Professional Documents
Culture Documents
Fundamentos
de Estatstica
Introduo
Estatstica
Introduo
Os dados batem os casos anedticos
24 = 16 possibilidades!
Custo menor.
Velocidade maior.
Preciso controlada.
Necessidades especializadas: quando censo impossvel.
Se voc usar mtodos comumente aceitos de amostragem para
selecionar 1.500 adultos de uma populao com milhes de
adultos, voc pode quase sempre estimar com erro inferior a 3% a
proporo de pessoas que tem certa caracterstica ou opinio.
Este fato no depende do tamanho da populao, mas somente do
tamanho da amostra.
6
1) Amostra Probabilstica
Uma amostra probabilstica aquela na qual os sujeitos da
amostra so escolhidos com base em probabilidades conhecidas.
O nico meio de fazermos inferncias estatsticas corretas de uma
amostra para uma populao atravs da utilizao de uma
amostra probabilstica.
Os quatro tipos de amostras probabilsticas geralmente mais
utilizados so a amostra aleatria simples, a amostra
estratificada, a amostra sistemtica e a amostra de grupo
(cluster).
2) Amostra no-probabilstica: amostra
amostragem de quota; amostragem de fatia.
7
de
julgamento;
Amostra: n=8
Amostra: n=8
E1
E2
E3
E4
Amostra: n=8
c1 c2 c3 c4 c5 c6 c7 c8
10
11
12
Populao: N=64
Amostra: n=8
13
Populao: N=64
Amostra: n=8
No responderam
Falta de resposta Vis por falta de resposta
14
15
16
Populao?
Amostra Aleatria?
17
Populao
Amostra Aleatria?
18
Estatstica
Descritiva
19
Estatstica Descritiva
Indivduos e Variveis
Estatstica Descritiva
21
Estatstica Descritiva
22
Estatstica Descritiva
A Disposio Ordenada
Se colocarmos os dados brutos em ordem de classificao, da menor
para a maior observao, a sequncia ordenada chamada de
disposio ordenada. Quando os dados esto classificados em uma
disposio ordenada, nossa avaliao de seus principais aspectos
fica facilitada. Torna-se ento fcil detectar os extremos, os valores
tpicos e as concentraes de valores.
23
Estatstica Descritiva
A Distribuio de Frequncia
24
Estatstica Descritiva
A Distribuio de Frequncia
Ao construir a tabela de distribuio de frequncia, deve-se
atentar para:
1) A seleo do nmero apropriado de grupos de classe para a
tabela.
O nmero de grupos de classe a ser utilizado depende
principalmente do nmero de observaes nos dados. Um
nmero maior de observaes requer um nmero maior de
intervalos de classes. Em geral, entretanto, a distribuio de
frequncia deve possuir ao menos 5 grupos de classe, porm
no mais do que 15.
Obs.:
log n
= (q3 q1 )
1
3
x mx - x mn
k=
Estatstica Descritiva
A Distribuio de Frequncia
Frmula de Sturges:
Nmero de classes (k) = 1 + 3,3log10n,
Frequncias Acumuladas
26
Estatstica Descritiva
Histograma
27
Estatstica Descritiva
Curva de Densidade
28
Estatstica Descritiva
Curva de Densidade
29
Estatstica Descritiva
Nmero de erros de impresso da primeira pgina de um jornal
durante determinado perodo.
Histograma
DensidadedeFreqncia
0,10
38,0%
34,0%
0,05
18,0%
6,0%
2,0%
2,0%
0,00
4
12
16
24
20
Nmero de erros
30
Estatstica Descritiva
Medidas Resumo
31
Estatstica Descritiva
X 1 + X 2 + ... + X n
1 n
X = Xi =
n i =1
n
32
Estatstica Descritiva
1
X = X j fj =
n j =1
uj =
XjA
h
X
j =1
k
f
j =1
fj
k
X = u .h + A
u=
j =1
k
onde:
j =1
33
fj
j
Estatstica Descritiva
A Moda
d1
h
M o = LI +
d1 + d 2
onde:
d1: excesso de frequncia da classe modal sobre a classe anterior
classe modal;
d2: excesso de frequncia da classe modal sobre a classe posterior
classe modal;
h: intervalo de classe padro;
LI: limite inferior da classe que contm a moda.
