Beruflich Dokumente
Kultur Dokumente
Distribuições de
Probabilidade
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.
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
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%).
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.
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 6
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).
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.
• Não é possível listar, individualmente, todos os possíveis valores de
uma v.a. contínua.
• Associamos probabilidades a intervalos de valores da variável.
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.
O gráfico da f.d.p da U(0,1).
1,25
1,00
0,75
0,50
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
2. σ 2 é a variância de X (σ 2 > 0).
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.
A distribuição Normal depende dos parâmetros μ e σ2
μ1 μ2 x
Curvas Normais com mesma variância σ2
mas médias diferentes (μ2 > μ1).
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 15
Título do slide
Variável Aleatória Contínua
Influência de σ2 na curva Normal
N(μ;σ12)
N(μ; σ22)
μ
Curvas Normais com mesma média μ, mas com variâncias
diferentes (σ22 > σ12 ).
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 16
Título do slide
Variável Aleatória NORMAL
Cálculo de probabilidades
P(a < X < b)
Área sob a curva e acima do eixo horizontal (x) entre a e b.
a μ b
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 17
Título do slide
Variável Aleatória NORMAL
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)
X
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 18
Título do slide
Variável Aleatória NORMAL
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.
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 19
Título do slide
Variável Aleatória Contínua
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
Notação: X ~ Exp(µ)
1 ,2
f(x)
0 ,8
0 ,6
0 ,4
0 ,2
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
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 22
Título do slide
Variável Aleatória Contínua
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.
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.
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 24
Título do slide
Gráfico de Probabilidades
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.
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.
e igualando (1) e (2), segue que
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
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 08/05/2014 30
Título do slide
Gráfico de Probabilidades
Gráfico de probabilidades exponencial para os
dados da Tabela A - MINITAB (scatterplot)
3
Valores esperados
0 1 2 3 4
Valores observados