Distribuição Hipergeométrica • Suponha um conjunto com N itens, dos quais A possuem um certo atributo e (N-A) possuem o atributo b. • Considere que uma amostra contendo n itens, sorteados sem reposição, será retirada do conjunto de N itens. • Finalmente, considere que a variável aleatória discreta Y refere-se ao número de itens com atributo a, contidos na amostra de n itens. Distribuição Hipergeométrica Exemplo • Suponha que durante o mês de Fevereiro, ocorreram 18 dias chuvosos em Ponte Nova do Paraopeba. Suponha também que a ocorrência de um dia chuvoso não depende de ter chovido ou não no dia anterior. Se uma amostra de 10 dias é selecionada ao acaso, pergunta-se • (a) qual é a probabilidade de que 7 dias dessa amostra sejam chuvosos? e • (b) qual é a probabilidade de que pelo menos 6 dias dessa amostra sejam chuvosos? Distribuições Continuas Distribuição Normal • Utilizada para descrever o comportamento de uma variável aleatória que flutua de forma simétrica em torno de um valor central. • Algumas de suas propriedades matemáticas fazem do modelo apropriado à modelação de variáveis que resultam da soma de um grande número de outras variáveis independentes. • Está na origem de toda a formulação teórica acerca da construção de intervalos de confiança, testes estatísticos de hipóteses, bem como da teoria de regressão e correlação. Propriedades
D x x IR
• Forma de sino e simétrica em relação a E[X]=µ
• Var[x]=σ2 Propriedades Propriedades Exemplos
• Suponha que a resistência média a
compressão de um lote de 500 blocos de concreto seja 28,5MPa com desvio padrão de 2,5MPa. Supondo que a resistência a compressão dos blocos tenha forma gaussiana, quantos blocos terão resistência inferior a 25 MPa. Exemplo
• Suponha que o peso médio de 800 porcos de
uma certa fazenda é de 64kg, e o desvio padrão é de 15kg. Supondo que este peso seja distribuído de forma normal, quantos porcos pesarão entre 42kg e 73kg. Exemplo • Suponha que a resistência de um concreto tenha distribuição normal com média 30 MPa e desvio padrão de 2,5 MPa.
• A) Calcule P[28 ≤ X ≤ 38]
• B)P[X ≤ a]=0,95 (Determinar a) • C)P[X ≥ b]=0,10 (Determinar b) Exemplo • O diâmetro de uma haste de metal usada em uma unidade de disco é normalmente distribuída com média 0,2508in e desvio padrão de 0,0005in. As especificações sobre a haste foram estabelecidas como 0,25±0,0015in. • Deseja-se saber qual a fração das hastes produzidas que satisfaz as especificações. Teorema Central do Limite Teorema Central do Limite • TCL é um dos resultados fundamentais da teoria da probabilidade.
• Em palavras, o teorema diz que “toda soma de
variáveis aleatórias independentes é aproximadamente Normal” desde que o número de termos na soma seja suficientemente grande. Teorema Central do Limite • Soma de variáveis independentes são aproximadamente normais
• Médias de variáveis independentes são
aproximadamente normais
• E o mais interessante que NÃO INTERESSA qual
a densidade de probabilidade que estão sendo somadas Distribuições Amostrais INTRODUÇÃO • Nos problemas de inferência, estamos interessados em estimar um parâmetro θ da população através de uma AAS X1, X2, ..., Xn. • Para isso, usamos uma estatística T, com base no valor obtido para T a partir de uma particular amostra, iremos tomar as decisões que o problema exige. • T é uma v.a., uma vez que depende da amostra sorteada; amostras diferentes fornecerão diferentes valores para T . Introdução
• A função de distribuição amostral de uma
estatística T é a função de distribuição de probabilidades de T ao longo de todas as possíveis amostras de tamanho . Distribuições Amostrais Exemplo • Consideremos o seguinte exemplo, onde nossa população é o conjunto {1, 3, 6, 8}, isto é, este é o conjunto dos valores da característica de interesse da população em estudo. Determinar E[X] e Var[x] Exemplo • Suponha que dessa população iremos extrair uma AAS de tamanho 2 e a estatística que iremos calcular é a média amostral.
• Obter a distribuição da média amostral
Conclusão • Podemos ver que a obtenção da distribuição amostral de qualquer estatística T é um processo tão ou mais complicado do que trabalhar com a população inteira. • Na prática, o que temos é uma única amostra e com esse resultado é que temos que tomar as decisões pertinentes ao problema em estudo. • Esta tomada de decisão, no entanto, será facilitada se conhecermos resultados teóricos sobre o comportamento da distribuição amostral. Teorema Central do Limite • A interpretação prática do teorema central do limite é a seguinte: • para amostras “grandes” de qualquer população, podemos aproximar a distribuição amostral de X por uma distribuição normal com a mesma média populacional e variância igual à variância populacional dividida pelo tamanho da amostra Distribuições Amostrais • Quando as observações são amostradas aleatoriamente de uma distribuição normal, a média amostral também tem uma distribuição normal. • Isto é, quando n observações são amostradas aleatoriamente de uma distribuição normal com média µ e variância σ2, a média amostral tem distribuição normal com média µ e variância σ2/n . Distribuição Amostral da Média • Quando a distribuição da população de eventos não seguem uma distribuição Normal, a distribuição da média dos dados converge para a distribuição Normal conforme o tamanho da amostra aumenta. • Assim, qualquer que seja a distribuição de seus dados, para um número suficientemente grande de observações, a distribuição de probabilidade da média se aproxima da distribuição Normal com média μ e variância σ2/n