10/4/2015 10:47ESTATÍSTICA APLICADA I - Teoria das Probabilidades Estatística Aplicada I Prof. Dr....
Transcript of 10/4/2015 10:47ESTATÍSTICA APLICADA I - Teoria das Probabilidades Estatística Aplicada I Prof. Dr....
11/04/23 13:50 ESTATÍSTICA APLICADA I - Teoria das Probabilidades
Estatística AplicadaEstatística Aplicada I I
Prof. Dr. Jorge Teófilo de Barros Lopes
Universidade Federal do ParáInstituto de Tecnologia
Campus de Tucuruí – CTUCCurso de Engenharia Mecânica
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Capítulo IVCapítulo IV
Universidade Federal do ParáInstituto de Tecnologia
Modelos de DistribuiçõesModelos de Distribuições
Campus de Tucuruí – CTUCCurso de Engenharia Mecânica
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Introdução
Distribuições teóricas discretas
Distribuições teóricas contínuas
IV – Modelos de Distribuições
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Introdução
Distribuições teóricas discretas
Distribuições teóricas contínuas
IV – Modelos de Distribuições
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.1 Introdução
Existem variáveis aleatórias que têm uma função de distribuição pertencente a uma classe de distribuições teóricas.
As distribuições teóricas, como o próprio nome indica, foram submetidas a estudos prévios e têm propriedades conhecidas; portanto, podem servir como modelo em determinadas situações em que a distribuição esteja identificada, poupando tempo na análise do problema estudado.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.1 Introdução
As distribuições teóricas que aqui serão estudadas são:
• 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
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Introdução
Distribuições teóricas discretas
Distribuições teóricas contínuas
IV – Modelos de Distribuições
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Prova de Bernoulli
• A prova de Bernoulli é uma experiência aleatória que serve de base a várias distribuições teóricas (distribuição binomial, distribuição binomial negativa e distribuição geométrica).
• Consideremos uma experiência aleatória na qual existem apenas dois acontecimentos em que estamos interessados: o acontecimento A que será designado por sucesso e o acontecimento contrário, , que será designado por falha. O sucesso ocorre com probabilidade p, e o insucesso com probabilidade q = 1− p .
A
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Prova de Bernoulli
• O espaço de resultados está assim particionado em dois acontecimentos em que:}A,A{S
p1q)A(PfalhaA
p)A(PsucessoA
• A uma experiência aleatória com estas características dá-se o nome de prova de Bernoulli.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Prova de Bernoulli
• Principais características:
pq)p1(ppp
pp1q0)x(fx
)X(E)x(E:Variância
pp1q0)x(fx:Média
2
1
0
2222i
2i
222i
2
1
0ii
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Prova de Bernoulli
• Sucessão de provas de Bernoulli: Defini-se como o processo caracterizado por repetidas provas que têm lugar nas seguintes condições:
1. Cada prova resultem em somente dois resultados possíveis, designados como “sucesso” e “falha”.
2. A probabilidade de um sucesso em cada prova, designada por p, permaneça constante. A probabilidade de falha designa-se por q = 1− p.
3. As provas sejam independentes, isto é, os resultados obtidos numa sequência de provas não influenciam os resultados da(s) provas(s) subsequente(s).
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição binomial
• Trata-se de uma distribuição de probabilidade adequada aos experimentos que apresentam apenas dois resultados: sucesso ou falha.
• Este modelo fundamenta-se nas seguintes hipóteses:
- H1. n provas independentes e do mesmo tipo são realizadas;- H2. cada prova admite apenas dois resultados – sucesso ou
falha;- H3. a probabilidade de sucesso é p e de falha é 1 – p = q.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
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 variável aleatória X, que é igual ao número de provas que resultam em um sucesso, tem uma distribuição binomial com parâmetros p e n em que 0 < p < 1 e n = {1, 2, 3, ..., n}.
