Baixe o app para aproveitar ainda mais
Prévia do material em texto
2011/2 1 Variáveis Aleatórias Discretas e Contínuas Função de Probabilidade Função de Densidade de Probabilidade Função de Distribuição Acumulada Medidas de Posição e Dispersão(Esperança, Variância...) 2011/2 2 Existem dois tipos de problema… Aqueles que podemos responder com certeza Se uma conta de R$100 é dividida igualmente entre 5 pessoas, quanto cada pessoa vai pagar? Aqueles que só podemos ter uma ideia da resposta Cinco pessoas vão a um restaurante. Quanto tempo eles vão demorar para serem atendidos? 2011/2 3 Probabilidades servem para… … dar boas respostas a problemas que não possuem respostas exatas. Qual vai ser a demanda pelo meu produto no próximo ano? … responder problemas de respostas exatas caras ou impraticáveis. Qual é a altura média da população brasileira? 2011/2 4 Compare as seguintes variáveis aleatórias: X = número de pessoas na fila no horário de pico. Y = volume de água necessário para esfriar uma determinada máquina industrial. Tipos de variáveis aleatórias Na variável X, podemos determinar dois valores entre os quais nenhum outro valor é possível (1 e 2, por exemplo. Nenhum valor entre os dois é possível). Na variável Y, não se pode fazer isso. Quaisquer dois valores da variável Y sempre terá um valor possível no meio. Percebe-se, portanto, que as variáveis X e Y são de tipos diferentes. 2011/2 5 Tipos de variáveis aleatórias Quando for possível determinar dois valores possíveis de uma variável aleatória entre os quais nenhum outro valor é possível, dizemos que a variável aleatória é discreta. Quando, entre quaisquer dois valores, sempre existir um outro valor possível entre os dois, dizemos que a variável aleatória é contínua. 2011/2 6 Dependendo da escolha da variável aleatória, um mesmo problema pode usar variáveis discretas ou contínuas: Número de pedidos em atraso ou fração de pedidos atrasados. Tipos de variáveis aleatórias 2011/2 7 A: não ter ninguém na fila (X=0) B: ter 1 pessoa na fila (X=1) C: ter 2 pessoas na fila (X=2) D: ter 3 pessoas na fila (X=3) Função de probabilidade X = número de pessoas na fila no horário de pico P(X = 0) P(X = 1) P(X = 2) P(X = 3) 2011/2 8 Número de pessoas na fila Probabilidade 0 0,1 1 0,1 2 0,2 3 0,4 4 0,1 5 0,05 mais 0,05 Função de probabilidade Exemplo de uma função de probabilidade 2011/2 9 Qual é a probabilidade de alguém viver 80 anos? Função densidade de probabilidade Para uma variável aleatória discreta, nós podemos especificar a probabilidade de X ser igual a um certo valor. Para uma variável aleatória contínua, só podemos especificar a probabilidade de X estar entre dois valores. 2011/2 10 Função densidade de probabilidade 2011/2 11 Função densidade de probabilidade 2011/2 12 Função densidade de probabilidade 2011/2 13 . Probabilidade de alguém viver acima dos 80 pode ser calculada pela área a partir deste ponto. 2011/2 14 A função de probabilidade é p(x) onde: Função de probabilidade e função densidade de probabilidade Variável aleatória discreta Variável aleatória contínua A função densidade de probabilidade é f(x) onde: Para uma variável aleatória discreta, a função de probabilidade nos dá a probabilidade da variável aleatória ser igual a um determinado valor. Para uma variável aleatória contínua, a área em um intervalo da função nos dá a probabilidade da variável aleatória estar naquele intervalo. )()( xXPxp b a dxxfbXaP )()( 2011/2 15 As