Baixe o app para aproveitar ainda mais
Prévia do material em texto
ESTATÍSTICA APLICADA Prof. Dr. Antonio Fernando Branco Costa fbranco@unifei.edu.br EPR503 Prof. Antonio Fernando Branco Costa - IEPG 1 https://mega.nz/file/w3Ig0DiS#zEt4V_n3NnWGghFudg5sqMTn0JJZSirmR0MdWEBVROc 2 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Experimento: Dois dados equilibrados são lançados e observa-se o número da face superior. Seja: x1 = número da face superior do 1º dado x2 = número da face superior do 2º dado. (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4, 5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6) Espaço Amostral “S”: 3 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Experimento: Dois dados equilibrados são lançados e observa-se o número da face superior. Seja: x1 = número da face superior do 1º dado x2 = número da face superior do 2º dado. (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4, 5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6) Espaço Amostral “S”: Variável X=0 se x1+x2≤3 =1 se 3 <x1+x2 ≤ 6 =2 se 6 <x1+x2 ≤ 8 =3 se 8 <x1+x2 ≤ 10 =4 se 10 <x1+x2 ≤ 12 Distribuição de probabilidades de X P[ X=0]=3/36 P[ X=1]=12/36 P[ X=2]=11/36 P[ X=3]=7/36 P [ X=4]=3/36 4 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Experimento: Dois dados equilibrados são lançados e observa-se o número da face superior. Seja: x1 = número da face superior do 1º dado x2 = número da face superior do 2º dado. Função distribuição de probabilidades de X f(X=x)=P[ X=x]= 3/36 se x=0 = 12/36 se x=1 = 11/36 se x=2 = 7/36 se x=3 = 3/36 se x=4 Distribuição de probabilidades de X P[ X=0]=3/36 P[ X=1]=12/36 P[ X=2]=11/36 P[ X=3]=7/36 P[ X=4]=3/36 5 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Função distribuição de probabilidades de X f(X=x)=P[ X=x]= 3/36 se x=0 = 12/36 se x=1 = 11/36 se x=2 = 7/36 se x=3 = 3/36 se x=4 0 2 4 6 8 10 12 0 1 2 3 4 36*f(X) X Função distribuição de probabilidades da v. a. X 6 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Função distribuição acumulada da v. a. X F(X=x)=P[ X ≤ x]= 3/36 se x=0 = 15/36 se 0< x <1 = 26/36 se 1≤ x<2 = 33/36 se 3≤ x<4 = 36/36 se x=4 0 10 20 30 40 0 1 2 3 4 5 36*F(X) X Função distribuição acumulada da v. a. X 7 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Função distribuição de probabilidades de X f(X=x)=P[ X=x]= 3/36 se x=0 = 12/36 se x=1 = 11/36 se x=2 = 7/36 se x=3 = 3/36 se x=4 0 2 4 6 8 10 12 0 1 2 3 4 36*f(X) X Função distribuição de probabilidades da v. a. X ( ) ( ) 0(3 / 36) 1(12 / 36) 2(11/ 36) 3(7 / 36) 4(3 / 36) 1,86i i i E X x P x = = = + + + + )()()( 22 i i i xPxX −= 8 EPR503 Prof. Antonio Fernando Branco Costa - IEPG 9 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Binomial Um vendedor visita sempre 5 casas por dia, no intuito de vender um determinado produto. Sabendo-se que a probabilidade de uma dona de casa comprar tal produto é de 20% e que o lucro por produto vendido é de 12 reais, pergunta-se: a) Qual o lucro esperado ao final de um dia? X= número de produtos vendidos. Notação => V: vendeu; N: não vendeu NNNNN NNNNV NNNVN NNVNN NVNNN VNNNN NNNVV NNVNV NVNNV VNNNV NNVVN NVNVN VNNVN NVVNN VNVNN VVNNN NNVVV NVNVV NVVNV NVVVN VNNVV VNVNV VNVVN VVNNV VVNVN VVVNN VVVVN VVVNV VVNVV VNVVV NVVVVV VVVVV X # eventos elementares 0 1 1 5 2 10 3 10 4 5 5 1 S 10 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Binomial Condições do