Baixe o app para aproveitar ainda mais
Prévia do material em texto
GL301 – Estatística I Leonardo T. Duarte Primeiro Semestre de 2013 Variável Aleatória Distribuições discretas Variáveis Aleatórias Discretas importantes ● Distribuição uniforme ● Distribuição de Bernoulli ● Distribuição binomial ● Distribuição de Poisson ● Distribuição geométrica Distribuição Uniforme ● Uma variável aleatória X que assume um número finito de valores igualmente espaçados x1, x2, …, xn, é dita uniforme se fX(xi) = c, c → constante Distribuição Uniforme ● Uma variável aleatória X que assume um número finito de valores igualmente espaçados x1, x2, …, xn, é dita uniforme se fX(xi) = c, c → constante ● Dado n (o número de valores que X assume), podemos calcular c ∑x fX(x) = 1 → ∑xc = 1 → nc = 1 → c = n-1 ● Logo fX(xi) = 1 / n Distribuição Uniforme ● Exemplo: X é uniformemente distribuídas entre 2 e 6 com espaçamento 1. ● a = 2, b = 6, n = 5. Função massa de probabilidade Função distribuição acumulada Média de uma VA uniforme ● Seja X uniformemente distribuídas entre nos valores x1, x2, …, xn com espaçamento 1. ● Os limites de X são dados por a = x1 e b = xn Média de uma VA uniforme ● Seja X uniformemente distribuídas entre nos valores x1, x2, …, xn com espaçamento 1. ● Os limites de X são dados por a = x1 e b = xn ● Logo: n = b – a + 1 Média de uma VA uniforme ● Seja X uniformemente distribuídas entre nos valores x1, x2, …, xn com espaçamento 1. ● Os limites de X são dados por a = x1 e b = xn ● Logo: n = b – a + 1 Média de uma VA uniforme ● Seja X uniformemente distribuídas entre nos valores x1, x2, …, xn com espaçamento 1. ● Os limites de X são dados por a = x1 e b = xn ● Logo: n = b – a + 1 Soma de uma PA = n*(b+a)/2 Média de uma VA uniforme ● Seja X uniformemente distribuídas entre nos valores x1, x2, …, xn com espaçamento 1. ● Os limites de X são dados por a = x1 e b = xn ● Logo: n = b – a + 1 Soma de uma PA = n*(b+a)/2 Variância de uma VA uniforme ● A variância de uma VA X uniforme é dada por Variância de uma VA uniforme ● A variância de uma VA X uniforme é dada por ● É possível mostrar que Aplicações de uma VA uniforme ● Geralmente, utilizamos uma VA uniforme para modelar um evento sobre o qual temos pouca informação (apenas os intervalos tipicamente); ● Exemplos ● Jogar de uma moeda não-viciada ● Jogar de um dado não-viciado Variáveis Aleatórias Discretas importantes ● Distribuição uniforme ● Distribuição de Bernoulli ● Distribuição binomial ● Distribuição de Poisson ● Distribuição geométrica Distribuição de Bernoulli ● Suponha que um evento aleatório tenha um resultado binário ● Sucesso ou falha ● Positivo ou negativo ● Cara ou coroa ● Bom estado ou defeituoso Distribuição de Bernoulli ● Suponha que um evento aleatório tenha um resultado binário ● Sucesso ou falha ● Positivo ou negativo ● Cara ou coroa ● Bom estado ou defeituoso ● A VA X que atribui 0 e 1 para cada uma das possibilidades em tais eventos é conhecida como VA de Bernoulli Distribuição de Bernoulli ● Suponha que um evento aleatório tenha um resultado binário ● Sucesso ou falha ● Positivo ou negativo ● Cara ou coroa ● Bom estado ou defeituoso ● A VA X que atribui 0 e 1 para cada uma das possibilidades em tais eventos é conhecida como VA de Bernoulli ● Logo, uma VA de Bernoulli apresenta a seguinte fmp Distribuição de Bernoulli ● Média das distribuição de Bernoulli Distribuição de Bernoulli ● Média das distribuição de Bernoulli μX = E{X} = ∑x x