Baixe o app para aproveitar ainda mais
Prévia do material em texto
Luana de Melo Pereira Disciplina: Estatística Básica Universidade Federal de Pelotas Centro das Engenharias - Ceng 3.3. DISTRIBUIÇÕES DE PROBABILIDADES DISTRIBUIÇÕES DE PROBABILIDADES Introdução Distribuições de probabilidade para variáveis discretas Distribuições de probabilidade para variáveis contínuas 2 DISTRIBUIÇÕES DISCRETAS 3 1. Distribuição de Bernoulli 2. Distribuição Binomial 3. Distribuição Hipergeométrica 4. Distribuição de Poisson 5. Distribuição Multinomial 6. Distribuição Geométrica 7. Distribuição Binomial Negativa 8. Distribuição Hipergeométrica Negativa 9. Distribuição Uniforme DISTRIBUIÇÕES CONTÍNUAS 4 1. Distribuição Uniforme 2. Distribuição Normal Distribuição Normal Padrão 3. Distribuição Gama 4. Distribuição Exponencial 5. Distribuição Beta 6. Distribuição Lognormal 7. Distribuição Seminormal 8. Distribuição Weibull 9. Distribuição Gumbel INTRODUÇÃO 5 Por que uma variável é denominada aleatória? Porque os seus valores ocorrem de forma aleatória ou probabilística. Exemplo: plantas de uma determinada cultivar de trigo são cultivadas numa pequena área de campo sob condições idênticas. Se coletarmos dez plantas dessas e medirmos suas alturas, todas as plantas terão a mesma altura? Esta aleatoriedade gera variabilidade. A estatística busca a regularidade presente na variabilidade e essa regularidade permite que as variáveis aleatórias sejam representadas por modelos matemáticos que são denominados, agora, distribuições de probabilidade. Com base nessas distribuições, a Estatística cria técnicas que possibilitam tomar decisões apesar da variabilidade, na presença da incerteza. Na pesquisa científica o pesquisador precisa tomar decisões e obter conclusões na presença de variabilidade. INTRODUÇÃO 6 O que é uma distribuição de probabilidade? Uma distribuição de probabilidade é essencialmente um modelo de descrição probabilística de uma população. População é o conjunto de todos os valores de uma variável aleatória. X=x 0 1 2 P(X=x) 0,1 0,6 0,3 1 população Distribuição de probabilidade INTRODUÇÃO 7 Os modelos têm aplicações gerais e são individualizados através dos parâmetros Parâmetros: são caracterizações numéricas que permitem a individualização de um modelo em determinado contexto. No estudo de uma variável aleatória é importante saber: 1. O tipo de distribuição determinado pela função de probabilidade da variável; 2. Os parâmetros da distribuição; 3. As medidas descritivas da distribuição. 8 1. Distribuição de Bernoulli Distribuições de Probabilidade de Variáveis Discretas Deduzida no final do século XVII pelo matemático suíço Jacob Bernoulli. Jacob Bernoulli (1654 – 1705) Definição: Modelo que descreve probabilisticamente os resultados de um experimento de Bernoulli. é definido como o experimento aleatório que possui apenas dois resultados possíveis. 9 Experimento: Um corpo de prova é testado quanto a sua resistência. Devemos considerar um dos resultados como sucesso: sucesso = resistente fracasso = não resistente X = , se for resistente , se não for resistente 0 1 SX = {0,1} S = {resistente, não resistente} Definimos a variável aleatória X como número de sucessos em uma repetição do experimento. X = número de sucessos 10 O evento {não resistente} é complemento do evento {resistente}, então sua probabilidade será 1– 0,87. X = x 0 1 P(X = x) 0,13 0,87 1 Se for conhecido a eficiência do lote de corpos de prova, por exemplo, 87%, podemos concluir que a probabilidade de o corpo de prova ser resistente é 0,87. probabilidade de sucesso (π) probabilidade de fracasso (1-π) ou q 11 Função de probabilidade De modo geral, se X é uma variável que tem distribuição de Bernoulli, sua função de probabilidade será: X = x 0 1 P(X = x) 1 1- Representação tabular x1x )(1.x)P(X , para SX = {0, 1} parâmetro Representação