34
Estatstica Descritiva
A Mediana
35
Estatstica Descritiva
Fac
2
h
M d = LI +
f md
onde:
LI: limite inferior da classe que contm a mediana;
n: nmero de observaes;
Fac: frequncia acumulada at a classe anterior classe da
mediana;
fmd: frequncia absoluta da classe da mediana;
h: intervalo de classe padro.
36
Estatstica Descritiva
Quartis
Enquanto a mediana o valor que divide a disposio ordenada
pela metade (50% das observaes so menores e 50% so
maiores), os quartis so medidas descritivas que dividem os
dados ordenados em quatro partes.
O primeiro quartil, Q1, o valor que faz com que 25% das
observaes sejam menores e 75% sejam maiores.
O segundo quartil, Q2, o valor que faz com que 50% das
observaes sejam menores e 50% sejam maiores.
O terceiro quartil, Q3, o valor que faz com que 75% das
observaes sejam menores e 25% sejam maiores.
37
Estatstica Descritiva
Quantis
38
Estatstica Descritiva
x( i ) ,
q ( p ) = (1 - f i )q (p i ) + f i q (p i +1 ),
x1 ,
x( n ) ,
onde f i =
i - 0,5
se p = p i =
, i = 1,2,..., n
n
se p i < p < p i +1
se p < p1
se p > p n
(p - p i )
( pi +1 pi )
39
Estatstica Descritiva
Fac
100
h, i = 1,2,...,99
Pi = LI +
f Pi
onde:
LI: limite inferior da classe que contm o percentil;
n: nmero de observaes;
Fac: frequncia acumulada at a classe anterior classe do
percentil i;
fPi: frequncia absoluta da classe do percentil i;
h: intervalo de classe do percentil i.
40
Estatstica Descritiva
Boxplot
Valores atpicos
* *
** *
Q1
Md=Q2
Q3
41
Estatstica Descritiva
(X
n
S2 =
i =1
i X)
n 1
n
1
S2 =
X i2 nX 2 (Dados no agrupados)
n 1 i =1
DP = S 2 (Desvio Padro)
42
Estatstica Descritiva
1
1
2
2
2
2
(X j X ) f j = X j f j nX
S =
n 1 j =1
n 1 j =1
43
Estatstica Descritiva
S 2X = h 2 Su2
k
1
2
2
2
u j f j nu
Su =
n 1 j =1
44
Estatstica Descritiva
S2X : varincia de X
1) Se Y = X + a
2) Se Y = aX
3) Se Y = aX + b
Y = X +a
Y = aX
Y = aX + b
S =S
S =a S
2
Y
2
X
2
Y
2
X
45
S =a S
2
Y
2
X
Estatstica Descritiva
Medidas de Variao
O Coeficiente de Variao
O coeficiente de variao uma medida relativa de variao. Ele
expresso como uma percentagem em vez de se utilizarem termos
de unidades dos dados especficos.
S
CV =
X
100%
46
Estatstica Descritiva
Medidas de Variao
O Coeficiente de Variao
O coeficiente de variao tambm muito til quando
comparamos dois ou mais conjuntos de dados que so medidos
nas mesmas unidades, porm diferem de tal modo que uma
comparao direta dos respectivos desvios padres no de
muita ajuda.
A mdia = 50 DP=10
B mdia = 12 DP=4
CVA=(10/50)100% = 20,0%
CVB=(4/12)100% = 33,3%
Na verdade, em relao mdia aritmtica, B muito mais
varivel do que A.
47
Estatstica Descritiva
Medidas de Variao
O Coeficiente de Variao
Se
CV 15%: baixa disperso (dados homogneos);
15% < CV 30%: mdia disperso;
CV > 30%: alta disperso (dados heterogneos).
CV > 30%: mediana melhor p/ representar os dados;
CV 30%: mdia melhor p representar os dados.
48
Estatstica Descritiva
X X
z=
,
S
A varivel
49
Estatstica Descritiva
Medidas de Formato
Assimetria
Coeficiente de assimetria de Pearson:
X Mo
As =
S
3(X - M d )
ou A s =
S
As = 0, distribuio simtrica;
As > 0, distribuio assimtrica positiva;
As < 0, distribuio assimtrica negativa.
|As| 0,15, distribuio praticamente simtrica;
0,15 < |As| 1, assimetria moderada;
|As| > 1, forte assimetria.