experimento: (1) ter um número n , fixo de repetições independentes (2) cada repetição tem Distribuição Bernoulli: “sucesso” “fracasso” (3) Probabilidade p de sucesso é constante ou 11 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Binomial Seja X: variável aleatória Binomial n: número de repetições k: número de sucessos; k=0,1,...,n P(X=k): probabilidade de k “sucessos” em n repetições P X k n k p qk n k( )= = − ( )!! ! knk n k n − = E (x) = n.p 2 (x) = n.p.q 12 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Binomial Um vendedor visita sempre 5 casas por dia, no intuito de vender um determinado produto. Sabendo-se que a probabilidade de uma dona de casa comprar tal produto é de 20% e que o lucro por produto vendido é de 12 reais, pergunta-se: a) Qual o lucro esperado ao final de um dia? 13 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Binomial 14 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Binomial 15 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Binomial 16 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Binomial https://stattrek.com/online-calculator/binomial.aspx Repetição de um experimento com distribuição de Bernoulli (sucesso ou fracasso) até obtenção do primeiro sucesso. Condições do experimento: • repetições independentes • mesma probabilidade de sucesso p ...,,,)( 3211 === − kqpkXP k Distribuição Geométrica Prof. Antonio Fernando Branco Costa - IEPG EPR503 Distribuição Geométrica Um vendedor visita um número grande de casas, no intuito de vender um determinado produto. Sabendo-se que a probabilidade de uma dona de casa comprar tal produto é de 20%, pergunta-se: b) Qual a probabilidade do vendedor vender o primeiro produto na terceira casa visitada? p=0,20: probabilidade de vender o produto (sucesso) q=0,80: probabilidade de não vender o produto (fracasso) ( ) 128,08,02,0)3( 13 === −XP ...,,,)( 3211 === − kqpkXP k EPR503 Prof. Antonio Fernando Branco Costa - IEPG c) Sabendo que nas duas primeiras casas o vendedor não vendeu nenhum produto, qual a probabilidade dele vender na terceira casa visitada? )2( )3( )2( )23( )23( = = = == XP XP XP XXP XXP 64,08,02,08,02,01)2()1(1)2( 10 =+−==+=−= XPXPXP Portanto: 2,0 64,0 128,0 )23( === XXP 2,08,02,0)1( 0 ===XP EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Geométrica Repetição de um experimento com distribuição de Bernoulli (sucesso ou fracasso) até obtenção do r-ésimo sucesso. Condições do experimento: • provas independentes • mesma probabilidade de sucesso p r-ésimo sucesso ocorre na k-ésima tentativa k-1 tentativas anteriores houve r-1 sucessos rkr qp r k kXP − − − == 1 1 )( Distribuição de Pascal ...,,, 21 ++= rrrk p r XE =)( 2 2 p qr X = )( EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição de Pascal Um vendedor visita um número grande de casas, no intuito de vender um determinado produto. Sabendo-se que a probabilidade de uma dona de casa comprar tal produto é de 20%, pergunta-se: d) Qual a probabilidade do vendedor vender dois produtos, coincidindo do segundo produto ser vendido justamente na quinta casa visitada? ( ) 08192,08,02,0 12 15 )5( 252 = − − == −XP rkr qp r k kXP − − − == 1 1 )( p=0,20: probabilidade de vender o produto (sucesso) q=0,80: probabilidade de não vender o produto (fracasso) EPR503 Prof. Antonio Fernando Branco Costa - IEPG . Notação => V: vendeu; N: não vendeu VNNNV NVNNV NNVNV NNNVV Distribuição de Pascal Um