analítica A distribuição de Bernoulli tem apenas um parâmetro: = probabilidade de sucesso ; X ~ Ber () X tem distribuição de Bernoulli com parâmetro 12 Medidas descritivas Média ou valor esperado E(X) = = XSx p(x)x Para SX = {0, 1} X = x 0 1 P(X = x) 1- 1 1)(10 Teorema: E(X) = = E(X) = = XSx p(x)x 13 Variância X = x 0 1 P(X = x) q 1 Para SX = {0, 1} Teorema: V(X) = 2 = (1- ) xSx xpxXV )()()( 22 14 Descreve probabilisticamente resultados de experimentos que possuem apenas dois resultados possíveis. RESUMO - Distribuição de Bernoulli Função de probabilidade x1x )(1x)P(X , para SX = {0, 1} = probabilidade de sucesso Parâmetro: V(X) = 2 = (1-) E(X) = = Medidas descritivas: 15 2. Distribuição Binomial Definição: Modelo que descreve probabilisticamente os resultados de uma sequência de experimentos de Bernoulli independentes entre si, ou seja, onde a probabilidade de sucesso é constante em todas as repetições do experimento. Distribuição binomial é um processo finito de Bernoulli n experimentos de Bernoulli independentes, com probabilidade de sucesso constante para todos eles. 16 Experimento: a população de uma cidade foi vacinada contra uma determinada doença e 60% delas ficaram imunes. Se uma pessoa dessa cidade é escolhida ao acaso e sua situação em relação a imunização é registrada, temos um experimento de Bernoulli. S = {imune, não imune} p(não imune) = p(imune) = 0,6 1 - 0,6 = 0,4 Se três pessoas são escolhidos, uma a uma, e o resultado é registrado, temos uma sequência de três experimentos de Bernoulli independentes, pois, a cada escolha, a probabilidade de sucesso permanecerá inalterada. Exemplo 17 A variável X é definida como o número de sucessos em n experimentos de Bernoulli independentes, com probabilidade de sucesso igual a . SX = {0, 1, 2, 3} Sucesso = imune n=3 e =0,6 Qual é a função de probabilidade P(X=x) associada a variável X? xnxx n )(1Cx)P(X , para SX = {0, 1, ..., n} 18 P(X=0)= SX = {0,1,2,3} P(X=1) = P(X=2) = P(X=3) = P(X=x) = ? X: nº pessoas imunes = 1 0,60 0,43 = 0,064 = 3 0,61 0,42 = 0,288 = 3 0,62 0,41 = 0,432 = 1 0,63 0,40 = 0,216 x)!(nx! n! Cxn Combinação 0 3C 1 3C 2 3C 3 3C 19 x3xx 3 0,6)(10,6Cx)P(X X = x 0 1 2 3 P(X = x) 0,064 0,288 0,432 0,216 1 Representação tabular Representação analítica , para SX = {0, 1, 2, 3} Número de casos Probabilidade de um caso 20 Parâmetros A distribuição binomial tem dois parâmetros: n = número de repetições do experimento de Bernoulli = probabilidade de sucesso X ~ Bin (n,) X tem distribuição binomial com parâmetros n e xnxx n )(1Cx)P(X parâmetros 21 Medidas descritivas E(X) = = XSx p(x)x Média ou valor esperado Teorema: E(X) = = n Variância Teorema: V(X) = 2 = n (1-) xSx xpxXV )()()( 22 22 Descrição probabilística de uma sequência de experimentos de Bernoulli independentes.Importante no contexto de amostragem com reposição. RESUMO - Distribuição binomial Função de probabilidade xnxx n )(1Cx)P(X , para SX = {0, 1, ..., n} n = número de repetições no experimento Parâmetros: V(X) = 2 = n (1-) E(X) = = n Medidas descritivas = probabilidade de sucesso 23 Exercício proposto: Num determinado processo de fabricação 10% das peças são consideradas defeituosas. As peças são acondicionadas em caixas com 5 unidades cada uma. (a) Qual a probabilidade de haver exatamente 1 peça defeituosa numa caixa? (b) Qual a probabilidade de haver pelo menos duas peças defeituosas numa caixa? (c) Se a empresa paga uma multa de R$ 10,00 por caixa em que houver alguma peça defeituosa, qual o valor esperado da multa num total de 1000 caixas? (32,81%) (8,14%) (R$ 4.100) 24 (a) P(X = 1) = = 0,3281 = 32,81% (b) P(Duas ou mais defeituosas) = P(X=2) + P(X=3) + P(X=4) + P(X=5) Ao invés de calcular desta forma é mais conveniente utilizar o complementar. Assim: P(X 2) = 1 - P(X 1) = 1 - [P(X=0) + P(X=1)] = 1 - (0,5905 + 0,3281] = 8,14% (c) A probabilidade de uma caixa pagar multa é: P(PM) = P(X 1) = 1 - P(X = 0) = 1 - 0,5905 = 40,95% Neste caso tem-se uma nova Binomial, sendo Y=n° de caixas que pagam multa com n = 1000 e = 0,41. O número esperado de caixas que vão pagar multa, isto é, com uma ou mais peças defeituosas será: E(Y) = = n = 1000 . 