• A função de probabilidade de X é
n...,,2,1,0x,qpx
n)x(f xnx
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição binomial
• Principais características:
- De acordo com as hipóteses, observa-se que X é a soma de n variáveis do tipo “Bernoulli”, daí
npqn)X(Var:Variância
npn)X(E:Média
2
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição binomial
• Exemplo: Cada amostra de ar tem 10% de chance de conter uma certa molécula rara. Considere que as amostras sejam independentes em relação à presença da molécula rara. Encontre a probabilidade de que, nas próximas 18 amostras, exatamente 2 contenham a molécula rara.
- Seja X = número de amostras de ar que contenham a molécula rara nas próximas amostras analisadas (sucessos); então, X é a variável aleatória binomial com p = 0,1 e n = 18. Assim,
284,0)9,0()1,0(2
18)2X(Pqp
x
n)x(f 162xnx
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição binomial
• Exemplo: Determine a probabilidade de que no mínimo 4 amostras contenham a molécula rara.
- Neste caso, a probabilidade requerida é
098,0
)168,0284,0300,0150,0(1
)9,0()1,0(x
181
)9,0()1,0(x
18)4X(P
3
0x
x18x
18
4x
x18x
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição binomial
• Exemplo: Determine a probabilidade de que o número de amostras que contenham a molécula rara esteja entre 3 e 6.
- Neste caso, a probabilidade requerida é
265,0
005,0022,0070,0168,0
)9,0()1,0(x
18)6X3(P
6
3x
x18x
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
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) 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.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição hipergeométrica
• A probabilidade da variável aleatória assumir o valor x é dada por:
M,nmin...,,)MN(n,0máxxcom
n
N
xn
MN
x
M
)n,M,N,x(b)xX(P
• Demonstra-se que se a variável aleatória X tem distribuição hipergeométrica com parâmetros N, M e n, então:
1N
nN
N
MN
N
Mn)X(Var
N
Mn)X(E
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição hipergeométrica
• Exemplo: Na produção de 1000 parafusos em uma máquina A foi observado que 100 apresentam algum tipo de defeito. Como vão ser utilizados 10 parafusos de cada vez, determine a probabilidade de todos serem perfeitos.
- Neste caso, N = 1000, M = 100 e n = 10, a probabilidade requerida, portanto, será:
35,0
10...21
991...999100010...21
891...8999001
10
1000
010
1001000
0
100
)0X(P
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
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:
- Número de mensagens que chegam em um servidor no intervalo de uma hora.
- Número de partículas defeituosas em um cm3 de volume de um certo líquido.
- Número de defeitos em um metro de comprimento, de um fio produzido por uma máquina têxtil.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição de Poisson
• Todos os exemplos apresentados têm uma característica comum: a variável aleatória em estudo representa o número de ocorrências de um certo evento ao longo de um intervalo (tempo, comprimento, área ou volume).
• Os valores que a variável aleatória pode assumir são valores inteiros não negativos: 0, 1, ..., n,... .
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição de Poisson
• Outras características que identicam uma distribuição de Poisson são:
- O número de ocorrências em intervalos não sobrepostos são variáveis independentes.
- A probabilidade de um certo número de ocorrências se verificar é a mesma para intervalos da mesma dimensão; isto é, a probabilidade depende apenas da amplitude do intervalo e não da posição em que se situa nesse intervalo.
- As ocorrências do fenômeno descrito verificam-se uma a uma e
nunca em grupos.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
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
...,2,1,0x,!x
e)x(f
x
• Características:
t)X(Var:Variância
t)X(E:Média
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição de Poisson
• Exemplo: Mensagens chegam a um servidor de computadores de acordo com a distribuição de Poisson, com uma taxa média de 10 por hora.
a) Qual a probabilidade de 3 mensagens chegarem em 1 hora?
b) Qual a probabilidade de 6 mensagens chegarem em 30 minutos?
