Baixe o app para aproveitar ainda mais
Prévia do material em texto
Gláucia Amorim Faria Departamento de Matemática - Universidade Estadual Paulista – UNESP Campus de Ilha Solteira glaucia@mat.feis.unesp.br Disciplina: Estatística Aplicada PARTE III Probabilidade Noções de Probabilidade Distribuições de Probabilidade A probabilidade expressa por meio de valores numéricos as possibilidades de ocorrência dos resultados de um fenômeno Definições: Um experimento corresponde a um processo que, ao ser realizado, resulta em uma e somente uma dentre muitas observações. Experimento Resultados Essas observações são conhecidas como resultados do experimento. Espaço Amostral (Ω) É o conjunto de todos os resultados possíveis do experimento (eventos simples) Eventos Simples (w) São pontos do espaço amostral Evento composto Corresponde a uma coleção de um ou mais dos resultados de um experimento Evento aleatório (w) São conjuntos de eventos simples Experimento Resultados Espaço Amostral Lançar uma moeda uma única vez Cara, Coroa S = (Cara, Coroa) Jogar um dado uma única vez 1, 2, 3, 4, 5, 6 S = {1, 2, 3, 4, 5, 6) Lançar uma moeda duas vezes CACA, CACO, COCA, COCO S = {CACA, CACO, COCA, COCO} Jogar na loteria Ganhar, Perder S = {Ganhar, Perder) Fazer um teste Passar, Não Passar S = {Passar, Não Passar} Selecionar um aluno Homem, Mulher S = {Homem, Mulher} Tabela 1 - Exemplos de Experimentos, Resultados e Espaços Amostrais. Teoria de Probabilidade Probabilidade (p): 0 1p 0 0,5 1 Evento certamente não ocorrerá Evento certamente ocorrerá Máxima incerteza )( )( )( n An Ap Exemplo 1: Experimento: identificação e contagem do número anual de dias Y com alturas diárias de chuva iguais ou superiores a 0,1 mm, observados em uma certa estação pluviométrica. O espaço amostral seria dado pelo conjunto finito: S=SD {0,1,2, ... , 366} Exemplo 2: Experimento: monitoramento das vazões X, em uma certa estação fluviométrica. O espaço amostral seria dado pelo conjunto infinito: S≡SC {x ϵ R+} Diagramas de Venn e operações com eventos em um espaço amostral Regras para cálculo das Probabilidades Eventos mutuamente exclusivos: )()()()( BAPBPAPBAP BA Eventos não mutuamente exclusivos: )()()( BPAPBAP BA Eventos complementares: )(1)( APAP Probabilidade Condicional: )( )( )/( BP BAP BAP Figura – Diagrama de Venn com ilustração do conceito de probabilidade condicional Regras para cálculo das Probabilidades Regra do Produto )( )( )/( BP BAP BAP )( )( )/( AP ABP ABP )/().()( BAPBPBAP )/().()( ABPAPABP Eventos independentes: )().()( BPAPBAP Exemplo 3: No lançamento de um dado, sendo o espaço amostral Ω={1,2,3,4,5,6}, consideramos o evento A={1,2,5,6} e o B={2,4,6}. Qual é a probabilidade de sair um elemento do A ou do B ? Os eventos não são mutuamente exclusivos, pois a intersecção de A e B não é um conjunto vazio: A⋂B={2,6}. P(A⋃B)=P(A)+P(B)−P(A⋂B)= 4 6 + 3 6 − 2 6 = 5 6 Exemplo 4: Num grupo de 300 turistas cadastradas por uma agência de viagens, 100 viajam para Fortaleza e 80 para Manaus (os turistas restantes viajam para outras cidades). Esses dados incluem 30 turistas que viajam para as duas cidades simultaneamente. Qual a probabilidade de uma turistas aleatoriamente escolhido estar de viagem: a) para Fortaleza (F); b) para Manaus (M); c) para Fortaleza (F) e para Manaus (M); d) para Fortaleza (F) ou para Manaus (M). Soluções: a) Fortaleza (F): P(F)= 100 300 = 1 3 = 0,3333… b) Manaus(M): P(M)= 80 300 = 0,2666… N: 300 turistas, 100 Fortaleza, 80 para Manaus, 30 viajam para as duas cidades simultaneamente. Soluções: c)Fortaleza (F) e Manaus(M): P(F⋂M)= 30 300 = 0,1 d) Fortaleza (F) ou Manaus(M): P(F⋃M)=P(F)+P(M)−P(F⋂M) P(F⋃M)= 100 300 + 80 300 − 30 300 = 1 2 = 0,5 N: 300 turistas, 100 Fortaleza, 80 para Manaus, 30 viajam para as duas cidades simultaneamente. Exemplo 5: Na Tabela abaixo, temos dados referentes a alunos matriculados em quatro cursos de uma universidade em dado ano. Curso Sexo Homens (H) Mulheres (M) Total Agronomia (A) 70 40 110 Biologia (B) 15 15 30 Engenharia (E) 10 20 30 Zootecnia (Z) 20 10 30 Total 115 85 200 a) Qual o probabilidade de ser Homem; b) Probabilidade de ser Homem e fazer parte do curso Biologia; c) Probabilidade de ser Homem ou fazer parte do curso Biologia; d) Probabilidade de fazer parte do curso Biologia ou Engenharia; e) Dado que o aluno selecionado da Engenharia, qual a probabilidade de ser Mulher ? Curso Sexo Homens (H) Mulheres (M) Total Agronomia (A) 70 40 110 Biologia (B) 15 15 30 Engenharia (E) 10 20 30 Zootecnia (Z) 20 10 30 Total 115 85 200 a) Qual o probabilidade de ser Homem; b) Probabilidade de ser Homem e fazer parte do curso Biologia; c) Probabilidade de ser Homem ou fazer parte do curso Biologia; Curso Sexo Homens (H) Mulheres (M) Total Agronomia (A) 70 40 110 Biologia (B) 15 15 30 Engenharia (E) 10 20 30 Zootecnia (Z) 20 10 30 Total 115 85 200 d) Probabilidade de fazer parte do curso Biologia ou Engenharia; e) Dado que o aluno selecionado da Engenharia, qual a probabilidade de ser Mulher ? a) Qual o probabilidade de ser Homem; P(H)= 115 200 = 0,575 b) Probabilidade de ser Homem e fazer parte do curso Biologia; P(H⋂B)= 15 200 = 0,075 