questões anteriores nos levam a concluir que existem duas condições que uma função densidade de probabilidade deve satisfazer: (1) sempre ser maior ou igual a zero; (2) somar (ou integrar) 1. Variável aleatória discreta Função de probabilidade e função densidade de probabilidade Variável aleatória contínua i ixp xp 1)( 0)( 1)( 0)( dxxf xf Dizendo a mesma coisa em símbolos matemáticos… 2011/2 16 Regra prática muito útil Tudo o que é uma soma nas variáveis aleatórias discretas se torna uma integral nas variáveis aleatórias contínuas e vice-versa. Em outras palavras, basta trocar a soma por uma integral ou vice-versa. • Variável aleatória discreta • Variável aleatória contínua i ixp xp 1)( 0)( 1)( 0)( dxxf xf 2011/2 17 Função de distribuição acumulada )()( xXPxF Número de pessoas na fila Probabilidade Função de distribuição acumulada (fd) 0 0,1 0,1 1 0,1 0,2 2 0,2 0,4 3 0,4 0,8 4 0,1 0,9 5 0,05 0,95 mais 0,05 1 A função de distribuição acumulada é a função que dá a probabilidade de X ser menor ou igual a um determinado valor. F(x) é a soma (ou a integral) da fdp para todos os valores menores que x. 2011/2 18 F(80) é a área abaixo do limite de 80 anos F(50) é a área abaixo do limite de 50 anos A probabilidade de alguém viver entre 50 e 80 anos é a área entre os dois limites e é igual a : F(80) – F(50) 2011/2 19 Se quisermos, por exemplo, calcular a probabilidade de haver entre 1 e 5 pessoas na fila, podemos fazer isso de duas formas: Com a função de distribuição acumulada: 0,95 – 0,1 = 0,85 Sem a função de distribuição acumulada: 0,1+0,2+0,4+0,1+0,05 =0,85 Qual é mais simples? Função de distribuição acumulada Número de pessoas na fila Probabilidade (funçao de probabilidade) Função de distribuição acumulada (fd) 0 0,1 0,1 1 0,1 0,2 2 0,2 0,4 3 0,4 0,8 4 0,1 0,9 5 0,05 0,95 mais 0,05 1 2011/2 20 (1) A função densidade de probabilidade nunca decresce; (2)A função densidade de probabilidade sempre parte de 0 e chega a 1. Função de distribuição acumulada 2011/2 21 Eventos podem ser representados usando variáveis aleatórias. Variáveis aleatórias podem ser discretas ou contínuas. Quando existirem dois valores entre os quais a variável, não pode assumir nenhum valor, a variável é discreta. Quando, para quaisquer dois valores, sempre existir um valor no meio que a variável puder assumir, a variável é contínua. Resumindo 2011/2 22 A função de probabilidade, associada a variáveis aleatórias discretas, nos permite calcular a probabilidade dos eventos acontecerem. A função densidade de probabilidade, associada a variáveis aleatórias contínuas, nos permite calcular a probabilidade desta variável assumir um valor entre dois valores quaisquer. Esta probabilidade é a área sob a função neste intervalo. A função de distribuição acumulada é a função F(x) que dá a probabilidade da variável aleatória ser menor ou igual a x. A probabilidade de X estar em um intervalo [a,b] é igual a F(b) – F(a). Resumindo 2011/2 23 Você trabalha para uma grande empresa multinacional. Um dia, em uma reunião com a diretoria, o CEO da empresa pergunta qual é a previsão de vendas no próximo ano. O que você responde? Motivação A quantidade de peças que serão vendidas no próximo ano é uma variável aleatória discreta cuja função de probabilidade é dada por… Nós esperamos vender cerca de 1000 peças, com 900 em um cenário pessimista e 1100 em um cenário otimista 2011/2 24 Motivação Podemos querer tentar advinhar o valor que a variável aleatória irá assumir. Neste caso, usamos uma medida de posição. Podemos estar interessado em quanto a variável aleatóriapode variar e, portanto, em qual é a incerteza que temos ao estimar um valor para ela. Neste caso, usamos uma medida de dispersão. 