Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
EPR503
ESTATSTICA APLICADA
EPR503
Estatstica Descritiva
Distribuies de Probabilidade
Inferncia
Prof. Dr. Anderson Paulo de Paiva - IEPG
SUMRIO
EPR503
PARTE I
1 Estatstica Descritiva
2 Distribuies de Probabilidade
3 Estimao
4 Intervalos de Confiana
PARTE II
Bibliografia bsica:
5 Testes de Hiptese
6 Anlise de Varincia
PARTE III
7 Sries Temporais
8 Correlao e Regresso
Software Minitab 16
AVALIAO
EPR503
Atividades e Cronograma
1 Avaliao: 4 Notas de Prova, 2 Notas de Trabalho
1 Exame
2 Composio da Nota:
N1 = 0,4*P1+ 0,4*P2+ 0,2T1
N3 = Exame
3 Trabalhos em Grupo ( 12 alunos) = Listas de Exerccio;
4 Aulas Prticas (Software Estatstico Minitab 15.0).
EPR503
T
6
7
0,42
Ct
1,5
2
0,39
Tt
2,5
3
0,0
0,36
Kp
7
8
MMSE
-1,5
MRR
6
8
0,33
-3,0
0,3
0,2
0,050
0,075
f
0,100
0,125
0,1
Ra
0,39
0,41
0,30
Hold Values
V 218
0,27
0,070
0,075
0,080
0,085
0,090
0,095
EPR503
1 - Estatstica Descritiva
Uma mente que se abre para uma nova idia, jamais retornar ao seu tamanho
original. (Albert Einstein)
Prof. Dr. Anderson Paulo de Paiva - IEPG
EPR503
A essncia da cincia a observao. Estatstica , portanto, a
cincia que se preocupa com a organizao, descrio, anlise
e interpretao dos dados experimentais. um ramo da
Matemtica Aplicada. Entre os principais conceitos, tem-se:
A Populao (ou Distribuio) a coleo de todas as observaes
potenciais sobre determinado fenmeno.
O conjunto de dados efetivamente observados, ou extrados, constitui
uma Amostra da populao.
Um Censo uma coleo de dados relativos a Todos os elementos de uma
populao.
Um Parmetro est para a Populao assim como uma Estatstica est para
a Amostra.
Prof. Dr. Anderson Paulo de Paiva - IEPG
EPR503
Nominal
Qualitativa
Ordinal
Varivel
Contnua
Quantitativa
Discreta
Varivel
Tipo
Qualitativa Ordinal
Quantitativa Contnua
8
EPR503
Mdia
Varincia
n
i =1
S2 =
n 1
Varivel Reduzida ou
Padronizada
Varincia (Opcional)
2
n
xi
n
1
2
S2 =
xi i=1n
n 1 i =1
Mediana
Z=
=~
x
PQ1 =
x-
n 1
CV =
S
x
Terceiro Quartil
(n + 1) Q
4
i=1
Coeficiente de Variao
Primeiro Quartil
(n + 1) Q
i =1
S=
(x x )
PQ2 =
(x x )
x
x=
Desvio Padro
PQ3 =
3(n + 1)
Q3
4
EPR503
Mediana o valor que representa o meio de um conjunto de dados
dispostos em ordem crescente ou decrescente. Representa o quinquagsimo
percentil, ou seja, 50% dos dados da amostra ou populao estaro acima e/ou
abaixo deste valor. A mediana no sofre a interferncia de valores extremos
(Outliers). Seu clculo, assim como quartis e percentis, depende exclusivamente
da quantidade de termos n da sequncia. Sua representao grfica feita
atravs de um boxplot. Assim, tem-se que:
Se n mpar:
Se n par:
o
n + 1
~
termo
x =
2
Ex.:
n
n
termo + + 1 termo
2
2
~
x=
2
10
EPR503
Outlier Upper (x Q3 + 1,5D)
*
X mx
Observao Mxima
1,5D
Q3=75 Percentil
Q3
Q2
D=Q3-Q1
Q1=25 Percentil
Q1
X min
11
EPR503
Supe-se que a durabilidade de baterias
usadas em aparelhos celulares seja normalmente
distribuda. Uma amostra aleatria de 10 baterias
submetida a um teste de vida acelerada, fazendo-as
funcionar continuamente a uma alta temperatura, at
acabarem. Estes resultados esto na tabela ao lado.
Durabilidade (Y)
25,5
26,1
26,8
23,2
24,2
28,4
25,0
27,8
27,3
25,7
Mdia:
26,00
Boxplot of Durabilidade
29
28
27
Durabilidade
Determine:
a) A mdia
b) A varincia e o desvio padro;
c) Mediana;
d) 1 e 3 Quartil;
e) Coeficiente de Variao;
f) Z, para x = 30 h.
g) Construa um boxplot para os dados.
26
25
24
23
12
EPR503
i
1
2
3
4
5
6
7
8
9
10
Soma:
xi
x=
i=1
260
= 26,0
10
(x x )
23,8
=
= 2,64
n 1
9
2
n
xi
n
1
S2 =
xi 2 i=1n
n 1 i =1
S =
i =1
Desvio (ei)
-2,8
-1,8
-1,0
-0,5
-0,3
0,1
0,8
1,3
1,8
2,4
0,0
(ei) 2
7,8
3,2
1,0
0,3
0,1
0,0
0,6
1,7
3,2
5,8
23,8
(xi)2
538,2
585,6
625,0
650,3
660,5
681,2
718,2
745,3
772,8
806,6
6783,8
(Z x = 30) = x - = 30 26 = 2,46
(260)2
6783,8
10
xi
23,2
24,2
25,0
25,5
25,7
26,1
26,8
27,3
27,8
28,4
260,0
1,625
S =
= 2,64
PQ2
(n + 1) = 11 = 5,5 Q
=
13
EPR503
Cordo de Solda
H
AR
P
AP
Aplicaes convencionais
Metal de base
Soldagem de revestimento
14
EPR503
Em processo de soldagem de deposio
por FCAW de ao inoxidvel ABNT 316L
em ao carbono 1020, deseja-se que o
cordo de solda tenha a mxima largura
(W) possvel. Em um dado setup, uma
amostra de 25 sees transversais destes
cordes foram obtidas as larguras
descritas na tabela ao lado.
Determine:
15
EPR503
Como se trata de um processo de
deposio superficial apenas, deseja-se
que os cordes tenham mnima
penetrao (P). Analogamente ao Caso
1, pede-se:
Penetrao (P) do cordo (mm)
Determinar:
a) A penetrao mdia dos cordes;
b) A varincia e o desvio padro dos
dados;
c) A Mediana;
d) O 1 e 3 Quartil dos dados;
e) Coeficiente de Variao;
f) O valor de Z para x = 1,800 mm;
g) Construa
um
boxplot,
um
histograma e um grfico de ramoe-folhas e um CDF para os dados.
1,738
1,659
1,363
1,772
1,456
1,810
1,566
1,338
1,439
1,604
1,732
1,615
1,539
1,320
1,742
1,529
1,467
1,783
1,638
1,672
1,490
1,596
1,874
1,752
1,821
1,868
1,533
1,622
16
EPR503
Reforo (H) do cordo (mm)
2,429
2,472
2,693
2,643
2,601
2,576
2,657
2,638
2,335
2,707
2,355
2,368
2,895
2,182
2,774
2,719
2,774
2,659
2,607
2,397
2,719
2,656
2,622
2,561
2,845
2,653
2,556
2,421
g)
17
EPR503
Repita a anlise estatstica para as variveis aleatrias AR e AP.
rea de Reforo (AR) do cordo (mm2)
2,429
2,472
2,693
2,643
2,429
2,472
2,693
2,643
2,601
2,576
2,657
2,638
2,601
2,576
2,657
2,638
2,335
2,707
2,355
2,368
2,335
2,707
2,355
2,368
2,895
2,182
2,774
2,719
2,895
2,182
2,774
2,719
2,774
2,659
2,607
2,397
2,774
2,659
2,607
2,397
2,719
2,656
2,622
2,561
2,719
2,656
2,622
2,561
2,845
2,653
2,556
2,421
2,845
2,653
2,556
2,421
18
EPR503
Os dados a seguir referem-se Vida (durabilidade, em min.) de 6 tipos de
ferramentas utilizadas no torneamento de aos endurecidos H13, usando
Vc=162,5 m/min, avano f= 0,16 mm/rev e profundidade de corte de 0,24 mm.
Construa um boxplot para comparar as propriedades destas ferramentas.
CC6049
CC6050W
CC650
CC650W
PCBN7024
PCBN7025W
42,00
43,50
40,50
42,00
43,50
43,50
41,50
43,00
41,00
42,50
44,50
44,50
42,50
44,50
42,00
41,50
42,50
42,50
41,00
44,00
41,50
42,00
43,25
43,25
42,25
45,00
42,00
43,00
44,00
44,00
19
EPR503
Boxplot of Vida
45
44
43
42
41
40
CC6050
CC6050W
CC650
CC650W
PCBN7025
PCBN7025W
TOOL
Prof. Dr. Anderson Paulo de Paiva - IEPG
20
10
EPR503
Para as mesmas condies de usinagem, calcule as estatsticas descritivas e
construa os respectivos boxplots para o custo (Kp) do processo de torneamento
do ao H13 com cada uma das ferramentas disponveis.
CC6049
CC6050W
CC650
CC650W
PCBN7024
PCBN7025W
1,876
1,990
1,724
1,815
3,475
3,475
1,857
1,969
1,708
1,797
3,421
3,421
1,898
2,015
1,743
1,836
3,538
3,538
1,855
1,967
1,707
1,795
3,416
3,416
1,836
1,946
1,692
1,778
3,364
3,364
21
EPR503
Considerando as condies de usinagem anteriores, utilizando um boxplot, qual
ferramenta deveria ser selecionada de modo que a rugosidade (Ra) promovida
pela ferramenta fosse a menor possvel?