50
Estatstica Descritiva
Medidas de Formato
Assimetria
Coeficiente de momento de assimetria:
(X
n
n m3
a3 =
3
n2 S
(Excel)
m3 =
i =i
a3 = 0, distribuio simtrica;
a3 > 0, distribuio assimtrica positiva;
a3 < 0, distribuio assimtrica negativa.
51
X)
n 1
Estatstica Descritiva
Medidas de Formato
Curtose
Q3 Q1
K=
2(P90 P10 )
52
Estatstica Descritiva
Medidas de Formato
Curtose
Coeficiente de momento de curtose
3(n 1)
n(n + 1)
m4
a4 =
4
(n 2)(n 3) S (n 2)(n 3)
2
(X
n
m4 =
i =1
(Excel )
X)
n 1
Estatstica Descritiva
Medidas de associao
54
Estatstica Descritiva
Medidas de associao
n11
n21
n12
n22
...
...
n1j
n21
...
...
...
Bs
n1s
n21
Total
n1.
n2.
Ai
ni1
ni2
...
nij
...
nis
ni.
Ar
nr1
n.1
nr2
n.2
...
nrj
n.j
...
Total
...
...
nrs
n.s
nr.
n..
55
Estatstica Descritiva
56
Estatstica Descritiva
Qui-quadrado de Pearson
Sob a hiptese de no associao entre as variveis :
n *ij
n i. n .j
n i.
*
=
n ij =
, i = 1,2,..., r; j = 1,2,..., s
n .j
n
n
r
2 =
i =1 j =1
(n
ij
) , onde : n
* 2
ij
n
*
ij
ij
: valores observados
calculado para
deve ser prximo de zero, caso contrrio o valor
2
de deve ser grande.
57
Estatstica Descritiva
P4
Y (ajustado)
R3
e1
b0
R2
P1
R1
e2
P2
Y = A + B X
e4
Y Y = e (resduo)
R4
e3
P3
X
X1
X2
X3
X4
Estatstica Descritiva
r = corr(X, Y) =
x y
1 r -1
nx . y
(x i x ) (y i y ) =
1
i =1
n
n - 1 i =1 DP(X) DP(Y)
n 2
2
2
2
xi nx yi ny
i =1
i =1
Covarincia entre X e Y
1 n
(x i x )(y i y )
cov(X, Y) =
n - 1 i =1
59
Estatstica Descritiva
Interpretao de r
Se o valor absoluto do valor calculado de r exceder o valor da
tabela de valores crticos de r, conclua que h uma correlao
linear significativa. Caso contrrio, no h evidncia suficiente
para apoiar a concluso de uma correlao linear significativa.
Equao da
quadrados
reta
n
Y = A + B X
A = Y B X
B =
X Y nX Y
i i
i =1
2
2
X
n
X
i
i =1
60
dos
mnimos
Estatstica Descritiva
Interpretao de r
Se o valor absoluto do valor calculado
de r exceder o valor da tabela de
valores crticos de r, conclua que h
uma correlao linear significativa.
Caso contrrio, no h evidncia
suficiente para apoiar a concluso de
uma correlao linear significativa.
61
Estatstica Descritiva
Medida de Qualidade do Ajuste:
Partio das Somas de Quadrados
n
2
(
Y
Y
)
Soma de Quadrados Total: i
i =1
SQT
representa a variao de Yi em torno de sua mdia X
n
Y )2
(
Y
Soma de Quadrados do Modelo (da Regresso): i
i =1
SQM
representa a variao da esperana de Y dado X em torno da
mdia de Y
62
Estatstica Descritiva
Medida de Qualidade do Ajuste:
Partio das Somas de Quadrados
n
63
Estatstica Descritiva
Coeficiente de Determinao
SQM
r ==
SQT
0 r2 1
b0 Y i + b1 X iY i n (Y
n
i =1
i =1
Y
i =1
2
i
n (Y
64
Estatstica Descritiva
Medida de associao
quantitativas
Clculo do R2
R2 =
entre
variveis
qualitativas
var( X ) var( X )
var( X )
= 1
, onde :
var( X )
var( X )
(X
n
var(X) =
j=1
-X
(X
ni
vari (X) =
j=1
ij
- Xi
var(X) =
ni
n var (X)
i =1
n
i =1
Probabilidade
66
Introduo Probabilidade
A
idia de probabilidade
67
Introduo Probabilidade
Espao Amostral
68
Introduo Probabilidade
Evento Aleatrio
69
Introduo Probabilidade
Introduo Probabilidade
Exemplos:
2) E - jogar um dado e observar a face que caiu para cima.
