Baixe o app para aproveitar ainda mais
Prévia do material em texto
13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 1/36 INFERÊNCIA ESTATÍSTICA E SIMULAÇÃO Aula 3 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 2/36 Prof. João Carlos da Silva CONVERSA INICIAL PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES As distribuições de probabilidades ajudam a entender como funciona o comportamento das variáveis aleatórias. Iniciaremos a presente aula caracterizando o fenômeno e definindo as principais características de formação de uma distribuição de probabilidades. A seguir, abordaremos os parâmetros de cada distribuição e como esses valores interferem no experimento. Com essas definições de formação, definiremos a função das distribuições, que agilizam os cálculos e facilitam as simulações de experimentos. Além disso, serão analisadas duas distribuições de probabilidades discretas: Binomial e Poisson; e três distribuições contínuas: Uniforme, Exponencial e Normal. As distribuições de probabilidade ajudam a entender a relação entre a variável aleatória do estudo, com seus parâmetros e resultados obtidos por meio dos modelos matemáticos. Cada distribuição tem suas propriedades e aplicações bem definidas, e com isso, o analista consegue determinar qual distribuição é mais útil para o seu experimento. A relação correta das propriedades, forma de coleta de dados e o comportamento da variável aleatória fica bem clara em cada tipificação de uma distribuição de probabilidade. Ademais, tenha em mente que o estudo de cada distribuição vai aumentar o seu conhecimento para aplicar todas as ferramentas para iniciar uma simulação de dados e uma inferência estatística adequada para cada amostra coletada. A cada etapa, o técnico e o analista aumentarão o aprendizado para aplicações de novos elementos para o ambiente de trabalho. Bons estudos e continue sempre persistindo nos seus ideais! Sucesso. TEMA 1 – DISTRIBUIÇÃO BINOMIAL 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 3/36 A distribuição de probabilidade binomial pertence aos modelos matemáticos das variáveis aleatórias discretas. A sua utilização ajuda a comparar várias observações de interesse, trabalhando com duas hipóteses de conclusão: fracasso ou sucesso, defeito ou não defeito, funciona ou não funciona, e assim por diante. Com isso, é atribuída uma probabilidade para cada um desses estados. A binomial recebe esse nome por ter a característica de trabalhar com duas probabilidades e essas probabilidades serem associadas a um determinado objeto de estudo. Como toda a distribuição de probabilidade, possui um espaço amostral e uma coleção de respostas possíveis e enumeráveis. A sua aplicação é muito importante para estudar eventos nos quais se deseja calcular a probabilidade de ocorrência ou não de um fenômeno aleatório discreto e indicar as decisões a serem tomadas pelo técnico ou responsável pela atividade que está sendo testada. A distribuição binomial é um modelo robusto que auxilia na simulação de várias hipóteses de probabilidades e quantidade de observações. 1.1 DEFINIÇÃO E NOTAÇÃO Para definir uma distribuição de probabilidade binomial, é necessário entender as quatros principais características que identificam essa distribuição. Essas características auxiliam a identificar essa distribuição no momento de iniciar um experimento e começar a análise de dados. Os resultados dessa distribuição são valores discretos, e as observações devem ser claras e objetivas para facilitar o andamento do estudo. Veja, a seguir, as quatro propriedades básicas, com as devidas anotações: Amostra com número fixo de observações – o experimento deve começar e terminar com o mesmo número de observações, caso contrário, os resultados das probabilidades serão alterados. Imagine que se deseja calcular as probabilidades de funcionamento de portas de um certo roteador. Após definir o modelo e a quantidade de portas que devem ser observadas, não deve alterar os dados do problema. Caso o modelo escolhido foi de 5 portas, n=5, esses dados indicaram todos os cálculos e conclusões do experimento. Classificação da observação – Cada evento só pode ser indicado com dois estados de interesse e nunca pode assumir os dois estados. Esses eventos observados são mutuamente exclusivos e testados exaustivamente. Como exemplo, pense em uma observação de um equipamento. Ele pode ser classificado como operando ou fora de operação, isso definido o estado da 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 4/36 observação. O equipamento consegue ser identificado com apenas em um estado, caso contrário não é uma distribuição de probabilidade binomial. Probabilidade de interesse no experimento – esta probabilidade deve ser constante no experimento e deve representar o comportamento da variável aleatória estudada. Essa probabilidade deve ser igual para cada observação analisada e é denominada com variável de interesse ou sucesso do estudo, indicada pela letra p minúscula (p). Por consequência, a probabilidade do evento que não interesse ou fracassou, é denominada com a letra minúscula q (q), que é o complemento da probabilidade de interesse (1-p). Na distribuição de probabilidade binominal, essa característica é fundamental para os cálculos de probabilidade. Como por exemplo, um equipamento tem como informação definida no manual que a probabilidade de falha do equipamento é de 0,00012%. Com isso, sabemos que o complementar é a probabilidade de operação do equipamento (1 – 0,0000012 = 0,9999988), ou seja, 99,99988% de probabilidade de funcionamento do equipamento. Independência no resultado da observação – o resultado de uma observação deve ser independente do resultado de outra observação, cada amostra deve ser selecionada de forma aleatória, em uma população finita com reposição. A resposta de interesse do experimento não deve sofrer influência de outro elemento do estudo. Por exemplo, um técnico deseja estudar a falha de funcionamento elétrico de um equipamento da rede. Essa falha de funcionamento não deve depender de outro equipamento da rede para constatar a falha elétrica. Um resultado deve ser independente do outro, ou seja, a falha do equipamento 1 precisa ser resultante exclusivamente do equipamento 1. Com essas quatros propriedades, é possível indicar os principais elementos de uma distribuição de probabilidade binomial: X – Variável aleatória discreta de interesse no estudo; n – Números de observações da amostra; p – Probabilidade de interesse ou probabilidade de sucesso; q (1-p) - Probabilidade complementar ou probabilidade de fracasso; A notação para distribuição binomial para a variável aleatória X é definida com os parâmetros n e p. Recebe a seguinte notação matemática: X segue uma distribuição de probabilidade binomial 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 5/36 com parâmetros n e p, segundo a equação 1. A distribuição de probabilidade binomial tem grande utilidade para calcular chances de ocorrências em que existam duas classificações possíveis com um número determinado de elementos a serem analisados. Com a definição de um modelo, é possível determinar uma função de probabilidade e um modelo matemático de resolução. 