Baixe o app para aproveitar ainda mais
Prévia do material em texto
EA D Distribuições de Probabilidades 2 1. OBJETIVOS • Entender o conceito de variável. • Compreender as variáveis discretas e contínuas. • Desenvolver as aplicações de distribuições de probabilidade e de frequência. • Compreender e interpretar a curva normal como distribuição de probabilidade. 2. CONTEÚDOS • Variáveis aleatórias. • Variáveis discretas e contínuas. • Distribuição de frequências. • Distribuição de probabilidade. 3. ORIENTAÇÕES PARA O ESTUDO DA UNIDADE Antes de iniciar o estudo desta unidade, é importante que você leia as orientações a seguir: 1) É importante que você compreenda os conceitos elementares sobre as probabilidades frequentistas para que possa construir os conceitos de distribuição de probabilidades. 2) Durante o desenvolvimento desta unidade, faremos uso constante da representação gráfica da curva normal, ou curva de Gauss. É importante que você se habitue a esbo- çar esse gráfico para facilitar o entendimento dos exercícios. © Práticas Corporais Alternativas38 3) Além do gráfico normal, todos os exemplos e exercícios são construídos com o auxílio da tabela de valores da distribuição normal padronizada. Assim, é importante que você entenda de forma plena o que significa a padronização e como consultar a tabela normal padronizada, conteúdos desenvolvidos nesta unidade. 4. INTRODUÇÃO À UNIDADE Na unidade anterior, estudamos a aplicação e os conceitos básicos da probabilidade, das teorias de análise e combinatória. Nesta unidade, conceituaremos variáveis aleatórias, discretas e contínuas. Quando as- sociamos variáveis, podemos dispor esses valores em uma tabela. Dessa maneira, essa tabela constitui uma distribuição de probabilidades. Os conceitos de análise e combinatória serão relembrados nesta unidade. Na maioria das vezes, tomamos decisões administrativas em uma atmosfera de incerte- za. Podemos empregar índices que forneçam a probabilidade de essas decisões serem bem- -sucedidas. É possível avaliar também o quanto os conceitos de média e desvio padrão de uma distribuição podem ser úteis. As variáveis que geralmente estudamos em Estatística possuem infinitos resultados e al- guns não são enumeráveis. Por exemplo, a renda de um indivíduo, o número de insetos em uma região etc. Assim, a aplicação das probabilidades similares às estudadas na Unidade 1 fica com- prometida. Daí a importância das distribuições de probabilidades. Abordaremos também o conceito de curva normal, chamada de curva de Gauss, em ho- menagem ao cientista que identificou suas propriedades matemáticas, publicando suas desco- bertas no livro Theoria Motus, de 1809. Outro conceito muito importante em Estatística e presente no estudo das distribuições de probabilidade é a simetria. Variável simétrica equivale à média de uma variável igual à mediana e igual à moda, apresentando menor variação do que uma variável não simétrica. Em geral, adotamos letras do alfabeto grego para fazer referência a dados populacionais ou probabilísticos. Nesta unidade utilizaremos a letra mu (µ ) para representar a média da dis- tribuição e a letra sigma (σ ) para o desvio padrão. 5. VARIÁVEL ALEATÓRIA O estudo das probabilidades é importante no contexto da Estatística em razão de as variá- veis serem resultado de coletas de dados, pesquisas, investigações, podendo gerar dados com erros. Então, há chances de obtermos resultados representativos ou não, ou seja, existe sempre uma probabilidade de o erro ser suficiente para prejudicar a análise, o que nos leva aos cálculos das probabilidades. Devemos utilizar uma medida de probabilidade. Contudo, a variável em estudo em uma amostra não possibilita uma contagem adequada, conforme definido na unidade anterior. Nesse sentido, as formulações de probabilidades não podem ser aplicadas de imediato, devendo ser transformadas em uma distribuição de probabilidades. Claretiano - Centro Universitário 39© U2 - TDistribuições de Probabilidades Sabemos que um experimento aleatório é aquele cujo resultado é incerto, embora o con- junto de possíveis resultados seja conhecido. Para exemplificar, podemos resolver um exercício prático. Vejamos o exercício a seguir: Ao jogarmos um dado duas vezes, qual é o número de casos possíveis? Solução Casos possíveis: número 1 na primeira jogada e número 1 na segunda jogada; número 1 na primeira jogada e número 2 na segunda jogada; número 4 na primeira jogada e número 2 na segunda jogada; e assim por diante. Notem que foram obtidos resultados totalmente aleatórios, pois não podemos prever qual par de números irá sair. Porém, podemos quantificar o número de "pares" possíveis. No quadro a seguir, estão dispostos todos os possíveis pares ao jogarmos um dado duas vezes: Quadro 1 Análise das probabilidades. 1 e 1 2 e 1 3 e 1 4 e 1 5 e 1 6 e 1 1 e 2 2 e 2 3 e 2 4 e 2 5 e 2 6 e 2 1 e 3 2 e 3 3 e 3 4 e 3 5 e 3 6 e 3 1 e 4 2 e 4 3 e 4 4 e 4 5 e 4 6 e 4 1 e 5 2 e 5 3 e 5 4 e 5 5 e 5 6 e 5 1 e 6 2 e 6 3 e 6 4 e 6 5 e 6 6 e 6 Notem que são 36 "casos possíveis". Veremos, agora, as variáveis discretas e contínuas. 