Baixe o app para aproveitar ainda mais
Prévia do material em texto
Distribuições de Probabilidade Profa. Gecynalda Gomes 25 de outubro de 2017 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 1 / 59 Sumário 1 Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos discretos Distribuição Bernoulli Distribuição binomial Distribuição Poisson Modelos probabilísticos contínuos Distribuição exponencial Distribuição gama Distribuição Weibull Distribuição normal (ou Gaussiana) Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 2 / 59 Modelos probabilísticos para variáveis aleatórias Sumário 1 Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos discretos Distribuição Bernoulli Distribuição binomial Distribuição Poisson Modelos probabilísticos contínuos Distribuição exponencial Distribuição gama Distribuição Weibull Distribuição normal (ou Gaussiana) Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 3 / 59 Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos para variáveis aleatórias Existem modelos probabilísticos que ocorrem com frequência na prática. Serão definidos alguns modelos, apresentando as condições que devem ser satisfeitas e algumas características, tais como, esperança, variância e como calcular probabilidade. Principais modelos para variáveis aleatórias discretas: Bernoulli, binomial e Poisson. Principal modelo para variáveis aleatórias contínuas: normal (ou Gaussiana). Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 4 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos discretos Distribuição Bernoulli Muitos experimentos são tais que os resultados possíveis apresentam ou não uma determinada característica. Exemplos: Uma peça é escolhida, ao acaso, de um lote contendo 500 peças:esta peça é defeituosa ou não. Uma pessoa é escolhida, ao acaso, entre os moradores de uma cidade, e pergunta-se se ela diz SIM ou NÃO a um projeto governamental. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 5 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos discretos Distribuição Bernoulli Em um experimento aleatório com apenas dois resultados possíveis podemos associar o valor 1, se sucesso ocorre e o valor 0, se fracasso ocorre. Um experimento deste tipo é chamado de ensaio de Bernoulli. Suponha que um sucesso ocorra com probabilidadep. SejaX uma v.a. definida para este experimento. Então, x 1 0 P(X = x) p 1− p Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 6 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos discretos Distribuição Bernoulli Esperança deX: E(X) = p Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 7 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos discretos Distribuição Bernoulli Esperança deX: E(X) = p Variância de X: V(X) = p(1− p) Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 7 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos discretos Distribuição binomial Consideremosn repetições independentes de ensaios de Bernoulli (n ≥ 2). O modelo binomial fundamenta-se nas seguintes hipóteses: n ensaios independentes e idênticos são realizados; A probabilidade de “sucesso” é igual a “p” em cada ensaio eq é a probabilidade de fracasso, sendop+ q = 1. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 8 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Seja a variável aleatóriaX o número de sucessos nosn ensaios. Nestas condições dizemos queX tem distribuição binomial com parâmetrosn ep, onde os valores possíveis dex são{0,1,2, . . .}: n = número de repetições do experimento p = probabilidade de sucesso em cada repetição Notação:X ∼ B(n, p) Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 9 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Exemplo: Jogar 8 vezes um dado. O experimento consiste em 8 jogadas do dado (ensaios idênticos); Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 10 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Exemplo: Jogar 8 vezes um dado. O experimento consiste em 8 jogadas do dado (ensaios idênticos); Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair6); Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 10 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Exemplo: Jogar 8 vezes um dado. O experimento consiste em 8 jogadas do dado (ensaios idênticos); Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair6); P(sucesso) =P(sair 6) = 1/6 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 10 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Exemplo: Jogar 8 vezes um dado. O experimento consiste em 8 jogadas do dado (ensaios idênticos); Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair6); P(sucesso) =P(sair 6) = 1/6 P(fracasso) =P(não sair 6) = 5/6 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 10 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Exemplo: Jogar 8 vezes um dado. O experimento consiste em 8 jogadas do dado (ensaios idênticos); Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair6); P(sucesso) =P(sair 6) = 1/6 P(fracasso) =P(não sair 6) = 5/6 Os ensaios são independentes. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 10 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Exemplo: Jogar 8 vezes um dado. O experimento consiste em 8 jogadas do dado (ensaios idênticos); Cada ensaio resulta em sucesso (sair 6) ou fracasso (não sair6); P(sucesso) =P(sair 6) = 1/6 P(fracasso) =P(não sair 6) = 5/6 Os ensaios são independentes. Determine a probabilidade de saírem 3 faces 6, em 8 jogadas deum dado. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 10 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Uma das possibilidades é:{s, s, s, f , f , f , f , f }. Portanto, Ensaios 1 2 3 4 5 6 7 8 Resultados s s s f f f f f Probabilidade 1/6 1/6 1/6 5/6 5/6 5/6 5/6 5/6 A probabilidade de ocorrer essa possibilidade é dada por ( 1 6 )3 · ( 5 6 )5 = 0.173 · 0.835 = 0.0049· 0.3939= 0.0019 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 11 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Se os 3 sucessos caírem em qualquer um dos 8 ensaios, deve-se obter todas as combinações possíveis de se obter 3 faces 6, em 8 jogadas. Ensaios 1 2 3 4 5 6 7 8 Resultados s s s f f f f f Resultados s f s f s f f f Resultados s f f f s s f f ... ... O que resulta em uma combinação de 8, 3 a 3; ( 8 3 ) = 8! 3! · (8− 3)! = 8 · 7 · 6 · 5! 3 · 2 · 5! = 8 · 7 = 56 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 12 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Portanto, unindo as duas partes, temos ( 8 3 ) · ( 1 6 )3 · ( 5 6 )5 = 56 · 0.0019= 0.1064 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 13 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Fórmula geral Probabilidade dex sucessos emn ensaios é ( n x ) · px · (1− p)n−x onde ( n x ) = n! x! · (n− x)! Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 14 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Visualizando: 0 2 4 6 8 10 0.0 0.1 0.2 0.3 0.4 Binomial(10, 0.1) x P(X =x) 0 2 4 6 8 10 0.0 0.1 0.2 0.3 0.4 Binomial(10, 0.9)x P(X =x) 0 2 4 6 8 10 0.00 0.05 0.10 0.15 0.20 0.25 Binomial(10, 0.5) x P(X =x) 0 5 10 15 20 0.00 0.05 0.10 0.15 Binomial(20, 0.5) x P(X =x) Figura :Gráficos da distribuição binomial para valores específicos den e p.Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 15 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Esperança deX: E(X) = np Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 16 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Esperança deX: E(X) = np Variância de X: V(X) = np(1− p) Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 16 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Exercício 1: Uma usina hidroelétrica tem 5 geradores que funcionam independentemente, cada um com probabilidade 0,98 de estarem operação. Qual a probabilidade de que exatamente dois estejam em funcionamento em determinado instante? Resolução: Y = número de geradores em funcionamento p = 0,98 = probabilidade de um gerador estar em funcionamento (a probabilidade de sucesso) n = 5 P(X = 2)? P(X = 2) = ( 5 2 ) · 0,982 · (1− 0,98)3 = 10 · 0,982 · 0,023 = 0,000077 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 17 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição binomial Exercício 2: Um fabricante de peças de automóveis garante que uma caixa de suas peças conterá, no máximo, 2 defeituosas. Se a caixa contém 18 peças, e a experiência tem demonstrado que esse processo de fabricação produz 5% das peças defeituosas, qual a probabilidade de que: (a) nenhuma peça seja defeituosa? (b) uma peça seja defeituosa? (c) uma caixa satisfaça a garantia? Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 18 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Em muitos casos, conhece-se o número de sucessos, porém se torna difícil e, às vezes, sem sentido, determinar o número de fracassos ou o número total de provas. Por exemplo: automóveis que passam numa esquina. A distribuição de Poisson é largamente usada quando de deseja contar o número de eventos de um certo tipo, que ocorrem em um intervalo de tempo, superfície, ou volume. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 19 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Aplicações: número de falhas de um computador em um dia de operação; número de defeitos num pneu; número de buracos por quilometro em uma rodovia; número de clientes que chegam a uma determinada agência bancária durante o expediente; número de chegadas em um servidor em 1 hora; o número de queries que chegam a uma máquina de busca em 1 minuto; número de pacotes que chegam num roteador em 1 segundo. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 20 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Muito comumente usado para modelar chegada de sessões de usuários servidores Web, multimídia, banco de dados, ftp, e-mail Sessões são iniciadas por usuários Chegada de duas sessões tendem a ser independentes: Poissoné uma boa aproximação. Contra-exemplo: Chegada de requisições em um servidor Web Premissa de independência não é válida: existe dependênciaentre requisições para o arquivo HTML e as imagens embutidas nele. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 21 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Seja a v.a.X o número de eventos de um certo tipo, que ocorrem em um intervalo de tempo, ou superfície, ou volume. Suponha que estes eventos ocorrem em instantes aleatórios de tempo ou de espaço e que as hipóteses abaixo sejam válidas: o número de ocorrências de um evento em um intervalo de tempo,ou superfície, ou volume é independente do número de ocorrências do evento em qualquer outro intervalo disjunto; a probabilidade de duas ou mais ocorrências simultâneas é praticamente zero; o número médio de ocorrências por unidade de tempo, ou superfície, ou volume,α, é constante ao longo do tempo, ou superfície, ou volume. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 22 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Nestas condições dizemos queX tem distribuição Poisson com parâmetroλ = αt, com distribuição de probabilidade dada por P(X = x) = e−λλx x! , x = 0,1,2, . . . . Notação:X ∼ Poisson(λ) SeX tem distribuição Poisson com parâmetroλ Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 23 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Visualizando: 0 5 10 15 20 0.0 0.1 0.2 0.3 x P( X= x) λ = 1 λ = 4 λ = 10 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 24 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Esperança deX: E(X) = λ Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 25 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Esperança deX: E(X) = λ Variância de X: V(X) = λ Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 25 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Exercício 1: Considere que o número de emails que chegam a um servidor de emails no intervalot segundos é distribuído como Poisson com parâmetro 0,3t. Calcule a seguintes probabilidades: (a) Exatamente três mensagens chegarão num intervalo de 10 seg. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 26 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Exercício 1: Considere que o número de emails que chegam a um servidor de emails no intervalot segundos é distribuído como Poisson com parâmetro 0,3t. Calcule a seguintes probabilidades: (a) Exatamente três mensagens chegarão num intervalo de 10 seg. P(X = x) = e−0,3t(0,3t)x x! Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 26 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Exercício 1: Considere que o número de emails que chegam a um servidor de emails no intervalot segundos é distribuído como Poisson com parâmetro 0,3t. Calcule a seguintes probabilidades: (a) Exatamente três mensagens chegarão num intervalo de 10 seg. P(X = x) = e−0,3t(0,3t)x x! P(X = 3) = e−0,3·10(0,3 · 10)3 3! = 0,224 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 26 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Exercício 1: Considere que o número de emails que chegam a um servidor de emails no intervalot segundos é distribuído como Poisson com parâmetro 0,3t. Calcule a seguintes probabilidades: (a) Exatamente três mensagens chegarão num intervalo de 10 seg. P(X = x) = e−0,3t(0,3t)x x! P(X = 3) = e−0,3·10(0,3 · 10)3 3! = 0,224 (b) No máximo 20 mensagens chegarão num período de 20 seg. (c) O número de mensagens num intervalo de 5 seg está entre 3 e 7 mails. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 26 / 59 Modelos probabilísticos para variáveis aleatórias Distribuição Poisson Exercício 2: Em média há duas chamadas por hora num certo telefone. Calcule: (a) a probabilidade de se receber no máximo 3 chamadas em duas horas. (b) a probabilidade de nenhuma chamada em 90 minutos. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 27 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Modelos probabilísticos contínuos As distribuições contínuas que veremos são: Distribuição exponencial Distribuição Weibull Distribuição gama Distribuição normal (ou Gaussiana) Profa. Gecynalda Gomes Distribuiçõesde Probabilidade 25 de outubro de 2017 28 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Modelos probabilísticos contínuos As distribuições exponencial, gama e Weibull tem aplicaçãoem “Teoria de Confiabilidade”. As funções densidades destas distribuições também são do tipo assimétrico positivo. A confiabilidade de um componente na épocat, denotada porR(t), é definida comoR(t) = P(T > t), em queT é duração de vida do componente eRé denominada de função de confiabilidade. Esta definição simplesmente afirma que a confiabilidade de um componente é igual à probabilidade de que o componente não falhe durante o intervalo[0, t]. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 29 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Modelos probabilísticos contínuos Visualizando: 0 1 2 3 4 5 0. 0 0. 2 0. 4 0. 6 0. 8 1. 0 x f( x) gamma(3,3) gamma(4,3) gamma(1,1) 0 1 2 3 4 5 0. 0 0. 2 0. 4 0. 6 0. 8 1. 0 x f( x) Weibull(2,1) Weibull(3,2) Weibull(1,1) Figura :Gráficos das distribuições gama e Weibull para valores específicos de seus parâmetros. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 30 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição exponencial Em geral este modelo probabilístico é também utilizado paramodelar: os tempos de espera entre ocorrências de eventos em um Processo de Poisson, tempo de espera em uma fila, tempo de sobrevivência de um grupo de pacientes após o iníciode um tratamento e tempo de vida de material eletrônico, etc. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 31 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição exponencial Histogram of x x De ns ity 0 2000 4000 6000 8000 0e +0 0 2e −0 4 4e −0 4 6e −0 4 8e −0 4 1e −0 3 Figura :Gráfico da função densidade da distribuição exponencial comparâmetro α = 1000. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 32 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição exponencial Uma variável aleatória contínuaX, que assume valores não-negativos, terá uma distribuição exponencial com parâmetroα > 0, se sua fdp for dada por: f (x) = 1 α e− 1 α x , x ≥ 0 0 , caso contŕario Notação:X ∼ exp(α) Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 33 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição exponencial Propriedades: A função de distribuição é dada por: F(x) = P(X ≤ x) = ∫ x 0 1 α e− 1 α sds= 0 , x < 0 1− e− xα , x ≥ 0 Portanto,P(X > x) = e−(1/α)x E(X) = ∫ ∞ 0 x 1 α e− 1 α xdx= α V(X) = E(X2)− E2(X) = 2α2 − α2 = α2 em que E(X2) = ∫ ∞ 0 x 2 1 α e− 1 α xdx= 2α2 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 34 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição exponencial Propriedades: P(X > s+ t|X > s) = P(X > s+ t eX > s) P(X > s) = P(X > s+ t) P(X > s) = e− 1 α (s+t) e− 1 α s = e− 1 α t para quaisquers, t > 0. Este resultado mostra que a distribuição exponencial apresenta a propriedade de “não possuir memória”. Isto significa que a probabilidade de “sobreviver” maist unidades de tempo é a mesma, quer já se tenham passadosunidades de tempo, ou 0 unidades. Ou seja, não há envelhecimento. Esta hipótese é frequentemente razoável para a vida de materiais eletrônicos. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 35 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição exponencial Exercício: Uma lâmpada tem a duração de acordo com a densidade exponencial comα = 1000. Determinar: (a) a probabilidade de que essa lâmpada queime antes de 1000 horas; (b) a probabilidade de que ela queime depois de sua duração média; (c) a variância da distribuição do tempo de duração dessa lâmpada. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 36 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição gama Uma variável aleatória contínuaX, que assume valores não-negativos, terá uma distribuição gama com parâmetrosα > 0 eβ > 0, se sua função densidade de probabilidade for dada por: f (x) = 1 αβΓ(β) xβ−1e− x α , x ≥ 0 0 , caso contŕario Na densidade acima, o símboloΓ denota a função gama, que é dada por: Γ(k) = ∫ ∞ 0 xk−1e−xdx, definida parak > 0. Pode-se mostrar que sek for um número inteiro positivo, obtém-se que Γ(k) = (k− 1)! Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 37 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição gama Gama(3, 2) x De ns ida de 0 1 2 3 4 5 0. 0 0. 1 0. 2 0. 3 0. 4 0. 5 0. 6 Figura :Gráfico da função densidade da distribuição gama com parâmetrosα = 2 e β = 3. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 38 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição gama Notação:X ∼ Gama(β, α) Propriedades: Seβ = 1 tem-sef (x) = 1 α e− x α . Portanto, a distribuição exponencial é um caso particular da distribuição gama. E(X) = βα V(X) = βα2 Um caso particular muito importante da distribuição gama será obtido seβ = n/2 eα = 2, em quen é um inteiro positivo. Esta distribuição é denominada qui-quadrado comn graus de liberdade. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 39 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição gama Exercício: Os tempos de resposta em um terminal de computador online têm aproximadamente uma distribuição gama com média de 4 segundos e variância de 8 segundos ao quadrado. Escreva a função de densidade de probabilidade para o tempo de resposta. Qual a probabilidade de o tempo de resposta exceder 5 segundos? Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 40 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição Weibull Uma variável aleatória contínuaX, que assume valores não-negativos, terá uma distribuição Weibull com parâmetrosα > 0 eβ > 0, se sua função densidade de probabilidade for dada por: f (x) = β αβ xβ−1e−( x α )β , x ≥ 0 0 , caso contŕario Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 41 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição Weibull Weibull(2, 2) x De ns ida de 0 1 2 3 4 5 6 0. 0 0. 1 0. 2 0. 3 0. 4 Figura :Gráfico da função densidade da distribuição Weibull com parâmetrosα = 2 eβ = 2. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 42 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição Weibull Notação:X ∼ Weibull(β, α) Propriedades: Seβ = 1 tem-sef (x) = 1 α e− x α . Portanto, a distribuição exponencial é também um caso particular da distribuição Weibull. E(X) = αΓ ( 1 β + 1 ) V(X) = α2 { Γ ( 2 β + 1 ) − [ Γ ( 1 β + 1 )]2 } Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 43 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição Weibull Propriedades: F(x) = P(X ≤ x) = 0 , x < 0 1− e−( xα )β , x ≥ 0 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 44 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição Weibull Exercício: O tempo de vida, em horas,de um componente eletrônico segue a distribuição Weibull comα = 0,4 eβ = 0,5. (a) Qual é a vida média do componente? (b) Calcule a variância do tempo de vida desse componente. (c) Qual é a probabilidade do tempo de vida desse componente ultrapassar 30 horas? Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 45 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Existem várias distribuições teóricas que podem ser usadaspara representar fenômenos reais. Dentre estas, uma das mais importantes é a distribuição normal. Importância da distribuição normal: 1. Representa com boa aproximação as distribuições de frequências observadas de muitos fenômenos naturais e físicos; 2. Distribuições importantes, como por exemplo, a binomial e Poisson, podem ser aproximadas pela normal, simplificando o cálculo de probabilidades; 3. A distribuição amostral das médias (e proporções) em grandes amostras se aproxima da distribuição normal, o que nos permite fazer estimações e testes estatísticos. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 46 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Uma variável aleatóriaX, que assume valores emR, tem distribuição normal com parâmetrosµ eσ2 se sua função de densidade probabilidade é dada por: f (x) = 1√ 2πσ2 exp [ − 1 2σ2 (x− µ)2 ] , em que−∞ < x < ∞,−∞ < µ < ∞, σ > 0. Notação:X ∼ N (µ, σ2) O histograma a seguir foi construído a partir de dados provenientes de uma distribuição normal. A curva desenhada sobre o histograma representa a função densidade de uma distribuição normal. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 47 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Normal(10, 4) x De ns ida de −5 0 5 10 15 20 25 0. 00 0. 02 0. 04 0. 06 0. 08 0. 10 Figura :Gráfico da função densidade da distribuição normal com parâmetrosµ = 10 eσ2 = 4. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 48 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Vemos que este gráfico é do tipo simétrico. É importante ressaltar a diferença que existe entre o histograma e a curva: o histograma é uma representação da distribuição dos elementos (dados) de uma amostra extraída de uma população a curva representa a distribuição teórica que melhor se aproxima do histograma observado. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 49 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Propriedades: E(X) = µ e V(X) = σ2 (σ - desvio padrão); A curva normal é simétrica com relação a sua médiaµ, ou seja f (µ+ x) = f (µ− x); P(µ− x ≤ X ≤ µ) = P(µ ≤ X ≤ x+ µ); P(X > µ) = P(X < µ) = 0,5. A moda e a mediana deX são iguais aµ; A distância entreµ e os pontos de inflexão da curva é igual aσ; Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 50 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Figura :médias diferentes, desvios padrão iguais (σ = 10 cm). Altura (em cm) De ns ida de 100 150 200 250 0.0 0 0.0 1 0.0 2 0.0 3 0.0 4 0.0 5 µ = 165 µ = 179 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 51 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Figura :mesma média, desvios padrão distintos (µ = 172 cm). Altura (em cm) De ns ida de 100 150 200 250 0.0 0 0.0 2 0.0 4 0.0 6 0.0 8 σ = 5 σ = 7 σ = 12 Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 52 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Uma aplicação da distribuição normal é mostrar como a média eo desvio-padrão estão relacionados com a proporção dos dadosque se enquadram em determinados limites. Cerca de 68% dos valores estão a±1 desvio-padrão a contar da média; Cerca de 95% dos valores estão a±2 desvios-padrão a contar da média; Cerca de 99,7% dos valores estão a±3 desvios-padrão a contar da média. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 53 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Cálculo das probabilidades de uma distribuição normal: A probabilidade de uma variável aleatória normalX assumir valores entre dois númerosa eb (a < b) é igual à área sob a curva no intervalo[a,b], isto é, P(a < X < b) = ∫ b a 1√ 2πσ2 exp [ − 1 2σ2 (x− µ)2 ] dx Esta probabilidade pode ser obtida através de uma transformação na variável aleatóriaX como veremos a seguir. A distribuição normal possui um importante propriedade que permite que qualquer variável aleatória com esta distribuição possa ser transformada em uma outra variável com distribuição normal com parâmetrosµ = 0 eσ2 = 1. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 54 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Teorema Se X∼ N (µ, σ2) então a variável transformada Z= X − µ σ tem distribuição N (0,1), isto é, f (z) = 1√ 2π exp(−z2/2),−∞ < z< ∞. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 55 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Portanto,P(X ≤ a) = P ( X − µ σ ≤ a− µ σ ) = P(Z ≤ z), com Z = X − µ σ . As probabilidades para a distribuição normal (0,1) também chamada de Normal Padrão ou Normal Padronizada estão tabeladas. Pelo exposto, vemos que através da tabela podemos obter as probabilidades para qualquer outra distribuição normal. Como a curva normal padrão é uma função simétrica em relação 0: f (z) = f (−z); P(−z≤ Z ≤ 0) = P(0 ≤ Z ≤ z); P(Z > 0) = P(Z < 0) = 0,5. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 56 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Exercício: Uma enchedora automática de garrafas de refrigerante está regulada para que o volume médio de líquido em cada garrafa seja de 1000 cm3 e o desvio padrão de 10 cm3. Pode-se admitir que a distribuição da variável seja normal. (a) Qual a probabilidade de garrafas em que o volume de líquido é menor que 990 cm3? (b) Qual a probabilidade de garrafas em que o volume de líquido não se desvia da média em mais que dois desvios-padrão? Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 57 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Veja na Tabela abaixo as principais distribuições noR. Distribuição Nome noR Argumentos beta beta shape1, shape2, ncp binomial binom size, prob binomial negativa nbinom size, prob Cauchy cauchy location, scale qui-quadrado chisq df, ncp exponencial exp rate F f df1, df2, ncp gama gamma shape, scale geométrica geom prob hipergeométrica hyper m, n, k log-normal lnorm meanlog, sdlog logística logis location, scale normal norm mean, sd Poisson pois lambda t-Student t df, ncp uniforme unif min, max Weibull weibull shape, scale Wilcoxon wilcox m, n Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 58 / 59 Modelos probabilísticos para variáveis aleatóriasModelos probabilísticos contínuos Distribuição normal Prefixe o nome da distribuição por: d: para avaliar a função densidade de probabilidade; p: para avaliar a função de distribuição (acumulada); q: para avaliar os quantis; r : para gerar números pseudo-aleatórios. Profa. Gecynalda Gomes Distribuições de Probabilidade 25 de outubro de 2017 59/ 59 Modelos probabilísticos para variáveis aleatórias Modelos probabilísticos discretos Modelos probabilísticos contínuos
Compartilhar