= {1, 2, 3, 4, 5,6}
Sejam os eventos: A - ocorrer n par;
B - ocorrer n mpar.
Neste caso: A = { 2, 4, 6 } e B = { 1, 3, 5}
AB=
Neste caso, os eventos A e B so disjuntos, pois a ocorrncia de
um n par e mpar no pode ser verificada como decorrncia do
mesmo experimento.
71
Introduo Probabilidade
72
Introduo Probabilidade
Probabilidade
uma funo utilizada para atribuir valores numricos aos eventos
do espao amostral, conforme as definies a seguir:
n repeties
f n ocorrncias do evento A
P(A) = lim n
fn
n de vezes em que ocorreu A
=
n n de vezes que o procedimento foi repetido
73
Introduo Probabilidade
74
Introduo Probabilidade
75
Introduo Probabilidade
Axiomas da Probabilidade
i) 0 P(A) 1, para todo evento A contido no ;
ii) P() = 1;
iii) P(A1 U A2 U..... U An) = P(A1) + P(A2) + ......+ P(An),
com os Ais eventos disjuntos.
76
Introduo Probabilidade
77
Introduo Probabilidade
B1
B2
Total
A1
P(A1 e B1)
P(A1 e B2)
P(A1)
A2
P(A2 e B1)
P(A2 e B2)
P(A2)
Total
P(B1)
P(B2)
78
Introduo Probabilidade
79
Introduo Probabilidade
Permutao
Com repetio
nk
80
Introduo Probabilidade
Combinao
81
Introduo Probabilidade
Probabilidade Condicional
82
Introduo Probabilidade
Probabilidade Condicional
Definio:
Se A e B so dois eventos quaisquer tal que P(B) > 0, ento
define-se a probabilidade condicional de A dado B, P(A | B), como
sendo
P(A B)
P(A | B) =
P(B)
Note que pela definio acima, P(AB) e P(B) so calculados em
relao ao espao amostral original .
83
Introduo Probabilidade
Probabilidade Condicional
Uma probabilidade condicional nada mais do que uma
probabilidade calculada a partir de um subconjunto de (isto ,
calculada em relao ao espao amostral reduzido) e no mais a
partir do espao amostral original .
Eventos
Verm.
Preta
Total
No s
24
24
48
Total
26
26
52
P(s / verm) =
P(verm. e s) 2 / 52
1
=
=
P(verm.)
26 / 52 13
Probabilidade condicional
usando tabela de
contingncia
P(verm. e s) 2 / 52 1
P(verm. / s) =
=
=
P(s)
4 / 52 2
84
Introduo Probabilidade
Consideraes:
A noo intuitiva de probabilidade condicional foi introduzida e,
depois, uma definio formal desta noo foi estabelecida.
Ento, pode-se notar que a probabilidade condicional de A dado
B, P(A | B), pode ser calculada:
- Diretamente, pela considerao da probabilidade de A em
relao ao espao amostral reduzido B; ou
- Empregando a definio dada, onde P(AB) e P(B) so
calculados em relao ao espao amostral original .
85
Introduo Probabilidade
86
Introduo Probabilidade
87
Introduo Probabilidade
Eventos independentes
Observaes:
i) Se A independe de B, ento B tambm independe de A;
ii) Independncia de A e B implica independncia de outros
eventos.
Se A e B so independentes, ento
A e Bc tambm so independentes;
Ac e B tambm so independentes;
Ac e Bc tambm so independentes.
88
Introduo Probabilidade
Exerccio
Uma urna contm 2 bolas brancas (B) e 3 vermelhas (V). Suponha
que sorteemos 2 bolas ao acaso, sem reposio. Isto significa que
escolhemos a 1a bola, verificamos a sua cor e no a devolvemos
urna; misturamos as bolas restantes e retiramos a 2a bola.