6. VARIÁVEIS DISCRETAS E CONTÍNUAS Quando o número de resultados possíveis pode ser contado, como no exercício anterior, a variável é discreta. Outro exemplo de variável discreta corresponde ao número de casos possíveis ao se jogar uma moeda, o que implica a existência de 2 possibilidades: cara ou coroa. Já a variável contínua, na prática, é muito grande, de modo que não são tomados os valo- res individuais, e sim em intervalos de classe. Conclui-se que o número de resultados possíveis seja infinito. Vamos relembrar o quadro de distribuição de frequência, na qual os valores são agrupa- dos em intervalos. Quadro 2 Distribuição de Frequência. IDADE (ANOS) NÚMERO DE ALUNOS 20 | 25 23 25 | 30 42 30 | 35 32 35 | 40 12 40 | 45 5 TOTAL 114 © Práticas Corporais Alternativas40 A seguir, compreenderemos como ocorrem as distribuições de probabilidade e de frequência. 7. DISTRIBUIÇÕES DE PROBABILIDADE E DISTRIBUIÇÕES DE FREQUÊNCIA Segundo Levin e Fox (2004), é fundamental estabelecer a diferença entre distribuições de probabilidade e distribuições de frequência. Para caracterizar cada uma delas, utilizaremos exemplos. O Quadro 3 a seguir representa a distribuição de probabilidades do número de caras em 2 lançamentos de uma moeda. Quadro 3 Distribuição de probabilidades. NÚMERO DE CARAS PROBABILIDADE (P) 0 0,25 1 0,50 2 0,25 TOTAL 1,00 Observamos que o Quadro 3 se refere a uma distribuição perfeitamente simétrica, com probabilidade de 2 caras igual a 0,25, idêntica à probabilidade de 0 cara. Esse quadro mostra, também, que a probabilidade de 1 cara é 0,50. Tal distribuição baseia-se na teoria das probabi- lidades. Vamos a outro experimento. Ao repetirmos 10 vezes o lançamento de 2 moedas e o registro do número de caras, quan- tas vezes obteremos 0 cara, 1 cara, ou 2 caras? O Quadro 4 a seguir mostra os resultados obtidos para essa questão. Quadro 4 Distribuição de frequências de 10 lançamentos de 2 moedas. Nº DE CARAS F % 0 3 30,0 1 6 60,0 2 1 10,0 TOTAL 10 100,0 Observamos que o Quadro 4 representa uma distribuição de frequências, e não uma dis- tribuição de probabilidades. Os dados são resultados de 10 lançamentos de 2 moedas. As porcentagens constantes nesse quadro sugerem probabilidades, mas não o são. A dis- tribuição de porcentagens não é igual à de probabilidades do Quadro 1. Uma distribuição de probabilidades é teórica ou ideal, ou seja, apresenta as porcentagens que deveriam aparecer em um mundo perfeito. Notem que não obtivemos um resultado perfeito, há mais resultados com 0 cara do que com 2 caras. Diante dessa situação, percebemos que há diversas possibilidades em apenas 10 jogadas, que poderiam até ter apresentado um resultado mais assimétrico. Claretiano - Centro Universitário 41© U2 - TDistribuições de Probabilidades Agora, imagine se fôssemos repetir muitas e muitas vezes a experiência dejogar 2 moe- das. Por exemplo, 1.000 vezes. O Quadro 5 a seguir mostra esses resultados. Quadro 5 Distribuição de frequências de 1.000 lançamentos de 2 moedas. NÚMERO DE CARAS F % 0 253 25,3 1 499 49,9 2 248 24,8 TOTAL 1.000 100,0 Fonte: Levin e Fox (2004, p. 148). Notem que agora a distribuição apresenta uma aparência mais simétrica. E por que ocor- reu essa situação? Observem que quanto mais lançamentos, mais nos aproximamos das leis das probabilidades. Uma distribuição de probabilidades é, essencialmente, uma distribuição de frequências para um número infinito de provas. Embora jamais venhamos a observar a distribuição de um número infinito de jogadas, sabemos que ela tem a aparência do Quadro 5. O mais importante para nós é encontrar as propriedades regulares de uma distribuição de probabilidades, ou seja, suas particularidades, priorizando associá-las aos dados amostrais. Suponhamos o lançamento de uma moeda honesta n vezes. Para cada possível resultado, registramos o número de caras obtidas e calculamos a probabilidade de ocorrência. As proba- bilidades em diversas situações de lançamento serão dispostas em gráficos de colunas, a fim de identificarmos todas as propriedades A seguir, apresentamos gráficos de distribuição de probabilidades. Gráfico 1 Distribuição de probabilidades para 5n = lançamentos. n=5 Lançamentos da Moeda 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0 1 2 3 4 5 Número de Caras Pr ob ab ili da de s © Práticas Corporais Alternativas42 Gráfico 2 Distribuição de probabilidades para 10n = lançamentos. n=10 Lançamentos da Moeda 0 0,05 0,1 0,15 0,2 0,25 0,3 0 1 2 3 4 5 6 7 8 9 10 Número de Caras Pr ob ab ili da de s Gráfico 3 Distribuição de probabilidades para 20n = lançamentos. n=20 Lançamentos da Moeda 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0,16 0,18 0,2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Número de Caras Pr ob ab ili da de s Gráfico 4 Distribuição de probabilidades para 50n = lançamentos. n=50 Lançamentos da Moeda 0 0,02 0,04 0,06 