Prévia do material em texto
Conteudista Prof. Me. Felipe Rocha Felix Revisão Textual Natalia Lotz Mendes Estudo dos Modelos Teóricos de Probabilidade 2 Sumário Objetivos da Unidade .......................................................................................... 3 Distribuições de Probabilidade .......................................................................... 4 Distribuição Binomial .......................................................................................... 5 Probabilidade Acumulada das Distribuições Binomial e Poisson ................ 16 Distribuição Normal .......................................................................................... 19 Probabilidade Acumulada da Distribuição Normal ....................................... 23 Percentis da Distribuição Normal Padrão ...................................................... 29 Em Síntese .......................................................................................................... 36 Material Complementar ................................................................................... 37 Autoatividade ..................................................................................................... 39 Referências ......................................................................................................... 40 Gabarito .............................................................................................................. 41 3 • Conhecer a distribuição binomial; • Compreender o conceito de distribuição de Poisson; • Explorar a probabilidade acumulada das distribuições binomial e de Poisson; • Discorrer acerca da distribuição normal; • Entender a probabilidade acumulada da distribuição normal. Objetivos da Unidade Este arquivo PDF contém o mesmo conteúdo visto on-line. Sua disponibili- zação é para consulta off-line e possibilidade de impressão. No entanto, re- comendamos que acesse o conteúdo on-line para melhor aproveitamento. 4 Distribuições de Probabilidade As distribuições de probabilidade são ferramentas fundamentais na teoria das probabilidades e na análise estatística, pois permitem modelar e descrever o comportamento de variáveis aleatórias em diferentes cenários. Três das distri- buições de probabilidade mais comumente utilizadas são a distribuição bino- mial, a distribuição de Poisson e a distribuição normal. A distribuição binomial é aplicada a situações em que uma variável alea- tória discreta representa o número de sucessos em um determinado nú- mero de ensaios independentes, cada um com a mesma probabilidade de sucesso. Essa distribuição é caracterizada por dois parâmetros: o número de ensaios (n) e a probabilidade de sucesso em cada ensaio (p). A proba- bilidade de ocorrer um número específico de sucessos é calculada pela fórmula da distribuição binomial. A distribuição binomial é amplamente uti- lizada em experimentos de Bernoulli, como lançamento de moedas, testes de hipóteses e estudos de amostragem; Distribuição binomial A distribuição de Poisson é adequada para modelar o número de eventos raros que ocorrem em um intervalo fixo de tempo ou espaço. Essa distri- buição é caracterizada por um único parâmetro λ (lambda), que representa a taxa média de ocorrência desses eventos raros. A probabilidade de ocor- rer um determinado número de eventos em um intervalo é calculada pela fórmula da distribuição de Poisson. A distribuição de Poisson é frequente- mente aplicada em estudos de contagem de eventos, como o número de acidentes de trânsito em uma determinada região durante um período de tempo; Distribuição de Poisson 5 A distribuição normal, também conhecida como distribuição gaussiana, é uma das distribuições mais importantes e amplamente utilizadas na estatís- tica. Ela é caracterizada por sua forma de sino simétrica e é totalmente deter- minada por dois parâmetros: a média (μ) e o desvio padrão (σ). A distribuição normal é aplicada a variáveis aleatórias contínuas que surgem naturalmente em muitos fenômenos, como altura, peso e resultados de medições científi- cas. Ela desempenha um papel central em teoremas estatísticos fundamen- tais, como o teorema do limite central, que estabelece que a soma de um grande número de variáveis aleatórias independentes, independentemente de sua distribuição original, se aproxima de uma distribuição normal. Distribuição normal Essas distribuições de probabilidade — binomial, de Poisson e normal — forne- cem estruturas matemáticas que permitem modelar e compreender uma ampla variedade de fenômenos aleatórios. Cada uma delas possui características e apli- cações específicas, o que proporciona uma base sólida para a análise de dados e a tomada de decisões embasadas em probabilidades. O conhecimento dessas