Seção 2 - Aula 14: Resumo Do Módulo I

Seção 2 – Aula 14
Resumo do Módulo I
Variáveis Aleatórias
Variável aleatória : variável cujos possíveis valores dependem de

eventos aleatórios
Por exemplo, o conjunto dos possíveis resultados no

lançamento de um dado honesto
Variáveis Aleatórias
Variável aleatória : discreta ou contínua
Discreta – quando os possíveis valores podem ser obtidos a partir de

uma contagem
Contínua – quando os possíveis valores não podem ser obtidos a partir

de uma contagem, mas sim de uma medição
Distribuições de probabilidade
Ajudam a descrever o comportamento e as características

de um evento aleatório
Em forma de tabela: x 0 1 2 Total
P(X = x) 25 10 1 1
36 36 36
Distribuições de probabilidade
Ajudam a descrever o comportamento e as características

de um evento aleatório
Na forma gráfica:
A Esperança (valor esperado) de uma
distribuição de probabilidades
A esperança de uma distribuição de probabilidades é o valor que

você esperaria ocorrer, na média, caso repetisse o experimento
um número muito grande de vezes.
A Esperança (valor esperado) de uma
distribuição de probabilidades
Definição:
Seja X uma variável aleatória discreta com distribuição

de probabilidade P(x).
A Esperança, ou valor esperado de X é dado por:
𝑬 𝑿 = 𝝁 = ෍ 𝒙 ∙ 𝑷(𝒙)
Cálculo da Variância e Desvio Padrão
Desvio = 𝑥𝑖 − 𝑥ҧ
Indica o quanto cada valor 𝑥𝑖 dista da média 𝑥ҧ
σ(𝑥𝑖 −𝑥)ҧ 2
Variância =
𝑛
Indica a média do quadrado dos desvios de cada valor 𝑥𝑖
Desvio Padrão = 𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑖𝑎

Indica a média dos desvios de cada valor 𝑥𝑖
Variância e Desvio Padrão de uma distribuição
de probabilidades discreta
x x1 x2 ... xn
P(X = x) p1 p2 ... pn
E(X) = µ = σ 𝑥𝑖 ∙ 𝑝𝑖 (Esperança ou Valor médio)
Var(X) = σ2 = σ(𝑥𝑖 − 𝜇)2 ∙ 𝑝𝑖 (Variância)
𝜎 = 𝜎 2 = σ(𝑥𝑖 − 𝜇)2 ∙ 𝑝𝑖 (Desvio Padrão)

Experimento binomial
✓ Um experimento binomial tem um número fixo de tentativas, n;
✓ As tentativas são idênticas e independentes;
✓ Em cada tentativa, há somente duas possibilidades, denominadas

sucesso ou fracasso;
✓ A probabilidade de sucesso, denominada p, é constante;
✓ A probabilidade de fracasso, denominada q ou 1-p, também é

constante;
Distribuição binomial
✓ É uma distribuição de probabilidades que modela experimentos

binomiais;
✓ Variável aleatória discreta binomial é denotada por X ~ B(n, p);
✓ As Probabilidades são dadas por:
𝒏 𝒙 𝒏−𝒙 , 𝑛 𝑛!
𝑷 𝑿=𝒙 = 𝒑 × 𝟏−𝒑 onde: x = 0, 1, 2, ..., n e =
𝒙 𝑥 𝑥! 𝑛−𝑥 !
✓ Distribuição binomial acumulada: utilizada quando queremos

calcular a probabilidade de, no máximo, x sucessos
Parâmetros da distribuição binomial
Considere um experimento binomial com n tentativas, probabilidade

de sucesso p, e probabilidade de fracasso q = 1 – p.
A esperança, variância e desvio padrão são dados por:
E(X) = np
σ2 = npq
σ = 𝑛𝑝𝑞
Distribuição de Poisson
➢ É uma distribuição de probabilidades
discreta com diversas aplicações;
➢ Foi descoberta pelo Matemático Francês

Siméon-Denis Poisson, que registrou sua
descoberta em um livro com mais de 400
páginas dedicadas ao seu achado;
➢ Foi descoberta pelo Matemático Francês

Siméon-Denis Poisson, que registrou sua
descoberta em um livro com mais de 400
páginas dedicadas ao seu achado;
➢ Poisson tentava encontrar uma aproximação à distribuição Binomial

quando o número de tentativas é muito grande e a probabilidade
de sucesso é pequena.
É utilizada para o cálculo de probabilidades de se obter um certo número

de sucessos que ocorram em um determinado intervalo de tempo ou
espaço.

espaço.
Exemplos:
▪ O número de ligações telefônicas a um serviço de
telemarketing por hora

espaço.
Exemplos:
▪ O número de acidentes de automóvel em uma

rodovia por mês

espaço.
Exemplos:
▪ O número de acidentes de automóvel em uma

rodovia por mês
▪ O número médio de erros detectados em páginas de

um livro, etc...
Condições da Distribuição de Poisson
✓ A ocorrência de um evento em um intervalo particular de tempo ou

espaço deve ser independente do que ocorre em outro intervalo

espaço deve ser independente do que ocorre em outro intervalo;
✓ A probabilidade de sucesso em um pequeno intervalo de tempo

deve ser constante;


deve ser constante;
✓ A probabilidade de que dois eventos ocorram ao mesmo tempo ou

no mesmo espaço é nula (evento impossível).
Fórmula de cálculo
Seja X uma variável aleatória discreta que segue a Distribuição de

probabilidades de Poisson com parâmetro k.
Notação: X ~ Po(k)

A função que permite o cálculo da probabilidade pela distribuição de

Poisson é dada por:
𝑘 𝑥 𝑒 −𝑘
𝑃 𝑋=𝑥 = , onde x = 0,1, 2, 3, 4, ...
𝑥!
Exemplo 1
O número de acidentes por dia em uma rodovia pode ser modelado

pela Distribuição de Poisson com parâmetro k = 0,5. Calcule a
probabilidade de que, em um dia escolhido ao acaso:
a) ocorram exatamente 2 acidentes
b) ocorram pelo menos 2 acidentes

Exemplo 1

Seja X ~ Po(0,5)
Exemplo 1

Seja X ~ Po(0,5)
0,52 𝑒 −0,5
Assim: 𝑃 𝑋 = 2 = =
2!
Exemplo 1

Seja X ~ Po(0,5)
0,52 𝑒 −0,5
Assim: 𝑃 𝑋 = 2 = = 0,0758 ou 7,58%
2!
Exemplo 1

X ~ Po(0,5)
Exemplo 1

X ~ Po(0,5)
P(X  2) =
Exemplo 1

X ~ Po(0,5)
P(X  2) = 1 – P(X ≤ 1) = 1 – [P(X = 0) + P(X = 1)] =

Exemplo 1

X ~ Po(0,5)
P(X  2) = 1 – P(X ≤ 1) = 1 – [P(X = 0) + P(X = 1)] =
0,50 𝑒 −0,5 0,51 𝑒 −0,5