c) Probabilidade de ser Homem ou fazer parte do curso Biologia; P(H⋃B)=𝑃 𝐻 + 𝑃 𝐵 − 𝑃 𝐻⋂𝐵 P(H⋃B)= 115 200 + 30 200 − 15 200 = 130 200 = 0,65 P(𝑀|E)= 20 30 = 0,666… d) Probabilidade de fazer parte do curso Biologia ou Engenharia; P(𝐵⋃E)=𝑃 𝐵 + 𝑃 𝐸 P(𝐵⋃E)= 30 200 + 30 200 = 60 200 = 0,30 e) Dado que o aluno selecionado da Engenharia, qual a probabilidade de ser Mulher ? Exemplo 6: Suponha que uma cidade, localizada a jusante da confluência de dois rios R1 e R2, sofre inundações devidas à ocorrência de enchentes em R1 (evento A), ou em R2 (evento B) ou em ambos. Sendo P(A)=3*P(B), a probabilidade de ocorrer enchente no R1, sabendo que já teve enchente no R2 é de 0,6, ou seja, P(A|B)=0,6 e a probabilidade da cidade sofrer inundações é de 0,01, isto é, P(C)=0,01. Calcule: a) a probabilidade de ocorrência de enchentes no rio R2. b) a probabilidade de ocorrência de enchentes apenas no rio R1, dado que a cidade sofreu inundações. Esboço do exemplo a) a probabilidade de ocorrência de enchentes no rio R2. Sabemos que P(A)=3P(B), P(A⋂B)=P(B)P(A|B) e P(A⋃B)=P(A)+P(B)-P(A⋂B), então, P(A⋃B)=P(A)+P(B)-P(A⋂B)⇒P(A⋃B) = 3P(B)+P(B)- P(B)P(A|B). Como P(A|B)=0,6 e P(A⋃B)=0,01, então, 0,01= 3P(B)+P(B)- 0,6P(B) ⇒ P(B)(3+1-0,6)=0,01 ⇒ P(B)= 0,01 3,4 = 0,003 Como P(A)=3P(B)=3*0,003=0,009 b) a probabilidade de ocorrência de enchentes apenas no rio R1, dado que a cidade sofreu inundações. 𝑃 𝐴 ∩ 𝐵𝐶 𝐴 ∪ 𝐵 = 𝑃[ 𝐴 ∩ 𝐵𝐶 ∩ 𝐴 ∪ 𝐵 ] 𝑃(𝐴 ∪ 𝐵) = 𝑃[ 𝐴 ∩ 𝐵𝐶 ] 0,01 = 𝑃 𝐴 [1 − 𝑃 𝐵 𝐴 ] 0,01 Nessa equação, apenas a quantidade P(B|A) é desconhecida, mas pode ser deduzida das probabilidades dadas por meio das relações. 𝑃 𝐴 𝑃 𝐵 𝐴 = 𝑃 𝐵 𝑃 𝐴 𝐵 . 𝐶𝑜𝑚𝑜 𝑃 𝐴 = 3𝑃(𝐵), 𝑒𝑛𝑡ã𝑜 3𝑃 𝐵 𝑃 𝐵 𝐴 = 𝑃 𝐵 𝑃 𝐴 𝐵 ⇒ 𝑃 𝐵 𝐴 = 𝑃 𝐴 𝐵 3 = 0,2 Com esse valor na equação anterior, tem-se que P(A)=0,009, P(B|A)=0,2. Logo, 𝑃 𝐴 ∩ 𝐵𝐶 𝐴 ∪ 𝐵 = 𝑃 𝐴 [1 − 𝑃 𝐵 𝐴 ] 0,01 = 0,72 Regras para cálculo das Probabilidades Probabilidade Total: )/().(...)/().()( 11 nn BAPBPBAPBPBP nBBB ...21 Figura – Diagrama de Venn para o Teorema da Probabilidade Total. Exemplo 7: O sistema de abastecimento de água de uma cidade é composto por dois reservatórios distintos e complementares: o de número1 com volume de 150.000 l, cuja probabilidade de funcionamento é 0,7, e o de número 2, com 187.500 l, cuja probabilidade de ser usado é 0,3. A demanda diária de água para abastecimento da cidade é uma variável aleatória cujas probabilidades de igualar ou superar 150.000 l e 187.500 l são respectivamente 0,3 e 0,1. Sabendo-se que quando um reservatório é ativado, o outro encontra-se desativado, pergunta- se: (a) qual é a probabilidade de não atendimento da demanda em um dia qualquer? (b) supondo que as condições sejam tais que permitam a consideração de independência estatística dos eventos entre dois dias consecutivos, qual é a probabilidade de não atendimento da demanda em uma semana qualquer? O sistema de abastecimento de água de uma cidade é composto por dois reservatórios distintos e complementares: o de número1 com volume de 150.000 l, cuja probabilidade de funcionamento é 0,7, e o de número 2, com 187.500 l, cuja probabilidade de ser usado é 0,3. A demanda diária de água para abastecimento da cidade é uma variável aleatória cujas probabilidades de igualar ou superar 150.000 l e 187.500 l são respectivamente 0,3 e 0,1. Sabendo-se que quando um reservatório é ativado, o outro encontra-se desativado, pergunta-se: Evento A: não atendimento da demanda em um dia qualquer , Evento B: funcionamento dos reservatório 1 (0,7), Evento Bc: funcionamento dos reservatório 2 (0,3). com k = 2, )/().()/().()( CC BAPBPBAPBPAP a) qual é a probabilidade de não atendimento da demanda em um dia qualquer? 24,03,0*1,07,0*3,0)( AP O sistema de abastecimento de água de uma cidade é composto por dois reservatórios distintos e complementares: o de número1 com volume de 150.000 l, cuja probabilidade de funcionamento é 0,7, e o de número 2, com 187.500 l, cuja probabilidade de ser usado é 0,3. A demanda diária de água para abastecimento da cidade é uma variável aleatória cujas probabilidades de igualar ou superar 150.000 l e 187.500 l são respectivamente 0,3 e 0,1. Sabendo-se que quando um reservatório é ativado, o outro encontra-se desativado, pergunta-se: b) supondo que as condições sejam tais que permitam a consideração de independência estatística dos eventos entre dois dias consecutivos, qual é a probabilidade de não Atendimento da demanda em uma semana qualquer? não atendimento da demanda em uma semana qualquer = probabilidade de haver pelo menos uma falha em 7 dias (probabilidade de haver pelo menos uma falha em um dia qualquer) (probabilidade de não haver nenhuma falha em 1 dia) (probabilidade de não haver nenhuma falha em 7 dia P(A)= 0,24 1-P(A)= 0,76 (1-P(A))7 =0,146 C= 1- (1-P(A))7(probabilidade de haver pelo menos uma falha em 7 dias) Evento C C= 0,8535. Regras para cálculo das Probabilidades Regra de Bayes: )/().(...)/().( )/().( )/( 11 nn ii i ABPAPABPAP ABPAP BAP nAAA ...21 Exemplo 8: Um baralho de 52 duas cartas foi separado em dois montes, seguindo a distribuição abaixo. Escolhemos um monte ao acaso e retiramos aleatoriamente uma carta. Tendo sido retirada uma carta de ouro, qual a probabilidade de ela ter sido extraída do segundo monte? Naipes 1º monte A1 2º monte A2 Ouros 8 5 Copas 6 7 Espadas 4 9 Paus 9 4 27 25 )/().