0,41 = 410 caixas Como cada uma paga R$ 10,00 de multa, o valor total da multa será: R$ 10,00 . 410 = R$ 4 100,00 411 5 (0,90).(0,10)C 25 3. Distribuição Hipergeométrica A Distribuição hipergeométrica se difere da Distribuição binomial porque a probabilidade de sucesso muda de um experimento para o outro, pois trata-se de experimentos dependentes, ou seja, sem reposição. Definição: Modelo que descreve probabilisticamente os resultados de uma sequência de experimentos de Bernoulli dependentes. Refere-se a experimentos que se caracterizam por retiradas sem reposição, onde a probabilidade de sucesso se altera a cada retirada. 26 (sucesso) n elementos (sem reposição) (fracasso) X= número de sucessos em n retiradas N N1 N2 =N1+N2 Sub-populações População Do ponto de vista probabilístico não faz diferença considerar retiradas individuais sem reposição ou retirada conjunta de grupos. = N1 N probabilidade de sucesso 1- = N2 N probabilidade de fracasso 27 Exemplo: Uma bandeja contém 10 xícaras de cafezinho, sete com açúcar e três com adoçante. Três pessoas se aproximam da bandeja e se servem. Se a variável aleatória X é definida como o número de xícaras de café com açúcar, construa a distribuição de probabilidade de X. Açúcar 3 xícaras Adoçante X = número de xícaras de café com açúcar N =10 N1=7 N2 =3 Xícaras (n=3) SX = {0, 1, 2, 3} 28 S = {A1A2A3, A1A2a1,A1A2a2, ..., a5a6a7} # S = X = número de xícaras de café com açúcar SX = {0, 1, 2, 3} 0,0083 120 1 120 11 C CC 3 10 3 3 0 7 0,175 120 21 120 37 C CC 3 10 2 3 1 7 0,525 120 63 120 321 C CC 3 10 1 3 2 7 0,2917 120 35 120 135 C CC 3 10 0 3 3 7 P(X =0) = P(X =1) = P(X =2) = P(X =3) = 3 10C = 120 a = açúcar A = adoçante 29 X = x 0 1 2 3 P(X = x) 0,0083 0,175 0,525 0,2917 1 3 10 x-3 3 x 7 C CC x)P(X Representação tabular Representação analítica , para SX = {0, 1, 2, 3} , para SX = {0, 1, ..., n} n N x-n N x N C CC x)P(X 2 1 Número de maneiras para retirada de x elementos dentre os N1 que compõem o grupo de sucesso Número de maneiras para retirada dos demais elementos Número de amostras (sem reposição) que podem ser formadas Função de probabilidade De modo geral, se X é uma variável que tem distribuição hipergeométrica, sua função de probabilidade será: 31 Parâmetros A distribuição hipergeométrica tem três parâmetros: n = número de repetições do experimento N = tamanho da população N1 = tamanho da sub-população de interesse X ~ Hip (n,N,N1) X tem distribuição hipergeométrica com parâmetros n, N e N1 n N x-n N x N C CC x)P(X 21 parâmetros 32 Medidas descritivas E(X) = = XSx p(x)x Média ou valor esperado Teorema: Variância Teorema: xSx xpxXV )()()( 22 N N n μE(X) 1 1-N n-N N N N N nσV(X) 2 1 2 No exemplo: X ~ Hip (n=3, N=10, N1=7) 0,70,49V(X)σ Significado: Se o experimento for repetido um grande número de vezes, a variação média do número de sucessos em relação ao valor esperado será 0,7. Significado: Se o experimento (escolher três xícaras) for repetido um grande número de vezes, o número médio de sucessos (xícaras de café com açúcar) obtidos será 2,1. N N nE(X) 1 2,1 10 7 3 1-N n-N N N N N nV(X) 2 1 0,49 1-10 3-10 10 3 10 7 3 xícaras com açúcar xícaras com açúcar 34 Descrição probabilística de uma sequência de experimentos de Bernoulli dependentes. Importante no contexto de amostragem sem reposição. RESUMO - Distribuição hipergeométrica Função de probabilidade n = número de repetições no experimento Parâmetros: Medidas descritivas N = tamanho da população N1 = tamanho da sub-população de interesse n N x-n N x N C CC x)P(X 2 1 N N nμE(X) 1 1-N n-N N N N N