CC6049
CC6050W
CC650
CC650W
PCBN7024
PCBN7025W
1,14
0,47
0,82
0,31
0,21
0,21
1,13
0,49
0,83
0,32
0,22
0,22
1,12
0,49
0,81
0,35
0,23
0,23
1,14
0,48
0,82
0,32
0,21
0,21
1,13
0,47
0,83
0,34
0,23
0,23
22
11
EPR503
DISTRIBUIO DE FREQUNCIAS
x
(Varivel
Aleatria)
xi
(Ponto
mdio)
10 20
20 30
Fi
f%
(Frequncia
percentual)
Fi
Ni
(Relativa
(Absoluta
Acum.)
Acum.)
F%
(Percentual
Acum.)
ni
(Frequncia
absoluta)
(Frequncia
relativa)
15
0.04
0.04
25
12
0.24
24
14
0.28
28
30 40
35
18
0.36
36
32
0.64
64
40 50
45
13
0.26
26
45
0.9
90
50 60
55
0.1
10
50
1.0
100
50
100
S
n
(x n )
i i
X=
i =1
n
h ( P Faa )
Mediana = ~
x = Li +
Fi
Onde :
Li = Limite inferior da classe mediana;
h = Intervalo de classe da distribui o;
P = Posio do elemento mediano
Faa = Frequncia Acumulada Anterior da
i =1
classe mediana
Prof. Dr. Anderson Paulo de Paiva - IEPG
23
EPR503
The demand for bottled water increases during the hurricane
season in Florida. The operations manager at a plant that
bottles drinking water wants to be sure that the filling process
for one-gallon bottles is operating properly. Currently, the
company is testing the weights of one-gallon (3,78 l) bottles. A
random sample of 75 bottles is tested and the weights are
described in the following table.
3,57 3,63 3,64 3,65 3,67 3,67 3,67 3,69 3,69 3,71 3,71 3,71 3,71 3,72 3,72
3,73 3,74 3,74 3,74 3,74 3,74 3,75 3,75 3,75 3,76 3,76 3,77 3,77 3,77 3,77
3,77 3,77 3,78 3,78 3,79 3,79 3,79 3,79 3,80 3,81 3,81 3,81 3,81 3,81 3,82
3,82 3,82 3,82 3,82 3,84 3,84 3,85 3,85 3,86 3,86 3,87 3,87 3,88 3,89 3,89
3,90 3,91 3,93 3,93 3,94 3,94 3,94 3,94 3,95 3,96 3,96 3,98 3,99 4,06 4,11
Find the descriptive statistics for these data and write your conclusions about
the process. If the specifications for the process are LSL=3,70 and USL=3,90,
calculate the percentage of Nonconformity.
Prof. Dr. Anderson Paulo de Paiva - IEPG
24
12
EPR503
Mostre que:
n
a)
(x x) = 0
i
i =1
b)
(x x ) = x
2
i =1
( x )
=x
n
n
2
i
i =1
ni (xi x ) = ni xi2 nx 2
2
i =1
i =1
d)
nx
i =1
c)
2
i
f (x x ) = f x
2
i =1
2
i i
x2
i =1
Prof. Dr. Anderson Paulo de Paiva - IEPG
25
EPR503
26
13
EPR503
n
xi
2
n
n
2
i =1
(
x
x
)
=
x
Mostre que: i
i
n
i =1
i =1
(x
x)
i =1
(x
x)
i =1
n
xi
n
n
n
n
n
2
= xi i=1 = xi2 2 xxi + x 2 = xi2 2 x xi + x 2
n
i =1
i =1
i =1
i =1
i =1
n
xi
n
n
n
2
2
2
= xi 2 x xi + nx = xi 2 i =1
n
i =1
i =1
i =1
(x
x)
i =1
n
n
xi
x + n i =1
i
n
i =1
n
n
n
x
x
xi
i
i
n
n
= xi2 2 i =1 + n i =1 2 = xi2 i =1
n
n
n
i =1
i =1
27
EPR503
Mostre que a varincia no se altera se uma constante k for somada
a todas as observaes de um conjunto.
2
2
2
n
n
n
(xi + k )
(xi + k )
xi
n
n
n
1
1
= 1 (x + k )2 i =1
s2 =
xi2 i =1 =
(xi + k )2 i =1
i
(n 1)
(n 1)
(n 1)
n
n
n
i =1
i =1
i =1
2
2
n
n
n
n
xi + k
xi + k
n
n
1
1
i =1
i =1
( xi + k )2 i=1
( xi + k )2 i =1
s2 =
=
=
(n 1)
(n 1)
n
n
i =1
i =1
2
n
n 2 n
n
n
xi + 2 xi k + k
1
i =1 i=1 i =1
s2 =
xi2 + 2 xi k + k 2 i =1
(n 1)
n
i =1
28
14
EPR503
Logo, tem-se:
2
n
n 2 n
n
n
+
2
x
k
i
i
n
n
1
2
2
i =1 i =1 i =1
i =1
s2 =
xi + 2 xi k + k
(n 1) i=1
n
i =1
i =1
n 2
n 2 2
n
n
+
+
x
2
nk
x
n
k
x
i
i
i
n
n
1
i =1
2
2
i =1
= x 2 i =1
s2 =
xi + 2k xi + nk
i
i =1
(n 1) i=1
n
n
i =1
n i =1
n i =1
n i =1
29
EPR503
Mostre que se todas as observaes de um conjunto de dados forem
multiplicadas por uma constante k, a mdia fica multiplicada por k e a
varincia, multiplicada pelo quadrado de k.
Para a mdia:
x=
n
n
1 n
(xi ) xT = 1 (kxi ) = k 1 (xi ) = kx
n i =1
n i =1
n i =1
Para a varincia:
(s )
2
2
n
n
(kxi )
k xi
n
n
1
(kxi )2 i =1 = 1 k 2 xi2 i =1 =
=
(n 1)
n
(n 1) i =1
n
i =1
(s )
n
(xi )
n
k
2
i
=
1
s2
=
(xi )
(n 1)
n
i =1
( )
= k 2s 2
30
15
EPR503
Processo A
Processo B
Tempo Total (A+B)
?
3
X=3
s=1
X=7
s=2
S A +B = S A + S B =
(1) + (2)
5 = 2.23
1+ 2 = 3
Correto;
Some as
varincias e
depois
obtenha o
Desvio
Padro
Incorreto;
31
EPR503
Linha A
Diferena:
Linha A Linha B
Linha B
-10
-5
5
X = 3
X A B = X A - XB = 3 - 7 = - 4
2
SA B = S A + SB = (1) + (2)
s = 1
10
15
X = 7
s = 2
= 5 = 2.23
Correto
1 2= 1
Incorreto
32
16
EPR503
Considere que uma varivel aleatria simples, X,
que represente uma dimenso de uma pea, por exemplo.
Ento, o valor esperado e a varincia de X, sero dados,
respectivamente por:
E( X ) =
E ( X 1 X 2 ) = E ( X 1 ) E ( X 2 ) = 1 2
2
Var ( X ) = E ( X ) =
E ( X 1 + X 2 ) = E ( X 1 ) + E ( X 2 ) = 1 + 2
Var ( kX 1 ) = E ( kX 1 k1 ) 2
E (kX 1 ) = k .E ( X 1 ) = k1
= k 2Var ( X 1 ) = k 2 11
33
EPR503
E (aX 1 ) = aE ( X 1 ) = a1
E (bX 2 ) = bE ( X 2 ) = b 2
Prof. Dr. Anderson Paulo de Paiva - IEPG
34
17
COVARINCIA
EPR503
(x
xx =
i
xi )(x j x j )
(x x )(x
i
i =1 j =1
S xi x j =
(Covarincia Populacional)
xj )
i =1 j =1
n 1
(Covarincia Amostral)
35
CORRELAO
EPR503
(x x )(x
i
xj )
x x =
i
n
n
(x x ) (x
2
j =1
(x x )(x
i =1 j =1
j =1
xj )
xj )
i =1 j =1
n
(x
xi ) (x j x j )
2
j =1
= rxi x j
j =1
36
18
EXEMPLO
EPR503
Considere os dados a seguir
referentes ao torneamento do ao
H13. Calcule a correlao entre os
seguintes pares de variveis:
a)
T e Kp;
b) T e Fr;
c)
T e Ecc; Fr e Kp
T
62
33
52
30,5
63
30
52
28,5
59
24,5
39
40,25
51
47,5
43,5
43
44,5
44
45
Kp
2,555
1,583
2,04
1,325
3,173
1,856
2,499
1,174
3,352
1,231
2,875
1,518
1,512
1,984
1,99
1,969
2,015
1,967
1,946
Ra
0,13
0,11
0,41
0,72
0,34
0,09
0,08
0,42
0,22
0,29
0,13
0,49
0,22
0,12
0,47
0,49
0,49
0,48
0,47
Rt
1,18
1,09
2,82
3,52
2,44
0,66
0,72
2,23
1,74
1,42
1,18
2,6
1,48
0,92
0,98
0,97
0,96
0,98
0,97
Fr
340,221
236,493
432, 593
240,32
451,47
244,18
459, 395
246,31
485,87
224,48
319,28
358,85
330,98
359,24
336,52
335,28
334,92
337,83
334,78
ECC
0,00422
0,01434
0,00654
0,03165
0,00776
0,03034
0,01623
0,06737
0,00487
0,04696
0,00734
0,02953
0,00727
0,02841
0,01878
0,01858
0,01896
0,01837
0,01895
37
EXEMPLO
EPR503
Scatterplot T x Kp
60
50
40
30
20
1 ,0
1,5
2,0
2,5
3,0
3,5
Kp
Scatterplot T x Fr
Scatterplot T x ECC
60
50
50
60
40
40
30
30
20
20
200
250
300
350
400
450
500
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
ECC
Fr
38
19
Projeto de Tolerncias
EPR503
+ +
(ax + bx ) f
1
x1, x 2
( x1 , x2 ) dx1dx2
= a x1 f x1 ( x1 ) dx1 +b x2 f x 2 ( x2 ) dx2
= aE ( X 1 ) + bE ( X 2 ) = a1 + b 2
39
Combinaes LIneares
EPR503
Analogamente, se Y = aX 1 bX 2 , ento:
E (Y ) =
+ +
(ax
= a x1 f x1 ( x1 )dx1 b x2 f x 2 ( x2 )dx2
= aE ( X 1 ) bE ( X 2 ) = a1 b 2
Obs.: FOLGAS so exemplos tpicos de
combinaes lineares do tipo Diferena. Por
exemplo, em um sistema pisto-cilindro, a folga
mdia que separa os dois elementos ser dada
por:
Y = aX 1 bX 2 F = Furo Eixo F = Furo Eixo
Prof. Dr. Anderson Paulo de Paiva - IEPG
40
20
Varincia de Funes
EPR503
A varincia da combinao linear dada por:
= E [(aX 1 a1 ) + (bX 2 b 2 )]
2
2
= E a 2 ( X 1 1 ) + b 2 ( X 2 2 )
+ 2abE[( X 1 1 )( X 2 2 )]
11 12
=
12 22
41
Somas
EPR503
Utilizando-se as demonstraes
anteriores para Mdia e Varincia de
Combinaes Lineares, tem-se, no
caso da soma de variveis aleatrias,
a soma das mdias e a raiz quadrada
da soma das varincias como
medidas resultantes.
