Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 TQC – UFF Eng. de Produção 2012/1 Revisão de Estatística Distribuições 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca Variável Aleatória Discreta É aquela variável que só pode assumir valores discretos (nominal, ordinal e quan<ta<va) É a descrição numérica de um experimento DISTRIBUIÇÕES DE VARIÁVEIS Variáveis Aleatórias Variável Aleatória ConFnua É aquela variável que pode assumir qualquer valor numérico em um intervalo ou uma coleção de intervalos. 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 2 EXPERIMENTO VARIÁVEL ALEATÓRIA (x) POSSÍVEIS VALORES DE x Contatar Cinco Clientes para venda Número de clientes que coloca pedido 0, 1, 2, 3, 4, 5 Inspecionar um embarque de 50 equipamentos Número de equipamentos defeituosos 0, 1, 2, 3, 4, 5 ... 49, 50 Operar um restaurante por dia Número de clientes atendidos 0, 1, 2, 3, 4, 5 ... ..... Venda de automóvel Gênero do cliente 0 - masculino 1 - feminino EXEMPLO DE VARIÁVEIS ALEATÓRIAS DISCRETAS EXPERIMENTO VARIÁVEL ALEATÓRIA (x) POSSÍVEIS VALORES DE x Operar um Banco Tempo entre as chegadas dos clientes em minutos x ≥ 0 Encher um recipiente de refrigerante (máx = 343 ml) Número de ml 0 ≤ x ≤ 343 ml Trabalhar em um projeto Porcentagem de término do projeto após 6 meses 0 ≤ x ≤ 100% Testar um novo processo químico Temperatura quando a desejada reação tem lugar (min. 65ºC; máx. 100ºC) 65 ≤ x ≤ 100 EXEMPLO DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS DISTRIBUIÇÃO DISCRETA DE PROBABILIDADES A distribuição de probabilidade para uma variável aleatória descreve como as probabilidades estão distribuídas sobre os valores da variável. x f(x) 0 0,18 1 0,39 2 0,24 3 0,14 4 0,04 5 0,01 Total = 1,00 Distribuição de probabilidade da venda diária de automóveis em uma loja Imaginemos uma loja de automóveis. Representação gráfica da distribuição de probabilidade para as vendas de automóveis 0,00 0,10 0,20 0,30 0,40 0,50 0 1 2 3 4 5 Nº automóveis vendidos pr ob ab ili da de CONDIÇÕES EXIGIDAS PARA UMA FUNÇÃO DISCRETA DE PROBABILIDADES f(x) ≥ 0 ∑f(x) = 1 FUNÇÃO DISCRETA UNIFORME DE PROBABILIDADES f(x) = 1/n Onde: n = o número de valores que a variável aleatória pode assumir. Se x = 1, 2, 3, 4, 5, 6 f(x) = 1/6 f(x) é a probabilidade de que o valor “x” ocorra. x f(x) 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 VALOR ESPERADO E VARIÂNCIA • VALOR ESPERADO ou MÉDIA, de uma variável aleatória discreta é a medida da posição central para a variável ∑== )()( xxfxE µ • VARIÂNCIA de uma variável aleatória é a medida da dispersão da variável em relação à Média (Valor Esperado). ∑ −== )()()( 22 xfxxVar µσ 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 9 Para um dado de 6 faces não viciadas (x = valor da face) Σ(x-‐µ)2.f(x) (1-‐3,5)2.1/ 6 = 1,04 (2-‐3,5)2.1/ 6 = 0,38 (3-‐3,5)2.1/ 6 = 0,04 (4-‐3,5)2.1/ 6 = 0,04 (5-‐3,5)2.1/ 6 = 0,38 (6-‐3,5)2.1/ 6 = 1,04 Var(x)=2,92 x f(x) x.f(x) x.f(x) 1 1/ 6 1.1/6 1/ 6 2 1/ 6 2.1/6 2/ 6 3 1/ 6 3.1/6 3/ 6 4 1/ 6 4.1/6 4/ 6 5 1/ 6 5.1/6 5/ 6 6 1/ 6 6.1/6 6/ 6 E(x) = Σx.f(x) = 3,5 x f(x) 0 0,18 1 0,39 2 0,24 3 0,14 4 0,04 5 0,01 Total = 1,00 Distribuição de probabilidade da venda diária de automóveis em uma loja Na nossa loja de automóveis... 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 11 0,00 0,39 0,48 0,42 0,16 0,05 1,50 0 1 2 3 4 5 0,18 0,39 0,24 0,14 0,04 0,01 0 - 1,50 = -1,50 1 - 1,50 = -0,50 2 - 1,50 = 0,50 3 - 1,50 = 1,50 4 - 1,50 = 2,50 5 - 1,50 = 3,50 2,25 0,25 0,25 2,25 6,25 12,25 0 x 0,18 = 1 x 0,39 = 2 x 0,24 = 3 x 0,14 = 4 x 0,04 = 5 x 0,01 = x f(x) x-µ (x-µ)^2 (x-µ)^2 . f(x) Cálculo da Média e Variância para o número de automóveis vendidos ∑== )()( xxfxE µ ∑ −== )()()( 22 xfxxVar µσ 0,405 0,098 0,060 0,315 0,250 0,123 1,2501,250 Distribuição Binomial 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 13 DISTRIBUIÇÃO BINOMIAL Ø Está associada a um experimento de múl<plas etapas com as seguintes caracterís<cas: 1. O experimento consiste em uma etapa de n ensaios idên<cos. 2. Dois resultados são possíveis em cada ensaio (sucesso ou fracasso). 