vendedor visita um número grande de casas, no intuito de vender um determinado produto. Sabendo-se que a probabilidade de uma dona de casa comprar tal produto é de 20%, pergunta-se:d) Qual a probabilidade do vendedor vender dois produtos, coincidindo do segundo produto ser vendido justamente na quinta casa visitada? EPR503 Prof. Antonio Fernando Branco Costa - IEPG https://stattrek.com/online-calculator/negative-binomial.aspx Considere que num lote de 20 (N) peças existam 4 (r) defeituosas. Selecionando-se 5 (n) dessas peças, sem reposição, qual seria a probabilidade de 2 (k) defeituosas terem sido escolhidas? X: v. a. que indica o número de peças defeituosas EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Hipergeométrica Difere da Distribuição Binomial somente porque as repetições do experimento são feitas sem reposição. Seja: N: conjunto de elementos r : subconjunto com determinada característica n: elementos são extraídos sem reposição X: número de elementos com tal característica Distribuição HipergeométricaEPR503 Prof. Antonio Fernando Branco Costa - IEPG [ ] r N r k n k P X k N n − − = = Considere que num lote de 20 peças existam 4 defeituosas. Selecionando- se 5 dessas peças, sem reposição, qual seria a probabilidade de 2 defeituosas terem sido escolhidas? X: v. a. que indica o número de peças defeituosas 217,0 5 20 25 420 2 4 )2( = − − ==XP N: conjunto de elementos r : subconjunto com determinada característica n: elementos são extraídos sem reposição X: número de elementos com tal característica EPR503 Prof. Antonio Fernando Branco Costa - IEPG [ ] r N r k n k P X k N n − − = = Distribuição Hipergeométrica Notação => D defeituosa; N: não defeituosa DNNND 4/20 16/19 15/18 14/17 3/16 DDNNN NNNDD....... Considere que num lote de 20 peças existam 4 defeituosas. Selecionando-se 5 dessas peças, sem reposição, qual seria a probabilidade de 2 defeituosas terem sido escolhidas? N: conjunto de elementos r : subconjunto com determinada característica n: elementos são extraídos sem reposição X: número de elementos com tal característica EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição Hipergeométrica https://stattrek.com/online-calculator/hypergeometric.aspx https://stattrek.com/online-calculator/hypergeometric.aspx Exemplo: Uma fábrica tem sua produção composta de 30% da máquina A, 20% da máquina B e 50% da máquina C. Retirando-se 9 peças da produção a) Qual a probabilidade de serem 4 da máquina A, 2 da máquina B e 3 da máquina C? rk r k r rr pp kkk n kXkXkXP ==== 11 21 2211 !!...! ! );...;( Distribuição Polinomial ou Multinomial ( ) ( ) ( ) 0510,05,02,03,0 !3 !2 !4 !9 )3;2;4( 324 321 ===== XXXP EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição de PoissonEPR503 Prof. Antonio Fernando Branco Costa - IEPG X: Número de sucessos em um determinado intervalo contínuo (tempo, comprimento, superfície, volume, etc). Exemplos: ✓ Número de pessoas que chegam na rodoviária no período de 1 h. ✓ Número de defeitos em barras de aço 5 m. ✓ Número de focos de incêndio por hectare. Distribuição de Poisson EPR503 Prof. Antonio Fernando Branco Costa - IEPG Hipóteses: 1. O número de sucessos em intervalos não sobrepostos constituem variáveis aleatórias independentes. Evento A: Chegar 15 pessoas na rodoviária no intervalo das 8:00 as 9:00 Evento B: Chegar 12 pessoas na rodoviária no intervalo das 9:00 as 10:00 P[B|A]=P[B] Distribuição