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.2 Distribuições Teóricas Discretas
Distribuição de Poisson
• Exemplo:
0076,0!3
10e)3X(P
!x
e)x(f
310x
b) Seja X a representação do número de mensagens em 30 minutos (0,5 hora). Então E(X) = 10.0,5 = 5 mensagens e
1462,0!6
5e)6X(P
65
a) Seja X a representação do número de mensagens em 1 hora. Então E(X) = 10.1 = 10 mensagens e
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Introdução
Distribuições teóricas discretas
Distribuições teóricas contínuas
IV – Modelos de Distribuições
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
4.3 Distribuições Teóricas Contínuas
Distribuição uniforme
• 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.
• Diz-se que a variável aleatória contínua X tem distribuição uniforme no intervalo (a,b) se a sua função de densidade de probabilidade for dada por:
xdevaloresoutrospara0
bxaab
1)x(f
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição uniforme
bx1
bxaab
ax
ax0
)x(F
• 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:
• Características: Se a variável aleatória X tem distribuição uniforme no intervalo (a,b) então:
12
)ab()X(Var,
2
ba)X(E
2
4.3 Distribuições Teóricas Contínuas
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição uniforme
2x0para,5,002
1
ab
1)x(f
• 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?
4.3 Distribuições Teóricas Contínuas
Então:
5,1
1
b1
a
25,0dx5,0)5,1x1(P
dx)x(f)bxa(P
- Seja X a representação da variável escolher um ponto de (0,2). A função densidade de probabilidade de X é dada por:
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Exponencial
4.3 Distribuições Teóricas Contínuas
• 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 exponencial é também usualmente utilizada na descrição do tempo de vida de aparelhos, de organismos etc. (lei de falhas exponencial).
• A distribuição de probabilidade de um intervalo entre dois sucessos consecutivos de uma lei de Poisson é a distribuição exponencial.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Exponencial
0xparaeλ)x(f xλ
• Sua função densidade de probabilidadea é dada por
4.3 Distribuições Teóricas Contínuas
onde λ é o parâmetro caracterizador da distribuição, sendo λ > 0.
• Características:
2
1)X(Var:Variância
1)X(E:Média
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Exponencial
• O gráfico de f(x) é dado por:
• Função distribuição cumulativa:
0 x
f(x)
λ
4.3 Distribuições Teóricas Contínuas
0xpara,e1dxeλ)x(F
0xpara,0)x(F
xλx
0
xλ
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Exponencial
• Conhecida a função distrbuição cumulativa de x, pode-se facilmente determinar
00 xx00 ee11)x(F1)xX(P
0 x
f(x)
λ
e-λxo
xo
4.3 Distribuições Teóricas Contínuas
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Exponencial
• Exemplo: Os defeitos de um tecido seguem a distribuição de Poisson com média de um defeito a cada 400 m de tecido. Qual a probabilidade de que o intervalo entre dois defeitos consecutivos seja:
4.3 Distribuições Teóricas Contínuas
a) No mínimo de 1000 m;
b) Entre 800 e 1000 m.
Calcule a média e a variância.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Exponencial
• Exemplo:
4.3 Distribuições Teóricas Contínuas
- Sabe-se que na distribuição de Poisson E(x) = λt, então:
%32,5ou0532,0ee
)1000x(P)800x(P)1000x800(P)b
%81ou081,0ee)1000x(P)a
400
1
400
1000
400
800
400
1000x
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
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
4.3 Distribuições Teóricas Contínuas
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
xpara,eπ2σ
1)x(f
2
2
σ2
)μx(
• Seja X uma variável aleatória contínua, X terá uma distribuição normal se
4.3 Distribuições Teóricas Contínuas
2)X(Vare)X(E
onde μ e σ são os parâmetros caracterizadores da distribuição.
