Baixe o app para aproveitar ainda mais
Prévia do material em texto
�PAGE � �PAGE �8� ESCOLA DE ENGENHARIA DE LORENA – USP DISCIPLINA: ESTATÍSTICA Capítulo 6: Variáveis Aleatórias Contínuas 6.1 Conceito de Variável Aleatória Contínua 6.2 Função Densidade de Probabilidade 6.3 Função de Distribuição Acumulada 6.4 Valor Esperado de uma Variável Aleatória Contínua 6.5 Distribuições Mistas 6.6 Alguns Modelos Probabilísticos de Variáveis Aleatórias Contínuas 6.6.1 Variáveis Contínuas Uniformemente Distribuídas 6.6.2 Distribuição Normal 6.6.3 Distribuição Exponencial 6.6.4 Distribuição Gama 6.6.5 Distribuição de Pareto 6.6.6 Distribuição de (Qui – Quadrado) 6.6.7 Distribuição Lognormal 6.6.8 Aproximação das Distribuições Normal e Binomial 6.6.9 Tabelas de Distribuições 6.1 Conceito de Variável Aleatória Contínua Quando uma variável aleatória “X” assumir intervalos de valores ou conjuntos de valores, diz-se que trata-se de uma variável Aleatória contínua, isto é, uma variável aleatória é denominada contínua se ela puder assumir todos os valores de algum intervalo a a ≤ x ≤ b, como indicado na figura. � Observações: 1ª) A área limitada pela totalidade da curva é igual a 1. 2ª) A área limitada pela curva e os pontos a e b representa P(a < x < b). 6.2 Função Densidade de Probabilidade Se X é uma variável aleatória contínua, a função que satisfaz as seguintes condições: f(x) ≥ 0 para todo x Rx é chamada função densidade de probabilidade; e é utilizada no cálculo do valor da probabilidade associada à variável X. Para qualquer a < b (em Rx) P( a < x < b) = Observações: 1ª) P(a < x < b) é igual à área sob a curva, indicada na figura anterior, entre x = a e x = b. 2ª) Constitui uma conseqüência da descrição probabilística de X, acima, que para qualquer valor especificado de x, por exemplo x0, tem-se P(x = x0) = 0; porque: P( x = x0 ) = f(x) . dx = 0 Assim são considerados iguais os valores das seguintes probabilidades: P( a ≤ x ≤ b) = P(a ≤ x < b) = P(a < x ≤ b) = P(a < x < b) 3ª) Comumente se confunde o intervalo ( - ; + ), com o intervalo de variação possível das variáveis, mesmo que estas não assumam efetivamente estes valores; o que significa dizer que os valores ( - ; + ), passam a representar simbolicamente o campo de variação possível da variável em estudo, sendo conseqüentemente a representação do espaço amostral do experimento. Logo: e P(x) = 0, para qualquer valor de x fora deste intervalo ( - ; + ), do experimento. Exemplo: Suponha que uma variável aleatória X, seja contínua, com função densidade de probabilidade dada por: f( x ) = 2x, 0 < x < 1 e f( x ) = 0 , para quaisquer outros valores de x. Calcular: P (x ≤ ½) Solução: fica provado que trata-se de uma função densidade de probabilidade. Então: P ( x ≤ ½) = 6.3 Função de Distribuição Acumulada Seja X uma variável aleatória contínua; define-se a função F como a função de distribuição acumulada da variável, quando for dada por: F(X) = P( X ≤ x ) = Exemplo: Suponha que X seja uma variável aleatória contínua com função densidade de probabilidade dada por: f( x ) = 2x; 0 < x < 1 f( x ) = 0; para quaisquer outros valores de x. Solução: Tem-se: F( x ) = 0; se x ≤ 0 F( x ) = , se 0 < x < 1 F( x ) = 1, se x > 1 