1.2 CONSTRUÇÃO DO MODELO MATEMÁTICO Para definir um modelo matemático, é necessário entender o comportamento da variável da distribuição binomial, compreender cada observação e a relação individual e em conjunto da amostra. Primeiro, é necessário entender o funcionamento das probabilidades e depois as combinações possíveis do experimento. Imagine um experimento em que se deseja verificar o funcionamento de 4 equipamentos retirados de forma aleatória de um estoque de uma empresa, e o resultado da análise será: funcionando ou está danificado. Os resultados possíveis de uma amostra com 4 equipamentos podem ser: nenhum equipamento danificado, um, dois, três ou quatro.Estes são todos os possíveis resultados dessa variável aleatória binomial, com amplitude de zero até o valor máximo da observação. A Tabela 1 identifica uma amostra para identificar o funcionamento de 4 equipamentos: Tabela 1 – Exemplo de coleta de dados Para calcular a probabilidade de 3 equipamentos funcionando e um danificado em uma amostra com 4 equipamentos na sequência especificada acima, pode ser usada a equação a seguir: 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 6/36 Esse resultado indica apenas uma hipótese de coleta. Com uma ordem especifica, pode-se ter outras opções como: o equipamento 1 danificado e os demais não danificados, os três primeiros não danificados e o último danificado, e assim por diante com todas as ordens possíveis. Para encontrar todas as combinações possíveis de selecionar k objetos considerando um número máximo da amostra (n), será necessário utilizar a regra de combinação matemática. A probabilidade de ocorrer exatamente k sucessos em n repetições é denotada na equação a seguir: Considerando que n! é denominado fatorial de n, por exemplo 4!, vai ser igual a: 4 x 3 x 2 x 1. Por definição fatorial de 0 é igual a 1 (0! = 1). Com as duas definições principais da distribuição de probabilidade binomial, é possível calcular a probabilidade do exemplo dos equipamentos de uma empresa. Para completar o raciocínio da binomial, a probabilidade de sucesso, no nosso caso, de encontrar um equipamento danificado é de 2,5%. Essa probabilidade pode ser baseada em dados históricos ou parâmetros fornecidos pelo fornecedor do equipamento. Assim, os dados para resolução dos problemas será: n=4, X=k=1, p = 0,025 e X = encontrar equipamento danificado. Essas definições indicam que o técnico quer verificar a probabilidade de encontrar equipamento danificado em uma amostra com 4 observações. No nosso exemplo, 1 equipamento danificado em 4 possíveis. A resolução desse problema é encontrar o valor dessa probabilidade na distribuição de binomial. A solução é demonstrada na seguinte equação: A resolução indica que existem quatro combinações possíveis. Veja, na Figura 1, a demonstração das sequências possíveis: 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 7/36 Figura 1 – Sequência de combinações possíveis D – Danificado e F – Funcionando Com essas combinações, agora é necessário calcular a probabilidade de encontrar um equipamento danificado em 4 equipamentos em análise. Na equação 4, para cálculo dessa probabilidade, será utilizada a equação para demonstração da resolução: Portanto, a probabilidade de encontrar um equipamento danificado de uma amostra aleatória, com a retirada de quatro equipamentos de um estoque de uma empresa, é demostrada na Figura 2: Figura 2 – Possibilidade de um evento da distribuição binomial 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 8/36 A probabilidade de encontrar um equipamento danificado em uma amostra de quatro equipamentos é 4 x 0,023 = 0,092, ou 9,2% de chance de ocorrência. Com essa definição, é possível calcular qualquer probabilidade de ocorrência de equipamentos danificados, com probabilidade de ocorrência de 2,5%. Esses cálculos são bastante intuitivos, porém demandam muito esforço matemático. Assim, a distribuição de probabilidade de binomial possui um modelo matemático que agiliza proporcional velocidade nos resultados. Lembrando que, para ser uma distribuição binomial, deve atender às quatros propriedades já apresentadas. 1.3 FUNÇÃO DE PROBABILIDADE E PARÂMETROS O modelo matemático que encontra qualquer probabilidade de k eventos de interesses em uma distribuição binomial baseada em valores de n (tamanho da amostra) e p probabilidade de sucesso). O modelo é consolidado na equação a seguir, agilizando e simulando qualquer ocorrência dentro do espaço amostral definido no experimento. Essa equação define a probabilidade de que X seja igual a um valor de k, dados os valores de n e p. Desta maneira, é possível encontrar todas as probabilidades X=k=0, até X=K=n, no nosso experimento, o k indica a quantidade de equipamento danificados. Para demonstrar os cálculos, segue a Tabela 2 como todos os cálculos de k=0 equipamentos danificados até k=4 equipamentos danificados. Tabela 2 – Probabilidade da distribuição binomial (n=4 e p = 0,025) 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 9/36 A tabela traz algumas probabilidades bem importantes, como a probabilidade de encontrar um equipamento danificado em uma amostra de quatro equipamento é de 90,37%. Imagine que a amostra tenha 50 equipamentos. A fórmula de função de probabilidade ajuda a encontrar todas as probabilidades contidas no espaço amostral. Essa função está disponível na maioria dos simuladores e programas matemáticos, auxiliando na previsão de acontecimentos e programação de atividades técnicas, pois conhecer a probabilidade de encontrar equipamentos danificados em um lote de 50 equipamentos torna o planejamento técnico mais eficiente. Existem dois parâmetros muito importantes em uma função de probabilidade binomial, que indicam pontos importantes no comportamento da variável aleatória discreta. Veja, a seguir, os dois parâmetros