fX(x) = (1-p)*0 + p*1 = p ● Isto é, a média desta VA é a probabilidade da VA assumir o valor 1. ● Variância Distribuição de Bernoulli ● Média das distribuição de Bernoulli μX = E{X} = ∑x x fX(x) = (1-p)*0 + p*1 = p ● Isto é, a média desta VA é a probabilidade da VA assumir o valor 1. ● Variância σX2 = E{X2} – E{X}2 = ((1-p)*02 + p*12) – p2 = p – p2 = (1-p) p ● Isto é, a variância desta VA é o produto da probabilidade de sucesso pela probabilidade de falha. Exemplo: distribuição de Bernoulli ● O experimento jogar de uma moeda pode ser modelado por uma VA de Bernoulli Exemplo: distribuição de Bernoulli ● O experimento jogar de uma moeda pode ser modelado por uma VA de Bernoulli ● Se a moeda não é enviesada, então p = 0.5, μX = p= 0.5, σX2 = (1-p) p = 0.25 Exemplo: distribuição de Bernoulli ● O experimento jogar de uma moeda pode ser modelado por uma VA de Bernoulli ● Se a moeda não é enviesada, então p = 0.5, μX = p= 0.5, σX2 = (1-p) p = 0.25 ● Esta é a situação de máxima variância! Vamos verificar. ● Considerando σX2(p) = (1-p) p, qual o valor que maximiza σX2(p)? Exemplo: distribuição de Bernoulli ● O experimento jogar de uma moeda pode ser modelado por uma VA de Bernoulli ● Se a moeda não é enviesada, então p = 0.5, μX = p= 0.5, σX2 = (1-p) p = 0.25 ● Esta é a situação de máxima variância! Vamos verificar. ● Considerando σX2(p) = (1-p) p, qual o valor que maximiza σX2(p)? ● dσX2(p) / dp = 1 – 2p No máximo, 1 – 2p = 0 → p = 0.5 Variáveis Aleatórias Discretas importantes ● Distribuição uniforme ● Distribuição de Bernoulli ● Distribuição binomial ● Distribuição de Poisson ● Distribuição geométrica Distribuição binomial ● Considere agora um experimento que consiste em n realizações de um experimento de Bernoulli. Distribuição binomial ● Considere agora um experimento que consiste em n realizações de um experimento de Bernoulli. ● A variável aleatória associada ao número de “sucessos” é conhecida como distribuição binomial. Distribuição binomial ● Considere agora um experimento que consiste em n realizações de um experimento de Bernoulli. ● A variável aleatória associada ao número de “sucessos” é conhecida como distribuição binomial. ● Exemplo: num estoque, a probabilidade de que uma peça esteja em boas condições é p. Se eu retirar 5 peças (com reposição), como fica a distribuição de probabilidade do número de peças retiradas que estão em boas condições? A FMP de uma VA binomial ● Vamos considerar o caso n = 3. Possíveis saídas 000 , 001 , 010 , 011 , 100, 101, 110, 111 A FMP de uma VA binomial ● Vamos considerar o caso n = 3. Possíveis saídas 000 , 001 , 010 , 011 , 100, 101, 110, 111 ● X → VA associada ao número de sucessos A FMP de uma VA binomial ● Vamos considerar o caso n = 3. Possíveis saídas 000 , 001 , 010 , 011 , 100, 101, 110, 111 ● X → VA associada ao número de sucessos fX(x = 0) = P(000) = (1-p)*(1-p)*(1-p) = (1-p)3 A FMP de uma VA binomial ● Vamos considerar o caso n = 3. Possíveis saídas 000 , 001 , 010 , 011 , 100, 101, 110, 111 ● X → VA associada ao número de sucessos fX(x = 0) = P(000) = (1-p)*(1-p)*(1-p) = (1-p)3 fX(x = 1) = P(001∪010∪100) = P(001)+P(010)+P(100) = (1-p)*(1-p)*p + (1-p)*p*(1-p) + (1-p)*(1-p)*p = 3*(1- p)2*p A FMP de uma VA binomial ● Vamos considerar o caso n = 3. Possíveis saídas 000 , 001 , 010 , 011 , 100, 101, 110, 111 ● X → VA associada ao número de sucessos fX(x = 0) = P(000) = (1-p)*(1-p)*(1-p) = (1-p)3 fX(x = 1) = P(001∪010∪100) = P(001)+P(010)+P(100) = (1-p)*(1-p)*p + (1-p)*p*(1-p) + (1-p)*(1-p)*p = 3*(1- p)2*p fX(x = 2) = P(011∪101∪110) = P(011)+P(101)+P(110) = (1-p)*p*p + p*(1-p)*p + (1-p)*(1-p)*p = 3*(1-p)*p2 A FMP de uma VA binomial ● Vamos considerar o caso n = 3. Possíveis saídas 000 , 001 , 010 , 011 , 100, 101, 110, 111 ● X → VA associada ao número de sucessos fX(x = 0) = P(000) = (1-p)*(1-p)*(1-p)= (1-p)3 fX(x = 1) = P(001∪010∪100) = P(001)+P(010)+P(100) = (1-p)*(1-p)*p + (1-p)*p*(1-p) + (1-p)*(1-p)*p = 3*(1- p)2*p fX(x = 2) = P(011∪101∪110) = P(011)+P(101)+P(110) = (1-p)*p*p + p*(1-p)*p + (1-p)*(1-p)*p = 3*(1-p)*p2 fX(x = 3) = P(111) = p*p*p = p3 A FMP de uma VA binomial ● Em geral fX(x) = N° de saídas que resultam em x sucessos * px (1-p)n-x ● A FMP de um VA binomial de parâmetros n e p é onde Exercício: VA binomial ● Em um processo de manufatura, a probabilidade de uma peça sair defeituosa é de p = 0.01. As peças são vendidas em lotes de 10 unidades. Se existir, pelo menos, duas peças defeituosas no lote, o cliente pode devolver o lote. Qual a probabilidade de que o cliente devolva o lote? Exercício: VA binomial ● Em um processo de manufatura, a probabilidade de uma peça sair defeituosa é de p = 0.01. As peças são vendidas em lotes de 10 unidades. Se existir, pelo menos, duas peças defeituosas no lote, o cliente pode devolver o lote. Qual a probabilidade de que o cliente devolva o lote? X → número de peças defeituosas no lote: VA binomial de parâmetros n = 10 e p = 0.01; Exercício: VA binomial ● Em um processo de manufatura, a probabilidade de uma peça sair defeituosa é de p = 0.01. As peças são vendidas em lotes de 10 unidades. Se existir, pelo menos, duas peças defeituosas no lote, o cliente pode devolver o lote. Qual a probabilidade de que o cliente devolva o lote? X → número de peças defeituosas no lote: VA binomial de parâmetros n = 10 e p = 0.01; Probabilidade de ocorrer, pelo menos, duas peças defeituosas Exercício: VA binomial ● Em um processo de manufatura, a probabilidade de uma peça sair defeituosa é de p = 0.01. As peças são vendidas em lotes de 10 unidades. Se existir, pelo menos, duas peças defeituosas no lote, o cliente pode devolver o lote. Qual a probabilidade de que o cliente devolva o lote? X → número de peças defeituosas no lote: VA binomial de parâmetros n = 10 e p = 0.01; Probabilidade de ocorrer, pelo menos, duas peças defeituosas ● Ou então, como os eventos {X>1} e {X≤1} são complementares, temos que Exercício: VA binomial ● Em um processo de manufatura, a probabilidade de uma peça sair defeituosa é de p = 0.01. As peças são vendidas em lotes de 10 unidades. Se existir, pelo menos, duas peças defeituosas no lote, o cliente pode devolver o lote. Qual a probabilidade de que o cliente devolva o lote? X → número de peças defeituosas no lote: VA binomial de parâmetros n = 10 e p = 0.01; Probabilidade de ocorrer, pelo menos, duas peças defeituosas ● Ou então, como os eventos {X>1} e {X≤1} são complementares, temos que ● P(X>1) = 1 – P(X≤1) = 1- fX(0) - fX(1) Exercício: VA binomial ● P(X>1) = 1 – P(X≤1) = 1- fX(0) – fX(1) Exercício: VA binomial ● P(X>1) = 1 – P(X≤1) = 1- fX(0) – fX(1) ● Temos que calcular fX(0) e fX(1) Exercício: VA binomial ● P(X>1) = 1 – P(X≤1) = 1- fX(0) – fX(1) ● Temos que calcular fX(0) e fX(1) ● Logo, a probabilidade de uma dado lote retornar é P(X>1) = 1- 0.9044 – 0.0914 = 0.0042 Exercício: VA binomial ● P(X>1) = 1 – P(X≤1) = 1- fX(0) – fX(1) ● Temos que calcular fX(0) e fX(1) ● Logo, a probabilidade de uma dado lote retornar é P(X>1) = 1- 0.9044 – 0.0914 = 0.0042 ● Se o cliente pudesse devolver apenas se, pelo menos, 3 peças estivessem defeituosas, então ● P(X>1) = 1 – P(X≤1) = 1- fX(0) – fX(1) – fX(2) = 0.000113849 Influência de p e n ● A fdp de uma VA binomial é função de p e n 0 2 4 6 8 1 0 1 2 1 4 1 6 1 8 2 0 0 0 . 