Pergunta-se: Qual a probabilidade
a) de se obter 2 bolas brancas (B)?
b) de se obter uma bola branca (B)?
c) de se obter nenhuma bola branca (B)?
89
Introduo Probabilidade
Diagrama em rvore
90
Introduo Probabilidade
a) P(2 bolas brancas) = P(B e B)
= P(B na 1a) x P(B na 2a | B na 1a) = 2/5 x 1/4 = 2/20
b) P(obter 1 bola branca) = P(B e V) + P(V e B)
= [P(B na 1a) x P(V na 2a | B na 1a)] +
+ {P(V na 1a) x P(B na 2a | V na 1a)} =
= [2/5 x 3/4] + {3/5 x 2/4} = [6/20] + {6/20} = 12/20
c) P(de se obter nenhuma bola branca) = P(V e V)
= P(V na 1a) x P(V na 2a | V na 1a) = 6/20
91
Introduo Probabilidade
Eventos Independentes
Exemplo da urna: Imagine agora que as duas extraes feitas so
com reposio, isto a 1 bola reposta na urna antes da extrao da
2a bola.
Ento, nestas condies as extraes so independentes, no sentido
de que o resultado de cada extrao no tem influncia no resultado da
outra.
Construa o diagrama de rvores para este caso.
Resultados
BB
BV
VB
VV
Total
Probabilidades
2/5 x 2/5 = 4/25
2/5 x 3/5 = 6/25
3/5 x 2/5 = 625
3/5 x 3/5 = 9/25
1
92
Introduo Probabilidade
UA
= A1 A2 ... Ak =
i =1
A2
A4
A5
A3
K=5
Introduo Probabilidade
UA = A A
i
A3 A4 =
i =1
94
Introduo Probabilidade
Teorema de Bayes
P ( Ai | B ) =
P( B | Ai ) P( Ai )
k
P( B | A )P( A )
j =1
95
Introduo Probabilidade
Observao:
O Teorema de Bayes permite inverter probabilidades
condicionais. Isto , s vezes fcil calcular P(B|Ai), mas o que
se deseja conhecer P(Ai|B). O Teorema de Bayes fornece uma
regra simples para calcular probabilidades condicionais P(Ai|B) a
partir de probabilidades condicionais P(B|Ai) e probabilidades
no-condicionais P(Ai).
Ou seja, o Teorema de Bayes expressa uma probabilidade
condicional em termos de outras probabilidades condicionais e
no condicionais (marginais).
96
Introduo Probabilidade
97
Introduo Probabilidade
Considere os eventos:
Pi - amostra selecionada do poo i, com i =1, 2, 3
C - amostra de arenito cimentado
Probabilidades fornecidas:
P(P1) = 0,15; P(P2) = 0,35; P(P3) = 0,50
P(C | P1) = 0,01; P(C | P2) = 0,05; P(C | P3) = 0,02
Note que P1, P2 e P3 formam uma partio do espao
amostral pois uma dada amostra cimentada vem,
necessariamente, de um e apenas um dos 3 poos.
98
Introduo Probabilidade
P1
P2
P3
99
Introduo Probabilidade
= P (C Pi )
i =1
(*)
(**)
(***)
100
Introduo Probabilidade
Soluo (cont.):
a) Qual a probabilidade de ser arenito cimentado?
Probabilidades fornecidas:
P(P1) = 0,15; P(P2) = 0,35; P(P3) = 0,50
P(C | P1) = 0,01; P(C | P2) = 0,05; P(C | P3) = 0,02
Da pgina anterior, obtivemos que:
P(C) = P(P1) P(C | P1) + P(P2) P(C | P2) + P(P3) P(C | P3)
Logo,
P(C) = (0,15)(0,01) + (0,35)(0,05) + (0,50)(0,02) = 0,029 = 2,9%
101
Introduo Probabilidade
Soluo (cont.):
b) No caso dos trs poos, dado que foi selecionada uma
amostra de arenito cimentado, qual a probabilidade de ser uma
amostra do poo 2?
Queremos: P(P2 | C) = ?
Da definio de probabilidade condicional temos que:
P ( P2 | C ) =
P ( P2 C )
P (C )
102
Introduo Probabilidade
103
Variveis
Aleatrias
Discretas
104
Eventos kk
probabilidades 1/4
kc ck cc
1/4 1/4 1/4
105
P( X = x ) = 1
i
xi
106
107
Notao
108
s.