fundamentais nesta distribuição: a) Média aritmética ou valor esperado – é o valor esperado naquele conjunto de dados de um experimento com distribuição binomial, indica a relação entre o tamanho da amostra e a probabilidade de sucesso da variável que está sendo estudada. A equação 7, ilustra esta relação matemática: Imagine que no problema de 50 equipamentos em um estoque, com a equação do valor esperado, é possível calcular a quantidade média de equipamento danificados neste lote. Com base no tamanho da amostra (n=50) e da probabilidade de equipamento danificado (2,5%), demostrado na resolução da equação a seguir: Este valor é esperado, com repetidas amostras de n=50, com a mesma probabilidade de sucesso. b) Desvio-padrão ou erro-padrão – indica a variação que pode ocorrer na amostra que está sendo analisada, tanto para cima como para baixo. Esse intervalo é uma noção básica que pode ocorrer com a amostra estudada. Continuando com o exemplo do estoque com 50 equipamentos, o desvio-padrão pode indicar a variação possível de equipamento com 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 10/36 problema. A equação a seguir indica a fórmula do desvio-padrão e a resolução da variação deste lote de equipamentos: Com esses dados, será construído um intervalo de equipamentos danificados com n=50 e p = 0,025, conforme mostra a Figura 3. Figura 3 – Intervalo da distribuição binomial (n=50 e p = 0,025) Com esse intervalo, a quantidade de equipamentos danificados pode variar de zero a 3 equipamentos. Essas informações são bem úteis para o planejamento de operações, manutenção de redes, previsão de paradas e garantia de equipamentos. As definições estratégicas têm uma ferramenta de apoio importante na tomada de decisão dos envolvidos em um projeto. TEMA 2 – DISTRIBUIÇÃO POISSON A distribuição de probabilidade Poisson é baseada em contagem de eventos específicos dentro de uma área, região ou local estabelecido. Essa distribuição analisa eventos discretos em uma amostra com coleta aleatória. Pode ser especificado como: área, volume, intervalo de tempo ou qualquer outra unidade física, tendo contagens de um experimento em análise. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 11/36 Essa distribuição verifica e especifica valores dentro de um espaço de estudo, contando eventos que ocorrem nenhum espaço amostral, com número de amostra definida ou não definida. É muito utilizada para detectar chegadas, erros e contagens, dentro de áreas de interesse. A sua aplicação é muito importante para estudar eventos nos quais se deseja calcular a probabilidade de ocorrência de uma variável aleatória discreta em situações de ocorrência de um fenômenoem um intervalo de interesse. A distribuição Poisson é um modelo que é robusto para estudos de filas e auxilia na simulação de chegadas e contagem por área. 2.1 CONCEITO DA DISTRIBUIÇÃO DE POISSON A distribuição de Poisson utiliza contagem experimento pré-definido em condições em que é possível definir espaço de análise. Condições favoráveis na área de Tecnologia, como exemplo: número de falhas em uma rede de computadores em um determinado dia, números de pacotes entregues em um banco de dados em um minuto, entre outros experimentos. A distribuição de Poisson, além disso, auxilia no cálculo de probabilidades casos, como citados anteriormente, de maneira assertiva e eficaz. Em muitos estudos, os responsáveis técnicos necessitam de tal informação para perfis de rede, estimativas de eventos e previsões de operações. Essa distribuição possui quatro propriedades básicas: Contagem em uma área pré-definida do número de vezes que um evento ocorre em uma determinada área, tempo, extensão ou limites semelhantes. Por exemplo: quantidade de atendimento de cliente em um determinado dia, quantidade de pacotes entregues por minuto em um banco de dados e outros com a especificação de uma área de interesse. Existe um número esperado de eventos por área de ocorrência, como por exemplo: quantidade média de erros de pacotes por minuto, indisponibilidade média de uma rede em uma hora, entre outros. O número de eventos em uma determinada área deve ser independente aos que ocorrem em outras áreas. Um fenômeno aleatório não pode interferir em outro fenômeno aleatório. Não é necessário um número exato na amostra estuda, o tamanho da amostra não precisa ser especificado, e sim o evento de contagem. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 12/36 Para ilustrar essas propriedades, imagine a entrega de pacotes de informações em um banco de dados em um intervalo de um minuto. Na Figura 4, é demostrada a chegada desses pacotes no período de um minuto. O evento de interesse é a chegada dos pacotes de dados e a área de interesse é o intervalo de minuto, no caso, chegadas por minuto. Figura 4 – Chegada de pacotes de dados por minuto Na ilustração acima, existe uma contagem por área definida, com isso, podem ocorrer a chegada de zero, um, dois ou infinitos pacotes de dados por minuto. Com isso, é plausível supor que o evento tem a mesma probabilidade de ocorrência em qualquer dos intervalos de tempo estabelecido, existente em um dia de observação do experimento. Neste caso, um evento que ocorreu no intervalo deve ser independente a qualquer outro intervalo com exceção de problemas de equipamento, instabilidade de rede ou queda de energia, que interfiram no funcionamento normal dos eventos estudados. A notação para distribuição Poisson para a variável aleatória X é definida com o parâmetro λ. Recebe a seguinte notação matemática: X segue uma distribuição de probabilidade Poisson com parâmetro λ, segundo a equação a seguir. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 13/36 Com a definição de um modelo, é possível determinar uma função de probabilidade e um modelo matemático de resolução. A distribuição de Poisson é uma excelente simulação para a probabilidade de eventos baseados em ocorrências por área de possibilidades. 