=1– + =
0! 1!
Exemplo 1

X ~ Po(0,5)
P(X  2) = 1 – P(X ≤ 1) = 1 – [P(X = 0) + P(X = 1)] =
0,50 𝑒 −0,5 0,51 𝑒 −0,5

=1– + = 0,0902 ou 9,02%
0! 1!
Exemplo 2
Uma variável aleatória X é modelada pela distribuição de Poisson, tal

que X ~ Po(k).
Calcule o valor do parâmetro k, sabendo-se que P(X = 1) = 0,15

Exemplo 2

que X ~ Po(k).
Se P(X = 1) = 0,15, então:

Exemplo 2

que X ~ Po(k).
𝑘 1 𝑒 −𝑘
Se P(X = 1) = 0,15, então: = 0,15
1!
Exemplo 2

que X ~ Po(k).
𝑘 1 𝑒 −𝑘
Se P(X = 1) = 0,15, então: = 0,15
1!
Simplificando: 𝑘𝑒 −𝑘 = 0,15
Exemplo 2

que X ~ Po(k).
𝑘 1 𝑒 −𝑘
Se P(X = 1) = 0,15, então: = 0,15
1! y = ke-k
y = 0,15
Simplificando: 𝑘𝑒 −𝑘
= 0,15
k
Exemplo 2

que X ~ Po(k).
𝑘 1 𝑒 −𝑘 (0,18; 0,15) (3; 0,15)

Se P(X = 1) = 0,15, então: = 0,15
1! y = ke-k
y = 0,15
= 0,15
k
Exemplo 2

que X ~ Po(k).
𝑘 1 𝑒 −𝑘 (0,18; 0,15) (3; 0,15)

Se P(X = 1) = 0,15, então: = 0,15
1! y = ke-k
y = 0,15
= 0,15
k
Assim: k = 0,18 ou k = 3
Lembre-se
➢ A distribuição de Poisson é uma distribuição de probabilidades
➢ Foi descoberta pelo Matemático Francês Siméon-Denis Poisson,

que tentava encontrar uma aproximação à distribuição Binomial
quando o número de tentativas é muito grande e a probabilidade
de sucesso é pequena.
➢ É utilizada para o cálculo de probabilidades de se obter um certo

número de sucessos que ocorram em um determinado intervalo de
tempo ou espaço.
Lembre-se
Condições da distribuição de Poisson:


deve ser constante;

Lembre-se
Condições da distribuição de Poisson:


deve ser constante;

Lembre-se
Fórmula de cálculo da distribuição de Poisson:

A função que permite o cálculo da probabilidade pela distribuição de

Poisson é dada por:
𝑃 𝑋=𝑥 = , onde x = 0,1, 2, 3, 4, ...
𝑥!
Próxima aula
➢ Os parâmetros da Distribuição de Poisson

Módulo II – Aula 16
Os parâmetros da Distribuição de
Poisson
A Esperança (valor médio) da
Por ser uma distribuição discreta, podemos usar a definição de

esperança já vista anteriormente:

𝐸 𝑋 = ෍ 𝑥𝑃(𝑥) =

𝐸 𝑋 = ෍ 𝑥𝑃(𝑥) = ෍ 𝑥
𝑥!

𝐸 𝑋 = ෍ 𝑥𝑃(𝑥) = ෍ 𝑥
𝑥!
𝑘 ∙ 𝑘 𝑥−1 𝑒 −𝑘 𝑘 𝑥−1 𝑒 −𝑘
𝐸 𝑋 = ෍𝑥 =𝑘 ෍
𝑥(𝑥 − 1)! (𝑥 − 1)!

𝑘 𝑥 𝑒 −𝑘 y = x -1 
𝐸 𝑋 = ෍ 𝑥𝑃(𝑥) = ෍ 𝑥
𝑥!
𝑘 ∙ 𝑘 𝑥−1 𝑒 −𝑘 𝑘 𝑥−1 𝑒 −𝑘
𝐸 𝑋 = ෍𝑥 =𝑘 ෍
𝑥(𝑥 − 1)! (𝑥 − 1)!

𝑘 𝑦 𝑒 −𝑘
𝑘 𝑥 𝑒 −𝑘 y = x -1  σ =
𝑦!
𝐸 𝑋 = ෍ 𝑥𝑃(𝑥) = ෍ 𝑥
𝑥!
𝑘 ∙ 𝑘 𝑥−1 𝑒 −𝑘 𝑘 𝑥−1 𝑒 −𝑘
𝐸 𝑋 = ෍𝑥 =𝑘 ෍
𝑥(𝑥 − 1)! (𝑥 − 1)!

𝑘 𝑥 𝑒 −𝑘 y = x -1  σ =1
𝑦!
𝐸 𝑋 = ෍ 𝑥𝑃(𝑥) = ෍ 𝑥
𝑥!
𝑘 ∙ 𝑘 𝑥−1 𝑒 −𝑘 𝑘 𝑥−1 𝑒 −𝑘
𝐸 𝑋 = ෍𝑥 =𝑘 ෍
𝑥(𝑥 − 1)! (𝑥 − 1)!

𝑘 𝑥 𝑒 −𝑘 y = x -1  σ =1
𝑦!
𝐸 𝑋 = ෍ 𝑥𝑃(𝑥) = ෍ 𝑥
𝑥!
𝑘 ∙ 𝑘 𝑥−1 𝑒 −𝑘 𝑘 𝑥−1 𝑒 −𝑘
𝐸 𝑋 = ෍𝑥 =𝑘 ෍ 𝑬 𝑿 =𝒌
𝑥(𝑥 − 1)! (𝑥 − 1)!
A Variância da Distribuição de Poisson
Aula anterior:
Distribuição de Poisson é uma aproximação da distribuição binomial

quando “n” tende a um valor muito grande (infinito) e a probabilidade
de sucesso “p” é pequena.
Aula anterior:

Assim, Podemos usar as fórmulas: 𝜇 = 𝑛𝑝 e 𝜎 2 = 𝑛𝑝𝑞

Aula anterior:

Para a distribuição de Poisson:
𝜇 𝜇
𝜎2 = 𝑛𝑝𝑞 = 𝑛 1 −
𝑛 𝑛
Aula anterior:

Para a distribuição de Poisson:
𝜇 𝜇 𝜇
𝜎2 = 𝑛𝑝𝑞 = 𝑛 1 − ⇒ 𝜎2 =𝜇 1 −
𝑛 𝑛 𝑛
Aula anterior:


𝜇
Para a distribuição de Poisson: 𝑛 → ∞, → 0
𝑛
𝜇 𝜇 𝜇
𝜎2 = 𝑛𝑝𝑞 = 𝑛 1 − ⇒ 𝜎2 =𝜇 1 −
𝑛 𝑛 𝑛
Aula anterior:


𝜇
𝑛
𝜇 𝜇 𝜇
𝜎2 = 𝑛𝑝𝑞 = 𝑛 1 − ⇒ 𝜎2 =𝜇 1 − ⇒ 𝜎2 = 𝜇
𝑛 𝑛 𝑛
Aula anterior:


𝜇
𝑛
𝜇 𝜇 𝜇
𝜎2 = 𝑛𝑝𝑞 = 𝑛 1 − ⇒ 𝜎2 =𝜇 1 − ⇒ 𝜎2 = 𝜇 ∴ 𝝈𝟐 = 𝒌
𝑛 𝑛 𝑛
Exemplo 1
Em um livro de 430 páginas, sabe-se que há 125 pequenos erros de

impressão.
a) Qual é o valor médio esperado do número de erros de impressão

nesse livro?
b) Calcule a probabilidade de que as páginas 150 e 151 não

contenham nenhum erro.
Exemplo 1

impressão.

nesse livro?
Seja X “o número de erros encontrados no livro”.
Assim:
Exemplo 1

impressão.

nesse livro?
Seja X “o número de erros encontrados no livro”.
125
Assim: 𝜇 = = 0,2907 … = 0,291
430
Exemplo 1

impressão.