(...)/().( )/().( )/( 11 nn ii i ABPAPABPAP ABPAP BAP Exemplo 9: Um satélite meteorológico envia um conjunto de códigos binários (‘0’ ou ‘1’) para descrever o desenvolvimento de uma tempestade. Entretanto, interferências diversas no sinal emitido pelo satélite podem provocar erros de transmissão. Suponha que uma certa mensagem binária, contendo 80% de dígitos ‘0’, tenha sido transmitida e que exista uma probabilidade de 85% de que um dado ‘0’ ou ‘1’ tenha sido recebido corretamente. Se houve a recepção de um ‘1’, qual é a probabilidade de que um ‘0’ tenha sido transmitido? T0 =dígito ‘0’ e T1= dígito ‘1’ e R0 = recepção ‘0’ e R1 = recepção ‘1’ Se houve a recepção de um ‘1’, qual é a probabilidade de que um ‘0’ tenha sido transmitido = P(T0|R1) )|().(...)|().( )|().( )|( 11 nn ii i ABPAPABPAP ABPAP BAP )|().()|().( )|().( )|( 111010 010 10 TRPTPTRPTP TRPTP RTP Um satélite meteorológico envia um conjunto de códigos binários (‘0’ ou ‘1’) para descrever o desenvolvimento de uma tempestade. Entretanto, interferências diversas no sinal emitido pelo satélite podem provocar erros de transmissão. Suponha que uma certa mensagem binária, contendo 80% de dígitos ‘0’, tenha sido transmitida e que exista uma probabilidade de 85% de que um dado ‘0’ ou ‘1’ tenha sido recebido corretamente. Se houve a recepção de um ‘1’, qual é a probabilidade de que um ‘0’ tenha sido transmitido? P(T0) = ?; P(T1) = ?; P(R0|T0) = ?; P(R1|T1) = ?; P(R0|T1) = ? e P(R1|T0) = ?. P(T0) = 0,8; P(T1) = 0,2; P(R0|T0) = 0,85; P(R1|T1) = 0,85; P(R0|T1) = 0,15 e P(R1|T0) = 0,15. )|().()|().( )|().( )|( 111010 010 10 TRPTPTRPTP TRPTP RTP 4138,0 )]85,0).(2,0()15,0).(8,0[( )15,0).(8,0( )|( 10 RTP Bussab e Moretin pag 105: Os resultados possíveis desse torneio de tênis constituem o espaço amostral de um experimento que consiste em verificá-los. Desse modo, podemos representar esse conjunto da seguinte forma: },,,,,,,{ BCABBCAABCCBBACBAACBBACCAA 3. Três jogadores A, B e C disputam um torneio de tênis. Inicialmente, A joga com B e o vencedor joga com C, e assim por diante. O torneio termina quando um jogador ganha duas vezes em seguida ou quando são disputadas, ao todos, quatro partidas. Quais são os resultados possíveis do torneio ? Bussab e Moretin pag 110: 1 16 1 4 8 1 2 4 1 2)() 8 1 i iPa 16 5 16 1 4 1 )() vencer() BCAAAAPAPb 16 5 16 1 4 1 vencer) )(( ACBBBBPBP 8 1 16 1 16 1 ) ( decisão)haver não() BCABACBAPPc },,,,,,,{ BCABBCAABCCBBACBAACBBACCAA a) Mostre que a soma das probabilidades dos pontos do espaços amostral é 1. 9. No espaço amostral do problema 3, atribua a cada ponto contendo k letras a probabilidade 1 2𝑘 (assim, AA tem probabilidade ¼ ). c) Qual a probabilidade de que não haja decisão? b) Calcule a probabilidade de que A vença (um jogador vence quando ganha duas partidas seguidas). Em seguida, calcule a probabilidade de que B vença. Bussab e Moretin pag 115: a) Seja P a ocorrência de bola preta, e V a ocorrência de bola vermelha. Então, Resultado Probabilidade PP 107,028/3)7/2)(8/3( PV 26805615 ,/ VP 26805615 ,/ VV 1070283 ,/ 15. Considere uma urna contendo três bolas pretas e cinco bolas vermelhas. Retire duas bolas da urna, sem reposição. a) Obtenha os resultados possíveis e as respectivas probabilidades. b) Mesmo problema, para extrações com reposição. Bussab e Moretin pag 115: b) Usando a mesma notação, Resultado Probabilidade PP 141,064/9)8/3)(8/3( PV 23406415 ,/ VP 23406415 ,/ VV 39106425 ,/ 15. Considere uma urna contendo três bolas pretas e cinco bolas vermelhas.Retire duas bolas da urna, sem reposição. a) Obtenha os resultados possíveis e as respectivas probabilidades. b) Mesmo problema, para extrações com reposição. Bussab e Moretin pag 115: 107,0)extrações segunda na e primeira na preta bola( P 1410extrações segunda na e primeira na preta bola ,)( P a) Sem reposição Com reposição b) Sem reposição Com reposição 3750 56 21 56 15 28 3 extração segunda na preta bola ,)( P 3750 64 15 64 9 extração segunda na preta bola ,)( P 16. No problema anterior, calcule as probabilidades dos eventos: a) Bola preta na primeira e segunda extrações. b) Bola preta na segunda extração. c) Bola vermelha na primeira extração. Bussab e Moretin pag 115: c) Sem reposição Com reposição 6250 14 5 56 15 extração primeira na vermelhabola ,)( P 6250 64 25 64 15 extração primeira na vermelhabola ,)( P 16. No problema anterior, calcule as probabilidades dos eventos: a) Bola preta na primeira e segunda extrações. b) Bola preta na segunda extração. c) Bola vermelha na primeira extração. Bussab e Moretin pag 115: Como a probabilidade de sair um certo ponto é proporcional ao seu valor, digamos que a constante de proporcionalidade é k, e então vamos encontrar o valor de k: a) Utilizando o conceito de probabilidade condicional, 6 1 6 1 21 1 11 61 j j kjkjP jjkjP .)( .,,,.)( )()()( )/.