AULA 25ESTATÍSTICA
Professor: João Alessandro
PROBABILIDADE
PARTE 2
PROBABILIDADE
PROBABILIDADE
PROBABILIDADE
PROBABILIDADE
DISTRIBUIÇÃO DISCRETA DE PROBABILIDADE
DISTRIBUIÇÃO DISCRETA DE PROBABILIDADE
DISTRIBUIÇÃO CONTÍNUA DE PROBABILIDADE
DISTRIBUIÇÃO CONTÍNUA DE PROBABILIDADE
Em uma distribuição de probabilidades é necessário:
∑ P(x) = 1, onde x toma todos valores possíveis
0 ≤ P(x) ≤ 1 para todo o x.
A distribuição de probabilidades indica a percentagem de vezes que, em grande quantidade de observações, podemos esperar a ocorrência de vários resultados de uma variável aleatória.
Distribuição de Probabilidades
Distribuições de probabilidade
Distribuições descontínuas ou
discretas
Distribuições contínuas
Envolvem distribuições de probabilidades de variáveis aleatórias relativas a dados que podem ser contados.Exemplos: Número de ocorrências por amostras Número de ocorrências por unidade num intervalo de tempo Número de fumantes presentes em eventos esportivos
Distribuições Descontínuas ou Discretas
Uniforme ou RetangularBinomialBinomial Negativa ou de PascalGeométricaPoissonMultinomial ou PolinomialHipergeométrica
Formas da distribuição descontínua
Quando se usa as distribuições contínuas?
A variável aleatória discreta apresenta um grande número de resultados;
A variável aleatória em questão é contínua.
Os ponteiros de um relógio podem parar em qualquer dos infinitos pontos do círculo
logo A probabilidade de parar em um ponto definido é zero
Nas distribuições contínuas utilizam-se a probabilidade da ocorrência em um intervalo P(a < x < b);
Em uma distribuição contínua, a probabilidade é dada pela área contida no intervalo considerado.
Distribuições Contínuas
DISTRIBUIÇÕES CONTÍNUAS
UNIFORME OU RETANGULAR
NORMAL
BIVARIADA NORMAL
EXPONENCIAL
LOGNORMAL
WEIBULL
QUI-QUADRADO χ2
t DE STUDENT
F DE SNEDECOR
GAMA
BETA
ERLANG
( formas)
Distribuições Contínuas
Um pouco de históriaNo século XVIII, astrônomos e outros cientistas observaram que medidas repetidas de mensurações como a distância à lua variavam como na figura, quando coletadas em grande número.
Esta forma gráfica era associada aos erros de mensuração, daí o nome de “Distribuição normal dos erros” e depois “Distribuição normal”
Também é conhecida por “Distribuição Gaussiana”, em função do modelo matemático desenvolvido por Karl F. Gauss para este comportamento.
Distribuição Normal
0,00
0,05
0,10
0,15
0,20
25 40 55 70 85 100
115
Peso da população adulta
n = 5000 µ = 75 kg s = 12 kg
0,00
0,05
0,10
0,15
0,20
133
137
141
145
149
153
157
161
165
169
Altura de universitários
n = 3000 µ = 152 cm s = 5 cm
0,00
0,05
0,10
0,15
29,5
29,6
29,7
29,8
29,9 30 30
,130
,230
,330
,430
,5
Comprimento de uma régua
n = 1000 µ = 30cm s = 0,15cm
0
0,05
0,1
0,15
0,2
197
215
233
251
269
287
305
Pessoas num restaurante µ = 250 por dia s = 20 por dia
Distribuição Normal - Exemplos
IMPORTÂNCIA DA DISTRIBUIÇÃO NORMAL
Retrata com boa aproximação, as distribuições de freqüência de muitos fenômenos naturais e físicos.
Serve como aproximação das probabilidades binomiais (sim ou não) quando n é grande.
Representa a distribuição das médias e proporções em grandes amostras, o que tem relevante implicação na amostragem (a mais importante).
Distribuição Normal
Curva normal típica
Média = µ
Desvio padrão = σ
média∞ ∞
Forma de uma boca de sino
50% 50%
Área sob a curva = 1 (0,5 + 0,5)
Distribuição Normal
1. A curva normal tem a forma de sino
2. É simétrica em relação a média
3. Prolonga-se de -∞ a +∞ (apenas em teoria) (assintótica)
4. Fica completamente especificada por sua média e seu desvio padrão; há uma distribuição normal para cada par (média e desvio padrão)
5. A área total sob a curva é considerada 100% ou igual a 1
6. A área sob a curva entre dois pontos é a probabilidade de uma variável normalmente distribuída tomar um valor entre esses pontos
7. A probabilidade de uma variável aleatória normalmente distribuída tomar exatamente determinado valor (pontual) é zero (característica da distribuição contínua)
8. A área sob a curva entre a média e um ponto arbitrário é função do número de desvios padrões entre a média e aquele ponto
Distribuição Normal - Características
A probabilidade de uma variável aleatória tomar um valor entre dois pontos quaisquer é igual à área sob a curva normal entre aqueles pontos
µ
a b
P (a < x < b) = área hachurada sob a curva
Distribuição Normal
OBSERVAÇÃO:
x - µ = distância do ponto considerado à média
x - µ σ
z =número de desvios padrões a contar da média. Ex.: 2,5 desvios padrões
z = valor z ou score z. Pode-se obter valores negativos de z para valores de x inferiores à média
ef(x) =
x – ponto considerado da distrib.
