Você está na página 1de 33
Conjunto Agrotécnico Visconde da Graça Curso Superior de Tecnologia em Agroindústria Variáveis Aleatórias Contínuas Marcos André

Conjunto Agrotécnico Visconde da Graça

Curso Superior de Tecnologia em Agroindústria

Variáveis Aleatórias Contínuas

Marcos André Betemps

marcos.betemps@ufpel.edu.br

http://www.ufpel.edu.br/~marcos.betemps

Definição

São variáveis contínuas aquelas cujo o espaço amostral

  • X é infinito não enumerável.

Se X é uma variável aleatória contínua, pode assumir qualquer valor entre um intervalo.

Exemplo tempo de vida de um animal;

  • vida útil de um componente;

  • quantidade de chuva.

2

Marcos André Betemps - Estatística Aplicada

Fez-se uma pesquisa e analisou-se o peso de 1000 ovelhas sorteadas ao acaso num abatedouro.

O histograma obtido está abaixo

Distribuição simétrica em torno de 70 kg 0.04 0.03 Maioria de valores entre [54,88] 0.02 Poucos
Distribuição simétrica em
torno de 70 kg
0.04
0.03
Maioria de valores
entre [54,88]
0.02
Poucos valores acima de
90 kg e abaixo de 52 kg.
0.01
0.00
30
40
50
60
70
80
90
100
(kg)
Peso
Número de ovelhas/1000
3

Marcos André Betemps - Estatística Aplicada

Relembrando

HISTOGRAMA

Densidade de Freqüência

 

Amplitu

       

densidade de

d

 

valor

de

Média

n i

Proporção

%

Freqüência

f

4 |-- 8

4

6

 
  • 10 28,0%

0,28

 

0,07

8 |-- 12

4

 
  • 10 0,33

  • 12 33,0%

 

0,083

12

|-- 16

4

 
  • 14 0,22

  • 8 22,0%

 

0,055

16

|-- 20

4

 
  • 18 0,14

  • 5 14,0%

 

0,035

20

|-- 24

4

 
  • 22 0,03

  • 1 3,0%

 

0,0075

d f

proporção

Amplitude do intervalo

Histograma densidade de freqüência em termos dos intervalos.

Área de cada retângulo proporcional a

f i
f
i
4 28% 3% 14% 22% 33% 0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0
4
28%
3%
14%
22%
33%
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
8
8
24
20
16
12
4
Densidade de Freqüência
Salário
20
16
12

4 4

Vamos definir a variável aleatória contínua X peso de uma ovelha adulta escolhida ao acaso da população.

Como se distribui os valores desta variável aleatória? Ou seja, qual a distribuição de probabilidade desta variável X ?

0.030 0.015 0.000 30 40 50 60 70 80 90 100 (kg) P eso
0.030
0.015
0.000
30
40
50
60
70
80
90
100
(kg)
P eso

A curva em vermelho acima denomina-se curva normal. Muitos fenômenos aleatórios se comportam de acordo com esta distribuição.

5

Marcos André Betemps - Estatística Aplicada

Modelos Contínuos de Probabilidade

Variável Aleatória Contínua:

Assume valores num intervalo de números reais.

Não é possível listar, individualmente, todos os possíveis

valores de uma variável aleatória (v. a.) contínua.

Associamos probabilidades a intervalos de valores da variável.

6

Marcos André Betemps - Estatística Aplicada

Propriedades dos Modelos Contínuos

Uma v.a. X contínua é caracterizada por sua função densidade de probabilidade f(x) com as propriedades:

(a) A área sob a curva de densidade é 1;

Probabilidade de X estar entre a e b.

Propriedades dos Modelos Contínuos Uma v.a. X contínua é caracterizada por sua função densidade de probabilidade

(b) P(a X b) = área sob a curva da densidade f(x) e acima do eixo x, entre os pontos a e b; (c) f(x) 0, para qualquer

intervalo; (d) P(X = x 0 ) = 0, para x 0 fixo.

Propriedades dos Modelos Contínuos Uma v.a. X contínua é caracterizada por sua função densidade de probabilidade

Desta forma sempre devemos calcular,

P(a < X < b) = P(a X < b) = P(a < X b) = P(a X b).