• Se a variável aleatória X tem distribuição normal então:
• A notação N(μ,σ2) é frequentemente usada para denotar uma distribuição normal, com média μ e variância σ2.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
4.3 Distribuições Teóricas Contínuas
• Quando se utiliza a distribuição normal na forma como se apresenta, para o cálculo das probabilidades, surgem dois problemas:
- A integração de f(x) fica difícultada, pois para o cálculo é necessário o desenvolvimento da função em série;
- A elaboração de uma tabela de probabilidades única inexiste, pois como f(x) depende de dois parâmetros, isto acarreta um grande trabalho para tabelar essas propriedades considerando-se as várias combinações de μ e σ2.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Esses problemas podem ser contornados por meio de uma mudança de variável, obtendo-se, assim, a distribuição normal padronizada ou reduzida.
• Distribuição normal padrão:
ii
XZ
em que X é uma variável normal de média μ e variância σ2.
- Seja Z uma variável aleatória tal que:
4.3 Distribuições Teóricas Contínuas
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
1)X(Var1
)X(Var1X
Var)Z(Var
01
)(E)X(E1
)X(E1X
E)Z(E
2
2
22
• Distribuição normal padrão:
- Logo, a função densidade de probabilidade será:
- A média e a variância de Z serão:
z,e2
1)z( 2
z2
4.3 Distribuições Teóricas Contínuas
- Como a média de Z é 0 e a variância 1, as probabilidades podem ser facilmente calculadas e tabeladas.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
1. f(x) é simétrica em relação à média x = μ, ou φ(z) é simétrica em relação a z = 0.
μ0
f(x)
φ(z)
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
2. f(x) possui um máximo para x = μ, ou φ(z) possui um máximo para z = 0.
φ(z) 0,39
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
3. f(x) tende a zero quando x tende para ± ∞, o mesmo acontecendo com φ(z) quando z tende para ± ∞; isto é, x ou z
são assíntotas de f(x) ou φ(z).
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
4. f(x) tem dois pontos de inflexão cujas abscissas valem μ + σ e μ – σ, da mesma forma φ(z) tem dois pontos de inflexão cujas abscissas valem +1 e –1.
μ+σ
μ-σ 0 1 -1
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
5. Em ambas as funções 99,99% dos valores da variável pertencem ao intervalo [μ - 4σ, μ + 4σ].
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
6. Na figura (a) estão representadas duas distribuições que têm o mesmo valor médio (μ1 = μ2), mas diferentes desvios padrões (σ1 < σ2). Na figura (b) estão representadas duas distribuições que têm o mesmo desvio padrão, mas médias diferentes.
(a) (b)1
2
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
6. Alguns resultados úteis relativos à distribuição normal, são sumarizados na figura abaixo. Para qualquer variável aleatória normal,
9975,0)3X3(P
9545,0)2X2(P
6827,0)X(P
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Propriedades da distribuição normal
4.3 Distribuições Teóricas Contínuas
- Pelo fato de mais de 0,9975 da probabilidade de uma distribuição normal estar dentro do intervalo (μ - 3σ, μ + 3σ), 6σ é frequentemente referida como a largura de uma distribuição normal.
- A integração numérica pode ser usada para mostrar que a área sob a função densidade de probabilidade normal de – ∞ < x < ∞ é igual a 1.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- Existem vários tipos de tabelas que oferecem as áreas (probabilidades) sob a curva normal padrão.
- Essa tabela fornece a área sob a curva normal padrão entre z = - ∞ até o valor de z considerado, ou seja, P(Z ≤ z).
zo
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- O uso da tabela para encontrar, por exemplo, P(Z ≤ 1,53) é ilustrado na figura abaixo:
1,53
P(Z ≤ 1,53) = Φ (1,53)
= área sombreada
z 0.00 0,01 0,02 0,03 . . . 0,09
0 0,500000 0,503989 0,507978 0,511967 . . . 0,535856
0,1 0,539828 0,503795 0,547758 0,551717 . . . 0,575345...
......
......
...
1,5 0,933193 0,934478 0,935744 0,936992 . . . 0,944083
......
......
......