F(x) � x Observações: Se X for uma variável aleatória discreta, o gráfico da função acumulada será dado por segmentos de retas horizontais (função em degraus). Se X for uma variável aleatória contínua, o gráfico da função de distribuição acumulada será uma linha contínua (função contínua) Seja F a função de distribuição acumulada de X, uma variável aleatória contínua com função densidade de probabilidade dada por f(x). Então: f(x) = ou f(x) = F’(x) Exemplo: Suponha que uma variável aleatória contínua tenha função de distribuição acumulada dada por: F(x) = 0, se x ≤ 0 F(x) = 1 – е-x, se x > 0 Neste caso: F’(x) = е-x, para x > 0 e a função densidade de probabilidade f(x) será dada por: f(x) = e-x, para x ≥ 0 f(x) = 0 , para quaisquer outros valores de x. 6.4 Medidas de uma Variável Aleatória Contínua Para uma variável aleatória contínua, tem-se; Valor Esperado E(x) = , com x definida somente em [a, b] Variância V(x) = E(x2) – [E(x)]2 Sendo: E(x2) = Desvio Padrão DP(x) = (x) = + Exemplo: Calcular E(x); V(x) e (x), da variável aleatória contínua x cuja função densidade de probabilidade é dada por: f(x) = 2x, para 0 < x < 1 f(x) = 0, para quaisquer outros valores de x. Solução: E(x) = V(x) = E(x2) – [E(x)]2 E(x2) = = V(x) = (x) = + = 6.5 Distribuições Mistas Existem casos onde é possível encontrar uma variável aleatória que possa assumir tanto valores discretos, quanto valores contínuos. Nestes casos diz-se que a variável tem uma distribuição mista de probabilidades e os seus valores são calculados, respectivamente, com os conceitos de: - Função probabilidade - Função densidade de probabilidade 6.6 Alguns Modelos Probabilísticos para Variáveis Aleatórias Contínuas Serão verificados a seguir os modelos de probabilidade mais comuns para variáveis aleatórias contínuas. 6.6.1 Variáveis Aleatórias Contínuas Uniformemente Distribuídas Uma variável aleatória contínua tem distribuição uniforme, com parâmetros e , com < e reais; se sua função densidade de probabilidade for dada por: f(x) = , se ≤ x ≤ f(x) = 0, para os demais valores de x. A representação gráfica da variável é dada por: f(x) � x = a x = b x A representação gráfica da função de distribuição acumulada é dada por: F(x) � x = a x = b x Características da Distribuição de Variáveis Aleatórias Contínuas Uniformes E(x) = V(x) = F(x) = 0, se x < F(x) = , se ≤ x < F(x) = 1, se x ≥ Exemplo: Calcular a função densidade de probabilidade, a esperança matemática e a variância de uma variável aleatória X, contínua e uniformemente distribuída entre – ½ e ½ Solução: f(x) = = E(x) = = E(x) = 0 V(x) = = V(x) = 6.6.2 Distribuição Normal Esta é uma das mais importantes variáveis aleatórias contínuas. Uma variável aleatória X, que assuma todos os valores reais entre - e + , isto é, - < x < + , tem distribuição normal ou Gaussiana, se sua função densidade de probabilidade for da seguinte forma; , para - < x < + Os parâmetros e devem satisfazer às seguintes condições: a) - < < + b) > 0 Esta distribuição é freqüentemente indicada por: N( ) e sua representação gráfica é dada por: f(x) SHAPE \* MERGEFORMAT ��� 0 x Observações: 1ª) f(x) → 0 quando x → ±2ª) Os pontos de inflexão de f(x) são: e Ponto de inflexão é aquele onde a concavidade da curva muda (se modifica). 