Exemplo 1

impressão.

Seja X “o número de erros encontrados em duas páginas do livro”
Assim:
Exemplo 1

impressão.

Assim: k = 2µ = 2 x 0,291 = 0,582

Exemplo 1

impressão.

Assim: k = 2µ = 2 x 0,291 = 0,582
0,5820 𝑒 −0,582
P(X = 0) = =
0!
Exemplo 1

impressão.

Assim: k = 2µ = 2 x 0,291 = 0,582
0,5820 𝑒 −0,582
P(X = 0) = = 0,559 ou 55,9%
0!
Exemplo 2
Uma locadora de veículos possui 8 carros disponíveis para locação. O

número de clientes que alugam carros por dia é uma variável de
Poisson com valor médio 2. Calcule as seguintes probabilidades:
a) Nenhum carro é alugado.

b) Pelo menos 3 carros são alugados.
Exemplo 2

Seja X “o número de carros alugados em um dia”

Exemplo 2

Assim: X ~ Po(2)
P(X = 0) =
Exemplo 2

Assim: X ~ Po(2)
20 𝑒 −2
P(X = 0) = =
0!
Exemplo 2

Assim: X ~ Po(2)
20 𝑒 −2
P(X = 0) = = 0,135 ou 13,5%
0!
Exemplo 2


Exemplo 2

P(X ≥ 3) = 1 – P(X < 3) = 1 – P(X ≤ 2) =

Exemplo 2

P(X ≥ 3) = 1 – P(X < 3) = 1 – P(X ≤ 2) = 1 – [P(X = 0) + P(X = 1) + P(X = 2)] =

Exemplo 2

P(X ≥ 3) = 1 – P(X < 3) = 1 – P(X ≤ 2) = 1 – [P(X = 0) + P(X = 1) + P(X = 2)] =
= 0,323 ou 32,3%
Lembre-se
➢ A distribuição de Poisson é uma aproximação à distribuição
Binomial quando o número de tentativas é muito grande e a
probabilidade de sucesso é pequena.
➢ Seja X uma variável de Poisson:
Então: E(X) = σ2(X) = k, o parâmetro da distribuição de Poisson

Tarefa: Lista de Exercícios 3
Verde – exercícios básicos
Laranja – exercícios intermediários
Vermelho – exercícios avançados

Próxima aula
➢ Atividade: Teste seus conhecimentos da Distribuição de Poisson

Módulo III – Aula 19
Variáveis aleatórias contínuas
Entendendo variáveis aleatórias contínuas
❑ Variáveis aleatórias contínuas podem assumir qualquer valor no

conjunto dos números reais

❑ A distribuição de probabilidades de uma variável aleatória

contínua é dada por uma função denominada Função
Densidade de Probabilidade (notação f(x))


Densidade de Probabilidade (notação f(x)) f(x)
❑ A Função Densidade de Probabilidade f(x)

deve satisfazer as seguintes propriedades:
❑ f(x) ≥ 0
x
❑ ‫ = 𝑥𝑑 𝑥 𝑓 ׬‬1



❑ f(x) ≥ 0
x
❑ ‫ = 𝑥𝑑 𝑥 𝑓 ׬‬1
➢ Para uma variável aleatória contínua, a probabilidade de um certo

evento é sempre dada por um intervalo (e nunca um valor exato)

m = 78,5 kg

X
m = 78,5 kg
78,45 kg < m < 78,55 kg


X
m = 78,5 kg
78,45 kg < m < 78,55 kg
➢ Consequência: P(a ≤ X ≤ b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a < X < b)

Cálculo da probabilidade
𝑏
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = න 𝑓 𝑥 𝑑𝑥
𝑎
f(x)
𝑏
𝑎 Área
x
x=a x=b
Exemplo
A função densidade de probabilidade para uma variável
aleatória continua X é dada por:
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
a) Calcule o valor de k
b) Calcule P(0,1 < x < 0,4)

Exemplo
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
1
න 𝑘𝑥 2 𝑑𝑥 = 1 ⇒
0
Exemplo
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
1 3 1
𝑘𝑥
න 𝑘𝑥 2 𝑑𝑥 = 1 ⇒ =1⇒
0 3
0
Exemplo
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
1 3 1
𝑘𝑥 𝑘
න 𝑘𝑥 2 𝑑𝑥 =1⇒ =1⇒ −0=1⇒
0 3 3
0
Exemplo
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
1 3 1
𝑘𝑥 𝑘
න 𝑘𝑥 2 𝑑𝑥 =1⇒ =1⇒ −0=1⇒𝑘 =3
0 3 3
0
Exemplo
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
1 3 1
𝑘𝑥 𝑘
න 𝑘𝑥 2 𝑑𝑥 =1⇒ =1⇒ −0=1⇒𝑘 =3 ∴ 𝑓 𝑥 = 3𝑥 2 , 0 ≤ x < 1
0 3 3
0
Exemplo
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
b) Calcule P(0,1 < x < 0,4)

Exemplo
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
b) Calcule P(0,1 < x < 0,4)

0,4
P(0,1 < x < 0,4) = ‫׬‬0,1 3𝑥 2 𝑑𝑥 =
Exemplo
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
b) Calcule P(0,1 < x < 0,4)

0,4 0,4
P(0,1 < x < 0,4) = ‫׬‬0,1 3𝑥 2 𝑑𝑥 = 𝑥3 =
0,1
Exemplo
𝑘𝑥 2 0≤x<1
𝑓 𝑥 =ቊ
0 x < 0, x ≥ 1
b) Calcule P(0,1 < x < 0,4)

0,4 0,4
P(0,1 < x < 0,4) = ‫׬‬0,1 3𝑥 2 𝑑𝑥 = 𝑥3 = 0,43 − 0,13 = 0,063 𝑜𝑢 6,3%
0,1
Exemplo
f(x)
𝑓 𝑥 =ቊ 𝑘𝑥 2 0≤x<1
0 x < 0, x ≥ 1
b) Calcule P(0,1 < x < 0,4)
P(0,1 < x < 0,4) = 0,063 ou 6,3%
x
Lembre-se:



❑ f(x) ≥ 0
x
❑ ‫ = 𝑥𝑑 𝑥 𝑓 ׬‬1
Lembre-se:
f(x)
𝑏
𝑎 Área
x
X=a X=b
Próxima aula
➢ Investigando a Distribuição de Probabilidade contínua

