Escolar Documentos
Profissional Documentos
Cultura Documentos
Introdução........................................................................................................................................3
Variáveis aleatórias..........................................................................................................................3
Distribuição de probabilidades.....................................................................................................4
Distribuição Normal.....................................................................................................................6
Conclusão......................................................................................................................................12
Referências Bibliograficas.............................................................................................................13
1
Introdução
O presente trabalho tem como Tema Variáveis aleatórias continuas e Distribuição normal, O
nosso objectivo é o estudo de fenómenos (experiências) aleatórios e medidas associadas a esses
fenómenos, que representamos por variáveis aleatórias (v.a.’s). Dada a realização de um
experimento aleatório qualquer, com um certo espaço de probabilidade, desejamos estudar a
estrutura probabilística de quantidades associadas à esse experimento. Note que antes da
realização de um experimento, não sabemos seu resultado, entretanto seu espaço de
probabilidade pode ser previamente estabelecido. Dessa forma, podemos atribuir probabilidades
aos eventos desse espaço amostral, dando origem ao conceito de variável aleatória. A
distribuição Normal também é conhecida como de Gauss, em referência ao emprego pioneiro
dessa distribuição no tratamento dos erros aleatórios de medidas experimentais, atribuído ao
matemático alemão Karl Friedrich Gauss (1777-1855).
Variáveis aleatórias
De acordo com Peternelli (s.a), ʻʻ uma função cujo valor é um número real determinado por cada
elemento em um espaço amostral é chamado uma variável aleatória (v.a.) ʼʼ (p.47).
Exemplo: Duas peças são retiradas sucessivamente, sem reposição, de uma caixa que contem
quatro peças boas (B) e 3 peças defeituosas (D).
S = { BB, BD , DB , DD }
S* = { 0,1,2 }
2
3
Fazendo uma correspondência entre S e S* teríamos:
Evento simples Y= y
BB 2
BD 1
DB 1
DD 0
Segundo Barbetta, Reis & Bornia (2004), referem que uma variável aleatória pode ser entendida
como uma variável quantitativa, cujo resultado (valor) depende de fatores aleatórios.
Exemplo:
Distribuição de probabilidades
Existem diversos modelos probabilísticos que procuram descrever vários tipos de variáveis
aleatórias: são as distribuições de probabilidade de variáveis aleatórias (discretas ou contínuas).
4
Existem muitas distribuições de probabilidade, mas algumas merecem destaque por sua
importância prática. Estas distribuições também são chamadas de modelos probabilísticos.
Segundo Sousa (s.a.), Variável Aleatória Contínua (VAC) é aquela que pode tomar qualquer
valor numérico em um determinado intervalo ou coleção de intervalos. Ou seja, entre quaisquer
de dois elementos vizinhos há quantidades intermediárias infinitas, dependentes da sensibilidade
do instrumento de medida.
Exemplo: Imagine nas Olimpíadas o lançamento de martelo. Sabemos de antemão que os valores
do lançamento de martelo atingem no máximo a distância de 60 metros e a distância mínima
classificatória de 30. Ou seja, todos os lançamentos serão dentro desse intervalo, podendo
assumir uma infinidade de possibilidades, pois sempre existirá uma fração para medir a menor
diferença possível entre um lançamento e outro, como 59,2512m.
Neste caso X seria uma vac que assume qualquer valor no intervalo 30 > X < 60.
Para Mayer (s.a.), Uma V.A. é classificada como contínua se assume valores em qualquer
intervalo dos números reais, ou seja, um conjunto de valores não enumerável. Dessa forma, não é
possível atribuir probabilidades para um ponto específico, apenas para intervalos da reta.
Não podemos atribuir probabilidades à valores específicos, pois há uma quantidade não
enumerável (infinita) de valores em um ponto.
5
Distribuição normal de Probabilidades
Distribuição Normal
Aderência à Distribuição Normal: O passo mais simples seria construir um Histograma com a
curva normal e verificar visualmente se ela é normal de fato. Por exemplo: o gráfico de vendas
de autopeças de um fabricante de Tete.
Propriedades
6
Os pontos de inflexão da função são: X= μ+σ e X= μ-σ.
A distribuição normal com média µ=0 e variância σ²=1 é conhecida como distribuição normal
reduzida ou padronizada. Uma variável aleatória com essa distribuição geralmente é simbolizada
pela letra Z.