3. As probabilidades não se modificam de ensaio a ensaio. 4. P(sucesso) = p e P(fracasso) = 1-‐p (=q). 5. Os ensaios são independentes 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 14 Lojas Mar<n • Probabilidade de um cliente que entra fazer uma compra é p = 0,30 • Qual a probabilidade de 2 em cada 3 clientes que entram comprarem (2 sucessos em três ensaios). 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 15 S F S S F F S S S S F F F F (SSS) (SSF) (SFS) (SFF) (FSS) (FSF) (FFS) (FFF) RESULTADOS VALORES DE X3 2 2 1 2 1 1 0 Nº de resultados possíveis de 2 compras em 3 clientes: 3 )!1(!2 !2.3 )!23(!2 !3 32 ==− =C Cliente 1 Cliente 2 Cliente 3 Loja Vazia 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 16 Esses três resultados se referem às possibilidades (SSF, SFS, FSS). Nos três casos as probabilidades de S e F são: P(S) = p P(F) = 1-‐p Assim temos as seguintes probabilidades experimentais 1º Cliente 2º Cliente 3º Cliente Compra Compra Não SSF pp(1-p) = p 2 (1-p) Compra Não Compra SFS p(1-p)p = p 2 (1-p) Não Compra Compra FSS (1-p)pp = p 2 (1-p) Probabilidade Resultados dos ensaios 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 17 Note que p2(1-‐p) é px(1-‐p)(n-‐x) e que esta probabilidade se relaciona a cada uma das possibilidades (total de 3) de ocorrerem 2 sucessos em três entradas de clientes na loja. Logo, devemos mul<plicar esta probabilidade pelo número de alterna<vas possíveis, neste caso 3. Assim temos: 3. p2(1-‐p) onde 3 = ou p2(1-‐p) é px(1-‐p)(n-‐x) Generalizando temos: 3 2C n xC )()1()( xnxnx ppCxf −−= 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 18 xnx pp x n xXP −−⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ == )1()( Valor esperado e Variância de uma distribuição binomial E(X) = np Var (X) = np(1-p) E(X) DISTRIBUIÇÃO BINOMIAL n = número de ensaios x = número de sucessos nos n ensaios p = Probabilidade de sucesso em um ensaio Onde: 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 19 EXERCÍCIO 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 20 “A PROVA” Imaginem uma prova de esta;s<ca de 10 questões com múl<pla escolha. Ela é aplicada na rua, onde se espera que ninguém conheça a matéria. A probabilidade dos resultados respeita uma distribuição binomial? Qual a probabilidade de acerto (sucesso) para o caso de 2 e 5 opções? Calcule a média e variância em cada caso? Esboce o histograma para as duas distribuições. p será 50% ou 20% respec<vamente. n = 10 questões x = número de acertos nas 10 questões 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 21 Número de sucessos Distribuições Binomiais para p=0,5 e p=0,2 0,000 0,050 0,100 0,150 0,200 0,250 0,300 0,350 0 1 2 3 4 5 6 7 8 9 10 Pr ob ab ili da de s p=50% para 2 questões p=20% para 5 questões SOLUÇÃO opções 2 para )5,01(5,0)( )10(10 xxxCxf −−= opções 5 para )2,01(2,0)( )10(10 xxxCxf −−= X 0 1 2 3 4 5 6 7 8 9 10 p=50% 0,001 0,010 0,044 0,117 0,205 0,246 0,205 0,117 0,044 0,010 0,001 f(x) p=20% 0,107 0,268 0,302 0,201 0,088 0,026 0,006 0,001 0,000 0,000 0,000 E(X) = np Var (X) = np(1-p) E1(x) = 10.0,5=5 E2(x) = 10.0,2=2 Var1 (X) = 10.0,5(1-0,5) Var1 (X) = 2,5 Var2 (X) = 10.0,2(1-0,2) Var2 (X) = 1,6 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 22 DISTRIBUIÇÃO DE POISSON PARÂMETROS: µ e x 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 23 DISTRIBUIÇÃO DE POISSON 2,71828 e onde ! )( == − x exf x µµ APLICAÇÃO: -‐ Es<mar número de ocorrências sobre um intervalo de tempo ou de espaço específicos -‐ Ex: chegada de carros em lava-‐jatos em uma hora, número de buracos em cada km de uma estrada. PROPRIEDADES: -‐ A probabilidade de uma ocorrência é a mesma para quaisquer dois intervalos de igual comprimento. -‐ A ocorrência ou não em qualquer intervalo é independente da ocorrência ou não em qualquer outro intervalo. 