Você está na página 1de 22

Probabilidade e Estatística

• Aula I
• 2016.1
• Prof. Rudimar Engel
Probabilidade e Estatística
Curva em forma de Sino
Suposições:
Suponha que você faça um gráfico das probabilidades dos números de caras
esperados em 15 jogadas sucessivas de uma moeda.
Suponha mil pessoas na rua, escolhidos aleatoriamente, para cujas alturas
você faz um diagrama de frequência.

⇒ Esses dois gráficos serão semelhantes. Essa curva em forma de sino, chamada de curva
normal, é a curva mas importante da
estatística. Há um grande número de
grandezas que se distribuem conforme a a
curva normal.
• Altura, peso ou QI de uma população;
• Resultados médios de uma grandeza física;
• Número de clientes semanais em muitos
negócios.
Probabilidade e Estatística
Curva em forma de Sino
⇒ 𝑥 é o determinado evento;
⇒ 𝑓(𝑥) é a frequência com que ocorre o evento.
• A distribuição normal se aplica frequentemente
em situações em que valores estremos são menos
prováveis que os valores moderados.
Probabilidade e Estatística
A Distribuição Normal

⇒ É um exemplo de distribuição de variável aleatória contínua;

⇒ é especificada por dois valores,

Média
Está localizada no pico da distribuição.
Variância
Define a forma da distribuição, se ela é muito
dispersa ou se ela se encontra na proximidade
do pico.

⇒ Se 𝑋 é uma variável aleatória normal com média 𝜇 e variância 𝜎 2 , então a função de


densidade é dada por:
1 2
𝑓 𝑥 = 𝑒 −(1/2)[(𝑥−𝜇)/𝜎]
2𝜋𝜎
Probabilidade e Estatística
A Distribuição Normal

⇒ Distribuições normais com a mesma ⇒ Distribuições normais com a mesma média


variância mas com médias diferentes. mas variâncias distintas.

⇒ A área para cada uma dessas curvas é 1;


⇒ As extremidades superior e inferior da curva são chamadas caudas;
⇒ Teoricamente jamais tocam o eixo, porém, a variável pode tomar qualquer valor, inclusive
valores muito distantes da média;
⇒ Apresar de que não há muita área sob a curva nas caudas, de modo que a chance de
aparecer um valor muito longe da média é remoto.
Probabilidade e Estatística
A Distribuição Normal Padronizada
⇒ Não se precisa usar uma calculadora, um computador ou uma tabela, visto que seria
impossível criar uma tabela para cada distribuição normal.
⇒ A solução é utilizar um tabela com distribuição normal que contenha 𝜇=0 e 𝜎 2 = 1, esta é
a chamada distribuição normal padronizada.
𝑦
Considerando 𝑍 uma variável aleatória
com função de densidade normal
1 1
− 2 𝑥2
𝑓 𝑥 = 𝑒 padronizada. A figura ao lado exibe o
2𝜋𝜎
gráfico da função de densidade para
𝑍. Se quisermos achar a probabilidade
de 𝑍 estar entre 0 e 1, devemos
calcular a área sob a curva entre 0 e 1.
Probabilidade e Estatística
A Distribuição Normal Padronizada

𝑃 0 < 𝑍 < 1 = á𝑟𝑒𝑎 𝑑𝑜 𝑝𝑜𝑛𝑡𝑜 𝑧𝑒𝑟𝑜 𝑎𝑜 𝑝𝑜𝑛𝑡𝑜 1

⇒ A probabilidade entre dois pontos 𝑎 e 𝑏 (utilizando a


tabela A3.1) é dada por:
𝑃 𝑎 < 𝑍 < 𝑏 = 𝑃 𝑍 < 𝑏 − 𝑃(𝑍 < 𝑎)
𝑃 0 < 𝑍 < 1 = 𝑃 𝑍 < 1 − 𝑃(𝑍 < 0)
𝑃 0 < 𝑍 < 1 = 0,8413 − 0,5
𝑃 0 < 𝑍 < 1 = 0,3413
Probabilidade e Estatística
A Distribuição Normal Padronizada
⇒ Pela simetria da função de densidade, também, há uma probabilidade de 0,3413
de 𝑍 estar entre −1 e 0.
⇒ Somando estas probabilidades tem-se,
𝑃 −1 < 𝑍 < 0 + 𝑃 0 < 𝑍 < 1 = 0,3413 + 0,3413
𝑃 −1 < 𝑍 < 1 = 0,6826
⇒ Portanto, há uma chance de 68% de uma variável
aleatória estra entre −1 e 1.
⇒ Ou seja, há 68% de chance de uma variável
aleatória normal padronizada estar a menos de
um desvio-padrão de sua média.
⇒ Condição que vale para qualquer variável
aleatória normal
Probabilidade e Estatística
A Distribuição Normal Padronizada
⇒ Olhando para a tabela podemos notar que há 95% de chances de 𝑍 estar entre −1,96 e
1,96. De modo geral, podemos dizer que qualquer variável aleatória normal tem 95% de
chances de estar a menos dois desvios-padrões de sua média.