3ª) E(x) = 4ª) V(x) = 5ª) x = é o ponto de máximo de f(x) e o valor máximo é: 6ª) f(x) é simétrica ao redor de x = ; isto é, f( ) = f( ), para todo e qualquer < x < . 7ª) A forma da distribuição normal gráfica é conhecida como forma de sino. Propriedades da Distribuição Normal Verificação de que; Demonstração: fazendo: t = (x - ) / tem-se que: I(t) = (1/ ) O artifício empregado para calcular esta integral é considerar, em lugar de I, o quadrado desta integral, a saber I2. Deste modo: = Introduzindo coordenadas polares para calcular esta integral dupla, tem-se: s = r.cos t = r. sen O elemento de área ds.dt se transforma em r.dr.dx. Como s e t variam entre - e + ; r varia entre 0 e , enquanto que varia entre o e 2 . . = �� EMBED Equation.3 = 1 Logo: I = 1, comprovando a propriedade enunciada. Se Z tiver uma distribuição N(0,1), diz-se que Z possui uma distribuição normal reduzida ou padrão. Isto é a função densidade de probabilidade de Z pode ser escrita como: A importância desta distribuição esta no fato de que ela sempre possuirá a mesma média, a mesma variância e conseqüentemente o mesmo desvio padrão; podendo assim ser tabelada. Sempre que X possuir uma distribuição N( , ), é possível obter a sua forma reduzida pela adoção da seguinte transformação linear: . A distribuição gráfica será dada por: f(z) SHAPE \* MERGEFORMAT ��� - 1 0 + 1 z Suponha que Z tenha distribuição N(0, 1). Neste caso: Esta integral não pode ser calculada pelos caminhos matemáticos comuns. A dificuldade reside no fato de que não se pode achar a função cuja derivada seja igual a: . Contudo, métodos de integração numérica podem ser empregados para calcular integrais da forma acima e de fato P(z ≤ b) tem sido tabelada. Assim os cálculos de função densidade de probabilidade da variável aleatória X com N( ), serão efetuados através dos valores tabelados de Z que é uma N(0, 1), utilizando-se a transformação da variável: z = , e que é representada graficamente por: f(z) SHAPE \* MERGEFORMAT ��� - 1 0 + 1 z Sendo simétrica e visando uma simplificação da tabela, esta se dá somente para a metade dos valores pois os correspondentes da outra metade serão iguais. Sua representação gráfica fica, então: f(z) SHAPE \* MERGEFORMAT ��� 0 zc z Exemplo: Considere o cálculo, para Z : N(0, 1), de: P(0 ≤ z ≤ 1,73) P(-1,73 ≤ z ≤ 0) P(z ≥ 1,73) P(z ≤ - 1,73) P(0,47 ≤ z ≤ 1,73) Solução: Na tabela: para z = 1,73 obtém-se o valor: 0,4582 P(0 ≤ z ≤ 1,73) = 0,4582 f(z) SHAPE \* MERGEFORMAT ��� 0 1,73 z b) Na tabela: para z = 1,73 (pois pelo critério de simetria a área correspondente a -1,73 será igual à área correspondente a 1,73); obtém-se o valor: 0,4582 P( - 1,73 ≤ z ≤ 0) = 0,4582 f(z) SHAPE \* MERGEFORMAT ��� - 1,73 0 z c) Na tabela: para z = 1,73 obtém-se o valor 0,4582 P(z ≥ 1,73) = 0,5 – P(0 ≤ z ≤ 1,73) = 0,5 – P(z = 1,73) = 0,5 – 0,4582 = 0,0418 f(z) SHAPE \* MERGEFORMAT ��� 0 1,73 z d) Na tabela: para z = 1,73 obtém-se o valor 0,4582 P(z ≤ - 1,73) = 0,5 – P(-1,73 ≤ z ≤ 0) = 0,5 - P(z = 1,73) = 0,5 – 0,4582 = 0,0418 f(z) SHAPE \* MERGEFORMAT ��� - 1,73 0 z e) Na tabela: para z = 1,73 obtém-se o valor 0,4582; para z = 0, 47 obtém-s o valor 0,1808 P(0,47 ≤ z ≤ 1,73) = P(0 ≤ z ≤ 1,73) – P(0 ≤ z ≤ 0,47) = P( z = 1,73) – P(z = 0,47) P(0,47 ≤ z ≤ 1,73) = 0,4582 – 0,1808 = 0,2774 f(z) SHAPE \* MERGEFORMAT ��� 0 0,47 1,73 z 6.6.3 Distribuição Exponencial Uma variável aleatória X tem distribuição exponencial com parâmetro > 0, se sua função densidade de probabilidade for dada por: f(x) = , x ≥ 0 f(x) = 0 , x < 0 f(x) SHAPE \* MERGEFORMAT ��� 0 x Características da Distribuição Exponencial E(x) = V(x) = F(x) = P( X ≤ x) = x ≥ 0 F(x) = 0 , para quaisquer outros valores de x. Algumas vezes, depara-se com a função densidade de probabilidade dada por: f(x) = , x > 0 Neste caso é só fazer: , obtendo-se: E(x) = V(x) = Exemplo: O tempo de vida (em horas) de um transistor é uma variável aleatória T, com função densidade de probabilidade dada por: f(t) = , t ≥ 0 f(t) = 0 , t < 0 Calcular a vida média do transistor e a probabilidade de que seu tempo de vida seja maior do que a média. Solução: E(t) = = 500 P(T > 500) = P(T > 500) = - = 0,3579 6.6.4 Distribuição Gama A função gama é definida por: , para p> 0 Seja X uma variável aleatória contínua que assuma somente valores não negativos; diz-se que X tem uma distribuição de probabilidade gama, se sua função densidade de probabilidade for dada por: f(x) = , x > 0 f(x) = 0 , para quaisquer outros valores de x. A distribuição gráfica será dada por: f(x) 0 x Características da Distribuição Gama E(x) = V(x) = Observações: 1ª) se r = 1, a função densidade de probabilidade fica sendo: f(x) = → Distribuição Exponencial Portanto a distribuição exponencial é um caso particular da distribuição gama. 2ª) Tanto a função gama como a distribuição gama, poderão também ser dadas por: , > 0 f(x) = , x ≥ 0 f(x) = 0 , x < 0 > 0 , > 0 3ª) A distribuição gama pode ser expressa em termos da função densidade de probabilidade tabulada por Poisson, pois: F(x) = 1 - 6.6.5 Distribuição de Pareto É uma distribuição freqüentemente usada em economia, em conexão com problemas de distribuição derenda. Uma variável aleatória X, tem distribuição de Pareto, com parâmetros > 0 e b > 0, se sua função densidade de probabilidade for dada por: f(x) = , x ≥ b f(x) = 0 , x < b A sua distribuição gráfica é dada por: f(x) � 0 b x Características da Distribuição de Pareto E(x) = para > 1 V(x) = para > 2 6.6.6 Distribuição de Qui-Quadrado A distribuição de Qui-Quadrado é um caso particular da distribuição gama e será obtida quando para esta última ocorrer: ½ r = n/2 n = inteiro e positivo A distribuição obtida terá como função densidade de probabilidade a seguinte expressão; , z > 0 onde n = número de graus de liberdade. A distribuição gráfica é dada por: f(z) f(z) f(z) � (a) z (b) z (c) z Características da Distribuição Qui-Quadrado E(z) = n V(z) = 2.n 6.6.7 Distribuição Lognormal É também usada em economia. Uma variável X, com valores positivos, tem uma distribuição lognormal com parâmetros e , com: - < < + ; e > 0; se ln x apresentar distribuição normal com média e variância . f(x) = , x > 0 f(x) = 0 , x ≤ 0 O gráfico de f(x) será dado por: f(x) � x Características da Distribuição Lognormal E(x) = se E(x) = m, então; V(x) = 6.6.8 Aproximação das Distribuições Normal e Binomial Suponha que a variável aleatória Y tenha uma distribuição