7

Marcos André Betemps - Estatística Aplicada

Distribuição Normal

Distribuição criada em 1733 por Abraham de Moivre apenas um exercício teórico

Esta distribuição de probabilidades é definida pela função:

f x

(

)

1  e  2 
1
e
2

(

x

)

2

  • 2

2

A distribuição normal possui 2 parâmetros:

= média (determina o centro da distribuição)

2

= variância (determina a dispersão da distribuição)

Distribuição Normal Distribuição criada em 1733 por Abraham de Moivre  apenas um exercício teórico Esta

8

Portanto,

Distribuição Normal Distribuição criada em 1733 por Abraham de Moivre  apenas um exercício teórico Esta

Marcos André Betemps - Estatística Aplicada

N(  1 ;  2 ) N(  2 ;  2 )  1
N(  1 ;  2 )
N(  2 ;  2 )
 1
 2
x

Populações normais com médias diferentes e mesma variância

9

Marcos André Betemps - Estatística Aplicada

N(; 1 2 )  2 2 >  1 2 N(; 2 2 ) 
N(; 1 2 )
 2 2 >  1
2
N(; 2 2 )
Populações normais com variâncias diferentes e mesma média

10

Marcos André Betemps - Estatística Aplicada

Desta forma, existe um número infinito de curvas normais.

Desta forma, existe um número infinito de curvas normais. 11 Marcos André Betemps - Estatística Aplicada

11

Marcos André Betemps - Estatística Aplicada

Para a distribuição normal

P

(

)

X

P

(

)

0,6825

Para a distribuição normal P (    )  X  P ( 

P

(

2

)

X

P

(

2

)

0,9544

P

(

3

)

X

P

(

3

)

0,9974

68%
68%

Cerca de 68% da área

está a um desvio padrão

da média.

Para a distribuição normal P (    )  X  P ( 

32

2

Para a distribuição normal P (    )  X  P ( 

3

Cerca de 95% da área está a dois desvios

padrão.

Para a distribuição normal P (    )  X  P ( 

Cerca de 99,7% da área está a três desvios padrão da média.

12

Marcos André Betemps - Estatística Aplicada

Distribuição Normal Padrão

É a distribuição normal de uma variável z (escore z) que tem média igual a zero e desvio padrão igual a 1. Para a variável Z, a função densidade de probabilidade é:

 0  Z   1 2 z 1  2 f z ( )
 0
 Z
 1
2
z
1
2
f z
(
) 
e
2

z

  • x

Distribuição Normal Padrão É a distribuição normal de uma variável z ( escore z ) que

z representa o número de desvios padrão que separa uma variável aleatória x da média

P(  z  ) 1

13

Marcos André Betemps - Estatística Aplicada

68%
68%

Área abaixo da curva

Cerca de 68% da área

está a um desvio padrão

da média.

68% Área abaixo da curva Cerca de 68% da área está a um desvio padrão da

32

2

3

z

3

2

1

0

1

2

3

0,6825 0,9544
0,6825
0,9544

0,9974

68% Área abaixo da curva Cerca de 68% da área está a um desvio padrão da

A partir de uma distribuição normal qualquer, sempre transformamos para uma distribuição normal padrão.

14

Marcos André Betemps - Estatística Aplicada

Relacionando as Distribuições

f(x)

X ~ N(; 2 )

Relacionando as Distribuições X ~ N(  ;  ) f(z) Z ~ N(0 ; 1)
f(z) Z ~ N(0 ; 1) a  b x   z  0 z
f(z)
Z ~ N(0 ; 1)
a
b
x
 
z 
0
z

a  

b  

15

x

Marcos André Betemps - Estatística Aplicada

As pontuações em um concurso público estão normalmente distribuídas, com média de 152 e desvio padrão de 7.

Determine o escore z para um candidato com pontuação de:

(a) 161

 

x

z

 

161

152

z

7

As pontuações em um concurso público estão normalmente distribuídas, com média de 152 e desvio padrão
148 152 161
148
152
161

1,29

As pontuações em um concurso público estão normalmente distribuídas, com média de 152 e desvio padrão
As pontuações em um concurso público estão normalmente distribuídas, com média de 152 e desvio padrão

16

Marcos André Betemps - Estatística Aplicada

As pontuações em um concurso público estão normalmente distribuídas, com média de 152 e desvio padrão de 7.