⇒ Qualquer variável aleatória tem 68% de chance de


estar menos de um desvio-padrão de sua média.

⇒ Qualquer variável aleatória tem 95% de chance de


estar menos de dois desvios-padrão de sua média.
Probabilidade e Estatística
A Distribuição Normal Padronizada
⇒ Suponhamos que 𝑌 tenha distribuição normal com média 6 e variância 9, e queremos a
probabilidade de 𝑌 estar entre 5 e 8. Criamos a nova variável aleatória 𝑍:
𝑌−6
𝑍=
3
⇒ Que tem distribuição normal com média 0 e variância 1.

5−6 𝑌−6 8−6


𝑃 5<𝑌<8 =𝑃 < < =
3 3 3

1 2 1 2
=𝑃 − <𝑍< =𝑃 𝑍<− −𝑃 𝑍 < =
3 3 3 3

= 𝑃 𝑍 < 0,6667 − 𝑃 𝑍 < −0,3333 =


⇒ 𝑜𝑙ℎ𝑎𝑑𝑜 𝑝𝑎𝑟𝑎 𝑎 𝑡𝑎𝑏𝑒𝑙𝑎 𝐴3.1
= 0,7486 − (1 − 0,6293) = 0,3779
𝑃 5 < 𝑌 < 8 = 0,3779
Probabilidade e Estatística
A Distribuição Normal Padronizada
⇒ De modo geral, se 𝑋 é uma variável aleatória normal com média 𝜇 e variância 𝜎 2 , então
(𝑋 − 𝜇)/𝜎 é uma variável aleatória normal padronizada.

⇒ EXEMPLO: Suponhamos que quiséssemos a probabilidade de vender mais de 230


hambúrgueres na lanchonete da cidade. Representamos por 𝑋1 o número de hambúrgueres.
Nesse caso, 𝜇 = 200, 𝜎 2 = 1600 e 𝜎 = 40. Criamos a variável normal padronizada 𝑍1:
Probabilidade e Estatística
A Distribuição Normal Padronizada

⇒ EXEMPLO: Suponhamos que quiséssemos a probabilidade de vender mais de 230


hambúrgueres na lanchonete da cidade. Representamos por 𝑋1 o número de hambúrgueres.
Nesse caso, 𝜇 = 200, 𝜎 2 = 1600 e 𝜎 = 40. Criamos a variável normal padronizada 𝑍1:

𝑋1 − 200
𝑍1 =
40

𝑋1 − 200 230 − 200 3


𝑃 𝑋1 > 230 = 𝑃 > = 𝑃 𝑍1 >
40 40 4

⇒ Se 𝑋1 é maior que 230, então 𝑍1 é maior que 3/4.


1 − 𝑃 𝑍1 < 0,75 = 1 − 0,7734 = 0,2266
Probabilidade e Estatística
A Distribuição Normal Padronizada

⇒ EXEMPLO: Suponhamos que agora sejam duas lanchonetes, e queremos calcular a


probabilidade de vendermos 330 hambúrgueres. Sendo 𝑋 o número total. Onde temos
𝜇 = 300, 𝜎 2 = 2000 e 𝜎 = 44,72.:
Probabilidade e Estatística
A Distribuição Normal Padronizada

⇒ EXEMPLO: Suponhamos que agora sejam duas lanchonetes, e queremos calcular a


probabilidade de vendermos 330 hambúrgueres. Sendo 𝑋 o número total. Onde temos
𝜇 = 300, 𝜎 2 = 2000 e 𝜎 = 44,72.:

⇒ Estabelecendo a variável aleatória normal padronizada:

𝑋 − 300
𝑍=
44,72

𝑋 − 300 330 − 300


𝑃 𝑋 > 330 = 𝑃 > = 𝑃(𝑍 > 0,67)
44,72 44,72

⇒ Se 𝑋 > 330, então 𝑍 > 0,67 e a probabilidade de tal ocorrência é 0,2514.