0,08 0,1 0,12 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 Número de Caras Pr ob ab ili da de s Claretiano - Centro Universitário 43© U2 - TDistribuições de Probabilidades Gráfico 5 Distribuição de probabilidades para 100n = lançamentos. n=100 Lançamentos da Moeda 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100 Número de Caras Pr ob ab ili da de s Notamos que os gráficos apresentados ficaram simétricos em torno de um ponto, que é a média do número de caras. Como trabalhamos com o espaço amostral, podemos afirmar que todos os gráficos somam 100% e que, conforme aumentamos o n, as probabilidades diminuem (observe o eixo vertical) e os retângulos ficam mais próximos. Ao generalizarmos para n →∞ , supomos que os retângulos ficarão praticamente gruda- dos, gerando uma curva simétrica (curva normal) em torno da média, com frequência máxima na média e diminuída conforme nos afastamos dela. 8. MÉDIA DE UMA DISTRIBUIÇÃO DE PROBABILIDADES Retomando a distribuição de frequências do Quadro 4, para 10 jogadas de 2 moedas, va- mos calcular o número médio de caras, por meio da fórmula: ( ) ( ) ( )(3) 0 (6) 1 (1) 2 8,0 0,8 10 10 X X n + + = = = =∑ Notem que é um valor baixo, pois as leis da probabilidade sugerem 1, ou seja, na jogada de 2 moedas, ao longo do tempo, deveríamos esperar a média de 1 cara. Calculando agora para uma distribuição de frequências na qual 1000n = , observamos essa tendência. Para isso, vamos utilizar os dados do Quadro 5. ( )( ) ( )( ) ( )( )253 0 499 1 248 2 995 0,995 1.000 1.000 X X n + + = = = =∑ Verificamos, portanto, que a longo prazo nos aproximamos da lei das probabilidades. 9. CURVA NORMAL COMO DISTRIBUIÇÃO DE PROBABILIDADES Como vimos anteriormente, tanto as distribuições de frequências quanto as de probabili- dades podem apresentar-se como perfeitamente simétricas ou sem nenhuma simetria. © Práticas Corporais Alternativas44 Dentre as distribuições possíveis, a mais importante é a curva em forma de sino e simétri- ca, conhecida como curva normal. Com base em uma equação matemática, elaborou-se uma curva, denominada curva nor- mal. Essa curva é um modelo teórico ou ideal, sendo utilizada para descrever distribuições de escores ou valores, interpretar o desvio padrão e fazer afirmações probabilísticas. A curva normal é um ingrediente essencial para a tomada de decisão estatística, em que o pesquisador generaliza seus resultados de amostra para populações. Para entender melhor essa curva, vamos às suas propriedades. Propriedades da curva normal A curva normal (Figura 1) apresenta-se da seguinte forma: Figura 1 Curva normal. Notem que a curva é suave, simétrica e sua forma lembra um sino. Ela é unimodal, ou seja, apresenta apenas um pico, ou ponto de frequência máxima. A média, a moda e a mediana situam-se no meio da curva, no pico. A característica mais marcante dessa curva é a simetria, pois, se a dobrássemos em seu ponto mais alto no centro, criaríamos duas metades idênticas, imagens-espelho uma da outra. Para distribuições assimétricas, essas medidas de posição possuem valores diferentes, como mostra a distribuição da Figura 2. Mo Mi Média Figura 2 Curva assimétrica. O modelo e a realidade da curva normal Até que ponto a distribuição normal corresponde a uma distribuição de dados reais? Levin e Fox (2004) relatam que os Quocientes Intelectuais (QIs) dos humanos estão próximos dessa distribuição, pois a maioria das pessoas apresentam QI entre 85 e 115, havendo Figura 2 Curva assimétrica. Claretiano - Centro Universitário 45© U2 - TDistribuições de Probabilidades O modelo e a realidade da curva normal Até que ponto a distribuição normal corresponde a uma distribuição de dados reais? Levin e Fox (2004) relatam que os Quocientes Intelectuais (QIs) dos humanos estão pró- ximos dessa distribuição, pois a maioria das pessoas apresentam QI entre 85 e 115, havendo queda gradativa dos escores em ambas as extremidades. Assim, poucos "gênios" apresentam QI maior do que 145 e poucas pessoas têm QI inferior a 55. Observem a Figura 3 a seguir: Fonte: Levin e Fox, (2004, p. 151). Figura 3 A distribuição do QI. Observem, também, que podemos utilizar a mesma distribuição para as alturas das pes- soas. Poderíamos, ainda, analisar o desgaste de uma soleira de porta, pois o maior desgaste sempre estará no meio da soleira, ao passo que nas laterais o desgaste é menor. À medida que trabalhamos com a curva normal, vamos notando que ela seria a represen- tação ideal para a grande maioria dos fenômenos ocorridos no mundo real. As curvas assimétricas podem ser exemplificadas por meio da distribuição da riqueza no mundo. Neste caso, a curva da distribuição seria bem assimétrica, pois há mais pessoas que "não têm riquezas” do que as “que têm riquezas”. Analisando a área sob a curva normal Relembrando, por ser uma distribuição de probabilidades, denominamos a média por µ e seu desvio padrão por σ . • A média (µ ) de uma distribuição normal situa-se exatamente no seu centro. • O desvio