2 0 . 4 0 . 6 0 . 8 1 x f X( x) 0 2 4 6 8 1 0 1 2 1 4 1 6 1 8 2 0 0 0 . 2 0 . 4 0 . 6 0 . 8 1 x f X( x) p = 0.01 n = 20 p = 0.3 n = 20 Média de uma VA binomial ● Uma VA binomial X pode ser escrita como Xi são VAs (independentes) aleatórias de Bernoulli com probabilidade de sucesso p Média de uma VA binomial ● Uma VA binomial X pode ser escrita como Xi são VAs (independentes) aleatórias de Bernoulli com probabilidade de sucesso p ● Logo, pela linearidade da esperança, temos que Média de uma VA binomial ● Uma VA binomial X pode ser escrita como Xi são VAs (independentes) aleatórias de Bernoulli com probabilidade de sucesso p ● Logo, pela linearidade da esperança, temos que ● Vimos que E{Xi} = p, e, portanto, Variância de uma VA binomial ● Uma VA binomial X pode ser escrita como Xi são VAs (independentes) aleatórias de Bernoulli com probabilidade de sucesso p Variância de uma VA binomial ● Uma VA binomial X pode ser escrita como Xi são VAs (independentes) aleatórias de Bernoulli com probabilidade de sucesso p ● Para VAs independentes, temos que Variância de uma VA binomial ● Uma VA binomial X pode ser escrita como Xi são VAs (independentes) aleatórias de Bernoulli com probabilidade de sucesso p ● Para VAs independentes, temos que ● Vimos que σXi2 = (1-p) p, e, portanto, Exemplo: VA binomial ● Num sistema de comunicação digital, o objetivo é transmitir números binários (bits). A probabilidade de um dado bit recebido estar errado é p = 0.1. Numa sequência de 20 bits transmitidos, qual é a média de bits transmitidos incorretamente? Exemplo: VA binomial ● Num sistema de comunicação digital, o objetivo é transmitir números binários (bits). A probabilidade de um dado bit recebido estar errado é p = 0.1. Numa sequência de 20 bits transmitidos, qual é a média de bits transmitidos incorretamente? X → VA associado ao número de bits transmitidos → binomial n = 20, p = 0.1 Exemplo: VA binomial ● Num sistema de comunicação digital, o objetivo é transmitir números binários (bits). A probabilidade de um dado bit recebido estar errado é p = 0.1. Numa sequência de 20 bits transmitidos, qual é a média de bits transmitidos incorretamente? X → VA associado ao número de bits transmitidos → binomial n = 20, p = 0.1 ● Logo, μX = E{X} = np = 2 Exemplo: VA binomial ● Num sistema de comunicação digital, o objetivo é transmitir números binários (bits). A probabilidade de um dado bit recebido estar errado é p = 0.1. Numa sequência de 20 bits transmitidos, qual é a média de bits transmitidos incorretamente? X → VA associado ao número de bits transmitidos → binomial n = 20, p = 0.1 ● Logo, μX = E{X} = np = 2 ● E a variância? σX2 = n(1-p) p = 20*0.9*0.1 = 1.8 Variáveis Aleatórias Discretas importantes ● Distribuição uniforme ● Distribuição de Bernoulli ● Distribuição binomial ● Distribuição de Poisson ● Distribuição geométrica Variável Aleatória de Poisson ● Considere uma VA binomial de parâmetros p e n Variável Aleatória de Poisson ● Considere uma VA binomial de parâmetros p e n ● Agora, vamos forçar n → ∞ e p → 0 de modo que np = λ = constante. Variável Aleatória de Poisson ● Considere uma VA binomial de