Processo A
Processo B
Tempo Total (A+B)
?
3
X3
=
s=1
X7
=
s=2
2
S A +B = S A + S B = (1) + (2)
1+ 2 = 3
Incorreto!
5 = 2.23
Correto; Some as
varincias e depois
obtenha o Desvio
Padro
42
21
EXEMPLO
EPR503
Para o caso de uma diferena
entre variveis aleatrias, a
mdia resultante igual
diferena entre as mdias e o
desvio padro igual raiz
quadrada
da
Soma
das
varincias! (Prove!)
-10
Linha A
Diferena:
Linha A Linha B
Linha B
-5
X= 3
s = 1
X= 7
s = 2
10
15
X A B = X A - XB = 3 - 7 = - 4
2
SA B = S A + SB = (1) + (2)
1 2= 1
= 5 = 2.23
Incorreto
Correto
43
EPR503
Exemplo 1: Em um projeto necessrio avaliar-se a folga que separa dois
componentes, j que se desconfia que em algumas vezes a montagem do
dispositivo no ser possvel. O componente A (eixo) tem sua dimenso com
distribuio normal, com mdia 9,90 mm e desvio-padro de 0,02mm. O
componente B (Furo) tem tambm distribuio normal, mas com mdia 10,05
mm e desvio-padro de 0,04 mm, conforme mostra a figura.
Determine a mdia e o desvio padro para
a folga entre os componentes supondo que
estas medidas sejam:
a)
b)
c)
d)
independentes;
correlacionadas (r=0.8);
correlacionadas (r=-0.75).
Em cada caso descrito anteriormente,
determine a probabilidade do sistema
no poder ser montado.
44
22
EXEMPLO
EPR503
Exemplo 2: Quatro processos de fabricao so
usados sequencialmente para se fabricar um
lote de 25 peas de um sistema Pisto-Cilindro.
Supondo que o tempo de execuo de cada
operao seja uma varivel aleatria
normalmente distribuda com mdias e desvio
padro descritos na figura ao lado, determine:
a)
45
MDIAS DE FUNES
EPR503
f ( x ) =
n
!
n =0
f (n ) ( x )( x x )n
f ( x ) =
n
!
n =0
f (n ) ( x )(x x )n
E[ f (x )] = E
n
!
n=0
Prof. Dr. Anderson Paulo de Paiva - IEPG
46
23
MDIAS DE FUNES
EPR503
f ' ( x )( x x ) f '' ( x )( x x )
+
E [ f ( x )] = E f ( x ) +
1!
2!
Considerando que:
2
E[(x x )] = 0 (Prove!) e E (x x ) = x , temos:
47
MDIAS DE FUNES
EPR503
f '' ( x ) 2
E [ f ( x )] = E[ f ( x )] +
x
2
E [ f ( x )] = E [ f ( x )]
Prof. Dr. Anderson Paulo de Paiva - IEPG
48
24
MDIAS DE FUNES
EPR503
Y = f ( x1 , x2 ,..., x n ) + ( xi xi )
i =1
f ( x ) 1 n n
2 f (x )
+ ( xi xi )( x j x j )
xi
2 i =1 j =1
xi x j
(x x )
i
i =1
f (x )
xi
MDIAS DE FUNES
EPR503
n
Ento:
(x x )
i
i =1
n
(x x )
i
i =1
49
n
f ( x ) f ( x ) n
f (x ) n
=
(
x
x
)
=
x
xi
i
i
xi
xi i =1
xi i =1
i =1
f ( x ) f ( x )
=
[(nxi ) (nxi )] = 0
xi
xi
Portanto: Y = f ( x1 , x2 ,..., xn ) +
1 n n
2 f (x)
(
x
x
)(
x
x
)
i i j j x x
2 i =1 j =1
i
j
Y = f ( x1 , x2 ,..., xn )
Prof. Dr. Anderson Paulo de Paiva - IEPG
50
25
VARINCIA DE FUNES
EPR503
Como:
f (x1 , x2 ) =
n=2
f ( 1 , 2 ) + ( xi xi )
i =1
f ( x )
xi
f ( x )
f (x )
f (x1 , x2 ) = f ( 1 , 2 ) +
( x1 x1 ) +
( x2 x 2 )
x 2
x1 x
x2
1
Ou:
f ( x )
f ( x )
f (x1 , x2 ) f ( 1 , 2 ) =
( x1 x1 ) +
( x2 x 2 )
x2
x1 x
x2
1
EPR503
51
VARINCIA DE FUNES
f ( x )
2
E [ f ( x1 , x 2 ) f ( 1 , 2 ) ] = E
( x1 x1 ) +
( x 2 x2 )
x2
x1 x
x2
2
2
f ( x )
f ( x )
Var [ f ( x1 , x2 )] = E
( x1 x1 ) +
( x 2 x2 )
x 2 x
x1 x1
2
f ( x ) f ( x )
+ E 2
( x1 x1 )( x2 x2 )
x1 x1 x 2 x2
52
26
VARINCIA DE FUNES
EPR503
( )
f x1
Var [ f ( x1 , x2 )] =
x1
2
x1
( )
f x2
+
x2
2
x2
( ) f ( )
f x1
+ 2
x1
x2
x
2
x1 x 2
Genericamente, tem-se:
2
n 1 n
f ( x ) 2
f ( x ) f ( x )
xi + 2
x x
Var [ f (x )] =
xi
xi xj i j
i =1
i =1 j = i +1
n
53
VARINCIA DE FUNES
EPR503
n 1 n f ( x ) f ( x )
f ( x ) 2
xi + 2
f ( x ) 2
2
2
x
x
Var [ f (x )] =
+
2
x
x
x
x
x
i j
i
j
xi i
i =1
i =1 j = i +1 xi xj {
0
1444444442444444443
n
0
2
f ( x ) 2
x
Var [ f (x )] =
xi i
i =1
n
54
27
EXEMPLO
EPR503
Scatterplot of V vs I
5.75
5.25
5.00
4.75
4.50
0.016
0.017
0.018
0.019
0.020
0.021
55
EXEMPLO
EPR503
f 2 f 2
f f
x1 +
x2 + 2
x1 x 2
Var [ f ( x1 , x2 )] =
x1
x2
x1 x2
2
Z 2 Z 2
Z Z
Var [Z (V , I )] =
V +
I + 2
V
I
V I
2
2
2
rVI V I
V
1
1 V
Var [Z (V , I )] = V2 + 2 I2 + 2 2 rVI V2 I2
I
I I
I
56
28
EXEMPLO
EPR503
1
5.136
2
Var [Z (V , I )] =
(0.001051)2
(0.2318 ) +
2
0.0186
0.0186
1 5.136
+ 2
0.818 (0.2318)(0.001051)
2
0.0186 0.0186
Var [Z (V , I )] = 155.31 + 243.45 327.19 = 71.56
E [Z (V , I )] =
V
5.136
=
= 276.13
I 0.0186
C .V .%[Z (V , I )] =
Var [Z (V , I )]
8.46
=
= 3.06%
E [Z (V , I )]
276.13
Prof. Dr. Anderson Paulo de Paiva - IEPG
57
EPR503
2 PROBILIDADE E DISTRIBUIES DE
PROBABILIDADE
58
29
PROBABILIDADE
EPR503
0 P ( A) 1
P U Ai = P( A1 ) + P( A2 ) + L + P ( Ai )
i =1
P U Ai = P Ai
i =1
i =1
P ( A) =
nA
n
; P (B ) = B
n
n
n
P Ac = 1 P( A) = 1 A
n
( )
n
P B c = 1 P(B ) = 1 B
n
( )
59
PROBABILIDADE
EPR503
Com base no Diagrama de Venn, podem
ser escritas as seguintes relaes:
P( A B ) =
n A B
n + nB
= P ( A) + P ( B ) = A
n
n
P( A B ) =
n A B
n + nB n A B
;
= P ( A) + P ( B ) P( A B ) = A
n
n
P(B A) =
n A B P ( A B )
=
n*
P( A)
P( A B ) = P(B A) P( A) = P( A B ) P(B )
P( A B ) = P( A) P(B ) Independentes
Prof. Dr. Anderson Paulo de Paiva - IEPG
60
30
PROBABILIDADES
EPR503
30 20 30! 20!
n A 2 3 2!28! 3!17!
P ( A) =
=
=
= 0.234
n
50!
50
5!45!
5
Prof. Dr. Anderson Paulo de Paiva - IEPG
61
PROBABILIDADE CONDICIONAL
EPR503
A=*
A
P(B A) =
(AB)
n A B P ( A B )
=
P( A B ) = P (B A) P( A)
n*
P ( A)
Prof. Dr. Anderson Paulo de Paiva - IEPG
62
31
EXEMPLO 2
EPR503
Masculino
Feminino
Total
Mecnica
50
10
60
Produo
30
30
60
Total
80
40
120
P(F P ) =
nF P 30
n
50
=
= 0.50; P(M M ) = F P =
= 0.833
nP
60
nP
60
Prof. Dr. Anderson Paulo de Paiva - IEPG
RVORE DE DECISO
EPR503
uma maneira simples de
condicionais.