padrão (σ ) é a distância entre a média (µ ) e o ponto da reta-base situado exatamente abaixo de onde a parte da curva em forma de S invertido muda de direção. Observem a Figura 4 a seguir: © Práticas Corporais Alternativas46 Figura 4 Representando a média e o desvio padrão. Utilizamos a distribuição normal na resolução de problemas, particularmente a área sob a curva. E para determinar uma parcela dessa área total, traçamos segmentos da reta-base até a curva. Paraexemplificar, podemos traçar uma reta na média (µ ) e outra no ponto que está a 1σ (1 desvio padrão) acima da média. Conforme mostra a Figura 5 a seguir, essa parte delimitada da curva normal representa 34,13% da frequência total. Figura 5 Porcentagem da área total sob a curva normal entre µ e o ponto 1σ acima de µ . Também podemos representar a porcentagem da área total sob a curva normal entre os pontos situados a 2σ e 3σ de µ . Figura 6 Porcentagem da área total sob a curva normal entre µ e os pontos situados a +2σ e +3σ de µ . Claretiano - Centro Universitário 47© U2 - TDistribuições de Probabilidades Pela condição de simetria da curva normal, podemos afirmar que a mesma porcentagem que está à distância sigma (σ ) acima da média representa a distância abaixo da média. Assim, se 34,13% da área total está entre a média e 1σ acima da média, então 34,13% da área total está entre a média e 1σ abaixo da média; se 42,72% está entre a média e 2σ acima da média, então 47,72% está entre a média e 2σ abaixo da média. Explicação do desvio padrão Conhecer o significado do desvio padrão é muito importante para analisar a curva nor- mal. Para tanto, os pesquisadores Levin e Fox (2004) relatam que há evidências de que tanto os homens como as mulheres têm QI (Quociente Intelectual) de aproximadamente 100 (a média). Suponhamos que esses valores de QI difiram acentuadamente em torno da média. Consi- deremos, então, que a distribuição dos QIs dos homens contenha uma porcentagem maior de escores extremos que representem tanto indivíduos brilhantes como limitados intelectualmen- te, enquanto os QIs das mulheres apresentam maior porcentagem de valores mais próximos da média, ou seja, com o ponto de frequência máxima no centro. Como o desvio padrão é uma medida de variação ou dispersão, essas diferenças entre os sexos na variabilidade devem refletir-se no valor sigma de cada distribuição de escores de QI. Assim, podemos constatar que o desvio padrão é de 15 para os QIs dos homens, mas de apenas 10 para os das mulheres. Ao conhecermos o desvio padrão de cada conjunto de escores de QI e supondo que cada conjunto seja distribuído normalmente, é possível estimar e comparar as porcentagens de ho- mens e mulheres que se enquadram em qualquer intervalo dado de escores de QI. Por exemplo, medindo a reta-base da distribuição de QIs masculinos em unidades de desvio padrão, vemos que 68,26% dos valores de QIs masculinos se situam entre 1σ− e 1σ+ a contar da média. Como o desvio padrão é sempre dado em unidades de escore bruto e 15σ = , sabemos tam- bém que nesses pontos da distribuição se situam os escores de QI 85 e 115 ( 100 15 85µ σ− = − = e 100 15 115µ σ+ = + = ). Assim, 68,26% dos homens teriam escores de QI entre 85 e 115. Afastando-nos da média e para além desses pontos, constatamos, conforme ilustrado na Figura 7 a seguir, que 99,74%, ou seja, praticamente a totalidade dos homens, tem QI entre 55 e 145 (entre 3σ− e 3σ+ ) = (100 45− e 100 45+ ). Analisando a distribuição dos QIs femininos, percebemos que 99,74% desses casos se enquadram entre os escores 70 e 130 (entre 3σ− e 3σ+ ) = (100 30− e 100 30+ ). Então, ao contrário dos homens, a distribuição dos escores de QIs femininos pode ser considerada relativamente homogênea, apresentando menor número de casos extremos em qualquer direção. Essa diferença reflete-se no tamanho comparativo de cada desvio padrão e na proporção de escores de QI que se situam entre 3σ− e 3σ+ a contar da média. © Práticas Corporais Alternativas48 Figura 7 Distribuição dos escores de QI dos homens. Figura 8 Distribuição dos escores de QI das mulheres. Utilização de tabela para múltiplos de sigma (σ ) Notem que abordamos apenas valores percentuais da curva para 1, 2 ou 3 desvios padrão acima ou abaixo. Contudo, pode também haver um escore localizado a 1,40σ acima da média. Qual será o percentual da curva para esse valor? Com certeza, será acima de 34,13%, que cor- responde a 1σ acima da média, e abaixo de 47,72%, porcentagem equivalente a 2σ acima da média. Esses valores constam nas tabelas localizadas nos apêndices dos livros de Estatística. Como exemplo, elaboramos um quadro com valores, representando a coluna (a) por Z, o valor acima da média (µ ), a coluna (b) pela área entre a média e Z e a coluna (c) pela área além de Z. Quadro 6 Quadro de valores. (a): Z (b): ÁREA ENTRE A MÉDIA E Z (c): ÁREA ALÉM DE Z 0,00 0,00 50,00 0,01 0,40 49,60 0,02 0,80 49,20 0,03 1,20 48,80 0,04 1,60 48,40 Claretiano - Centro Universitário 49© U2 - TDistribuições de Probabilidades (a): Z (b): ÁREA ENTRE A MÉDIA E Z (c): ÁREA ALÉM DE Z 0,05 1,99 48,01 0,06 2,39 47,61 0,07 2,79 47,21 0,08 3,19 46,81 0,09 2,59 46,41 0,10 3,98 46,02 . . . .. .. .. ... ... ... 