R
X
. X(s)
109
110
O que queremos?
A cada v.a. atribuir uma noo de probabilidade.
Definimos ento para cada valor xi da v.a. X, o evento, [X = xi] =
{s S tal que X(s) = xi}.
Assim poderemos calcular P([X=xi]), ou simplesmente, P(X = xi).
Voltando ao Exemplo 1:
E - jogar uma moeda equilibrada duas vezes
= {kk, kc, ck, cc}, onde: k - coroa; c - cara
X - v.a. que representa o nmero de caras observadas nos dois
lanamentos.
[X=0] = {kk}
[X=1] = {ck, kc}
[X=2] = {cc}
Logo: P(X=0) = 1/4, P(X=1) = 1/2, P(X=2) =1/4
111
X
P(X=xi)=p(xi)
x1
p(x1)
x2
p(x2)
x3 ......
p(x3) ......
112
F ( x ) = P ( X x ) = p ( xi )
xi x
113
F ( x) = 4
3 , se 1 x < 2
4
1, se x 2
114
3/4
1/2
115
Doses
freqncia
1
245
2
288
3
4
256 145
5
66
116
X
p(xi)
1
0,245
2
0,288
3
0,256
4
0,145
5
0,066
117
118
0,533
F ( x) =
0,789
0,934
se x < 1
se 1 x < 2
se 2 x < 3
se 3 x < 4
se 4 x < 5
se x 5
119
1
0,939
0,789
0,533
0,245
120
Importante:
i) 0 F(x) 1
ii) Observe que P(X = x i) igual ao salto (pulo) que a
funo F(x) d no ponto xi; por exemplo,
P(X=3) = F(3) - F(3-) = 0,789 - 0,533 = 0,256 .
Generalizando: P(X=xi) = F(xi) - F(xi-)
121
122
Definio:
A mdia, valor esperado ou esperana de uma varivel aleatria
discreta X dada pela expresso:
E ( X ) = xi p ( xi )
i
123
X
P(X = xi)=p(xi)
0
1/4
1
1/2
E ( X ) = xi p ( xi ) =
i
124
125
Observaes importantes:
Var(X) = E{( X - E(X) )2} = E(X2) - (E(X))2
(maneira mais fcil para fazer os clculos);
onde:
E ( X 2 ) = xi2 p( xi )
i
126
= DP( X ) = Var ( X )
127
X
P(X=xi)=p(xi)
0
1/4
1
1/2
128
Relembrando:
Os eventos aleatrios A e B so independentes se e somente se
P(AB)=P(A)P(B).
129
130
Propriedades da Varincia:
131
Propriedades da Varincia
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}
132
Propriedades da Varincia:
133
134
O Coeficiente de Correlao
Cov( X , Y )
(X ,Y ) =
( X ) (Y )
A Distribuio de Bernoulli
Um experimento particularmente simples um no qual somente 2
possveis resultados existem.
Exemplos:
1) Uma moeda lanada: o resultado ou cara ou coroa.
2) Um dado lanado: ou ocorre a face 5, ou no (neste caso,
ocorrendo uma das faces: 1,2, 3,4 ou 6).
3) Uma pea escolhida, ao acaso, de um lote contendo 300
peas: esta pea defeituosa ou no.
4) Uma pessoa escolhida, ao acaso, dentre 500 pessoas: ou
no do sexo masculino.
136
137
138
139
Soluo:
X
P(X=x)
0
5/6
1
1/6
140
A Distribuio Binomial
Considere agora n ensaios de Bernoulli. Isto , suponha que
repitamos um ensaio de Bernoulli n vezes.
Suponha que as repeties so independentes (resultado de um
ensaio no afeta o resultado de qualquer outro ensaio).
A probabilidade de sucesso em cada ensaio constante (
sempre p).
Um resultado qualquer ser constitudo de uma seqncia de
sucessos e fracassos, ou, de uns e zeros.