binomial com parâmetros N=10 e p = ½ ; e se deseje calcular P(y ≥ 7). A figura 1 abaixo, mostra que P(y = 7) é igual à área do retângulo de base unitária e altura P(y = 7); similarmente isto ocorre para P(y = 8), etc. � 0 1 2 3 4 5 6 7 8 9 10 Figura 1 Logo P(y ≥ 7) é igual à soma das áreas dos retângulos hachurados na figura 1 acima. A idéia de aproximar tal área pela área sob a curva normal, à direita do ponto 6,5; curva esta definida por: = N.p = 10 . (1/2) = 5 = N.p.q = 10. (1/2). (1/2) = 2,5 é mostrada na figura 2 abaixo: � 5 6 7 8 9 10 Figura 2 Denominando de X a tal variável com distribuição normal, tem-se: P(y ≥ 7) = P(x ≥ 6,5) Cálculos: P(y ≥ 7) = 0,172 na tabela da distribuição binomial; enquanto que: Z = P(x ≥ 6,5) = P(Z ≥ 0,94) = 0,1736 Logo: P(y ≥ 7) = 0,172 ≈ 0,1736 = P(x ≥ 6,5). Isto é a distribuição normal pode ser aproximadamente correspondente à binomial e a justificativa formal desta aproximação é dada pelo Teorema do Limite Central. . Para cada valor de e/ou de tem-se uma distribuição. Para se calcular as áreas específicas da distribuição normal, utiliza-se a distribuição normal reduzida ou padronizada, que é obtida fazendo-se uma mudança de variável dada por: , que terá média = 0 e desvio padrão = 1. Esta distribuição é tabelada. É importante a constatação da normalidade da distribuição, visto que, a maioria dos controles estatísticos utiliza esta forma de distribuição. A verificação da normalidade passa pelos seguintes passos: a) inicialmente se faz um histograma que permitirá a visão inicial da proximidade da distribuição normal ou não. Caso haja a suspeita da normalidade, a análise prossegue com o emprego de técnica mais sofisticada, em particular do uso do “papel de probabilidade normal” ou simplesmente do “papel normal”; b) no gráfico abaixo tem-se uma “distribuição normal”, onde a probabilidade de se ter um ponto menor ou igual a x é dada pela área Px, compreendida abaixo da curva. c) se existir um conjunto infinito de pontos regidos por uma distribuição normal, ao se calcular o valor de Px para cada ponto x e ao se plotar Px versus x, obtêm-se o gráfico abaixo: d) o gráfico no papel normal é obtido ajustando a escala vertical de maneira a obter uma linha reta a partir da curva do gráfico anterior. A construção de um gráfico de probabilidade normal pode ser efetuada acompanhando os seguintes passos: construir a distribuição de freqüências em intervalos de classes marcando seus pontos médios; determinar a freqüência percentual de cada classe; acumular as freqüências percentual de cada classe; colocar os pontos médios dos intervalos no eixo horizontal do papel normal; colocar as freqüências percentuais acumuladas de cada classe no eixo vertical do papel normal; traçar uma curva (ou linha reta) que melhor represente os pontos plotados. Se o gráfico possuir alguma tendência, conforme indicado no gráfico abaixo: estas tendências poderão ser associadas á perturbação existente na distribuição geradora, em relação à distribuição normal, conforme mostrado no gráfico seguinte: Considerando a distribuição de freqüências do exemplo anteriormente apresentado, tem-se: O papel normal tem o seguinte aspecto: Um outro teste para verificar se