Baixe o app para aproveitar ainda mais
Prévia do material em texto
Distribuições de Probabilidade Contínuas Uniforme Contínua Exponencial Normal Variáveis Aleatórias Contínuas Ocorrem quando a variável que está sendo medida é expressa em uma escala contínua, como no caso de uma característica dimensional. Ocorrem em experimentos que requerem medidas como por exemplos: tensão elétrica, pressão (força/área), ... Ex.-> Distribuição Normal. As probabilidades são especificadas em termos de intervalos, pois a probabilidade associada a um número específico é zero. A Função Densidade de Probabilidade • 𝐶1) 𝑓 𝑥 ≥ 0, ∀ 𝑥 ∈ ℝ. • 𝐶2) 𝑓 𝑥 𝑑𝑥 = 1 • OBS: Temos área zero sob qualquer valor individual, isto é: 𝐸𝑥𝑒𝑚𝑝𝑙𝑜: 𝑂 𝑔𝑟á𝑓𝑖𝑐𝑜 𝑑𝑒 𝑓 𝑥 é 𝑎 𝐶𝑢𝑟𝑣𝑎 𝐷𝑒𝑛𝑠𝑖𝑑𝑎𝑑𝑒 Para que f(x), seja fdp deve satisfazer •𝑓 𝑥 ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜𝑠 𝑜𝑠 𝑥 ∞−• +∞ 𝑓 𝑥 𝑑𝑥 = á𝑟𝑒𝑎 𝑎𝑏𝑎𝑖𝑥𝑜 𝑑𝑜 𝑔𝑟á𝑓𝑖𝑐𝑜 𝑑𝑒𝑓 𝑥 = 1 Distribuição de Probabilidade ou densidade de probabilidade (fdp) • Seja X uma variável contínua, então, uma função f(x) tal que, para quaisquer dois números a e b com a≤b, • A Probabilidade de X ter um determinado valor no intervalo [a,b] é a área contida entre e abaixo da curva da função densidade. Exemplo • Arqueólogos estudam uma certa região e estabeleceram um modelo teórico para a V.a X: comprimento de fósseis da região (em cm), com a seguinte função. • 𝑓 𝑥 = ൝ 1 40 𝑥 10 + 1 𝑠𝑒 0 ≤ 𝑥 ≤ 20 0 𝑠𝑒 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 • Dessa forma verifique se 𝑓 𝑥 é função densidade de probabilidade. Se X é uma V.a contínua então: 1) 𝑓 𝑥 = 𝐹′ 𝑥 = 𝑑 𝑑𝑥 𝐹(𝑥) 2) P(a < x < b) = 𝑎 𝑏 𝑓 𝑥 𝑑𝑥 = 𝐹 𝑏 − 𝐹(𝑎) Ou seja : Se X for uma V.a contínua com fdp f(x), então: •FDA •𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ∞− 𝑥 𝑓 𝑡 𝑑𝑡 Exemplo • Se X= comprimento de fósseis da região (em cm), com a seguinte função. • 𝑓 𝑥 = ൝ 1 40 𝑥 10 + 1 𝑠𝑒 0 ≤ 𝑥 ≤ 20 0 𝑠𝑒 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 • Temos que analisar Se x < 0 Se 0 ≤ 𝑥 < 20 Se 20 ≤ x Assim temos 𝑭 𝒙 = 𝑷 𝑿 ≤ 𝒙 = න −∞ 𝒙 𝒇 𝒕 𝒅𝒕 • Se 𝒙 < 𝟎 • Se 𝟎 ≤ 𝒙 < 𝟐𝟎 • Se 𝒙 ≥ 𝟐𝟎 න −∞ 𝒙 𝒇 𝒕 𝒅𝒕 න −∞ 𝟎 𝒇 𝒕 𝒅𝒕 + න 𝟎 𝒙 𝒇 𝒕 𝒅𝒕 න −∞ 𝟎 𝒇 𝒕 𝒅𝒕 + න 𝟎 𝟐𝟎 𝒇 𝒕 𝒅𝒕 + න 𝟐𝟎 𝒙 𝒇 𝒕 𝒅𝒕 Portanto • 𝐹 𝑥 = ൞ 0 𝑠𝑒 𝑥 < 0 𝑥 40 𝑥 20 + 1 𝑠𝑒 0 ≤ 𝑥 < 20 1 𝑠𝑒 𝑥 ≥ 20 Distribuição Uniforme • Uma variável contínua X é dita ter Distribuição Uniforme no intervalo [a, b] se a fdp X for : •𝑓 𝑥; 𝑎, 𝑏 = ቐ 1 𝑏 −𝑎 𝑎 ≤ 𝑥 ≤ 𝑏 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 A função distribuição acumulada (fda) é dada por: Exemplo 1 • A direção de uma imperfeição em relação a uma linha de referência em um objeto circular como um pneu, um rotor de freio ou um volante normalmente apresenta alguma incerteza. Considere a linha de referência que conecta a válvula do pneu até o ponto central e seja X: o ângulo medido no sentido horário até o local da imperfeição. Uma (fdp) possível de X é: 𝑓 𝑥 = ൝ 1 360 0 ≤ 𝑥 ≤ 360 0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 • Qual é a probabilidade de o ângulo estar entre 90𝑜 𝑒 1800? • Qual é a probabilidade de o ângulo de ocorrência estar dentro de 90𝑜 ? Exemplo 1 • Suponha que a variável aleatória x representa o tempo de voo de um avião. Suponha que o tempo de voo possa ter qualquer valor no intervalo de 120 a 140 min. A função densidade de probabilidade, a qual define a distribuição