UNISUL DL - unidade 2

05/04/2024, 17:48 Probabilidade e Estatística
PROBABILIDADE E ESTATÍSTICA
UNIDADE 2 - VARIÁVEIS ALEATÓ RIAS
Joelma Iamac Nomura
https://student.ulife.com.br/ContentPlayer/Index?cd=cs62K1llDiILPoHjKmsK%2bQ%3d%3d&l=385JQPhrTN%2fePbOMNjWqcQ%3d%3d&lc=%… 1/25
Introdução
É perceptível, atualmente, que o estudo do comportamento de um conjunto de variáveis tem expandido as suas
fronteiras para mais de duas variáveis, cujas relaçõ es envolvem o estudo de aplicaçõ es reais com várias
variáveis em jogo. Como exemplo de conjunto de duas variáveis, podemos citar: idade e nível de escolaridade,
disciplinas cursadas em cada semestre, o interesse de um engenheiro automobilístico pela durabilidade e
brilho dos faró is de um novo modelo de carro e em seu custo projetado. Em todos os casos, existe um
interesse em nú meros associados a resultados de uma situação que envolve um elemento de chance ou, mais
especificamente, em valores aleató rios.
Quando estudamos as variáveis aleató rias, nosso interesse está em encontrar a probabilidade que esses
valores assumem dentro de seu intervalo de definição, ou seja, em suas distribuiçõ es de probabilidade.
As variáveis aleató rias correspondem a nú meros associados ao espaço amostral sendo, portanto, funçõ es, e
não variáveis. Contudo, para a maioria dos principiantes, essas variáveis nada mais são que diferentes
quantidades que dependem de sua chance de ocorrência. Como exemplo, citamos o nú mero de apó lices
vendidas e o lucro da operadora, ou o tempo de espera na fila e o nú mero de atendentes no caixa.
As variáveis aleató rias são classificadas em discretas e contínuas. Em um primeiro momento, vamos estudar
as variáveis aleató rias discretas que constituem um subconjunto de inteiros enumeráveis ou infinitos
enumeráveis. Já as variáveis aleató rias contínuas são valores possíveis em um intervalo completo da reta real.
Ao final desta unidade, conseguiremos responder às seguintes questõ es de pesquisa: o que diferencia uma
variável aleató ria discreta de uma contínua? Quais são as distribuiçõ es de probabilidade inerentes a cada tipo
de variável? Em quais situaçõ es cotidianas podemos trabalhar com tais distribuiçõ es de probabilidade?
Dessa maneira, vamos expandir nossos conceitos e conhecimento a respeito deste tema que fornece o alicerce
da Estatística e que nos remeterá a uma gama de aplicaçõ es da Engenharia, Física, Economia, Biologia, e outras
áreas.
Bons estudos!
2.1 Variáveis aleatórias discretas

Em geral, um experimento tem por objetivo analisar um ou alguns aspectos da amostra. Quando estudamos as
variáveis aleató rias discretas, cada resultado de um experimento está associado a um nú mero, como, por
exemplo, o peso total da bagagem para uma amostra de 50 passageiros ou a quantidade de falhas de
componentes eletrô nicos em um período determinado de horas. Assim, este resultado associa um nú mero
com qualquer resultado do estado amostral. Temos uma função cujo domínio é o espaço amostral e cuja
variação é o conjunto de nú meros reais (DEVORE, 2018).
2.1.1 Conceito
Devore (2018, p. 89) apresenta a seguinte definição para variável aleató ria discreta: “é uma variável aleató ria
cujos valores possíveis constituem um conjunto finito ou podem ser relacionados em uma sequência infinita
na qual haja um primeiro elemento, um segundo elemento, e assim por diante (infinito “contável”)”.
De maneira semelhante, Larson e Farber (2010) descrevem a variável aleató ria discreta como um nú mero
finito ou contável de possíveis resultados a serem listados.
2.1.2 Função de probabilidade para uma variável aleatória discreta
Vamos estudar as distribuiçõ es de probabilidades. Conforme as ideias de Larson e Farber (2010), conhecer a
forma, o centro e a variabilidade de um conjunto de dados permite nos aproximar da Estatística Inferencial e
melhorar a tomada de decisõ es. Para tanto, faremos uso dos conhecimentos relacionados às distribuiçõ es de
frequências, às medidas de tendência central e de dispersão, além da probabilidade de ocorrência de certos
eventos.
Nas distribuiçõ es de probabilidades discretas, para cada valor da variável aleató ria se associa uma
probabilidade. Clique nos itens e veja quais condiçõ es valem nestes casos.
A probabilidade de cada valor da variável aleató ria discreta está

entre 0 e 1, ou seja,
ii
A soma de todas as probabilidades é 1, assim temos:
Conforme explica Devore (2018), a distribuição de probabilidade de uma variável aleató ria discreta X mostra
como a probabilidade total de 1 (ou 100%) está dividida entre os valores possíveis de X. Para o autor, a
distribuição de probabilidade de uma variável aleató ria discreta em dado espaço amostral é uma tabela que
associa a cada valor de x a sua correspondente probabilidade. Vamos representar o exemplo que relaciona o
nú mero de pontos obtidos na jogada de um dado equilibrado com suas respectivas probabilidades de
ocorrência em relação a cada face.
Tabela 1 - Pontos obtidos na jogada de um dado.