a distribuição é normal, consiste no Teste de Aderência, cuja base é a distribuição de Os valores de são obtidos através da fórmula: = onde: oi = valor observado ei = valor correspondente para se obter a condição normal Os valores calculados e tabelados de irão definir a condição normal, se: (calculado) < (tabelado), isto é, a hipótese será aceita com o risco dado por P. Na tabela de serão obtidos os valores de onde P = P ( ≥ ). A probabilidade associada ao risco pode ser também indicada por R ou por . Exemplo: Considere os dados: Classes Centros Freqüências Absolutas - fi 5 6 5,5 1 6 7 6,5 3 7 8 7,5 11 8 9 8,5 12 9 10 9,5 18 10 11 10,5 22 11 12 11,5 18 12 13 12,5 13 13 14 13,5 11 14 15 14,5 7 15 16 15,5 4 16 17 16,5 0 Total - 120 O histograma dos dados seria: fi � 5 6 7 8 9 10 11 12 13 14 15 16 x A hipótese levantada é de que a distribuição de dados é normal. Isto é: H0 = X ≡ N ( ; s) Os valores de e s são obtidos por: Classes Centros (xi) Freqüências Absolutas fi Xi . fi (xi - )2.fi 5 6 5,5 1 5,5 30,25 6 7 6,5 3 19,5 60,75 7 8 7,5 11 82,5 134,75 8 9 8,5 12 102,0 75,00 9 10 9,5 18 171,0 40,50 10 11 10,5 22 231,0 5,50 11 12 11,5 18 207,0 4,50 12 13 12,5 13 162,5 29,25 13 14 13,5 11 148,5 68,75 14 15 14,5 7 101,5 85,75 15 16 15,5 4 62,0 81,00 16 17 16,5 0 0 0 Total - 120 1293,0 616,00 s = Logo: H0 = X = N(11; 2,28) O cálculo da área debaixo da curva de cada classe, por exemplo, de x < 6 será dada por: P{ x < 6} = P{ z ≤ } = P{z ≤ }= P{ z ≤ -2,19} = 0,5 – 0,48574 = 0,0143. Os demais valores a serem usados na técnica do serão obtidos na tabela abaixo: Classes Z P Ei = n.P oi 5 6 -2,19 0,0143 1,7 11,2 15 1,29 6 7 -1,75 0,0258 3,1 7 8 -1,32 0,0533 6,4 8 9 -0,88 0,0960 11,5 11,5 12 0,0217 9 10 -0,44 0,1405 17,0 17,0 18 0,0588 10 11 0,00 0,1700 20,4 20,4 22 0,1255 11 12 0,44 0,1700 20,4 20,4 18 0,2824 12 13 0,88 0,1405 17,0 17,0 13 0,9412 13 14 1,32 0,0960 11,5 11,5 11 0,0217 14 15 1,75 0,0533 6,4 10,7 11 0,0084 15 16 2,19 0,0258 3,1 16 17 2,63 0,0099 1,2 Total - - - 2,7493 Obs: 1) A freqüência esperada tem que ser sempre maior ou igual a 5 para se poder utilizar . 2) Os valores das linhas da coluna P são obtidos pela diferença do valor de P acumulado da linha, subtraído do correspondente valor de P da linha anterior. 3) n = 120 4) Devido à primeira observação, as três linhas dos extremos são agrupadas, gerando um número de classes igual a 8. 5) = 2,7493 Na tabela da distribuição de , o número de graus de liberdade será dado por: onde: K = número de classes (K = 8) m = número de parâmetros estimados (m = 2; média e desvio padrão). Quando estes valores forem conhecidos para a distribuição, m = 0. O valor de m será sempre 0, 1 ou 2 (na distribuição Normal será 2, na de Poisson será 1). Logo: . Procura-se, então, na tabela da distribuição de : ; sendo o valor do risco da afirmação. Na tabela é colocado o valor de P = (1 - ). Assim, tem-se, por exemplo: a) = 15,1 (risco 1%) b) = 11,1 (risco 5%) Em ambas as situações a hipótese de normalidade deve ser aceita. X = a X = b x f(x) (1, 1) P(0 < z < zc) P(0 ≤ z ≤ 1,73) = 0,4582 P(- 1,73 ≤ z ≤ 0) = 0,4582 P(0 ≤ z ≤ 1,73) = 0,4582 P(z ≥1,73) = 0,0418 P(0 ≤ z ≤ - 1,73) = 0,4582 P(z ≤ - 1,73) = 0,0418 P(0 ≤ z ≤ 0,47) = 0,1808 