de probabilidade correspondente à variável aleatória “tempo de voo”, é: • 𝑓 𝑥 = ൝ 1 20 𝑝𝑎𝑟𝑎 120 ≤ 𝑥 ≤ 140 0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 • Qual é a probabilidade de o tempo de voo situar-se entre 120 a 130 minutos? • Qual é a probabilidade de o tempo de voo situar-se entre 128 a 136 minutos? Valor Esperada e Variância • Valor esperado. • 𝐸 𝑥 = 𝑎+𝑏 2 • Variância. • 𝑉𝑎𝑟 𝑥 = (𝑏−𝑎)2 12 No R rm(list=ls()) Uniforme <- function(x){ fx <- ifelse(x < 0, 0, 1/360) return(fx) } plot(Uniforme, 0, 360) polygon(x=c(90,seq(90,180,l=20),180), y=c(0,Uniforme(seq(90,180,l=20)), 0), col="Gold") text(140,0.0020, expression(p[paste("(90<X<180)")])) integrate(Uniforme, 90, 180) Problema 1 • Seja X o tempo de uma reserva de duas horas, na biblioteca de uma faculdade, é examinado por um estudante selecionado aleatoriamente e suponha que X tenha função de densidades • 𝑓 𝑥 = ቊ 0,5𝑥 0 ≤ 𝑥 ≤ 2 0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 • Calcule a probabilidade • A) P(X≤ 1) 0,25 • B) P(0,5 ≤X≤ 1,5) 0,5 • C) P(1,5< 𝑋) 0,4375 Problemas 2 • Suponha que o erro envolvido ao se fazer uma certa medida seja uma variável contínua X com Fdp • 𝑓 𝑥 = ቊ0,09375 4 − 𝑥 2 − 2 ≤ 𝑥 ≤ 2 0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 • A) Faça o gráfico de f(x). • B) Calcule P(x > 0). 0,52 • C) Calcule P(-1< 𝑥 <1). 0,688 • D) Calcule P(x< −0,5 𝑜𝑢 𝑥 > 0,5). 0,36 Problemas 3 • O tempo entre chegada de clientes em um banco durante o horário de meio-dia e uma hora da tarde apresenta uma distribuição uniforme entre 0 e 120 segundos. Qual é a probabilidade de que o tempo entre a chegada de dois clientes venha a ser: • Menor que 20 segundos? 0,1667 • Entre 10 e 30 segundos? 0,1667 • Maior que 35 segundos? 0,7083 • Quais são os valores para a média aritmética e o desvio padrão do tempo entre as chegadas. 60 e 34,641 Problema 4 • Quanto tempo é necessário para que você baixe um jogo em seu iPod? De acordo com o portal de suporte técnico da Apple, www.apple.com/supportqitunes, baixe um jogo no iPod utilizando uma conexão da banda larga deve levar de 3 a 6 minutos. Suponha que os tempos necessários para baixar jogos esteja distribuídos de maneira uniforme, entre 3 e 6 minutos. Se você baixar um jogo, qual é a probabilidade de que o tempo necessário para isso ser. • Menor que 3,3 minutos? 0,1 • Menor que 4 minutos? 0,333 • Entre 4 e 5 minutos? 0,333 • Quais são os valores para a média aritmética e o desvio padrão dos tempos necessários para baixar jogos? 4,5 e 0,866 http://www.apple.com/supportqitunes DISTRIBUIÇÃO EXPONENCIAL Variável Aleatória •Na distribuição de Poisson, a variável aleatória é definida como o número de ocorrências em determinado período, sendo a média das ocorrências no período definida como . Na distribuição exponencial a variável aleatória é definida como o tempo entre duas ocorrências, sendo a média de tempo entre ocorrências igual a 1/. Esquema comparativo X é a distância/tempo entre contagens sucessivas de um processo de Poisson. Exemplos Dado um experimento aleatório e, de acordo com a v.a. X: •Seja X o tempo entre as avarias de um equipamento. •Seja X o tempo entre as chegadas de táxis a uma interseção movimentada. •Seja X o tempo entre as chegadas de aeronaves a um aeroporto específico. •Seja X a distância entre duas falhas