Fonte: FREUND, 2006, p. 135.
As distribuiçõ es de probabilidades podem ser expressas a partir de funçõ es que relacionam os diversos
valores da variável aleató ria discreta às suas respectivas probabilidades.
Dessa maneira, o nú mero de pontos obtidos na jogada de um dado pode ser escrita como , para
, em que denota a probabilidade de obter 1, a probabilidade de obter 2 e
assim em diante. Esta relação é denotada por
Exemplo: seis lotes de um componente estão prontos para serem entregues a um fornecedor. O nú mero de
componentes com defeito em cada lote é mostrado a seguir.
Tabela 2 - Quantidades de componentes com defeito distribuídos em lotes diferentes.

Fonte: DEVORE, 2018, p. 92.
Os valores de X são: 0,1 e 2.

Temos:
é
Para Devore (2018, p. 84), o termo “’função de probabilidade’ é sugerido por um modelo usado na física para
um sistema de ‘pontos de massa’”. De acordo com o autor, esse conjunto de pontos mostra como o total de
massa de probabilidade igual é distribuído ao longo dos eixos. Outra maneira de representar essa relação é a
partir de um histograma de probabilidades, semelhante ao que já conhecemos.
2.1.3 Média, variância e desvio-padrão para variáveis aleatórias discretas

É possível medir o centro de uma distribuição de probabilidades e sua variabilidade em torno da média a
partir da variância e desvio-padrão. A média de uma distribuição de probabilidades é também chamada de
valor esperado, denotado por . Vamos a um exemplo que nos ajudará a compreender seu cálculo.
Exemplo: considere uma universidade de 15 000 alunos e X é a quantidade de cursos em que um aluno
selecionado aleatoriamente está matriculado. Abaixo, elencamos a tabela de distribuição de probabilidade e
sua respectiva função p(x). Se , é correto afirmar que alunos, ou seja,
existem 150 alunos matriculados nesse curso e, assim, sucessivamente para os demais cursos.
Tabela 3 - Alunos matriculados em determinada universidade.

Fonte: DEVORE, 2018, p. 102.
O valor médio da população X, ou seja, o valor médio ou esperado do nú mero de cursos na população é dado
por:
Portanto, o valor médio de X ( ou valor esperado de X (E(X) é:
De acordo com Freund (2006), a esperança matemática pode ser usada na tomada de decisõ es como uma
maximização de resultados, minimização de custos operacionais, reduzindo as incertezas e os riscos.
A variância e o desvio-padrão de uma variável aleatória discreta
A variância de X é usada para medir a variabilidade da variável, a partir de seu valor esperado. Vamos denotar
a variância de X por ou . Assim, temos a seguinte relação:
O desvio-padrão, denotado por , é calculado a partir da raiz quadrada da variância. Assim, temos:
A seguir, vamos estudar duas importantes distribuiçõ es de probabilidade envolvendo variáveis aleató rias
discretas: uma sequência de experimento que resulte em dois resultados possíveis (distribuição binomial) ou
distribuiçõ es mais complexas usadas em muitos modelos matemáticos associados à eletricidade ou mesmo
ao tráfego aéreo e rodoviários de uma região do país.
2.1.4 Distribuição binomial

Em muitos experimentos, existe o interesse de analisar a probabilidade de sucesso ou fracasso de
determinado evento. Dessa forma, o experimento consiste em uma sequência de n experimentos menores que
serão chamados de ensaios, cujos resultados são independentes um do outro. Os dois resultados possíveis
são sucesso (S) ou fracasso (F). A probabilidade de ocorrência de sucesso é denotada por p.
VOCÊ QUER LER?

Uma leitura mais aprofundada sobre os próximos assuntos poderá ser estudada na
dissertaçã o “Distribuiçã o Binomial e aplicações” (ROCHA, 2017). Inicialmente, você
verá uma apresentaçã o dos conceitos inerentes à distribuiçã o binomial e, em seguida,
exemplos prá ticos usando dados do campeonato brasileiro de futebol. Para auxiliar na
interpretaçã o dos resultados, há o suporte do software Geogebra. Leia em:
<http://tedebc.ufma.br:8080/jspui/bitstream/tede/1271/2/Samy%20marques.pdf
(http://tedebc.ufma.br:8080/jspui/bitstream/tede/1271/2/Samy%20marques.pdf )
>
De acordo com Freund (2006, p. 190), o interesse desse tipo de distribuição está em conhecer a probabilidade
de “x sucessos em n provas” ou “x sucessos e fracassos em n tentativas”.
Portanto, devem ser feitas as condiçõ es apresentadas nos itens a seguir. Clique e veja.
•
Há um nú mero fixo de provas.
A probabilidade de sucesso é a mesma em cada

prova.
As provas sã o todas independentes.