distribuições é essencial para a compreensão dos con- ceitos estatísticos e para a aplicação adequada das técnicas estatísticas em dife- rentes áreas do conhecimento. É o que veremos na sequência. Distribuição Binomial Para definir a distribuição binomial, deve-se observar as condições que devem ser satisfeitas para denominar o que é um experimento binomial: 1. O experimento consiste em uma sequência de n experimentos menores de- nominados tentativas, onde “n” é estabelecido antes do experimento. Essas tentativas são independentes, ou seja, o resultado de qualquer tentativa particular não influencia o resultado de qualquer outra tentativa; 2. Cada tentativa pode resultar em um de dois resultados possíveis (tentativas dicotômicas), chamados de sucesso (S) com probabilidade p ou falha (F) e com probabilidade 1 – p. Onde denominamos a quantidade de sucessos por k, e quantidade de falhas de n – k. 6 Sendo assim, a distribuição de probabilidade binomial é definida da seguinte forma: P(x = k) = (n K ) pk (1 - p)n-k Isto significa a probabilidade de ocorrer o evento k vezes dentro de n tentativas. A variável aleatória X tem distribuição binomial, com parâmetros n e p, é indicado pela seguinte notação: X ~ B(n, p) Observe o exemplo a seguir. Suponha que você esteja jogando uma moeda honesta e queira sa- ber a probabilidade de obter exa- tamente quatro vezes "cara" em um total de 10 lançamentos. Nesse caso, a distribuição binomial pode ser usada para calcular essa proba- bilidade. Os parâmetros necessários são o número de ensaios (n) e a probabilidade de su- cesso em cada ensaio (p). No lançamento de uma moeda justa, a probabilidade de obter "cara" é de 0,5. Portanto, tem-se n = 10 (lançamentos) e p = 0,5 (probabilidade de "cara"). A probabilidade de obter exatamente quatro vezes "cara" em 10 lançamentos pode ser calculada usando a fórmula da distribuição binomial: 7 onde ( ) é o coeficiente binomial que representa o número de maneiras de escolher quatro sucessos em 10 lançamentos. Assim, conclui-se que a probabilidade de sair cara quatro vezes em 10 lançamen- tos é de 0,20625 ≈ 20,63%. Observe outro exemplo para aplicar a distribuição binomial. Suponha que haja um dado honesto de seis faces e deseja-se calcular a probabilidade de obter exatamente três lançamentos com o resultado "4" em oito lançamentos do dado. P(X = 3) = ( ) · (1/6)3 · (5/6)(8 - 3)= (1/6)3 · (5/6)(5)= =56 · (1/216) · (3125 / 7776) ≈ 0.1042 Logo, a probabilidade de se obter três lançamento com o resultado 4 em oito lançamentos do dado é, aproximadamente, de 0.1042 = 10,42%. Para cada distribuição probabilística existe uma expressão para a esperança e para a variância: a distribuição binomial. Nesse caso, a esperança é dada pela fórmula E(X) = n·p, onde X é a variável aleatória que representa o número de sucessos, n é o núme- ro de tentativas independentes e p é a probabilidade de sucesso em cada tentativa. Em outras palavras, a esperança é o número médio de sucessos esperado em um determinado número de tentativas. Importante Quanto maior o número de tentativas e maior a probabilidade de sucesso, maior será a esperança. 10 4 8 3 8! 3!(8 - 3)! P(X = 4) = ⋅(0,5)4 ⋅ (0,5) (10 - 4) (0,5)4 ⋅ (0,5) 6 = = 4 10 10 4!(10 - 4)! = 210 ⋅ 0,0625 ⋅ 0,015625 = 0,20625 8 A variância, por sua vez, mede a dispersão dos resultados em relação à esperan- ça. Na distribuição binomial, a variância é dada pela fórmula Var(X) = n· p ·(1 - p). A variância quantifica o quão distantes os valores individuais estão da média. Quanto maior a variância, maior a dispersão dos resultados em relação à média. No caso da distribuição binomial, a variância é influenciada tanto pelo número de tentativas quanto pela probabilidade de sucesso. Importante Quanto maior o número de tentativas e menor a probabilidade de sucesso, maior será a variância. A esperança fornece uma medida de tendência central, representando o valor médio esperado na distribuição binomial. A variância dá uma medida de dispersão, indicando o quão distantes os resulta- dos individuais estão da média. Ambas as medidas são úteis para compreender e analisar o comportamento da distribuição binomial e suas aplicações em diferentes contextos, como em expe- rimentos científicos, análise de riscos e tomada de decisões. Observe o exemplo de aplicação a seguir. Em um experimento, a probabilidade de sucesso em cada tentativa é de 0.3. Realizam-se 10 tentativas independentes desse experimento. Calcule a esperança e a variância do número de sucessos obtidos. Nesse caso, tem-se uma distribuição binomial com parâmetros n = 10 (número de tentativas) e p = 0.3 (probabilidade de sucesso). A esperança (valor esperado) de uma distribuição binomial é dada por E(X) = n·p, onde X é a variável aleatória que representa o número de sucessos. 