141
142
Esperana de X: E(X) = np
Varincia de X: Var(X) = np(1-p)
Se cada uma das v.as X1, X2, ..., Xn tem distribuio de Bernoulli
com parmetro p e se
X = X1 + X2 + ...+ Xn
143
144
A Distribuio de Poisson
Quando observamos eventos discretos em uma rea de
oportunidade (intervalo de tempo, superfcie, volume, etc) de
modo que se encurtarmos suficientemente a rea em pequenas
unidades:
1) Em cada unidade a probabilidade de observarmos exatamente
um sucesso estvel;
2) Em cada unidade a probabilidade de observarmos mais de um
sucesso zero;
3) A probabilidade de sucesso em cada unidade
estatisticamente independente das demais.
Podemos utilizar a distribuio de Poisson para modelar o
fenmeno observado.
145
Notao: X ~ Pois ()
Observao: e = 2,71828
146
147
148
Variveis
Aleatrias
Contnuas
149
Exemplos:
Medidas de: comprimento, rea, peso, altura, salrio, tempo de
vida de um equipamento, etc.
So quantidades que podem ser modeladas por variveis
aleatrias contnuas.
1) f(x) 0, x;
2) rea sob a curva = 1;
3) P (c < X < d ) = rea entre c e d .
f(x)
x
151
Observaes Importantes:
1) A condio ii) pode ser escrita como
f ( x ) dx = 1
b
f ( x ) dx = Pf = Pf (b) Pf ( a )
a
Primitiva de f
definio
F ( x) = P ( X x) =
f (u )du ,
2 x , 0 x 1
f ( x) =
0, c.c.
Resoluo:
0
0du,
-
x
0
2u 2 x 2
F ( x) = 0du + 2udu = 0 +
|0 = x ,
2
0
-
1
x
0
2
0du + 2udu + 0du = 0 + 2u |10 +0 = 1,
2
-
0
1
se x < 0
se 0 x < 1
se x 1
Logo:
0, se x < 0
F ( x ) = x 2 , se 0 x < 1
1
se x 1
Grfico de F(x):
F(x)
Importante:
i) 0 F(x) 1, para todo x real
ii) lim x -F(x) = 0
iii) lim xF(x) = 1
iv) No caso de uma V.A. contnua, no h saltos (pulos) na
f.d.a., ou seja, F(x) - F(x-) = 0.
v) Para todos os valores de x para os quais F(x) derivvel
temos que,
dF ( x )
F ' ( x) =
= f ( x)
dx
Exemplo:
Suponha que
0, se x < 0
F ( x ) = x 2 , se 0 x < 1
1
se x 1
2 x , 0 x 1
temos que f ( x) =
0, c.c.
E( X ) =
xf ( x)dx
} {
Var ( X ) = E ( X E ( X )) 2 = E ( X ) 2 = ( x ) 2 f ( x)dx
E( X 2 ) =
2
x
f ( x)dx
= DP ( X ) = Var ( X )
+
1
,
f ( x ) = 40 10
0,
a) Calcule E(X).
b) Calcule DP(X).
para 0 x 20
caso contrrio
Distribuio Uniforme;
Distribuio Normal;
Distribuio Exponencial;
Distribuio Lognormal;
Distribuio Uniforme
A funo de distribuio de X, F(x), dada por
Distribuio Uniforme
Exemplo 1: Suponha que X seja uma V.A. que represente a
corrente medida em um fio fino de cobre (em mili amperes).
Assuma que X uniformemente distribuda no intervalo
[9mA,11mA]. Qual a probabilidade que a corrente medida
esteja entre 9,5 e 10 mA?
Calcule tambm a esperana de X, a varincia e o desvio
padro.
Soluo:
A distribuio Normal
A distribuio normal uma das distribuies mais
importantes em estatstica.
A distribuio Normal foi introduzida pelo matemtico francs
Abraham De Moivre em 1733.
Foi usada por ele para aproximar probabilidades associadas
com v.a.s Binomiais quando n grande.
Todavia, o trabalho de De Moivre foi perdido (por algum
tempo) e, independentemente Karl Gauss desenvolveu a
distribuio Normal 100 anos mais tarde (aproximadamente).
A Normal - tambm conhecida como Gaussiana.
Notao: X ~ N(, 2)
Calculando Probabilidades
Teorema 1:
Se X ~ N(,2) e Y = aX + b, onde a e b so constantes e a 0,
Ento Y ~ N(a+b, a22).