de Poisson EPR503 Prof. Antonio Fernando Branco Costa - IEPG Hipóteses: 2. A probabilidade do número de sucessos em qualquer intervalo depende apenas da sua dimensão. Por outras palavras, em intervalos de mesma dimensão são iguais as probabilidades de ocorrência de um mesmo número de sucessos. Evento A: Chegar 15 pessoas na rodoviária no intervalo das 8:00 as 9:00 Evento B: Chegar 15 pessoas na rodoviária no intervalo das 9:00 as 10:00 P[A]=P[B] Evento A: Chegar 15 pessoas na rodoviária no intervalo das 6:00 as 9:00 Evento B: Chegar 15 pessoas na rodoviária no intervalo das 9:00 as 10:00 P[A]>P[B] Distribuição de Poisson EPR503 Prof. Antonio Fernando Branco Costa - IEPG Hipóteses: 3. A probabilidade de obter dois ou mais sucessos em um intervalo suficientemente pequeno é desprezível. Distribuição de Poisson EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição de Poisson Onde k: número de sucessos no intervalo t (k=0,1,...,n) t: comprimento total do intervalo : freqüência média de sucessos (Ex.: chegadas/ hora; defeitos /metro) ! )( )( k te kXP kt == − ( ) === − = t k te kXE kt k ! )( 0 ( ) ( ) ( ) 2 2 0 X k t e t k t t k k = − = − = ! EPR503 Prof. Antonio Fernando Branco Costa - IEPG Exemplo: Num processo de fabricação de alumínio aparecem em média uma falha a cada 400 m (0,0025 falhas/m = ). Qual a probabilidade de ocorrer 3 falhas em 1000m? P X e e ( ) ! , ! , , = = = = − − 3 3 2 5 3 0 2138 3 2 5 3 Distribuição de Poisson E(x) = =t = 0,0025 falhas/m 1000 m = 2,5 falhas k = 3 EPR503 Prof. Antonio Fernando Branco Costa - IEPG Distribuição de Poisson EPR503 Prof. Antonio Fernando Branco Costa - IEPG https://stattrek.com/online-calculator/poisson.aspx EPR503 Prof. Antonio Fernando Branco Costa - IEPG 36 Ex.: Em uma experiência de laboratório passam, em média, por um contador, quatro partículas radioativas por milissegundo. Qual a probabilidade de entrarem no contador seis partículas em determinado milissegundo? Utilizando a distribuição de Poisson com λ = 4, então: 1042.0 !6 4 )6( 64 === −e XP No Minitab use: <Calc> <Probability Distribution> <Poisson> EPR503 Prof. Antonio Fernando Branco Costa - IEPG 37 Ex.: Uma central telefônica recebe em média 300 chamadas por hora e pode processar no máximo 10 ligações por minuto. Estimar a probabilidade de a capacidade da mesa ser ultrapassada. Temos agora: λ = 300/60 = 5 chamadas/minuto em média %4,1014.0986.01)10(1)10( ==−=−= XPXP EPR503 Prof. Antonio Fernando Branco Costa - IEPG 38 Aproximação da Distribuição Binomial P X k n k p pk n k( ) ( )= = − −1 ! )(lim k e kXP k n − → == Seja X uma v.a. distribuída binomialmente com parâmetro p (baseado em n repetições de um experimento). Isto é, Admita-se que quando n →, p →0 e np → . Nessas condições é possível demonstrar uma importante consideração: EPR503 Prof. Antonio Fernando Branco Costa - IEPG 39 Ex.: A probabilidade de um indivíduo ter reação negativa a certa injeção é de 0,001. Determinar a probabilidade de que de 2.000 indivíduos injetados, exatamente 3 tenham reação negativa. Usando a distribuição binomial com n = 2.000 e p = 0.001 temos: 19973 )999.0()001.0( 3 2000 )3( ==XP O cálculo desses números dá origem a considerável dificuldade. Pela aproximação de Poisson, temos: 1804.0 !3 2 )3( 32 === −e XP 2)001.0)(2000( === np Aproximação da Distribuição Binomial 40 http://brancocosta.atwebpages.com/distribuicoes-discretas/ EPR503
Compartilhar