2.2 FUNÇÃO DE PROBABILIDADE E PARÂMETROS O modelo matemático para descrever a distribuição de probabilidades de Poisson utiliza um parâmetro único para cálculo de probabilidades. Esse parâmetro é conhecido como número esperado ou médio de ocorrências, denominado pela letra grega minúscula lambda . Esse valor pode ser calculado com base em eventos históricos; pode ser conhecido por meio de informações técnicas de fornecedores ou padronização analíticas de redes lógicas de dados. A função de probabilidade de Poisson analisa um valor da variável aleatória X que seja igual a um valor de k de interesse, dado o valor médio esperado . Desta maneira, é possível encontrar todas as probabilidades, X=k=0, até X=k=infinito, no nosso experimento com k ocorrências. A equação 11 indica como é realizado esse cálculo de probabilidades: λ – número de eventos esperados; e – constante matemática de Neper, aproximada por 2,71828; k – números de eventos (k=0,1,2, ..., ∞). Essa equação desenvolvida por Siméon Denis Poisson não é de fácil entendimento, mas a sua aplicação é inconfundível e aplicada em várias de simulação de teoria de filas. Para entender a aplicação dessa equação matemática, imagine um experimento em que o especialista quer analisar a quantidade de abertura de chamadas para atendimento ao cliente. A primeira informação necessária para o cálculo das probabilidades é o valor médio esperado ( ). Neste exemplo, vamos considerar dados anteriores de três chamados por hora. Utilizando a equação 12, vamos calcular a probabilidade de abertura de um chamado em uma determinada hora do dia, com λ = 3. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 14/36 A probabilidade de abertura de um chamado em uma determinada hora do dia é de 14,94%. Para demonstrar os cálculos, segue a Tabela 3 com todos os cálculos de probabilidades, de k=0 aberturas de chamados por hora, até k=13 aberturas de chamados por hora. Tabela 3 – Probabilidade da distribuição Poisson (λ = 3) A tabela indica que probabilidade de não ter nenhuma abertura de chamado em uma hora é de 4,98%, e a probabilidade de ter acima de 13 chamados é praticamente zero. Essas informações podem auxiliar e facilitar o planejamento de quantidade de operadores que devem ficar de plantão nas empresas e quantos podem sair para atendimento em campo. Essa distribuição também possui média e desvio-padrão, porém é bem mais simples de encontrar. Na Poisson, a média é o valor de lambda (λ), normalmente identificado no experimento que se queira realizar. Veja a equação a seguir para entender melhor. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 15/36 O outro parâmetro é o desvio-padrão que é calculado com a raiz quadrada de lambda , indicando a variação da distribuição. No nosso exemplo, a média é igual a três aberturas de chamadas por hora, que indica o valor esperado para o evento analisado. O desvio-padrão deste experimento é a raiz quadrada de 5 ( ), indicando a variação de abertura de chamados por hora, com intervalo +2,24 e -2,24. Na figura 5, é indicado o intervalo da distribuição Poisson, com várias repetições. Figura 5 – Intervalo da distribuição Poisson (λ = 3) Com esse intervalo, a quantidade esperada de abertura de chamados em uma determinada hora do dia pode variar de 0 até 6 aberturas de chamados. Esse intervalo considerando várias observações. A distribuição Poisson pode ter seu parâmetro lambda atualizado, conforme sofra alteração ao longo do tempo, deixando, com isso, as simulações de probabilidades sempre atualizadas. Essa distribuição pode auxiliar no planejamento e análises de atividades que necessitem de paradas, manutenções preventivas e previsão de filas de atendimento, uma distribuição muito robusta e útil no trabalho do técnico e do especialista. Com isso, identificamos as duas principais distribuições de probabilidades discretas: Binomial e Poisson. TEMA 3 – DISTRIBUIÇÃO UNIFORME 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 16/36 A distribuição uniforme é a primeira que será analisada com uma variável aleatória contínua considerando um espaço amostral contínuo de respostas. Nesta distribuição, o valor da probabilidade apresenta a mesma chance de ocorrência dentro de um intervalo finito pré- estabelecido. Como a variável aleatória é continua, as respostas serão também contínuas e resultado de medições dentro do espaço amostral. A distribuição de probabilidade uniforme tem como principal característica que sua distribuição é retangular, definida entre dois pontos a e b. Essa distribuição tem uma grande aplicação para geração de números aleatóriose criação de chaves criptográficas. A distribuição trabalha com eventos equiprováveis e contidos em uma área de solução, pode identificar limites de tolerância e identificar períodos de operação e tempos de manutenção. 3.1 CONCEITOS DA DISTRIBUIÇÃO UNIFORME A distribuição uniforme assume que a variável aleatória continua a assumir valores equiprováveis, dentro de um intervalo definido no experimento. Existem algumas propriedades que auxiliam a compreensão dos conceitos da distribuição de probabilidade uniforme: Probabilidade constante no intervalo de estudo – a probabilidade de ocorrência de eventos no espaço amostral deve ser a mesma no intervalo todo. Imagine que você deseja definir uma escala de manutenção para o final de semana e possui 20 funcionários para escalar. Neste caso, a chance de sorteio de qualquer técnico é exatamente a mesma, que é 1/20 (uma chance em vinte). Por esse motivo, a ocorrência desse evento é equiprovável, e todo o elemento tem a mesma chance de ocorrência. Formato da distribuição é retangular – A função densidade de probabilidade é um retângulo, com a base no intervalo fechado definido no experimento e o valor da probabilidade. Neste caso, como a probabilidade é sempre a mesma no intervalo fechado, a figura de uma base e uma altura constate para os cálculos das probabilidades intervalares. A Figura 6 ilustra a função de probabilidade do exemplo da definição da escala para a manutenção do final de semana. Figura 6 – Distribuição Uniforme 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 17/36 A variável aleatória X é a quantidade de funcionários para sorteio da escala e a f (X) indica a probabilidade igual para todos os elementos do experimento. Esta é uma característica marcante na distribuição de probabilidade uniforme. Intervalo fechado para o experimento – é necessário definir um intervalo para determinar as probabilidades da distribuição uniforme. O intervalo pode ser definido como [a, b], que indica que o valor de a e b estão contidos no intervalo de análise. Indica que o valor de a e menor que o valor de b, valores que serão importantes para definir a probabilidade de ocorrência. No nosso exemplo, o valor de a é igual a 1 e o valor de b igual a 20, assim, o intervalo de probabilidades equiprováveis é [1,20]. Com essas três propriedades, o analista consegue calcular qualquer probabilidade de ocorrência dentro do intervalo do experimento. A notação para distribuição uniforme para a variável aleatória X é definida com os parâmetros do intervalo de análise, a e b. Recebe a seguinte notação matemática: X segue uma distribuição de probabilidade uniforme com parâmetros a e b, segundo a equação 15. A distribuição de probabilidade uniforme tem grande utilidade para calcular chances de ocorrências nas quais existam probabilidades iguais dentre de um intervalo determinado. Com a definição desse modelo, é possível determinar uma função densidade de probabilidade e um modelo matemático de resolução da distribuição uniforme. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 18/36 3.2 FUNÇÃO DENSIDADE DE PROBABILIDADE A função de densidade de probabilidade da distribuição uniforme segue as características fundamentais apresentadas, os valores do intervalo [a, b] e a probabilidade de ocorrência no intervalo. A equação a seguir indica como se comporta a função de X - (f (X)), dentro de um intervalo de amostragem: a = é o valor mínimo de X. b = é o valor máximo de X. A Figura 7 vai ajudar a compreender o cálculo da função densidade de probabilidade. Na distribuição uniforme, o cálculo da área sob a curva é igual ao produto do comprimento pela altura do retângulo e o valor total da área será igual a 1. Figura 7 – Função de densidade da distribuição Uniforme Observe que, no gráfico acima, como a área do retângulo é igual a 1. A base do retângulo é (b - a) e a altura é f (X), então o cálculo da função de probabilidade será demostrado na equação 17: 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 19/36 Nas distribuições contínuas, a probabilidade é calculada encontrando a área de uma f(X), dentro de um intervalo determinado. Para encontrar a probabilidade de um intervalo de ocorrência, será f (X) vezes o intervalo definido para o evento. Assim, para o cálculo da probabilidade de eventos sob a área dessa função, veja a seguinte equação: Nesse caso, o valor da base do retângulo vai depender do intervalo que será analisado, o valor de (a’) para o cálculo da base do retângulo vai ser alterado conforme o problema que está sendo observado. Para facilitar a compreensão desse cálculo, imagine que o tempo para realizar uma operação de manutenção e montagem de um equipamento é de 60 a 90 minutos, e a probabilidade de término da atividade é igual no intervalo citado. O analista precisa saber qual é a probabilidade de a operação durar mais do que 80 minutos, para que possa enviar outro técnico para auxiliar na atividade. Neste caso, a probabilidade desse evento é calculada com a área da figura de interesse, base x altura. A probabilidade que será calculada é P (80 < X < 90), na figura 8, é demostrado o desenho da área da probabilidade. Figura 8 – Função de densidade da distribuição Uniforme (a=60 e b=90) 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 20/36 Para o cálculo da probabilidade de duração da operação de montagem, é realizado o cálculo da área, base vezes a altura. Na equação a seguir, veja o cálculo da probabilidade de a operação durar mais do que 80 minutos: No nosso problema, a base do retângulo foi calculada com a’=80 e b=90. A probabilidade de operação de manutenção e montagem durar mais do que 80 minutos é de 33,33%. Essas informações podem auxiliar e facilitar o planejamento do tempo de operação de uma atividade específica, evitando multas e atrasos no trabalho a ser realizado. A distribuição uniforme possui dois parâmetros importantes na definição e conclusão das atividades técnicas, a média e desvio-padrão. A equação a seguir demostra o cálculo da média aritmética ou esperança matemática. No nosso exemplo, o tempo médio para a manutenção e montagem estudado, considerando um intervalo de 60 a 90 minutos, é demostrado na resolução da equação a seguir: O valor esperado para a operação é de 75 minutos no intervalo de 60 a 90 minutos. O outro parâmetro é o desvio-padrão, que indica a variação do tempo para a operação mencionada no exemplo, que é calculado como indicado na equação 22. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 21/36 Para encontrar a variação do tempo de operação de manutenção, a equação a seguir indica a fórmula do desvio-padrão e a resolução da variação para o intervalo de 60 a 90 minutos: No nosso exemplo, a média é igual a 75 minutos para finalizar a operação e o desvio-padrão desse experimento é de 8,67 minutos. Na Figura 9, é ilustrada a variação esperada nesta operação, indicando o intervalo da distribuição uniforme, com várias repetições. Figura 9 – Função de densidade da distribuição Uniforme (a=60 e b=90) Com esse intervalo, a quantidade esperada para o tempo de manutenção pode variar de 66,33 até 83,67 minutos. Esse intervalo considera várias observações, sempre com o mesmo intervalo e com a mesma probabilidade de ocorrência do evento dentro da área especificada. A distribuição uniforme tem grande utilidade para determinar intervalos de aceitação e duração de atividades. A sua grande utilidade é em tempos de operação e manutenção, auxiliando na criação de procedimentos e padronização nos tempos de atividades. Essa distribuição é bem simples de ser aplicada, pode direcionar como a equipe deve trabalhar, apoiar no planejamento de treinamento e ajudar a entender o andamento das atividades. Lembrando que as probabilidades devem ser equiprováveis, qualquer alteração no andamento do experimento vai alterar o resultado final. O responsável peloexperimento deve estar atento a todos os detalhes no andamento da operação que está sendo analisada. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 22/36 TEMA 4 – DISTRIBUIÇÃO EXPONENCIAL A distribuição de probabilidades exponencial é uma distribuição de uma variável contínua assimétrica à direita. Começa no valor com resultado igual a zero e se estende até o valor do infinito positivo. É semelhante ao funcionamento de sua distribuição discreta, a distribuição de Poisson. Amplamente utilizada para simular a amplitude do tempo decorrido entre chegadas entre dois eventos ou dados. A distribuição exponencial trata do tempo de ocorrência entre duas variáveis consecutivas e estima o tempo de espera ou atendimento. Esse tempo de análise descreve uma variável aleatória exponencial, que descreve o comportamento de uma fila de serviço. O conhecimento dessa distribuição é muito útil para prever atendimentos consecutivos, filas de espera e tempo para atendimento. A distribuição exponencial, por sua vez, considera o tempo como uma variável continua para a sua análise e tomada de decisão. O tempo é uma variável importante para definir estratégias, trabalhar com instalações e manutenções preditivas. 