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 24 DISTRIBUIÇÃO DE POISSON ! )( x exf x µµ − = 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 25 ! )( x exf x µµ − = Média = 1 0, 00 0, 10 0, 20 0, 30 0, 40 1 3 5 7 9 11 13 15 17 19 21 23 Média = 2 0,00 0,10 0,20 0,30 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Média = 3 0,00 0,05 0,10 0,15 0,20 0,25 1 3 5 7 9 11 13 15 17 19 21 23 Média = 4 0,00 0,05 0,10 0,15 0,20 0,25 1 3 5 7 9 11 13 15 17 19 21 23 Média = 5 0,00 0,05 0,10 0,15 0,20 1 3 5 7 9 11 13 15 17 19 21 23 Média = 10 0,00 0,05 0,10 0,15 1 3 5 7 9 11 13 15 17 19 21 23 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 26 APLICAÇÃO Um terminal costuma receber 96 navios por ano. Qual a probabilidade de se receber 10 navios em um mês? POISSON f (10) = 8 10e−8 10! = 1.073.741.824 x 0,00033546 10! = 9,93% Ou direto na tabela com média = 8 e x = 10 p.567 1ª Ed p.551 2ª. ed E(x)=96navios/12meses=8navios/mês f (x) = µ xe−µ x! onde e = 2,71828 Exercícios Pag. 225 -‐ 26 Pag. 226 -‐ 31 Pag. 230 -‐ 39 Pag. 231 -‐ 41 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 28 DISTRIBUIÇÃO HIPERGEOMÉTRICA DISTRIBUIÇÃO HIPERGEOMÉTRICA • é uma distribuição de probabilidade discreta que descreve a probabilidade de se re<rar • x elementos do <po A • numa sequência de n extrações • de uma população finita de tamanho N, • com K elementos do <po A e • N-‐K elementos do <po B, • sem reposição DISTRIBUIÇÃO HIPERGEOMÉTRICA • Seja N um conjunto tal que existemK elementos do <po A e • N-‐K elementos do <po B. • Um conjunto de n elementos é selecionado, aleatoriamente e sem reposição, do conjunto de N elementos. • A variável aleatória X denota o número de elementos <po A. • Então, X tem distribuição hipergeométrica DISTRIBUIÇÃO HIPERGEOMÉTRICA • Fusíveis elétricos são embalados em caixas de 12 unidades. Um controlador de qualidade seleciona uma amostra de 3 fusíveis em uma caixa que contém exatamente 5 defeituosos. Qual a probabilidade de um controlador encontrar exatamente 1 dos fusíveis defeituosos? DISTRIBUIÇÃO HIPERGEOMÉTRICA • N=12 • K=5 • n=3 • x=1 Resp.: f(1)=0,4773 f (x) = 5 1 ! " # $ % & 7 2 ! " # $ % & 12 3 ! " # $ % & DISTRIBUIÇÃO HIPERGEOMÉTRICA 35 DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 36 DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE Na distribuição discreta temos uma função de probabilidades associada a um dado valor de x (discreto). Na distribuição contínua temos uma FUNÇÃO DENSIDADE DE PROBABILIDADES. Na distribuição contínua não há probabilidades associadas a valores específicos de x, mas a regiões entre dois valores de x. 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 37 Distribuição Normal 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 38 FUNÇÃO DENSIDADE DE PROBABILIDADE 2 2 1 2 1)( ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ −− = σ µ πσ x exf Distribuição Normal ONDE: µ = média σ = desvio-‐padrão π = 3,14159 e = 2,71828 Qual o valor da função para a média? x=µ =>f(x)=1/(σ √ 2π) 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 39 PROPRIEDADES DA CURVA NORMAL esperado)ou valor (média E(X) µ= ) padrão-Desvio (logo, Var(X) 2 σσ == ±∞→→ xquando 0 f(x) f(x) de máximo ponto o é x µ= µ de tornoem simétrica é normal curvaA 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 40 σ µ− = XZ CURVAS NORMAIS