P(A)
63
tratar
as
probabilidades
P(B)
Evento (B)
P(Bc)
Evento (Bc)
P(B)
Evento (B)
P(Bc)
Evento (Bc)
Evento (A)
Incio
P(Ac)
Evento (Ac)
64
32
EXEMPLO
EPR503
65
RVORE DE DECISO
EPR503
P(A)=10/40
Evento (A):
1. Pea
defeituosa
P(Bc)=30/39
Evento (B):
2. Pea
defeituosa
Evento (Bc):
2. Pea no
defeituosa
Incio
Evento (Ac):
Evento (B):
2. Pea
defeituosa
1. Pea no
defeituosa
Evento (Bc):
P(B)=10/39
P(Ac)=30/40
P(Bc)=29/39
2. Pea no
defeituosa
66
33
SOLUO
EPR503
P( A B ) = P(B A) P( A)
9 10
P( A B ) = = 0.058
39 40
29 30
P Ac B c = P B c Ac P Ac = = 0.558
39 40
) (
) ( )
[(
) (
P[(A B ) (A
)] (
) ( )
P A B c Ac B = P B c A P ( A ) + P B A c P Ac
c
30 10 10 30
B = + = 0.3846
39 40 39 40
)]
67
EVENTOS INDEPENDENTES
EPR503
Se os eventos A e B forem
considerados independentes, ento a
probabilidade de ocorrncia de B no
ser influenciada pela ocorrncia de A
porque no h alterao no espao
amostral (). Logo:
P(B A) =
P( A B )
P( A B ) = P(B A) P( A) = P( A) P(B )
P ( A)
Analogamente, tem-se:
P(A B ) =
P( A B )
P ( A B ) = P ( A B ) P ( B ) = P ( A ) P ( B )
P(B )
) (
) ( ) ( ) ( )
P Ac B c = P Ac B c P B c = P Ac P B c
68
34
PROBABILIDADES
EPR503
0.90
0.99
0.95
0.90
P ( A B ) = P ( A ) + P (B ) P ( A B )
P( A B )
P (B A ) =
P( A B ) = P(B A) P( A) = P( A) P(B )
P ( A)
Prof. Dr. Anderson Paulo de Paiva - IEPG
69
PROBABILIDADES
EPR503
F1
F4
A
F2
F6
F5
F3
n
U Fi
i =1
n
U Fi
i =1
n
U Fi
i =1
n
Fi
i =1
Prof. Dr. Anderson Paulo de Paiva - IEPG
70
35
PROBABILIDADES
EPR503
71
PROBABILIDADES
EPR503
F3
F 1F3
F1F2F3
F2F3
F1
F2
F1F2
72
36
Circuitos
EPR503
Em confiabilidade, uma definio geral para a
probabilidade de funcionamento de um circuito
como o da figura ao lado pode ser escrito
genericamente como:
(xi ) = 1 (1 xi x j )
i< j
i =1
73
EPR503
B = ( A B ) Ac B
P(B ) = P( A B ) P Ac B
P(B ) = P( A B ) + Ac B
Ac
)
) ( )
P(B ) = P(B A) P( A) + P B Ac P Ac
74
37
EPR503
A1
A2
(BA2)
(BA1)
A6
B (BA )
6
(BA3)
A3
A5
(BA5)
A4
(BA4)
P(B ) = P( A1 B ) + P( A2 B ) + L + P( Am B )
m
P(B ) = P( Ai B ) = P(B Ai ) P( Ai )
i =1
i =1
Prof. Dr. Anderson Paulo de Paiva - IEPG
75
TEOREMA DE BAYES
EPR503
U Ai = A
i =1
P( Ai | B ) =
P( Ai B )
P( A B )
= n i
P (B )
P(B Ai )
i =1
76
38
TEOREMA DE BAYES
EPR503
P( A B )
P (B )
P( A B )
P (B A) =
P ( A)
P (A B ) =
P( A B ) = P(B A) P( A)
P (A B ) =
Verifica-se no Diagrama de Venn que:
n
i =1
i =1
P(B A) P( A)
P (B )
P( B ) = P( Ai B ) = P(B Ai ) P( Ai )
Ento, pode-se escrever genericamente que:
P (Ai B ) =
P (B Ai ) P ( Ai )
n
P (B Ai ) P ( Ai )
P( A B ) P(B A ) P( A )
i
i =1
P (B Ai ) P( Ai )
P (B )
i =1
TEOREMA DE BAYES
EPR503
F1
F2
P(D Fi ) P(Fi )
n
F3
D
(DF2)
(DF1)
P (Fi D ) =
(DF3)
P(D Fi ) P(Fi )
n
P ( F D ) P (D F ) P ( F )
i
i =1
P (D Fi ) P (Fi )
P (D )
i =1
77
78
39
TEOREMA DE BAYES
EPR503
F1
F2
F3
Total
30%
45%
25%
100%
P(F1| D ) =
P(D| F1 ) P(F1 )
n =3
P(D| F ) P(F )
i
P(D)
P(D|F).P(F)
0,01
0,02
0,04
Total
0,003
0,009
0,010
0,022
0.003
= 13.66%
0.022
i =1
79
TEOREMA DE BAYES
EPR503
Por rvore de falhas, tem-se:
Pea defeituosa
FBRICA I
P(F1)=30%
P(D|F1)=1%
Pea No defeituosa
P(DC|F1)=99%
Pea defeituosa
PRODUO
FBRICA II
P(F2)=45%
P(D|F2)=2%
Pea No defeituosa
P(DC|F2)=98%
Pea defeituosa
FBRICA III
P(F3)=25%
P(D|F3)=4%
Pea No defeituosa
P(DC|F3)=96%
80
40
TRS EVENTOS
EPR503
81
QUATRO EVENTOS
EPR503
P( A B C ) = P[( A B ) C ]
= P[( A B )] P(C )
P( A B C ) = P[( A C ) B]
= P[( A C )] P(B )
P( A B C ) = P[(B C ) A]
= P[(B C )] P( A)
Prof. Dr. Anderson Paulo de Paiva - IEPG
82
41
QUATRO EVENTOS
EPR503
83
BRIDGE
EPR503
P(B ) = P ( A B ) P Ac B
c
c
P(B ) = P (B A) P ( A) + P B A P A
) ( )
84
42
EPR503
(Figura 1)
(Figura 2)
{P(B ) = P( A B ) P(A
) ( )
B = P (B A) P ( A) + P B Ac P Ac
BRIDGE
EPR503
Ento, para o sistema tem-se:
P(B A)
P B Ac
Assim:
85
) ( )
P (B ) = P (B A) P ( A) + P B Ac P Ac
P( A) = R5
c
P A = 1 R5
B Ac = [(R R )] + [(R R )] (R R R R )
1
2
3
4
1
2
3
4
( )
86
43
EPR503
87
EPR503
Distribuies de Probabilidade contnuas so as funes de densidade
de probabilidade e de distribuio de frequncias associadas variveis
contnuas. Varivel contnua aquela que pode ser medida por algum
instrumento. Possuem:
Funo densidade de probabilidade:
f (x ) 0
0,5404
f (x ) = 1
900
P (a X b ) = f ( x ) dx
a
12001300
(b > a )
88
44
Exemplo
EPR503
1.2
x
f ( x)dx = 1 0 8 dx = 1
x
8
0.6
x
= 1 k 2 = 16 k = 4
16 0
k=4
2
f ( x) =
1
0.8
0.4
0.2
0
-4
-2
10
-0.2
-0.4
89
Exemplo
EPR503
8
3
x
8
= E ( X ) = xf ( x)dx = x dx = = 2.67
0
2 = Var ( X ) =
2
(x ) f ( x)dx = x
x
dx = 0.89
3 8
Q1
x2
Q2
x
0 8 dx = 0.25 16 = 0.25 161 = 0.25 Q1 = 2.00
0
Q1
Q2
x2
Q22
x
= 0.50 Q2 = 2.83
dx
=
0
.
50
=
0
.
50
0 8
16
0
16
Q2
Q3
x2
Q2
x
0 8 dx = 0.75 16 = 0.75 163 = 0.75 Q3 = 3.46
0
1442443
Q3
3 o Quartil
90
45
DISTRIBUIO NORMAL
EPR503
Variab le
Y1
Y2
Y3
a)
Mean StDev
N
200,0 19,88 1000
200,4 9,937 1000
199,8 4,915 1000
f ( x )dx = 1
b ) f(x ) 0
c ) lim f ( x ) = 0
x
lim f ( x ) = 0
d ) f ( + x) = f ( - x)
140
160
180
200
Data
N ( ; ) : f (x ) =
220
240
260
1 x
1
e 2
2
-3
-2
-1
0
X
Z = N (0;1) : f ( z ) =
1 2 ( z )2
e
2
91
Exemplo
EPR503
0.5
d[f(x)]=0
Fmx
Density
0.4
0.3
0.4
f (x) =
1 x
0.2
0.1
0.0
-3
-2
-1
0
X
92
46
Derivada
EPR503
Se : f (x ) =
1 x
d 1
f ' (x) =
e 2
dx 2
1 x
=0
1 x
1
x
Fazendo : u =
du = 2
2
2
d 1
Tem se : f ' (x ) =
e 2
dx 2
1 x
d 1
=
eu
du 2
1 x
x 1 2
Logo : f ' ( x ) =
e du =
e
=0
2
2
x
=0 x=
93
EPR503
Exemplo 1: Uma companhia produz lmpadas cuja vida
segue uma distribuio normal com mdia 1.200 horas e
desvio padro de 250 horas. Escolhendo-se
aleatoriamente uma lmpada, qual a probabilidade de
sua durabilidade estar entre 900 e 1.300 horas?
Distribution Plot
Normal; Mean=1 200; StDev=250
0,001 8
0,001 6
0,5404
0,001 4
Density
0,001 2
0,001 0
0,0008
0,0006
0,0004
0,0002
0,0000
900
12001300
94
47
EPR503
95
EPR503
Faa um teste de normalidade para os dados
da tabela.