Módulo III – Aula 20
Distribuição de probabilidades contínua
Parâmetros da função densidade
de probabilidade
de probabilidade
Parâmetro Variável aleatória Variável aleatória
discreta contínua
Esperança
(valor médio)
Variância
de probabilidade
discreta contínua
Esperança
𝐸 𝑋 = 𝜇 = ෍ 𝑥𝑃(𝑥)
(valor médio)
Variância
de probabilidade
discreta contínua
Esperança 𝑏
𝐸 𝑋 = 𝜇 = ෍ 𝑥𝑃(𝑥) 𝐸 𝑋 = 𝜇 = න 𝑥𝑓 𝑥 𝑑𝑥
(valor médio)
𝑎
Variância
de probabilidade
discreta contínua
Esperança 𝑏
(valor médio)
𝑎
Variância
𝜎 2 = ෍ 𝑥 − 𝜇 2𝑝 𝑥 =
de probabilidade
discreta contínua
Esperança 𝑏
(valor médio)
𝑎
Variância
𝜎 2 = ෍ 𝑥 − 𝜇 2𝑝 𝑥 = 𝜎 2 = න 𝑥 − 𝜇 2 𝑓 𝑥 𝑑𝑥 =
de probabilidade
discreta contínua
Esperança 𝑏
(valor médio)
𝑎
Variância
𝜎 2 = ෍ 𝑥 − 𝜇 2𝑝 𝑥 = 𝜎 2 = න 𝑥 − 𝜇 2 𝑓 𝑥 𝑑𝑥 =
= σ 𝑥 2 𝑝 𝑥 − 𝜇2 =
de probabilidade
discreta contínua
Esperança 𝑏
(valor médio)
𝑎
Variância
𝜎 2 = ෍ 𝑥 − 𝜇 2𝑝 𝑥 = 𝜎 2 = න 𝑥 − 𝜇 2 𝑓 𝑥 𝑑𝑥 =
= σ 𝑥 2 𝑝 𝑥 − 𝜇2 = = ‫ 𝑥 ׬‬2 𝑓 𝑥 𝑑𝑥 − 𝜇2 =
de probabilidade
discreta contínua
Esperança 𝑏
(valor médio)
𝑎
Variância
𝜎 2 = ෍ 𝑥 − 𝜇 2𝑝 𝑥 = 𝜎 2 = න 𝑥 − 𝜇 2 𝑓 𝑥 𝑑𝑥 =
= σ 𝑥 2 𝑝 𝑥 − 𝜇2 = = ‫ 𝑥 ׬‬2 𝑓 𝑥 𝑑𝑥 − 𝜇2 =
= E(X2) – [E(X)]2 = E(X2) – [E(X)]2

Exemplo 1
Uma variável aleatória X tem função densidade de probabilidade
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
Calcule o valor médio e a variância de X

Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
𝐸 𝑋 =
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2
3
𝐸 𝑋 = න 𝑥 ∙ 𝑥 3 − 𝑥 𝑑𝑥 =
0 10
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2
3 3 2
𝐸 𝑋 = න 𝑥 ∙ 𝑥 3 − 𝑥 𝑑𝑥 = න 3𝑥 2 − 𝑥 3 𝑑𝑥 =
0 10 10 0
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2 2 2
3 3 2 3
3 3 1 4
𝐸 𝑋 = න 𝑥 ∙ 𝑥 3 − 𝑥 𝑑𝑥 = න 3𝑥 − 𝑥 𝑑𝑥 = 𝑥 − 𝑥 =
0 10 10 0 10 4
0
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2 2 2
3 3 2 3
3 3 1 4
0 10 10 0 10 4
0
3
= 8−4 =
10
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2 2 2
3 3 2 3
3 3 1 4
0 10 10 0 10 4
0
3
= 8 − 4 = 1,2
10
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
𝜎2 𝑋 =
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2
3
𝜎2 𝑋 = න 𝑥2 ∙ 𝑥 3 − 𝑥 𝑑𝑥 − 1,22 =
0 10
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2 2
3 3
𝜎 2 𝑋 = න 𝑥 2 ∙ 𝑥 3 − 𝑥 𝑑𝑥 − 1,22 = න 3𝑥 3 − 𝑥 4 𝑑𝑥 − 1,22 =
0 10 10 0
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2 2
3 3
𝜎 2 𝑋 = න 𝑥 2 ∙ 𝑥 3 − 𝑥 𝑑𝑥 − 1,22 = න 3𝑥 3 − 𝑥 4 𝑑𝑥 − 1,22 =
0 10 10 0
2
3 3 4 1 5
= 𝑥 − 𝑥 − 1,22 =
10 4 5
0
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2 2
3 3
𝜎 2 𝑋 = න 𝑥 2 ∙ 𝑥 3 − 𝑥 𝑑𝑥 − 1,22 = න 3𝑥 3 − 𝑥 4 𝑑𝑥 − 1,22 =
0 10 10 0
2
3 3 4 1 5 2
3 32
= 𝑥 − 𝑥 − 1,2 = 12 − − 1,22 =
10 4 5 10 5
0
Exemplo 1
dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
2 2
3 3
𝜎 2 𝑋 = න 𝑥 2 ∙ 𝑥 3 − 𝑥 𝑑𝑥 − 1,22 = න 3𝑥 3 − 𝑥 4 𝑑𝑥 − 1,22 =
0 10 10 0
2
3 3 4 1 5 2
3 32
= 𝑥 − 𝑥 − 1,2 = 12 − − 1,22 = 1,68 − 1,44 = 0,24
10 4 5 10 5
0
A Mediana de uma distribuição de
probabilidades contínua
Em Estatística, a mediana é o valor central de uma variável quando

seus dados estão organizados em ordem ascendente (ou
descendente)

descendente)
2, 4, 5, 6, 9, 12, 13, 14, 15, 18, 20


descendente)
2, 4, 5, 6, 9, 12, 13, 14, 15, 18, 20
Mediana
Para o contexto de uma variável aleatória contínua, a mediana (m)

é a solução da seguinte equação:

