Baixe o app para aproveitar ainda mais
Prévia do material em texto
Unijorge Disciplina: Estatística Aplicada Professor: Jonatas SES 2015.1 Embora os jogos de azar fossem conhecidos desde 3500 a.c. pelos egípcios, somente no sec. XVII iniciou- se oficialmente os estudos de probabilidade com base nesses jogos . Apesar de não ser possível precisar a origem da probabilidade, desconfia-se que em algumas civilizações antigas, já se estudava a existência de regularidade em fenômenos aleatórios. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 O Cálculo das Probabilidades se desenvolveu, a partir do século XVII, de forma independente, porém, paralela ao desenvolvimento da Estatística como disciplina científica. Em 1651, Blaise Pascal (1623-1662) e Pierre de Fermat (1601- 1665) estabeleceram os Princípios do Cálculo das Probabilidades a fim de solucionar os problemas de jogos de azar proposto por um amigo apaixonado por jogos, o Chevalier De Meré. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Diversos matemáticos foram interessando-se pelo estudo de Probabilidade e com isso grandes resultados surgiram. O matemático Laplace (1749-1827) incorporou os estudos que vinham sendo desenvolvidos em probabilidade no “Tratado analítico das probabilidades”, desenvolvendo a definição clássica de probabilidade Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 o Cálculo das Probabilidades e a Estatística, que vinham sendo desenvolvidas separadamente, incorporam-se de tal forma que hoje a Teoria das Probabilidades é uma das bases da Estatística. Com o Cálculo das Probabilidades, a Estatística pôde ser impulsionada teoricamente e chegar ao extraordinário desenvolvimento e aperfeiçoamento alcançado. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Além das aplicações formais de probabilidade, o conceito de probabilidade está no nosso dia-a-dia em frases como: Provavelmente vai chover amanhã. É provável que o avião atrase. Há boas chances de eu comparecer a aula amanhã. Essas expressões estão baseadas na probabilidade de que certo evento ocorra Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Determinísticos: Ocorrem quando, dadas as condições de experimentação, pode-se determinar ou predizer, com certeza, o resultado final do experimento. Os modelos matemáticos consistem em uma simplificação da realidade. São uma idealização das características do fenômeno observado. Eles podem ser: Exemplo: Formulações matemáticas e físicas para comprovação de teorias, como a lei da queda e movimentos dos corpos. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Não – Determinísticos (ou probabilísticos ou estocásticos): Ocorrem quando não é possível predizer, com certeza, o resultado antes da realização do experimento. Exemplo: O estudo do efeito de um fertilizante químico em uma parcela do solo; A taxa de inflação do próximo mês. Um médico investigando o efeito de uma droga administrada em pacientes; Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 De uma forma em geral, a Teoria das Probabilidades visa definir um modelo matemático probabilístico que seja conveniente à descrição e interpretação de fenômenos aleatórios. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Lançamento de um dado e observação dos resultados. Utilização de um novo medicamento para uma dada doença em três pacientes e observação de cura ou não Uma Lâmpada é fabricada e observa-se o seu tempo de vida. Lançamento de duas moedas São aqueles onde o processo de experimentação está sujeito a influências de fatores casuais e conduz a resultados incertos. (E) Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Cada experimento poderá ser repetido um grande número de vezes sob as mesmas condições; Em cada repetição do experimento, não podemos afirmar que resultado particular ocorrerá, porém podemos descrever o conjunto de todos os resultados possíveis do experimento - as possibilidades de resultado; Quando o experimento é repetido um grande número de vezes, surgirá uma regularidade nos resultados. Esta regularidade, chamada de regularidade estatística, é que torna possível construir um modelo matemático preciso com o qual se analisará o experimento. Características de um experimento aleatório: (E) Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Conjunto de todos os resultados possíveis de um experimento E: Lançamento de um dado e observação dos resultados. E: Utilização de um novo medicamento para uma dada doença em três pacientes e observação de cura ou não. Cada um dos elementos de que corresponde a um resultado recebe o nome de “ponto amostral” (). () Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Qualquer subconjunto do espaço amostral () de um experimento aleatório. A: Ocorrência de números pares no lançamento de um dado e observação dos resultados. B: Dois pacientes curados em um experimento de um novo medicamento com 3 pacientes. Em relação aos dois experimentos do slides anterior teríamos: (A, B, ...) Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Evento simples ou elementar É o evento formado por um único ponto amostral. Exemplo: D: A observação de três pacientes curados Evento certo É o evento formado por todos os pontos amostrais. Exemplo: F: sair um número menor ou igual a 6: Evento impossível É o evento que não possui elementos em . Exemplo: G: Sair a face 7 no dado. (A, B, ...) Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 • Entre eventos em um mesmo espaço amostral são permitidas todas as operações relativas aos conjuntos contidos num mesmo conjunto universo, como: • Ao realizar um experimento aleatório diz-se que o evento A ocorreu se o resultado observado for um elemento do subconjunto A. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Exemplo: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Exemplo: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Evento B: representa sair face par B = {2, 4, 6} Evento C: representa sair uma face ímpar C = {1, 3, 5} Evento D: representa sair uma face maior que 3 D = {4, 5, 6} Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 a) Observar o sexo de uma criança ao nascer. b) Lançar uma moeda três vezes sucessivamente e observar a face voltada para cima. Anotar a sequência de caras e coroas. c) Lançar uma moeda três vezes sucessivamente e observar a face voltada para cima. Registrar o número de caras ocorrido. d) Registrar o número de pessoas atendidas num ambulatório no período de 24 horas. e) Lançar uma moeda e um dado, simultaneamente, e registrar os resultados ocorridos nas faces voltadas para cima. f) Um lote de dez peças contém três peças defeituosas. As peças são retiradas uma a uma, sem reposição, até que a última peça defeituosa é encontrada. O número total de peças retiradas é registrado. g) Peças são fabricadas até que dez peças perfeitas sejam produzidas. O número total de peças fabricadas é anotado. 1) Descrever o espaço amostral para cada um dos seguintes experimentos: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 2) Com baseno experimento do exercício 1.e), relacione os elementos dos seguintes eventos: a) aparece coroa e número ímpar. b) aparece coroa e número par. c) aparece coroa. d) aparece número ímpar. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Calcular uma probabilidade é medir a incerteza ou associar um grau de confiança aos resultados possíveis de um experimento. Por exemplo, ao escolher, ao acaso, uma carta de um baralho comum (bem embaralhado), o que é mais provável: Sair uma figura ( K, Q, J ) ou Sair o Ás de copas? Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 As probabilidades associam aos eventos um valor no intervalo [0,1]. Quanto maior o valor associado ao evento, maior a certeza de sua possibilidade de ocorrência. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Evento B: representa sair face par Evento C: representa sair uma face ímpar Evento D: representa sair uma face maior que 3 Evento F: representa sair face 1 Calcule: P(B) = P(C) = P(D)= P(F)= Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Na maioria das situações práticas, o espaço amostral não é equiprovável e não podemos calcular probabilidades usando a definição clássica. Neste caso, vamos calcular probabilidades baseado em observações obtidas de um experimento aleatório, e o valor obtido é uma estimativa da probabilidade. A probabilidade frequentista de um evento A é a frequência relativa desse evento quando repetimos o experimento E, n vezes, sob as mesmas condições: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 A terceira característica enunciada do experimento aleatório apresenta o conceito de regularidade estatística quando repetimos o experimento um grande número de vezes. Vamos repetir E 20 vezes, ou seja, jogar a moeda 20 vezes (n=20) Considere: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Resultado referente aos 20 lançamentos da moeda Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Gráfico correspondendo ao número de repetições do experimento versus frequência relativa: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Em uma pesquisa entre estudantes de uma faculdade, 1162 afirmaram que “colavam/pescaram” nos exames, enquanto 2468 afirmaram não “colar/pescar”. Selecionando aleatoriamente um desses estudantes, determine a probabilidade deste estudante ter “colado/pescado” em um exame. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 1) Retira-se uma carta de um baralho completo de 52 cartas. Qual a probabilidade de sair um rei ou uma carta de espada? 2) Se dois dados são jogados. Qual a probabilidade de que a soma das faces sejam iguais a 7? Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Exemplo 6: Determinado produto é produzido por uma indústria em dois turnos de trabalho. Segue dados da produção de um determinado dia: Turno Não Defeituosos Defeituosos Total Matutino 570 30 600 Noturno 396 04 400 Total 966 34 1000 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Experimento aleatório: Uma peça é escolhida ao acaso deste lote. Calcule a probabilidade de ocorrência dos seguintes eventos: Se soubermos que o produto foi produzido no turno Noturno, qual é a probabilidade de ser defeituoso? Temos uma informação parcial (uma condição): o produto foi produzido no turno Noturno. P(D|N) Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Em algumas situações (fenômenos), a ocorrência de determinado evento interfere na ocorrência de outro evento. A probabilidade de um evento D ocorrer, dado que um outro evento N ocorreu, é chamada probabilidade condicional do evento D dado N e é denotada por: P(B) )( )|( BAP BAP No Exemplo 6: Qual a probabilidade de produto selecionada ao acaso ter sido produzido no turno Matutino sabendo que o produto selecionado possui algum defeito? Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 A tabela a seguir resume informações de um levantamento das empresas industriais e comerciais de certo município em determinado ano, discriminando segundo o porte da empresa: Porte da Empresa Atividade Total Indústria Comércio Micro 40 50 90 Pequena 20 40 60 Média 15 20 35 Grande 5 10 5 Total 80 120 200 Qual a probabilidade de selecionarmos ao acaso uma empresa comercial, sabendo que a empresa escolhida é uma pequena empresa? Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Se A e B são dois eventos quaisquer associados ao mesmo espaço amostral, com probabilidades positivas, então, a probabilidade da ocorrência simultânea de A e B, P(A B), é definida por: Exemplo 8: Em um lote de 12 peças, 4 são defeituosas. Retira-se 2 peças do lote, uma após a outra, sem reposição. Qual a probabilidade de que ambas sejam boas? Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Dois eventos, A e B, são estatisticamente independentes se: ou seja, se o evento A é independente do evento B, então, Exemplo 9: Em um lote de 12 peças, 4 são defeituosas. Retira-se 2 peças do lote, uma após a outra, com reposição. Qual a probabilidade de que ambas sejam boas? E a de que a primeira seja defeituosa e a segunda seja boa? e Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Exemplo 11: Uma urna contém 3 bolas brancas e 2 amarelas. Uma segunda urna contém 4 bolas branca e 2 amarelas. Escolhe-se , ao acaso, uma urna e dela retira-se, também ao acaso, uma bola. Qual a probabilidade de que seja branca? Seja B um evento qualquer associado a . A probabilidade associada ao evento B é dada por: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 a) Qual a probabilidade do parafuso, escolhido ao acaso, ser defeituoso? Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Suponha que um fabricante de sorvetes recebe 20% de todo o leite que utiliza da fazenda F1, 30% da fazenda F2 e 50% da fazenda F3. Um órgão de fiscalização inspecionou as fazendas de surpresa e observou que 20% do leite produzido na fazenda F1 estava adulterado por adição de água, enquanto que para F2 e F3, essa proporção era de 5% e 2%, respectivamente. Na indústria de sorvete os galões de leite são armazenados em um refrigerador sem identificação das fazendas. Ao escolher ao acaso um galão de leite para analisar uma suposta adulteração, e verificar que o galão escolhido está adulterado, qual a probabilidade do leite adulterado ser produzido pela fazenda F1? Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Sejam E um experimento e um espaço amostral associado E. As variáveis aleatórias normalmente são representadas por letras maiúsculas, como X e Y, próximas ao final do alfabeto. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Considere o experimento E: lançar duas moedas. Seja X a variável aleatória que representa o número de coroas obtidas nos doislançamentos. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 A classificação das variáveis aleatórias é feita de acordo com os valores que assumem. Variável aleatória Discreta: Se a v.a. X assume valores em um conjunto finito ou infinito enumerável. Variável aleatória Contínua: Se a v.a. X assume valores em um conjunto infinito não enumerável. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Exemplo 16: Suponha a condução de um estudo sobre o número de atendimentos que um balconista faz durante um dia de trabalho. Os valores possíveis da variável aleatória X são 0, 1, 2, 3, 4 e assim por diante. Uma vez que o conjunto de resultados possíveis pode ser enumerado, X é uma variável aleatória discreta. Exemplo 17: Outra maneira de conduzir o estudo seria medir o tempo gasto pelo balconista no atendimento durante um dia. Uma vez que o tempo gasto no atendimento pode ser qualquer número de 0 a 24 (incluindo frações e decimais), X é uma variável aleatória contínua. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 É uma função matemática que associa probabilidades a valores assumidos pela variável aleatória X. Esta função é diferenciada para os casos em que a variável aleatória em estudo é discreta ou contínua. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Seja X uma variável aleatória com distribuição discreta. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 E: Lançamento de um dado honesto. X: número da face observada A distribuição de probabilidade de X é dada por: X 1 2 3 4 5 6 1/6 1/6 1/6 1/6 1/6 1/6 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 E: Lançamento de duas moedas. X: número de caras obtidas. A distribuição de probabilidade de X é dada por: X 0 1 2 ¼ 2/4 1/4 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Graficamente teríamos: E fórmula teríamos: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 X -3 -1 0 1 2 3 5 8 0,1 0,2 0,15 0,2 0,1 0,15 0,05 0,05 Determine as seguintes probabilidades Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Distribuição Bernoulli Distribuição Binomial Distribuição Multinomial Distribuição Geométrica Distribuição Poisson Algumas distribuições de probabilidade discretas Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Seja X uma variável aleatória com distribuição contínua. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Distribuição Exponencial Distribuição Weibull Distribuição Normal (ou Gaussiana) Distribuição t-Student Distribuição Qui-quadrado Distribuição F Algumas distribuições de probabilidade Contínuas Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Num teste educacional com crianças, o tempo para a realização de uma bateria de questões de raciocínio verbal e lógico é medido e anotado para ser comparado com o modelo teórico. Este teste é utilizado para identificar o desenvolvimento da criança e auxiliar a aplicação de medidas corretivas. O modelo teórico considera, T, tempo de teste em minutos, como uma variável aleatória contínua com função densidade de probabilidade dada por: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Propriedades: V.A. DISCRETA Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Logo X 0 1 2 1/3 1/6 1/2 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Propriedades: V.A. CONTÍNUA Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 a) Encontre a função de distribuição acumulada; Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 V.A. DISCRETA Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 V.A. CONTÍNUA Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 a) Encontre a função de distribuição acumulada; Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 V.A. DISCRETA E CONTÍNUA Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Verifique se a afirmativa abaixo é verdadeira ou falsa, e Justifique a sua resposta Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 V.A. DISCRETA E CONTÍNUA Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 que pode ser reescrita em termos de esperanças da forma Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 V.A. DISCRETA E CONTÍNUA Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 -2 1/5 -2/5 -1 1/5 -1/5 0 1/5 0 3 1/5 3/5 5 1/5 5/5 0 1/8 0 1 6/8 6/8 2 1/8 2/8 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Universidade Federal da Bahia • MAT236 - Métodos Estatísticos • Prof. Jonatas SES • 2012.2 V.A. DISCRETA E CONTÍNUA Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 V.A. DISCRETA Distribuição de Bernoulli; Distribuição Binomial; Distribuição de Poisson. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Lançar uma moeda e observar se ocorre cara ou coroa; Numa linha de produção, observar se um item, tomado ao acaso é defeituoso ou não defeituoso. Observar se um cliente de uma financeira, será inadimplente ou adimplente. São os experimentos mais simples em que observamos a presença ou não de alguma característica em uma única tentativa, ou seja, um experimento com somente dois resultados possíveis: Fracasso ou Sucesso. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Uma variável aleatória segue modelo Bernoulli se assume apenas dois valores possíveis, 0 ou 1, Fracasso ou Sucesso, etc. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Um fabricante afirma que 5% de todas as peças que produz tem duração inferior a 20h. a) Se o fabricante de fato tem razão, qual a probabilidade do lote ser rejeitado? Uma indústria compra semanalmente um grande lote dessas peças com esse fabricante, mas sob a seguinte condição: em uma amostra de 10 peças escolhidas ao acaso do lote, pode haver no máximo uma peça com duração inferior a 20h, caso contrário, o lote é rejeitado. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Em muitas situações, conhecemos o número de sucesso, porém é difícil, e às vezes, sem sentido, determinar o número de fracassos ou o número total de ensaios, por exemplo; Número de carros que passam em uma determinada rua ao longo de 1 dia. Número de falhas de um computador em um dia de operação; Número de buracos por quilômetro em uma rodovia; Número de clientes que chegam a uma determinada agência bancáriadurante seu expediente. Em resumo, o modelo de Poisson representa o experimento em que se observa uma contagem em determinado intervalo de tempo, espaço ou volume. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Função de probabilidade: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Um telefone recebe em média 2 chamadas por hora. Calcule a probabilidade do telefone receber no máximo 3 chamadas em duas horas e a probabilidade do telefone não receber chamadas em 90 minutos. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 V.A. CONTÍNUAS Distribuição de Exponencial; Distribuição de Normal. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 A distribuição exponencial é bastante utilizada para modelar tempo de espera entre ocorrência de eventos. Tem aplicações em áreas diversas, principalmente na teoria da confiabilidade. Alguns exemplo da utilização da distribuição exponencial: Tempo de espera em uma fila; Tempo de sobrevivência de um pacientes após iniciar um tratamento; Tempo de vida de um material eletrônico; Tempo até determinado equipamento falhar. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Função de probabilidade: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Determine: c) A probabilidade da lâmpada queimar antes de 1.000 horas. d) A probabilidade de que ela queime depois de sua duração média. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Universidade Federal da Bahia • MAT236 - Métodos Estatísticos • Prof. Jonatas SES • 2012.2 Das diversas distribuições teóricas de probabilidade, a distribuição normal é uma das (ou até mesmo a) mais importante, visto que, Representa com boa aproximação as distribuições de frequências observadas de muitos fenômenos naturais e físicos; Diversas distribuições importantes, como por exemplo, a Binomial e a Poisson, podem ser aproximadas pela normal, simplificando o cálculo de probabilidades; Em grandes amostras, as distribuições amostral da média e da proporção, se aproximam da distribuição normal, o que nos permite fazer estimações intervalares e testes estatísticos aproximados. Função de probabilidade: Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 - O intervalo (média – 1 desvio padrão ; média + 1 desvio padrão) engloba 68,3% de todas as observações; - O intervalo (média – 2 desvio padrão ; média + 2 desvio padrão) inclui 95,5% dos valores; - O intervalo (média – 3 desvio padrão ; média + 3 desvio padrão) contém 99,7% de todas as observações; Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 34% 34% 2 DP Média 1 DP 1 DP 68,3% 2 DP 95,5% 3 DP 3 DP 99,7% Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 As probabilidades da normal padrão, também conhecida como normal reduzida ou normal zero-um, estão tabeladas. Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1 Os salários de diretores de uma empresa distribuem-se normalmente com média R$8.000 e desvio-padrão R$5.000. Qual o percentual de diretores que recebem: a)Menos de R$6.470,00 b)Entre R$8.920,00 e R$9.380,00 c) Mais de R$9.500,00 Estatística Aplicada • Prof. Jonatas Silva do Espirito Santo • 2015.1
Compartilhar