0,98 33,65 16,35 0,99 33,89 16,11 1,00 34,13 15,87 1,01 34,38 15,62 1,02 34,61 15,39 . . . .. .. .. ... ... ... 1,33 40,82 9,18 1,34 40,99 9,01 1,35 41,15 8,85 1,35 41,31 8,69 1,37 41,47 8,53 1,38 41,62 8,38 1,39 41,77 8,23 1,40 41,92 8,08 1,41 42,07 7,93 1,42 42,22 7,78 . . . .. .. .. 2,49 49,36 0,64 2,50 49,38 0,62 2,51 49,40 0,60 .... .... ..... Como vimos, pela condição de simetria da curva normal, os valores do Quadro 6 valem para valores acima e abaixo da média µ . Observem que uma distância sigma de 1,40 abrange 41,92% da área total sob a cur- va. Para um valor além de 1,40 desvio padrão a contar da média, podemos fazer a operação: 50% 41,92%− , que resulta 8,08%, conforme mostra o quadro anterior. Curva normal padronizada Para facilitar a vida dos usuários, foi desenvolvida uma tabela padronizada para a distribui- ção normal, que consta no decorrer deste tópico detalhadamente, estabelecendo média 0µ = e desvio padrão 1σ = . © Práticas Corporais Alternativas50 Com base nos conceitos aprendidos, podemos calcular a porcentagem da área total sob a curva normal associada a qualquer distância sigma a contar da média. Mas, como determinar a distância sigma de qualquer escore bruto dado? Para isso, vamos utilizar a fórmula: µ σ Χ − Ζ = Em que: • Z = escore padronizado. • X = escore bruto. • µ = média de uma distribuição. • σ = desvio padrão de uma distribuição. Essa fórmula é conhecida como fórmula da padronização. Vejamos um exemplo prático Suponha que estamos estudando a distribuição da renda anual de caixas que trabalham no balcão de uma cadeia de lanchonetes, em que a renda anual média é de R$ 14.000,00 e o desvio padrão é de R$ 1.500,00. Admitindo que a distribuição da renda anual seja normal, pode- mos transformar o escore bruto de R$ 16.000,00 dessa distribuição em um escore padronizado da seguinte maneira: 16.000 14.000 1,33 1.500 − Ζ = =+ Dessa forma, uma renda anual de R$ 16.000,00 está 1,33 desvio padrão acima (+) da ren- da média anual de R$ 14.000,00. Utilizando o Quadro 6, verificamos que 40,82% dos caixas de lanchonete ganham entre R$ 14.000,00 e R$ 16.000,00. Traduzindo em probabilidade, podemos afirmar que P 0,4082= é a probabilidade de obtermos um indivíduo cuja renda anual esteja entre as duas cifras citadas anteriormente. A Figura 9 a seguir apresenta a curva desse exemplo: Figura 9 A posição de 1, 33Z = + para escores de R$ 16.000,00. Claretiano - Centro Universitário 51© U2 - TDistribuições de Probabilidades Vejamos um exercício de aplicação da tabela. As vendas de um determinado produto têm apresentado distribuição normal com média de 600 unidades/mês e desvio padrão 40 unidades/mês. Se a empresa decide fabricar 700 uni- dades naquele mesmo mês, qual é a probabilidade de ela não poder atender todos os pedidos desse mês, por estar com a produção completa? Solução: 700 600 100 2,5 40 40 µ σ Χ − − Ζ = = = = Pela tabela, temos: (A)Z (B)ÁREA ENTRE A MÉDIA E Z (C)ÁREA ALÉM DE Z 2,49 49,36 0,64 2,50 49,38 0,62 2,51 49,40 0,60 Notem que abaixo da curva há 49,38% entre a média 600 ea decisão de fabricar 700 (Fi- gura 10). Porém, o exercício pede a probabilidade de não poder atender, por isso, usamos a faixa além de 700, ou seja, 0,62%, ou uma probabilidade igual a 0,0062. Para possibilitar maior amplitude de aplicação da curva normal, apresentamos, a seguir, uma versão completa da distribuição normal padronizada, cujas probabilidades são definidas para o intervalo entre a média 0µ = e um valor positivo de Z. Note que, como a normal é simétrica, a probabilidade no intervalo entre a média e um valor negativo é exatamente a mesma para esse valor positivo, por isso trabalhamos apenas com os positivos. Assim, os quadros a seguir (Quadros 7, 8 e 9) são capazes de determinar a probabilidade para qualquer valor de Z (que nas tabelas está identificado como Zi), respeitando-se a seguinte configuração: Figura 10 Curva 10. © Práticas Corporais Alternativas52 Quadro 7 Tabela da normal padronizada para Zi de 0,00 a 1,43. i P(0<Z<Zi) Zi P(0<Z<Zi) Zi P(0<Z<Zi) i P(0<Z<Zi) 0,00 0,000000 0,36 0,140576 0,72 0,264238 1,08 0,359929 0,01 0,003989 0,37 0,144309 0,73 0,267305 1,09 0,362143 0,02 0,007978 0,38 0,148027 0,74 0,270350 1,10 0,364334 0,03 0,011966 0,39 0,151732 0,75 0,273373 1,11 0,366500 0,04 0,015953 0,40 0,155422 0,76 0,276373 1,12 0,368643 0,05 0,019939 0,41 0,159097 0,77 0,279350 1,13 0,370762 0,06 0,023922 0,42 0,162757 0,78 0,282305 1,14 0,372857 0,07 0,027903 0,43 0,166402 0,79 0,285236 1,15 0,374928 0,08 0,031881 0,44 0,170031 0,80 0,288145 1,16 0,376976 0,09 0,035856 0,45 0,173645 0,81 0,291030 1,17 0,379000 0,10 0,039828 0,46 0,177242 0,82 0,293892 1,18 0,381000 0,11 0,043795 0,47 0,180822 0,83 0,296731 1,19 0,382977 0,12 0,047758 0,48 0,184386 0,84 0,299546 1,20 0,384930 