2011/2 25 Você se lembra da pergunta do CEO? Medidas de posição Qual é a previsão de vendas no próximo ano? 2011/2 26 Existem várias medidas de posição possível: Moda: “o mais provável é que as vendas sejam de x unidades”. Mínimo: “vamos vender no mínimo x unidades”. Máximo: “nós não conseguiremos vender mais do que x unidades”. Mediana: “é igualmente provável vendermos mais ou menos do que x unidades”. Valor esperado (semelhante à média). Quais são os pontos fortes e fracos de cada medida de posição? Medidas de posição 2011/2 27 Valor esperado Para dar respostas precisas a problemas probabilísticos, precisamos de uma medida que dê mais ênfase aos valores mais prováveis da variável aleatória e menos ênfase aos valores menos prováveis. Dentre as medidas de posição que vimos, a única que faz essa ponderação é o valor esperado. )()( xpxXE E, no caso de variáveis aleatórias contínuas, basta trocar a soma por uma integral: dxxfxXE )()( Lembrando que a soma (e a integral) se fazem sobre todos os valores possíveis de X. 2011/2 28 Número de pessoas na fila Probabilidade x . p(x) 0 0,1 0 1 0,1 0,1 2 0,2 0,4 3 0,4 1,2 4 0,1 0,4 5 0,1 0,5 Valor esperado )()( xpxXE Evento mais provável ganha mais peso Evento menos provável ganha menos peso E(X) = 2,6 O que significa que o número esperado de pessoas na fila é 2,6? Significa que observando o número de pessoas na fila durante vários dias teremos, em média, 2,6 pessoas. 2011/2 29 Você tem uma ação da empresa X e uma ação da empresa Y. O retorno que você espera obter da ação da empresa X é 1,5%, ao passo que o dá empresa Y é 2%. Qual é o retorno total que você espera obter das duas ações? Se você tivesse apenas duas ações da empresa X, quanto você esperaria de retorno? E se você tivesse três ações? E quatro? Se você tivesse uma ação da empresa X e uma aplicação em renda fixa que pagasse 0,5%. Qual seria o retorno esperado? Propriedades do valor esperado 2011/2 30 Você tem uma ação da empresa X e uma ação da empresa Y. O retorno que você espera obter da ação da empresa X é 1,5%, ao passo que o dá empresa Y é 2%. Qual é o retorno total que você espera obter das duas ações? E(X+Y) = E(X) + E(Y) Se você tivesse apenas duas ações da empresa X, quanto você esperaria de retorno? E(c.X) = c.E(X) E se você tivesse três ações? E quatro? Se você tivesse uma ação da empresa X e uma aplicação em renda fixa que pagasse 0,5%, qual seria o retorno esperado? E(X+c) = E(X) + c Propriedades do valor esperado 2011/2 31 E(X+Y) = E(X) + E(Y) E(c.X) = c.E(X), onde c é uma constante. E(X+c) = E(X) + c , onde c é uma constante. E(X.Y) = E(X).E(Y) se, e somente se, X e Y forem independentes. Propriedades do valor esperado 2011/2 32 Às vezes queremos saber quanto a variável aleatória pode variar Medidas de dispersão Nossas vendas mudam muito de mês para mês ou são estáveis ao longo do ano? 2011/2 33 })]({[)( 2XEXEXVar Variância A variância é o valor esperado do quadrado de quanto uma variável aleatória se afasta de seu valor esperado. Variâncias pequenas significam que os valores das variáveis aleatórias são próximas do seu valor esperado e, portanto, a dispersão é pequena. Variâncias grandes, por sua vez, indicam que as variáveis