Baixe o app para aproveitar ainda mais
Prévia do material em texto
Tema 6: Distribuições de probabilidades de variáveis aleatórias contínuas Analogamente ao tema 5, onde foram tratados conceitos de probabilidades referente à distribuição de probabilidades de variáveis aleatórias discretas, o tema 6 abordará esse mesmo conceito aplicado a variáveis aleatórias contínuas e discutirá um dos modelos mais importantes para distribuições de probabilidades de variáveis desta natureza: a distribuição normal. Além disso, outros modelos de distribuição também serão discutidos. Valor esperado ou média de uma variável aleatória contínua Suponha que X represente uma variável aleatória contínua. Assim, o valor esperado de X (ou esperança matemática de X) ou simplesmente a média de X é dada por (MARTINS, 2010): x E x xf x dx ( ) . De maneira similar, calcula-se a variância e o desvio padrão, os quais representam medidas de dispersão do fenômeno em estudo. Distribuição normal Devido ao elevado número de fenômenos que empregam esse modelo de distribuição, como altura, pressão arterial, tempo de vida útil de dispositivos mecânicos e eletrônicos, entre outros, a distribuição normal possui uma grande importância (ROSA, 2009). Além disso, esse modelo pode ser empregado para aproximar outras distribuições e possui uma elevada utilização em técnicas de inferência estatística, as quais serão tratadas na próxima aula. Esse modelo de distribuição é também chamado de distribuição de Gauss. Considerando X uma variável aleatória contínua com distribuição normal, pode-se definir sua função densidade de probabilidade como (MARTINS, 2010): x f x e para x 2 1 21 , , 2 Sendo e a média e o desvio padrão da distribuição, nesta ordem. Segundo Rosa (2009), esse modelo de distribuição tem algumas características: a. A curva normal possui o formato de boca de sino, apresentando simetria em relação à média; b. A média, moda e mediana são valores coincidentes; c. A variável aleatória X relacionada a sua distribuição oscila de x ; d. A função densidade de probabilidade tem ponto máximo onde x é igual a média populacional. Para o cálculo das probabilidades, dois problemas são revelados (ROSA, 2009): a integração de f(x) e a construção de uma tabela de probabilidades, pois f(x) é calculada por uma combinação da média e da variância. De modo a suprir tais dificuldades, realiza-se uma mudança de variável resultando-se, assim, na distribuição normal padronizada, aqui denotada por Z. Distribuição normal padronizada A distribuição normal padronizada é idêntica a uma distribuição normal com 0 e 1 . Para conseguir essa distribuição padronizada, quando se possui uma variável X com distribuição normal com média 0 e/ou desvio padrão 1 , devemos reduzi-la a uma variável Z, considerando a seguinte transformação linear de variáveis (MARTINS, 2010): i i X Z . Como são fixas a média (nula) e a variância (unitária), as probabilidades (áreas) sob f(z) são tabeladas. Assim, para determinar as probabilidades de f(x), modificam-se suas abcissas para z, calculando a probabilidade com a ajuda de uma tabela de distribuição normal padronizada. Desse modo, temos: P a X b P z Z z 1 2 , onde: a b z e z 1 2 . Exemplo (MONTGOMERY e RUNGER, 2011): O diâmetro do eixo de um dispositivo óptico de armazenagem é normalmente distribuído, com média de 0,2508 polegada e desvio padrão de 0,0005 polegada. As especificações do eixo são 0,2500 ± 0,0015 polegadas. Que proporção de eixos obedece às especificações? Solução: Seja X o diâmetro em polegadas, do eixo. A probabilidade requerida é: P X P z Z z P Z P Z P Z P Z 1 20,2485 0,2515 0,2485 0,2508 0,2515 0,2508 0,0005 0,0005 4,6 1,4 1,4 4,6 0,91924 0,0000 0,91924 A maioria dos eixos não conformes é muito grande, em virtude de a média do processo estar localizada muito perto do limite superior da especificação. Se o processo estivesse centralizado, de modo que sua média fosse igual ao valor alvo de 0,2500, então: P X P z Z z P Z P Z P Z P Z 1 20,2485 0,2515 0,2485 0,2500 0,2515 0,2500 0,0005 0,0005 3 3 3 3 0,99865 0,00135 0,9973 Interpretação: por meio da recentralização do processo, o resultado é aumentado para 99,73%. Clique no link a seguir e assista a um vídeo que explica de forma detalhada como usar a tabela da distribuição normal. https://www.youtube.com/watch?v=ec9HWoY2kt8 Outras distribuições de probabilidades são frequentemente utilizadas para descrever diferentes fenômenos, como a qui-quadrado, a t de Student e a F de Snedecor. Para entender como são descritas essas distribuições, clique no botão a seguir: http://www.salvas.info/Estatistica_Geral_e_Aplicada.pdf Desta forma, foi possível termos uma visão das principais distribuições de probabilidades aplicadas a variáveis aleatórias contínuas. Síntese Nessa aula, foram expostos os principais modelos de distribuição de probabilidade de uma variável aleatória contínua, enquanto na aula um foram estudadas medidas descritivas de uma determinada amostra. Quando ocorre a junção das distribuições de probabilidade e as medidas descritivas da amostra é possível obter as distribuições amostrais. Lembrando que o principal objetivo da estatística é realizar uma inferência sobre a população com base em dados de uma amostra. A partir disso, é possível medir a incerteza associada a cada inferência ou afirmação feita sobre a amostra. O nível de incerteza é medido em função de probabilidades, tendo como base as distribuições amostrais. Esperamos você na próxima aula! Referências Corrêa da Rosa, J. M. Estatística II (Notas de Aula). Departamento de Estatística UFPR, 2009. Disponível em: http://www.est.ufpr.br/ce003/material/apostilace003.pdf. Acesso em: 9 jun. 2015. Martins, G. A. Estatística Geral e Aplicada. 4. edição. Editora Atlas, 2011. Morettin, P. A.; Bussab, W. O. Estatística Básica. 7. edição. Editora Saraiva, 2012. Triola, M. F. Introdução à Estatística. 7. edição. LTC, 1999. PORTAL Action. Disponível em: http://www.portalaction.com.br/. Acesso em: 9 jun. 2015.
Compartilhar