sucessivas em uma fita magnética. •Seja X a distância entre grandes buracos em uma rodovia movimentada. Exemplo • Se a média de atendimentos no caixa bancário é de = 6 atendimentos por minuto, então o tempo médio entre atendimentos é 1/ = 1/6 de minuto ou 10 segundos. Condição de aplicação do modelo exponencial •O número de ocorrências deve seguir uma distribuição de Poisson. •Considerarmos a distribuição de Poisson como o modelo para o número de ocorrências de um evento no intervalo de [0, t], teremos: O modelo da distribuição exponencial (fdp) é o seguinte. 0,)( tetf t > 0 0,)( tetf t A média e o desvio-padrão da distribuição Exponencial Distribuição Exponencial Acumulada Exemplo •Suponha que uma máquina falhe em média uma vez a cada dois anos. Nesse caso, o número médio de falhas é: = 1/2 = 0,5. Calcule a probabilidade da máquina falhar durante o próximo ano. Exemplo Dada a variável aleatória T = tempo de resposta na consulta a um banco de dados (em minutos) com função densidade de probabilidade (fdp) dada por: • Calcule a probabilidade da consulta demorar mais que 3 minutos. • Calcule a probabilidade da próxima consulta ocorrer no intervalo de 2 a 3 minutos. • Por exemplo, suponha que uma máquina falhe em média uma vez a cada doisanos l=1/2=0,5. Calcule a probabilidade da máquina falhar durante o próximo ano. Exemplo no R • Suponha que X tenha uma distribuição exponencial, com 𝜆 = 2. Determine: • 𝑃(𝑋 ≤ 0) • 𝑃(𝑋 ≤ 1) • 𝑃(𝑥 ≥ 2) • 𝑃(1 < 𝑋 < 2) • Encontre o valor de x tal que 𝑃 𝑋 < 𝑥 = 0.05 Solução Problema 1 •Suponha que clientes cheguem a um caixa eletrônico de um banco a uma taxa de 20 por hora. Se o cliente acabou de chegar, qual é a probabilidade de que o próximo cliente chegue dentro de um intervalo de 6 minutos (ou seja 0,1 hora)? 0,8647 Problema 2 •No problema que trata do caixa eletrônico do banco, qual é a probabilidade de que o próximo cliente chegue dentro do limite de um intervalo de 3 minutos (ou seja 0,05 hora)? 0,6321 Problema 3 •Dada a distribuição exponencial com 𝜆 = 5. qual é a probabilidade de que o tempo de chegada seja: •Menor que x=0,1? 0,3935 •Maior que x=0,1? 0,6065 • Entre x=0,1 e x=0,2? 0,2386 •Menor que x=0,1 ou maior que 0,2? 0,859 Problema 4 •Os clientes chegam a uma cabine de atendimento de uma lanchonete, a uma taxa de 2 por minuto, durante o horário do almoço. •Qual é a probabilidade de que a próxima cliente chegue dentro de 1 minuto? •Qual é a probabilidade de que a próxima cliente chegue dentro de 5 minuto? Exercício 5 •Considere a seguinte função densidade de probabilidade exponencial. 𝒇 𝒙 = 𝟏 𝟖 𝒆− Τ 𝒙 𝟖 •A) Encontre P(x≤6). 0,5276 •B) Encontre P(x≥6). 0,4724 •C) Encontre P(x≤ 4). 0,3935 •D) Encontre P(4 ≤x ≤ 6). 0,1341 Distribuição de Probabilidade Normal Introdução A distribuição Normal Teorema Central do limite Distribuição Normal Padrão Cálculo de probabilidades da distribuição normal padrão Função de distribuição Acumulada Aplicações da Distribuição normal Introdução • Os itens produzidos em massa devem estar em conformidade com uma dada especificação. Geralmente, uma média é destinada, devido a erros aleatórios no processo de produção, uma tolerância é estabelecida nos desvios da média. Por exemplo, se produzirmos anéis de pistão que têm um diâmetro interno médio de 45 mm, então esperamos que o diâmetro