ESTATÍSTICA APLICADA

ESTATÍSTICA APLICADA

Graduação

1
 ESTATÍSTICA APLICADA

DISTRIBUIÇÃO DE PROBABILIDADE
UNIDADE 7
Estudaremos nesta unidade duas importantes distribuições de
probabilidade: Distribuição Binomial e Distribuição Normal.

Quando estudamos fenômenos aleatórios, estamos interessados em

algum resultado ou alguns resultados relacionados ao experimento. As
distribuições de probabilidade permite-nos através de experimentos
quantificar os possíveis resultados de uma variável discreta ou contínua.

OBJETIVOS:
Identificar e calcular problemas relacionados à contagem – Distribuição
Binomial.

Identificar e calcular problemas relacionados a espaços amostrais

contínuos e as variáveis contínuas – Distribuição Normal.

PLANO DA UNIDADE:
• Definição e classificação de variáveis.

• Distribuição Binomial.

• Distribuição Normal de Probabilidade.

Bons estudos.

73
UNIDADE 7 - DISTRIBUIÇÃO DE PROBABILIDADE

DEFINIÇÃO E CLASSIFICAÇÃO DE VARIÁVEIS

Quando estudamos estatística uma das primeiras coisas que
aprendemos é a definição e classificação de uma Variável. Uma variável pode
ser classificada como Variável Qualitativa ou Variável Quantitativa. As
variáveis quantitativas são classificadas como: Quantitativa Discreta e
Quantitativa Contínua. Vamos relembrar:

1. Variável Qualitativa É aquela que os valores são expressos

por atributos, por exemplo: cor de cabelo, sexo, etc.

2. Variável Quantitativa É a variável quantificável, ou seja,

assume valor numérico.

Discreta – É a variável que assume valor inteiro. Os dados discretos

são resultados de contagem, por exemplo: número de carros que passam
na ponte Rio de Janeiro – Niterói; atletas que cruzam a linha de chegada da
maratona de São Silvestre, etc.

Contínua – É a variável que assume qualquer valor num intervalo

contínuo, por exemplo: índice da bolsa de valores de New York; pressão
sistólica arterial, etc.

Como existem dois tipos de variáveis quantitativas, ao darmos início

ao estudo das distribuições de probabilidade, essas distribuições também
tratam as variáveis de acordo com a sua classificação. As principais
distribuições de probabilidade são: Binomial, Normal, Uniforme, Bernoulli,
Poison, Hipergeométrica, Beta, Gama, etc.

Para a variável discreta a principal distribuição de probabilidade é a

Distribuição Binomial.

Para a variável contínua a principal distribuição de probabilidade é a

Distribuição Normal.

Nosso objeto de estudo nesta unidade são as distribuições Binomial e

Normal, e por que não trabalharmos com as outras distribuições de
probabilidade?

Quando trabalhamos com uma variável aleatória discreta, normalmente

temos um problema de contagem. A distribuição Binomial utiliza os
parâmetros n e p, onde n é o tamanho da amostra ou o número de vezes
que se faz um experimento e p a probabilidade de sucesso de um evento
acontecer. Com isso, podemos efetuar experimentos para verificar a
probabilidade de sucesso de um evento acontecer (p) e a probabilidade de
insucesso de um evento acontecer (1-p), quantas vezes forem necessárias.

Quando trabalhamos com uma variável aleatória contínua estamos

com uma variável que pode assumir qualquer valor dentro de um intervalo
real. Por exemplo, velocidade de um Boeing a determinada altitude no período
de 1 hora. O que se observa no emprego de testes estatísticos com este
tipo de variável é que as ocorrências de uma variável qualquer estudada ao
acaso, ao longo do experimento desta variável, em um dado momento,
observa-se um comportamento regular nas ocorrências. E este
comportamento regular permitiu que, no estudo de grandes amostras, criasse

74
 ESTATÍSTICA APLICADA

um padrão onde o erro de mensuração para estas variáveis poderiam ser

agrupados e classificados dentro de um padrão considerado normal.

As variáveis aleatórias contínuas que seguem a um padrão normal

possuem uma característica gráfica que se enquadra dentro de uma curva,
chamada de curva normal de erros. Esta curva tem a forma de um sino e os
erros de mensuração vão de -3ó a +3ó (lê-se: menos 3 desvios a mais 3
desvios). O desvio padrão, aqui representado por ó (sigma) significa quanto
para + ou para – estamos afastados da média .

Na distribuição normal os parâmetros são: o desvio padrão ó e a

média .

Área sob uma curva normal a 1, 2 e 3 desvios padrões a contar de cada lado da
média.