Existe uma fó rmula para encontrar a probabilidade de x sucessos em n tentativas de um experimento, dada
por:
Sendo n: nú mero de ensaios ou tentativas;

p: probabilidade de sucesso;
1 - p: probabilidade de fracasso;
x: variável aleató ria.
De acordo com Devore (2018), a variável aleató ria binomial X associada a um experimento binomial e
formada por n ensaios é definida por:
X = a quantidade de S (sucessos) em n ensaios.
Exemplo: é sabido que a probabilidade de um eleitor qualquer votar, apó s uma escolha aleató ria, é de 0,7.
Com base nessa informação, questiona-se: qual é a probabilidade de 2 dentre 5 eleitores votarem na eleição?
Solução: a partir do enunciado são obtidas as seguintes informaçõ es:
x = 2; n = 5 e p = 0,7
Assim, concluímos que existe a probabilidade de 13,23% de 2 eleitores dentre 5 votarem na eleição.
Exemplo: um experimento contém 5 bolinhas de gude vermelhas, 9 azuis e 6 verdes. Você escolhe 3 bolinhas
aleatoriamente, sem trocas. A variável aleató ria representa o nú mero de bolinhas vermelhas.
Solução: o experimento não é binomial, pois não satisfaz todas as condiçõ es de uma distribuição binomial. A
probabilidade de sucesso é de , contudo a bolinha não é mais colocada na jarra e, dessa maneia, os eventos
não são independentes, pois o resultado do anterior irá interferir nos subsequentes. A probabilidade de
sucesso não é a mesma para cada uma das tentativas.
As probabilidades binomiais também podem ser encontradas a partir de um diagrama de árvore. Neste caso,
será usada a regra do produto, também conhecido como Princípio Fundamental da Contagem ou Princípio
Multiplicativo.
Exemplo: de acordo com informaçõ es do Illinois Orthopedic and Sportsmedicine Centers, existe uma
probabilidade de 75% de sucesso em cirurgias com microfaturas no joelho em pacientes com joelhos
degenerativos. Apó s realizar a cirurgia em 3 pacientes, questiona-se: qual a probabilidade de a cirurgia ser um
sucesso em, exatamente, 2 pacientes? (LARSON; FARBER, 2010).
Solução: para resolver o problema, vamos, inicialmente, apresentar um recurso bastante ú til para visualização
das informaçõ es, o Diagrama de Á rvore.
Figura 1 - Diagrama de Á rvore.

Fonte: LARSON; FARBER, 2010, p. 167.
No exemplo apresentado, portanto, temos, para a primeira cirurgia, a probabilidade de sucesso e fracasso
igualmente distribuídos em dois ramos; para a segunda cirurgia, a probabilidade de sucesso e fracasso
igualmente distribuídos em quatro ramos; e para a terceira cirurgia, a probabilidade de sucesso e fracasso
igualmente distribuídos em oito ramos. Assim, se houver ramos de primeira geração e que para cada um
houver ramos da segunda geração, então o nú mero total de ramos da segunda geração é . Como o
sucesso representa 75%, ou , então: em SSF: , em SFS: e em FSS:
, o que nos leva ao total de . Para a obtenção do resultado, aplicamos a

regra do produto.
Devore (2018) explica que na execução de uma operação em k estágios, se o primeiro estágio for executado em
maneiras e para cada maneira houver maneiras de se realizar o segundo estágio, e para cada maneira de
realizar os dois primeiros estágios houver maneiras de realizar o terceiro estágio, e assim sucessivamente,
então, podemos afirmar que há maneiras de realizar toda a operação do estágio em sequência.
Outra maneira de resolver o problema é aplicar a probabilidade da distribuição binomial:
Os dados do problema são: . Assim, aplicando a fó rmula da probabilidade da

distribuição binomial, temos:
Outra maneira de representar uma distribuição binomial é a partir de um histograma de probabilidades, em

que x é a variável aleató ria e p(x) é a probabilidade de sucesso. Acompanhe o pró ximo exemplo.
Exemplo: Cinquenta e nove por cento das casas na região sul do país assinam TV a cabo. Você seleciona 6
casas, aleatoriamente, e pergunta a cada uma se assinam TV a cabo. A tabela de distribuição de probabilidades
é representada a seguir. Então, sejam: .
Tabela 4 - Casas com TV a cabo.