Determine o escore z para um candidato com pontuação de:

(b) 148

z

x

 

As pontuações em um concurso público estão normalmente distribuídas, com média de 152 e desvio padrão
148 152
148
152
 

148

152

z

7

  0,57

As pontuações em um concurso público estão normalmente distribuídas, com média de 152 e desvio padrão
As pontuações em um concurso público estão normalmente distribuídas, com média de 152 e desvio padrão

17

Marcos André Betemps - Estatística Aplicada

As pontuações em um concurso público estão normalmente distribuídas, com média de 152 e desvio padrão de 7. Determine o escore z para um candidato com pontuação de:

(a) 161

(b) 148

(c) 152

z

x

z

161

152

7

148  152 152  152 z    0,57 z   1,29 7
148
152
152
152
z 
  0,57
z 
 1,29
7
7

0

18

Marcos André Betemps - Estatística Aplicada

P ( z  0)  0,5 P ( z  0)  0,5 19 Marcos

P(z 0) 0,5

P(z 0) 0,5

19

Marcos André Betemps - Estatística Aplicada

f (z)

Usando a tabela Normal

A tabela fornece a área entre o valor central e a variável z calculada (z c )

Distribuição simétrica em torno da média

Valores da tabela para z positivo, sendo considerados os mesmos para os valores negativos.

Exemplo Área entre a região

0 z 1,04

Percorro a tabela na primeira coluna até encontrar a linha 1,0. Depois procura a coluna que tem 0,04. O ponto de encontro representa a área entre 0 e 1,04

O valor encontrado é

0,3508

Ou seja, 35,08% da área está entre 0 e 1,04. Da mesma forma, 35,08% da área

está entre 0 e -1,04.

20

Marcos André Betemps - Estatística Aplicada

Usando a tabela Normal f (z) f )z(
Usando a tabela Normal
f (z)
f
)z(

Exemplo Área entre a região

1,04 z 1,04

Percorro a tabela na primeira coluna até encontrar a linha 1,0. Depois procura a coluna que tem 0,04. O ponto de encontro representa a área entre 0 e 1,04

O valor encontrado é

0,3508

Ou seja, 35,08% da área está entre 0 e 1,04. Da mesma forma, 35,08% da área está entre 0 e -1,04, logo a probabilidade de z estar entre -1,04 e 1,04 é

0,7016

21

Marcos André Betemps - Estatística Aplicada

Áreas acumuladas

Determine a área acumulada para um escore z de 1,25, ou seja, z ≤ -1,25. Use a tabela padrão.

0,1056

Áreas acumuladas Determine a área acumulada para um escore z de – 1,25, ou seja, z
z –3 –2 –1 0 1 2 3
z
–3 –2 –1
0
1
2
3

A área acumulada considera toda área desde z -∞ até z = -1,25

Como a distribuição é simétrica, a tabela está apresentada apenas para valores positivos da variável z, ou seja, considera apenas valores de área do centro até o ponto.

De 0 até -1,25 temos área de 0,3944, logo a área até -1,25 será Pois sabemos que até o valor central temos área de 0,5000.

0,5 0,3944 0,1056

22

Marcos André Betemps - Estatística Aplicada

Como determinar probabilidades

Para determinar a probabilidade de z ser inferior a um valor dado, encontre a área acumulada na tabela de acordo com o correspondente escore z.

Determine P(z < –1,45). P(z < –1,45) = 0,0735 z –3 –2 –1 0 1 2
Determine P(z < –1,45).
P(z < –1,45) = 0,0735
z
–3 –2 –1
0
1
2
3
Percorra a coluna z até 1,4; depois, vá na transversal até 0,05.
A área acumulada do ponto central até z=-1,45 é 0,4265.