se desvie apenas ligeiramente deste valor. Os desvios do valor médio são frequentemente modelados muito bem pela distribuição normal. Suponha que nós decidimos que os diâmetros na faixa de 44,95 a 45,05 mm são aceitáveis, então qual proporção da saída é satisfatória? A distribuição normal • A distribuição normal é o modelo mais amplamente utilizado para a distribuição de uma variável aleatória. Há uma razão muito boa para isso. Experimentos práticos envolvem medições e medições que envolvem erros. No entanto, medidas imprecisas de todos os tipos podem ocorrer. Por exemplo, se você estiver medindo um comprimento usando um dispositivo bruto, como uma régua, poderá encontrar erros decorrentes de: • a calibração da régua em si; • erros de arredondamento; • erros de "adivinhação" se uma medição estiver entre dois comprimentos marcados na régua. • entre outros. O teorema central do limite • Seja X a soma de n variáveis aleatórias independentes 𝑋𝑖, 𝑖 = 1, 2,. . . 𝑛 cada um tendo uma distribuição com média 𝜇𝑖 e variância 𝜎𝑖 2 (𝜎𝑖 2 <∞), respectivamente, então a distribuição de X tem expectativa e variância dada pelas expressões • O teorema central do limite nos diz que, à medida que aumentamos o tamanho desta amostra, a média amostral se aproximará cada vez mais da média populacional. Observe • Seja a variável aleatória X= "resultado de um dado não viciado", que pode assumir os valores 1, 2, 3, 4, 5, 6. Sabemos que sua esperança populacional é • ou seja, o resultado médio de se jogar o dado é 3,5. Sabemos também que a variância populacional é https://pt.wikipedia.org/wiki/Vari%C3%A1vel_aleat%C3%B3ria https://pt.wikipedia.org/wiki/Dado https://pt.wikipedia.org/wiki/Vari%C3%A2ncia Função densidade • A função de densidade de probabilidade de uma distribuição normal com média µ e variância 𝜎2 é dado pela fórmula • Esta curva é sempre em forma de sino com o centro do sino localizado no valor de µ. A altura do sino é controlada pelo valor de σ. Como em todas as curvas normais de distribuição, é simétrico sobre o centro e decai como x → ± ∞. Como em qualquer função de densidade de probabilidade a área sob a curva é igual a 1. Curvas normais para diferentes valores de µ e σ Descrição • Uma distribuição normal é completamente definida especificando sua média (o valor de µ) e sua variância (o valor de 𝜎2 ). A distribuição normal com média µ e variância 𝜎2 pode ser escrita por • Consequentemente a distribuição N (20, 25) tem uma média de 20 e um desvio padrão de 5; lembre-se que o segundo parâmetro é a variância que é o quadrado do desvio padrão. • Uma variável aleatória X seguindo essa distribuição é geralmente denotado por N (µ, 𝜎2 ) e muitas vezes escrevemos Tabulação • É notório que tanto µ como 𝜎2 podem variar, assumindo infinitas distribuições normais. Também é possível perceber que a integral para calcular a área sob a curva normal é intratável. O fato é que acaba por ser impossível tabular todas a distribuições normais. Assim é tabulada uma única distribuição a “normal padrão”. A forma •A distribuição normal é caracterizada por uma função de probabilidade, cujo gráfico descreve uma curva em forma de sino. Essa forma de distribuição evidencia que há maior probabilidade de a variável aleatória assumir valores próximos do centro. A distribuição normal