2,472
2,693
2,643
99
2,601
2,576
2,657
2,638
95
2,335
2,707
2,355
2,368
2,895
2,182
2,774
2,719
2,774
2,659
2,607
2,397
2,719
2,656
2,622
2,561
2,845
2,653
2,556
2,421
Probability Plot of H
90
80
Percent
70
60
50
40
30
20
Mean
StDev
N
AD
10
5
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,590
0,1 668
28
0,508
2,9
3,0
96
48
rea da Normal
EPR503
P( x 0 ) =
1
2
1 2
(z)
2
Logo : P( x k ) =
dx =
1
2
P(0 x k ) =
1 2
(z )
2
1
1
dx = +
2
2
1 2
(z )
2
1 2
(z )
2
dx
dx
EPR503
97
SRIE DE TAYLOR
f (n ) (a )(x a )n
f (x ) =
n!
i=0
98
49
Srie de Maclaurin
EPR503
f ( x ) = f (0 ) +
1 x
1 2
Considere agora que: x =
= z
2
2
Prof. Dr. Anderson Paulo de Paiva - IEPG
99
Srie de Maclaurin
EPR503
P (0 t z ) =
x x2 x4
x6
x8
x 2n
n
+
... + ( 1)
1 +
n
(2n + 1)2 n!
6 40 336 3456
2
100
50
Srie de Maclaurin
EPR503
1
P(x k ) =
1 x
dx
P( x k ) =
1 2
(z)
2
P( x k ) = P ( z x ) =
P(x k ) =
dx =
1
1
+
2
2
1
1
+
2
2
1 2
(z)
2
1 2
(z)
2
dx
x
z
dx
z =
1
1 1 3 1 5
1 7
1 9
+
x x +
x
x +
x ...
2
40
336
3456
6
2
Prof. Dr. Anderson Paulo de Paiva - IEPG
Srie de Maclaurin
EPR503
1 2
(z )
2
dx =
2
1
1 2
(z )
2
dx =
2
1
1 2
(z )
2
2
1
1
2
1 2
(z )
2
n
1 2 1 2 2 1 1 2 3 1
1 1
+ z + ... + z 2 dz
1 + z + z
2 n!
2 2 2! 2 3!
2n
1 2 1 4 1 6
1 8
n z
z + ... + ( 1) n dz
1 z + z z +
2
8
48
384
2
n
!
1 1 3 1 5
1 7
1 9
z 2 n +1
n
dx =
z
z +
z ... + ( 1)
z z +
40
336
3456
(2n + 1)2n n!
6
2
dx =
1 1 3 1 5
1 7
1 9
x 2 n+1
n
x 6 x + 40 x 336 x + 3456 x ... + ( 1) (2n + 1)2n n!
101
102
51
EPR503
0.4
1 2
(z)
2
dx =
2
1
1 2
(z)
2
dx =
Srie de Maclaurin
1 1 3 1 5
1 7
1 9
x 2 n +1
n
x
x +
x ... + ( 1)
x x +
40
336
3456
(2n + 1)2n n!
6
2
1
1 3 1
1
1
5
7
9
0.4 6 0.4 + 40 0.4 336 0.4 + 3456 0.4 = 0.1554
2
Prof. Dr. Anderson Paulo de Paiva - IEPG
103
CDF - NORMAL
EPR503
f (x) =
1 x
104
52
EXEMPLO
EPR503
Exemplo 3: Quatro processos de fabricao so
usados sequencialmente para se fabricar um
lote de 25 peas de um sistema Pisto-Cilindro.
Supondo que o tempo de execuo de cada
operao seja uma varivel aleatria
normalmente distribuda com mdias e desvio
padro descritos na figura ao lado, determine:
a)
105
EPR503
+
= E ( X ) = xf ( x )dx 2 = Var ( X ) =
(x )
f ( x) dx
A =1
A = b.h = (b a ) f ( x) = 1
F(x)
f ( x) =
a
b
= E (X ) = x
a
= Var ( X ) =
2
b
1
a +b
dx =
ba
2
(x )
a + b 1
(b a )
f ( x )dx = x
dx =
12
2 b a
+
1
(b a)
106
53
EPR503
Exemplo
A espessura de um componente uma varivel aleatria
uniformemente distribuda entre os valores 0,95 a 1,05 cm.
a) Determine a proporo de componentes que excedem a espessura
de 1,02 cm.
b) Qual o valor de espessura que excedida por 90% dos
componentes?
c) Qual o valor da espessura abaixo da qual esto 75% dos
componentes?
d) Qual a probabilidade de haver componentes com espessura
entre 0,98 e 1,04?
Prof. Dr. Anderson Paulo de Paiva - IEPG
107
EPR503
Funo Exponencial
0
0,06
f (x ) = .e xi
0,05
F(x)
0,04
0,03
0,02
0,01
0,00
0
20
40
60
80
100
120
140
= E ( X ) = xe x dx =
0
+
= Var ( X ) =
2
(x )
1
1
f ( x ) dx = x e x dx = 2
108
54
Integrao
EPR503
1,0
f (x ) = .e
Density
0,8
xi
0,6
0,8
0,4
dx = e x
0,2
0,0
P(0 x ) = e x dx = 1
e ( ) e (0 ) = 0 ( 1)
1,609
X
Logo:
P(0 x ) = e x dx = 1
0
Prof. Dr. Anderson Paulo de Paiva - IEPG
109
MLE
EPR503
L( ) = f ( xi )
i =1
110
55
MLE
EPR503
f ( x ) = .e xi
Sua funo de verossimilhana ser: L( ) =
.e
xi
i =1
L( ) = .e xi = e x1 e x2 e x3 ... e xn = n .e
xi
i=1
i =1
xi
xi
ln[L( )] = ln n .e i=1
ln[L( )] = ln n + ln e i=1
n
ln[L( )] Loglikelihood
ln[L( )] = n.ln + xi lne
n
( )
i =1
EPR503
Sabe-se que:
111
x=
n
1 n
x
xi = nx
i
n i =1
i =1
ln[L( )] n
= nx = 0
= nx
1
x
112
56
EXEMPLO - MLE
EPR503
1
6
n
0, 06 x
= n
=
= 0,06 f (x ) = 0,06e
x xi 100
i =1
10
10
0
10
113
IPP
EPR503
udv = uv vdu
b
a) = E ( X ) =
xf ( x)dx =
2
b) = Var ( X ) =
(x )
f ( x) dx =
114
57
IPP1
EPR503
Mostre que a mdia da distribuio exponencial :
+
= E ( X ) = xf ( x ) dx =
E (x ) = xe x dx =
0
1
dx = e x
du = dx
u=x
= e x
x
dv = e x dx
v = e
x
x
e dx
udv
=
vu
vdu
x
e
dx
=
xe
0
0
1 0 1
1 x
x
x
x
e
dx
=
xe
e
=
e e =
0
0
0
0
115
IPP2
EPR503
Mostre que a Varincia da distribuio exponencial :
Var ( X ) = x2 =
1
2
(x ) f ( x)dx =
1
2
1
Var (x ) = x e x dx = x 2e x dx xe x dx + e x dx
0
0
0
0
2
1
2
1 1
x
2
x
x
0 x e dx = 0 x e dx 0 xe dx +
2
1
1
2
x
2
x
e
dx
=
x
e
dx
xe x dx + 2
0
0
14243 14
42443
e x dx = x 2e x dx
0
1
4243
2
2
a
Prof. Dr. Anderson Paulo de Paiva - IEPG
116
58
IPP2
EPR503
Empregando a integrao por partes em (a), tem-se:
1
2 1
Var (x ) = x e x dx = x 2e x dx 2 + 2
0
0
1
4243
a
u = x
v = 1 e x
du = 2 xdx
dv = e x
2 1 x 2 x x 2 x
x
2
x e
e dx =
x
e
dx
xe dx
=
0
0
144244
3 0
1
21 2 1
1
Var (x ) = x e x dx = 2 + 2 = 2
0
Prof. Dr. Anderson Paulo de Paiva - IEPG
117
EXPO
EPR503
118
59
EXPO
EPR503
119
EXPONENCIAL
EPR503
P( A B )
= P(x < 3,5 x > 3,0)
P(B )
P( x < 3,5) P (x < 3,0)
P (3 < x < 3,5) =
P( x > 3,0 )
P(A B ) =
120
60
FALTA DE MEMRIA
EPR503
0.7
P( A B )
= P(x < 3,5 x > 3,0)
P (B )
P( x < 3,5) P( x < 3,0) 0.9179 0.8827
P(3 < x < 3,5) =
=
P(x > 3,0)
0.1173
P( A B ) =
0.6
0.5
0.4
P(A)
0.3
P(B)
0.2
0.1
0.03523
0.0
3.5
121
EPR503
0.8
0.7
0.3003
0.6
Density
0.5
0.4
0.3
0.2
0.1
0.0
0.5
X
122
61
EPR503
123
EXERCCIO
EPR503
i t
dt
Comp. 2
A
Comp. 1
Comp. 3
2
R1
R2
124
62
EXERCCIO
EPR503
P( A) = 0.1e
0.1x
e
2
dx
P(F) =
dx
12
T1
17 0.5 x15
P(D) = 0.4e
0.4x
7 2
dx
T2
dx
12,8
1,07
0,95
0,9
12,5
P(E) = 1,5x2dx
0
Bloco 1
Bloco 2
Bloco 3
125
WEIBULL
EPR503
f (x ) =
2 2 2
1 +
1
(n ) = (n 1)! =
2
2 = 2 1 +
Scale
Exemplo:
1 1
3
1
= + 1 = (n + 1) = n!= n(n) = =
2 2
2
2
2
Prof. Dr. Anderson Paulo de Paiva - IEPG
126
63
WEIBULL
EPR503
Weibull
0
1,0
Variable
C7 * Weibull 1 1
C8 * Weibull 3,4 2
C9 * Weibull 4,5 6.2
Y-Data
0,8
x
f (x) =
0,6
0,4
0,2
0,0
0
0
10
X-Data
127
WEIBULL
EPR503
Exemplo 1 (Montgomery e Runger, 2003 Ex. 5.25)
O tempo de falha (em horas) de um mancal de rolamentos
em um eixo mecnico modelado segundo uma distribuio
de Weibull, com beta=0,5 e delta=5.000 horas.