𝑚
1
න 𝑓 𝑥 𝑑𝑥 = onde: a ≤ x ≤ b
𝑎 2

𝑚
1
𝑎 2
a b
Mediana (m)
Exemplo 2
Calcule a mediana da variável aleatória X do Exemplo 1,
cuja função densidade de probabilidade foi dada por:
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
Exemplo 2
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
𝑚
3 1
න 𝑥 3 − 𝑥 𝑑𝑥 = ⇒
0 10 2
Exemplo 2
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
𝑚
3 1 3 𝑚 2
1
න 𝑥 3 − 𝑥 𝑑𝑥 = ⇒ න 3𝑥 − 𝑥 𝑑𝑥 = ⇒
0 10 2 10 0 2
Exemplo 2
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
m
𝑚 𝑚
3 1 3 1 3 3 2 1 3 1
න 𝑥 3 − 𝑥 𝑑𝑥 = ⇒ න 3𝑥 − 𝑥2 𝑑𝑥 = ⇒ 𝑥 − 𝑥 =
0 10 2 10 0 2 10 2 3 2
0
Exemplo 2
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
m
𝑚 𝑚
3 1 3 1 3 3 2 1 3 1
න 𝑥 3 − 𝑥 𝑑𝑥 = ⇒ න 3𝑥 − 𝑥2 𝑑𝑥 = ⇒ 𝑥 − 𝑥 =
0 10 2 10 0 2 10 2 3 2
0
3 3 2 1 3 1
𝑚 − 𝑚 = ⇒
10 2 3 2
Exemplo 2
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
m
𝑚 𝑚
3 1 3 1 3 3 2 1 3 1
න 𝑥 3 − 𝑥 𝑑𝑥 = ⇒ න 3𝑥 − 𝑥2 𝑑𝑥 = ⇒ 𝑥 − 𝑥 =
0 10 2 10 0 2 10 2 3 2
0
3 3 2 1 3 1 3 2 1 3 5
𝑚 − 𝑚 = ⇒ 𝑚 − 𝑚 = ⇒
10 2 3 2 2 3 3
Exemplo 2
3
𝑓 𝑥 = 𝑥(3 − 𝑥) para 0 ≤ x ≤ 2
10
m
𝑚 𝑚
3 1 3 1 3 3 2 1 3 1
න 𝑥 3 − 𝑥 𝑑𝑥 = ⇒ න 3𝑥 − 𝑥2 𝑑𝑥 = ⇒ 𝑥 − 𝑥 =
0 10 2 10 0 2 10 2 3 2
0
3 3 2 1 3 1 3 2 1 3 5
𝑚 − 𝑚 = ⇒ 𝑚 − 𝑚 = ⇒ 9𝑚2 − 2𝑚3 = 10
10 2 3 2 2 3 3
Exemplo 2
9𝑚2 − 2𝑚3 = 10
Resolvendo graficamente :
Exemplo 2
y = 9x2 – 2x3
9𝑚2 − 2𝑚3 = 10
y = 10
Exemplo 2
y = 9x2 – 2x3
9𝑚2 − 2𝑚3 = 10
y = 10
(1,238; 10)
Exemplo 2
y = 9x2 – 2x3
9𝑚2 − 2𝑚3 = 10
Mediana: m = 1,24
y = 10
(1,238; 10)
Lembre-se
discreta contínua
Esperança 𝑏
(valor médio)
𝑎
Variância
𝜎 2 = ෍ 𝑥 − 𝜇 2𝑝 𝑥 = 𝜎 2 = න 𝑥 − 𝜇 2 𝑓 𝑥 𝑑𝑥 =
= σ 𝑥 2 𝑝 𝑥 − 𝜇2 = = ‫ 𝑥 ׬‬2 𝑓 𝑥 𝑑𝑥 − 𝜇2 =
= E(X2) – [E(X)]2 = E(X2) – [E(X)]2

Lembre-se

𝑚
1
𝑎 2

Próxima aula
➢ Atividade: Teste seus conhecimentos da Distribuição de

Módulo IV – Aula 23
Introdução à Distribuição Normal de
probabilidades
O que é a Distribuição Normal?
A Distribuição Normal
✓ É a mais importante distribuição de probabilidades de uma variável

aleatória contínua

✓ Em muitas situações, a variável aleatória em estudo tem maior

probabilidade de ocorrência próximo à sua média


✓ Ao nos afastarmos do valor médio, a probabilidade de ocorrência

da variável se torna proporcionalmente menor


✓ Ao nos afastarmos do valor médio, a probabilidade de ocorrência

da variável se torna proporcionalmente menor
✓ Em tais situações, a Distribuição Normal de Probabilidades é a mais

adequada para sua modelagem
“Bell curve”
✓ Muitos fenômenos naturais ao nosso redor possuem uma distribuição

de probabilidades aproximadamente normal:

✓ Atributos físicos no ser humano (altura, peso)



✓ Resultados em testes padronizados (QI)


✓ Falhas aleatórias em experimentos ou processos industriais


✓ Falhas aleatórias em experimentos ou processos industriais
✓ Erros em medidas padronizadas
✓ Etc...
✓ Função densidade de probabilidade:

1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2𝜎2
𝜎 2𝜋
1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2𝜎2
𝜎 2𝜋
✓ Os parâmetros da distribuição
normal são o valor médio µ e a
variância σ2
1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2𝜎2
𝜎 2𝜋
✓ Os parâmetros da distribuição
normal são o valor médio µ e a
variância σ2
✓ Notação : X ~ N(µ, σ2)

A Curva Normal
y f(x)
x
A Curva Normal
y f(x) f(x) ≥ 0 para todo x ∈ ℝ

∞
න 𝒇 𝒙 𝒅𝒙 = 𝟏
−∞
x
A Curva Normal

∞
−∞
µ x
Desafio: prove este fato utilizando a primeira derivada de f(x)

A Curva Normal
y Pontos de f(x) f(x) ≥ 0 para todo x ∈ ℝ

inflexão
∞
−∞
µ-σ µ µ+σ x
Desafio: prove este fato utilizando a segunda derivada de f(x)

A Curva Normal

∞
σ σ −∞
µ-σ µ µ+σ x
O desvio padrão é determinado pela distância horizontal entre os
pontos de inflexão e a reta x = µ
Calculando proporções da curva
normal no MS Excel
Calculando proporções da curva
normal no MS Excel
Exemplo
A altura média dos jogadores de um time de basquete é 180 cm.
Sabendo-se que o desvio padrão das alturas é 4 cm, qual é a
porcentagem esperada de jogadores com altura
a) maior do que 184 cm?

b) entre 172 cm e 188 cm?
c) Maior do que 176 cm?
d) Maior do que 188 cm?
Exemplo
Assumindo distribuição normal de probabilidades das alturas, podemos organizar

as informações dadas em um diagrama:
Altura (cm)
Exemplo

180
Altura (cm)
Exemplo

σ σ
176 180 184

Altura (cm)
Exemplo

σ σ σ σ
172 176 180 184 188

Altura (cm)
Exemplo

σ σ σ σ
P(X > 184) =
172 176 180 184 188

Altura (cm)
Exemplo

σ σ σ σ
P(X > 184) = 0,5 – 0,341 =
Área acima Área entre

172 176 180 184 188
de 180cm 180cm e 184 cm
Altura (cm)
Exemplo

σ σ σ σ
P(X > 184) = 0,5 – 0,341 = 0,159 ou 15,9 %
172 176 180 184 188

Altura (cm)
Exemplo
P(172 < X < 188) =

σ σ σ σ
172 176 180 184 188

Altura (cm)
Exemplo
P(172 < X < 188) = 0,954 ou 95,4%

σ σ σ σ
172 176 180 184 188

Altura (cm)
Exemplo
c) maior do que 176 cm?
P(X > 176) =

σ σ σ σ
172 176 180 184 188

Altura (cm)
Exemplo
P(X > 176) = 0,5 + 0,341 =

σ σ σ σ
Área acima Área entre
de 180cm 176cm e 180 cm
172 176 180 184 188

Altura (cm)
Exemplo
P(X > 176) = 0,5 + 0,341 = 0,841

ou 84,1%
σ σ σ σ
172 176 180 184 188

Altura (cm)
Exemplo
d) maior do que 188 cm?
P(X > 188) =

σ σ σ σ
172 176 180 184 188

Altura (cm)
Exemplo
1−0,954
P(X > 188) = =
2
σ σ σ σ
Área entre
172 cm e 188 cm
172 176 180 184 188