padrão • Por simplicidade, devemos considerar o que é conhecido como uma distribuição normal padrão que é obtido escolhendo valores particularmente simples para µ e σ. • A distribuição normal padrão tem uma média zero e uma variância um. • A Figura mostramos o gráfico da distribuição normal padrão que tem função densidade de probabilidade Variável normal padronizada • Se o comportamento de uma variável aleatória contínua X é descrito pela distribuição N (µ, σ2) então o comportamento da variável aleatória é descrito pela distribuição normal padrão N (0, 1). E chamamos Z a variável normal padronizada, a qual escrevemos Exemplo 1 • Se a variável aleatória X é descrita pela distribuição N (45, 0,000625), então. Qual é a transformação necessária para obter a variável normal padronizada? Exemplo 2 • Quando a variável aleatória X ∼ N (45, 0,000625) assume valores entre 44,95 e 45,05, entre quais valores a variável aleatória Z se encontra? Exemplo 3 • A variável aleatória X segue uma distribuição normal com média igual a 1000 e variância 100. Quando X aceita valores entre 1005 e 1010, entre quais valores a variável normal padronizada Z está? Probabilidades e a distribuição normal padrão • Como a distribuição normal padrão é usada com tanta frequência, uma tabela de valores foi produzida para nos ajuda a calcular as probabilidades . Baseia-se no seguinte diagrama: • Como a área total sob a curva é igual a 1, ela se segue da simetria da curva que a área sob a curva na região Z > 0 é igual a 0,5. A área sombreada é a probabilidade de que Z tome valores entre 0 e z1. Quando "procuramos" um valor na tabela, obtemos o valor da área sombreada. A função de distribuição acumulativa • Sabemos que a função de densidade de probabilidade normal f (x) é dada pela fórmula e assim a função de distribuição cumulativa F (x) é dada pela fórmula No caso da distribuição cumulativa para a curva normal padrão, usamos a notação especial Φ(𝑧) e, substituindo 0 e 1 por µ e 𝜎2, nós obtemos A Forma • A forma da curva é essencialmente em forma de 'S', conforme mostrado na Figura. Observe que a curva é executada de −∞ para + ∞ . Como você pode ver, a curva se aproxima do valor 1 assintoticamente. Comparação • Comparando as integrais • Veja que • e F(x) pode ser escrito como • Já sabemos a partir da definição básica de uma função de distribuição acumulada, que • para que possamos escrever a declaração de probabilidade acima em termos de Φ(𝑧) como • O valor de Φ(𝑧) é medido de z = −∞ para qualquerordenada z = z1 e representa a probabilidade P (Z < z1) Exemplo 4 • Qual é a probabilidade de Z ter valores entre 0 e 1,96? pnorm(1.96, mean = 0, sd = 1) 0.9750021 0.9750021 - 0.5 = 0.4750021 Exemplo 5 • Qual é a probabilidade de Z ter valores entre 0 e 1.9? (Consulte a tabela probabilidades normais). • A linha que começa com '1,9' e a coluna '0' é a escolha apropriada e sua entrada é 0.9713. Essa é a probabilidade acumulada, mas sabemos que a área contida de −∞ a 0 corresponde a 0.5, então basta calcular 0.9713 – 0.5 = 0.4713 A interpretação é que a probabilidade de Z ter valores entre 0 e 1.9 é 0,4713. Exemplo 6 • Qual é a probabilidade de Z ter valores entre 0 e 1.965? • Não há entrada correspondente a 1.965, por isso tomamos a média dos valores para 1,96 e 1,97. • (Esta interpolação