Soluo:
Z=
~ N( 0 ,1 )
Distribuio Exponencial
194
Se X ~ Exp(), ento:
(i) E(X) = 1/,
(ii) Var(X) = 1/2
Aplicaes: na engenharia, fsica, biologia, etc.
A distribuio exponencial utilizada como um modelo para o tempo
de vida de vrias coisas. Por exemplo:
Tempo de vida de equipamentos;
Tempo que um tomo radioativo leva para se desintegrar;
O tempo requerido para atender um cliente em um estabelecimento;
Intervalos entre solicitaes de servios;
Tempos de sobrevivncia de espcies; etc.
A exponencial representa o tempo de vida (ou tempo de espera) at
que um evento ocorra.
195
196
Soluo:
E(T) = 500 horas (vida mdia da lmpada). Assim,
197
198
199
201
A distribuio lognormal
202
2
(
)
x
exp
ln
2 2
f ( x ) = x 2
0
se x > 0
se x 0
E (Y ) = e
V (Y ) = e
2 + 2 2
2 + 2
203
Exerccio:
Os tempos de vida de certo componente eletrnico so
distribudos com parmetros =1 dia e = 0,5 dia.
204
Teorema do
Limite Central
205
Por exemplo,
suponha que se esteja investigando o tempo de vida de lmpadas
produzidas por uma fbrica.
Suponha que o tempo de vida (X) seja Normalmente distribudo.
Espera-se que cada uma das observaes do tempo X1, X2,...,Xn
em uma a.a. de n lmpadas sejam v.a.s independentes com a
mesma distribuio Normal.
206
Estatstica
207
Distribuio de Amostragem
208
i =1
X
Z=
N(0,1),
210
211
2
n
n
i =1 n
p(1 p )
n
e portanto a v.a.
Z=
p p
p (1 p )
n
Z=
213
214
Correo de continuidade
215
Correo de continuidade
i) P ( X x ) = P ( X x 0,5)
ii) P ( X
> x) = P( X x + 0,5)
iii) P ( X
x) = P( X x + 0,5)
iv) P ( X
< x) = P( X x 0,5)
216
Nes de
Anlise de Risco
217
218
219
Anlise de Risco
Tabela de Retorno
Tabela 1 - Tabela de Retorno para a ao Ai
Rumos de ao alternativos
(aes a tomar)
Eventos
A1
A2
E1
x11
x12
E2
x21
x22
Onde
xij o retorno que ocorre quando o rumo de ao j selecionado e
o evento i ocorre.
220
Anlise de Risco
rvore de Deciso
A1
A2
E1
x11
E2
x21
E1
E2
x12
x22
221
Anlise de Risco
Perda de Oportunidade
a diferena entre o lucro mais elevado possvel para um evento
e o lucro real obtido para uma ao empreendida.
Valor Monetrio Esperado (VME) para um rumo de ao j o
lucro para cada combinao Xij do evento i e da ao j, vezes a
probabilidade de ocorrncia do evento Pi, somado para todos os
eventos.
VME j = X ij Pi
i =1
Anlise de Risco
POE j = lij Pi
i =1
223
Anlise de Risco
224
Anlise de Risco
VME j
j
225
Bibliografia
BUSSAB, W. O., MORETTIN, P. A. (2005). Estatstica Bsica. 5 ed.
So Paulo: Saraiva.
CIENFUEGOS, F. Estatstica Aplicada ao Laboratrio. Editora
Intercincia. 2005.
COSTA NETO, P. L. O. Estatstica. So Paulo, 15 ed., Edgard
Blcher, 1997.
LEVINE, D. M., BERENSON, M. L. e STEPHAN, D. (1998).
Estatstica: Teoria e Aplicaes Usando Microsoft Excel em
Portugus. Rio de Janeiro: LTC.
226
Bibliografia
MAGALHES, M.N. e LIMA, A.C.P. (2005). Noes de
Probabilidade e Estatstica, 6 ed. rev. So Paulo: Editora da
Universidade de So Paulo.
MONTOMERY, DOUGLAS C., Estatstica Aplicada e
Probabilidade para Engenheiros, 2 ed. LCT 2003.
SPIEGEL, M.R, Estatstica, 3 ed., Makron Books, 1993, Rio de
Janeiro.
TRIOLA, MARIO F. Introduo Estatstica, 9 ed., LCT, 2005.
227