9 Portanto, a esperança, nesse caso, é: E(X) = 10 · 0,3 = 3 A variância de uma distribuição binomial é dada por Var(X) = n·p·(1 – p), onde X é a variável aleatória que representa o número de sucessos. Portanto, a variância, nesse caso, é: Var(X) = 10 · 0,3 · (1 – 0,3) = 10 · 0,3 · 0,7 = 2,1 Assim, a esperança do número de sucessos é 3 e a variância é 2,1, considerando o experimento com 10 tentativas independentes e uma probabilidade de suces- so de 0,3 em cada tentativa. Ao utilizar o exemplo dado para aplicar a esperança e a variância, sendo n = 8, p = 1/6 1 - p = 5/6, então tem-se: E(X) = n · p = 8 ·(1/6) = 4/3 ≈ 1,33 Var(X) = 8 · (1/6) · (5/6) = 40/36 = 10/9 ≈ 1,11 Consequentemente, o desvio padrão é =”Var(X) = ”10/9 ≈ 1,05 . Distribuição de Poisson A distribuição de Poisson é uma distribuição de probabilidade discreta que mode- la a ocorrência de eventos raros e independentes em um intervalo de tempo ou espaço fixo. Essa distribuição é amplamente utilizada em áreas como Estatística, Matemática, Engenharia, Ciências Naturais e Economia para descrever diversos fenômenos. A distribuição de Poisson é caracterizada por um único parâmetro, denotado por λ (lambda), que representa a taxa média de ocorrência dos eventos em um de- terminado intervalo. Essa taxa média pode ser expressa em termos de eventos 10 por unidade de tempo, área, volume, entre outros, dependendo do contexto do problema. A função de probabilidade da distribuição de Poisson é dada pela fórmula: P(k; λ) = (e-λ · k) / k! onde κ representa o número de eventos ocorridos e e é a base do logaritmo natural (aproximadamente 2,71828). A fórmula permite calcular a probabilidade de exatamente κ eventos ocorrerem em um determinado intervalo, conside- rando a taxa média λ. Importante A distribuição de Poisson tem propriedades interessantes, como a independência entre intervalos não sobrepostos e a estabilidade do número esperado de eventos em intervalos de tamanhos diferentes. Essa distribuição é especialmente útil quando a ocorrência dos eventos é rara, mas o número médio de eventos é conhecido ou estimado. A distribuição de Poisson é uma ferramenta importante para modelar eventos raros e independentes em diferentes contextos. Ela permite calcular a pro- babilidade de um determinado número de eventos ocorrerem em um intervalo, com base na taxa média de ocorrência. Essa distribuição é amplamente aplicada em diversos campos para entender e analisar fenômenos aleatórios e tomar decisões informadas. Exemplos de aplicação da distribuição de Poisson incluem o estudo de acidentes de trânsito em uma região, a análise de falhas em equipamentos, a contagem de mutações genéticas e muitas outras situações em que a ocorrência de eventos raros é relevante. Outro exemplo de aplicação da distribuição de Poisson diz respeito à modelagem de chegadas de clientes em um sistema de atendimento. Confira a seguir: 11 Suponha que um call center receba, em média, quatro chamadas por minuto. Podemos utilizar a distri- buição de Poisson para calcular a probabilidade de um número espe- cífico de chamadas ocorrerem em determinado intervalo de tempo. Para saber a probabilidade de exatamente seis chamadas serem recebidas em um intervalo de dois minutos, pode-se usar a distribuição de Poisson com base na taxa média de quatro chamadas por minuto. Se for aplicada a fórmula da distribuição de Poisson, tem-se: P(k; λ) = (e-λ · λk) / k! Ao substituir os valores, onde k = 6 e λ = 4·2 = 8 (considerando um intervalo de dois minutos), tem-se: P(6; 8) = (e-8·86) / 6! Ao calcular essa expressão, obtém-se: P(6; 8) ≈ 0.086 Portanto, a probabilidade de exatamente seis chamadas serem recebidas em um intervalo de dois minutos, com base na taxa média de quatro chamadas por minuto, é de, aproximadamente, 0.086, ou 8.6%. Observe outro exemplo para aplicar a distribuição de Poisson. Acidentes Suponha que, em média, aconteçam cinco acidentes de carro em uma determinada rodovia a cada dia. Qual é a probabilidade de exatamente três acidentes ocorrerem em um dia específico? 12 Neste caso, pode-se utilizar a fórmula da distribuição de Poisson: P(X = k) = (e(-λ) · λκ) / k! onde: • P(X = k) é a probabilidade de ocorrer exatamente k eventos; • λ é a média de eventos que esperamos ocorrer em um dado intervalo de tempo (neste caso, em um dia); • e é a base do logaritmo natural (aproximadamente 2,71828); • k é o número de eventos que estamos interessados em calcular a probabili- dade; • k! é o fatorial de k. Seguem os cálculos: λ = 5 (média de acidentes por dia) k = 3 (queremos saber a probabilidade de três acidentes) P(X = 3) = (e(–5) · 53) / 3! P(X = 3) = (e(–5) ·125) / 6 Agora, calcula-se o valor de e(–5): e(–5) ≈ 0,006738 Agora, podemos calcular a probabilidade: P(X = 3) = (0,0067378 · 125) / 6 P(X = 3) ≈ 0,1404 Portanto, a probabilidade de exatamente três acidentes ocorrerem em um dia específico é aproximadamente 0,1404 (ou 14,04%). 