( )( )( )( )( )|( 531 2115 ímpar 5 ímpar ímpar5 ímpar5 PPPP P P P P 560 9 5 215213211 215 , )/()/()/( / 18. Um dado é viciado, de tal forma que a probabilidade de sair um certo ponto é proporcional ao seu valor (por exemplo, o ponto 6 é três vezes mais provável de sair do que o ponto 2). Calcular: a) A probabilidade de sair 5, sabendo-se que o ponto que saiu é ímpar; b) A probabilidade de tirar um número par, sabendo-se que saiu um número maior que 3. Bussab e Moretin pag 115: Como a probabilidade de sair um certo ponto é proporcional ao seu valor, digamos que a constante de proporcionalidade é k, e então vamos encontrar o valor de k: b) Utilizando o conceito de probabilidade condicional, 6 1 6 1 21 1 11 61 j j kjkjP jjkjP .)( .,,,.)( 670 15 10 211654 21146 65(4 64 3 3par 3par , )/).(( )/).(( )()() )()( )( )( )|( PPP PP P P P 18. Um dado é viciado, de tal forma que a probabilidade de sair um certo ponto é proporcional ao seu valor (por exemplo, o ponto 6 é três vezes mais provável de sair do que o ponto 2). Calcular: a) A probabilidade de sair 5, sabendo-se que o ponto que saiu é ímpar; b) A probabilidade de tirar um número par, sabendo-se que saiu um número maior que 3. Bussab e Moretin pag 120: Sejam os eventos: D o circuito escolhido não funciona; I: o circuito escolhido é feito na fábrica I; II: o circuito escolhido é feito na fábrica II; III: o circuito escolhido é feito na fábrica III. São dados do problema: 300e300400030040010 ,)(,)(,,)(,,)|(,,)|(,,)|( IIIPIIPIPIIIDPIIDPIDP )()|()()|()()|()( IIIPIIIDPIIPIIDPIPIDPDP 0250300030300040400010 ,),(),(),(),(),(),( 23. Uma companhia produz circuitos em três fábrica, I, II, III. A fábrica I produz 40% dos circuitos, enquanto II e a III produzem 30% cada uma. As probabilidades de que um circuito integrado produzido por essas fábricas não funcione são 0,01, 0,04 e 0,03, respectivamente. Escolhido um circuito da produção conjunta das três fábricas, qual a probabilidade de o mesmo não funcionar? Bussab e Moretin pag 120: Utilizando a mesma notação, temos 160 0250 010400 , , ),)(,( )( )|()( )|( DP DIPIP DIP 24. Considere a situação do problema anterior, mas suponha agora que um circuito escolhido ao acaso seja defeituoso. Determine qual a probabilidade de ele ter sido fabricado por I. Bussab e Moretin pag 120: Sejam os eventos: A: o motorista A sofre acidente; B: o motorista B sofre acidente; C: o motorista C sofre acidente. Suponha que esses eventos sejam independentes. Tem-se que “todos os três motoristas sofrem acidentes” pode ser escrito como e “pelo menos um dos motoristas guiar até em casa a salvo” equivale a Assim, CBA ccc CBA 400 5 2 5 4 4 3 3 2 ,)()()()( CPBPAPCBAP 600 5 3 1 ,)())]([)( CBAPCBAPCBAP cccc 28. As probabilidades de três motoristas serem capazes de guiar até em casa com segurança, depois de beber, são de 1/3, 1/4 e 1/5, respectivamente. Se decidirem guiar até em casa, depois de beber numa festa, qual a probabilidade de todos os três motoristas sofrerem acidentes? Qual a probabilidade de pelo menos um dos motoristas guiar até em casa a salvo? Distribuição de Probabilidade É uma relação dos distintos valores xi da variável aleatória X junto às suas respectivas probabilidades p(xi): em que: p(xi) é chamada função de massa de probabilidade(f.m.p.), que a cada valor de xi associa sua probabilidade de ocorrência. i ixp 1)( Função Distribuição de Probabilidade Sendo X uma variável aleatória, dá-se o nome de função de distribuição (ou função de distribuição de probabilidade) da variável X à função, que representa a probabilidade de a variável aleatória X assumir um valor inferior ou igual a x . )()( xXPxF Facilmente se verifica que a função de distribuição satisfaz as seguintes propriedades: Função de distribuição acumulada, ou função de distribuição (f.d.) A soma das ordenadas de uma fmp relativas aos sucessivos valores de x, conduz à designada função acumulada de probabilidades em que: p(xi) é chamada função de massa de probabilidade(f.m.p.), que a cada valor de xi associa sua probabilidade de ocorrência. ,...2,1__,1)()()( icomxpxXPxF i i Esperança Matemática Qual o número médio: k i ii xfx 1 n n n n n n n n 3221 2110 k i ii k i ii xpxxfx 11 )( Definição. A média de uma v.a. X ou de sua distribuição de probabilidade, também chamada valor esperado ou esperança matemática ou simplesmente esperança de X, E(X), é definida como: )(XE k i ii xpxXE 1 )()( Exemplo: Seja uma população finita de n indivíduos, e o evento E denotado pelo número de alelos dominantes A, temos a tabela abaixo. Calcule a frequência relativa para cada categoria. Genétipos 𝑿 = 𝒙𝒊 𝒏𝒊 𝒇𝒊 𝒑(𝒙𝒊) AA 2 𝑛1 𝑛1 𝑛 1 4 Aa 1 𝑛2 𝑛2 𝑛 1 2 aa 0 𝑛3 𝑛3 𝑛 1 4 Σ - 𝐧 1 1 n → ∞ Lembrando que a média é: 𝑥 = 𝑖=1 𝑘 𝑓𝑖(𝑥𝑖) Exemplo: Qual o número médio de genes A? 