Академический Документы
Профессиональный Документы
Культура Документы
Variáveis aleatórias
Valor esperado de uma variável aleatória
Distribuição Uniforme
Distribuição Normal
Distribuição Normal Padrão
Problemas de Aplicação
Introdução:
Você já deve ter passado pela experiência de jogar uma moeda ou um dado
para verificar qual face virá voltada para cima, não é verdade? Por que é que
quando realizamos experiências como essas (ou outras correlatas) acontece um
resultado e não outro? Dizemos que ocorrências como essas são determinadas
como “chances”. Na verdade a chance pode ser vista como a interação de grande
número de fatores que influem conjuntamente no resultado de uma experiência ou
de uma amostra. Como é impossível controlar todos esses fatores, também é
impossível especificar com precisão o resultado de um experimento como os
acima, sendo apenas possível medirmos, dentro de certos parâmetros, a chance de
ocorrência de um deles.
Definição 1: Quando uma variável tem resultados ou valores que tendem a
variar de uma observação para outra em função de valores relacionados com a
chance, ela é chamada de variável aleatória. Do ponto de vista prático, é
desejável que definamos uma variável aleatória, como uma variável que esteja
associada a um experimento, de tal modo que seus resultados possíveis sejam
numéricos ou que possam ser de alguma forma, representados por números.
Daremos, então, alguns conceitos que serão muito importantes para o
desenvolvimento desse capítulo e de outros que virão adiante.
2
Nesse capítulo trataremos exclusivamente de variáveis aleatórias contínuas e,
portanto, damos uma definição mais completa:
Definição.2: Uma variável aleatória que pode assumir qualquer valor numérico
em um intervalo ou numa coleção de intervalos é chamada de variável aleatória
contínua.
n
p1 x1 p2 x2 ... pn xn , isto é, E(x)= p
i 1
n xn
E(x)= f ( x ) dx ,
3
Esse último caso será mais bem apreciado adiante com o estudo que faremos de
distribuição de probabilidade.
Distribuição de probabilidade.
Curvas de densidade.
Definição 4: Uma curva de densidade é um gráfico de uma distribuição continua
que deve satisfazer as seguintes propriedades:
4
Distribuição Uniforme.
O fato que mais deve caracterizar o presente capitulo é o da relação entre
medida de área e medida de probabilidade. Para nos familiarizarmos com esse
fato vamos introduzi-lo pelo conceito preliminar de distribuição uniforme.
Fixando a altura do retângulo do presente exemplo em 0,5 forçamos que sua área
total seja 2 0,5 1 , conforme exigido. Sendo assim, como a área total sob a
curva é 1, podemos estabelecer uma correspondência entre área e probabilidade,
5
Exemplo 2: Com relação aos dados do exemplo 1, se um frasco é selecionado ao
acaso qual a probabilidade de que ele contenha mais que 51,5 ml de líquido?
Distribuição Normal.
Já vimos que a idéia de distribuição de probabilidade nos mostra uma
forma de descrever o quão provável são os resultados de um processo. Nesse
capitulo discutiremos um tipo de distribuição muito frequentemente utilizada para
esse fim: a distribuição normal. Como no caso da distribuição uniforme, a
distribuição normal está também relaciona à área sob o gráfico de uma curva. Para
entendermos o significado de distribuição normal, comecemos com um exemplo:
6
Consumo (kwh)
Fig. 3: Histograma consumo de energia elétrica em 500 residências.
Consumo (kwh)
Fig. 4: Histograma consumo energia em 500 residências
7
A redução dos intervalos ampliou-nos a possibilidade de respostas, mas,
mesmo assim, ainda nos deixou algumas limitações para o caso de medidas mais
precisas. Verificamos, no entanto, em se tratando de uma variável contínua, que os
intervalos das classes podem ser cada vez mais reduzidos para uma amplitude h
tendendo a zero.
Assim, e se medirmos o consumo de mais e mais residências e
diminuirmos a medida dos intervalos relativos às amplitudes das classes, a curva
do histograma vai se aproximar de uma curva suave, em forma de sino, chamada
de curva normal (ou distribuição normal) conforme a que mostramos na figura 5 a
seguir. A curva normal costuma designar-se também pelo nome de Curva de
Gauss, em razão da contribuição de Karl F. Gauss (1777-1855) à sua teorização
matemática.
8
Fig. 6: Diferentes distribuições normais com mesma média
Seja z uma variável aleatória com função de densidade normal, com média = 0
e desvio padrão =1. Esta distribuição normal específica é chamada de
distribuição normal padrão e seu gráfico, em forma de sino, é perfeitamente
simétrico em relação à média (fig: 7)
9
.
Fig. 7: Distribuição Normal Padrão: =0e =1
Para distinguir a curva normal padrão de uma curva normal comum utiliza-se a
letra z pra representar a variável normal padrão ou quantidades de desvios em relação à
média. Como a área total sob a curva é igual a 1, consideramos que ela é uma distribuição
10
de probabilidade, e como ela é simétrica em relação a z = 0, a área de cada lado de z = 0 é
igual a ½. (fig.7).
11
horizontal fornece no corpo da tabela um valor de área = 0,431. Esse valor é a
medida da área sombreada que vai da vertical que passa pelo centro da figura até a
vertical que passa pelo ponto 1,36. Como sabemos que a outra parte sombreada
representa a metade da área total da figuram, ou seja, tem medida 0,5, então a área
total sombreada na fig. 7 tem medida 0,5 + 0,431 = 0,931. Esse número pode
representar um valor de probabilidade, como veremos adiante.
Exemplo 5: Encontre agora a área localizada à direita de 2,13 (isto é, P(z > 2,13).
(Fig. 10).