0,13 0,051717 0,49 0,187933 0,85 0,302337 1,21 0,386861 0,14 0,055670 0,50 0,191462 0,86 0,305105 1,22 0,388768 0,15 0,059618 0,51 0,194974 0,87 0,307850 1,23 0,390651 0,16 0,063559 0,52 0,198468 0,88 0,310570 1,24 0,392512 0,17 0,067495 0,53 0,201944 0,89 0,313267 1,25 0,394350 0,18 0,071424 0,54 0,205401 0,90 0,315940 1,26 0,396165 0,19 0,075345 0,55 0,208840 0,91 0,318589 1,27 0,397958 0,20 0,079260 0,56 0,212260 0,92 0,321214 1,28 0,399727 0,21 0,083166 0,57 0,215661 0,93 0,323814 1,29 0,401475 0,22 0,087064 0,58 0,219043 0,94 0,326391 1,30 0,403200 0,23 0,090954 0,59 0,222405 0,95 0,328944 1,31 0,404902 0,24 0,094835 0,60 0,225747 0,96 0,331472 1,32 0,406582 0,25 0,098706 0,61 0,229069 0,97 0,333977 1,33 0,408241 0,26 0,102568 0,62 0,232371 0,98 0,336457 1,34 0,409877 0,27 0,106420 0,63 0,235653 0,99 0,338913 1,35 0,411492 0,28 0,110261 0,64 0,238914 1,00 0,341345 1,36 0,413085 0,29 0,114092 0,65 0,242154 1,01 0,343752 1,37 0,414657 0,30 0,117911 0,66 0,245373 1,02 0,346136 1,38 0,416207 0,31 0,121720 0,67 0,248571 1,03 0,348495 1,39 0,417736 0,32 0,125516 0,68 0,251748 1,04 0,350830 1,40 0,419243 0,33 0,129300 0,69 0,254903 1,05 0,353141 1,41 0,420730 0,34 0,133072 0,70 0,258036 1,06 0,355428 1,42 0,422196 0,35 0,136831 0,71 0,261148 1,07 0,357690 1,43 0,423641 Claretiano - Centro Universitário 53© U2 - TDistribuições de Probabilidades Quadro 8 Tabela da normal padronizada para Zi de 1,44 a 2,87 (continuação). Zi P(0<Z<Zi) Zi P(0<Z<Zi) Zi P(0<Z<Zi) Zi P(0<Z<Zi) 1,44 0,425066 1,80 0,464070 2,16 0,484614 2,52 0,494132 1,45 0,426471 1,81 0,464852 2,17 0,484997 2,53 0,494297 1,46 0,427855 1,82 0,465620 2,18 0,485371 2,54 0,494457 1,47 0,429219 1,83 0,466375 2,19 0,485738 2,55 0,494614 1,48 0,430563 1,84 0,467116 2,20 0,486097 2,56 0,494766 1,49 0,431888 1,85 0,467843 2,21 0,486447 2,57 0,494915 1,50 0,433193 1,86 0,468557 2,22 0,486791 2,58 0,495060 1,51 0,434478 1,87 0,469258 2,23 0,487126 2,59 0,495201 1,52 0,435745 1,88 0,469946 2,24 0,487455 2,60 0,495339 1,53 0,436992 1,89 0,470621 2,25 0,487776 2,61 0,495473 1,54 0,438220 1,90 0,471283 2,26 0,488089 2,62 0,495604 1,55 0,439429 1,91 0,471933 2,27 0,488396 2,63 0,495731 1,56 0,440620 1,92 0,472571 2,28 0,488696 2,64 0,495855 1,57 0,441792 1,93 0,473197 2,29 0,488989 2,65 0,495975 1,58 0,442947 1,94 0,473810 2,30 0,489276 2,66 0,496093 1,59 0,444083 1,95 0,474412 2,31 0,489556 2,67 0,496207 1,60 0,445201 1,96 0,475002 2,32 0,489830 2,68 0,496319 1,61 0,446301 1,97 0,475581 2,33 0,490097 2,69 0,496427 1,62 0,447384 1,98 0,476148 2,34 0,490358 2,70 0,496533 1,63 0,448449 1,99 0,476705 2,35 0,490613 2,71 0,496636 1,64 0,449497 2,00 0,477250 2,36 0,490863 2,72 0,496736 1,65 0,450529 2,01 0,477784 2,37 0,491106 2,73 0,496833 1,66 0,451543 2,02 0,478308 2,38 0,491344 2,74 0,496928 1,67 0,452540 2,03 0,478822 2,39 0,491576 2,75 0,497020 1,68 0,453521 2,04 0,479325 2,40 0,491802 2,76 0,497110 1,69 0,454486 2,05 0,479818 2,41 0,492024 2,77 0,497197 1,70 0,455435 2,06 0,480301 2,42 0,492240 2,78 0,497282 1,71 0,456367 2,07 0,480774 2,43 0,492451 2,79 0,497365 1,72 0,457284 2,08 0,481237 2,44 0,492656 2,80 0,497445 1,73 0,458185 2,09 0,481691 2,45 0,492857 2,81 0,497523 1,74 0,459070 2,10 0,482136 2,46 0,493053 2,82 0,497599 1,75 0,459941 2,11 0,482571 2,47 0,493244 2,83 0,497673 1,76 0,460796 2,12 0,482997 2,48 0,493431 2,84 0,497744 1,77 0,461636 2,13 0,483414 2,49 0,493613 2,85 0,497814 1,78 0,462462 2,14 0,483823 2,50 0,493790 2,86 0,497882 1,79 0,463273 2,15 0,484222 2,51 0,493963 2,87 0,497948 © Práticas Corporais Alternativas54 Quadro 9 Tabela da normal padronizada para Zi maiores que 2,87 (parte final). Zi P(0<Z<Zi) Zi P(0<Z<Zi) Zi P(0<Z<Zi) Zi P(0<Z<Zi) 2,88 0,498012 3,24 0,499402 3,60 0,499841 3,96 0,499963 2,89 0,498074 3,25 0,499423 3,61 0,499847 3,97 0,499964 2,90 0,498134 3,26 0,499443 3,62 0,499853 3,98 0,499966 2,91 0,498193 3,27 0,499462 3,63 0,499858 3,99 0,499967 2,92 0,498250 3,28 0,499481 3,64 0,499864 4,00 0,499968 2,93 0,498305 3,29 0,499499 3,65 0,499869 4,01 0,499970 2,94 0,498359 3,30 0,499517 3,66 0,499874 4,02 0,499971 2,95 0,498411 3,31 0,499534 3,67 0,499879 4,03 0,499972 2,96 0,498462 3,32 0,499550 3,68 0,499883 4,04 0,499973 2,97 0,498511 3,33 0,499566 3,69 0,499888 4,05 0,499974 2,98 0,498559 3,34 0,499581 3,70 0,499892 4,06 0,499975 2,99 0,498605 3,35 0,499596 3,71 0,499896 4,07 0,499976 3,00 0,498650 3,36 0,499610 3,72 0,499900 4,08 0,499977 3,01 0,498694 3,37 0,499624 3,73 0,499904 4,09 0,499978 3,02 0,498736 3,38 0,499638 3,74 0,499908 4,10 0,499979 3,03 0,498777 3,39 0,499651 3,75 0,499912 4,11 0,499980 3,04 0,498817 3,40 0,499663 3,76 0,499915 4,12 0,499981 3,05 0,498856 3,41 0,499675 3,77 0,499918 4,13 0,499982 3,06 0,498893 3,42 0,499687 3,78 0,499922 4,14 0,499983 3,07 0,498930 3,43 0,499698 3,79 0,499925 4,15 0,499983 3,08 0,498965 3,44 0,499709 3,80 0,499928 4,16 0,499984 3,09 0,498999 3,45 0,499720 3,81 0,499931 4,17 0,499985 3,10 0,499032 3,46 0,499730 3,82 0,499933 4,18 0,499985 3,11 0,499065 3,47 