COM MESMO DESVIO PADRÃO MAS COM MÉDIAS DIFERENTES (µ 2 > µ 1) µ 2 > µ 1 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 41 CURVAS NORMAIS COM MESMA MÉDIA MAS COM DESVIOS-PADRÕES DIFERENTES (σ2 > σ1) σ µ− = XZ σ2 > σ1 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 42 USANDO A MEDIDA DE POSIÇÃO RELATIVA “z” • Onde z é a distância de xi à média em desvios-‐padrões; • E assim teremos uma distribuição normal padrão com média zero (0) e desvio padrão 1. s xxz i −= • Como já havíamos visto podemos transformar uma distribuição de x em uma distribuição da posição de x em relação à sua média e como uma proporção do desvio-padrão. x-‐ Distância de xi à média = (xi -‐ ) • Comparando com s temos: 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 43 REDUÇÃO DE UMA CURVA NORMAL A UMA DISTRIBUIÇÃO NORMAL PADRÃO Z = X – µ σ E(Z) = 0 σ2 (Z) = 1 Se X ~ N (µ; σ2) 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 44 DISTRIBUIÇÃO NORMAL-‐PADRÃO DE PROBABILIDADE σ µ− = i xz 1 0 = = σ µ 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 45 CÁLCULO DE PROBABILIDADES P(a < X < b) = área sob a curva e acima do eixo horizontal (x) entre a e b 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 46 CÁLCULO DE PROBABILIDADE EM UMA DISTRIBUIÇÃO NORMAL PADRÃO - Calcular P(Z ≤ 1,79) A 1,79 Área tabelada 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 47 TABELA DA NORMAL PADRONIZADA Calcule a probabilidade de um ponto entre a média e 1,79. P (0 < z < 1,79) = z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359 0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753 0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141 0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517 0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879 0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224 0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2518 0,2549 0,7 0,2580 0,2612 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852 0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133 0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389 1 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621 1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830 1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015 1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177 1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319 1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441 1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545 1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633 1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706 1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767 2 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817 2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857 2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890 2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916 2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936 2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952 2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964 2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974 2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981 2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986 3 0,4986 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990 0,4633 48 CÁLCULO DE PROBABILIDADE EM UMA DISTRIBUIÇÃO NORMAL PADRÃO - Calcular P(Z ≤ 1,79) P(Z ≤ 1,79) = 0,500 + 0,4633 = 0,9633 ou 96,33% 21/02/14 TQC -‐ Prof. FernandoFerraz -‐ Rev Esta;s<ca 49 EXERCÍCIO a) Calcular P(Z > 1,5) b) Calcular P(1,32 < Z <1,79) c) Calcular P(-2,3 < Z < -1,49) d) Calcular z para P(0 < Z < z) = 0,4975 e) Calcular z para P(- ∞ < Z < z) = 0,3192 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca Exercícios Pag. 257 -‐ 8, 9 Pag. 258 -‐ 12 Pag. 259 -‐ 20 e 22 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 50 51 DISTRIBUIÇÃO EXPONENCIAL 0 0, para 1)( ≥≥= − µ µ µ xexf x Ex: Tempo entre chegadas em um terminal, tempo entre chegadas de caminhões, distância entre os maiores defeitos em um oleoduto. µ ox exxP − −=≤ 1)( 0 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 52 P(x ≤ 6) = ? 