Exemplo 6. Encontre a área localizada à esquerda de -0,86 (isto é, P(z < 0,86)
(Fig. 11).
12
de -0,86 tem a mesma medida numérica da área localizada à direita de 0,86.
Devemos então procurar na coluna à esquerda o valor 0,8 e em seguida o valor
0,06 na linha horizontal superior. Cruzando esses valores encontramos 0,3051,
que é o valor da área localizada entre a vertical que passa por -0,86 e a vertical
que passa por 0. A área à esquerda de -0,86 é, portanto,0,5 – 0,3051 = 0,1949.
13
Aplicações da Distribuição Normal em Cálculos de Probabilidades –
conversão de uma distribuição normal qualquer para uma distribuição normal padrão.
Apresentaremos nessa parte métodos para se trabalhar com distribuições
normais que não são padrões, ou seja, para as quais a média não é zero e/ou o
desvio padrão não é 1. Na verdade podemos converter qualquer distribuição
normal para a distribuição normal padronizada, de modo que os mesmos métodos
para o cálculo de áreas (probabilidades) anteriores possam ser aplicados. Dessa
forma podemos abordar problemas gerais relativos à distribuição normal,
tornando nossas aplicações mais realistas.
Como existem só tabelas para distribuição normal padrão, aplicamos uma
fórmula matemática para converter qualquer distribuição normal na distribuição
normal padrão. Como já vínhamos fazendo utilizaremos a variável x para denotar
uma variável aleatória de uma distribuição normal geral e a variável z para a
variável aleatória da distribuição normal padronizada. Dessa forma, se x é uma
variável aleatória associada a uma distribuição normal qualquer, com média
aritmética , e desvio padrão , então z será obtido por:
x
z
14
0,6443 e 0,6480, pelo que podemos aproximar essa área para 0,64 e, portanto, a
probabilidade procurada está em torno de 0,64 ou 64%.
60 74
a) Temos: = 74, = 16 e x = 60. Daí : z 0,875
16
Considerando Z = 0,875, por simetria encontramos um valor da área à esquerda
de z que é de aproximadamente 0,31. Como queremos (em vista da simetria) a
área à direita de z, então fazemos 0,5 – 0,31 = 0,19. Logo a probabilidade pedida é
de 19%.
Exercícios
1. Trace, pra cada caso abaixo, uma curva normal, sombreie e obtenha a área
sombreada fazendo uso da tabela da curva normal padrão:
15
3. Refaça o exercício anterior se a média da população é de 35, com desvio-padrão
de 7, para os seguintes valores: a) 30,0 b) 40,0
4. Dado que uma população com média 25 e desvio padrão 2 tem distribuição
normal, calcule Z e sua área para os seguintes casos: a) à direita de 23 b) entre
24 e 25,2. [Respostas: a) 0,8313 b) 0,2313.
5. Suponha que a renda média de uma grande comunidade possa ser razoavelmente
aproximada por uma distribuição normal com média de $15.000 e desvio padrão
de $3.000,00.
a) Que porcentagem da população terá renda superior a $18.000,00?
b) Numa amostra de 50 assalariados quantos podemos esperar que tenham
menos de $10.500,00 de renda?
9. As lâmpadas de automóveis produzidas por uma indústria têm vida útil média de
4500 horas com desvio-padrão de 200 horas. Calcular a probabilidade de que
uma lâmpada qualquer dessa indústria tenha vida útil:
a) Igual ou maior que 4000 horas (Resp: 0,9938)
b) Igual ou maior que 4750 horas
c) Se um revendedor comprar 3500 lâmpadas, quantas destas terão
provavelmente vida útil superior a 4380 horas? (Resp: 2540 lâmpadas).
10. Sabe-se que, em média, 25% dos carros acidentados sofrem perda total, com 2%
de desvio-padrão. Supondo eu num certo mês tenham ocorrido 200 acidentes,
qual a probabilidade de que:
a) Menos de 53 carros tenham perda total. (Resp: 0,7734)
b) Mais que 48 carros tenham perda total.
c) Entre 42 e 48 carros tenham perda total. (Resp: 0,2684)
16
b) Mais que 82,5 kg
c) Entre 80 e 85 kg
d) Menos que 70 kg.
13. Os tempos de gravidez são normalmente distribuídos, com uma média de 268
dias e um desvio padrão de 15 dias.
14. O comerciante de uma construtora deseja assegurar que somente 5% dos pedidos
de cascalho de 3 mm excedam o peso padrão dos pedidos de 1.000 Kg. Se a
balança automática que pesa esses pedidos faz suas medições com um desvio-
padrão de 10 kg, qual deve ser a média em que ela deve ser regulada? (Resp:
983,55kg).
17
Tabela de distribuição normal padrão
18
Bibliografia:
ANDERSON, D. R., SWEENEY, D. J., WILLIAMS, T. A. Estatística aplicada à
administração e economia. São Paulo: Thomson Learning, 2002.
BUSSAB, W.O.; MORETTIN, P.A. Estatística básica. São Paulo: Saraiva, 2002.
FONSECA,, J. S. Curso de Estatística, São Paulo: Atlas, 1980.
FREUND, J. E. Estatística aplicada: economia, administração e contabilidade, Porto
Alegre: Bookman, 2006.
MILONE, G. Estatística: geral e aplicada. São Paulo: Thomson Learning, 2004.
SMAILES, J & MCGRANE, A. Estatística Aplicada à Administração com Excel. São
Paulo: Atlas, 2002.
TRIOLA, M. F. Estatística. Rio de Janeiro: LTC – Livros Técnicos e Científicos Editora,
2008.
STEVENSON, W.J. Estatística aplicada à administração. São Paulo: Harbra, 1983.
19