𝑥 = 𝑖=1 𝑘 𝑓𝑖( 𝑥𝑖) = 2 × 𝑛1 𝑛 + 1 × 𝑛2 𝑛 + 0 × 𝑛3 𝑛 Definição. A média de uma v.a. X ou de sua distribuição de probabilidade, também chamada valor esperado ou esperança matemática ou simplesmente esperança de X, E(X), é definida como: )(XE Propriedades da Esperança, a e b são constantes e X a v.a. )()()() )()() )()() )()() )() 22 XcEXbEacXbXaEv XbEabXaEiv aXEaXEiii XaEaXEii aaEi 𝜇 = 𝐸 𝑋 = 0 × 1 4 + 1 × 2 4 + 2 × 1 4 = 1 Variância de uma variávelaleatória A variância de uma v.a. X ou a medida de dispersão de sua distribuição de probabilidade, representada por s 2X , é definida por: 𝜎𝑋 2 = 𝑉𝑎𝑟 𝑋 = 𝐸[ 𝑋 − 𝜇 2] Podendo ser calculada de dois modos: ;)()(])[( 22 i ii xpxXE 22222 )]([)()(])[( XExpxXEXE ii Calcular a variância do exemplo anterior: Lembre-se que a média é 1. Var(X) Genétipos 𝑿 = 𝒙𝒊 𝒏𝒊 𝒇𝒊 𝒑(𝒙𝒊) AA 2 𝑛1 𝑛1 𝑛 1 4 Aa 1 𝑛2 𝑛2 𝑛 1 2 aa 0 𝑛3 𝑛3 𝑛 1 4 Σ - 𝐧 1 1 𝐸[ 𝑋 − 𝜇 2] = (2 − 1)2 1 4 + (1 − 1)2 2 4 + (0 − 1)2 1 4 = 1 2 𝐸 𝑋 − 𝜇 2 = 22 1 4 + 12 2 4 + 02 1 4 − 12 = 1 2 Variância de uma variável aleatória Propriedades da Variância, a e b são constantes e X a v.a. )()() )()() )()() )() 2 2 XVarbbXaVariv XVarbbXVariii XVaraXVarii negativaserpodenãoXVari Se der tempo aula distribuicoes unesp civil.ppt se não tiver tempo continua os slides.... DISTRIBUIÇÕES TEÓRICAS DE PROBABILIDADES DE VARIÁVEIS ALEATÓRIAS Introdução Distribuições teóricas discretas Distribuições teóricas contínuas IV – Modelos de Distribuições Introdução Distribuições teóricas discretas Distribuições teóricas contínuas IV – Modelos de Distribuições 4.1 Introdução Existem variáveis aleatórias que têm uma função de distribuição pertencente a uma classe de distribuições teóricas. As distribuições teóricas, como o próprio nome indica, foram submetidas a estudos prévios e têm propriedades conhecidas; portanto, podem servir como modelo em determinadas situações em que a distribuição esteja identificada, poupando tempo na análise do problema estudado. Definição O modelo probabilístico da variável aleatória X, é a forma específica de função de distribuição de probabilidade que reflete o comportamento de X. As distribuições teóricas que aqui serão estudadas são: • Caso discreto - Distribuição binomial - Distribuição geométrica - Distribuição hipergeométrica - Distribuição de Poisson • Caso contínuo - Distribuição uniforme - Distribuição exponencial - Distribuição normal - Distribuição qui-quadrado - Distribuição t de Student - Distribuição F Definição O modelo probabilístico da variável aleatória X, é a forma específica de função de distribuição de probabilidade que reflete o comportamento de X. Introdução Distribuições teóricas discretas Distribuições teóricas contínuas IV – Modelos de Distribuições Distribuição discreta Função que associa a cada possível valor de uma variável aleatória discreta a sua probabilidade de ocorrência. Distribuições de Probabilidade - Distribuição binomial - Distribuição geométrica - Distribuição hipergeométrica - Distribuição de Poisson 1. DISTRIBUIÇÃO DE BERNOULLI Os principais modelos de variáveis aleatórias discretas que encontram aplicações em hidrologia estão relacionados com repetições independentes dos chamados processos de Bernoulli. Estes modelos são as distribuições geométrica e binomial. Distribuições Teóricas Discretas Prova de Bernoulli • A prova de Bernoulli é uma experiência aleatória que serve de base a várias distribuições teóricas (distribuição binomial, distribuição binomial negativa e distribuição geométrica). • Consideremos uma experiência aleatória na qual existem apenas dois acontecimentos em que estamos interessados: o acontecimento A que será designado por sucesso e o acontecimento contrário, , que será designado por falha. O sucesso ocorre com probabilidade p, e o insucesso com probabilidade q = 1− p . A Definição Consideremos uma única realização de um experimento aleatório, onde há somente dois resultados possíveis, designados por: Sucesso (S) e Fracasso (F). Distribuição de Bernoulli Assim, para cada experimento, podemos definir uma variável aleatória X: o número de sucessos, que assume apenas dois valores, o valor 1 se ocorre sucesso (S) e o valor 0 (zero) se ocorre fracasso (F), sendo P(S) = p, 0 < p <1. Ou seja: qpXPepXPcom S F X 1)0()1( )(1 )(0 p1q)A(PfalhaA p)A(PsucessoA Distribuições Teóricas Discretas Prova de Bernoulli • O espaço de resultados está assim particionado em dois acontecimentos em que: }A,A{S • A uma experiência aleatória com estas características dá-se o nome de prova de Bernoulli. Definição xx qpxXP 1)( Nestas condições, a variável aleatória X com a função de probabilidade: X P(X) 0 q = (1-p) 1 p 1 0 ii pp1q0)x(fx :Média Esperança Variância p=)X(E p×1+q×0=)X(E )x(p×x=)X(E ∑ n =i ii pq=)X(Var )q+p(pq=)X(Var pq+qp=)X(Var p×)p1(+q×)p0(=)X(Var )x(p×)μx(=)X(Var 22 22 i 2 n 1=i i∑ pq pppp ppq xfx XExE ii i )1( 10 )( )()( 2 222 1 0 22 2222 s Distribuições Teóricas Discretas Prova de Bernoulli • Sucessão de provas de Bernoulli: Defini-se como o processo caracterizado por repetidas provas que têm lugar nas seguintes condições: 1. Cada prova resultem em somente dois resultados possíveis, designados como “sucesso” e “falha”. 