Carregar apresentação
1
Análise Estatística Variáveis Aleatórias
2
Variável Característica que pode ser observada (ou mensurada) nos elementos da população, devendo ter um e apenas um resultado para cada elemento observado.
3
Variáveis Qualitativas - O resultado da variável é uma resposta não numérica. Exemplo: sexo, grau de instrução etc. Quantitativas - O resultado é um número. Exemplo: idade, altura etc.
4
Variável Aleatória Quando os resultados de uma variável são determinados pelo acaso, trata-se de uma variável aleatória. “Uma variável aleatória é uma função com valores numéricos, cujo valor é determinado por fatores de chance.” Stevenson, W. (Estatística aplicada à administração)
5
Exemplos Selecionando-se uma pessoa de um município através de sorteio, o peso é uma variável aleatória. Sorteando-se uma empresa de um setor, o número de funcionários é uma variável aleatória.
6
Exemplo Lança-se uma moeda e verifica-se a face obtida (cara ou coroa). Face obtida - variável qualitativa - não é uma variável aleatória. Número de caras - variável aleatória associada à variável qualitativa estudada.
7
Distribuição de Probabilidades
A distribuição de probabilidades, ou modelo probabilístico, indica, para uma variável aleatória, quais são os resultados que podem ocorrer e qual é a probabilidade de cada resultado acontecer.
8
Exercício Lança-se uma moeda e anota-se a face obtida. Construir a distribuição de probabilidades para a variável aleatória número de caras.
9
Distribuição de Probabilidades
Resultados Probabilidade Possíveis 0 0,5 1 0,5 Total 1
10
Distribuição de Probabilidades
0,50 k P(X=k) 0 0,5 1 0,5 Total 1
11
Exercício Considerando-se que 2 moedas tenham sido lançadas, construir a distribuição de probabilidades para a variável aleatória número de caras.
12
Probabilidade Regra da Multiplicação
A probabilidade de que dois eventos independentes ocorram é igual à multiplicação das probabilidades individuais. P(A e B) = P(A B) = P(A) x P(B) U
13
Probabilidade Evento - Qualquer situação ou resultado que nos interessa. Dois eventos são independentes se a ocorrência de um não alterar a probabilidade de ocorrência do outro.
14
Exercício Considerando-se que 2 moedas tenham sido lançadas, construir a distribuição de probabilidades para a variável aleatória número de caras.
15
Exercício Resultados possíveis Coroa Coroa Cara Coroa Coroa Cara
Cara Cara Resultados numéricos 1 2 Probabilidade 0,5 x 0,5 = 0,25 1o lanç. 2o lanç.
16
Diagrama de Árvore cara coroa P = 0,25 cara P = 0,25 P = 0,25 coroa
2o lançamento 1o lançamento 0,5 cara coroa P = 0,25 cara 0,5 0,5 P = 0,25 0,5 0,5 P = 0,25 coroa P = 0,25 0,5
17
Distribuição de Probabilidades
Resultados Probabilidade Possíveis 0 0,25 1 0,50 2 0,25 Total 1
18
P(A ou B) = P(A U B) = P(A) + P(B)
Probabilidade Regra da Adição A probabilidade de que um entre dois eventos mutuamente excludentes ocorra é igual à soma das probabilidades individuais. P(A ou B) = P(A U B) = P(A) + P(B)
19
Probabilidade Dois eventos são mutuamente excludentes, ou exclusivos, se a ocorrência de um impedir a ocorrência do outro. Exemplo: No problema anterior, havia basicamente 4 resultados possíveis (KK, CK, KC e CC). Estas quatro situações são excludentes, isto é, somente uma delas poderá ocorrer.
20
Exercício Resultados possíveis Coroa Coroa Cara Coroa Coroa Cara
Cara Cara Resultados numéricos 1 2 Probabilidade 0,5 x 0,5 = 0,25 Soma = 1 1o lanç. 2o lanç.
