Sei sulla pagina 1di 31

Título do slide

Distribuições de
Probabilidade

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 1


Título do slide
Variável Aleatória

Uma variável aleatória pode ser classificada em:

• Variável aleatória discreta


• Variável aleatória contínua

Uma v.a. é discreta quando o conjunto de valores possíveis


que ela assume for finito ou infinito enumerável.

Uma v.a. é contínua quando o conjunto de valores possíveis


que ela assume for não enumerável.

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 2


Título do slide
Variável Aleatória Contínua

Exemplo:
Observa‐se o tempo de vida, em horas, de lâmpadas 
produzidas por uma fábrica.

Defina T:  tempo de vida, em horas, da lâmpada escolhida, 
ao acaso, da fábrica. 

→ Então, T é uma variável aleatória contínua que assume 
qualquer valor real não negativo.

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 3


Título do slide
Variável Aleatória Contínua

Distribuições contínuas
Exemplo: Observamos o peso, em toneladas,  de 1500 cargas 
selecionadas,  ao acaso, da população de cargas de um 
terminal. O histograma  por  densidade  é o seguinte:

0 .0 4

0 .0 3
Densid ade

0 .0 2

0 .0 1

0 .0 0

30 40 50 60 70 80 90 1 00
Peso

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 4


Título do slide
Variável Aleatória Contínua

A análise do histograma indica que:

‐ a distribuição dos valores é aproximadamente simétrica em 
torno de 70 kg;

‐ a maioria dos valores (88%) encontra‐se no intervalo (55; 85);

‐ existe uma pequena proporção de valores abaixo de 48 kg (1,2%) 
e acima de 92 kg (1%).

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 5


Título do slide
Variável Aleatória Contínua

Vamos definir a variável aleatória
X: peso, em toneladas, de uma carga escolhida ao acaso da população.
Como se distribuem os valores da variável aleatória X, isto é, qual é a 
distribuição de probabilidades de X ?

0 .03 0
Densidade

0.01 5

0.00 0

30 40 50 60 70 80 90 10 0
P es o

A curva contínua da figura denomina‐se curva Normal.
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 6
Título do slide
Variável Aleatória NORMAL

A distribuição Normal é uma das mais importantes distribuições
contínuas de probabilidade pois:

Muitos fenômenos aleatórios comportam‐se de forma próxima 
a essa distribuição. 
Exemplos:
1. tempo do ciclo de um pedido;
2. nível de demanda;
3. volume de vendas de uma mercadoria (em alguma unidade 
monetária).

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014


Título do slide
Variável Aleatória Contínua

Nem todos os fenômenos se ajustam à distribuição Normal.
Exemplo:
Y: Duração, em horas, de uma lâmpada  de certa marca.
A experiência sugere que esta distribuição deve ser assimétrica ‐
grande proporção de valores entre 0 e 500 horas e pequena 
proporção de valores acima de 1500 horas.

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 8


Título do slide
Variável Aleatória Contínua

Modelos Contínuos de Probabilidade

Variável Aleatória Contínua:


• Assume valores num intervalo de números reais.

• Não é possível listar, individualmente, todos os possíveis valores de 
uma v.a. contínua.
• Associamos probabilidades a intervalos de valores da variável.

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 9


Título do slide
Variável Aleatória Contínua

Propriedades dos Modelos Contínuos


Uma v.a. X contínua é caracterizada por sua função densidade 
de probabilidade f(x) com as propriedades:
(i) A área sob a curva de densidade é 1;
(ii) P(a ≤ X ≤ b) = área sob a curva da densidade f(x) e   acima 
do eixo x, entre os pontos a e b;
(iii) f(x) ≥ 0, para todo x;
(iv) P(X = x0) = 0, para x0  fixo. 

Assim,  P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b).


Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 10
Título do slide
Variável Aleatória Contínua

O MODELO UNIFORME
É o modelo mais simples para variáveis aleatórias contínuas. A
v.a. X tem distribuição Uniforme no intervalo (a,b) [X ~ U(a,b)],
se sua função densidade de probabilidade é dada por:

f(x) = 1/(b-a), se a ≤ x ≤ b.

Pode‐se mostrar que 
µ = (b+a)/2 e que σ2 = (b-a)2/12,
sendo µ, a média e σ2 a variância de X.