Desta forma a área abaixo da curva é 0,5-0,4265=

23

Marcos André Betemps - Estatística Aplicada

Mais um Exemplo: Seja Z ~ N (0; 1), calcular a) P(z 0,32)

0,5

Mais um Exemplo : Seja Z ~ N (0; 1), calcular a) P( z  0,32)

0,1255

P(z 0,32) = 0,5 + 0,1255=0,6255

24

Marcos André Betemps - Estatística Aplicada

b) P(0 < z 1,71)

b) P(0 < z  1,71) P(0 < z  1,71) = 0,4564 25 Marcos André

P(0 < z 1,71) = 0,4564

25

Marcos André Betemps - Estatística Aplicada

c) P(1,32 < z 1,79)

c) P(1,32 < z  1,79) P(1,32 < z  1,79) = P(0  z 

P(1,32 < z 1,79) = P(0

z

1,79) P(0

z

1,32)

P(1,32 < z 1,79) = 0,4633 0,4066= 0,0567.

26

Marcos André Betemps - Estatística Aplicada

d) P(z 1,5)

d) P( z  1,5) P( z > 1,5) = 0,5 – P(0  Z 

P(z > 1,5) = 0,5 P(0 Z 1,5) = 0,5 0,4332 = 0,0668

27

Marcos André Betemps - Estatística Aplicada

e) P( -2,3 < z -1,49)

Z
Z

P(1,49 Z < 2,3)

e) P( -2,3 < z  -1,49) Z P(1,49  Z < 2,3) P( -2,3 <

P( -2,3 < z -1,49) = P(-2,3 z < 0) - P(-1,49 z < 0)

P( -2,3 < z -1,49) = 0,4893 - 0,4319 = 0,0574

28

Marcos André Betemps - Estatística Aplicada

2) Seja Z uma variável aleatória com distribuição normal padrão. Determine as seguintes probabilidades:

a)P(0 Z 1,73) b)P(0,81 Z  ) c)P(1,25 Z  0,63)

29

Marcos André Betemps - Estatística Aplicada

Vamos agora considerar uma situação geral, onde exista a necessidade de se converter para distribuição normal
Vamos agora considerar uma situação geral, onde exista
a necessidade de se converter para distribuição normal
padrão.

30

Marcos André Betemps - Estatística Aplicada

Exercícios

1) Sabendo que as notas de 450 alunos estão normalmente distribuídas, com

média igual a 3,9 e desvio padrão igual a 0,28, determine:

a) A probabilidade do aluno ter nota maior que 4,27.

Exercícios 1) Sabendo que as notas de 450 alunos estão normalmente distribuídas, com média igual a

3,62

3,9

4,18

4,27

  • X ~ N (3,9;0,28)

X

Para encontrar a área salientada vamos utilizar a tabela de distribuição

transformação da

z

4,27

normal padrão. Para isso, inicialmente, fazemos a Variável X para a variável Z, através da expressão

z

  • x

3,9

1,32



0,28

  • X ~ N (0;1) P( X 4,27) P(Z 1,32)

-1

0

1

Exercícios 1) Sabendo que as notas de 450 alunos estão normalmente distribuídas, com média igual a

1,32

z

31

Analisando a tabela que possuímos, verificamos que esta fornece a área entre Zero e o valor

Analisando a tabela que possuímos, verificamos que esta fornece a área entre Zero e o valor de Z, portanto procurando z=1,32 encontramos a área 0,4066, que representa a área entre 0 e 1,32. Como estamos interessados em obter a área acima de 1,32, e sabendo que do ponto central até o infinito temos área de 0,5, então a área acima de z=1,32 é

0,5 0,4066 0,0934 Portanto, P(z 1,32) 0,0934

, logo a probabilidade de um aluno

sorteado ao acaso ter nota maior que 4,27 é de 0,0934.

Isto indica que 9,34% dos alunos tem nota maior que 4,27. Se quisermos

saber o número de alunos com nota superior a 4,27, basta fazer

4500,0934 42,03

42 alunos tem nota superior a 4,27.

32

Marcos André Betemps - Estatística Aplicada

3) Suponha que a estatura de recém-nascidos do sexo feminino é uma variável com distribuição normal de média igual a 48 cm e desvio padrão de 3cm. Determine:

a) A probabilidade de um recém-nascido ter entre 42cm e 49cm.

b) A probabilidade de um recém-nascido ter estatura superior a 52cm.

c) O número de recém-nascidos que têm estatura inferior à

cm,

dentre os 532 que nasceram numa determinada maternidade, no período

de um mês,

33

Marcos André Betemps - Estatística Aplicada