21
Distribuição de Probabilidades
0,50 0,25 k P(X=k) 0 0,25 1 0,50 2 0,25 Total 1
22
Exercício Um grande lote de peças possui 60% dos itens com algum tipo de defeito. Construir a distribuição de probabilidades para a variável aleatória número de itens com defeito dentre 2 sorteados aleatoriamente.
23
Exercício Resultados possíveis Bom Bom Bom Def. Def. Bom Def. Def.
numéricos 1 2 Probabilidade 0,4 x 0,4 = 0,16 0,4 x 0,6 = 0,24 0,6 x 0,4 = 0,24 0,6 x 0,6 = 0,36 1o item 2o item
24
Exercício k P(X=k) 0 0,16 1 0,48 2 0,36 Total 1 0,48 0,36 0,16
25
Exercício Um grande lote de peças possui 60% dos itens com algum tipo de defeito. Construir a distribuição de probabilidades para a variável aleatória número de itens com defeito dentre 3 sorteados aleatoriamente.
26
Exercício Res. poss. B B B B B D B D B D B B B D D D B D D D B D D D
Res. num. 1 2 3 Probabilidade 0,4 x 0,4 x 0,4 = 0,064 0,4 x 0,4 x 0,6 = 0,096 0,4 x 0,6 x 0,4 = 0,096 0,6 x 0,4 x 0,4 = 0,096 0,4 x 0,6 x 0,6 = 0,144 0,6 x 0,4 x 0,6 = 0,144 0,6 x 0,6 x 0,4 = 0,144 0,6 x 0,6 x 0,6 = 0,216
27
Exercício k P(X=k) 0 0,064 1 0,288 2 0,432 3 0,216 Total 1 0 1 2 3
0 0,064 1 0,288 2 0,432 3 0,216 Total 1 0,064 0,216 0,432 0,288
28
Valor Esperado O valor esperado, ou esperança, ou média, de uma distribuição de probabilidades corresponde à média dos resultados da variável aleatória quando o número de observações for muito grande.
29
Valor Esperado X P(X) x1 p1 x2 p2 ... ... xn pn E(X) = x = (xi.pi)
xn pn Total 1 E(X) = x = (xi.pi)
30
Variância X P(X) x1 p1 x2 p2 ... ... xn pn E(X) = x = (xi.pi)
xn pn Total 1 E(X) = x = (xi.pi) VAR(X) = x = pi.(xi-x)2
31
Exercício - 1 Um grande lote de peças possui 60% dos itens com algum tipo de defeito. Construir a distribuição de probabilidades para a variável aleatória número esperado de itens com defeito dentre 3 sorteados aleatoriamente e o desvio padrão.
32
Exercício x = itens x = item k P(X=k) 0 0,064 1 0,288
0 0,064 1 0,288 2 0,432 3 0,216 Total 1 x = itens x = item
33
Probabilida-de condi-cional
Regra da Multiplicação A probabilidade de que dois eventos não independentes ocorram é igual à multiplicação das probabilidades individuais. P(A e B) = P(A B) = P(A) x P(B / A) Probabilida-de condi-cional U
34
Probabilidade Condicional
P(B / A) - probabilidade do evento B ocorrer dado que o evento A tenha ocorrido.
35
Exemplo Um lote com 20 peças contém 4 defeituosas. Se forem retiradas duas peças do lote, qual é a probabilidade de serem retiradas: a) duas peças boas? b) duas peças defeituosas?
36
Exemplo B - Peça Boa D - Peça Defeituosa P(B) = 16 20 P(D) = 4 20
37
Exemplo Se a primeira peça for: Boa Defeituosa P(B/B) = 15 / 19
P(D/B) = 4 / 19 P(B/D) = 16 / 19 P(D/D) = 3 / 19
38
Exemplo a) P(BB) = 16 20 15 19 = 0,6316 ou 63,16% 4 3 a) P(DD) =
39
P(A ou B) = P(A U B) = P(A) + P(B) - P(A B)
Probabilidade Regra da Adição A probabilidade de que pelo menos um entre dois eventos não excludentes ocorra é igual a: P(A ou B) = P(A U B) = P(A) + P(B) - P(A B) U
40
Exemplo A Petrobrás perfura um poço quando acha que há probabilidade de ao menos 40 % de encontrar petróleo. Ela perfura 2 poços, aos quais atribui as probabilidades de 40 % e 50 %. Qual é a probabilidade de que pelo menos um poço produza petróleo?