parâmetros p e n ● Agora, vamos forçar n → ∞ e p → 0 de modo que np = λ = constante. ● Ao fazermos isso, a VA binomial tende para chamada VA de Poisson, cuja fmp é dada por Variável Aleatória de Poisson ● Aproximação de VAs binomiais a partir de VAs de Poisson (Kay, 2006) Aplicações de uma VA de Poisson ● A VA de Poisson oferece um modelo probabilístico mais simples, e não obstante flexível, do que uma VA binomial. ● A VA de Poisson é comumente utilizada para modelar eventos raros. Aplicações de uma VA de Poisson ● A VA de Poisson oferece um modelo probabilístico mais simples, e não obstante flexível, do que uma VA binomial. ● A VA de Poisson é comumente utilizada para modelar eventosraros. ● Algumas aplicações da VA de Poisson ● Número de partículas contaminantes no processo de manufatura de semi-condutores ● Número de partículas alfa emitidas por uma fonte radioativa durante um certo período ● Número de pessoas, de uma certa cidade, que vivem mais de 100 ● Companhia de seguros → Número de acidentes raros num certo período. Exemplos ● A VA de Poisson é parametrizado por apenas um parâmetro λ 0 5 1 0 1 5 2 0 2 5 3 0 3 5 4 0 4 5 5 0 - 0 . 0 5 0 0 . 0 5 0 . 1 0 . 1 5 0 . 2 0 . 2 5 0 . 3 0 . 3 5 0 . 4 x f X( x) 0 5 1 0 1 5 2 0 2 5 3 0 3 5 4 0 4 5 5 0 - 0 . 0 5 0 0 . 0 5 0 . 1 0 . 1 5 0 . 2 0 . 2 5 0 . 3 0 . 3 5 0 . 4 x f X( x) λ = 10 λ = 1 Média e variância de uma VA de Poisson ● É possível mostrar que a média e a variância de uma VA de Poisson de parâmetro λ são dadas por μX = E{X} = λ σX2 = λ Exemplo ● O número médio de acidentes de carro que ocorrem em um determinado bairro por semana é igual a 3. Calcule a probabilidade de, numa dada semana, ocorra pelo menos um acidente neste bairro. Exemplo ● O número médio de acidentes de carro que ocorrem em um determinado bairro por semana é igual a 3. Calcule a probabilidade de, numa dada semana, ocorra pelo menos um acidente neste bairro. ● Podemos utilizar a VA de Poisson, pois o evento é raro e há muitos carros circulando no bairro. Exemplo ● O número médio de acidentes de carro que ocorrem em um determinado bairro por semana é igual a 3. Calcule a probabilidade de, numa dada semana, ocorra pelo menos um acidente neste bairro. ● Podemos utilizar a VA de Poisson, pois o evento é raro e há muitos carros circulando no bairro. ● Solução: P(X>0) = 1 – P(X=0) = 1 – exp(-3)30/0! ≈ 0,95 Processo de Poisson e Teoria das Filas ● Teoria das filas → fundamental em diversos problemas em engenharia ● Figura retirada de F. S. Hillier and G. J. Lieberman 2001 Processo de Poisson e Teoria das Filas ● Parâmetro importante em filas → N(t) número de chegadas entre o tempo [0,t] ● Modelos probabilísticos são utilizados para caracterizar este número ● Modelo muito utilizado: processo de Poisson → para um dado instante de tempo t, o número de chegadas segue uma distribuição de Poisson de média λt ● E{N(t)} = λt Processo de Poisson e Teoria das Filas ● Exemplo de possível evolução de N(t) Variáveis Aleatórias Discretas importantes ● Distribuição uniforme ● Distribuição de Bernoulli ● Distribuição binomial ● Distribuição de Poisson ● Distribuição geométrica Variável Aleatória Geométrica ● Numa VA binomial, estávamos interessados na quantidade de sucessos num dado número de experimentos. Variável Aleatória Geométrica ● Numa VA binomial, estávamos interessados na quantidade de sucessos num dado número de experimentos. ● A distribuição geométrica é parecida. Porém, esta VA diz respeito ao número de experimentos necessários para acontecer um sucesso. Variável Aleatória Geométrica ● Exemplo: X representa o número de jogadas de uma moeda até ser observado cara Variável Aleatória Geométrica ● Exemplo: X representa o número de jogadas de uma moeda até ser observado cara ● Espaço amostral infinito S = {Ca,CoCa, CoCoCa, CoCoCoCa,...