P(0,47 ≤ z ≤ 1,73) = 0,2774 P(0 ≤ z ≤ 1,73) = 0,4582 1/� EMBED Equation.3 ��� n = 1 n = 2 n > 2 _1374064263.unknown _1375086022.unknown _1375099522.unknown _1375102071.unknown _1375188645.unknown _1375621105.unknown _1375687090.unknown _1375690965.unknown _1375691082.unknown _1375691260.unknown _1375705570.unknown _1375707996.unknown _1375708061.unknown _1375709228.unknown _1375705846.unknown _1375691317.unknown _1375691141.unknown _1375691165.unknown _1375691118.unknown _1375690980.unknown _1375688304.unknown _1375689310.unknown _1375689438.unknown _1375688697.unknown _1375687958.unknown _1375688196.unknown _1375687896.unknown _1375685322.unknown _1375686229.unknown _1375686591.unknown _1375686962.unknown _1375686258.unknown _1375685837.unknown _1375685956.unknown _1375685652.unknown _1375621989.unknown _1375623033.unknown _1375623154.unknown _1375622477.unknown _1375621422.unknown _1375621871.unknown _1375621300.unknown _1375190919.unknown _1375535008.unknown _1375536181.unknown _1375536348.unknown _1375536457.unknown _1375536286.unknown _1375535769.unknown _1375535837.unknown _1375535099.unknown _1375535446.unknown _1375249861.unknown _1375251013.unknown _1375251195.unknown _1375250576.unknown _1375191253.unknown _1375191364.unknown _1375191235.unknown _1375189938.unknown _1375190092.unknown _1375190330.unknown _1375190510.unknown _1375190287.unknown _1375189981.unknown _1375190018.unknown _1375189959.unknown _1375189632.unknown _1375189860.unknown _1375189879.unknown _1375189693.unknown _1375188902.unknown _1375189506.unknown _1375188691.unknown _1375102742.unknown _1375103348.unknown _1375187110.unknown _1375187458.unknown _1375188246.unknown _1375188591.unknown _1375187477.unknown _1375187373.unknown _1375187400.unknown _1375187213.unknown _1375103429.unknown _1375185583.unknown _1375186829.unknown _1375185452.unknown _1375185501.unknown _1375103535.unknown _1375103405.unknown _1375102929.unknown _1375103325.unknown _1375102978.unknown _1375103091.unknown _1375102977.unknown _1375102906.unknown _1375102276.unknown _1375102569.unknown _1375102666.unknown _1375102491.unknown _1375102140.unknown _1375102165.unknown _1375102092.unknown _1375099926.unknown _1375100817.unknown _1375101878.unknown _1375101918.unknown _1375100700.unknown _1375100614.unknown _1375100652.unknown _1375099757.unknown _1375098895.unknown _1375099120.unknown _1375099424.unknown _1375098498.unknown _1375098834.unknown _1375098756.unknown _1375098246.unknown _1375083792.unknown _1375084520.unknown _1375085043.unknown _1375084139.unknown _1374064612.unknown _1375083518.unknown _1282999225.unknown _1283346107.unknown _1374063863.unknown _1374064233.unknown _1283349756.unknown _1374062896.unknown _1374063209.unknown _1283349867.unknown _1374062870.unknown _1283349866.unknown _1283348394.unknown _1283348682.unknown _1283349079.unknown _1283347825.unknown _1283003255.unknown _1283004212.unknown _1283005761.unknown _1283084192.unknown _1283003593.unknown _1282999648.unknown _1283003199.unknown _1283002779.unknown _1282999485.unknown _1282998700.unknown _1282999156.unknown _1059846757.unknown _1059847171.unknown _1059918411.unknown _1059846642.unknown _1059846666.unknown
Compartilhar