0,499740 3,83 0,499936 4,19 0,499986 3,12 0,499096 3,48 0,499749 3,84 0,499938 4,20 0,499987 3,13 0,4991263,49 0,499758 3,85 0,499941 4,21 0,499987 3,14 0,499155 3,50 0,499767 3,86 0,499943 4,22 0,499988 3,15 0,499184 3,51 0,499776 3,87 0,499946 4,23 0,499988 3,16 0,499211 3,52 0,499784 3,88 0,499948 4,24 0,499989 3,17 0,499238 3,53 0,499792 3,89 0,499950 4,25 0,499989 3,18 0,499264 3,54 0,499800 3,90 0,499952 4,26 0,499990 3,19 0,499289 3,55 0,499807 3,91 0,499954 4,27 0,499990 3,20 0,499313 3,56 0,499815 3,92 0,499956 4,28 0,499991 3,21 0,499336 3,57 0,499822 3,93 0,499958 4,29 0,499991 3,22 0,499359 3,58 0,499828 3,94 0,499959 4,30 0,499999 3,23 0,499381 3,59 0,499835 3,95 0,499961 ou + Vamos dar mais alguns exemplos para aprender melhor a aplicação da fórmula da padro- nização e da tabela da normal padronizada. Claretiano - Centro Universitário 55© U2 - TDistribuições de Probabilidades Exemplo 1 Os balancetes semanais realizados por uma empresa mostraram que o lucro obtido se distribui normalmente com média igual a R$ 48.000,00 e com desvio padrão igual a R$ 8.000,00. Qual a probabilidade de que na próxima semana: 1) O lucro seja menor que R$ 52.000,00? 2) O lucro esteja entre R$ 40.000,00 e R$ R$45.000,00? 3) Haja prejuízo? 4) Dados do problema: a variável de interesse é o lucro semanal da empresa, que deno- taremos por X, cuja média é 48.000µ = e o desvio padrão, 8.000σ = . Queremos calcular P (X 52.000)< . De início, devemos padronizar a variável X para a variável Z da tabela normal padrão, por meio da fórmula da padronização: 52000 48000 4000 0,50 8000 8000 µ σ Χ − − Ζ = = = = Graficamente, como aparece na Figura 11, temos: Figura 11 Curva 11. Pela tabela da normal padronizada (Quadro 7), a probabilidade entre 0 e 0,50 é 0,191462 ou 19,1462%. Assim, a P (X 52.000) 50% 19,1462% 69,1462%< = + = , ou seja, a probabilidade de que o lucro semanal seja menor do que R$ 52.000,00 é de 69%. Note que a área de interesse em destaque no gráfico possui o lado esquerdo completo, que vale metade, ou seja, 50%. Então, somamos 50% com a área do valor Z calculado. Respondendo à segunda questão, para calcular P (40.000 X 45.000)< < , devemos padro- nizar os dois valores. Assim: X 40000 48000 8000 1,00 8000 8000 Z µ σ − − = = = − = − X 45000 48000 3000 0,375 0,38 8000 8000 Z µ σ − − = = = − = − = − © Práticas Corporais Alternativas56 Graficamente, como representado na Figura 12, temos: Figura 12 Curva 12. Pela tabela da normal padronizada, a probabilidade entre 0 e 1,00 (veja que a probabilidade para -1,00 é a mesma que para 1,00, em razão da simetria) é 0,341345 ou 34,1345%, e a probabilidade entre 0 e 0,38 é 0,148027 ou 14,8027%. Assim: P(40.000,00 X 45.000,00) 34,1345% 14,8027% 19,3318%< < = − = Ou seja, a probabilidade de que o lucro semanal seja maior do que R$ 40.000,00 e menor do que R$ 45.000,00 é de 19%. Note que a área de interesse em destaque no gráfico é a diferença da área maior para a área menor; para descobri-la, subtraímos o maior valor do menor valor da tabela. Passando à terceira questão, queremos calcular P(X 0)< , pois, para que o lucro seja interpretado como prejuízo, ele deve ser negativo. Padronizando o valor, obtemos: X 0 48000 48000Z 6,00 8000 8000 µ σ − − = = = − = − Graficamente, conforme mostra a Figura 13, temos: Figura 13 Curva 13. Claretiano - Centro Universitário 57© U2 - TDistribuições de Probabilidades Pela tabela da normal padronizada, a probabilidade entre 0 e 6,00 é 0,499999 ou 49,9999%. Assim, a ( )P X 0 50% 49,9999% 0,0001%< = − = , ou seja, a probabilidade de que haja prejuízo na próxima semana é de 0,00001%. Note que a área de interesse em destaque no gráfico é a diferença entre a metade do grá- fico e a área da tabela, assim, subtraímos 50% do valor da tabela. Exemplo 2 Sabe-se que a distribuição salarial de 6.000 indivíduos que compõem a população econo- micamente ativa de um município é normal, com média igual a R$ 1.565,30 e um desvio padrão de R$ 275,80. Calcule a probabilidade e o número de indivíduos dessa população que recebem salários: 1) Entre R$ 1.300,00 e R$ 2.100,00. 2) Maior do que R$ 1.800,00. Dados do problema: a variável de interesse é o salário dos indivíduos, que denotaremos por X, cuja média 1.565,30 e desvio padrão 275,80σ = . a) Para calcular P(1.300 X 2.100)< < , devemos padronizar os valores. Assim: X 1300 1565,30 265,30Z 0,96 275,80 275,80 µ σ − − = = = − = − X 2100 1565,30 534,70Z 1,94 275,80 275,80 µ σ − − = = = = Graficamente, conforme exposto na Figura 14, temos: Figura 14 Curva 14. Pela tabela da normal padronizada, a probabilidade entre 0 e 0,96 é 0,331472 ou 33,1472%, e a probabilidade entre 0 e 1,94 é 0,473810 ou 47,3810%. Assim: ( )P 1300 X 2.100 33,1472% 47,3810% 80,5282%< < = + = Ou seja, a probabilidade de que o salário do indivíduo esteja entre R$ 1.300,00 e R$ 2.100,00 é de 81%. © Práticas Corporais Alternativas58 Note que a área de interesse em destaque no gráfico é a soma de duas áreas; por isso, somamos os dois valores da