Com base em seus dados apresentados na tabela, é construído um histograma de probabilidades. A altura de
cada retângulo é proporcional à probabilidade P(x) e a base é a mesma para todos os retângulos.
https://student.ulife.com.br/ContentPlayer/Index?cd=cs62K1llDiILPoHjKmsK%2bQ%3d%3d&l=385JQPhrTN%2fePbOMNjWqcQ%3d%3d&lc=… 10/25
Figura 2 - Histograma de probabilidade de uma distribuição binomial: assinaturas de TV a cabo em 6 casas

pesquisadas.
Média, variância e desvio-padrão de uma distribuição binomial

Podemos seguir as seguintes fó rmulas para cálculo da média, variância e do desvio-padrão de uma
distribuição binomial:
Média:
Variância:
Desvio-padrão:
Exemplo: em Ribeirão Bonito, cerca de 60% dos dias são ensolarados. Determine a média, a variância e o
desvio-padrão para o nú mero de dias ensolarados durante o mês de outubro.
Solução: no mês de outubro há 31 dias, portanto, os dados são: n = 31; p = 0,60; 1 - p = 0,40.
Cálculo da média:
Cálculo da variância:
Cálculo do desvio-padrão:
Em média, há 18,6 dias ensolarados durante o mês de outubro e o desvio-padrão é de 2,73 dias. Valores que
são mais do que dois desvio-padrão da média são incomuns.
VOCÊ SABIA?
É possível usar a distribuiçã o de Poisson como modelos de Queing. Queing significa
esperar em uma fila para ser atendido, seja em um caixa de supermercado,
atendimento telefônico ou espera de um semá foro. Seu estudo é realizado a partir
da Teoria das Filas que prevê o comportamento de um sistema com a construçã o
de modelos matemá ticos que analisam o crescimento da demanda. O conceito se
relaciona nã o apenas a pessoas, mas també m a processos, pacotes de dados, fluxo
de aviões ou carros, relacionando, assim, muitas á reas. Dessa maneira, é possível
evitar desperdícios e gargalos prevendo com antecedê ncia o nú mero de pessoas
ou processos que chegarã o à fila (LARSON; FABER, 2010).
A seguir, vamos estudar outra distribuição de probabilidade discreta, a distribuição de Poisson. Muitas
aplicaçõ es que envolvem esta distribuição relacionam-se ao nosso dia a dia: quando queremos estudar o
nú mero de mensagens de e-mail enviadas para determinado endereço, ou até mesmo a chuva de raios
có smicos observada por astrô nomos em determinado observató rio.
2.1.5 Distribuição de Poisson

Na distribuição binomial, nosso interesse esteve voltado para descobrir a probabilidade de um nú mero
específico de sucessos em um dado nú mero de tentativas. Na distribuição de Poisson, o objetivo é calcular o
nú mero de vezes, x, que um evento ocorre em um dado intervalo, seja de tempo, área ou volume.
VOCÊ O CONHECE?
Simeón Denis Poisson (1781-1840) foi um matemá tico francê s famoso por suas
equações. Em sua vida acadê mica teve como professores outros grandes matemá ticos
como Lagrange, Laplace e Fourier. Considerado como o sucessor de Laplace, ele esteve
envolvido no estudo da mecâ nica celeste, na atraçã o dos esferoides, na lei da
transformaçã o adiabá tica de um gá s, em teorias de eletricidade e eletromagnetismo, e
em outros estudos. Em 1837, apareceu a conhecida distribuiçã o de Poisson aplicada à
Estatística. Hoje o modelo de Poisson é vastamente estudado como modelos para dados
de contagem aplicados as mais diversas á reas do conhecimento.
Nesse tipo de distribuição, a probabilidade de o evento ocorrer é igual para cada intervalo, além disso, o
nú mero de ocorrência de um intervalo é independente do outro.
De acordo com Devore (2018), uma variável aleató ria X tem uma distribuição de Poisson com parâmetro (
se a função de X é dada por:
Sendo:
: média ou valor esperado de X (também chamado de parâmetro de Poisson);
e: nú mero irracional = 2,71828... é a base do sistema de logaritmos naturais;
x: variável aleató ria.
O cálculo da média, da variância e desvio-padrão em uma distribuição de Poisson é relativamente
simplificado pelas relaçõ es. Para Devore (2018), devemos considerar o seguinte: se X tiver distribuição de
Poisson com parâmetro , então .
Exemplo: digamos que X denota o nú mero de armadilhas (defeitos de um determinado tipo) em um tipo
específico de transistor semicondutor de ó xido metálico e suponha que tenha distribuição de Poisson com
. A probabilidade de que existam exatamente 3 armadilhas é (DEVORE, 2018):
E a probabilidade de que existam no máximo 3 armadilhas é:
Exemplo: a média do nú mero de acidentes por mês em certa rodovia é 3. Qual é a probabilidade de que, em
qualquer mês, 4 acidentes ocorram nessa rodovia?
Solução: são dados: Portanto, a probabilidade de 4 acidentes correr na rodovia em qualquer
mês é:
Se quisermos calcular a probabilidade de ocorrer mais de 4 acidentes no mês, devemos calcular
Assim, temos que:
Essa probabilidade corresponde à ocorrência de até 4 acidentes no mês. Para saber a probabilidade de mais de
4 acidentes, devemos subtrair o resultado de um ou 100%. Dessa forma, existe a probabilidade de
de que ocorram mais de 4 acidentes.
Muito bem! A seguir, vamos estudar as variáveis aleató rias contínuas e a distribuição de probabilidade mais
importante da Estatística, a distribuição normal. Fique atento e aprofunde seus estudos nas inú meras
aplicaçõ es que este assunto trará na prática cotidiana ou acadêmica e científica.
2.2 Variáveis aleatórias contínuas