Determine:
a)
= 1 + = 5000 1 +
0,5
= 10000 h
P (t 6000 t 1000 ) =
t 6000 0,3679
=
t 1000 0,6394
128
64
WEIBULL
EPR503
Exemplo 2: A vida til de uma mola operando
continuamente em condies normais segue uma distribuio
Weibull com beta=1,28 e delta=715 horas.
Determine:
a)
Dado que a mola j operou por 200 horas, qual a probabilidade dela operar
por mais 500 horas?
Distribution Plot
= 1 + = 715 1 +
= 662h
1,28
Density
0,0008
0,0006
0,0004
0,0002
0,0000
t 700 0,3779
=
t 200 0,8222
500
129
WEIBULL
EPR503
Exemplo 3: Um fabricante de veculos sabe que o
tempo at a ocorrncia da primeira falha em um motor
utilizado em condies normais de operao segue uma
distribuio Weibull com beta=1,22 e delta=130.000 horas.
a)
0,000005
Density
0,000004
0,01
0,000003
0,000002
= 0,01
0
2995
= 121778 h
x
0
t
0,000001
0,000000
= 1 + = 130.000 1 +
1,22
dx = 0,01 x = 2995 h
130
65
EPR503
x
0
t
t
ln e
dx = 0,01
1
x
x
du =
u = e
= ln(0,99)
= 0,01 e
+e
t
= ln(0,99)
= 0,01
1 e
t = [ ln (0,99)]
1
t = [ ln (0,99)]
1 1, 22
= 0,01 e
130000
= 0,99
t = 2994,93
EPR503
131
WEIBULL - BINOMIAL
132
66
LOGNORMAL
EPR503
0,6
Y-Data
0,5
)= e
f ln x , ,
Variable
C4 * C 1
C5 * C 2
C6 * C 3
(ln x )2
0,4
0,3
0,2
0,1
0,0
0
0
10
15
X-Data
20
25
30
133
MLE - LOGNORMAL
EPR503
0
0,7
0,6
0,5
0,4
0,3
0,2
f ln x , ,
L ln x, ,
)=
( ln x1 )2
2 2
(ln x )
2
0,1
0,0
2 2
10
15
20
25
30
( ln xn )2
2
(ln xi )2
1
e i=1 2
=
x1 x2 ...xn
2
1
n
xi
i =1
0
0
( ln x2 )2
L ln x, ,
e
e
e 2
=
L
x1 2 x2 2
xn 2
i =1
( ln xi )2
2 2
134
67
MLE - LOGNORMAL
EPR503
n
L ln x, ,
)=
[(
)]
(ln xi )2
i =1
n
2 2
(2 )
=
2 2
xi
i =1
ln L ln x, , 2
(ln xi )2
2 2
i =1
xi
i =1
n
n
(lnxi )2
2 2 2
2
= ln n
e i=1 2
xi
i =1
(lnxi 2 )
n
i=1 2
ln xi + ln e
i =1
[(
ln L lnx, ,
)]
= ln 2 2
n
2
MLE - LOGNORMAL
EPR503
ln L lnx, , 2 = ln 2 2
[(
135
)]
n
2
n n (lnxi )
l
n
l{
n(e )
xi i
i =1 =1 2
1
n
n
ln xi = ln[x1 x2 L xn ] = lnx1 + lnx2 + ... + lnxn = ln(xi )
i =1
i =1
[(
)]
136
68
MLE - LOGNORMAL
EPR503
[(
)]
ln L lnx, , 2
n
n
n
1 n
2
l
n
2
l
n
lnxi
(lnxi )2
2
2
2
2 i =1
i =1
ln L(lnx, , 2 )
2 n
=
(lnxi ) = 0
2 2 i =1
n
i =1
i =1
i =1
(lnxi ) = 0
i =1
ln L (lnx, ,
2
)] = 0
=
n
i =1
1
(lnxi )
n i =1
n
(lnxi )
= i =1
137
EPR503
138
69
Atributos
EPR503
Binomial
(p)
No
Binomial
Defeituoso
(q=1-p)
Defeitos
Poisson
(k)
Defeitos por
Unidade
Poisson
(=k/n)
Classificao
Atributo
Contagem
139
BINOMIAL x POISSON
EPR503
Distribuio Binomial
n! x
n x
P( X = x ) =
p (1 p )
x
!
(
n
x
)
!
x = 0,1, L , n
E ( x) = np
= Var ( x) = np (1 p )
Distribuio de Poisson
P( X = k ) =
e k
k!
X = 0 , 1, 2 ,L
= = np = = np
Defeitos: Reclamaes/hora
Prof. Dr. Anderson Paulo de Paiva - IEPG
140
70
BINOMIAL
EPR503
n! x
P( X = x ) =
p (1 p ) n x
x
!
(
n
x
)
!
n! x
n!
p (1 p) n x =
ln p x ln(1 p) n x
ln[l ( p n, x )] = ln
x
!
(
n
x
)
!
x
!
(
n
x
)
!
n!
x ln p (n x ) ln(1 p )
ln[l ( p n, x )] =
x!(n x )!
ln[l ( p n, x )]
=
p
n!
l
x ln p (n x ) ln(1 p )
x
n
x
!
(
)
!
=0
p
141
BINOMIAL
EPR503
n!
x ln p + (n x ) ln(1 p)
ln[l ( p n, x )]
x!(n x )!
=0
=
p
p
ln[l ( p n, x )]
p
x (n x )
x (n x )
=0 =
x(1 p ) = p(n x )
p (1 p)
p (1 p )
x xp = pn xp x = pn p =
x
n
x 6
=
= 0,375
n 16
142
71
EPR503
A probabilidade de haver uma lata amassada (defeituosa) em
um lote de fabricao de 0,375 (p). Selecionando-se uma amostra
aleatria de 6 unidades (n), qual a probabilidade de que exatamente
2 latas (x) estejam amassadas? Deduza a pdf desta distribuio.
a1
a2
a3
a4
a5
a6
143
EPR503
Nota-se que, alm de se multiplicar a probabilidade (p) x vezes pela
probabilidade (1-p), (n-x) vezes, este resultado se repetir para todas as
combinaes de n provas (itens) tomadas x a x.
a1
a2
a3
a4
a5
a6
Probabilidade
(p)x.(1-p)n-x
0,375
0,375
0,625
0,625
0,625
0,625
(0,375)2(0,625)4=0,02146
(p)x.(1-p)n-x
0,625
0,625
0,375
0,625
0,625
0,375
(0,375)2x(0,625)4=0,02146
n! x
p (1 p ) n x
x
!
(
n
x )!
144
72
EPR503
O valor desta probabilidade assim como o resultado da probabilidade
acumulada [P(X2)] podem ser representadas graficamente atravs dos
histogramas das figuras a seguir.
Distribution Plot
Binomial; n=6; p=0,375
0,35
Distribution Plot
0,3219
0,30
Probability
0,35
0,30
Probability
0,25
0,5960
0,20
0,1 5
0,1 0
0,20
0,05
0,1 5
0,00
0,1 0
0,05
0,00
[P(X=2)]
[P(X2)=P(0)+P(1)+P(2)]
Prof. Dr. Anderson Paulo de Paiva - IEPG
145
EPR503
Suponha que um componente eletrnico instalado em determinado
circuito, tenha probabilidade p=0.2 de funcionar durante o tempo de garantia.
So testados 20 componentes. Desse modo:
a)
Probability
0,20
0,1 5
20
k
20 k
P( X = k ) = (0.2) (0.8)
k
0,4114
0,1 0
0,05
0,00
10
146
73
EPR503
Distribution Plot
Binomial; n=20; p=0,2
0,25
Probability
0,20
0,1 5
0,6296
0,1 0
0,05
0,00
10
20
4
16
P( X = 4) = (0.2 ) (0.8) = 0,2182
4
E ( x ) = np = 20 0,2 = 4
Var ( x ) = np (1 p ) = 20 0,2 0,8 = 3,2
x
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
P(x)
0,01153
0,05765
0,13691
0,20536
0,21820
0,17456
0,10910
0,05455
0,02216
0,00739
0,00203
0,00046
0,00009
0,00001
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
Acumulado
0,01153
0,06918
0,20608
0,41145
0,62965
0,80421
0,91331
0,96786
0,99002
0,99741
0,99944
0,99990
0,99998
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
147
EPR503
Exerccio: Complete a tabela referente a Distribuio Binomial a seguir:
0,2
0,5
12
0,7
20
0,8
12
100
0,6
63
P(X=k)
P(Xk)
E(x)
Var(x)
148
74
EPR503
Exerccio: Mostre que a mdia da Distribuio Binomial igual a np.
n
n
n
n k
E ( X ) = xk .P( xk ) = k . p k (1 p )
k =0
k =0 k
n
n
n! k
n(n 1)!
n k
nk
E ( X ) = k .
p (1 p ) = k .
p. p k 1 (1 p )
k =1 k!(n k )!
k =1 k (k 1)!(n k )!
n
(n 1)! p k 1 (1 p )n k
E ( X ) = np
k =1 (k 1)!(n k )!
n (m )! s
m s
E ( X ) = np
p (1 p ) = np
s = 0 (s )!(m s )!
1
444442444443
n
[( X = k )]=1
s=0
Prof. Dr. Anderson Paulo de Paiva - IEPG
149
EPR503
Exerccio: Mostre que a varincia da Binomial igual a np(1-p).
n
n
n
nk
E (X 2 ) = k 2 .P( X = k ) = k 2 . p k (1 p )
k =0
k =0
k
n
n
n! k
n(n 1)!
n k
k 1
p (1 p )nk = k 2 .
E X 2 = k 2 .
p. p (1 p )
k
!
(
n
k
)
!
k
(
k
1
)
!
(
n
k
)
!
k =1
k =1
( )
(m )! p s (1 p )m s = np n k. m p s (1 p )m s =
E X 2 = np k.