Altura (cm)
Exemplo
1−0,954
P(X > 188) = = 0,023 ou 2,3%
2
σ σ σ σ
172 176 180 184 188

Altura (cm)
Nota histórica
Nota histórica
❖ Uma das primeiras aplicações da distribuição normal de probabilidades

foi a análise de erros de medidas em observações astronômicas no
século 17 (pela imperfeição dos instrumentos utilizados)
Nota histórica
❖ Uma das primeiras aplicações da distribuição normal de probabilidades

foi a análise de erros de medidas em observações astronômicas no
século 17 (pela imperfeição dos instrumentos utilizados)
❖ Apenas no século 19 descobriu-se que esses erros seguiam uma

distribuição normal de probabilidades
Nota histórica
❖ Em 1809 Gauss descobriu a formula para a

distribuição normal e demonstrou que a
distribuição desses erros podia ser modelada
pela distribuição normal
Nota histórica
❖ Em 1809 Gauss descobriu a formula para a

distribuição normal e demonstrou que a
distribuição desses erros podia ser modelada
pela distribuição normal
❖ Por essa razão, a curva normal é também

chamada de Curva Gaussiana
Próxima aula
➢ Calculando probabilidades com a Distribuição Normal

Calculando probabilidades com a
Distribuição Normal
Cálculo de probabilidades no caso geral
➢ Aula anterior: consideramos casos em que a variável x assumia

valores múltiplos de σ, somados ou subtraídos da média µ

➢ O que fazer em casos mais gerais, quando x pode assumir qualquer

valor dentro do domínio da função f(x)?


➢ Exemplo: Seja X ~ N(15, 52) e queremos calcular P(X > 19)
15 19
x


y
+∞
P(X>19)= ‫𝒙𝒅 𝒙 𝒇 𝟗𝟏׬‬
15 19
x


y
+∞ Calculadora gráfica,
P(X>19)= ‫𝒇 𝟗𝟏׬‬ 𝒙 𝒅𝒙 calculadora online
ou MS Excel
15 19
x
15 19
x
15 19
x
P(X > 19) = 0,212 ou 21,2%

Exemplo
Sabe-se que uma máquina produz parafusos de comprimento médio
14,7cm e desvio padrão 0,15 cm.
Se um parafuso for selecionado ao acaso, qual é a probabilidade de

que seu comprimento esteja entre 14,5 cm e 15 cm?
(Assuma distribuição normal de probabilidades.)
Exemplo

14,5 15
Exemplo

14,5 15
Exemplo

14,5 15
P(14,5 < X < 15) = 0,886 ou 88,6%
A simetria da curva normal
Exemplo:
Uma variável aleatória X segue a distribuição normal com média µ = 5.

Sabe-se que P(X < 7) = 0,8. Calcule:
a) P(X > 7)
b) P(X < 3)
c) P(3 < X < 7)
Exemplo:

a) P(X > 7) y Área = 0,8
5 7 x
Exemplo:

a) P(X > 7) = 0,2 y Área = 0,8

Área = 0,2
( pois ‫) 𝟏 = 𝒙𝒅 𝒙 𝒇 ׬‬
5 7 x
Exemplo:

b) P(X < 3) y Área = 0,8

Área = 0,2
5 7 x
Exemplo:

Área = 0,8
b) P(X < 3) y Área = 0,2
3 5 7 x
Exemplo:

Área = 0,8
b) P(X < 3) = 0,2 y Área = 0,2
Área = 0,2
(pois as áreas destacadas
em amarelo são simétricas)
3 5 7 x
Exemplo:

c) P(3 < X < 7)

Exemplo:

c) P(3 < X < 7) y

Área = 0,2 Área = 0,2
3 5 7 x
Exemplo:

Área = 0,6
c) P(3 < X < 7) = 0,6 y
Área = 0,2 Área = 0,2
(pois 1 – 0,4 = 0,6)
3 5 7 x
Próxima aula
➢ Entendendo a Distribuição Normal Padrão

Entendendo a Distribuição Normal
Padrão
O que é a Distribuição Normal Padrão?
➢ Conforme visto em aulas anteriores, independentemente do valor da

variável x:
O que é a Distribuição Normal Padrão?
➢ Conforme visto em aulas anteriores, independentemente do valor da

variável x:
➢ Assim, faz sentido padronizarmos a distribuição normal para podermos

comparar diferentes distribuições
Padronizando a Distribuição Normal
Definição: Seja x uma variável aleatória com distribuição normal de

valor médio µ e desvio padrão σ. Definimos a variável aleatória
normal padrão z da seguinte forma:

normal padrão z da seguinte forma:
𝒙−𝝁
𝒛=
𝝈

normal padrão z da forma:
𝒙−𝝁
𝒛=
𝝈
A quantidade x - µ indica a distância entre x e a média µ. Ao

dividirmos por σ, calculamos essa distância em termos de σ
O valor médio e o desvio padrão de Z
𝑥−𝜇
𝑧=
𝜎
Para x = µ 
𝑥−𝜇
𝑧=
𝜎
𝜇−𝜇
Para x = µ  𝑧 = =
𝜎
𝑥−𝜇
𝑧=
𝜎
𝜇−𝜇
Para x = µ  𝑧 = =0⇒
𝜎
𝑥−𝜇
𝑧=
𝜎
𝜇−𝜇
Para x = µ  𝑧 = = 0 ⇒ 𝐸 𝑧 = 𝜇𝑧 = 0
𝜎
𝑥−𝜇
𝑧=
𝜎
𝜇−𝜇
Para x = µ  𝑧 = = 0 ⇒ 𝐸 𝑧 = 𝜇𝑧 = 0
𝜎
Para x = σ 
𝑥−𝜇
𝑧=
𝜎
𝜇−𝜇
Para x = µ  𝑧 = = 0 ⇒ 𝐸 𝑧 = 𝜇𝑧 = 0
𝜎
𝜎−𝜇
Para x = σ  𝑧 = =
𝜎
𝑥−𝜇
𝑧=
𝜎
𝜇−𝜇
Para x = µ  𝑧 = = 0 ⇒ 𝐸 𝑧 = 𝜇𝑧 = 0
𝜎
𝜎−𝜇 𝜎−0
Para x = σ  𝑧 = = =1
𝜎 𝜎
𝑥−𝜇
𝑧=
𝜎
𝜇−𝜇
Para x = µ  𝑧 = = 0 ⇒ 𝐸 𝑧 = 𝜇𝑧 = 0
𝜎
Para x = σ  𝑧 = = = 1 ⇒ 𝜎𝑧 = 1
𝜎 𝜎
𝑥−𝜇
𝑧=
𝜎
𝜇−𝜇
Para x = µ  𝑧 = = 0 ⇒ 𝐸 𝑧 = 𝜇𝑧 = 0
𝜎
Para x = σ  𝑧 = = = 1 ⇒ 𝜎𝑧 = 1
𝜎 𝜎
Assim: Z ~ N(0, 12)

-3 -2 -1 0 1 2 3 z
Exemplo 1
Dada a variável X ~ N(10, 62):
a) Em termos de σ, a que distância da média µ está x = 18,2 ?
b) Qual valor de x está a uma distância z = 2,1 da média µ ?