aleatórias podem se afastar bastante do seu valor esperado e, portanto, a dispersão é grande. Para uma variável aleatória discreta, isto significa: 2011/2 34 22 )]([)()( XEXEXVar Variância A variância também pode ser escrita da seguinte maneira, menos intuitiva mas mais fácil de calcular: Para mostrar isso, basta usar propriedades de valor esperado: 22 22 22 22 2 )]([)()( )]([)()(2)()( })]({[)](2[)()( })]([)(2{)( })]({[)( XEXEXVar XEXEXEXEXVar XEEXXEEXEXVar XEXXEXEXVar XEXEXVar 2011/2 35 A tabela a seguir contém a distribuição de probabilidades para a quantidade de acidentes de trânsito diários em uma pequena cidade: Calcule o valor esperado da quantidade de acidentes de trânsito por dia Calcule a variância Exercício Quantidade de acidentes (X) P(X) 0 0,10 1 0,20 2 0,45 3 0,15 4 0,05 5 0,05 2011/2 36 Somar uma constante a X faz ela variar mais? Se dobrarmos X, o que acontecerá com a variância? Propriedades da variância })]({[)( 2XEXEXV 2011/2 37 Somar uma constante a X faz ela variar mais? V(X+c)=V(X) Dobrar X faz dobrar a distância X – E(X). Mas esta distância está elevada ao quadrado na definição de variância. Assim, se dobrarmos X, o que acontecerá com a variância? V(c . X)=c2 . V(X) Propriedades da variância })]({[)( 2XEXEXV 2011/2 38 V(c . X) = c2 . V(X), onde c é uma constante. V(X + c) = V(X), onde c é uma constante. V(X + Y) = V(X) + V(Y) se, e somente se, X e Y forem independentes. Propriedades da variância 2011/2 39 Compare as propriedades de valor esperado e variância Valor esperado E(X+Y) = E(X) + E(Y) • E(c.X) = c.E(X), onde c é uma constante. • E(X+c) = E(X) + c , onde c é uma constente. • E(X.Y) = E(X).E(Y) se, e somente se, X e Y forem independentes. Variância • V(c . X) = c2 . V(X), onde c é uma constante. • V(X + c) = V(X), onde c é uma constante. • V(X + Y) = V(X) + V(Y) se, e somente se, X e Y forem independentes. 2011/2 40 Uma loja vende computadores e prevê sua demanda usando a variável aleatória X = número de computadores vendidos por mês Se X é medido em computadores, qual é a unidade de V(X)? Um problema na variância })]({[)( 2XEXEXV 2011/2 41 Desvio padrão Desvio padrão é a raiz quadrada da variância e é também uma medida de dispersão. O desvio padrão é mais fácil de interpretar, mas não tem propriedades matemáticas simples como a variância. Por isso, costuma-se fazer todas as contas com a variância e, no final, tirar a raiz quadrada para interpretar o desvio padrão. 2011/2 42 O gerente de uma grande rede de computadores desenvolveu a seguinte distribuição de probabilidades para a quantidade de interrupções por dia: Calcule o número esperado de interrupções por dia. Calcule a variância. Calcule o desvio padrão. Exercício Interrupções (X) P(X) 0 0,32 1 0,35 2 0,18 3 0,08 4 0,04 5 0,02 6 0,01 2011/2 43 Distribuições de Probabilidade : Binomial, Normal e Poison 2011/2 44 Observe as seguintes perguntas: Quantas peças vamos vender esse mês? Quantas pessoas estarão na fila no horário de pico? Quantos dos meus clientes vão honrar suas dívidas? Quanto custará o dólar daqui a um ano? Quanto tempo vai demorar até o fornecedor entregar a encomenda que fizemos hoje? Quantos produtos ruins vão escapar do nosso controle de qualidade? Introdução 2011/2 45 O que as perguntas têm em comum: Faltarão insumos este mês? Haverá uma alta do trigo este ano? Uma moeda lançada vai dar cara? Distribuição de Bernoulli2011/2 46 Distribuição de Bernoulli Variáveis aleatórias cuja resposta é sim/não seguem uma distribuição de Bernoulli. )1( )( )( pq pqXV pXESim ou não? Sim (X=1) p Não (X=0) 1 – p = q )(~ pBerX 2011/2 47 Considere agora as seguintes perguntas: Quantas vezes vão faltar insumos nos próximos 12 meses? Quantas vezes vai haver uma alta do trigo nos próximos 20 anos? Se lançarmos uma moeda 5 vezes, quantas vezes teremos cara? Distribuição Binomial Muitas vezes, não queremos saber apenas se algo ocorre ou não. Queremos saber quantas vezes ela ocorre. 