µ - média da distribuição
σ - desvio padrão da distribuição
-12( )x - µ 2
σ
2π σ
1
Distribuição Normal
A distância entre a média e um ponto qualquer é dado em número de desvios padrões (z)
Normal padronizada
Normal não padronizada
z = x - µσ
µ x 0 z
PP
Distribuição Normal
70 80 90 100 110 120 130
-3 -2 -1 0 +1 +2 +3
µ = 100,0
σ = 10,0
escala efetiva
escala padronizada
Escala efetiva X Escala padronizada
Distribuição Normal
1,2
.
..
1,0
00 01 02 03 04 05 06 ...
1,1
1,25
.
..
0,3944olhando a tabela
Distribuição Normal - Consultando a tabela
Probabilidade de uma variável aleatória normal tomar um valor z entre a média e o ponto situado a z desvios padrões
z área entre a média e z
1,00 0,3413 1,50 0,43322,13 0,4834 2,77 0,4972
área tabelada = área desejada
0 z
Distribuição Normal - Consultando a tabela
z P(0 < x < z) P(x > z) = 0,5 – P(0 < x < z)
0 z
Distribuição Normal - Consultando a tabela
0 z
Distribuição Normal - Tabela
1) Após 28 dias de curagem, o cimento de uma certa marca tem uma resistência compressiva média de 4000psi. Suponha que a resistência tem uma distribuição normal com desvio-padrão de 120psi. Qual a probabilidade de se comprar um pacote de cimento com resistência compressiva de 28 dias menor que 3850psi? N(µ;σ) = N(4000,120) psi X = 3850psi
%56,101056,0)25,1( ==−≤ZP
3850 4000
-1,25Área em vermelho = z = -1,25 = 0,3944
Área desejada = 0,50 – 0,3944 = 0,1056 = 10,56%
25,1120
40003850 −=−=−=σ
µXz
P(z ≤ -1,25)
Distribuição Normal - Exemplos
N(µ,σ) = N(50;15) dias X = 31 dias
2) Uma grande empresa faz uso de milhares de lâmpadas elétricas que
permanecem acessas continuamente. A vida de uma lâmpada pode ser considerada
como uma variável aleatória normal com vida média de 50 dias e desvio-padrão
de 15 dias. Se no dia 1º de agosto foram instaladas 8000 lâmpadas novas,
aproximadamente quantas deverão ser substituídas no dia 1º de setembro?
27,115
5031 −=−=−=σ
µXz
%20,101020,03980,05000,0log3980,0)27,1( ==−=−≤ oZPConsultando tabela:
Deverão ser substituídas um total de (0,1020x 8.000) = 816 lâmpadas
X
Z
f(x)
50=µ
0
31
-1,27
3520
Distribuição Normal - Exemplos
3) Uma indústria siderúrgica produz tubos de aço cujo
comprimento pode ser considerado uma variável normalmente
distribuída com média µ=10,00 metros, e desvio padrão igual a
σ = 0,09 metros. Quanto refugo a indústria espera produzir se o
comprimento dos tubos de aço tiver que ser no máximo, igual a
10,20 m?
N(µ,σ) = N(10;0,09) metros
X = 10,20m
22,209,0
1020,10 =−=−=σ
µXz
%32,10132,04868,05,0)22,2()22,2( ==−=−≤=≥ ZPZP
f(x)
10=µ
X10,20
0 2,22 Z
Distribuição Normal - Exemplos
Consultando tabela temos:
4) O tempo médio que demora para uma viatura de uma determinada cia da PMMG de Ipatinga atender a uma chamada de emergência é de 8 minutos com desvio-padrão de 3 minutos. Considere o tempo médio como uma variável normalmente distribuída para calcular a probabilidade de uma chamada esperar menos de 4 minutos.
CASO PRÁTICO DO USO DA ESTATÍSTICA
NA QUESTÃO LOGÍSTICA DA PRESTAÇÃO DE SERVIÇOS
%18,90918,04082,05,0)33,1()4( ==−=−≤=≤ ZPxPConsultando a tabela:
33,13
84 −=−=−=σ
µXz
N(µ,σ) = N(8;3) minutos
X < 4 minutos
f(x)
X8
0
4
Z-1,33
Distribuição Normal - Exemplos
5) Um máquina produz peças com o diâmetro médio de 2,00” e o desvio-padrão
de 0,01”. As peças que se afastam da média por mais de 0,03” são consideradas
defeituosas. Qual é a percentagem de peças defeituosa?
ESTATÍSTICA NO CONTROLE DA PRODUÇÃO INDUSTRIAL
)3()3()97,1()03,2( −<+>=<> ZPZPxouPxP
301,0
203,21 +=−=−=
σµX
z
f(x)
2=µ
X2
0 3 Z
2,031,97
-3
N(µ,σ) = N(2,00;0,01)
X1 = 2,03 e X2=1,97
301,0
297,12 −=−=−=
σµX
z
Consultando tabela: %28,00014,00014,0)3()3( =+=−<+> ZPZP
Distribuição Normal - Exemplos