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0 DISTRIBUIÇÃO EXPONENCIAL 1-‐e-‐6/15=0,3297 Qual a probabilidade do tempo entre carregamentos de 6 minutos ou menos para um sistema com tempo médio entre carregamentos de 15 minutos 15 1)( 15 x exf − = 15 6 1)6( − −=≤ exP 53 AMOSTRAGEM E DISTRIBUIÇÕES AMOSTRAIS 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 54 CONCEITOS POPULAÇÃO – É o conjunto de todos os elementos de interesse em um estudo. AMOSTRA – É um subconjunto da população. PARÂMETRO – é a medida usada para descrever uma caracterís<ca numérica da população. ESTIMADOR – ou esta9s:ca é uma caracterís<ca numérica de uma determinada amostra. ERRO AMOSTRAL – É o erro que ocorre justamente pelo uso da amostra. INFERÊNCIA – São suposições que são feitas sobre o universo (população) a par<r de caracterís<cas e informações ob<das da amostra. 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 55 Tabela de números aleatórios 51772 74640 42331 29044 46621 62898 93582 4186 19640 87056 24033 23491 83587 6568 21960 21387 76105 10863 97453 90581 45939 60173 52078 25424 11645 55870 56974 37428 93507 94271 30586 2133 75797 45406 31041 86707 12973 17169 88116 41287 3585 79353 81938 82322 96799 85659 36081 50884 14070 74950 64937 3355 95863 20790 65304 55189 745 65253 11822 15804 15630 64759 51135 98527 62586 41889 25439 88036 24034 67283 9448 56301 57683 30277 94623 85418 68829 6652 41982 49159 21631 91157 77331 60710 52290 16835 48653 71590 16159 14676 91097 17480 29414 6829 87843 28195 27279 47152 35683 47280 50532 25496 95652 42457 73547 76552 50020 24819 52984 76168 7136 40876 79971 54195 25708 51817 36732 72484 94923 75936 27989 64728 10744 8396 56242 90985 28868 99431 50995 20507 85184 73949 36601 46253 477 25234 9908 36574 72139 70185 54398 21154 97810 36764 32869 11785 55261 59009 38714 38723 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 56 ESTIMATIVA POR PONTO • É a es<ma<va do parâmetro populacional feita com uma única amostra da população. • EXEMPLO: Para a população de colaboradores de uma empresa uma es<ma<va para a altura é: = 1,76m s = 0,08m x 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 57 DISTRIBUIÇÕES AMOSTRAIS µ=)(xE 7.5 DISTRIBUIÇÃO AMOSTRAL DE x É a distribuição de probabilidade de todos os valores possíveis da média da amostra, x. 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 58 população da padrão-desvio de ãodistribuiç da padrão-desvio = = σ σ x x n = tamanho da amostra N = tamanho da população SEJA: Desvio-‐Padrão da distribuição de x (erro padrão da média) 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 59 finita População . 1 ⎟ ⎠ ⎞ ⎜ ⎝ ⎛= nN- N-n x σ σ infinita População ⎟ ⎠ ⎞ ⎜ ⎝ ⎛= nx σ σ Na prá<ca quando n/N ≤ 0,05 ⎟ ⎠ ⎞ ⎜ ⎝ ⎛= nx σ σ 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca Desvio-‐Padrão da distribuição de x (erro padrão da média) 60 TEOREMA DO LIMITE CENTRAL • Ao selecionar amostras aleatórias simples de tamanho n a par<r de uma população, a distribuição amostral da média da amostra pode ser aproximada pela distribuição normal de probabilidade à medida que o tamanho da amostra se torna maior. A distribuição da média tende à normal quando n aumenta. (n>30 =>X(x) ~ N(µ, σx) 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 61 62 Relação entre o tamanho da amostra e a distribuição de x