13 Taxa de produção de peças Suponha que, em uma fábrica de automóveis, a média de produção de peças defeituosas seja de cinco peças por hora. Qual a probabilidade de, em um intervalo de uma hora, serem produzidas exatamente oito peças defeituosas? Neste caso, pode-se usar a distribuição de Poisson com a fórmula: P(X = k) = (e(-λ) λk) / k! onde: • P(X = k) é a probabilidade de ocorrer exatamente k eventos; • λ é a média de eventos que esperamos ocorrer em um dado intervalo de tempo (neste caso, em um dia); • e é a base do logaritmo natural (aproximadamente 2,71828); • k é o número de eventos que estamos interessados em calcular a probabili- dade; • k! é o fatorial de k. Seguem os cálculos: λ = 5 (média de peças defeituosas por hora) k = 8 (queremos saber a probabilidade de oito peças defeituosas em uma hora) P(X = 8) = (e(–5) ·58) / 8! Agora, calcula-se o valor de e(–5): e(-5) ≈ 0,00673794699 (arredondando para 11 casas decimais) Agora, calcula-se também o valor de 8!: 8! = 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 40.320 14 Agora, pode-se calcular a probabilidade: P(X = 8) = (0,00673794699 · 390625) / 40.320 P(X = 8) ≈ 0,065996 (arredondando para seis casas decimais) Portanto, a probabilidade de serem produzidas exatamente oito peças defeituo- sas em um intervalo de uma hora na fábrica de automóveis é aproximadamente0,065996 (ou 6,60%). Esse exemplo ilustra como a distribuição de Poisson pode ser usada para mode- lar a taxa de ocorrência de eventos (neste caso, a produção de peças defeituosas) em um determinado intervalo de tempo (neste caso, uma hora). A distribuição de Poisson é útil para calcular a probabilidade de eventos raros ou incomuns, sendo amplamente aplicada em processos produtivos e outros campos para analisar a ocorrência de eventos independentes ao longo do tempo. Taxa de produção de de peças com taxa média de três por hora Suponha que em uma fábrica de automóveis, a média de produção de peças defeituosas seja de três peças por hora. Qual a probabilidade de, em um intervalo de uma hora, serem produzidas exatamente oito peças defeituosas? Neste caso, pode-se utilizar a distribuição de Poisson com a fórmula: P(X = k) = (e(–λ) · λk) / k! onde: • P(X = k) é a probabilidade de ocorrer exatamente k eventos; • λ é a média de eventos que esperamos ocorrer em um dado intervalo de tempo (neste caso, em um dia); • e é a base do logaritmo natural (aproximadamente 2,71828); • k é o número de eventos que estamos interessados em calcular a proba- bilidade; 15 • k! é o fatorial de k. Seguem os cálculos: λ = 3 (média de peças defeituosas por hora) k = 8 (queremos saber a probabilidade de oito peças defeituosas em uma hora) P(X = 8) = (e(–3)·38) / 8! Agora, calcula-se o valor de e(–3): e(–3) ≈ 0,0497 Agora, calcula-se também o valor de 8!: 8! = 8 · 7 ·6 ·5 · 4 · 3 · 2 · 1 = 40.320 Agora, pode-se calcular a probabilidade: P(X = 8) = (0,04979·6.561) / 40.320 P(X = 8) ≈ 0,008109 (arredondando para seis casas decimais) Portanto, a probabilidade de serem produzidas exatamente oito peças defeituo- sas em um intervalo de uma hora na fábrica de automóveis, com uma taxa média de três peças defeituosas por hora, é, aproximadamente, 0,008112 (ou 0,81%). Com a taxa média reduzida para três, a probabilidade diminuiu significativamen- te, refletindo a expectativa de menos peças defeituosas sendo produzidas em uma hora. Importante A distribuição de Poisson é muito sensível à variação da taxa média, sendo uma ferramenta útil para modelar eventos raros ou pouco frequentes em processos produtivos. 16 Probabilidade Acumulada das Distribuições Binomial e Poisson A probabilidade P(x ≤ k) representa a probabilidade acumulada de um evento aleatório ter um valor igual ou menor que k. Essa medida é útil para analisar a frequência relativa de ocorrência de um evento dentro de uma distribuição. Exemplo: pode-se calcular a probabilidade acumulada de obter uma pontuação igual ou menor que k em um teste ou a probabilidade de uma variável aleatória assumir um valor igual ou menor que k. A probabilidade P(x ≥ k), por sua vez, representa a probabilidade acumulada de um evento aleatório ter um valor igual ou maior que k. Essa medida é útil para entender a frequência relativa de ocorrência de um evento a partir de um determinado valor, como em uma análise financeira, por exemplo. A probabilidade acumulada de um evento aleatório ter um valor dentro de um inter- valo específico de a até b é calculada pela probabilidade P(a ≤ x ≤ b). Essa medida é útil para analisar a probabilidade de eventos restritos a um intervalo particular. Exemplo: é possível calcular a probabilidade acumulada de que a tem- peratura esteja entre a e b em um determinado dia, ou a probabilidade de que uma variável aleatória assuma valores dentro do intervalo de a até b. Isso também ajuda nas decisões de investimento ao avaliar riscos e recompensas para retornos iguais ou superiores a um determinado valor. Além disso, é importante destacar que a probabilidade complementar também pode ser utilizada em P(x ≥ k). Em vez de calcular diretamente essa probabilidade acumulada, pode-se calcular P(x ≥ k) = 1 – P(xser aproximados pela distribui- ção normal, tornando-a uma poderosa ferramenta de modelagem. 