2011/2 48 Considere o exemplo de uma moeda lançada 2 vezes. Quantas vezes teremos cara como resultado? Distribuição Binomial Início cara (1/2) cara(1/2) coroa(1/2) coroa (1/2) cara(1/2) coroa(1/2) 2011/2 49 Vamos agora lançar a moeda 3 vezes: Distribuição Binomial Início cara (1/2) cara(1/2) cara(1/2) coroa(1/2) coroa(1/2) cara(1/2) coroa(1/2) coroa (1/2) cara(1/2) cara(1/2) coroa(1/2) coroa(1/2) cara(1/2) coroa(1/2) 2011/2 50 E se lançássemos a moeda 4 vezes? Distribuição Binomial Início cara (1/2) cara(1/2) cara(1/2) cara(1/2) coroa(1/2) coroa(1/2) cara(1/2) coroa(1/2) coroa(1/2) cara(1/2) cara(1/2) coroa(1/2) coroa(1/2) cara(1/2) coroa(1/2) coroa (1/2) cara(1/2) cara(1/2) cara(1/2) coroa(1/2) coroa(1/2) cara(1/2) coroa(1/2) coroa(1/2) cara(1/2) cara(1/2) coroa(1/2) coroa(1/2) cara(1/2) coroa(1/2) 2011/2 51 E se lançássemos a moeda 5 vezes? Distribuição Binomial Início cara (1/2) cara(1/2) cara(1/2) cara(1/2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) cara(1/2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) coroa(1/ 2) coroa (1/2) cara(1/2) cara(1/2) cara(1/2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) cara(1/2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) cara(1/2) coroa(1/ 2) coroa(1/ 2) cara(1/2) coroa(1/ 2) 2011/2 52 xnxqp xnx n xXP !! ! )( Distribuição Binomial O mesmo resultado da árvore pode ser obtido por meio da seguinte expressão: ),(~ pnBinX 2011/2 53 Cara ou não cara? (Bernoulli) Cara ou não cara? (Bernoulli) Início cara(0,5) cara(0,5) coroa(0,5) coroa(0,5) cara(0,5) coroa(0,5) Distribuição Binomial 2011/2 54 xnxqp xnx n xXP !! ! )( Distribuição Binomial A distribuição binomial resolve problemas de contagem respondendo perguntas do tipo “quantos” em experimentos onde (1) há dois resultados possíveis , (2) a probabilidade de sucesso é constante e (3) os eventos são independentes. ),(~ pnBinX npqXVar npXE )( )( 2011/2 55 A precisão no recebimento de pedidos em um guichê de uma lanchonete do tipo drive-through é uma característica importante para cadeias de lanchonete. Em um mês recente, suponha que a porcentagem de pedidos corretos desse tipo na lanchonete KFC tenha sido de 88%. Se uma amostra de 3 pedidos é anotada, qual é a probabilidade de que todos os três, nenhum dos três e pelo menos dois dos três pedidos venham a ser preenchidos corretamente? Exercício 2011/2 56 Distribuição Binomial Exemplo 1 2011/2 57 Distribuição Binomial Exemplo 1 2011/2 58 Distribuição Binomial Exemplo 2 2011/2 59 Distribuição Binomial Exemplo 3 2011/2 60 Distribuição Binomial Exemplo 4 2011/2 61 Distribuição Binomial Exemplo 4 2011/2 62 Distribuição Binomial Exemplo 5 2011/2 63 A distribuição Binomial no Excel 2011/2 64 A distribuição Binomial no Excel 2011/2 65 Se lançarmos uma moeda 3 vezes, qual é o número máximo de caras que se poderá obter? Se lançarmos uma moeda 100 vezes, qual é o número máximo de caras que se poderá obter? Quantas pessoas estarão na fila no horário de pico? Quantos