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 11


Título do slide
Variável Aleatória UNIFORME

O gráfico da f.d.p da U(0,1).

Função densidade de probabilidade de X - f(x)


1,50

1,25

1,00

0,75

0,50

0,0 0,2 0,4 0,6 0,8 1,0


Valores de X

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 12


Título do slide
Variável Aleatória Contínua

A DISTRIBUIÇÃO NORMAL
A v. a. X tem distribuição Normal com parâmetros μ e σ2 se  sua função 
densidade de probabilidade é dada por
2
1 ⎛ x −μ ⎞
1 − ⎜ ⎟
f (x ) = e 2⎝ σ ⎠
,   – ∞ < x < ∞.
σ 2π
Pode ser mostrado que

1. μ é o valor esperado (média) de X ( ‐∞ < μ < ∞);

2. σ 2 é a variância de X (σ 2  > 0).

Notação : X ~ N(μ ; σ 2)


Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 13
Título do slide
Variável Aleatória NORMAL

Propriedades de X ~ N(μ ; σ2 )

• μ é o valor esperado (média) de X;

• σ 2 é a variância (e, portanto, σ é o 
desvio padrão);
• f (x) → 0 quando x → ±∞;
• x = μ é  ponto de máximo de f (x);
• μ ‐ σ e μ + σ são pontos de inflexão de f (x);
• a curva Normal é simétrica em torno da média μ.

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 14


Título do slide
Variável Aleatória NORMAL

A distribuição Normal depende dos parâmetros μ e σ2

N(μ1; σ2) N(μ2; σ2)

μ1 μ2 x

Curvas Normais com mesma variância σ2
mas médias diferentes (μ2 > μ1).
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 15
Título do slide
Variável Aleatória Contínua

Influência de σ2 na curva Normal
N(μ;σ12)

σ22 > σ12

N(μ; σ22)

μ
Curvas Normais com mesma média μ, mas com variâncias 
diferentes (σ22 > σ12 ).
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 16
Título do slide
Variável Aleatória NORMAL

Cálculo de probabilidades
P(a < X < b)
Área sob a curva e acima do eixo horizontal (x) entre a e b.

a μ b
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 17
Título do slide
Variável Aleatória NORMAL

Exemplo: O tempo gasto numa prova de estatística do curso de 
Logística tem distribuição  Normal, com média 120 min e desvio 
padrão 15 min. 
a) Sorteando um aluno ao acaso, qual é a probabilidade que ele 
termine a prova antes de 100 minutos?
X: tempo gasto na prova  ⇒ X ~ N(120; 152)

P(X < 100) = 0,0912.

X
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 18
Título do slide
Variável Aleatória NORMAL

b) Qual deve ser o tempo de prova de modo a permitir que 95% 
dos alunos terminem dentro do prazo estipulado?
X: tempo gasto na prova ⇒ X ~ N(120; 152)

120 x XZ

P(X< x) = 0,95, ou seja, x = 144,67 min.
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 19
Título do slide
Variável Aleatória Contínua

O MODELO EXPONENCIAL

Outra distribuição contínua importante é a Exponencial. 
A v.a. X tem distribuição Exponencial com média µ>0, se sua 
função densidade de probabilidade é dada por:
1 − x
f(x) = e μ
, x ≥ 0
μ

Pode‐se mostrar que


σ2 = µ2 e que P(X ≤ a) = 1 ‐ e ‐a/ µ , a ≥ 0.

Notação: X ~ Exp(µ)

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 20


Título do slide
Variável Aleatória EXPONENCIAL

Gráfico da f.d.p da Exp(1).

1 ,2
f(x)

0 ,8

0 ,6

0 ,4

0 ,2

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 21


Título do slide
Variável Aleatória EXPONENCIAL

Exemplo :
O tempo de vida útil (em horas) de um transistor pode ser 
considerado uma v.a. com distribuição exponencial, com µ = 500 h. 
⇒ Segue‐se que a vida média do transistor é 500 horas . 
Determinar a probabilidade de que ele dure menos do que a 
média.