DISTRIBUIÇÃO BINOMIAL
Definição: considere um experimento , e seja A algum evento associado
a . Admitamos que P(A) = p e conseqüentemente P( ) = 1-p. Considere n
repetições de . O espaço amostral S será formado por todas as seqüências
possíveis {a1, a2, ..., na}, onde cada ai é o evento A ou , dependendo do que
tenha ocorrido na iésima repetição do experimento (existem 2n dessas
seqüências). Suponha que P(A) = p permaneça a mesma para todas as
repetições. Seja a variável aleatória que indica o número de vezes que o
evento A tenha ocorrido. Definiremos a variável aleatória discreta X como
variável aleatória Binomial de Parâmetro n e p. Os valores de X são
evidentemente: 0, 1, 2, ..., n; e X~b(n,p) significa que X tem distribuição
binomial de parâmetros n e p.

· Teorema:

Seja X uma variável aleatória binomial, então:

Pr{X = k} = Cn,k . pk . (1 – p)n-k k= 0, 1, 2, ..., n.

Cn,k =

75
UNIDADE 7 - DISTRIBUIÇÃO DE PROBABILIDADE

Lançar um dado 3 vezes EXEMPLIFICANDO

X Número de vezes que aparece a face 2.

Determine a probabilidade de X = 0, ou seja, a probabilidade de não aparecer

a face 2 ao lançar o dado 3 vezes.

Temos uma distribuição binomial: X~b(3,1/6)

n =3 p=1/6 X~b(3, 1/6)

Pr{X = k} = Cn,k . pk . (1 – p)n-k

Pr{X = 0} = C3,0 . (1/6)0 . (5/6)3

Pr{X = 0} = 1 . 1 . 125

216
125
Pr{X = 0} =
216
No cálculo efetuado acima, para facilitar as contas, podemos buscar
no anexo VII a tabela com combinações previamente calculadas.

C3,0’!n=3 e k=0

O setor de saúde do trabalhador, ao acompanhar por um longo período

EXEMPLIFICANDO
a aplicação de um produto químico domiciliar, verificou que este produto causa
lesões na pele de 40% dos funcionários que trabalham com ele. Ao examinar
uma amostra de 15 destes profissionais, pede-se determinar a probabilidade
de causar lesões na pele em mais de 3 e no máximo em 6 deles.

Temos uma distribuição binomial: X~(15,0,40)

P(3< X <6) = Pr(X=4) + Pr(X=5) + Pr(X=6)

Então: Pr(X=3) + Pr(X=4) + Pr(X=5) + Pr(X=6) = 0,5817 ou 58,17%

76
 ESTATÍSTICA APLICADA

Distribuição Normal de Probabilidade

Vamos apresentar uma distribuição de probabilidade sendo aplicada

em inúmeros fenômenos e utilizada para o desenvolvimento técnico da
estatística. Esta distribuição de Gauss, Laplace ou Gauss Laplace.

Seja X uma variável aleatória contínua com função de densidade dada

por: f(X) =

onde: = média distribuição

= desvio padrão de X

= 3,71416.....

e = 2,71....

Sendo o seu gráfico:

Para o cálculo das probabilidades, surgem dois grandes problemas:

1. a integração de f(x), pois seria necessário para o desenvolvimento de

séries;

2. a criação de uma tabela, pois f(x) depende de dois parâmetros e isto

provocaria um grande trabalho, por causa das diversas combinações que
poderiam surgir com .

A maneira de solucionarmos este problema é por meio de uma

transformação de variável e pelo uso de uma particular distribuição chamada
de DISTRIBUIÇÃO NORMAL PADRÃO ou REDUZIDA.

Distribuição Normal Padrão

Seja Z uma variável aleatória, tal que: , onde X é uma

variável aleatória normal com média e variância .

77
UNIDADE 7 - DISTRIBUIÇÃO DE PROBABILIDADE

· Média de Z será dada por:

E[Z] =E [Z] significa valor esperado, esperança ou média.

E[Z] =

E[Z] =

E[Z] = 0

· Variância de Z será dada por:

logo, temos uma função de densidade.

Chamamos de função de densidade Normal Padrão, isto é:

Z~N(0; 1), lê-se: Z tem distribuição normal com =0e = 1.

(Z) = valores
Como a média de Z é zero e a variância de Z é 1, as probabilidades
tabelados da distribuição
sob (Z) são calculadas e tabeladas, obtendo a função de distribuição de Z.
normal padrão.
A notação de uma variável aleatória contínua normal qualquer, será
dada por: X~N( ; ), lê-se: X tem distribuição normal com média µ e
variância.

Propriedades da Distribuição Normal

Como foi visto, o gráfico de f(x) de uma V.A.C. (variável aleatória

contínua) normal tem a forma de um sino e é simétrica em relação a média µ.
Fixando-se a média, verifica-se que o “achatamento” está diretamente ligado
ao valor do desvio padrão ó, assim:

78
 ESTATÍSTICA APLICADA

1a Propriedade:

· f(x) é simétrica em relação a .