2. A probabilidade de um sucesso em cada prova, designada por p, permaneça constante. A probabilidade de falha designa-se por q = 1− p. 3. As provas sejam independentes, isto é, os resultados obtidos numa sequência de provas não influenciam os resultados da(s) provas(s) subsequente(s). Figura – Cheias máximas anuais como ilustração de um processo de Bernoulli Aos processos de Bernoulli associam-se três diferentes tipos de variáveis aleatórias Discretas Y: i. a variável é dita binomial, quando Y refere-se ao número de ‘sucessos’ em N repetições independentes; ii. a variável é denominada geométrica, quando Y refere-se ao número de repetições independentes necessárias para que um único ‘sucesso’ ocorra; e iii. a variável é denominada binomial negativa, quando Y refere-se ao número de repetições independentes necessárias para que um certo número r de ‘sucessos’ ocorram. Observação: a distribuição de Bernoulli é um caso particular da distribuição binomial com parâmetros N= 1 e p. Distribuição Binomial Definição Quando um número fixo n de ensaios de Bernoulli são repetidos, supondo que as repetições sejam independentes com P(S) = p em cada ensaio, a variável aleatória X representa a contagem do número de sucessos em n ensaios. Os possíveis valores de X são os inteiros 0, 1, 2,..., n. A distribuição de probabilidade de X é chamada DISTRIBUIÇÃO BINOMIAL com n ensaios e probabilidade de sucesso p. Para deduzir uma fórmula para P(X = x), consideremos o lançamento de 3 moedas (n = 3 ensaios), cada um dos quais podendo resultar em S (cara) ou F (coroa). Há 2 × 2 × 2 = 8 resultados possíveis, os quais estão relacionados nas colunas de acordo com o número de sucessos (S): pSP )( qFP )( Distribuição Binomial Baseia-se no processo de amostragem de Bernoulli (“sucesso” ou “fracasso”) knknk qpKxPxf )()( distribuicoes.pptx distribuicao2.pptx Valor de X (número de S) Evento Prob. de cada sequência Número de sequências 0 1 2 3 3q 2pq qp2 3p 1 0 3 3 1 3 3 2 3 1 3 3 Obtenção das sequências Como os ensaios são independentes, com P(S) =p e P(F) = q, os fatores: 1, 3, 3, 1 são obtidos por meio do "teorema da expansão binomial“nxnxnnnn bab x n ab n ba n aba ...... 21 )( 221 Denotação xnx qp x n xXP .)( Função de Distribuição Binomial é: Assim, a função de distribuição binomial é: xnx qp x n xXP .)( 1),;(,),;( 0 n i pnxbondepnxb Função de distribuição acumulada, ou função de distribuição (f.d.) A sua função de massa de probabilidade(f.m.p.) A sua função acumulada de probabilidades 𝑃 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑛! 𝑥! 𝑛 − 𝑥 ! 𝑝𝑥(1 − 𝑝)𝑛−𝑥 , com 𝑥 = 0,1, … , 𝑛 𝐹 𝑥 = 𝑥𝑖≤𝑥 𝑛! 𝑥𝑖! 𝑛 − 𝑥𝑖 ! 𝑝𝑥𝑖(1 − 𝑝)𝑛−𝑥𝑖 O valor central e a forma da função massa de probabilidades da variável aleatória binomial sofrem profundas alterações quando o valor do parâmetro p é modificado, mantendo-se N constante. As funções massa da distribuição binomial com parâmetros N = 8, p = 0,3, p = 0,5 e p = 0,7 estão ilustradas na Figura: Figura – Exemplos de funções massa de probabilidades da distribuição binomial Distribuição Binomial Seguindo a linha do exercício anterior... E se, ao invés de 3 moedas, tivéssemos 4 moedas? Qual a probabilidade do número de caras ser igual ao número de coroas? 375,0)2( . 2 4 )2( .)( 42 2 1 242 P qpP qp x n xXP nxp xnx Valor de X (número de S) 0 1 2 3 4 Prob. de cada sequência 𝑝4 𝑝𝑞3 𝑝2𝑞2 𝑝3𝑞 𝑝4 Número de sequências 1 = 4 0 4 = 4 1 6 = 4 2 4 = 4 3 1 = 4 4 Distribuição Binomial 0 1 2 3 4 X: b (4, 0.5) xi P (x i) 0 .0 0 .1 0 .2 0 .3 0 .4 4q 34 pq 226 qp qp34 4p Ilustração da maneira pela qual os valores de p influenciam a forma da distribuição binomial: 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 X: b (15, 0.5) xi P (x i) 0 .0 0 0 .0 5 0 .1 0 0 .1 5 0 .2 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 X: b (15, 0.8) xi P (x i) 0 .0 0 0 .0 5 0 .1 0 0 .1 5 0 .2 0 0 .2 5 0 .3 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 X: b (15, 0.2) xi P (x i) 0 .0 0 0 .0 5 0 .1 0 0 .1 5 0 .2 0 0 .2 5 0 .3 0 A distribuição binomial é simétrica; se o valor de p em um histograma tem o mesmo valor de q em outro, as probabilidades são exatamente as mesmas, mas dispostas de forma invertida. A propriedade geral da distribuição binomial: quando p e q são alternados, a distribuição de probabilidades é invertida. Então: )1,;(),;( pnxnbpnxb 5,0 5,0 q p 2,08,0 qp 8,02,0 qp Distribuição Binomial )1,;(),;( pnxnbpnxb b(2; 6, 0,7) = b(4; 6, 0,3) = 0,0595 0,0595 0,0595 Distribuição Binomial )1,;(),;( pnxnbpnxb b(6; 15, 0,6) = b(9; 15, 0,4) = 0,0612 0,0612 0,0612 Considerando que em determinado rio ocorre uma cheia por ano e que a probabilidade desta cheia ser catastrófica é 10%, qual é a probabilidade de ocorrência de 3 destas cheias nos próximos 15 anos? n = 15 anos x = 3 p = 0,1 Isto é, nos próximos 15 anos a probabilidade de ocorrência de 3 cheias catastróficas neste rio é de 12,85%. # BINOMIAL binomial<-function(x,n,p){ q<-1-p xi<-0:n pxi<-(factorial(n)/(factorial(xi)*factorial(n-xi)))*p^xi*q^(n-xi) barplot(pxi,names.ar=xi,ylim=c(0,max(pxi)+.05),xlab=expression(x[i]), ylab=expression(paste("P(",x[i],")")),cex.lab=1.5, main=paste("b ( ",x,", ",n,", ",p,") = ",round(pxi[x+1],5),sep="")) #text(x,pxi[x+1.5],"oi",pos=1) box() } par(mfrow=c(1,1),mar=c(5, 5, 4, 2) + 0.1) binomial(2,4,.5) par(mfrow=c(3,1),mar=c(5, 5, 4, 2) + 0.1) binomial(6,15,.5) binomial(6,15,.8) binomial(9,15,.2) )1,;(),;( pnxnbpnxb b(2; 6, 0,7) = b(4; 6, 0,3) = 0,0595 > dbinom(2, 6, 0.7) # probabilidade [1] 0.059535 > dbinom(4, 6, 0.3) [1] 0.059535 b(6; 15, 0,6) = b(9; 15, 0,4) = 0,0612 > dbinom(6, 15, 0.6) [1] 0.06121411 > dbinom(9, 15, 0.4) [1] 0.06121411 Distribuição Binomial – Uso da Tabela (a) n = 6, p = 0,5, x = 4 0,2344. 