41
Exemplo P(A) = 0,4 P(B) = 0,5 P(A e B) = 0,4 . 0,5 = 0,2
P(A ou B) = 0,4 + 0,5 - 0,2 = 0,7
42
Exemplo Resultados possíveis Probabilidade Produz Não 0,4 x 0,5 = 0,2
Produz Produz Não Produz Não Não Probabilidade 0,4 x 0,5 = 0,2 0,6 x 0,5 = 0,3 0,7 poço A poço B
43
MODELOS PROBABILÍSTICOS
44
Modelos Probabilísticos
Em problemas práticos, normalmente não é necessário deduzir as probabilidades de ocorrência, pois existem alguns modelos probabilísticos que se aplicam a várias situações práticas, fornecendo a regra de determinação das probabilidades.
45
Modelos Probabilísticos
O problema não é “como se deduzem os valores?”, mas sim “como se usam as distribuições para resolver problemas?” William J. Stevenson
46
Exercício Anterior Lança-se uma moeda e anota-se a face obtida. Construir a distribuição de probabilidades para a variável aleatória número de caras.
47
Distribuição de Probabilidades
0,50 k P(X=k) 0 0,5 1 0,5 Total 1
48
Distribuição de Bernoulli
A distribuição de Bernoulli apresenta apenas dois resultados possíveis (sim ou não), com probabilidade de sucesso igual a “p”.
49
Distribuição de Bernoulli
k P(X=k) 0 (1-p) p Total E(X) = x = p VAR(X) = p.(1-p)
50
Distribuição Binomial
51
Distribuição Binomial
O modelo binomial pressupõe: São efetuados n experimentos iguais e independentes. Cada um dos experimentos tem apenas 2 resultados possíveis e excludentes (sim e não). Consequentemente, a probabilidade de sim (p) para cada experimento é constante. A variável aleatória de interesse é o número de sim obtidos nos n experimentos.
52
Distribuição Binomial
Para identificar uma distribuição binomial, bastam os parâmetros n e p.
53
Exercício Anterior Um grande lote de peças possui 60% dos itens com algum tipo de defeito. Construir a distribuição de probabilidades para a variável aleatória número de itens com defeito dentre 3 sorteados aleatoriamente.
54
Exercício Anterior Res. poss. B B B B B D B D B D B B B D D D B D
Res. num. 1 2 3 Probabilidade 0,4 x 0,4 x 0,4 = 0,064 0,4 x 0,4 x 0,6 = 0,096 0,4 x 0,6 x 0,4 = 0,096 0,6 x 0,4 x 0,4 = 0,096 0,4 x 0,6 x 0,6 = 0,144 0,6 x 0,4 x 0,6 = 0,144 0,6 x 0,6 x 0,4 = 0,144 0,6 x 0,6 x 0,6 = 0,216
55
Exercício Anterior k P(X=k) 0 0,064 1 0,288 2 0,432 3 0,216 Total 1
0 0,064 1 0,288 2 0,432 3 0,216 Total 1 0,064 0,216 0,432 0,288
56
Distribuição Binomial
O exemplo apresentado pode ser representado por uma distribuição binomial. n = 3 p = 0,6 (item com defeito = sim) (Deseja-se o número de itens com defeito)
57
( ) ( ) Equação da Binomial P(X=k) = pk.(1- p)(n-k) n k = n k n!
( ) n k = ( ) n k n! k! (n-k)!