20 A seguir, veja algumas características mais marcantes da distribuição normal: Característica 1 Uma das características mais marcantes da distribuição normal é a sua forma simétrica em torno da média, pois a maioria dos valores se concentra próximo ao centro da curva e diminui gradualmente em direção às extremidades. A cur- va normal é completamente definida por dois parâmetros: a média, que indica o centro da distribuição, e o desvio padrão, que indica a dispersão dos dados em relação à média; Característica 2 A distribuição normal tem várias propriedades importantes que a tornam tão amplamente aplicável. Um exemplo é a soma de várias variáveis aleatórias in- dependentes que seguem uma distribuição normal. Isso torna a distribuição normal especialmente útil para modelar e analisar somas e médias de dados em muitos contextos; Característica 3 A distribuição normal é fundamental em inferência estatística, pois muitos tes- tes de hipóteses e intervalos de confiança são baseados em pressupostos de normalidade dos dados. Por meio da distribuição normal, é possível calcular probabilidades, determinar intervalos de confiança e fazer previsões com base em dados observados; 21 Característica 4 A distribuição normal é amplamente utilizada em áreas como Ciências Sociais, Economia, Engenharia, Medicina, Física, entre outras, e sua utilidade e aplica- bilidade se estendem a análises estatísticas, previsões, modelagem de riscos, controle de qualidade, entre outras ações. Ela nos permite compreender e analisar uma ampla gama de fenômenos e tomada de decisões baseadas em dados. Diante das características apresentadas anteriormente, é possível definir a distri- buição normal da seguinte forma: Diz-se que uma va contínua X tem uma distribuição normal com parâme- tros, (ou σ²), onde –∞0,6406 0,6443 0,6480 0,6517 0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879 0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224 0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549 0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852 0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133 0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389 1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621 1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830 1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015 1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177 1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319 1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441 1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545 1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633 1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706 1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767 2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817 2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857 2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890 2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916 2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936 2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952 2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964 2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974 2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981 2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986 3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990 3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993 3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995 3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997 3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998 3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 Fonte: Azevedo, s.d. Tabela 1 – Parte positiva da tabela da distribuição normal 27 Tabela 2 – Parte negativa da tabela da distribuição normal z 0,0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641 -0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247 -0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859 -0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483 -0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121 -0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776 -0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451 -0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148 -0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867 -0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611 -1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379 -1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170 -1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985 -1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0708 0,0838 0,0823 -1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681 -1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559 -1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455 -1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367 -1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294 -1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233 -2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183 -2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143 -2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110 -2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084 -2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064 -2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048 -2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036 -2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026 -2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019 -2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014 -3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010 -3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007 -3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005 -3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003 -3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002 -3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 -3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 -3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 -3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 -3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 Fonte: Azevedo, s.d 28 Observe alguns exemplos para aprendizado da aplicação da tabela. Calcule as seguinte probabilidades normais padrão: (a) P(Z ≤ 1,25): neste item, para utilizar a tabela, primeiro identificam-se as li- nhas que contêm os dois primeiros números, ou seja, 1,2. Depois, identifi- cam-se as colunas e observa-se aquela que contém o terceiro número, ou seja, a coluna que contém o 5, que é a sexta coluna. Então, procura-se o número que está no encontro da linha 1,2 pela coluna 5. Assim, o valor ob- tido é 0,8944, que é equivalente a 89,44%. Isto significa que a probabilidade acumulada P(Z ≤ 1,25) = 89,44%. (b) P(Z >1,25): lembrando que P(Z ≤ 1,25) + P(Z > 1,25) = 1 � P(Z > 1,25) = 1 – P(Z ≤ 1,25) = 1 – 0,8944 = 0,1056 = 10,56%. (c) P(Z ≤ –1,25): da tabela, obtém-se que P(Z ≤ –1,25) = 010,56 = 10,56%. Observa- se que o valor da probabilidade acumulada é igual ao do item (b), e isto ocorre devido à simetria do gráfico da distribuição normal em relação à origem. (d) P(0,38 ≤ Z ≤1,25): é a área abaixo da curva normal padrão acima do intervalo cujo ponto extremo esquerdo é 0,38 e o direito é 1,25. Como X é uma va- riável aleatória contínua com função de distribuição acumulada F(x), então P(a ≤ Z ≤ b) = F(b) – F(a). O que fornece P( 0,38 ≤ Z ≤ 1,25) =ϕ(1,25) – ϕ(0,38) = 0,8944 – 0,3520 = 0,5424 = 54,24%. Para qualquer valor de probabilidade p entre 0 e 1, a tabela indicada anterior- mente é usada para obter o (100 p)-ésimo percentil da distribuição normal pa- drão. Exemplo O 99º percentil da distribuição normal padrão é o valor no eixo horizontal tal que a área sob a curva à esquerda do valor seja 0,9900. A tabela fornece para z fixo a área abaixo da curva normal à esquerda de z, neste caso, temos a área e queremos o valor de z. Este é o problema “inverso” de P(Z ≤ z) = ?, de modo que a tabela é usada de maneira inversa: encontra-se na tabela o valor 0,9900; a linha e a coluna onde se acha o valor identificam o 99º percentil de z. No caso, 0,9901 está na linha 2,3 e coluna 0,03, então o 99o percentil é (aproxi- madamente) z ≤ 2,33 (veja a figura a seguir). � 29 Figura 3 – Determinaçãodo 99º percentil Fonte: Devore; Cordeiro, 2014 #ParaTodosVerem: gráfico em formato de sino com a maior parte da região pintada de cinza, da esquerda para a direita, representando a área sob o gráfico que contém o 99º percentil. Fim da descrição. Percentis da Distribuição Normal Padrão Propriedade do Agrupamento Por simetria, o primeiro percentil é o negativo do 99º percentil, que é igual a 2,33 (1% fica abaixo do 1º e acima do 99º), conforme figura a seguir: Figura 4 – Representação da curva Z mostrando o 99º percentil Fonte: Devore; Cordeiro, 2014 #ParaTodosVerem: gráfico em formato de sino com extremidades pintadas de cinza representando o 1º e o 99º percentil. Fim da descrição. 