3,9 0,999952 0,999954 0,999956 0,999958 . . . 0,999967
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- Definição: A função Φ(z) = P(Z ≤ z) é usada para denotar uma probabilidade proveniente da tabela anterior. Ela é chamada de função distribuição cumulativa de uma variável aleatória normal padrão.
- Uma tabela é requerida porque a probabilidade não pode ser determinada pelos métodos elementares.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- Outros exemplos:
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
- Exemplos: Os seguintes cálculos são mostrados de forma diagramática na figura a seguir.
10364,089616,01)26,1Z(P1)26,1Z(P)1
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
19490,0)86,0Z(P)2
• Uso da tabela de distribuição normal padrão
91465,0)37,1Z(P)37,1Z(P)3
4.3 Distribuições Teóricas Contínuas
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
53886,0
10565,064431,0
)25,1Z(P)37,0Z(P)37,0Z25,1(P)4
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
0)6,4Z(P
0003,0)6,4Z(P
00003,0)99,3Z(P
)99,3Z(P)6,4Z(P)5
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
).próximomaisvalor(65,1z)95,0Z(P:tabelaDa
95,0)zZ(P05,0)zZ(P)6
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Uso da tabela de distribuição normal padrão
4.3 Distribuições Teóricas Contínuas
.58,2zquando,99506,0étabelanavalordessepróxima
maisadeprobabilidA.tabelana995,0deadeprobabilid
aecorrespondzdevalorO.005,02/)99,01(aigualé
ãodistribuiçdaeextremidadcadaemáreaa,simetriaPor
99,0)zZz(P)7
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária
4.3 Distribuições Teóricas Contínuas
- Todas as distribuições normais estão relacionadas algebricamente e a tabela da distribuição normal padrão pode ser usada para encontrar as probabilidades associadas com uma variável aleatória normal arbitrária usando a transformação
ii
XZ
onde X é a variável aleatória normal de média μ e variância σ2.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
• Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária
4.3 Distribuições Teóricas Contínuas
- 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?
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição Normal
5,12
1013
2
10XZ
• Cálculo das probabilidades para uma variável aleatória normal padrão arbitrária
4.3 Distribuições Teóricas Contínuas
- Seja X a representação da corrente em miliampères. A probabilidade requerida pode ser representada por P(X > 13). Usando a transformação de variável tem-se:
06681,093319,01
)5,1Z(P1)5,1Z(P)13X(P
Logo,
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição qui-quadrado
2p
22
21
2p x...xx
4.3 Distribuições Teóricas Contínuas
onde “p” é um parâmetro da função densidade denominado grau de liberdade, normalmente indicado pela letra grega φ.
• Trata-se de um modelo de distribuição contínua muito importante para a teoria da inferência estatística.
• Seja x1, x2, ..., xp, “p” variáveis aleatórias independentes, normalmente distribuídas, com média 0 e variância 1. Define-se variável aleatória com distribuição qui-quadrado, como uma combinação das variâncias dessas variáveis aleatória:
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição qui-quadrado
2)(Var
)(E
222p
22
4.3 Distribuições Teóricas Contínuas
• Pode-se demonstrar que a média de uma distribuição qui-quadrado é igual ao grau de liberdade, e que a variância é igual ao dobro do número de graus de liberdade:
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
• A forma da curva que descreve a função densidade varia conforme o valor do grau de liberdade (valor do parâmetro φ):
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- A distribuição qui-quadrado está tabelada. A tabela fornece a abscissa da distribuição para diversas áreas (probabilidades) da cauda à direita. Assim:
• Uso da tabela de distribuição qui-quadrado
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 01: Admita φ = 9 e α = 5%.
Entra-se na 1ª coluna com φ = 9, e na 1ª linha com α = 0,05; na intersecção dessas obtém-se o número 16,9.