telefonemas por dia são registrados em um call center? Quantas vezes a linha de produção vai parar este ano? Quantos acidentes vão acontecer este ano? Distribuição de Poisson 2011/2 66 ! )( )(~ k e kXP PoissonX k Distribuição de Poisson Nestes exemplos, interessa contar quantas vezes alguma coisa acontece em um espaço contínuo de tempo. Quando isso acontece, podemos usar a distribuição de Poisson )( )( XVar XE No caso da distribuição de Poisson, a média é denotada por: , ao qual se compara-la com a da binomial chega que: Denota-se: X ~ Poisson ( ) 2011/2 67 Suponha que o número de acidentes de trabalho por mês siga uma distribuição de Poisson com um valor esperado de 2,5 acidentes de trabalho por mês. Qual é a probabilidade de que, em um determinado mês, nenhum acidente venha a ocorrer? Qual é a probabilidade de que, em um determinado mês, ocorra pelo menos um acidente? Exercício 2011/2 68 A distribuição de Poisson no Excel 2011/2 69 A distribuição de Poisson no Excel 2011/2 70 Distribuição de Poisson Exemplo 1 Em Angola, de cada 100 mil mulheres grávidas, 1 500 morrem devido à gravidez (OMS 09/04/2005). Numa comunidade Angolana em que houver 300 mulheres em estado de gravidez, ache a probabilidade de que morrerão: a. Nenhuma b. 3 delas c. 5 delas. 2011/2 71 Distribuição de Poisson Exemplo 1 - Solução Avaliar condições de saúde de 300 mulheres grávidas. Característica do experimento: i. 300 mulheres estarem grávidas: Experimento Repetitivo; i. Possui dois tipos (sobreviver, não-sobreviver): Experimento de Bernoulli; 2011/2 72 Distribuição de Poisson Exemplo 1 - Solução Característica do experimento(cont.): iii. Número de Repetições 300: Quantia fixa; iv. Óbito de uma não influência na saúde da outra: Repetições Independentes; Nota: As características acima designam um Experimento Binomial. 2011/2 73 Distribuição de Poisson Exemplo 1 - Solução Característica do experimento(cont.): v. Variável Aleatória X: “número de óbitos entre as 300 grávidas” (X possui distribuição binomial) Devido à definição da variável aleatória, Sucesso é ocorrer óbito, e assim: 2011/2 74 Distribuição de Poisson Exemplo 1 - Solução n = 300 (Número de Repetições); Nota: Em uma pesquisa, este número é chamado de “Prevalência”. Assim: X b(300 ; 0,015) 2011/2 75 Distribuição de Poisson Exemplo 1 - Solução Devido aos valores de n e de p, esta variável aproxima de uma distribuição de Poisson com: = 300x0,0015 = 4,5 Este número indica que em 300 mulheres gestantes em Angola é de se esperar que 4,5 delas virão a óbito devido à gravidez. 2011/2 76 Distribuição de Poisson Exemplo 1 - Solução a. Nenhum óbito2011/2 77 Distribuição de Poisson Exemplo 1 - Solução b. 3 Óbitos Resposta: 0,1687 é equivalente a : 16,87% 2011/2 78 Distribuição de Poisson Exemplo 1 - Solução 5 óbitos Resposta: 0,1708 (17,08%) 2011/2 79 Distribuição de Poisson Exemplo 2 Uma central telefônica tipo PABX recebe uma média de 5 chamadas por minuto. Qual a probabilidade deste PABX não receber nenhuma chamada durante um intervalo de 1 minuto? 