Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
Slide * Slide * DISTRIBUIÇÃO HIPERGEOMÉTRICA Slide * Slide * Distribuição Hipergeométrica Utiliza-se a distribuição hipergeométrica em situações com dois ou mais resultados, em que a probabilidade de sucessos varia de uma prova para outra (extração sem reposição de uma população finita) – observações dependentes. Se a amostra for menor ou igual a 10 vezes a população, faz-se boa aproximação com a distribuição Binomial. Slide * Slide * Distribuição Hipergeométrica: Exemplo Numa caixa com 10 fusíveis, 2 são defeituosos. Extraída uma amostra de 4, qual a probabilidade de: nenhum defeituoso, 1 defeituoso, 1 ou menos defeituoso? Slide * Slide * DISTRIBUIÇÃO POLINOMIAL Slide * Slide * Distribuição Multinomial ou Polinomial Conceito: Utilizada nas situações onde há mais de dois resultados mutuamente excludentes. Exigências: Que as provas sejam independentes; Tenham probabilidade de ocorrência constante; A probabilidade multinomial de que, em n observações, o resultado E1 ocorra n1 vezes, E2 ocorra n2 vezes, ... , e Ek ocorra nk vezes é dado pela fórmula: Slide * Slide * Distribuição Multinomial ou Polinomial: Exemplo Exemplo: Em um processo, 80% da produção de uma máquina é aceitável, 15% necessita de algum reparo, e 5% é imprestável. Numa amostra de 10 itens, qual a probabilidade de obter 8 itens bons, 2 que necessitem de reparos, e nenhum imprestável? Solução: n=10 n1=8 n2=2 n3=0 p1=0,80 p2=0,15 p3=0,05 Slide * Slide * DISTRIBUIÇÃO GEOMÉTRICA Slide * Slide * Distribuição Geométrica Slide * Slide * DISTRIBUIÇÃO DE PASCAL OU BINOMIAL NEGATIVA Slide * Slide * Distribuição de Pascal Nas condições em que foi definida a distribuição geométrica, se considerarmos X como o número de tentativas até se obter o r-ésimo sucesso (exemplo: 17º sucesso), teremos uma distribuição de Pascal. Sendo r a ordem do sucesso desejado e k o número de tentativas para o obter o sucesso desejado, temos: k = r , r+1, r+2, ..... média = E(x) = r / p e variância = 2 = r.q / p2 Slide * Slide * COMPARAÇÃO ENTRE BINOMIAL E POISSON Slide * Slide * Comparação entre Binomial e Poisson Slide * Slide * RESOLUÇÃO DE EXERCÍCIOS Slide * Slide * DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE Slide * Slide * Introdução Tipos de distribuições contínuas (alguns exemplos): UNIFORME OU RETANGULAR NORMAL BIVARIADA NORMAL EXPONENCIAL LOGNORMAL WEIBULL QUI-QUADRADO 2 t DE STUDENT F DE SNEDECOR GAMA BETA ERLANG Slide * Slide * Introdução Quando se usam as distribuições contínuas? A variável aleatória discreta apresenta um grande número de resultados. A variável aleatória em questão é contínua. Exemplo: Os ponteiros de um relógio podem parar em qualquer dos infinitos pontos do círculo. Portanto, a probabilidade de parar em um ponto definido é zero. Nas distribuições contínuas utilizam-se a probabilidade da ocorrência em um intervalo P(a < x < b). Em uma distribuição contínua, a probabilidade é dada pela área contida no intervalo considerado. Slide * Slide * Distribuição Uniforme Quando se usam as distribuições uniformes? Quando a variável aleatória pode tomar qualquer valor numa escala contínua entre dois pontos (intervalo) e que estes valores sejam igualmente prováveis. Distribuição uniforme Slide * Slide * Distribuição Uniforme Exemplo: Um vendedor sempre comparece à sua empresa no horário de 3:00 às 4:00h. Neste intervalo cada instante é igualmente provável. Qual a probabilidade dele comparecer entre 3:00 e 3:15h? Slide * Slide * DISTRIBUIÇÃOO NORMAL Slide * Slide * Distribuição Normal A importância da Distribuição Normal