• Uso da tabela de distribuição qui-quadrado
16,9
φ = 9
α = 5%
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 02: Considere uma distribuição qui-quadrado com parâmetro 18. Encontre: (a) a média, a variância e o desvio padrão; (b) a mediana; (c) o 1º quartil e (d) o 90º percentil.
a) A média, a variância e o desvio padrão:
• Uso da tabela de distribuição qui-quadrado
636)(
362)(
18)(
2218
218
2
218
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 02:
b) A mediana
• Uso da tabela de distribuição qui-quadrado
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 02:
c) O 1º quartil
• Uso da tabela de distribuição qui-quadrado
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição qui-quadrado
4.3 Distribuições Teóricas Contínuas
- Exemplo 02:
d) O 90º percentil
• Uso da tabela de distribuição qui-quadrado
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
• Trata-se de um modelo de distribuição contínua que se assemelha à distribuição normal padrão, N(0,1). É utilizada para inferências estatísticas, particularmente, quando se tem amostras com tamanhos inferiores a 30 elementos (Fonseca & Matins, 1996).
• A distribuição t também possui um parâmetro denominado grau de liberdade (φ), e é simétrica em relação à sua média.
• A média dessa distribuição é zero, e sua variância é dada por:
)2(2
)t(tVar
0]t[E
2
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
• Gráfico da distribuição t de Student (para φ = 4):
• Observa-se que para valores de φ < 30 a distribuição t apresenta maior dispersão do que a normal padrão N(0,1), já que o desvio padrão, nesses casos, é maior do que 1, que é o desvio padrão da distribuição normal padrão.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
03,1235
35)t( 35
02,1260
60)t( 60
41,124
4)t( 4
• Exemplo:
- Para φ = 4 tem-se:
- Para φ = 35 tem-se:
- Para φ = 60 tem-se:
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
- Trata-se de uma tabela bicaudal. Assim:
• Uso da tabela de distribuição t de Student
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição t de Student
4.3 Distribuições Teóricas Contínuas
- Procedimento de uso da tabela:
• Uso da tabela de distribuição t de Student
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição t de Student
a) A média, a variância e o desvio padrão:
• Exemplo: Considere uma distribuição t com parâmetro igual a 18. Encontre: (a) a média, a variância e o desvio padrão; (b) a mediana; (c) o 1º quartil e (d) o 95º percentil.
06,113,1)t(:padrãoDesvio
13,1218
18)t(:Variância
0)t(:Média
18
182
18
4.3 Distribuições Teóricas Contínuas
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição t de Student
b) A mediana – Md(t18) :
• Exemplo:
4.3 Distribuições Teóricas Contínuas
c) O 1º quatil – Q1:
d) O 95º percentil – P95:
Md =
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição F
• 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 p graus de liberdade no numerador e q graus de liberdade no denominador é expressa por:
4.3 Distribuições Teóricas Contínuas
p
q
q
p)q,p(F
2q
2p
2q
2p
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição F
• A função F possui dois parâmetros: o grau de liberdade do numerador e o grau de liberdade do denominador, que são denominados, comumente, por φ1 e φ2 .
• A média, a variância e a moda dessa distribuição são dadas por:
4.3 Distribuições Teóricas Contínuas
2
2:Moda
24
22:Variância
2:Média
2
2
1
1
2221
21222
2
2
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição F
• Formas de gráficos da distribuição F :
4.3 Distribuições Teóricas Contínuas
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição F
4.3 Distribuições Teóricas Contínuas
• Uso da tabela de distribuição F
- A tabela fornece as abscissas que deixam α na cauda à direita, dados os parâmetros φ1 e φ2.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
Distribuição F
4.3 Distribuições Teóricas Contínuas
• Uso da tabela de distribuição F
- Para se encontrar o valor da abscissa F1-α(u,v) utiliza-se a fórmula:
u,v,v,u,1 F
1F
- Exemplo: Admita uma distribuição F com u = 9, v = 5 e α = 5, determine as abscissas.
11/04/23 13:50 ESTATÍSTICA APLICADA I - Modelos de Distribuições
FIM
IV – Modelos de Distrubuições