nσV(X) 2 1 2 , para SX = {0, 1, ..., n} Exercício proposto: Uma caixa contém 12 lâmpadas das quais 5 estão queimadas. São escolhidas 6 lâmpadas ao acaso. Qual a probabilidade de que: (a) Exatamente duas estejam queimadas? (b) Pelo menos uma esteja boa? (c) Pelo menos duas estejam queimadas? (d) O número esperado de lâmpadas queimadas? (e) A variância do número de lâmpadas queimadas? Tem-se N = 12, N1 = 5 e n = 6, então: (a) P(X = 2) = = 37,88% (b) Se são retiradas 6 lâmpadas e somente 5 estão queimadas, então necessariamente uma será boa, portanto: P(pelo menos uma boa) = 100%. (c) P(X 2) = 1 - P(X < 2) = 1 - [P(X = 0) + P(X = 1)] = 1 - - = 87,88%. (d) E(X) = n.N1 / N = 6.5 / 12 = 30/12 = 5/2 = 2,50. (e) V(X) = = = 210/1584 = 0,1326 6 12 4 7 2 5 C CC 6 12 6 7 0 5 C CC 6 12 5 7 1 5 C CC 1)(N n)(N N N N N n 21 12.12.11 6.5.7.6 4. Distribuição de Poisson Siméon D. Poisson (1781 – 1840) Modelo de descrição de acontecimentos de ocorrência rara. Definição: descreve probabilisticamente a sequência de um grande número de fenômenos independentes entre si, cada um com probabilidade de sucesso muito pequena. Ocorre naturalmente quando se deseja contar o número de um tipo particular de eventos que ocorrem por unidade de tempo, de superfície ou de volume. Pode ser considerada como uma binomial onde o número de experimentos (n) é grande ep é pequeno (sucesso raro). É um processo infinito de Bernoulli. número de peças defeituosas observadas em uma linha de produção num determinado período de tempo; número de acidentes de trabalho ocorridos numa grande empresa num determinado período de tempo; número de ciclones ocorridos em certa região num determinado período de tempo; número de formigueiros por unidade de área em uma região; número de bactérias por unidade de área em uma lâmina com extratos de uma planta; Exemplos: Função de probabilidade De modo geral, se X é uma variável que tem distribuição de Poisson, sua função de probabilidade será: , para SX = {0, 1, 2, ...} x! λ ex)P(X x λ onde: X: número de sucessos e = 2,718 (base dos logaritmos neperianos) : número médio de sucessos (sempre maior que zero) espaço amostral infinito x! ex)P(X xλλ Parâmetros A distribuição de Poisson tem apenas um parâmetro: = número médio de sucessos X ~ Poi () X tem distribuição de Poisson com parâmetro parâmetro 41 Medidas descritivas E(X) = = XSx p(x)x Média ou valor esperado Teorema: Variância Teorema: xSx xpxXV )()()( 22 E(X) = = V(X) = 2 = 42 Descrição probabilística da sequência de um grande número de fenômenos independentes, todos com probabilidade de sucesso constante e muito pequena. RESUMO – Distribuição Poisson Função de probabilidade = número médio de sucessos Parâmetros: Medidas descritivas , para SX = {0, 1, ...} x! λ ex)P(X x λ E(X) = = V(X) = 2 = Exercício proposto: Em um certo tipo de fabricação de fita magnética, ocorrem defeitos a uma taxa de 1 a cada 2000 metros. Qual a probabilidade de que um rolo com 2000 metros de fita magnética: (a) Não tenha defeitos? (b) Tenha no máximo dois defeitos? (c) Tenha pelo menos dois defeitos? Solução: Neste caso, tem-se: = 1 (taxa de defeitos a cada 2000 metros) X = nº de defeitos a cada 2000 metros Então: P(X = x) = , para x = 0, 1, 2, 3, ... (a) P(X = 0) = = e-1 = 36,79% (b) P(X 2) = + + = = 91,97% (c) P(X2) = 1-P(X1) = 1- [ + ]=1- 2e-1 = 26,42% e x x ! 1 0 1 0 e ! 1 11 1 e ! 1 0 1 0 e ! 1 2 1 2 e ! 1 5 2 e 1 11 1 e ! 