58
Distribuição Binomial
k P(X=k) 0 P(X=0) 1 P(X=1) n P(X=n) Total 1 E(X) = x = np VAR(X) = n.p.(1-p)
59
( ) ( ) ( ) Exemplo p = 0,6 n = 3 P(X=k) = 0,6k.(1- 0,6)(3-k) 3 k 3
( ) 3 k ( ) 3 P(X=0) = 0,60.(1- 0,6)(3-0) = 1.0,60.0,43 = 0,064 1 = ( ) 3 3! 0! (3-0)! = 1
60
( ) ( ) ( ) Exemplo p = 0,6 n = 3 P(X=k) = 0,6k.(1- 0,6)(3-k) 3 k 3 1
( ) 3 k ( ) 3 1 P(X=1) = 0,61.(1- 0,6)(3-1) = 3.0,61.0,42 = 0,288 = ( ) 3 1 3! 1! (3-1)! = 3
61
( ) ( ) ( ) Exemplo p = 0,6 n = 3 P(X=k) = 0,6k.(1- 0,6)(3-k) 3 k 3 2
( ) 3 k ( ) 3 2 P(X=2) = 0,62.(1- 0,6)(3-2) = 3.0,62.0,41 = 0,432 = ( ) 3 2 3! 2! (3-2)! = 3
62
( ) ( ) ( ) Exemplo p = 0,6 n = 3 P(X=k) = 0,6k.(1- 0,6)(3-k) 3 k 3
( ) 3 k ( ) 3 P(X=3) = 0,63.(1- 0,6)(3-3) = 1.0,63.0,40 = 0,216 = ( ) 3 3! 3! (3-3)! = 1 1
63
Exercício k P(X=k) 0 0,064 1 0,288 2 0,432 3 0,216 Total 1 0 1 2 3
0 0,064 1 0,288 2 0,432 3 0,216 Total 1 0,064 0,216 0,432 0,288
64
Distribuição Acumulada
k P(X=k) Prob. Acumulada 0 0,064 0,064 1 0,288 0,352 2 0,432 0,784 3 0,216 1,000 Total
65
Exercício 2 Considerando a mesma situação do exemplo anterior, construir a distribuição de probabilidades para o caso de 5 itens. n = 5 p = 0,6
66
Exercício k P(X=k) Probab. Acumul. 0 0,01024 0,01024 1 0,07680 0,08704
0 0, ,01024 1 0, ,08704 2 0, ,31744 3 0, ,66304 4 0, ,92224 5 0, ,00000 Total
67
Tabela Binomial As probabilidades para algumas binomiais podem ser encontradas em tabelas nos livros de estatística. Também podem ser utilizados softwares.
68
Exercício 3 Em um grande lote, sabe-se que 10 % da peças são defeituosas. Qual é a probabilidade de, ao se retirarem 6 peças ao acaso: a) Apenas uma ser defeituosa? b) No máximo uma ser defeituosa? c) Pelo menos duas serem defeituosas? 0,3543 0,8857 0,1143
69
Exercício 4 Os produtos de uma empresa sofrem inspeção de qualidade, através de uma amostra com 12 peças, antes de serem enviados aos consumidores, podendo ser classificados em A (de ótima qualidade), B (bons) e C (de 2ª categoria). Se 70 % de um grande lote forem do tipo A, 20 % forem do tipo B e o restante for do tipo C, qual é a probabilidade de que a amostra apresente no máximo 5 peças tipo B ou C? 0,8822
70
Exercício 5 Sabe-se que 1% dos produtos fabricados por uma empresa apresentam problemas de qualidade. Dois clientes encomendam um grande lote cada um, mas as remessas têm que passar pela inspeção de qualidade no recebimento. O cliente A seleciona ao acaso 10 produtos e o lote é aceito se não existir nenhuma peça com problema de qualidade. O cliente B toma uma amostra com 20 produtos e aceita o lote se no máximo 1 peça apresentar problemas de qualidade. Qual é a probabilidade dos dois lotes serem aceitos pelos clientes?
71
Exercício p = Cliente A Cliente B n = n = P(X P(X =
P = 0,8891 ou 88,91%
72
Distribuição Multinomial
73
Distribuição Multinomial
O modelo multinomial é uma generalização do binomial: São efetuados n experimentos iguais e independentes. Cada um dos experimentos tem mais de 2 resultados possíveis e excludentes (k resultados). A probabilidade de sim para o resultado “k” (pk) (i=1, 2, ...) em todos os experimentos é constante. A variável aleatória de interesse é o número de sim em cada categoria.