Exemplo 1

Exemplo 1
𝑥 = 18,2 ⇒ 𝑧 =
Exemplo 1

18,2 − 10
𝑥 = 18,2 ⇒ 𝑧 = =
6
Exemplo 1

18,2 − 10
𝑥 = 18,2 ⇒ 𝑧 = = 1,37 
6
Exemplo 1

18,2 − 10
𝑥 = 18,2 ⇒ 𝑧 = = 1,37  x = 18,2 está a uma distância z = 1,37 de µ
6
Exemplo 1

18,2 − 10
6
y
4 10 16 18,2 x
Exemplo 1

18,2 − 10
6
y transformação y
4 10 16 18,2 x -1 0 1 1,37 xz
Exemplo 1

Exemplo 1
𝑧 = 2,1 ⇒
Exemplo 1
𝑥−10
𝑧 = 2,1 ⇒ 2,1 = ⇒
6
Exemplo 1
𝑥−10
𝑧 = 2,1 ⇒ 2,1 = ⇒ 𝑥 − 10 = 12,6 ⇒
6
Exemplo 1
𝑥−10
𝑧 = 2,1 ⇒ 2,1 = ⇒ 𝑥 − 10 = 12,6 ⇒ 𝑥 = 22,6
6
Exemplo 1
𝑥−10
𝑧 = 2,1 ⇒ 2,1 = ⇒ 𝑥 − 10 = 12,6 ⇒ 𝑥 = 22,6
6
-1 0 1 2,1
zx
Exemplo 1
𝑥−10
𝑧 = 2,1 ⇒ 2,1 = ⇒ 𝑥 − 10 = 12,6 ⇒ 𝑥 = 22,6
6
y transformação y
4 10 16 22,6 x -1 0 1 2,1
zx
Exemplo 2
Pedro obteve nota 87% na prova de Geografia, na qual a média da
classe foi 80% com desvio padrão 9,5%.
Na prova de Matemática, a média da classe foi 76% com desvio padrão

6,5%, e a nota de Pedro foi 82%.
Em qual das duas disciplinas Pedro obteve a melhor performance,

comparado ao resto da classe?


Prova de Geografia: valor de z =



87−80
Prova de Geografia: valor de z = =
9,5


87−80
Prova de Geografia: valor de z = = 0,74
9,5


87−80
9,5
Prova de Matemática: valor de z =



87−80
9,5
82−76
Prova de Matemática: valor de z = =
6,5


87−80
9,5
82−76
Prova de Matemática: valor de z = = 0,92
6,5


y
87−80
Prova de Geografia: valor de z = = 𝟎, 𝟕𝟒
9,5 0,74
0,92
82−76
Prova de Matemática: valor de z = = 𝟎, 𝟗𝟐
6,5
-1 0 1
zx


y
87−80
Prova de Geografia: valor de z = = 𝟎, 𝟕𝟒
9,5 0,74
0,92
82−76
Prova de Matemática: valor de z = = 𝟎, 𝟗𝟐
6,5
-1 0 1
zx
Pedro obteve melhor performance em Matemática, comparado ao resto da classe.
Próxima aula
➢ Utilizando a Distribuição Normal inversa

Utilizando a Distribuição Normal inversa
A Distribuição Normal inversa
➢ É comum que em certas situações a probabilidade de um evento seja

conhecida, mas seja necessário estimar informações sobre os dados
coletados

coletados
➢ Para isso, utilizamos a distribuição normal inversa


coletados
Def. Seja p a probabilidade conhecida de um evento. A distribuição

Normal inversa nos permite calcular um valor x, tal que P(X ≤ x) = p
(Distribuição acumulada)

coletados
Def. Seja p a probabilidade conhecida de um evento. A distribuição

Normal inversa nos permite calcular um valor x, tal que P(X ≤ x) = p
(Distribuição acumulada)
➢ Caso um dos parâmetros da amostra sejam desconhecidos (µ ou σ),

recorremos à distribuição normal padrão
Exemplo 1
Os testes de QI são planejados de forma que os resultados sigam uma
distribuição normal de probabilidades, com média 100 e desvio padrão 15.
Qual é a pontuação necessária para que o QI de uma pessoa seja

localizado entre os 2% mais inteligentes?
Exemplo 1

X ~ N(100, 152)
Exemplo 1

X ~ N(100, 152) y
P(X > x) = 0,02  Área = 2%
85 100 115 x x
Exemplo 1

Área = 98%
X ~ N(100, 152) y
P(X > x) = 0,02  P(X ≤ x) = 0,98 Área = 2%
85 100 115 x x
Exemplo 1

Área = 98%
X ~ N(100, 152) y
P(X > x) = 0,02  P(X ≤ x) = 0,98 Área = 2%
X = 131 85 100 115 x x

Exemplo 2
Uma espécie rara de peixes possui comprimento médio de 25 cm e desvio
padrão de 7 cm.
Para proteger tal espécie de extinção, um órgão governamental

determinou a proibição da pesca de peixes com comprimento igual ou
menor aos 10% de menor tamanho.
Qual é o tamanho mínimo permitido para a pesca dessa espécie?

Exemplo 2
padrão de 7 cm.

P(X ≤ x) = 0,1 
Exemplo 2
padrão de 7 cm.

P(X ≤ x) = 0,1  x = 16,03 cm

Exemplo 3
As distâncias percorridas por um atleta seguem uma distribuição normal
com média de 5 km. Sabe-se que 12% das distâncias percorridas são
menores que 3 km. Qual é o desvio padrão dessa distribuição?
Exemplo 3
X ~ N(5, σ)
P(X < 3) = 0,12

Exemplo 3
X ~ N(5, σ)
y
P(X < 3) = 0,12
área = 12%
z -1 0 1 xz
Exemplo 3
X ~ N(5, σ)
y
P(X < 3) = 0,12
área = 12%
z -1 0 1 xz
Exemplo 3
X ~ N(5, σ)
y
P(X < 3) = 0,12  z = -1,17
área = 12%
z = -1,17 -1 0 1 xz
Exemplo 3
X ~ N(5, σ)
y
P(X < 3) = 0,12  z = -1,17
área = 12%
3−5
-1,17 = 
𝜎
z = -1,17 -1 0 1 xz
Exemplo 3
X ~ N(5, σ)
y
P(X < 3) = 0,12  z = -1,17
área = 12%
3−5
-1,17 =  σ = 1,7 km
𝜎
z = -1,17 -1 0 1 xz

Próxima aula
➢ Apresentação do projeto de conclusão do curso:
“Simulador do Tabuleiro de Galton”

Projeto de Conclusão do Curso:
“Simulador do Tabuleiro de Galton”