1 0 1 0 e ! Exercício proposto: Um dado é formado por chapas de plástico de 10x10 cm. Em média aparecem 50 defeitos por metro quadrado de plástico, segundo uma distribuição de Poisson. (a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos? (b) Qual a probabilidade de o dado apresentar no mínimo dois defeitos? (c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas? (7,58%) (80,08%) (24,36%) Em média aparecem 50 defeitos/m2 = (50/10000) defeitos/cm2 Como cada face tem 10cm x 10 cm = 100 cm2, tem-se então: = (50/10000) defeitos/cm2 x 100 cm2 = 0,5 defeitos por face. A probabilidade de uma face apresentar dois defeitos será: P(X = 2) = = 7,58% 0 5 20 5 2 , ( , ) ! e 1m2=10000cm2 50-------------- 10000 X----------------100 X=50.100/10000 X=0,5 a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos? (b) Qual a probabilidade de o dado apresentar no mínimo dois defeitos? No dado inteiro, a área total será a = 6x100 cm2 = 600 cm2 e o número médio de defeitos será então: = (50/10000) defeitos /cm2 x 600 cm2 = 3 defeitos A probabilidade de o dado apresentar no mínimo 2 defeitos será: P(X 2) = P(X = 2) + P(X = 3) + ... = 1 - P(X 1) = 1 - [P(X = 0) + P(X =1)] = = 1 - [ + ] = = 1 - [0,0498 + 0,1494] = 80,08% 3 0 3 0 e ! 3 1 3 1 e ! (c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas? A probabilidade de uma face ser perfeita é a probabilidade de ela não apresentar defeitos, isto é: P (X = 0) = = 60,65% Tem-se então uma binomial Y com n = 6 (número de faces do dado) e π= 60,65%(probabilidade de uma face ser perfeita) Então a probabilidade de pelo menos 5 perfeitas, será: P(Y 5) = P(Y = 5) + P(Y = 6) = + = 24,36% 0 5 00 5 0 , ( , ) ! e (0,3935)(0,6065) 15 .. 6 5 6 6 0 6065 0 3935 6 0 .( , ) .( , ) 49 Distribuições de probabilidade de variáveis contínuas É difícil identificar o tipo de distribuição de probabilidade de uma variável contínua pesquisa bibliográfica observação do campo de variação da variável Existem vários tipos de distribuições contínuas, contudo a mais importante é a Distribuição normal. 50 É importante tanto no aspecto teórico como nas aplicações. Essa importância se deve a um conjunto de aspectos: Propriedades matemáticas; É útil para descrever uma grande quantidade de fenômenos naturais físicos, ambientais, etc.; Distribuições de um grande número de variáveis aleatórias convergem para a distribuição normal; Muitas variáveis não normais podem ser tratadas como normais após transformações simples; Uma grande quantidade de métodos e procedimentos de inferência estatística são derivados tendo-a como pressuposição básica. Distribuição Normal O conjunto de métodos desenvolvidos para tratar variáveis que têm distribuição normal forma a chamada Estatística Clássica ou Estatística Paramétrica. 51 Definição: É uma distribuição teórica de frequências, onde a maioria das observações se situa em torno da média (centro) e diminui gradual e simetricamente no sentido dos extremos. A distribuição normal é representada graficamente pela curva normal (curva de Gauss) que tem a forma de sino e é simétrica em relação ao centro, onde se localiza a média . 52 Função densidade de probabilidade 2 2 σ2 μ)(x e 2πσ 1 f(x) , para SX = (-,+) Parâmetros A distribuição normal tem dois parâmetros: = média (determina o centro da distribuição) 2 = variância (determina a dispersão da distribuição) X ~ N (, 2) parâmetros X tem distribuição normal com parâmetros e 2 De modo geral, se X é uma variável contínua que tem distribuição de normal, sua função densidade de probabilidade será: 53 Populações normais com médias diferentes e mesma variância Populações normais com variâncias diferentes e mesma média 54 Existe um número infinito de curvas normais 55 Propriedades da distribuição normal máximo 1. O máximo da função densidade de probabilidade se dá no ponto x= . 56 Md==Mo 2. A distribuição é simétrica em relação ao centro onde coincidem a média, a moda e a mediana. 