74
Distribuição Multinomial
P(X=x1, x2, ..., xk) = p1x1 p2x2 ...pkxk n! x1! x2!... xk! n = x1 + x xk
75
Distribuição Poisson P(X=k) = e-λ λk k!
76
VARIÁVEIS CONTÍNUAS
77
Exemplo Um jogo de azar é realizado da seguinte forma: toma-se um círculo e divide-se-o em duas partes iguais, 1 e 2. Sobre o centro do círculo, é fixado um ponteiro, o qual é girado e anota-se o número do setor onde a ponta do ponteiro parou.
78
Exemplo Construir a distribuição de probabilidades para o número obtido neste experimento. 2 1
79
Distribuição de Probabilidades
0,50 k P(X=k) 1 0,5 2 0,5 Total 1
80
Exemplo Considerar a mesma situação, só que o círculo é dividido em quatro partes iguais. Construir a distribuição de probabilidades para o número obtido neste experimento.
81
Exemplo Construir a distribuição de probabilidades para o número obtido neste experimento. 1 2 3 4
82
Distribuição de Probabilidades
k P(X=k) 1 0,25 2 0,25 3 0,25 4 0,25 Total 1
83
Exemplo 1 2 Construir a distribuição de probabilidades para o número obtido neste experimento. 3 8 4 7 5 6
84
Histograma 0,125 Número obtido
85
Exemplo 1 2 3 16 Construir a distribuição de probabilidades para o número obtido neste experimento. 4 15 5 14 6 13 7 12 8 11 10 9
86
Histograma Número obtido
87
Dúvida... Qual é o número máximo de setores que se consegue em um círculo? Resp: Infinitos
88
Variável Contínua Como existem infinitos resultados possíveis, o número obtido no experimento, temos uma situação próxima à da variável contínua. Como ficaria o histograma?
89
Histograma? 1 8 Área = 1
90
Dúvida... Qual é a probabilidade dessa variável aleatória contínua assumir um determinado valor (10, por exemplo)? Resposta: A probabilidade de uma variável aleatória contínua assumir exatamente um determinado valor é zero.
91
Probabilidades... As probabilidades não podem mais ser calculadas através de equações do tipo P(X=k) = FÓRMULA. Para identificar uma distribuição contínua, existe a função densidade de probabilidade, que é uma equação do tipo y=f(x).
92
Função da Densidade de Probabilidade
A função densidade de probabilidade está relacionada com a probabilidade da variável aleatória contínua assumir algum resultado possível.
93
Função Densidade de Probabilidade
f(x) variável aleatória
94
Variável Contínua O estudo de uma variável aleatória contínua é análogo ao das variáveis discretas. A distribuição de probabilidades indica, para uma variável aleatória, quais são os resultados que podem ocorrer e qual é a probabilidade de cada resultado acontecer.
95
Variável Contínua Características
A área sob a função densidade é 1. f(x) variável aleatória área = 1 (ou 100%)
96
Variável Contínua Características
A probabilidade da variável aleatória assumir um valor determinado é zero, pois existem infinitos resultados possíveis. As probabilidades sempre se referem a intervalos de valores.
97
Características f(x) X k P(X=k) = 0
98
Variável Contínua Características
A probabilidade da variável aleatória assumir um valor em um intervalo é igual à área sob a função densidade naquele intervalo.
99
Características P(a < X < b) = área amarela f(x) X a b
100
Exercício Sobre o centro de um círculo, é fixado um ponteiro, o qual é girado e anota-se o ângulo formado pelo ponteiro com o eixo horizontal, como na figura a seguir.
101
Exercício Definir a função densidade de probabilidades para o ângulo () obtido neste experimento.
102
Exercício f(x) 0o 360o X Área = 1 1 360
103
Exercício Qual é a probabilidade de se obter um ângulo entre 30o e 60o?