Probabilidade e Estatística
A Distribuição Normal Padronizada

⇒ Exercícios: Considere uma variável aleatória normal com parâmetros 𝜇 e 𝜎.

1. Se 𝜇 = 0 e 𝜎 2 = 100, quanto é 𝑃 5 < 𝑋 < 10 ?

2. Se 𝜇 = 73 e 𝜎 2 = 81, quanto é 𝑃 𝑋 > 100 ?

3. Se 𝜇 = 25 e 𝜎 2 = 100, quanto é 𝑃 𝑋 > 25 ?


Probabilidade e Estatística
Intervalos de confiança
REVISÃO
Cálculo de Intervalos de Confiança para a média quando a variância é conhecida.

Procedimentos Consideremos uma população normal com média


desconhecida que desejamos estimar 𝑥 , e com
𝜎 2 (variância) conhecida
1. Retiramos uma amostra casual simples de 𝑛 elementos.

2. Calculamos a média da amostra 𝑥 .

𝜎2 𝜎
3. Calculamos o desvio padrão da média amostral: 𝜎𝑥 = =
𝑛 𝑛

4. Fixamos o nível de significância 𝛼, e com ele determinamos 𝑍𝛼 , tal que


𝑃( 𝑍 > 𝑍𝛼 ) = 𝛼, ou seja: 𝑃(𝑍 > 𝑍𝛼 ) = 𝛼/2 e 𝑃(𝑍 > −𝑍𝛼 ) = 𝛼/2.
Probabilidade e Estatística
Intervalos de confiança
REVISÃO
Cálculo de Intervalos de Confiança para a média quando a variância é conhecida.

Curva da Distribuição Normal de Z

𝑃( 𝑍 < 𝑍𝛼 ) = 1 − 𝛼

1−𝛼
𝛼 𝛼
2 2

−𝑍𝛼 𝑍𝛼
Probabilidade e Estatística
Intervalos de confiança
REVISÃO
Cálculo de Intervalos de Confiança para a média quando a variância é conhecida.

𝑃(𝑥 − 𝑍𝛼 ∗ 𝜎𝑥 < 𝜇 < 𝑥 + 𝑍𝛼 ∗ 𝜎𝑥 ) = 1 − 𝛼

𝜎2 𝜎
𝜎𝑥 = =
𝑛 𝑛
𝑍𝛼 = 1,64

𝑒 =𝜇−𝑥 90%
5% 5%
𝑥−𝜇
𝑍=
𝜎𝑥
−𝑍𝛼 𝑍𝛼
𝑒 = 𝜎𝑥 ∗ Z
𝑃 6,08 − 1,64 ∗ 0,6 < 𝜇 < 6,08 + 1,64 ∗ 0,6 = 0,90
REVISÃO
Típica tabela da Distribuição Normal
Probabilidade e Estatística
Intervalos de confiança

⇒ Exercícios:
1. Uma variável aleatória 𝑋 tem distribuição normal, com média μ = 100 e desvio padrão
σ = 10.
a) Qual a 𝑃(90 < 𝑋 < 110)?
b) Se 𝑋 for a média de uma amostra de 16 elementos retirados dessa população, calcule
𝑃(90 < 𝑋 < 110).
c) Represente , num gráfico, as distribuições de 𝑋 e 𝑋.
d) Que tamanho deve ter a amostra para que 𝑃 90 < 𝑋 < 110 = 0,95?
Probabilidade e Estatística
Intervalos de confiança
⇒ Exercícios:
2. Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se
que 100 peças sejam ensaiadas, fornecendo uma duração de vida média de 𝑥 = 501,2 horas.
Suponha-se que 𝜎 seja conhecido e igual a 4 horas, e que se deseje obter um intervalo de
confianças de 95 por cento para a média 𝜇.
Probabilidade e Estatística
Intervalos de confiança
⇒ Exercícios:
2. Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se
que 100 peças sejam ensaiadas, fornecendo uma duração de vida média de 𝑥 = 501,2 horas.
Suponha-se que 𝜎 seja conhecido e igual a 4 horas, e que se deseje obter um intervalo de
confianças de 95 por cento para a média 𝜇.
Solução: Nesse caso, encontra-se os seguinte intervalo de confiança para 𝜇 = 𝐸(𝑋):
1 − 𝛼 = 0,95, temos 𝑍0,475 = 1,96
𝜎 4
Então 𝑍0,475 ∗ = 1,96 ∗ = 0,784
𝑛 10

Portanto, 𝐿𝐼 = 501,2 − 0,784 = 500,41 e 𝐿𝑆 = 501,2 + 0,784 = 501,98.