· (z) é simétrica em relação a 0.

2a Propriedade:

· F(x) tem dois pontos de inflexão cujas abscissas valem + e - .

· (z) tem dois pontos de inflexão cujas abscissas valem +1 e -1.

Exemplificação de consulta à tabela de (z) através de um exemplo:

P(z -2,62) = (-2,62)

79
UNIDADE 7 - DISTRIBUIÇÃO DE PROBABILIDADE

Na primeira coluna à direita, tomamos o número com a casa decimal e

na primeira linha tomamos o número da casa das centenas (após a vírgula),
a interseção desses dois elementos é a probabilidade procurada.

P(z -2,62) = 0,0044

-Propriedades:

· P(z1 Z z2) = P(z1 < Z < z2) = (z2) – (z1)

· P(Z > z 1) = P(Z >z1) = 1 – P(Z z1) = 1 - (z1) EXEMPLIFICANDO

1) P(-2 Z 1) = (1) – (2)

P(-2 Z 1) = 0,8413 – 0,0028 = 0,8385

P(-2 Z 1) = 0,8385

2) P(Z > 1) = 1 – p(Z 1)

P(Z > 1) = 1 – (1)

P(Z > 1) = 1 – 0,8413

P(Z > 1) = 0,1517

Caso X~N( ; ) o cálculo de qualquer probabilidade será feito através

da normal padrão e a transformação:

Z= ~ N(0; 1) isto é, z = logo:

· P(X x) = P(Z z)

z=

· P(x1 < X < x2) = P(z1 < Z < z 2)

z1 =

80
 ESTATÍSTICA APLICADA

z2 =

· P(X > x) = P(Z > z)

z=

Nas probabilidades anteriores em nada se altera, caso tivéssemos e”

ou d” em vez de > ou <.

Exemplo: X~N(10;25), determine:

X~N(10;25) significa que X tem distribuição normal de média =10 e variância

=25, logo =5.

a) P(8< x < 11)

b) P(X > 6)

c) P(X < 9)

d) P(X < x) = 0,9918 determine x

a)

P(8 < X < 11) = P(-0,40 < x < 0,20)

P(8 < X < 11) = Ö(0,20) – Ö(-0,40)

P(8 < X < 11) = 0,5793 – 0,3446 = 0,2347

b)

P(X > 6) = P(Z > z)

P(Z > -0,8) = 1 – P(Z -0,8)

P(Z > -0,8) = 1 – (-0,8)

P(Z > -0,8) = 1 – 0,2119 = 0,7881

c)

P(X < 9) = P(Z < z)

81
UNIDADE 7 - DISTRIBUIÇÃO DE PROBABILIDADE

P(X < 9) = P(Z – 0,2)

P(X < 9) = (-0,2)

P(X < 9) = 0,4207

d)

P(X < x) = P(Z < z) = 0,9918

P(Z < z) = 0,9918

(z) = 0,9918 z=2,4

12 = x – 10

12 + 10 = x x = 22

Carlos Eduardo e Camélia irão se casar no próximo fim de semana.

Eles ganharam muitos presentes, mas infelizmente ficou faltando um
eletroeletrônico muito importante. Eles não tinham ainda geladeira. Dirigiram-
se até uma loja e lá observaram que os modelos vinham indicando o consumo
de energia. O modelo que eles gostaram possuía as seguintes especificações:
o consumo desta geladeira tende a uma distribuição normal com média de
consumo de 220v/dia, com desvio padrão 20,02. Com essas informações,
como Carlos conhecia um pouquinho de cálculo de distribuição normal, ele
ficou curioso em saber qual a probabilidade da geladeira consumir mais do
que 250v/dia.

P(X > 250)= P(Z > z)

P(X < 250) = 1 – (1,50

P(X < 250) = 1- 0,9332 = 0,0668 ou 6,68%

É HORA DE SE AVALIAR!
Não esqueça de realizar as atividades desta unidade de estudo,
presentes no caderno de exercício! Elas irão ajudá-lo a fixar o
conteúdo, além de proporcionar sua autonomia no processo
de ensino-aprendizagem. Caso prefira, redija as respostas no
caderno e depois as envie através do nosso ambiente virtual
de aprendizagem (AVA). Interaja conosco!

Vimos nesta unidade duas distribuições de probabilidade que são de

extrema importância. Para problemas de contagem, a distribuição Binomial e a
distribuição Normal. Vocês verão nas próximas unidades como a distribuição
Normal é importante no estudo da estatística, pois os testes paramétricos
seguem um padrão baseado em uma normalidade que é a curva da distribuição
Normal, em que suas probabilidades já são conhecidas e calculadas dentro da
curva da normal.

Estudaremos, na próxima unidade, problemas de correlação e regressão.

82