Até este momento, nosso estudo se concentrou em distribuiçõ es de probabilidade para as variáveis aleató rias
discretas. A partir daqui, vamos trabalhar com outros tipos de variáveis, as variáveis aleató rias contínuas.
Elas ocorrem quando lidamos com grandezas que são medidas em uma escala contínua, ou seja, os valores
possíveis estão em um intervalo na linha de nú meros ou em uma união de intervalos disjuntos.
Como exemplo, citamos a velocidade de um veículo, a profundidade de um lago em locais diversos, o valor do
pH de um determinado composto químico ou a quantidade de tempo que um paciente espera por uma
consulta médica.
2.2.1 Conceito
Para Devore (2018, p.15), “uma variável numérica é contínua se os seus valores possíveis consistirem em um
intervalo completo na reta real”. De maneira semelhante, outros autores, como Freund (2006) e Larson e
Farber (2010), associam a variável aleató ria como um nú mero incontável de possíveis resultados distribuídos
na reta numérica. Correspondem a grandezas medidas em escalas contínuas, como tempo, peso ou distância.
2.2.2 Determinação de funções de distribuição contínua

Quando trabalhamos com variáveis aleató rias contínuas, as probabilidades são representadas por áreas sob
curvas contínuas em gráficos de funçõ es chamadas densidades de probabilidade.
Figura 3 - Distribuição contínua: a probabilidade da variável aleató ria assume um valor no intervalo [ a, b].
De acordo com a figura, a área sob a curva entre dois valores quaisquer a e b fornece a probabilidade de uma
variável aleató ria assumir um valor neste intervalo. Todos os valores que a variável assume são não negativos
e a área total sob a curva deve ser igual a 1. Assim, os valores que as variáveis assumem são inferiores ou
iguais a 1.
Para Devore (2018), a distribuição de probabilidade ou a função densidade de probabilidade de uma variável X
é uma função f(x) com intervalo definido entre a e b, dada por:
Ou seja, a probabilidade de que X assuma um valor no intervalo [a,b] é a área acima desse intervalo e abaixo
do gráfico da função densidade. Devem ser satisfeitas as seguintes condiçõ es:
i. , para todo x;
ii. é a área sob todo o gráfico de
Exemplo: “a direção de uma imperfeição a respeito de uma linha de referência em um objeto circular, como
um pneu, disco de freio ou volante do motor está, em geral, sujeito à incerteza. Considere a linha de referência
que conecta a válvula do pneu até o ponto central e X como o ângulo medido no sentido horário até o local da
imperfeição” (DEVORE, 2018, p.133). Uma possível função para X é:
á
Qual a probabilidade de que um ângulo esteja entre e
Solução: de acordo com a figura abaixo, é perceptível que , sendo a área sob a curva um retângulo,
cuja área é igual a 1, ou seja, .
Figura 4 - Função densidade de probabilidade: a área sombreada representa a probabilidade de que um

ângulo esteja entre e .
Fonte: DEVORE, 2018, p.134.
Para calcular a probabilidade de que o ângulo esteja entre e , usamos a função densidade de
probabilidade:
A probabilidade de que um ângulo de ocorrência esteja dentro de da linha de referência é

.
2.2.3 Média, variância e desvio-padrão para variáveis aleatórias contínuas

Vamos apresentar os cálculos para encontrar a média, a variância e o desvio-padrão de uma distribuição com
valores contínuos. O valor médio ou valor esperado de uma variável aleató ria contínua X com função f(x) é
dado por:
A variância de uma variável aleató ria contínua de função e a média é dada por:
E o desvio-padrão de X é .
Para Devore (2018), a variância e o desvio-padrão fornecem a variabilidade da dispersão que os valores x
assumem em torno do valor médio , ou seja, .
VOCÊ QUER VER?