4.1 CONCEITOS DA DISTRIBUIÇÃO EXPONENCIAL A distribuição exponencial trata de analisar o tempo decorrido entre duas variáveis aleatórias discretas. Neste caso, o tempo é a variável aleatória contínua do estudo. Verifica as probabilidades envolvidas no tempo decorrido após o acontecimento de um evento, funcionando como um monitoramento de chegada. A distribuição trabalha com o tempo, como uma variável decisória e as chegadas são verificadas constantemente. Quando um evento acontece, existe um espaço para o acontecimento de outro evento, e esse espaço pode ocorrer a qualquer momento. A Figura 10 ilustra como funciona o andamento da chegada de dados e os intervalos entre essas chegadas. Figura 10 – Chegada de dados 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 23/36 A distribuição utilizada, o tempo de chegadas entre os eventos, identificado com as letras (a, b e c) e o acontecimento dos eventos com os números (1,2, 3 e 4), como elementos fundamentais para o estudo das probabilidades dos intervalos de chegadas por unidade de tempo. A distribuição exponencial tem duas propriedades para descrever o fenômeno do tempo entre chegada entre duas variáveis: a) Parâmetro de chegada: a distribuição exponencial utiliza como parâmetro de taxa média de chegada por unidade de tempo o lambda minúsculo (λ). Desta maneira, é obtido o número de chegada média por unidade de tempo, por exemplo: clientes dando entrada em um pedido de manutenção, tempo entre falhas de equipamentos e monitoramento de acidentes de trabalho. b) Especificação da variável aleatória continua (X): na distribuição exponencial, cada evento ocorre em um intervalo de chegada, e o valor de X é o tempo ou distância entre os acontecimentos é a distribuição do tempo de chegada. A variável X só é mensurável se existe a probabilidade de ocorrência de uma chegada de outra variável X. Por exemplo, após ocorrer uma falha em uma rede, acredita-se que haverá um tempo ou intervalo para a ocorrência de outra falha. Na distribuição exponencial, o tempo é elemento decisório no cálculo das probabilidades, auxiliando no planejamento. A notação para distribuição exponencial para a variável aleatória contínua X é definida com o parâmetro λ. Recebe a seguinte notação matemática: X segue uma distribuição de probabilidade exponencial com parâmetro λ, segundo a equação a seguir. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 24/36 A distribuição de probabilidade exponencial pode auxiliar no estudo da distribuição de Poisson, pois analisa a probabilidade do tempo ocorrência entre duas variáveis discretas. Com a definição de um modelo de estudo, é possível determinar os próximos passos nos estudos da função densidade de probabilidade e um modelo matemático de resolução da distribuição exponencial. 4.2 Função densidade de probabilidade A função de densidade de probabilidade da distribuição exponencial, para a extensão de tempo entre as chegadas por unidade de tempo, está expressa na equação a seguir. Indica como se comporta variável discreta X em relação ao tempo médio (λ): λ – média aritmética do número de chegadas por unidade de tempo; e – constante matemática de Neper, aproximada por 2,71828; X – qualquer valor da variável contínua no intervalo (0 < X < ∞). O comportamento da função densidade de probabilidade da distribuição exponencial pode ser observado na Figura 11. Na figura, é analisado o comportamento da variável aleatória continua (X), em função de λ, com valores estipulados para λ = 5, λ = 3 e λ = 1,5. Figura 11 – Chegada de dados 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 25/36 O gráfico demostra que as maiores probabilidades estão perto de lambda. Quanto mais longe do parâmetro, menor a probabilidade. Para facilitar a compreensão desse cálculo, imagine que o técnico quer descobrir a probabilidade de ocorrer uma falha de um equipamento sabendo que acabou de ocorrer o evento falha. Neste caso, a variável de estudo é o tempo até a próxima falha, assim, temos duas formas de calcular essa probabilidade, conforme demostrado nas equações a seguir: Desta forma, é calculada a probabilidade do tempo antes da próxima chegada ou acontecimento que está sendo analisado. Na Figura 12, é ilustrado como é realizado o cálculo da área, referente às equações que acabamos de ver, utilizando simulação com λ=2. Figura 12 – Gráfico com o cálculo de probabilidades (λ=2) 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 26/36 No exemplo da falha de equipamento, o λ considera a média de 2 falhas por dia e o técnico quer verificar qual é a probabilidade de ocorrer outra falha dentro de 24 horas. Neste caso, o valor do tempo analisando é no máximo 24 horas, ou seja, X deve estar contido no intervalo de menor ou igual ao tempo estudo (X ≤ t). Imagine que se quer verificar a probabilidade de uma falha de equipamento antes de 24 horas. Com λ = 2 falhas em 24 horas e X= 1 falha, o cálculo da probabilidade será indicado na equação a seguir: Neste caso, a probabilidade de ocorrer uma falha em 24 horas é de 86,47%. Desta forma, quanto mais perto da média, maior a probabilidade de ocorrer outra falha. Caso necessite de tempo maior que 24 horas, deve se utilizar a equação para valores de X>t. Essa distribuição também possui média e desvio-padrão, e a sua interpretação estará ligada ao tempo entre chegadas entre duas variáveis aleatórias. Na Exponencial, a média do tempo entre chegadas é o valor inverso de lambda (λ), normalmente identificado no experimento que se queira realizar, conforme a equação a seguir. O outro parâmetro é o desvio-padrão que é calculado da mesma maneira que a média da distribuição, a inversa de λ, indicando a variação da distribuição, como mostra a equação a seguir. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 27/36 No nosso exemplo de falha de um equipamento, a média do tempo entre falhas é igual a 1/λ, que é 0,5 dia ou 12 horas. O desvio-padrão desse experimento coincide com o valor calculado para a média, 12 horas entre as falhas, indicando a variação do tempo entre falhas do equipamento que está em análise. Na Figura 12, é indicado o intervalo da distribuição Exponencial com várias repetições. Figura 12 – Intervalo da distribuição Poisson (λ = 2) Com esse intervalo, o tempo médio entre falhas de equipamentos é de 12 horas em uma determinada dia, podendo variar de 0 até 24 para ocorrer uma falha de equipamento. Esse intervalo considera várias observações, em vários dias, para que a distribuição se torne cada vez mais assertiva. A distribuição Exponencial é a única distribuição contínua que perde memória, não importa o tempo de espera paraa próxima falha, a probabilidade para o próximo período será a mesma. Isso acontece porque a distribuição é fortemente assimétrica à direta, intensificando as chances da ocorrência em torno de lambda (λ). Essa distribuição é muito importante na análise de falhas sucessivas, planejamento de manutenção e troca de equipamento, planejamento para troca de equipamentos, acompanhamento de manutenção de rede e verificação de indicadores de desempenho. Com os cálculos da probabilidade de ocorrência de um evento e o tempo médio entre esses eventos, essa distribuição é uma ferramenta muito eficaz e útil no trabalho do técnico e do especialista. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 28/36 TEMA 5 – DISTRIBUIÇÃO NORMAL Esta é a distribuição de probabilidades contínua mais utilizada na estatística, sendo aplicada em vários experimentos aleatórios. Por conseguir descrever vários fenômenos físicos, é utilizada em vários experimentos técnicos, econômicos e de planejamento. A distribuição normal possui uma aproximação eficiente para várias distribuições de probabilidades discretas, como a binomial e Poisson. Isso acontece quando a amostra é grande e existe tendência ao ponto central da distribuição discreta, no caso a média. Outra grande vantagem desta distribuição é que ela proporciona a base para a inferência estatística clássica, indicando os principais intervalos de confiança. A distribuição de probabilidade normal tem sua função simétrica em relação à média e intervalos de erro padrão para indicar os valores de normalidade. A distribuição normal, também conhecida como distribuição de Gauss, revolucionou o entendimento sobre as funções de probabilidades devido à sua fácil aplicação e interpretação. 5.1 CONCEITOS DA DISTRIBUIÇÃO NORMAL A distribuição de probabilidade Normal analisa o comportamento de uma variável aleatória contínua, delimitadas dentro da amplitude do intervalo estudado. Por ser uma distribuição de variável contínua, as probabilidades exatas são sempre iguais a zero, e é possível encontrar probabilidades entre intervalos de valores. A distribuição normal tem algumas propriedades importantes que auxiliam na compreensão de sua formação e aplicação no ambiente de trabalho: a) A distribuição é simétrica, as suas medidas de tendência central são iguais, a média e a mediana. b) A sua forma é simétrica e se centraliza na média, sendo muito parecida com o formato de um sino. c) Possui 50% dos seus valores abaixo da média e 50% dos seus valores acima da média. d) A variável aleatória de estudo pode assumir qualquer valor real de menos infinito a mais infinito ( . e) A distribuição tem dois parâmetros de alocação de probabilidade da variável aleatória, a média aritmética e a variância , e por consequência, o desvio-padrão . 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 29/36 f) Possui um ponto de inflexão à direita e outro à esquerda . Para ilustrar e sintetizar todas essas características e propriedades fundamentais da distribuição de probabilidade normal, observe a Figura 13. Figura 13 – Formato da distribuição normal O formato da distribuição normal tem como principal característica a simetria da função no parâmetro e que a função nunca encosta no eixo X. A notação para distribuição normal para a variável aleatória X é definida com os parâmetros da média e variância. Recebe a seguinte notação matemática: X segue uma distribuição de probabilidade normal com parâmetros , segundo a equação a seguir. Na prática, muitas variáveis aleatórias contínuas se assemelham à curva da distribuição normal, desde o crescimento de uma planta, fabricação de um produto, medidas de uma peça, controle de falhas em procedimento de qualidade, aferição de equipamentos, entre outros. Essa distribuição tem uma vasta aplicação prática e consegue verificar os valores que estão fora dos limites estabelecidos, por parâmetros internacionais ou por indicação do fabricante. Muito útil para análise de banco de dados com muitas amostras e inferências rápidas sobre os dados analisados. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 30/36 5.2 FUNÇÃO DENSIDADE DE PROBABILIDADE O modelo matemático que expressa a função de densidade de probabilidade da distribuição normal não é um modelo trivial. Foi elaborado por Abraham de Moivre, em 1733, descrevendo a função densidade, levando em consideração a média e o desvio padrão da amostra estudada. A função de densidade de probabilidade para a distribuição normal é expressa na equação a seguir: – constante matemática de Pi, aproximada por 3,14159; e – constante matemática de Neper, aproximada por 2,71828; X – qualquer valor da variável contínua, entre ; – média aritmética; – desvio-padrão. Como observado, o modelo matemático não é de fácil aplicação, porém surgiram tabelas para facilitar os cálculos de probabilidades para calcular as áreas de interesse. Neste modelo matemático, X depende somente dos valores da média ( e do desvio-padrão ( . Com esses valores, é possível conhecer o comportamento da variável aleatória X e as várias combinações possíveis de amostra. A figura a seguir ilustra a distribuição normal, com alguns valores de , indicando as principais alterações no formato da função: Figura 14 – Formato da distribuição normal 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 31/36 O comportamento da função é indicado pelos parâmetros da normal ( , as distribuições vermelha, azul e verde, apresentam a mesma média com desvio-padrão diferentes. Neste caso, quanto maior o desvio, maior é a variação da função no eixo X, o que demonstra maior dispersão dos dados. A distribuição rosa difere das outras, pois a sua média aritmética está deslocada em relação às outras, expressando um comportamento distinto das outras funções de distribuição. Os diferentes valores dos parâmetros da distribuição normal geram resultados e formatos diferentes, que muitas vezes complicam a comparação de amostras e consolidação de hipóteses. Por esse motivo e a dificuldade em calcular as probabilidades da distribuição normal, é necessário usar uma transformação matemática para facilitar as intepretações e cálculos. 