RECORDANDO: A distribuição de x é normal se: n ≥ 30 p. 267 63 EXERCÍCIO 0,05n/N para 1 )( 0,05n/N para ≥ − − = ≤= N nN n n x x σσ σσ a) 200)( )( = = xE xE µ Uma população tem média de 200 e um desvio-padrão de 50. Uma amostra aleatória simples de tamanho 100 é tomada e a média da amostra será usada para estimar a média da população µ. a) Qual o valor esperado de x? b) Qual o desvio-padrão da distribuição de x? b) Considerando N da população suficientemente grande (>2.000) podemos dispensar o uso do fator correwvo (N-‐n)/(N-‐1) 510/50 10050/ == == == nx σσ 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 64 EXERCÍCIO Uma população tem média de 200 e um desvio-padrão de 50. Uma amostra aleatória simples de tamanho 100 é tomada e a média da amostra será usada para estimar a média da população µ. a) Qual a probabilidade que média da amostra esteja dentro de ±5 da média da população b) Qual a probabilidade que média da amostra esteja dentro de ±10 da média da população 5 200)( = === x xxE σ µµ %26,68)205xP(195 logo 1z então ,5 e 5 se 5 5) =<< === =−=⇒ − =⇒± σσ µσ σ µµ z xz xza x x % 44 , 95 ) 210 x P(190 logo 2 10 ) = < < = ⇒ ± z b x µ 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 65 DISTRIBUIÇÃO AMOSTRAL DA PROPORÇÃO p 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 66 É a distribuição de probabilidade de todos os valores possíveis da proporção da amostra p. População com proporção p=? Uma amostra aleatória simples de n elementos é selecionada a par<r da população O valor de p é usado para fazer inferências sobre o valor de p. Os dados da amostra fornecem um valor para a proporção amostral de p 7.6 DISTRIBUIÇÃO AMOSTRAL DE p 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 67 DISTRIBUIÇÃO AMOSTRAL DE UMA PROPORÇÃO p ppE =)( Valor esperado de p de uma população com proporção p DESVIO-‐PADRÃO (ERRO PADRÃO DA PROPORÇÃO) PARA POPULAÇÕES FINITAS E INFINITAS finita População )1( 1 n pp N nN p − − − =σ infinita População )1( n pp p − =σ 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 68 DISTRIBUIÇÃO AMOSTRAL DE UMA PROPORÇÃO p A distribuição amostral de p é normal se: n.p≥5 e n.q ≥ 5 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 69 7.7 OUTROS MÉTODOS DE AMOSTRAGEM 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 70 AMOSTRAGEM ALEATÓRIA ESTRATIFICADA • A população é dividida em estratos. • Dentro de cada estrato há uma grande homogeneidade ou pequena variabilidade • Entre os estratos há uma grande heterogeneidade ou variabilidade CARGOS POPULAÇÃO AMOSTRA Chefe de seção 5.000 250 Operários especializados 15.000 750 Operários não especializados 30.000 1.500 TOTAL 50.000 2.500 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 71 AMOSTRAGEM POR CONGLOMERADOS • A população é dividida em grupos ou conglomerados. • Dentro de cada grupo há uma pequena homogeneidade ou grande variabilidade • Entre os grupos há uma pequena heterogeneidade ou variabilidade EXEMPLO: Estudar a aderência aos procedimentos ambientais em plataformas 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 72 AMOSTRAGEM SISTEMÁTICA • Define-‐se um indivíduo/elemento inicial. • Define-‐se fator de sistema<zação s. • A amostra é tomada considerando a ordem do primeiro elemento m somada aos múl<plos de s 2º elemento => m+s 3º elemento => m+2s 4º elemento => m+3s nº elemento => m+(n-‐1)s 1º elemento => m 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca 73 AMOSTRAGENS NÃO PROBABILÍSTICAS AMOSTRAGEM DE CONVENIÊNCIA Quando há dificuldade ou é impossível selecionar indivíduos aleatoriamente AMOSTRAGEM DE JULGAMENTO Quando o pesquisador tem grande experiência e escolhe uma amostra que considera representa<va. 21/02/14 TQC -‐ Prof. Fernando Ferraz -‐ Rev Esta;s<ca
Compartilhar