(s )!(m s )!
s = 0
s=0 s
( )
m
E X 2 = np (s + 1). p s (1 p )m s
s
s=0
( )
n
n
n m
m
m
m s
m s
m s
E X 2 = np (s + 1). p s (1 p ) = np s. p s (1 p ) + p s (1 p )
s
s
s
s =0
s =0
s=0
( )
( )
( )
150
75
HIPERGEOMTRICA
EPR503
k n k
P( X = k ) =
N
n
k = 0, 1, 2, L
E ( X ) = np e Var( X ) = npq
N n
N 1
Este um exemplo
de uma amostragem
SEM REPOSIO!
151
HIPERGEOMTRICA
EPR503
3 47
0
5
P( X 1) = 1 P( X = 0) = 1 0.28
50
5
Prof. Dr. Anderson Paulo de Paiva - IEPG
152
76
EPR503
e k
P( X = k ) =
X = 0 , 1, 2, L
Tem-se que:
k!
= = np = = np
Utilizando a distribuio de Poisson com = 4, ento:
e 4 4 6
P ( X = 6) =
= 0.1042
6!
Prof. Dr. Anderson Paulo de Paiva - IEPG
153
POISSON - MLE
EPR503
f (x ) =
xi
e
e
e
e
e
e
L( ) =
=
L
= n
x
!
x
!
x
!
x
!
x!
i =1
i
1
2
n
xi !
n
xi
x1
x2
xn
i =1
ln L( ) = ln
xi
i =1
i =1
= n ln e + xi ln ln (x1!.x2!...xn!)
i =1
xi!
i =1
i =1
i =1
ln L( ) = n ln e + xi ln ln ( xi !)
ln L ( )
1 n
1 n
= n + xi = 0 = xi
n i =1
i =1
Prof. Dr. Anderson Paulo de Paiva - IEPG
154
77
EPR503
12
20
12
100
63
P(X=k)
P(X>k)
P(Xk)
P(X<k)
P(Xk)
E(x)
Var(x)
155
EPR503
Ex. 1: Chegam, em mdia, 10 navios-tanque por
dia a um movimentado porto, que tem capacidade para 15
desses navios. Qual a probabilidade de que, em
determinado dia, um ou mais navios tanque tenham de
ficar ao largo, aguardando vaga?
156
78
EPR503
n
P( X = k) = pk (1 p)nk
k
Admita-se que quando n , p 0 e np . Nessas condies,
possvel demonstrar que, para um n suficientemente grande, a
distribuio binomial se aproxima da distribuio de Poisson, tal
que:
lim P(X = k) =
n
ek
k!
157
EPR503
2000
(0.001) 3 (0.999)1997
P( X = 3) =
3
O clculo desses nmeros d origem a considervel dificuldade. Pela
aproximao de Poisson, temos:
= np = (2000)(0.001) = 2
e 2 23
P ( X = 3) =
= 0.1804
3!
158
79
EPR503
200
200
200
(0.04) 0 (0.96) 5 +
(0.04)1 (0.96) 4 +
(0.04) 2 (0.96) 3
P( X 5) =
0
1
2
200
200
200
(0.04)3 (0.96) 2 +
(0.04) 4 (0.96)1 +
(0.04)5 (0.96) 0
+
3
4
5
159
EPR503
= np = (2000)(0.001) = 2
P( X > 4) = 1 [ P( X = 4) + P( X = 3) + P( X = 2) + P ( X = 1) + P( X = 0)]
e 2 24 e 2 23 e 2 2 e 2 20
=1
+
+
+
3!
1!
0!
4!
16 8 4
= 1 e 2 + + + 2 + 1 = 0.0526
24 6 2
160
80
NORMAL X BINOMIAL
EPR503
Distribution n
p
Binomial
100 0.5
Distribution Mean StDev
Normal
50
5
0.07
Density
0.06
0.05
0.04
0.03
0.02
0.01
0.00
30
40
50
X
60
X np0
np0 (1 p0 )
Exemplo:
70
X np0
Z =
np0 (1 p0 )
n = 100; p = 0.50
X 50
Z =
2
100 (0.50)
Bin(100;0.5) Z (50;5)
161
POISSON X BINOMIAL
EPR503
n k
k
n k
n k
n!
n k
lim p (1 p ) = lim
1 n
n k
n
3
(n k ) ! k! n 142
4
a
lim 1 + = e a lim 1 = e
n
n
x
n
Prof. Dr. Anderson Paulo de Paiva - IEPG
162
81
POISSON X BINOMIAL
EPR503
n
k
n
k
k
k
n!
n!
lim
. .1 .1 = lim
1 1
n (n k ) ! k! n k
n n n (n k ) !n k k! n n
14243 123 1
424
3 1424
3
424
3 1424
3
142
4 43
4 { 1
3
4
3
4
2
1
1
2
n
k
n (n 1) (n 2 )
(
n k + 1) (n k )! k
1 1
lim
n
n 44
n444
k! 1
n4
142
3
1
4n24444n44
3 (n k )! {
42n4
3
1444444= 4
nk
3
4
2
4
2
4
4
4
4
4
4
4
4
3
n
k
n (n 1) (n 2 )
(
n k + 1) (n k )! k
1 1
lim
n
n 44
n444
k! 1
n4
142
3
1
4n24444n44
3 (n k )! {
42n4
3
1444444= 4
nk
3
4
2
4244444444
3
1
Prof. Dr. Anderson Paulo de Paiva - IEPG
163
POISSON X BINOMIAL
EPR503
1
= 1 , ento:
Considerando que lim
k
n
1
n
1 = 4 = 1
=
2 k! ; 3 = e
k
n k
e
n k
lim p (1 p ) = 1 2 3 4 = 1 e 1 =
n k
k!
k!
Logo, demonstra-se que a Binomial tende para Poisson medida que n tende
ao infinito, ou seja, quanto maior for o valor de n, melhor ser a aproximao.
n k
e
nk
lim p (1 p ) =
n k
k!
Prof. Dr. Anderson Paulo de Paiva - IEPG
164
82
EXPONENCIAL X POISSON
EPR503
P( A B ) P(x > t + t )
=
P (B )
P( x > t )
Como : f ( x ) = e x
e dx = e
P[x > t + t x > t ] =
e dx e
P[x > t + t x > t ] = e
t + t
x
x
t + t
x
e (t + t )
e t
165
EXPONENCIAL X POISSON
EPR503
P[N (t + t ) = n N (t ) = n ] = e t
P[N (t + t ) = n N (t ) = n ] = 1 t +
( t )2 + ( t )3 + L
2!
3!
166
83
EXPONENCIAL X POISSON
EPR503
P[N (t + t ) = n N (t ) = n ] 1 t
P[N (t + t ) = (n + 1) N (t ) = n ] t
Logo, h duas possibilidades do sistema estar no estado (n) no instante t+t:
(1) a probabilidade do sistema estar no estado n no instante t E/AND
permanecer neste estado no instante t+t OU/OR (2), estar no estado (n-1) no
instante t E/AND haver uma ocorrncia no intervalo t. Logo:
P( A )
P (B )
(B )
P( A)
6
4P7
4
8 6
78 6
7
8
}
Pn (t + t ) = Pn (t ) (1 t ) + Pn 1 (t ) (t )
c
E/AND
OU/OR E/AND
167
EXPONENCIAL X POISSON
EPR503
P( A B ) = P( A) P(B A)
P( A B ) = Pn (t ) (1 + t )
b) A probabilidade do sistema estar no estado (n-1) no instante t, P(Ac), E/AND
passar para o estado (n) no instante t+t, :
) ( ) (
P Ac B c = P Ac P B c Ac = Pn 1 (t )(t )
c) Portanto, a probabilidade total do sistema estar no estado (n) nos instantes
t e t+t [P(AB)], dado que estava nos estados (n) e (n-1) respectivamente no
instante t, :
P ( A B ) Ac B c
)]
= Pn (t ) (1 + t ) + Pn 1 (t ) (t )
168
84
EXPONENCIAL X POISSON
EPR503
Considere que:
Pn (t + t ) = Pn (t ) (1 t ) + Pn 1 (t )(t )
Pn (t + t ) = Pn (t ) Pn (t )(t ) + Pn 1 (t )(t )
Pn (t + t ) Pn (t ) = t [ Pn (t ) + Pn 1 (t )]
Pn (t + t ) Pn (t )
= [ Pn (t ) + Pn 1 (t )]
t
P0 (t + t ) = P0 (t )(1 t )
P0 (t + t ) P0 (t )
= P0 (t )
t
Prof. Dr. Anderson Paulo de Paiva - IEPG
169
EXPONENCIAL X POISSON
EPR503
dx
x 0
Pn (t + t ) Pn (t )
d [Pn (t )]
lim
= [ Pn (t ) + Pn 1 (t )] =
t 0
t
dt
P0 (t + t ) P0 (t )
d [P0 (t )]
lim
= P0 (t ) =
t 0
t
dt
170
85
EXPONENCIAL X POISSON
EPR503
d [P0 (t )]
d [P0 (t )]
= P0 (t )
+ P0 (t ) = 0
dt
dt
Utilizando o Fator de Integrao
FI = e
dt
= e dt , temos:
du
dv
d [P (t )]
e t 0 + e t P0 (t ) = 0 d [u v ] = v
+u
dx
dx
dt
d e t P0 (t )
= 0 e t P0 (t ) = 0dt e t P0 (t ) = C
dt
t
t
P0 (0) = 1
{t P0 (t ) = Ce C = 1 P0 (t ) = e
0
EPR503
171
EXPONENCIAL X POISSON
Analogamente:
d [Pn (t )]
d [P1 (t )]
= Pn (t ) + Pn 1 (t )
= P1 (t ) + P0 (t )
dt
dt
d [P1 (t )]
d [P1 (t )]
= P1 (t ) + e t
+ P1 (t ) = e t
dt
dt
e t
d [P1 (t )]
d e t P1 (t )
+ e t P1 (t ) = e t e t
=
dt
dt
e t P1 (t ) = dt e t P1 (t ) = t + C P1 (t ) = (t )e t + Ce t
Como : P1 (0) = 0 te t = Ce t C = 0 P1 (t ) = (t )e t
Prof. Dr. Anderson Paulo de Paiva - IEPG
172
86
EXPONENCIAL X POISSON
EPR503
d [P2 (t )]
= P2 (t ) + P1 (t ) = P2 (t ) + 2t e t
dt
( )
e t
d [P2 (t )]
d e t P2 (t )
+ e t P2 (t ) = 2t e t e t
= 2t
dt
dt
( )
e P2 (t ) = tdt e P2 (t ) =
2
2 t 2
2
2
(
t ) t
+ C P (t ) =
e
2
(
t )n t
k
P (t ) =
e P / t = 1 P (1) = e
n
n!
k!
