08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Distribuições de Probabilidade
1
Variável Aleatória
Uma variável aleatória pode ser classificada em:
• Variável aleatória discreta
• Variável aleatória contínua
Uma v.a. é discreta quando o conjunto de valores possíveis que ela assume for finito ou infinito enumerável.
Uma v.a. é contínua quando o conjunto de valores possíveis que ela assume for não enumerável.
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
3
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.
Variável Aleatória Contínua
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:
Distribuições contínuas
3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
0 .0 0 0 .0 1 0 .0 2 0 .0 3 0 .0 4
P e s o
Densidade
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
5
‐ a distribuição dos valores é aproximadamente simétrica em torno de 70 kg;
A análise do histograma indica que:
‐ 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%).
Variável Aleatória Contínua
Vamos definir a variável aleatória
Como se distribuem os valores da variável aleatória X, isto é, qual é a distribuição de probabilidades de X ?
X: peso, em toneladas, de uma carga escolhida ao acaso da população.
3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
0 . 0 0 0 0 . 0 1 5 0 . 0 3 0
P e s o
Densidade
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
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).
Variável Aleatória Contínua
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.
Nem todos os fenômenos se ajustam à distribuição Normal.
Exemplo:
Y: Duração, em horas, de uma lâmpada de certa marca.
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
9
Modelos Contínuos de Probabilidade
Variável Aleatória Contínua
:• Associamos probabilidades a intervalos de valores da variável.
• Assume valores num intervalo de números reais.
• Não é possível listar, individualmente, todos os possíveis valores de uma v.a. contínua.
Variável Aleatória Contínua
Uma v.a. X contínua é caracterizada por sua função densidade de probabilidade f(x) com as propriedades:
(i) A área sob a curva de densidade é 1;
(ii) P(a ≤ X ≤ b) = área sob a curva da densidade f(x) e acima do eixo x, entre os pontos a e b;
(iii) f(x) ≥ 0, para todo x;
(iv) P(X = x0) = 0, para x0 fixo.
Propriedades dos Modelos Contínuos
Assim, P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b).
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
11
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:
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.
f(x) = 1/(b-a), se a ≤ x ≤ b.
Variável Aleatória UNIFORME
O gráfico da f.d.p da U(0,1).
1,0 0,8
0,6 0,4
0,2 0,0
1,50
1,25
1,00
0,75
0,50
Valores de X
Função densidade de probabilidade de X - f(x)
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
13
A DISTRIBUIÇÃO NORMAL
1 2
1
2( ) e
2
x
f x
⎛ −μ⎞
− ⎜⎝ σ ⎟⎠
= σ π
, – ∞ < x < ∞.Pode ser mostrado que
1. μ é o valor esperado (média) de X ( ‐∞ < μ < ∞);
2. σ 2 é a variância de X (σ 2 > 0).
Notação : X ~ N(μ ; σ 2)
A v. a. X tem distribuição Normal com parâmetros μ e σ2 se sua função densidade de probabilidade é dada por
Variável Aleatória NORMAL
Propriedades de X ~ N(
μ
;σ
2 )• μ é o valor esperado (média) de X;
• σ 2 é a variância (e, portanto, σ é o desvio padrão);
• x = μ é ponto de máximo de f (x);
• f (x) → 0 quando x → ±
∞ ;
• μ ‐ σ e μ + σ são pontos de inflexão de f (x);
• a curva Normal é simétrica em torno da média μ.
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória NORMAL
15
Curvas Normais com mesma variância σ2 mas médias diferentes (μ2 > μ1).
A distribuição Normal depende dos parâmetros
μ
eσ
2μ1 μ 2
N(μ1; σ2) N(μ2; σ2)
x
Variável Aleatória Contínua
Curvas Normais com mesma média μ, mas com variâncias
σ σ
Influência de
σ
2 na curva Normal N(μ;σ12)N(μ; σ22) σ22 > σ12
μ
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória NORMAL
17
Cálculo de probabilidades
P(a < X < b)
a μ b
Área sob a curva e acima do eixo horizontal (x) entre a e b.
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)
P(X < 100) = 0,0912.
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória NORMAL
19
b) Qual deve ser o tempo de prova de modo a permitir que 95%
dos alunos terminem dentro do prazo estipulado?
P(X< x) = 0,95, ou seja, x = 144,67 min. X: tempo gasto na prova ⇒ X ~ N(120; 152)
Z
120 x X
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:
0
1 ≥
= e − , x
f(x) μ x μ
Pode‐se mostrar que
σ2 = µ2 e que P(X ≤ a) = 1 ‐ e ‐a/ µ , a ≥ 0.
Notação: X ~ Exp(µ)
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória EXPONENCIAL
21
Gráfico da f.d.p da Exp(1).
0 0 ,2 0 ,4 0 ,6 0 ,8 1 1,2
x
f(x)
Variável Aleatória EXPONENCIAL
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
08/05/2014 Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade
Variável Aleatória Contínua
23
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.
Gráfico de Probabilidades
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.
Construção do Gráfico de probabilidades:
08/05/2014
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 25
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.
Gráfico de Probabilidades
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.
Gráfico de Probabilidades
08/05/2014
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 27
Tabela A. Dados (já ordenados)
Observação Dado Observação Dado
1 0,03257 11 0,94661
2 0,09560 12 1,05534
3 0,14279 13 1,26731
4 0,20426 14 1,31419
5 0,21507 15 1,31554
6 0,25680 16 1,62219
7 0,61596 17 1,98849
8 0,68740 18 2,28708
9 0,76079 19 2,48113
10 0,77090 20 3,81403
Gráfico de Probabilidades
Para a distribuição exponencial temos que
Assim, fazendo P(X ≤ xie) = (i – 0,5)/20 (2)
e igualando (1) e (2), segue que
xie = ‐ 1,094× ln[1‐(i – 0,5) / 20]
Gráfico de Probabilidades
P(X ≤ xie) = 1 ‐ e – xie /1,094 (1)
08/05/2014
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 29
Gráfico de Probabilidades
Tabela B. Amostra esperada sob a distribuição exponencial com média 1,094
i xi (i-0,5)/20 xie
1 0,03257 0,025 0,02770
2 0,09560 0,075 0,08529
3 0,14279 0,125 0,14608
4 0,20426 0,175 0,21045
5 0,21507 0,225 0,27885
6 0,25680 0,275 0,35181
7 0,61596 0,325 0,42999
8 0,68740 0,375 0,51418
9 0,76079 0,425 0,60540
10 0,77090 0,475 0,70493
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
Gráfico de Probabilidades
08/05/2014
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade 31
Gráfico de probabilidades exponencial para os dados da Tabela A - MINITAB (scatterplot)
4 3
2 1
0 4
3
2
1
0
Valores observados
Valores esperados
Gráfico de Probabilidades