotação do dólar, precipitação diária de chuva em
uma cidade, limite de resistência de corpos de prova
Podem ser
□ discretas (faixa de valores finita ou infinita contável)
□ contínuas (faixa de valores com um intervalo de números reais)
Convenção:
□ variáveis aleatórias: X, Y, ... (letras maiúsculas)
□ valores possíveis das variáveis aleatórias: x, y, ... (minúsculas)
a b
P( X x0 ) 0
b
P(a X b) f ( x) dx
a
f ( x) 0, x
x
f ( x)dx 1
a b
a b
F(x)
100%
F ( x) P( X x)
x
a b
d F ( x)
f ( x) x
dx
b a b
P(a X b) f ( x)dx F(x)
a
1,00
b a
f ( x)dx f ( x)dx
F(b)
F(a) x
P(a ≤ X ≤ b) = F(b) - F(a) a b
Variância
2 V ( x) ( x ) 2 f ( x) dx x 2 f ( x) dx 2
β
1
2
1
x f ( x)dx x dx 2
2 12
3,0
2,0
0
3
2 g
1
4 incremento
digital
1,0
quantidade de pó (g)
0,0
0,0 1,0 2,0 3,0 4,0 5,0 6,0
ID
ID
0
2 3 mensurando
erro
ID/2
f(x)
- ID/2
f(x)
2
A=1
2
1
2
2 24
36 possibilidades
6
5
4
3
2
1
1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0
pontos de inflexão
média
desvio padrão
assíntota assíntota
EMC 410112 Estatística para Experimentação
Distribuição normal ou gaussiana
Função probabilidade acumulada:
x ( ) 2
1
F ( x)
2 e
2 2
d
3
f(y) μY = 0
σY = 2
Y X 3
y
0 3
f(z) μZ = 0
σZ = 1
X 3
Z
2 z
0 3
EMC 410112 Estatística para Experimentação
Distribuição normal padronizada
Mudança de variável para que μ = 0 e σ² = 1
X
Z
Distribuição normal padronizada:
z2
1
f ( z) e 2
z
2
Função distribuição cumulativa é tabelada:
z
1
e
2 / 2
F ( z) d
2
= 50 ms
100 180
Z 1,60
50 X
100 180
P(X<100) = P(Z<-1,60) = F(-1,60)
P = F(-1,60) = 0,05480 = 5,48%
Z
No MS Excel®
= DIST.NORMP(-1,60) -1,60 0,00
500 R
1,645 A = 0,05
12 Z
-1,645 0,00
R 519,8g
z1 z2 z3 z4
Escores normais
Solução: 0,05
0,10
-1,645
-1,282
-13
-10
0,15 -1,036 -7
□ Ordenando 0,20 -0,842 -5
0,25 -0,674 -4
-13; -10; -7; -5; -4; -2; -1; 0,30 -0,524 -2
0,35 -0,385 -1
0; 2; 3; 4; 6; 7; 8; 10; 11; 0,40 -0,253 0
13; 16; 19 0,45
0,50
-0,126
0,000
2
3
□ Calculando os escores 0,55
0,60
0,126
0,253
4
6
normais: 0,65 0,385 7
0,70 0,524 8
MS Excel®: 0,75 0,674 10
0,80 0,842 11
=INV.NORMP(0,05) 0,85 1,036 13
0,90 1,282 16
0,95 1,645 19
0,65 0,385 7
0,70 0,524 8
0,75 0,674 10
0,80 0,842 11
Conclusão:
0,85 1,036 13 A distribuição dos dados é próxima à
0,90 1,282 16
0,95 1,645 19
normal.
EMC 410112 Estatística para Experimentação
Escores normais
50
40
30
20
10
Escores normais de dados
0 simulados com distribuição
-3,000 -2,000 -1,000 -100,000 1,000 2,000 3,000
perfeitamente uniforme
-20
60
-30
-40
40
-50
20
-40
-60
X
□ X2 com µ2 = 8 e σ2 = 4
8 12
Seja Y = X1 + X2
µY = 20 e σY = 5
W = 5 Y = 5
Seja W = X1 – X2
µW = 4 e σW = 5
8 20
Exemplo
2 X X
1 2 3 X 3
2 X1 X 2 3 X 3
E(aX b) a E( X ) b
aX b a X b
aX
2
b a X
2 2
Exemplos:
22X X
1 2 3 X 3
4 X2 1 X2 2 9 X2 3
X X X2 X2
1 2 1 2
X X X2 X2
1 2 1 2
2
Var ( X )
2
X
1
n2
...
2 1
n2
2 1
n2
2 n
n2
2
Em síntese
1 2 X
X X X
2
X
X
n n
X2 X2 X2
X1 X1 X1
X X 0 X X 0
1 2
X X 0
1 2
1 2
60
50
40
X1
30
20
X2
cov( X1 , X 2 ) 115,98
10
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70
( X1 , X 2 ) 0,8994
-10
X1 x X2 R²( X1 , X 2 ) 0,8088
30
25
20
15
10
-5 0 10 20 30 40 50 60 70
-10
( X1 , X 2 ) 0,9234
0
-10
-20
40
X1 x X3 R²( X1 , X 2 ) 0,8526
35
30
25
20
15
10
5
0
-5 0 10 20 30 40 50 60 70 80
-10
-15
x 2
f(x) F(x)