(Poisson)
173
MULTINOMIAL
EPR503
P ( X 1 = x1 ; X 2 = x2 ; L; X k = xk ) = p1 1 p2 2 L pk k
x
Onde: n = x1 + x2 + L + xk =
n!
x1! x2 ! L xk !
i =1
Por exemplo, a rugosidade de uma pea pode ser medida em trs posies (ou
categorias): no contra-ponto, no centro ou na castanha.
174
87
MULTINOMIAL
EPR503
Um lote de peas esbeltas usinadas por torneamento,
contm peas que podem ter suas rugosidades medidas
pelo inspetor de controle de qualidade em trs posies:
Centro (x1), Castanha (x2) e Contra-ponto (x3). Sabe-se
que a probabilidade de haver peas medidas no centro da
pea de 90%, na castanha, 8% e no contra-ponto, 2%.
Suponha que sejam selecionadas 4 amostras do lote.
a)
4!
= 3,46 10 4
1! 1!2!
4!
= 1,6 10 7
0!0!0!
175
MULTINOMIAL
EPR503
0
0
4
7
f XY (0,0) = P ( X = 0; Y = 0) = (0,9 ) (0,08) (0,02) 0!0!0! = 1,6 10
0
2
2
f XY (0,2) = P( X = 0; Y = 1) = (0,9) (0,08) (0,02) 4! = 1,54 10 5
0!2!2!
4!
1
1
2
f XY (1,1) = P ( X = 1; Y = 1) = (0,9) (0,08) (0,02)
= 3,46 10 4
1
!
1
!
2
!
4!
2
1
1
= 0,01516
f XY (2,1) = P( X = 2; Y = 1) = (0,9) (0,08) (0,02 )
2!1!1!
176
88
JOINT PROBABILITY
EPR503
f XY (x, y ) = P( X = x; Y = y )
0
4,10E-05
f XY (x , y )
4,10E-05
1,84E-03
1,54E-05
1,38E-03
3,11E-02
2,56E-06
3,46E-04
1,56E-02
2,33E-01
1,60E-07
2,88E-05
1,94E-03
5,83E-02
6,56E-01
177
MARGINAL PROBABILITY
EPR503
fY ( x, y ) = f XY (x, y ) = P(Y = y )
Ry
f X ( x, y ) = f XY ( x, y ) = P( X = x )
Rx
Rx
Rx
Var ( x ) = ( x X ) f XY (x, y )
2
Rx
178
89
EXEMPLO
EPR503
Rx
Rx
+ 3 [(0,0292 )] + 4 [(0,6561)]
E (x ) = xf XY (x, y ) = 3,6
x
Rx
Rx
179
CONDITIONAL
EPR503
P (B A ) =
P(A B )
P(A)
P(A B )
f ( x, y )
f Y x ( y ) = XY
= P (Y = y X = x )
P (A)
f X (x )
Var (Y x ) = 2 Y x = y 2 f Y x ( y ) Y2 x
Rx
Por exemplo:
Rx
P (Y = 0 X = 3 ) f Y
P (Y = 1 X = 3 ) f Y
(y) =
f XY (3,0 ) 0,05832
=
= 0, 200
f X (3 )
0,2916
(y) =
f XY (3,1) 0,2333
=
= 0,800
f X (3 )
0, 2916
180
90
CONDITIONAL
EPR503
P (Y = 0 X = 2 ) =
f XY (2, 0 ) 0,001944
=
= 0 ,04
0, 0486
f X (2 )
P (Y = 1 X = 2 ) =
f XY (2 ,1) 0 ,0155
=
= 0 ,32
f X (2 )
0 ,0486
P (Y = 2 X = 2 ) =
f XY (2 , 2 ) 0 ,0311
=
= 0,64
f X (2 )
0, 0486
0,4100
fY x ( y )
0,4100
0,5110
0,1540
0,3830
E (Y x ) = f Y x ( y ) = 0 0, 04 + 1 0 ,32 + 2 0, 64 = 1, 6
0,6400
0,0256
0,0960
0,3200
0,8000
0,0016
0,0080
0,0400
0,2000
1,0000
181
EPR503
3 - INFERNCIA
91
EPR503
=
Ou seja:
X
n
n)
183
EPR503
X = x1 + x2 + x3 + ... + xk = xi = nX
i =1
X n
n 2
nX n
n 2
nX n nX n
X
n
n
=
=
=
n
n 2
n 2
2
n
n
184
92
INTERVALOS DE CONFIANA
EPR503
X u
n
~ N : (0,1)
Density
0,3
0,2
0,1
0,025
0,0
-1,960
1,960
X
Prof. Dr. Anderson Paulo de Paiva - IEPG
185
CONFIANA X SIGNIFICNCIA
EPR503
: Nvel de significncia
Interval Plot of Y
95% CI for the Mean
503
1- : Nvel de confiana
502
501
500
C1
500
499
498
497
496
1
10
11
12
13 1 4
15
16
17
18
1 9 20
Sample
Individual standard deviations were used to calculate the intervals.
X
P 1.96 <
< 1.96 = 0.95
n
P X 1.96(
cair dentro de um
intervalo especificado seja
igual a 0.95. Como um
parmetro, ele pode estar
ou no dentro do intervalo
de confiana. 0.95 a
probabilidade de que um
intervalo
aleatrio
contenha .
n ) = 0.95
186
93
EPR503
P X 1.96(
n ) X + 1.96(
n ) = 0.95
0,002
0,002
X E X + E 8,2535 1.96
8,2535 + 1.96
15
15
8, 252488 8,254212
Prof. Dr. Anderson Paulo de Paiva - IEPG
187
IC SIGMA DESCONHECIDO
EPR503
IC ( : (1 )100) = X t 2 S
n ; X + t 2 S
)]
1 n
S =
( X i X )2
n 1 i =1
( X )
t=
S n
1-
/2
/2
t
- t/2
t/2
188
94
EPR503
( X )
t=
S n
Distribuio t de
Student, com v
graus de liberdade
1 n
S =
( X i X )2
n 1 i =1
2
Normal
v=n-1
hv(t)
Tal distribuio
usualmente tabelada
para alguns valores de v
e
t
189
EPR503
T-Student
Variable
t5
t10
t50
0,4
Mean StDev
N
0,07920 1,395 500
-0,04086 1,130 500
-0,02822 0,9521 500
Density
0,3
0,2
0,1
0,0
-6
-3
Data
190
95
EPR503
Para se construir intervalos de confiana para a varincia
ou o desvio padro, utiliza-se a distribuio do Qui-quadrado ( 2 ) .
Desse modo, o intervalo de confiana para o desvio padro
populacional pode ser escrito como:
Mean
2,078
5,061
9,800
0,15
Density
(n 1)s 2
Variable
Qui2
Qui5
Qui10
0,20
2 (n1), 2
StDev N
1,906 500
3,431 500
4,522 500
(n 1)s 2
2 (n 1),1 2
(n 1) : df
0,10
s 2 : varincia da amostra
: nvel de significncia
0,05
2 ( n 1 ), 2 : Lower bound
0,00
0
12
16
Data
20
24
191
EPR503
Considere o caso da durabilidade de baterias
usadas em aparelhos celulares avaliada a
partir de uma amostra aleatria de 10 baterias.
Com base nesta amostra, construa um IC95%
para mdia e o desvio padro da durabilidade
para a populao de baterias.
1,625
10
10
IC 95% 24,815 27,185
(n 1)s 2
( n1),
(n 1)s 2
( n1),1
Durabilidade (Y)
25,5
26,1
26,8
23,2
24,2
28,4
25,0
27,8
27,3
25,7
26,00
Mdia:
1,625
DP.:
9(1,625)
9(1,625)
19,02
2,70
192
96
IC - PROPORES
EPR503
Z=
X np
np(1 p)
X np
n n =
np(1 p )
n
Z=
p p0
np (1 p )
n2
p p0
p (1 p )
n
p Z 2
p (1 p )
p p + Z 2
n
p (1 p )
n
193
EPR503
p Z 2
p (1 p )
p p + Z 2
n
0,118 1,96
p (1 p )
n
0,118 0,882
0,118 0,882
p 0,118 + 1,96
85
85
0,049 p 0,186
Prof. Dr. Anderson Paulo de Paiva - IEPG
194
97
EPR503
PL =
1F(1 / 2 )
1 F / 2
PU =
v2 + 1F / 2
v2 + 1 F(1 / 2 )
Onde :
Onde :
1 = 2x
1 = 2(x + 1)
v 2 = 2(n x + 1)
v 2 = 2(n x )
Variable
F1
F3
F2
0,9
0,8
x = events
n = trials
Density
0,7
x = events
n = trials
Mean
1,187
1,060
1,102
0,6
0,5
StDev
N
0,7184 100
0,4298 100
0,6318 100
0,4
0,3
0,2
0,1
0,0
-0,0
0,6
1,2
1,8
Data
2,4
3,0
195
EPR503
PL =
De nsity
1,4
20 0,467
= 0,0578
(152 + 20 1,80)
df1=20; df2=152
Distribution Plot
PU =
1,4
1,2
1,2
1,0
1,0
0,8
0,8
0,6
0,6
0,4
0,4
22 0,485
= 0,2057
(150 + 22 1,77 )
Distribution Plot
df1=22; df2=150
0,2
0,2
0,025
0,025
0,025
0,0
0,467
1,80
0,025
0,0
0,485
1,77
196
98
EXERCCIOS
EPR503
197
EPR503
198
99
EPR503
199
100