linear não é estritamente correta, mas é aceitável.) • Os dois valores são 4750 e 4756 com uma média de 4753. Portanto, a probabilidade exigida é de 0,4753. No R (0.9750+0.9756)/2-0.5 0.4753 Exercícios • Quais são as probabilidades de Z ter valores entre: • a) 0 e 2 • B) 0 e 2.3 • C) 0 e 2.33 • D) 0 e 2.333 • Solução Calculando outras probabilidades • Agora, vemos como calcular probabilidades representadas por outras áreas além daquelas anteriores: • Caso 1) A região sombreada pode ser representada pela diferença entre duas áreas sombreadas. Exemplo 7 • Encontre a probabilidade de Z ter valores entre 1 e 2. Caso 2) • O diagrama a seguir ilustra o procedimento a ser seguido ao encontrar probabilidades do tipo P (Z > z1). • Desta vez, a área sombreada é a diferença entre a metade direita do total área e uma área que pode ser lida da Tabela 1. Exemplo 8 • Qual é a probabilidade de Z > 2. No R 1-pnorm(2)= 0.02275013 Caso 3 • Aqui nós consideramos o procedimento a ser seguido no cálculo das probabilidades da forma P (Z < z1). A área sombreada é a soma da metade esquerda da área total e de uma área "padrão". • Exemplo 9: Qual é a probabilidade de que Z < 2? Caso 4 • Aqui nós consideramos o que precisa ser feito ao calcular as probabilidades de P (−z1 < Z < 0 ). • Exemplo 10: Qual é a probabilidade P (− 2 < Z < 0 ). No R 0.5 -pnorm(-2) 0.4772499 Caso 5 • Quando consideramos probabilidades da forma P (−z2 < Z < z1). • Exemplo 11 : Qual é a probabilidade de Z estar entre -1 e 2. Exercícios • Encontre as seguintes probabilidade: Exercícios • 1) Se uma variável aleatória X tiver uma distribuição normal padrão, encontre a probabilidade de que ela ter um valor: • A) menor que 2.00; • B) maior que 2.58; • C) entre 0 e 1.00; • D) entre -165 e 0.84; • 2) Se X tiver uma distribuição normal padrão, encontre k em cada um dos seguintes casos: Solução Aplicações da distribuição normal • Sabemos que a função de densidade de probabilidade de uma variável aleatória X que segue um distribuição normal é • Com curva sempre "em forma de sino" com o centro do sino localizado no valor de µ. A altura do sino é controlado pelo valor de σ. • Vamos analisar agora, como as probabilidades relacionadas a uma distribuição normal de X são determinadas. Vamos ver que ser capaz de calcular as probabilidades de uma distribuição normal padrão Z é crucial para as aplicações a seguir. Exemplo de aplicação 1 • Os dados de uma pesquisa mostram algumas informações sobre o tempo de cirurgias para reconstrução ACL em hospitais com alto volume de cirurgia. A partir dos dados foram calculados, o tempo médio de 129 minutos com um desvio padrão de 14 minutos. • a) Qual é a probabilidade de uma cirurgia ACL, em um hospital com alto volume de cirurgias, requerer um tempo maior do que dois desvios-padrão acima da média? • b) Qual é a probabilidade de uma cirurgia ACL, em um hospital com alto volume de cirurgias ser completada em menos de 100 minutos? • c) Em qual tempo a probabilidade de uma cirurgia ACL em um hospital com alto volume de cirurgias é igual a 0.95? • d) Se uma cirurgia requer 199 minutos, o que você conclui sobre o volume de tais cirurgias em um hospital? Explique. Solução a) • a) Qual é a probabilidade de uma cirurgia ACL, em um hospital com alto volume de cirurgias, requerer um tempo