104
Exercício área = 60 - 30 360 - 0 = 1 12 = 0,0833 f(x) 0o 360o X
P(30o < X < 60o)
105
Distribuição Uniforme
f(x) 1 f(x) = 1 X
106
Distribuição Uniforme
f(x) X a b b - a P(a < X < b) =
107
Distribuição Normal
108
Função Densidade - média - desvio padrão
109
Distribuição Normal f(x) X
110
Características Variável identificada pela média e pelo desvio padrão.
X
111
Média e Desvio Padrão = 1 = 2 = 3 = 4 X
112
Média e Desvio Padrão = 3 1 2 3 X
113
Características Simetria em relação à média. 50% X
114
Características A área sob a curva entre a média e um ponto qualquer é função da distância padronizada entre a média e aquele ponto. Distância padronizada - distância expressa em função do número de desvios padrões (distância dividida pelo desvio padrão).
115
Exemplo + - área = 68,3%
116
Exemplo +2 -2 área = 95,4%
117
Exemplo +3 -3 área = 99,7%
118
Características As áreas referem-se a probabilidades. P ( X < a ) X
a
119
Normal Padronizada O cálculo de áreas sob a curva normal é consideravelmente complexo. Por isso, é conveniente trabalhar com valores padronizados.
120
Normal Padronizada Para padronizar uma variável normal, toma-se a média como ponto de referência e o desvio padrão como medida de afastamento.
121
Normal Padronizada X - Z = Z - variável normal padronizada
X - variável normal - média - desvio padrão
122
Normal Padronizada = 1 Z = 0
123
Normal Padronizada - + -2 +2 X Z -2 -1 1 2
124
Exemplo O peso de uma peça é normalmente distribuído com média de 500 gramas e desvio padrão de 5 gramas. Encontrar os valores padronizados relativos aos pesos: 485g, 490g, 495g, 500g, 505g, 510g e 515g.
125
Exemplo X = 510 g Z = X - 5 = = 10 5 = 2
126
Exemplo = 5 X 500 495 -1 505 1 510 490 2 -2 485 515 -3 3 Z
127
Exemplo P(X<510) = P(Z<2) = 5 X 500 510 2 Z
128
Exercício Com base na tabela da normal padronizada, calcular:
a) P(Z < -1) Z -1 0,158655
129
Exercício b) P(Z > 1) Z 0,158655 +1
130
Exercício c) P(Z < 1) 0,841345 Z 1
131
Exercício c) P(-1 < Z < 1) 1- 0, 158655 - 0,158655 = 0,68269 Z 1
1 -1
132
Exercício c) P(-2 < Z < 2) 1 - 0, 022750 - 0,022750 = 0,9545 Z 2
2 -2
133
Exercício c) P(-3 < Z < 3) 1- 0,001350 - 0,001350 = 0,9973 Z 3
3 -3
134
Exercício 6 Supondo que a vida útil dos pneus de caminhões seja normal, com média de Km e desvio padrão de Km, qual é a probabilidade de um pneu, escolhido ao acaso, apresentar vida útil de: a) menos de Km? 0,158655
135
Exercício 6 Supondo que a vida útil dos pneus de caminhões seja normal, com média de Km e desvio padrão de Km, qual é a probabilidade de um pneu, escolhido ao acaso, apresentar vida útil de: b) mais de Km? 0,158655
136
Exercício 6 Supondo que a vida útil dos pneus de caminhões seja normal, com média de Km e desvio padrão de Km, qual é a probabilidade de um pneu, escolhido ao acaso, apresentar vida útil de: c) entre Km e Km? 0,68269
137
Exercício 6 Supondo que a vida útil dos pneus de caminhões seja normal, com média de Km e desvio padrão de Km, qual é a probabilidade de um pneu, escolhido ao acaso, apresentar vida útil de: d) entre Km e Km? 0,9545
138
Exercício 6 Supondo que a vida útil dos pneus de caminhões seja normal, com média de Km e desvio padrão de Km, qual é a probabilidade de um pneu, escolhido ao acaso, apresentar vida útil de: e) entre Km e Km? 0,9973
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.