4 6 )4( 24 qpP > dbinom(4, 6, 0.5) [1] 0.234375 Distribuição Binomial – Uso da Tabela (b) n = 4, p = 0,3, x = 2 0,2646. 2 4 )2( 22 qpP > dbinom(2, 4, 0.3) [1] 0.2646 Distribuição Binomial – Uso da Tabela (c) n = 5, p = 0,7, x = 3 0.3087qpP 32. 2 5 )2( )3,0,5;2()7,0,5;3( bb 0.3087qpP 23. 3 5 )3( > dbinom(3, 5, 0.7) [1] 0.3087 > dbinom(2, 5, 0.3) [1] 0.3087 Definição Distribuição de Binomial Esperança Variância npXE )( npqXVar )( Nestas condições, a variável aleatória X com distribuição Binomial apresenta: 1- Seis moedas são jogadas uma vez (ou, o que representa a mesma coisa), uma moeda é jogada 6 vezes. Achar a probabilidade de obter cara: a) exatamente 3 vezes; b) no máximo 3 vezes; c) pelo menos 3 vezes; d) pelo menos 1 vez. 3125,0 3 6 )3( ) 33 qpP a 6562,0 3 6 2 6 1 6 0 6 )3()2()1()0( ) 334256 qpqppqq PPPP b 6562,0 6 6 5 6 4 6 3 6 )6()5()4()3( ) 652433 pqpqpqp PPPP c 9844,0 0 6 1 )0(1)6()5()4()3()2()1( 1),,( : )6()5()4()3()2()1( ) 6 1 q PPPPPPP pnxb Lembrando PPPPPP d n i 2 - urna contém bolas brancas e pretas na proporção 2 para 3. Chamemos sucesso a probabilidade de tirar uma bola branca. Três bolas são tiradas separadamente e depois de cada tirada a bola é retornada a urna e completamente misturada com as outras, de tal modo que a probabilidade fundamental do sucesso permanece constante durante as tentativas. Achar a probabilidade de 0, 1, 2 e 3 sucessos. Calcule a esperança e a variância 064,0 3 3 72,0 5 3 5 2 3)(288,0 2 3 2,1 5 2 3)(432,0 1 3 216,0 0 3 3 2 2 3 p npqXVarqp npXEpq q 3 - Uma urna contém 52 bolas sendo 13 brancas e 39 pretas. a) Qual a probabilidade de se tirarem 6 bolas brancas, uma a uma, retornando a bola à urna após cada retirada? Calcule a esperança e a variância. b) Nas mesmas condições da questão anterior, qual a probabilidade de se terem 5 brancas e 1 preta? xnx qp x n xXP .)( 0002441,0 6 6 )6( ) 6 pP a 125,175,025,06)( 5,125,06)( npqXVar npXE 0043945,0 5 6 )5( ) 5 qpP b Distribuição de Poisson A distribuição de Poisson (que deve o seu nome ao físico francês Simon Poisson) está associada a um grande conjunto de situações práticas cujos alguns exemplos são os seguintes: Número de mensagens que chegam em um servidor no intervalo de uma hora. Número de partículas defeituosas em um cm3 de volume de um certo líquido. Número de defeitos em um metro de comprimento, de um fio produzido por uma máquina têxtil. Distribuições Teóricas Discretas Distribuição de Poisson• Todos os exemplos apresentados têm uma característica comum: a variável aleatória em estudo representa o número de ocorrências de um certo evento ao longo de um intervalo (tempo, comprimento, área ou volume). • Os valores que a variável aleatória pode assumir são valores inteiros não negativos: 0, 1, ..., n,... . Distribuições Teóricas Discretas Distribuição de Poisson • Outras características que identicam uma distribuição de Poisson são: - O número de ocorrências em intervalos não sobrepostos são variáveis independentes. - A probabilidade de um certo número de ocorrências se verificar é a mesma para intervalos da mesma dimensão; isto é, a probabilidade depende apenas da amplitude do intervalo e não da posição em que se situa nesse intervalo. - As ocorrências do fenômeno descrito verificam-se uma a uma e nunca em grupos. ...,2,1,0=x, !x λe =)x=X(P=)x(f xλ Distribuições Teóricas Discretas Distribuição de Poisson Se o número médio de ocorrências no intervalo em estudo for λ > 0, a variável aleatória X, que é igual ao número de ocorrências no intervalo, terá uma distribuição de Poisson, com parâmetro λ, sendo a função de distribuição de X dada por Função de Distribuição Poisson é: Denotação 1)(,)(~ 0 x PoondePoX Onde e = 2,71828 e é o parâmetro da distribuição que representa o número médio de ocorrências do evento por unidade de tempo ou espaço. t)X(Var:Variância t)X(E:Média ...,2,1,0x, !x e )x(f x Distribuições Teóricas Discretas Distribuição de Poisson • Se o número médio de ocorrências no intervalo em estudo for λ > 0, a variável aleatória X, que é igual ao número de ocorrências no intervalo, terá uma distribuição de Poisson, com parâmetro λ, sendo a função de distribuição de X dada por • Características: Distribuição Poisson Esperança Variância )(XE )(XVar Nestas condições, a variável aleatória X com distribuição de Poisson apresenta: Ou seja, o número médio e a variância de ocorrências de eventos por unidade de tempo (ou espaço) são iguais () e constantes ao longo do tempo (ou espaço). Distribuições Teóricas Discretas Distribuição de Poisson • Exemplo: Mensagens chegam a um servidor de computadores de acordo com a distribuição de Poisson, com uma taxa média de 10 por hora. a) Qual a probabilidade de 3 mensagens chegarem em 1 hora? b) Qual a probabilidade de 6 mensagens chegarem em 30 minutos? 