Esta videoaula (2016) trata das distribuições de probabilidade, dentre elas as
distribuições binomiais, a distribuiçã o de Poisson, alé m de outras. Assista em:
<https://www.youtube.com/watch?v=ZAIBVL4koGQ
(https://www.youtube.com/watch?v=ZAIBVL4koGQ)>
Exemplo: a distribuição da quantidade de cascalho (em toneladas) vendida a uma determinada loja de
material de construção, em uma dada semana, é uma variável aleató ria contínua X com:
á
O cálculo da média da quantidade de cascalho vendida para a loja é:
Para o cálculo da variância, temos:
A variabilidade da dispersão assume valores em torno do valor médio, sendo
, o que nos leva a .
E o desvio-padrão é .
Continuando com nosso estudo, a seguir, vamos ver a distribuição normal. Tal distribuição tem aplicaçõ es em
áreas voltadas à mensuração de dados na natureza, indú stria e negó cios. Podemos considerar que a pressão
sanguínea, alturas, pesos e outras características físicas, medidas de inteligência e aptidão são normalmente
distribuídas.
2.2.4 Variáveis aleatórias normais

As variáveis aleató rias normais são representadas por uma distribuição de probabilidade contínua, a
distribuição de probabilidade normal. Ela constitui a distribuição mais importante da Estatística, sendo que
muitas populaçõ es são ajustadas aproximadamente por uma curva normal apropriada.
Como exemplo de tais variáveis, citamos: alturas, pesos, pontuaçõ es em testes variados e indicadores
econô micos. Devore (2018, p. 147) afirma que “mesmo que as variáveis individuais não sejam normalmente
distribuídas, as somas e as médias das variáveis terão distribuição aproximadamente normal sob condiçõ es
adequadas”. O gráfico que representa uma distribuição normal de tais variáveis é chamado de curva normal.
Em uma distribuição normal devem ser consideradas as propriedades a seguir. Clique e veja.
A média, a mediana e a moda são iguais.
Seu gráfico tem a forma de um sino e é simétrico em torno da média.
A área total sob a curva é igual a 1.
A curva se aproxima do eixo x, mas não o toca à medida que os valores das variáveis se
distanciam da média.
Há pontos em que o gráfico se curva para baixo (entre µ µ e para cima (à esquerda
de µ e à direita de µ ). São chamados de pontos de inflexão.
É importante observar que a área sob a curva normal é igual a 1, distribuídos de µ aµ , e nunca
será negativa. Veja a sua representação.
Figura 5 - LARSON; FARBER, 2010, p. 193.

Fonte: Curva Normal: representação da média e do desvio-padrão.
Uma variável aleató ria contínua tem distribuição normal com parâmetros µ e , em que µ e
, se a função for definida por:
, com ; ;
Assim, consideramos que as curvas dependem unicamente de µ e , e ela é ú nica para µ e específicos.
2.2.5 Variável aleatória normal padrão

Estudamos que os parâmetros µ e podem assumir quaisquer valores, certo? Agora, estamos interessados
nas áreas sob as curvas, chamadas de áreas sob a curva normal que, na prática, são tabeladas. Como é
impossível construir tabelas de áreas sob as curvas normais para todos os pares imagináveis de µ e , essas
áreas foram tabeladas apenas para os valores µ e . Esta nova distribuição é denominada normal
padrão.
Assim, é possível obter áreas sob qualquer curva normal a partir de uma mudança de escala que, de acordo
com Freund (2006), transforma as unidades de mediçõ es da escala original em unidades padronizadas
denominadas de escores z. A unidade padronizada z é a variável aleató ria normal padrão.
Conhecemos a fó rmula da função para uma variável aleató ria contínua, então, basta adotar os novos valores
para µ . A nova função fica definida por:
, com ; ;
Para Devore (2018), a distribuição normal padrão não serve como modelo para uma população natural, sendo
apenas uma distribuição de referência que propicia a obtenção de informaçõ es de outras distribuiçõ es
normais.
2.2.6 Padronização de variáveis aleatórias
A transformação das unidades de mediçõ es da escala original, ou escala x, em unidades padronizadas z, é feita
a partir da seguinte fó rmula:
Nessa nova escala, o valor de z nos diz em quantos desvios-padrão o valor correspondente de x está acima ou
abaixo da média da distribuição.
Uma observação importante a ser considerada por Larson e Farber (2010) é que quando fazemos a
transformação de uma variável aleató ria x em uma variável aleató ria normal padrão z, o resultado será a
distribuição normal padrão. É possível considerar que a área sob a curva normal não padrão é a mesma que
aquela sob a curva normal padrão dentro das fronteiras de z correspondentes.
Figura 6 - FREUND, 2006, p. 219.

Fonte: Mudança de escala para unidades padronizadas: transformação da unidade de medida da escala
original em escala padronizada.
Clique nos nú meros e veja as propriedades.
1 A área acumulada é perto de zero para z pró ximos a -3,49.
2 A área acumulada aumenta quando z aumenta.
3 A área acumulada para z = 0 é 0,500.
4 A área acumulada é pró xima a 1 quando z = 3,49.
Quando fazemos a transformação da unidade de medida da escala original para a escala padronizada,
queremos encontrar um valor z que nos diga a quantos desvios-padrão o valor correspondente de x está acima
ou abaixo da média de sua distribuição.
Figura 7 - Á reas tabeladas da curva normal.