30 Em geral, o (100 p)-ésimo percentil é identificado pela linha e coluna da distribui- ção da tabela anterior, onde se encontra a entrada p (por exemplo: o 67º percen- til é obtido encontrando-se 0,6700 no corpo da tabela, que fornece z = 0,44). Se p não estiver na tabela, normalmente é utilizado o número mais próximo a ele, apesar de que a interpolação linear fornece uma resposta mais precisa. Exemplo Para determinar o 95º percentil, procura-se 0,9500 na tabela. Apesar de 0,9500 não aparecer, os valores 0,9495 e 0,9505 são mostrados e correspondem a z =1,64 e z=1,65, respectivamente. Como 0,9500 está na metade da diferença entre as duas probabilidades mostradas, será utilizado o número 1,645 como o 95º percentil e –1,645 como o 5º percentil. No estudo de técnicas de inferência estatística, precisa-se dos valores do eixo das medidas que encerram pequenas áreas da cauda abaixo da curva normal padrão. Antes de aprofundar tal conteúdo, deve-se introduzir um valor bastante utiliza- do. A notação zα representará o valor no eixo das medidas para o qual uma área abaixo da curva z fica à direita de zα. A figura a seguir ilustra tal conteúdo: Figura 5 – Curva Z – probabilidade P(z≥zα) Fonte: Devore; Cordeiro, 2014 #ParaTodosVerem: gráfico em formato de sino com a extremidade direita pintada de cinza representando a probabilidade P(z≥zα). Fim da descrição. Como α da área abaixo da curva normal padrão está à direita de zα, 1 – α da área está à esquerda de zα. Portanto, zα é o 100(1 – α)-ésimo percentil da distribuição normal padrão. Por simetria, a área abaixo da curva normal e à esquerda de z também é. Os zαs normalmente são denominados valores críticos de z. A tabela a seguir relaciona os percentis normais padrão mais usados e os valores zα 31 Percentil 90 95 97,5 99 99,5 99,9 99,95 α (área sob a cauda) 0,1 0,05 0,025 0,01 0,005 0,001 0,0005 zα = 100 (1 – α ) -ésimo percentil 1,28 1,645 1,96 2,33 2,58 3,08 3,27 Fonte: Devore; Cordeiro, 2014 Tabela 3 – Percentis normais da distribuição padrão e valores críticos ɑ Quando X ~ N(μ, σ²), as probabilidades que envolvem X são calculadas por “pa- dronização”. A variável padrão é (X – μ)/σ. A subtração de μ desloca a média de para zero e depois a divisão por σ escalona a variável, de forma que o desvio padrão passa a ser 1 em vez de σ. A seguir, veja a proposição que resume a padronização da variável. Importante Proposição: se X tem distribuição normal com média σ e desvio padrão σ , então Z = (X-μ)/σ tem distribuição normal padrão. Assim: • P(a ≤ X≤ b) = P[ ≤ Z ≤ ( )σ ] = ϕ[b-μ/σ] - ϕ[(a-μ)/σ] • P(X ≤ a ) = ϕ[(a-μ)/σ] • P(X ≥b ) = 1 - ϕ[b-μ/σ] (a-μ) σ (b-μ) σ 32 A ideia-chave da proposição é que, pela padronização, qualquer probabilidade que envolva X é expressa como uma probabilidade que envolve uma va- riável aleatória normal padrão Z, de forma que se pode utilizar a tabela da distribuição normal apresentada anteriormente. Agora, apresenta-se um exemplo que faz uso da proposição indicada: Agora, apresenta-se um exemplo que faz uso da proposição indicada: O comprimento das peças produzidas por uma máquina é uma variável aleatória com distribuição normal média µ e variância σ². Uma peça é defeituosa se o seu comprimento diferir do valor médio mais do que σ. Ciente de que 50% das peças produzidas têm comprimento inferior a 0,25 mm e 47,5% têm comprimento entre 0,25 mm e 0,642 mm: a. Deve-se calcular a média e o desvio-padrão do comprimento das peças. b. Deve-se determinar a probabilidade de uma peça não ser defeituosa Resolução: X: comprimento das peças produzidas por uma máquina X segue N(µ; σ²) Peça defeituosa se X > µ + σ ou se Xencontra-se que a área correspondente a Z = 0 é de aproximadamente 0,5000. Portanto, a probabilidade de que a soma do tempo de espera seja inferior a 12 minutos é de aproximadamente 0,5000, ou seja, cerca de 50%. 36 Neste estudo, foram exploradas três importantes distribuições probabilísticas: a distribuição binomial, a distribuição de Poisson e a distribuição normal. A distribuição binomial é utilizada para modelar eventos discretos que têm ape- nas duas possibilidades, geralmente denominadas sucesso e fracasso. Ela é ca- racterizada por dois parâmetros: o número de tentativas (n) e a probabilidade de sucesso em cada tentativa (p). Já a distribuição binomial fornece a probabilidade de obter um certo número de sucessos em um determinado número de tentativas. Ela é frequentemente aplicada em situações como lançamento de moedas, resultados de testes e pes- quisas de opinião. A distribuição de Poisson, por sua vez, é utilizada para modelar eventos raros ou discretos que ocorrem em um intervalo contínuo ou espaço