Observe o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em
uma população. O histograma por densidade é o seguinte:
A análise do histograma indica que:
- a distribuição dos valores é aproximadamente simétrica em torno de 70 kg; - a maioria dos valores encontram-se no intervalo (55; 85); - existe uma pequena proporção de valores abaixo de 48 kg e acima de 92 kg. Agora, consideremos a variável aleatória X: peso de uma pessoa adulta escolhida ao acaso da população (em kg). Como se distribuem as probabilidades associadas aos valores da variável aleatória X, isto é, qual a distribuição de probabilidades de X?
Obs.: A curva contínua da figura denomina-se curva Normal (ou curva de
Gauss). A distribuição Normal é uma das mais importantes distribuições contínuas de probabilidade pois: • Muitos fenômenos aleatórios comportam-se próximos a essa distribuição: altura; pressão sanguínea; peso e muitas outras. • Pode ser utilizada para calcular, de forma aproximada, probabilidades para outras distribuições, como por exemplo, para a distribuição binomial. Atenção!!! Nem todos os fenômenos se ajustam à distribuição Normal Exemplo: Considere a variável aleatória Y: duração de uma lâmpada de certa marca selecionada ao acaso. 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.
Modelos Contínuos de Probabilidade
Variável Aleatória Contínua - Assume valores num intervalo de números reais. - Não é possivel listar individualmente todos os possíveis valores da variável aleatória contínua. - Associamos probabilidades a intervalos de valores da variável.
Propriedades dos modelos contínuos
Modelo Normal ou Curva de Gauss
Karl Friedrich Grauss (Alemanha, 1777 - 1855)
Distribuição Normal ou curva de Gauss
Entre as distribuições teóricas de variável aleatória contínua (uniforme contínuo, exponencial, qui-quadrado), uma das mais empregadas é a distribuição normal. Muitas das variáveis analisadas na pesquisa socieconômica corresponde à distribuição normal ou dela se aproximam. A aspecto gráfico de uma distribuição normal é o da figura abaixo.
A v.a. X tem distribuição Normal com parâmetros μ e σ 2 se sua função
densidade de probabilidade é dada por: 2 −1 x−μ 1 2( ) . σ f ( x )= .e ,−∞ < x <∞. σ √2 π Pode ser mostrado que: μ é o valor esperado (média) de X, com −∞< μ< ∞ .
σ 2 é a variância de X, com σ 2> 0
Notação: X N ( μ ; σ 2 ) Como calcular probabilidade? b P ( a ≤ X ≤ b )=∫ f ( x ) dx , onde a<b a
Entretanto, a integral acima só pode ser resolvida de modo aproximado e por
métodos númericos. Para uma perfeita compreensão da distribuição normal, observe a figura e procure visualizar as seguintes propriedades.
1ª A variável aleatória X pode assumir todo e qualquer valor real.
2ª A representação gráfica da distribuição normal é uma curva em forma de sino, simétrica em torno da média (μ), que recebe o nome de curva normal ou de Gauss. 3ª A área total limitada pela curva e pelo eixo das abscissas é igual a 1, já que essa área corresponde à probabilidade de a variável aleatória X assumir qualquer valor real. 4ª A curva normal é assintótica em relação ao eixo das abscissas, isto é, aproxima-se indefinidamente do eixo das abscissas sem, contudo, alcançá-lo. 5ª Como a curva é simétrica em torno de μ, a probabilidade de ocorrer valor maior do que a média é igual a probabilidade de ocorrer valor menor do que a média, isto é, ambas as probabilidades são iguais a 0,5. Escrevemos: P(X > μ) = P (X < μ) = 0,5. Quando temos em mãos uma variável aleatória com distribuição normal, nosso principal interesse é obter a probabilidade de essa variável aleatória assumir um valor em determinada intervalo. Vejamos como proceder, por meio de um exemplo concreto.
Distribuição normal padronizada
As probabilidades associadas à distribuição normal padronizadas são encontradas em tabelas, não havendo necessidade de serem calcular pela integração. Para determinar a probailidade de X ∈[a , b], procedemos da seguinte forma:
x −μ x−μ P( a< X <b )=P( <Z < ) σ σ E, portanto, quaisquer que sejam os valores de μ e σ , utilizamos a Normal Padrão para obter probabilidade com distribuição normal. Vamos exemplificar: 1) Seja X a variável aletória que representa os diâmetros dos parafusos produzidos por certa máquina. Vamos supor que essa variação tenha distribuição normal com média μ=2cm e desvio padrão σ =0,04 cm . Calcule a probabilidade de um parafuso ter diâmetro com valor entre 2 e 2,05 cm. μ=2cm σ =0,04 cm P ( 2< X <2,05 ) =? x−μ x−μ P ( 2< X <2,05 ) =P ( < Z< ) σ σ 2−2 2,05−2 P ( 2< X <2,05 ) =P ( <Z< ) 0,04 0,04 P ( 2< X <2,05 ) =P (0< Z< 1,25)
P ( 2< X <2,05 ) =P ( 0< Z <1,25 )=¿ 0,3944 ou 39,44%
Assim, a probabilidade de um parafuso fabricado por essa máquina apresentar um diâmetro entre a média μ=2 e o valor x = 2,05 é 0,3944.
2) Determine as probabilidades: a) P (−1,25<Z <0 )=¿
P (−1,25<Z <0 )=0,3944 ou39,44 %
b) P(−0,5< Z <1,48)
P (−0,5< Z<1,48 )=P ( 0< Z<1,48 )+ P (−0,5< Z <0 ) =0,4306+0,1915=0,6221 ou 62,21%
c) P(0,8< Z <1,23)
P ( 0,8< Z<1,23 )=P ( 0<Z <1,23 ) −P ( 0<Z <0,80 )=0,3907−0,2881=0,1026 ou 10,26 %
d) P( Z> 0,6)
P ( Z >0,6 )=P ( Z >0 ) −P ( 0< Z <0,60 ) =0,5−0,2258=0,2742 ou 27,42 %
e) P( Z< 0,92)
P ( Z <0,92 )=P ( Z< 0 ) + P ( 0<Z <0,92 ) =0,5+0,3212=0,8212ou 82,12 %
3) Os salários semanais dos operários industriais são distribuidos
normalmente, em torno da média de R$ 500, com desvio padrão de R$ 40. Calcule a probabilidade de um operário ter um salário semanal situado entre R$ 490 e R$ 520. P(490 < X < 520) = μ=500 σ =4 0
P(490 < X < 520) = P ( 490−500
40 <Z < 520−500 40 )=P(−0,25< Z <0,50)
P (−0,25< Z< 0,50 )=¿
P (−0,25< Z< 0,50 )=P (−0,25< Z< 0 ) + P ( 0< Z< 0,50 )=0,0987+ 0,1915=0,2902 ou 29,02 % 4. Sendo Z uma variável aleatória com distribuição normal reduzida, calcule: a) P(0 < Z < 1,44) = 0,4251 ou 42,51%
b) P(- 0,85 < Z < 0) = P(0 < Z < 0,85) = 0,3023 ou 30,23%
c) P(- 1,48 < Z < 2,05) = P(-1,48 < Z < 0) + P(0 < Z < 2,05) = 0,4306 + 0,4798 = 0,9104 d) P(0,72 < Z < 1,89)
P(0,72 < Z < 1,89) = P(0 < Z < 1,89) – P(0 < Z < 0,72) = 0,4706 – 0,2642 = 0,2064 e) P(Z > -2,03)