É comum precisar encontrar áreas entre dois valores de z, à direita ou à esquerda de z. A tabela apenas nos
fornece os valores positivos que estão à direita de , contudo devemos lembrar que a distribuição
normal padrão é simétrica em torno de e que são ambas iguais a 0,5.
2.2.7 A tabela de distribuição normal padronizada

A tabela de distribuição normal nos fornece o valor do z–escore a partir de uma área determinada. Por
exemplo, uma área de 0,45 é representada por e uma área de 0,2019 é representada por .
Também podemos ter o valor de z e querer encontrar a área respectiva. Nesse caso, para temos que
a área correspondente é igual a 0,4842. O valor de 2,1 é representado pela coluna de z e 0,05 pela linha de z.
Perceba que todos esses valores estão à direita de . Se precisar calcular um valor à esquerda de z, como,
por exemplo, para , então encontramos a área correspondente na tabela de distribuição normal que,
nesse caso, é igual a 0,2517, e somamos com 0,5, nos fornecendo uma área total de 0,7517. Já para uma área
compreendida entre e , temos .
Figura 8 - Tabela que traz os valores para áreas sob a curva normal e seus respectivos z-escores.
Uma observação importante é que, embora o valor de z possa ser negativo, a área sob a curva normal nunca
será negativa.
CASO
Uma empresa de instrumentos mé dicos fabrica termômetros que devem acusar a
leitura de 0°C no ponto de congelamento da á gua. Após a realizaçã o de testes em
uma amostra, revelou-se que, no ponto de congelamento da á gua, alguns
termômetros acusavam valor superior a 0°C. Suponha que a leitura mé dia seja
0°C e que o desvio-padrã o das leituras seja 1°C. Alé m disso, considere que a
distribuiçã o de frequê ncias dos erros se assemelhe a uma distribuiçã o normal.
Após a escolha de um termômetro aleatoriamente, determine a probabilidade de
que, no ponto de congelamento da á gua, o termômetro marque 0°C e +1,58°C
(TRIOLA, 2017).
Estamos diante de uma distribuiçã o normal padronizada. É necessá rio encontrar
a á rea entre z=0 e z=1,58 e pela tabela de distribuiçã o normal a á rea encontrada
é igual a 0,4429. Dessa maneira, podemos afirmar que existe a probabilidade de
44,29% em escolher aleatoriamente um termômetro com erro entre 0°C e +1,58
°C.
Exemplo: encontre a área sob a curva normal padrão:

a) a área à esquerda de z = 0,94.
Resposta: a área à esquerda de z = 0,94 é igual a 0,500 acrescidos de 0,3264 (ver tabela com as áreas sob a
curva normal e seus respectivos z-escores), resultando no valor correspondente de 0,8264.
b) à direita de z = -0,65.
Resposta: a área à direita de z = -0,65 é igual a 0,500 acrescidos de 0,2422 (ver tabela com as áreas sob a curva
normal e seus respectivos z-escores), resultando no valor correspondente de 0,7422.
c) à direita de z = 1,76.
Resposta: a área à direita de z = 1,76 é igual a 0,500 subtraídos de 1,76 (ver tabela com as áreas sob a curva
d) à esquerda de z = 1,15.
Resposta: a área à direita de z = 1,15 é igual a 0,500 acrescidos de 0,3749 (ver tabela com as áreas sob a curva
e) à direita de z = -0,24.
Resposta: a área à direita de z = -0,24 é igual a 0,500 subtraídos de 0,0948 (ver tabela com as áreas sob a curva
As ilustraçõ es dadas pelos gráficos de distribuição normal sempre nos ajudam a interpretar corretamente
expressõ es, como no máximo, no mínimo, entre, mais de etc. Sempre é proveitoso ter um bom esboço que nos
auxilie nesta análise.
Síntese
Nesta unidade, enfatizamos a importância das variáveis aleató rias discretas e contínuas e suas funçõ es
numéricas que nos levaram à análise de resultados desejados, como a s média, desvio-padrão e variância.
Conhecer tais parâmetros permite tomar decisõ es mais aprimoradas, como riscos menores de erros ou perdas
de recursos, como pessoas, produtos, tempo, financeiros e outros.
Nesta unidade, você teve a oportunidade de:
• distinguir uma variável aleatória discreta de uma variável
aleatória contínua;
• construir uma distribuição de probabilidade discreta e seu gráfico,
além de calcular a sua média, variância e desvio-padrão;
• determinar se um experimento de probabilidade é uma
distribuição binomial ou de Poisson, além de calcular média,
variância e o desvio-padrão;
• interpretar gráficos de uma distribuição de probabilidade normal;
• encontrar e interpretar z-escores;
• encontrar áreas sob a curva normal e determinar a probabilidade
para variáveis normalmente distribuídas.
Bibliografia
DEVORE J. L. Probabilidade e estatística para engenharia e ciências. Tradução: Solange Aparecida
Visconte. Revisão técnica: Magda Carvalho Pires. São Paulo: Cengage, 2018.
ESTATÍSTICA – Aula 09 – Distribuição de probabilidade. 2016. 1 vídeo (24 min 33 s). Publicado pelo canal
UNIVESP. Disponível em: https://www.youtube.com/watch?v=ZAIBVL4koGQ
(https://www.youtube.com/watch?v=ZAIBVL4koGQ). Acesso em: 8 jul. 2019.
FREUND, J. E. Estatística aplicada: economia, administração e contabilidade. Tradução: Claus Ivo Doering –
11. ed. Porto Alegre: Bookman, 2006.
LARSON, R.; FARBER, B. Estatística Descritiva. Tradução: Luciane Ferreira Pauleti Vianna. 4. ed. São Paulo:
Pearson Prentice Hall, 2010.
PINHEIRO, J. I. D. et al. Estatística básica: a arte de trabalhar com dados. Rio de Janeiro: Elsevier, 2009.
TRIOLA, M. F. Introdução à Estatística. 12. ed. Rio de Janeiro: LTC, 2017.