O que é o Tabuleiro de Galton ?
❖ Um dispositivo inventado pelo Matemático e
Estatístico Sir. Francis Galton
❖ Consiste em um tabuleiro no qual pinos são

arranjados em um formato triangular

❖ No topo do tabuleiro há uma abertura que

permite a colocação de pequenas esferas em
grande quantidade

❖ No topo do tabuleiro há uma abertura que

permite a colocação de pequenas esferas em
grande quantidade
❖ As esferas caem continuamente pela ação da

gravidade e são coletadas em câmaras
localizadas na parte de baixo do tabuleiro
❖ Ao colidirem com os pinos, as esferas distribuem-se à

direita ou à esquerda destes

❖ O resultado dessa simulação segue os princípios da

distribuição binomial, já apresentados nesse curso

❖ O resultado dessa simulação segue os princípios da

distribuição binomial, já apresentados nesse curso
❖ Porém, o perfil da distribuição de esferas nas câmaras

aproxima-se da distribuição Normal!
Questões para reflexão
❖ A probabilidade de que uma esfera caia à direita ou

à esquerda de um pino é sempre 50%?

❖ Como simular os resultados desse experimento

matematicamente, aplicando-se os princípios de um
experimento binomial?


❖ Se n esferas forem inseridas no topo, quantas esferas

serão coletadas nas câmaras na parte de baixo?


❖ Se n esferas forem inseridas no topo, quantas esferas

serão coletadas nas câmaras na parte de baixo?
❖ Como explicar o perfil de uma distribuição Normal

sabendo-se que a variável aleatória é discreta?
Requisitos do Projeto
❑ Utilizando os recursos do Microsoft Excel, construir um
simulador do Tabuleiro de Galton.
❑ A simulação deve permitir que a probabilidade de uma

esfera cair à esquerda ou à direita de um pino possa ser
alterada.

alterada.
❑ A simulação deve ser capaz de construir um gráfico

contabilizando o número de esferas coletadas em cada
uma das câmaras em baixo do tabuleiro

alterada.
❑ A simulação deve ser capaz de construir um gráfico

contabilizando o número de esferas coletadas em cada
uma das câmaras em baixo do tabuleiro
❑ Não é exigido o uso de VB ou animações para essa simulação

Próxima aula
➢ Conclusão do Módulo IV
Conclusão do Curso!
Próximos passos
✓ Conhecimento mais aprofundado:

Próximos passos
▪ Demais distribuições de probabilidade (discretas e contínuas)

▪ Teorema do Limite Central
▪ Intervalos de confiança
▪ Testes de hipótese (t-test, Chi-quadrado, etc.)
▪ Correlações entre variáveis
Próximos passos
▪ Demais distribuições de probabilidade (discretas e contínuas)

▪ Teorema do Limite Central
▪ Intervalos de confiança
▪ Testes de hipótese (t-test, Chi-quadrado, etc.)
▪ Correlações entre variáveis
✓ Fique de olho em anúncios futuros desse curso – o curso avançado

em probabilidade e Estatística está no forno!

Seção 2 - Aula 14: Resumo Do Módulo I

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Seção 2 - Aula 14: Resumo Do Módulo I

Enviado por

Direitos autorais:

Formatos disponíveis

Seção 2 – Aula 14

Variável aleatória : variável cujos possíveis valores dependem de

Por exemplo, o conjunto dos possíveis resultados no

Variável aleatória : discreta ou contínua

Discreta – quando os possíveis valores podem ser obtidos a partir de

Contínua – quando os possíveis valores não podem ser obtidos a partir

Ajudam a descrever o comportamento e as características

Em forma de tabela: x 0 1 2 Total

Ajudam a descrever o comportamento e as características

A esperança de uma distribuição de probabilidades é o valor que

Seja X uma variável aleatória discreta com distribuição

A Esperança, ou valor esperado de X é dado por:

Indica a média do quadrado dos desvios de cada valor 𝑥𝑖

Desvio Padrão = 𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑖𝑎

E(X) = µ = σ 𝑥𝑖 ∙ 𝑝𝑖 (Esperança ou Valor médio)

Var(X) = σ2 = σ(𝑥𝑖 − 𝜇)2 ∙ 𝑝𝑖 (Variância)

𝜎 = 𝜎 2 = σ(𝑥𝑖 − 𝜇)2 ∙ 𝑝𝑖 (Desvio Padrão)

✓ Um experimento binomial tem um número fixo de tentativas, n;

✓ As tentativas são idênticas e independentes;

✓ Em cada tentativa, há somente duas possibilidades, denominadas

✓ A probabilidade de sucesso, denominada p, é constante;

✓ A probabilidade de fracasso, denominada q ou 1-p, também é

✓ É uma distribuição de probabilidades que modela experimentos

✓ Variável aleatória discreta binomial é denotada por X ~ B(n, p);

✓ As Probabilidades são dadas por:

✓ Distribuição binomial acumulada: utilizada quando queremos

Considere um experimento binomial com n tentativas, probabilidade

A esperança, variância e desvio padrão são dados por:

➢ Foi descoberta pelo Matemático Francês

➢ Foi descoberta pelo Matemático Francês

➢ Poisson tentava encontrar uma aproximação à distribuição Binomial

É utilizada para o cálculo de probabilidades de se obter um certo número

É utilizada para o cálculo de probabilidades de se obter um certo número

É utilizada para o cálculo de probabilidades de se obter um certo número

▪ O número de acidentes de automóvel em uma

É utilizada para o cálculo de probabilidades de se obter um certo número

▪ O número de acidentes de automóvel em uma

▪ O número médio de erros detectados em páginas de

✓ A ocorrência de um evento em um intervalo particular de tempo ou

✓ A ocorrência de um evento em um intervalo particular de tempo ou

✓ A probabilidade de sucesso em um pequeno intervalo de tempo

✓ A ocorrência de um evento em um intervalo particular de tempo ou

✓ A probabilidade de sucesso em um pequeno intervalo de tempo

✓ A probabilidade de que dois eventos ocorram ao mesmo tempo ou

Seja X uma variável aleatória discreta que segue a Distribuição de

Seja X uma variável aleatória discreta que segue a Distribuição de

A função que permite o cálculo da probabilidade pela distribuição de

O número de acidentes por dia em uma rodovia pode ser modelado

a) ocorram exatamente 2 acidentes

b) ocorram pelo menos 2 acidentes

O número de acidentes por dia em uma rodovia pode ser modelado

a) ocorram exatamente 2 acidentes

O número de acidentes por dia em uma rodovia pode ser modelado

a) ocorram exatamente 2 acidentes

O número de acidentes por dia em uma rodovia pode ser modelado

a) ocorram exatamente 2 acidentes

O número de acidentes por dia em uma rodovia pode ser modelado

b) ocorram pelo menos 2 acidentes

O número de acidentes por dia em uma rodovia pode ser modelado

b) ocorram pelo menos 2 acidentes

O número de acidentes por dia em uma rodovia pode ser modelado

b) ocorram pelo menos 2 acidentes

P(X  2) = 1 – P(X ≤ 1) = 1 – [P(X = 0) + P(X = 1)] =