1462,0 !6 5e )6X(P 65 0076,0 !3 10e )3X(P !x e )x(f 310x Distribuições Teóricas Discretas Distribuição de Poisson • Exemplo: b) Seja X a representação do número de mensagens em 30 minutos (0,5 hora). Então E(X) = 10.0,5 = 5 mensagens e a) Seja X a representação do número de mensagens em 1 hora. Então E(X) = 10.1 = 10 mensagens e Introdução Distribuições teóricas discretas Distribuições teóricas contínuas IV – Modelos de Distribuições Distribuição Contínua Função que procura descrever freqüências relativas de variáveis aleatórias em populações infinitas. Principais: - Distribuição uniforme - Distribuição exponencial - Distribuição normal - Distribuição qui-quadrado - Distribuição t de Student - Distribuição F )2( 2 )t(tVar 0]t[E 2 s Distribuição t de Student Distribuições Teóricas Contínuas Trata-se de um modelo de distribuição contínua que se assemelha à distribuição normal padrão, N(0,1). É utilizada para inferências estatísticas, particularmente, quando se tem amostras com tamanhos inferiores a 30 elementos (Fonseca & Matins, 1996). A distribuição t também possui um parâmetro denominado grau de liberdade (φ), e é simétrica em relação à sua média. A média dessa distribuição é zero, e sua variância é dada por: Distribuição t de Student Distribuições Teóricas Contínuas • Gráfico da distribuição t de Student (para φ = 4): • Observa-se que para valores de φ < 30 a distribuição t apresenta maior dispersão do que a normal padrão N(0,1), já que o desvio padrão, nesses casos, é maior do que 1, que é o desvio padrão da distribuição normal padrão. 03,1 235 35 )t( 35 s 41,1 24 4 )t( 4 s Distribuição t de Student Distribuições Teóricas Contínuas 02,1 260 60 )t( 60 s • Exemplo: - Para φ = 4 tem-se: - Para φ = 35 tem-se: - Para φ = 60 tem-se: Distribuição t de Student Distribuições Teóricas Contínuas - Trata-se de uma tabela bicaudal. Assim: • Uso da tabela de distribuição t de Student Distribuição t de Student Distribuições Teóricas Contínuas - Procedimento de uso da tabela: • Uso da tabela de distribuição t de Student 06,113,1)t(:padrãoDesvio 13,1 218 18 )t(:Variância 0)t(:Média 18 18 2 18 s s Distribuição t de Student a) A média, a variância e o desvio padrão. • Exemplo: Considere uma distribuição t com parâmetro igual a 18. Encontre: (a) a média, a variância e o desvio padrão; (b) a mediana; (c) o 1º quartil e (d) o 95º percentil. Distribuições Teóricas Contínuas Distribuição t de Student b) A mediana – Md(t18) : • Exemplo: Distribuições Teóricas Contínuas c) O 1º quatil – Q1: d) O 95º percentil – P95: p q q p )q,p(F 2 q 2 p 2 q 2 p Distribuição F • Trata-se de um modelo de distribuição contínua também útil para inferências estatísticas. • A distribuição F é a razão entre duas variáveis aleatórias independentes com distribuições qui-quadrado. Assim, uma distribuição F com p graus de liberdade no numerador e q graus de liberdade no denominador é expressa por: Distribuições Teóricas Contínuas 2 2 :Moda 24 22 :Variância 2 :Média 2 2 1 1 2 221 21 2 22 2 2 s Distribuição F • A função F possui dois parâmetros: o grau de liberdade do numerador e o grau de liberdade do denominador, que são denominados, comumente, por φ1 e φ2 . • A média, a variância e a moda dessa distribuição são dadas por: Distribuições Teóricas Contínuas Distribuição F • Formas de gráficos da distribuição F : Distribuições Teóricas Contínuas Distribuição F Distribuições Teóricas Contínuas • Uso da tabela de distribuição F - A tabela fornece as abscissas que deixam α na cauda à direita, dados os parâmetros φ1 e φ2. u,v, v,u,1 F 1 F Distribuição F Distribuições Teóricas Contínuas • Uso da tabela de distribuição F - Para se encontrar o valor da abscissa F1-α(u,v) utiliza-se a fórmula: Exemplo: Admita uma distribuição F com u = 9, v = 5 e α = 5, determine as abscissas. Distribuição Normal Corresponde a mais importante distribuição de variáveis aleatórias contínuas, em razão da sua enorme aplicação nos mais variados campos do conhecimento. 2 22 1 exp , 22 x f x x ss Se X for uma variável aleatória cuja função densidade de probabilidade seja normal com média µ e variância σ2, escrevemos X ~ N(µ, σ2. Distribuições Teóricas Contínuas Gráfico da densidade de probabilidade normal com média µ e desvio padrão σ. É simétrica em relação a µ; O ponto máximo de f(x) ocorre em x= µ. Neste ponto as três medidas de posição (média, moda e mediana) se confundem; A área total sob a curva e igual a 1. 2 221 exp 22 b a x dx ss Distribuição Normal Padrão Qualquer variável aleatória X que siga distribuição Normal poderá ser transformada em uma variável normal padrão Z, por meio dessa expressão. x z s • Distribuição normal cuja média é igual a zero e o desvio padrão é igual a 1. •A operação para se calcular uma probabilidade normal passa a ser a conversão da normal qualquer, da qual desejamos calcular a probabilidade, em uma normal padrão, seguida de uma consulta à tabela da normal padrão. •A transformação de uma normal qualquer de média m e desvio padrão s é realizada com o auxílio de uma variável aleatória auxiliar “Z”, assim calculada: entra-se com a parte inteira e o 1º decimal de “Z” entra-se com o 2º decimal de “Z”. Níveis de significância mais usados e valores de z correspondentes: Área central em torno da média Valores de Z 0,90 1,65 0,95 1,96 0,99 2,58 Exemplo As resistências em uma população de condutores tem distribuição normal com média 20 mΩ e desvio padrão 3 mΩ. A resistência de dois condutores escolhidos aleatoriamente são 23 mΩ e 16 mΩ. Converta esses valores para unidades padrão. Revisão
Compartilhar