ROCHA, S. M. Distribuição Binomial e Aplicações. 62f. 2017. Dissertação (Mestrado Profissional em
Matemática em Rede Nacional - PROFMAT). Universidade Federal do Maranhão, São Luís, 2017. Disponível
em: http://tedebc.ufma.br:8080/jspui/bitstream/tede/1271/2/Samy%20marques.pdf
(http://tedebc.ufma.br:8080/jspui/bitstream/tede/1271/2/Samy%20marques.pdf). Acesso em: 8 jul. 2019.

UNISUL DL - unidade 2

Enviado por

Dados do documento

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

UNISUL DL - unidade 2

Enviado por

Direitos autorais:

Formatos disponíveis

05/04/2024, 17:48 Probabilidade e Estatística

Joelma Iamac Nomura

2.1 Variáveis aleatórias discretas

2.1.2 Função de probabilidade para uma variável aleatória discreta

A probabilidade de cada valor da variável aleató ria discreta está

A soma de todas as probabilidades é 1, assim temos:

Tabela 1 - Pontos obtidos na jogada de um dado.

Tabela 2 - Quantidades de componentes com defeito distribuídos em lotes diferentes.

Os valores de X são: 0,1 e 2.

2.1.3 Média, variância e desvio-padrão para variáveis aleatórias discretas

Tabela 3 - Alunos matriculados em determinada universidade.

Portanto, o valor médio de X ( ou valor esperado de X (E(X) é:

2.1.4 Distribuição binomial

VOCÊ QUER LER?

Há um nú mero fixo de provas.

A probabilidade de sucesso é a mesma em cada

As provas sã o todas independentes.

Sendo n: nú mero de ensaios ou tentativas;

Figura 1 - Diagrama de Á rvore.

, o que nos leva ao total de . Para a obtenção do resultado, aplicamos a

Os dados do problema são: . Assim, aplicando a fó rmula da probabilidade da

Outra maneira de representar uma distribuição binomial é a partir de um histograma de probabilidades, em

Tabela 4 - Casas com TV a cabo.

Figura 2 - Histograma de probabilidade de uma distribuição binomial: assinaturas de TV a cabo em 6 casas

Média, variância e desvio-padrão de uma distribuição binomial

2.1.5 Distribuição de Poisson

E a probabilidade de que existam no máximo 3 armadilhas é:

Se quisermos calcular a probabilidade de ocorrer mais de 4 acidentes no mês, devemos calcular

Assim, temos que:

2.2 Variáveis aleatórias contínuas

2.2.2 Determinação de funções de distribuição contínua

cuja área é igual a 1, ou seja, .

Figura 4 - Função densidade de probabilidade: a área sombreada representa a probabilidade de que um

A probabilidade de que um ângulo de ocorrência esteja dentro de da linha de referência é

2.2.3 Média, variância e desvio-padrão para variáveis aleatórias contínuas

VOCÊ QUER VER?

Para o cálculo da variância, temos:

A variabilidade da dispersão assume valores em torno do valor médio, sendo

, o que nos leva a .

2.2.4 Variáveis aleatórias normais

A média, a mediana e a moda são iguais.

Seu gráfico tem a forma de um sino e é simétrico em torno da média.

A área total sob a curva é igual a 1.

de µ e à direita de µ ). São chamados de pontos de inflexão.

Figura 5 - LARSON; FARBER, 2010, p. 193.

2.2.5 Variável aleatória normal padrão

2.2.6 Padronização de variáveis aleatórias

Figura 6 - FREUND, 2006, p. 219.

Clique nos nú meros e veja as propriedades.

1 A área acumulada é perto de zero para z pró ximos a -3,49.

2 A área acumulada aumenta quando z aumenta.

3 A área acumulada para z = 0 é 0,500.

4 A área acumulada é pró xima a 1 quando z = 3,49.

Figura 7 - Á reas tabeladas da curva normal.

2.2.7 A tabela de distribuição normal padronizada

Exemplo: encontre a área sob a curva normal padrão:

TRIOLA, M. F. Introdução à Estatística. 12. ed. Rio de Janeiro: LTC, 2017.

Você também pode gostar