infinito. É caracteri- zada por um único parâmetro, λ (lambda), que representa a taxa média de ocor- rência do evento em questão. A distribuição de Poisson também permite calcular a probabilidade de um determinado número de ocorrências em um intervalo fixo. Ela é amplamente utilizada em estudos de incidência de doenças, chamadas telefônicas recebidas em um call center e acidentes de trânsito. A distribuição normal, também conhecida como distribuição gaussiana, é uma das distribuições mais importantes e amplamente utilizadas na estatística. Ela é caracterizada pela sua forma de sino e é completamente determinada por dois parâmetros: a média (μ) e o desvio padrão (σ). A distribuição normal descreve muitos fenômenos naturais e humanos, especial- mente quando vários fatores aleatórios estão envolvidos. Ela é aplicada em áreas como Economia, Ciências Sociais e Física, sendo fundamental em inferência esta- tística e análise de dados. Compreender essas distribuições é essencial para realizar análises estatísticas precisas e tomar decisões fundamentadas em diversos contextos. Em Síntese 37 Livros Estatística Aplicada e Probabilidade para Engenheiros A sexta edição desta obra, atualizada e revisada, abrange uma ampla gama de tópicos, desde conceitos básicos até técnicas avançadas, apresentando exemplos práticos e casos reais para ilustrar a aplicação dos conceitos em problemas reais da Engenharia. MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilida- de para engenheiros. 6. ed. Rio de Janeiro: LTC, 2018. Estatística e Probabilidade com Aplicações para Engenheiros e Cien- tistas Este livro oferece uma sólida introdução à estatística e à probabilidade, abordando conceitos fundamentais e suas aplicações em diversas áreas da Engenharia e das Ciências. Os autores apresentam uma variedade de métodos estatísticos, técnicas de amostragem e análise de dados, com ên- fase em problemas e desafios reais enfrentados por profissionais dessas áreas. Com exemplos práticos e exercícios, o livro ajuda os leitores a de- senvolverem habilidades analíticas e tomadas de decisão fundamentadas em dados. BRISHAM, C. G.; GUTTMAN, I. Estatística e probabilidade com aplica- ções para engenheiros e cientistas. Rio de Janeiro: LTC, 2018. Probabilidade: um Curso Introdutório Este livro é uma excelente opção para quem busca uma introdução ao tema da probabilidade de forma clara e concisa. Com linguagem acessível e exemplos elucidativos, o autor conduz o leitor pelos conceitos básicos da probabilidade, explorando suas aplicações em diversos contextos e forne- cendo uma base sólida para a compreensão de outras áreas da estatística. Ideal para estudantes de graduação e interessados em Ciências Exatas, o livro oferece uma abordagem gradual e intuitiva para o aprendizado do assunto. DANTAS, C. Probabilidade: um curso introdutório. São Paulo: EDUSP, 2008. Material Complementar 38 Material Complementar Probabilidade e Estatística para Ciências Exatas Este livro é uma excelente opção para estudantes de Ciências Exatas que desejam adquirir conhecimentos sólidos em probabilidade e estatística. Com uma abordagem prática e focada em aplicações, o autor apresenta conceitos essenciais e técnicas estatísticas importantes para a análise de dados e tomada de decisões. O livro auxilia os leitores a desenvolverem habilidades analíticas e pensamento crítico, capacitando-os a aplicar os conhecimentos em problemas reais e desafiadores das Ciências Exatas. NAVIDI, W. Probabilidade e estatística para ciências exatas. Porto Ale- gre: Bookman, 2012. 39 1 – Preencha as palavras em falta: A distribuição binomial é um modelo estatístico que descreve a probabili- dade de obter um certo número de ___________ em um determinado número de ___________, quando cada tentativa tem apenas dois resultados possíveis: sucesso ou ___________. Os eventos devem ser ___________, e a probabilidade de sucesso deve ser constante em todas as tentativas. Palavras-chave: FALHA – INDEPENDENTES – TENTATIVAS – SUCESSOS. Autoatividade 40 AZEVEDO, C. L. N. Tabela da distribuição normal padrão. UNICAMP. Disponível em: . Acesso em: 25/07/2023. DEVORE, J. L.; CORDEIRO, M. T. A. Probabilidade e estatística: para engenharia e ciências. São Paulo: Cengage Learning Edições Ltda., 2014. STEWART, J. Cálculo. São Paulo: Cengage, 2013. 2 v. Referências 41 Questão 1 A ordem correta é: SUCESSOS – TENTATIVAS – FALHA – INDEPENDENTES. Feedback: A distribuição binomial é um modelo estatístico que descreve a pro- babilidade de obter certo número de sucessos em um determinado número de tentativas, quando cada tentativa tem apenas dois resultados possíveis: sucesso ou falha. Os eventos devem ser independentes, e a probabilidade de sucesso deve ser constante em todas as tentativas. Gabarito