Retrata com boa aproximação, as distribuições de freqüência de muitos fenômenos naturais e físicos; Serve como aproximação das probabilidades binomiais quando n é grande; Representa a distribuição das médias e proporções em grandes amostras, o que tem relevante implicação na amostragem (propriedade mais importante). Slide * Slide * Distribuição Normal Um pouco de História: No século XVIII, astrônomos e outros cientistas observaram que medidas repetidas de mensurações como a distância à lua variavam como na figura, quando coletadas em grande número. Esta forma gráfica era associada aos erros de mensuração, daí o nome de “Distribuição normal dos erros” e depois “Distribuição normal”. Também é conhecida por “Distribuição Gaussiana”, em função do modelo matemático desenvolvido por Karl F. Gauss para este comportamento. Slide * Slide * Distribuição Normal Curva normal típica: Slide * Slide * Distribuição Normal Características da curva normal: Tem a forma de sino e é simétrica em relação a média; Prolonga-se de - a + (apenas em teoria); Fica completamente especificada por sua média e seu desvio padrão; A área total sob a curva é considerada 100% ou igual a 1; A área sob a curva entre dois pontos é a probabilidade de uma variável normalmente distribuída tomar um valor entre esses pontos; A probabilidade de uma variável aleatória normalmente distribuída tomar exatamente determinado valor é zero; A área sob a curva entre a média e um ponto arbitrário é função do número de desvios padrões entre a média e aquele ponto. Slide * Slide * Distribuição Normal A probabilidade de uma variável aleatória tomar um valor entre dois pontos quaisquer é igual à área sob a curva normal entre aqueles pontos. P(a<x<b) Slide * Slide * Distribuição Normal Equação para traçar uma distribuição normal: Nesta equação, temos: f(x) = função de densidade de probabilidade = altura da curva normal no ponto x (não é probabilidade); x = Ponto da distribuição; = média da variável aleatória x; = desvio padrão da variável aleatória x. Slide * Slide * Distribuição Normal Observações: x - = distância do ponto considerado até a média. = Número de desvios padrões a partir da média. z = valor z = score z. Pode-se ter valores negativos de z para valores de x inferiores à média. Slide * Slide * Distribuição Normal A distância entre a média e um ponto qualquer é dado em número de desvios padrões (z). Esta característica nos permite traçar uma outra distribuição normal, com média igual a zero e desvio padrão 1, conhecida como distribuição normal padronizada. Slide * Slide * Distribuição Normal E porque é importante fazermos a conversão para z? Os valores de probabilidade para z são tabelados. Como todas as distribuições podem ser convertidas para z, precisamos então somente desta tabela para calcular as probabilidades para todas as distribuições normais. Tabela z: Lista os valores de probabilidade para valores de z entre 0 e 3 (para valores negativos, basta olhar o valor positivo correspondente). Normalmente, a área tabelada mostra valores entre 0 e z. Existem outros tipos de tabelas portanto, deve-se sempre verificar a qual área a tabela se refere. Slide * Slide * Distribuição Normal Slide * Slide * Distribuição Normal Exemplo: Qual a probabilidade de 0 < z < 1,25? Solução: 1,25 = 1,2 + 0,05 Portanto: P(0<z<1,25) = 0,3944 = 39,44% Slide * Slide * Distribuição Normal Como determinar outras áreas: P(-1<z<1) = P(-1<z<0) + P(0<z<1) Como a curva normal é simétrica: P(-1<z<0) = P(0<z<1) Então, buscando na tabela: P(-1<z<1)=0,3413 + 0,3413 P(-1<z<1)=0,6826 = 68,26% * * * * * * * *
Compartilhar