57 3. Os pontos de inflexão são exatamente - e +. - + Ponto de inflexão: ponto onde a concavidade à direita tem sinal diferente ao da concavidade à esquerda 58 4. Verifica-se na distribuição normal que: P(- < X < +) = 0,6825 P(-2 < X < +2) = 0,9544 P(-3 < X < +3) = 0,9974 59 Para cada valor de e de , existe uma distribuição normal diferente O cálculo de áreas sob a curva normal, deverá ser feito sempre em função dos valores particulares de e Para evitar a trabalhosa tarefa de calcular as áreas foi determinada uma distribuição normal padrão ou reduzida As áreas sob a curva normal padrão foram calculadas e apresentadas numa tabela Cálculo de áreas 60 A curva normal padrão foi dividida em pequenas tiras, cujas áreas foram calculadas e apresentadas numa tabela. Na tabela da distribuição normal padrão, podemos encontrar as áreas correspondentes aos intervalos de 0 a z. 4. Distribuição Normal Padrão Definição: é a distribuição normal de uma variável Z que tem média igual a zero (=0) e desvio padrão igual a um (=1). 61 Tabela - Área sob a curva normal padrão de 0 a z, P(0 Z z). ?0,62)ZP(0 0,23240,62)ZP(0 z)ZP(0 62 Os valores negativos não são apresentados na tabela porque a curva é simétrica; assim, as áreas correspondentes a esses valores são exatamente iguais às dos seus simétricos positivos, por exemplo P(-1<Z<0)=P(0<Z<1). Na tabela da distribuição normal padrão, os valores de Z vão de 0 a 3,9 . Este limite é estabelecido com base na quarta propriedade da distribuição normal. 63 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0 5 10 15 20 - + 0 -2,17 2,17 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0 5 10 15 20 - + 0 = 0,4850 0,4850 ?0)ZP(-2,17 = + 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0 5 10 15 20 - + 0 2 -1 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0 5 10 15 20 - + 0 1 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0 5 10 15 20 - + 0 2 0,4772 0,3413 ?2)ZP(-1 0,4772+0,3413 = 0,8185 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0 5 10 15 20 - + 0 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0 5 10 15 20 - + 0 1,5 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0 5 10 15 20 - + 0 1,5 = 0,5 _ 0,4332 ?1,5)P(Z 0,5-0,4332 = 0,0668 64 Exercício proposto: Seja Z uma variável aleatória com distribuição normal padrão. Determine as seguintes probabilidades: a) P(0 < Z < 1,73) b) P(Z > 0,81) c) P(-1,25 Z -0,63) R. 0,4582 R. 0,2090 R. 0,1587 65 Para utilizarmos os valores da tabela, devemos padronizar a variável X, ou seja, transformar X em Z. Após a transformação, procuramos na tabela a área compreendida entre 0 e z, que corresponderá a área entre e x. X ~ N (, 2) transformar σ μX Z Z ~ N (0, 1) Através da distribuição normal padrão é possível estudar qualquer variável X que tenha distribuição normal, com quaisquer valores para e . 66 X ~ N (, 2) Z ~ N (0, 1) P(x1 < X < x2) = P(z1 < Z < z2) A transformação muda as variáveis, mas não altera a área sob a curva. 67 Sabendo que as notas de 450 alunos estão normalmente distribuídas, com média = 3,9 e desvio padrão = 0,28, determine: a) a probabilidade de um aluno ter nota maior que 4,27; b) o número de alunos que têm nota superior a 4,27. c) Sabendo que 5% dos alunos com as maiores notas serão selecionados para concorrerem a bolsas remuneradas, qual é o valor da nota mínima que um aluno deverá tirar para poder concorrer? Exemplo 68 Resolução: a) Para encontrar essa área, vamos utilizar a tabela da distribuição normal padrão. Inicialmente, fazemos a transformação da variável X para a variável Z. 1,32 0,28 3,94,27 z 69 P(Z > 1,32) = P(Z > 0) – P(0<Z<1,32) = 0,5 – 0,4066 = 0,0934 P(X > 4,27) = 0,0934 70 b) o número de alunos que têm nota superior a 4,27. No item (a), vimos que este percentual é de 9,34%. Sendo assim, através de uma regra de três simples, podemos determinar quantos estudantes correspondem a 9,34% de uma população de 450 estudantes. 450 -----------100% ----------- 9,34% X= 42,03 Concluímos, então, que, dos 450 estudantes, 42 têm nota superior a 4,27. 71 c) Pela tabela a área 0,4500 corresponde a Z=1,645 nota mínima para concorrer a bolsa remunerada 72 Próxima aula Inferência Estatística - 4.1. Distribuições Amostrais Conceitos fundamentais
Compartilhar