2011/2 80 Distribuição de Poisson Exemplo 3 2011/2 81 Distribuição de Poisson Exemplo 3 2011/2 82 Distribuição de Poisson Exemplo 4 2011/2 83 Distribuição de Poisson Exemplo 5 2011/2 84 Distribuição de Poisson Exemplo 6 2011/2 85 Observe as seguintes perguntas: Quantas peças vamos vender esse mês? Quantas pessoas estarão na fila no horário de pico? Quantos dos meus clientes vão honrar suas dívidas? Quanto custará o dólar daqui a um ano? Quanto tempo vai demorar até o fornecedor entregar a encomenda que fizemos hoje? Quantos produtos ruins vão escapar do nosso controle de qualidade? Introdução à distribuição de Probabilidades NORMAL Assim como existem algumas distribuições de probabilidade discretas que são particularmente importantes, também existem distribuições contínuas que se destacam. Elas serão o tema desta aula. 2011/2 86 Quanto tempo vai demorar até o fornecedor entregar a encomenda que fizemos hoje? Distribuição normal tempo de entrega semanas 2011/2 87 Distribuição normal tempo de entrega semanas 2011/2 88 semanas tempo de entrega Distribuição normal 2011/2 89 2 1,0 7,1 2 1 21,0 1 )( x exf tempo de entrega semanas Distribuição normal 2011/2 90 Distribuição normal 2 1,0 7,1 2 1 21,0 1 )( x exf Sugestão: Cotação média do dólar = 1,7 Desvio padrão = 0,1 tempo de entrega Tempo médio de entrega = 1,7 semanas 2011/2 91 Distribuição normal 2 2 1 2 2 2 1 )( )( )( );(~ x exf XV XE NX 2011/2 92 Qual a probabildiade do tempo de entrega ser acima de 1,80 semanas? Distribuição normal 80,1 2 1 2 2 1 )80,1( dxeXP x Impossível!!! tempo de entrega semanas 2011/2 93 Qual a probabildiade do tempo de entrega ser acima de 1,80 semanas? Distribuição normal z z dzezZP 2 2 1 2 1 )( Para esta integral, os matemáticos conseguiram encontrar uma solução. 80,1 2 1 2 2 1 )80,1( dxeXP x tempo de entrega semanas 2011/2 94 Qual a probabildiade do tempo de entrega ser acima de 1,80 semanas? Distribuição normal 1 1,0 70,180,1 )80,1( ZP X PXP P(Z > 1) é conhecido e é igual a 15,86%. tempo de entrega semanas 2011/2 95 Como podemos saber quanto é P(Z>1)? Para isso, precisamos de uma tabela da distribuição normal A tabela ao lado nos dá a área à esquerda de um valor, ou seja, nos dá a probabilidade de Z ser menor do que um determinado valor. Distribuição normal 2011/2 96 Distribuição normal P(X<-2,76)=0,029 2011/2 97 Como podemos saber quanto é P(Z>1)? P(Z>1) = 1 – P(Z<1) P(Z<1) pode ser obtido pela tabela... P(Z<1) = 0,8413 P(Z>1) = 1 – 0,8413 P(Z>1) = 0,1586 P(Z>1) = 15,86% Distribuição normal 2011/2 98 A distribuição normal no Excel 2011/2 99 A distribuição normal no Excel 2011/2 100 Imagine agora que queremos saber o valor de X, e não sua probabilidade. Por exemplo... A Toby’s Trucking Company determinou que a distância viajada por um caminhão a cada ano é distribuída nos moldes da distribuição normal com média 50 mil milas e desvio padrão 12 mil milhas. Quantas milhas serão viajadas por pelo menos 80% dos caminhões? Queremos descobrir a distância d tal que P(X<d)=80%. A distribuição normal no Excel 2011/2 101 A distribuição normal no Excel 2011/2 102 Distribuição Normal Exemplo 1 2011/2 103 Distribuição Normal Exemplo 1 2011/2 104 Distribuição Normal Exemplo 1 2011/2 105 Distribuição Normal Exemplo 1 2011/2 106 Distribuição Normal Exemplo 1 2011/2 107 Distribuição Normal Exemplo 2 2011/2 108 Distribuição Normal Exemplo 2 2011/2 109 Distribuição Normal Exemplo 2 2011/2 110 Distribuição Normal Exemplo 2 2011/2 111 Distribuição Normal Exemplo 2 2011/2 112 Distribuição Normal Exemplo 2 2011/2 113 Distribuição Normal Exemplo 2 2011/2 114 Distribuição Normal Exemplo 2 2011/2 115 Distribuição Normal Exemplo 2 2011/2 116 Distribuição Normal Exemplo 2 2011/2 117 Distribuição Normal Exemplo 2 2011/2 118 Distribuição Normal Exemplo 3 2011/2 119 Distribuição Normal Exemplo 4 2011/2 120 Distribuição Normal Exemplo 4
Compartilhar