maior do que dois desvios-padrão acima da média? Solução b) • b) Qual é a probabilidade de uma cirurgia ACL, em um hospital com alto volume de cirurgias ser completada em menos de 100 minutos? Solução c) • c) Em qual tempo a probabilidade de uma cirurgia ACL em um hospital com alto volume de cirurgias é igual a 0.95? Exemplo • Numa ilha existem três modelos de automóveis disponíveis para compra, um de cada uma das seguintes marcas: A, B e C. Segundo os fabricantes, e tendo em conta as características da rede de estradas local, o consumo dos referidos automóveis (em litros aos cem km) é caracterizado pelas seguintes distribuições: • A∼N(10,12) B∼N(11,1.52) C∼N(8,1.252) • a) Um determinado Senhor, residente da ilha, possui um automóvel da marca C, dois da marca A e três da marca B. O referido Senhor tem por costume escolher na segunda-feira de manhã o automóvel que vai utilizar ao longo da semana. • b) Sabendo que na última semana o automóvel utilizado gastou em média mais de 10 litros (aos cem km), calcule a probabilidade de ter sido um automóvel da marca A o escolhido. • c) Qual a probabilidade de o consumo de um automóvel da marca C ser pelo menos 1 litro inferior ao consumo de um automóvel da marca A? Exemplo • Numa ilha existem três modelos de automóveis disponíveis para compra, um de cada uma das seguintes marcas: A, B e C. Segundo os fabricantes, e tendo em conta as características da rede de estradas local, o consumo dos referidos automóveis (em litros aos cem km) é caracterizado pelas seguintes distribuições: • A∼N(10,12) B∼N(11,1.52) C∼N(8,1.252) • a) Um determinado Senhor, residente da ilha, possui um automóvel da marca C, dois da marca A e três da marca B. O referido Senhor tem por costume escolher na segunda-feira de manhã o automóvel que vai utilizar ao longo da semana. • b) Sabendo que na última semana o automóvel utilizado gastou em média mais de 10 litros (aos cem km), calcule a probabilidade de ter sido um automóvel da marca A o escolhido. • c) Qual a probabilidade de o consumo de um automóvel da marca C ser pelo menos 1 litro inferior ao consumo de um automóvel da marca A? Exemplos • Selecionar, aleatoriamente, de uma certa universidade, um estudante do sexo masculino. Seja X a sua altura, em centímetros. Representar o evento: “o estudante selecionado ter 180 cm ou mais” (X ≥ 180) e a probabilidade deste evento: P(X ≥ 180). Exemplo 2 • Selecionar, aleatoriamente, de uma certa universidade, um estudante do sexo masculino. Seja X o valor de sua altura, em centímetros. Admitindo que nesta universidade os estudantes têm altura média de 170 cm com desvio-padrão de 10 cm, qual a probabilidade do estudante sorteado ter altura superior a 185 cm? Com base na tabela da normal padronizada, calcular: Exemplo Seja Z uma variável aleatória com distribuição normal padrão. Vamos utilizar a Tabela Z para encontrar as seguintes probabilidades: A) P(Z < 0,42). b) P(Z < -0,42). c) P(-0,42 < Z < 0,42) Na distribuição normal padrão, qual é o valor de z, tal que P(-z < Z < z) = 0,95? • Dados indicam que o tempo necessário para download de um vídeo é distribuído nos moldes de uma distribuição normal, com uma média aritmética µ = 7 segundos e um desvio padrão 𝜎 = 2 segundos. Toda a medição X tem uma medição padronizada correspondente Z. • Um tempo