} Variável Aleatória Geométrica ● Exemplo: X representa o número de jogadas de uma moeda até ser observado cara ● Espaço amostral infinito S = {Ca,CoCa, CoCoCa, CoCoCoCa,...} ● Variável aleatória X(Ca) = 1, X(CoCa) = 2, X(CoCoCa) = 3,... Variável Aleatória Geométrica ● Exemplo: X representa o número de jogadas de uma moeda até ser observado cara ● Espaço amostral infinito S = {Ca,CoCa, CoCoCa, CoCoCoCa,...} ● Variável aleatória X(Ca) = 1, X(CoCa) = 2, X(CoCoCa) = 3,... ● fX(1) = P(Ca) = p fX(2) = P(CoCa) = P(Co)P(Ca) = (1-p)*p fX(x) = P(Co....Co (x-1 vezes) Ca) = (1-p)x-1p ● Esta é a variável geométrica! Variável Aleatória Geométrica ● A fmp de uma VA geométrica é dada por fX(x) = (1-p)x-1p se x ≥ 1 onde p: probabilidade de sucesso Média de uma VA Geométrica ● A média de uma VA geométrica é dada por: ● Média de uma VA Geométrica ● A média de uma VA geométrica é dada por: ● Substituindo q = 1 – p Média de uma VA Geométrica ● A média de uma VA geométrica é dada por: ● Substituindo q = 1 – p Média de uma VA Geométrica ● A média de uma VA geométrica é dada por: ● Substituindo q = 1 – p Média de uma VA Geométrica ● A média de uma VA geométrica é dada por: ● Substituindo q = 1 – p ● Note que este resultado faz sentido, pois se a probabilidade de sucesso é 0.1 é esperado que seja necessário 1/0.1=10 experimentos para ter um sucesso. Exemplo: VA Geométrica ● Considere uma VA geométrica de probabilidade de sucesso p = 0.1 Função massa de probabilidade Função Distribuição Acumulada 0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 x f X( x) 0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 0 0 . 2 0 . 4 0 . 6 0 . 8 1 x F X (x) Exemplo: VA Geométrica ● Diferenças entre duas VAs geométricas de probabilidade de sucesso p = 0.1 e p = 0.5 Função massa de probabilidade Função massa de probabilidade 0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 x f X( x) p=0.5p=0.1 0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 x f X( x) Variância de uma VA geométrica ● A variância de uma VA geométrica é dada por Variância de uma VA geométrica ● A variância de uma VA geométrica é dada por ● Qual o valor de p que maximiza a variância? Resposta: p → 0 ● De fato, se a probabilidade de sucesso é baixa, a VA tende a se espalhar, pois o sucesso pode acontecer para um grande número de experimentos. Slide 1 Slide 2 Slide 3 Slide 4 Slide 5 Slide 6 Slide 7 Slide 8 Slide 9 Slide 10 Slide 11 Slide 12 Slide 13 Slide 14 Slide 15 Slide 16 Slide 17 Slide 18 Slide 19 Slide 20 Slide 21 Slide 22 Slide 23 Slide 24 Slide 25 Slide 26 Slide 27 Slide 28 Slide 29 Slide 30 Slide 31 Slide 32 Slide 33 Slide 34 Slide 35 Slide 36 Slide 37 Slide 38 Slide 39 Slide 40 Slide 41 Slide 42 Slide 43 Slide 44 Slide 45 Slide 46 Slide 47 Slide 48 Slide 49 Slide 50 Slide 51 Slide 52 Slide 53 Slide 54 Slide 55 Slide 56 Slide 57 Slide 58 Slide 59 Slide 60 Slide 61 Slide 62 Slide 63 Slide 64 Slide 65 Slide 66 Slide 67 Slide 68 Slide 69 Slide 70 Slide 71 Slide 72 Slide 73 Slide 74 Slide 75 Slide 76 Slide 77 Slide 78 Slide 79 Slide 80 Slide 81 Slide 82 Slide 83 Slide 84 Slide 85 Slide 86 Slide 87
Compartilhar