2
1 1 −x 2
f ( x , μ , σ )=
√2π σ 2
e (
−x −μ
2σ 2 )
,−∞< x <∞ , σ >0 f ( x )=
√2 π
e( )
2
1 −x −μ 2
f ( x , μ , σ )=
√2π σ2
e( 2σ 2 ),−∞< x <∞ , σ >0
7
Distribuições contínuas de probabilidade
Seja X uma VAC que pode tomar todos os valores num intervalo [ a , b ]. Se a probabilidade de a
variável assumir valores num subintervalo for a mesma que para qualquer outro subintervalo de
mesmo comprimento teremos então uma distribuição uniforme. A função densidade de
probabilidade de uma VAC deste tipo será:
1
f ( x )= para a ≤ x ≤ b = 0 para qualquer outro valor.
b−a
Distribuição exponencial
Uma variável aleatória continua T tem uma distribuição exponencial de parâmetro λ se sua
função densidade de probabilidade f (t) for do tipo:
Um dos modelos mais importantes, tanto do ponto de vista teórico quanto prático, é o modelo
normal. Este modelo, também chamado de modelo de Gauss, foi estabelecido por volta de 1733
pelo matemático francês Abraham De Moivre, e serve para explicar inúmeros fenômenos
naturais, físicos, psicológicos, sociológicos.
Definição: Dizemos que uma V.A. X segue o modelo normal se sua fdp é a seguinte:
1 −1 x−μ 2
f ( x )=
√ 2 πσ
exp
[ ( ) ]
2 σ
❑ , -∞ < x <∞
X−μ
Z= N (μ,σ)
σ
8
9
Exemplo: Suponha que a média populacional do coeficiente de inteligência (QI) seja 100, com
desvio-padrão 15.
a) Qual a probabilidade de selecionarmos uma pessoa ao acaso, e ela ter QI entre 90 e 115?
b) Seja X ∼N(30,16). Qual a probabilidade de obtermos um valor maior ou igual a 38?
90−100 −10
a) Z= = = - 0,6667
15 15
115−100 15
Z= = =1
15 15
30−38 −8
b) Z= = = - 0,5
16 16
10
Características da curva normal:
É simétrica em relação à µ;
O ponto máximo (moda) de f (x) é o ponto x = µ;
Os pontos de inflexão da função são µ−σ e µ + σ;
A área total sob a curva é 1 ou 100%;
A curva é assintótica em relação ao eixo x;
11
Media e Variância de uma Variável Aleatória continua e suas propriedades
Media (μ ¿
Variância (V)
Segundo Viali (s.a.), Seja X uma variável aleatória distribuída binominalmente com parâmetros
12
Quando o número de provas ʻʻnʼʼ cresce (tende ao infinito) a distribuição binomial tende a uma
distribuição normal de media (μ ¿= np e desvio padrão σ =√ npq. Em geral admite – se que para
np ≥ 5 e np ≥ 5 ,ʻʻnʼʼ já será suficientemente grande para se poder aproximar uma distribuição
binomial a normal.
No entanto, devido ao facto de se estar aproximado uma distribuição discreta, através de uma
continua, recomenda – se para se obter maior precisão, realizar uma correção de continuidade
que consiste em transformar, por exemplo, P ( X=x ) n intervalo P( x−0,5< X < x +0,5) e o mesmo
em qualquer outra situação.
a) Exactamente 12 caras?
Solução
μ=np=30. ( 12 )=15
σ =√ npq=√ 30 . ( 12 ) .( 12 )=2,7386
Conclusão
Chegado ao final deste trabalho conclui – se que Variável Aleatória Contínua (VAC) é aquela
que pode tomar qualquer valor numérico em um determinado intervalo ou coleção de intervalos.
Ou seja, entre quaisquer de dois elementos vizinhos há quantidades intermediárias infinitas,
dependentes da sensibilidade do instrumento de medida. A distribuição normal é a mais
importante distribuição de variáveis aleatórias contínuas em razão da sua enorme aplicação nos
13
mais variados campos do conhecimento. Possui dois parâmetros característicos µ e σ² que
correspondem respectivamente a média e a variância da distribuição. A distribuição normal com
média µ=0 e variância σ²=1 é conhecida como distribuição normal reduzida ou padronizada.
14
Referências Bibliográficas
Barbetta, P. A., Reis, M. M., & Bornia, A. C. (2004). Estatistíca para cursos de engenharia e
informática. São Paulo: Atlas.
15
16