de download de 9 segundos é equivalente a 1 unidade padronizada, acima da média aritmética. Problema 1 • A produção em gramas de um processo de fabricação de corante tem distribuição normal com média 1500 e desvio padrão 50. A produção de um determinado período é 1568 gramas. Determine Z. • Qual é a probabilidade de a quantidade em gramas ser menor que 1568 gramas?91,3% 𝑍 = 𝑋 − 𝜇 𝜎 Problema 2 • Qual é a probabilidade de que o tempo de download de umvídeo na Web venha a ser maior que 9 segundos. Sabendo que a média é 7 segundos e que o desvio padrão seja 2. 15,8% Problema 3 • Qual é a probabilidade de que o tempo de download de um vídeo na web esteja abaixo de 7 segundo ou acima de 9 segundos? 65,9% Problema 4 • Qual é a probabilidade de que o tempo de download de um vídeo na Web esteja entre 5 segundo e 9 segundos. 68,2% Problema 5 •Os depósitos efetuados no Banco XX durante o mês de janeiro são distribuídos normalmente, com média de R$ 10.000,00 e desvio padrão de R$ 1.500,00. Um depósito é selecionado ao acaso dentre todos os referentes ao mês em questão. Encontrar a probabilidade de que o depósito seja: •A) R$ 10.000,00 ou menos. 50% •B) pelo menos R$ 10.000,00. 50% •C) Um valor entre R$ 12.000,00 e R$ 15.000,00. Problema 6 •As alturas de 10.000 alunos de um colégio têm distribuição aproximadamente normal, com média 170 cm e desvio padrão 5 cm. •A) Qual é o número esperado de alunos com altura superior a 165 cm? 84,13% e 8413 alunos. Problema 7 • Suponha que a força que age sobre uma coluna que ajuda a suportar um edifício tenha distribuição normal com média 15,0 kips desvio padrão 1,25 kips. Qual é a probabilidade de a força: •A) Ser no máximo 18 kips? 0,9918 •B) Estar entre 10 e 12 kips? •C) Diferir de 15 por no máximo 2 desvios padrão? 0,9544 #====== Normal ========= Exemplo 4 fn <- function(x){ fx <- (1/sqrt(2*pi*1)) * exp((-1/2) * (x - 0)^2) return(fx) } x <- seq(-4, 4, l=200) Px <- fn(x) plot(x,Px, type = "l",xlab = "Z") polygon(x=c(-4,seq(-4,1.9,l=20),1.9), y=c(0,fn(seq(-4,1.9,l=20)), 0), col="Gold") text(0, 0.2, expression(p[paste("(Z<1.9)")])) polygon(x=c(0,seq(0,1.9,l=20),1.9), y=c(0,fn(seq(0,1.9,l=20)), 0), col="rosybrown4") text(0.7, 0.15, expression(p[paste("(0 < Z<1.9)")])) #====== Normal ========= Exemplo 5 fn <- function(x){ fx <- (1/sqrt(2*pi*1)) * exp((-1/2) * (x - 0)^2) return(fx) } x <- seq(-4, 4, l=200) Px <- fn(x) plot(x,Px, type = "l",xlab = "Z") polygon(x=c(-4,seq(-4,1.96,l=20),1.96), y=c(0,fn(seq(-4,1.96,l=20)), 0), col="Gold") text(0, 0.2, expression(p[paste("(Z<1.96)")])) polygon(x=c(0,seq(0,1.96,l=20),1.96), y=c(0,fn(seq(0,1.96,l=20)), 0), col="rosybrown4") text(2.7, 0.15, expression(p[paste("(0 < Z<1.96)")])) (#============== Analise das curva ============================ # variando a média e o desvio x <- seq(-5,10,length.out = 10000) fx <- dnorm(x,2,2) plot(x, fx, ylab=expression(paste(f(x))), type = "l", ylim=c(0,0.5), xlim=c(-5,10), axes=FALSE) axis(1,-5:10); axis(2) segments(2,0,2,dnorm(2,2,2), lty=3) fz <- dnorm(x,0,1) lines(x,fz,col="blue") segments(0,0,0,dnorm(0), lty=3, col="blue") fy <- dnorm(x,2,3) lines(x,fy,col="red") segments(2,0,2,dnorm(2,2,3), lty=3, col="red") legend("topright", c(expression(N(2,4),N(0,1),N(2,9))), col=c("black", "blue", "red"), lty=c(1,1,1), bty="n", inset=0.05)
Compartilhar