5.3 DISTRIBUIÇÃO NORMAL PADRONIZADA Para ajudar a encontrar as probabilidades da distribuição normal, foram criadas tabelas com os cálculos da função de densidade de probabilidade da distribuição normal. Essas tabelas facilitam o encontro dos resultados das probabilidades e dispensam o uso da fórmula da função de densidade. Para que isso aconteça de modo eficiente, deve ser feita uma padronização nos dados da distribuição normal. Para isso, observe, a seguir, duas etapas para a padronização e leitura das tabelas de normalização. Fórmula da normalização das variáveis aleatórias: nesta etapa, é utilizada uma fórmula de transformação que converte qualquer valor da variável aleatória normal (X) em uma variável aleatória normal padronizada (Z). O valor dessa nova variável (Z) realiza a diferença entre a variável original (X) e a média aritmética ( . Com isso, encontrando os desvios de cada amostra, depois é realizada a divisão pelo desvio-padrão , conforme indicado na seguinte equação: 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 32/36 Esse procedimento é denominado de escore Z, indicando os desvios-padrão da distribuição normal padronizada. Distribuição normal padronizada: com a padronização, os parâmetros da nova distribuição terão sempre os mesmos valores, . Dessa forma, é possível criar tabelas de cálculos para facilitar a determinação das probabilidades. Segue a figura da distribuição normal padronizada com 3 desvios padronizados para cima e para baixo da média. Figura 15 – Formato da distribuição normal padronizada (Z) Créditos: IAMNEE/Shutterstock Imagine que o técnico está verificando o tempo de conexão de um servidor e encontrou um valor de X = 3 segundos, com. Para encontrar o escore Z dessa observação, é realizado o seguinte cálculo: 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 33/36 Esse valor indica que 3 segundos equivalem a 1 unidade padronizada de desvio-padrão, assim é possível comparar com outros tempos, lembrando que, quanto menor o desvio, menor a dispersão dos dados, considerando que a distribuição tem os novos parâmetros, . Com esse cálculo e a normalização da distribuição, é possível encontrar a dispersão dos dados de uma amostra. Imagine que o analista quer verificar se o tempo de queda de um equipamento está dentro do intervalo de dispersão de 3 desvios-padrão. Foram coletadas 10 observações. Nesse experimento, o fornecedor informou os seguintes parâmetros - . Veja, a seguir, a Tabela 4 com os valores das coletas e com o cálculo do escore Z: Tabela 4 – Escore Z ( ) Verificando o resultado da transformação do escore Z, a distribuição normal padronizada indica que apenas as amostras 4 e 10 estão fora do intervalo previsto no experimento de ± 3 desvios padronizados Z. Quanto mais perto da média definida pelo fabricante, menor vai ser o desvio padronizado Z. Com essas duas etapas, os cálculos de desvios padronizados ficam bem mais simples, o que agiliza os cálculos de probabilidades e as definições de intervalos de confiança. A distribuição normal é muito interessante, tem muita utilidade em vários experimentos na área tecnológica, área em que os erros são cada vez menores e a cobrança por entregar um serviço de qualidade seguindo padrões e diretrizes rigorosas é cada vez mais essencial. Neste momento, o especialista deve atentar em procurar ferramenta de simulação apropriada e dominar os cálculos da 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 34/36 distribuição normal. O aprendizado e a prática levam a processos melhores e confiança nas decisões tomadas pela equipe gerencial. FINALIZANDO Nesta aula, foi apresentado, modelado e exemplificado as principais distribuições de probabilidades utilizadas no mercado de trabalho, sendo acompanhado de suas propriedades, modelos matemáticos e aplicações básicas. Em cada distribuição, foi demonstrado sua importância e relevância na análise de dados e nos cálculos de probabilidade. Também foi identificado os principais parâmetros que devem ser observados nas distribuições e a necessidade de identificar se a variável que está sendo analisada é discreta e contínua. Foram apresentas cinco ferramentas assertivas no encontro de valores de variáveis, probabilidade e intervalos simples do experimento. Ademais, o foco desta aula foi ajudar vocês a entenderem o comportamento da variável, a função de probabilidade, o modelo matemático de formação e a interferência dos parâmetros principais, bem como a construção de modelos estatísticos robustos e cálculos para agilizar as conclusões de experimentos técnicos e econômicos. Tenham em mente que conhecer as distribuições auxilia os responsáveis técnicos a encontrar melhores soluções para problemas que ocorrem no dia a dia de trabalho. Ademais, trabalhar corretamente com as distribuições de probabilidades otimiza o tempo e proporciona dados para uma melhor decisão e planejamento estratégico nas operações técnicas e de manutenção. As distribuições de probabilidades discretas ou contínuas exigem um bom planejamento no experimento, a escolha correta da variável de estudo e uma ambientação correta com as atividades de trabalho. REFERÊNCIAS ANDRADE, D. F.; OGLIARI, P. J. Estatística para as Ciências Agrárias e Biológicas – com noções de experimentação. 2. ed., Florianópolis: Editora UFSC, 2010. BARBETTA, P.A. Estatística para cursos de engenharia e informática. 3. ed. São Apulo: Atlas, 2010. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 35/36 BEKMAN, O. R.; COSTA NETO, P. L. O. Análise estatística da decisão. 2. ed. São Paulo: Blucher, 2009. BUSSAB, W. O.; MORETTIN, P. A. Estatística Básica. 9. ed. São Paulo: Saraiva, 2007. CLARK, J.; DOWNING, D. Estatística Aplicada. São Paulo: Editora Saraiva, 1998. COCHRAN, W. G. Técnicas de Amostragem. Rio de Janeiro: Editora Fundo de Cultura, 1965. DAVID, S. M. A estatística básica e sua prática. Livros Técnicos e Científicos, 2005. FARIAS, A. M. L. Apostila de Inferência Estatística. Rio de Janeiro: Universidade Federal Fluminense, Instituto de Matemática, 2008. GOMES, F. P. Curso de Estatística Experimental. Piracicaba: Livraria Nobel, 1985. LEVINE, D. M.; BERENSON, M. L.; STEPHAN, D. Estatística: Teoria e aplicações. Rio de Janeiro: LTC, 2012. MAGALHÃES, M. N.; LIMA, A. C. P. Noções de Probabilidade e Estatística. 7. ed. EDUSP, 2011. MONTGOMERY, D. C.; RUNGER, G. C., Estatística Aplicada e Probabilidade para Engenheiros. 2. ed. Rio de Janeiro: LTC, 2003. MORRIS, D.; MARK, S. Probability and Statistics. 4.ed. 2012. MONTGOMERY, D. C. Estatística aplicada e probabilidade para engenheiros. Rio de Janeiro, LTC, 2018. SPINELLI, W.; SOUZA, M. S.; Introdução à Estatística. São Paulo, Editora Ática, 1996. 13/04/2023, 20:16 UNINTER https://univirtus.uninter.com/ava/web/roa/ 36/36
Compartilhar