A probabilidade desejada é dada por: P(X < 500)= 0,6321.
MINITAB
Calc → Probability distribution → Exponential → Scale:500 →
Input constant: 500
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 22
Título do slide
Variável Aleatória Contínua

Gráfico de Probabilidades

Um gráfico de probabilidades é um método simples e 
bastante utilizado para verificar se um conjunto de dados 
pode ter sido gerado a partir de uma distribuição de 
probabilidades  específica .
Baseia‐se na comparação entre a amostra obtida e aquela que 
deveria ter sido obtida caso os dados realmente seguissem a 
distribuição de probabilidades em investigação. 

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 23


Título do slide
Gráfico de Probabilidades

Construção do Gráfico de probabilidades:
1. Ordenar os dados xi;
2. Definir a função acumulada empírica, Fe.
Esta função estima a proporção de observações menores ou 
iguais a cada valor xi observada na amostra ordenada. Assim, 
se temos uma amostra de tamanho n, e estamos diante do 
quinto valor ordenado, uma possível estimativa dessa 
proporção seria 5/n; por motivos teóricos vamos adotar 
(5‐0,5)/n. 
Logo, a função acumulada empírica é dada por
Fe(xi) =(i‐0,5)/n.
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 24
Título do slide
Gráfico de Probabilidades

Construção do Gráfico:

3. Para cada valor de (i‐0,5)/n calculamos o valor esperado xie, tal 
que P(X < xie)=(i‐0,5)/n usando como distribuição de X aquela 
sob investigação.

4. O gráfico de probabilidades é um gráfico de dispersão dos 
pontos (xi , xie).
Se a distribuição suposta for pertinente, espera‐se que os 
pontos estejam aleatoriamente dispostos ao redor de uma reta.

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 25


Título do slide
Gráfico de Probabilidades

Exemplo: Desejamos verificar se a amostra da Tabela A, no 
slide a seguir, segue uma distribuição exponencial.

Vamos utilizar a média amostral desses dados (1,094) como 
uma aproximação da média populacional da distribuição que 
os gerou.

Assim, vamos verificar se os dados podem ter sido gerados de 
uma distribuição exponencial com média 1,094. 

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 26


Título do slide
Gráfico de Probabilidades

Tabela A. Dados (já ordenados)


Observação Dado Observação Dado
1 0,03257 11 0,94661
2 0,09560 12 1,05534
3 0,14279 13 1,26731
4 0,20426 14 1,31419
5 0,21507 15 1,31554
6 0,25680 16 1,62219
7 0,61596 17 1,98849
8 0,68740 18 2,28708
9 0,76079 19 2,48113
10 0,77090 20 3,81403
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 27
Título do slide
Gráfico de Probabilidades

Para a distribuição exponencial temos que

P(X ≤ xie) = 1 ‐ e – xie /1,094                  (1)

Assim, fazendo P(X ≤ xie) = (i – 0,5)/20            (2)

e  igualando (1) e (2), segue que

xie = ‐ 1,094× ln[1‐(i – 0,5) / 20]

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 28


Título do slide
Gráfico de Probabilidades

Tabela B. Amostra esperada sob a distribuição exponencial


com média 1,094
i xi (i-0,5)/20 xie
1 0,03257 0,025 0,02770
2 0,09560 0,075 0,08529
3 0,14279 0,125 0,14608
4 0,20426 0,175 0,21045
5 0,21507 0,225 0,27885
6 0,25680 0,275 0,35181
7 0,61596 0,325 0,42999
8 0,68740 0,375 0,51418
9 0,76079 0,425 0,60540
10 0,77090 0,475 0,70493
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 29
Título do slide
Gráfico de Probabilidades

Tabela B. (continuação)
i xi (i-0,5)/20 xie
11 0,94661 0,525 0,81442
12 1,05534 0,575 0,93610
13 1,26731 0,625 1,07303
14 1,31419 0,675 1,22958
15 1,31554 0,725 1,41234
16 1,62219 0,775 1,63187
17 1,98849 0,825 1,90681
18 2,28708 0,875 2,27491
19 2,48113 0,925 2,83375
20 3,81403 0,975 4,03563
Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 30
Título do slide
Gráfico de Probabilidades

Gráfico de probabilidades exponencial para os 
dados da Tabela A - MINITAB (scatterplot)

3
Valores esperados

0 1 2 3 4
Valores observados

Elisete Aubin/Denise Botter Aula 10 – Distribuições de Probabilidade  08/05/2014 31