tabela. Quanto à segunda questão, para calcular P(X 1.800)> , devemos padronizar os valores. Assim: X 1800 1565,30 234,70 0,85 275,80 275,80 Z µ σ − − = = = − = Como aparece graficamente representado na Figura 15, temos: Figura 15 Curva 15. Pela tabela da normal padronizada, a probabilidade entre 0 e 0,85 é 0,302337 ou 30,2337%. Assim, a ( )P X 1.800 50% 30,2337% 19,7663%> = − = , ou seja, a probabilidade de que o salário do indivíduo seja maior do que R$ 1.800,00 é de 19,8%. Exemplo 3 Em um determinado banco, pela avaliação de um longo período de dias de movimenta- ção, constatou-se que os montantes diários de depósitos eram, normalmente, distribuídos com média igual a R$ 12.000,00 e desvio padrão de R$ 4.000,00 e, ainda, que o montante de retira- das também seguia uma distribuição normal, com média de R$ 10.000,00 e desvio padrão de R$ 5.000,00. Calcule a probabilidade de que amanhã nesse banco: 1) Haja montante de depósitos superior a R$ 13.000,00. 2) Haja montante de retiradas inferior a R$ 13.000,00. Dados do problema: este exige mais cuidado na sua resolução, pois são conhecidas duas variáveis diferentes, ou seja, o montante de depósitos e o montante de retiradas. Assim, de- notaremos o montante diário de depósitos por X, cuja média é 12.000µ = e o desvio padrão, 4.000σ = , o montante diário de retiradas por Y, cuja média é 10.000µ = e o desvio padrão, 5.000σ = . Resolvendo a primeira questão, para calcular P(X 13.000)> , devemos padronizar os va- lores. Assim: X 13000 12000 1000 0,25 4000 4000 Z µ σ − − = = = = Graficamente, como aparece na Figura 16, temos: Claretiano - Centro Universitário 59© U2 - TDistribuições de Probabilidades Figura 16 Curva 16. Pela tabela da normal padronizada, a probabilidade entre 0 e 0,25 é 0,098706 ou 9,8706%. Assim, a ( )P X 13.000 50% 9,8706% 40,1294%> = − = , ou seja, a probabilidade de que o montante diário de depósitos seja maior do que 13.000 é de 40%. Quanto à segunda questão, para calcular P(Y 13.000)< , devemos padronizar os valores. Assim: 13000 10000 3000 0,60 5000 5000 YZ µ σ − − = = = = Graficamente, como é representado na Figura 17, temos: Figura 17 Curva 17. Pela tabela da normal padronizada, a probabilidade entre 0 e 0,60 é 0,225747 ou 22,5747%. Assim, a ( )P X 13.000 50% 22,5747% 72,5747%> = + = , ou seja, a probabilidade de que o montante diário de retiradas seja menor do que 13.000 é de 72%. Exemplo 4 Sabe-se que um determinado produto perecível da cesta básica teve uma demanda média de 100 unidades nos últimos 15 meses, com um desvio padrão de 12 unidades. Um determinado estabelecimento comercial está adquirindo uma grande quantidade desse produto para seu estoque, acreditando que, se os preços se mantiverem estáveis, poderá vender neste mês mais do que 180 unidades do produto. © PráticasCorporais Alternativas60 Qual a probabilidade de que o estabelecimento realmente venda mais do que 180 unidades? Considerando-se o resultado obtido, o que poderia ser recomendado ao comerciante? Dados do problema: a variável em questão é a demanda por certo produto da cesta básica, que denotaremos por X, cuja média é 100µ = e desvio padrão, 12σ = . Inicialmente, para calcular P(X 180)> , devemos padronizar os valores. Assim: X 180 100 80Z 6,67 12 12 µ σ − − = = = = Graficamente, conforme aparece na Figura 18, temos: Figura 18 Curva 18. Pela tabela da normal padronizada, a probabilidade entre 0 e 6,67 é 0,499999 ou 49,9999%. Assim, a ( )P X 180 50% 49,9999% 0,0001%> = − = , ou seja, a probabilidade de que o es- tabelecimento comercialize mais do que 180 unidades do produto é de 0,0001%. Como o produto é perecível, não é recomendável que o estabelecimento adquira uma quantidade muito grande dele, pois a probabilidade de comercializá-lo é baixa. Assim, recomen- da-se comprar menos do produto. Mas, aí vem a pergunta: quanto comprar? Por exemplo, quantas unidades o estabelecimento deveria comprar a fim de obter a probabilidade de comercialização de 85%, ou seja, para qual valor K a probabilidade seria ( ) 85%P X K> = ? Tal problema também pode ser resolvido com a normal padronizada, invertendo-se o pro- cesso de resolução. Vamos representar a situação pedida no gráfico abaixo, presente na Figura 19, isto é, marcar no eixo horizontal um ponto K, de forma que a área abaixo de K seja igual a 85%. Claretiano - Centro Universitário 61© U2 - TDistribuições de Probabilidades Figura 19 Curva 19. Notemos que acima do ponto K visualizamos uma das metades do gráfico (50%) mais uma fatia que deverá corresponder a 35% (50% + 35% = 85% pedidos). Assim, K deve ser um valor da tabela que fornece a área de 35%. Consultando a tabela, na coluna das probabilidade, vamos procurar pelo valor mais próximo de 35% ou 0,35. Encontramos o valor mais próximo de 0,350830, que corresponde a Z 1,04= . Como o ponto está do lado esquerdo do gráfico, Z 1,04= − . Substituindo o valor de Z na fórmula da padronização, podemos encontrar o valor de K da seguinte forma: X K 100Z 1,04 12,48 K 10012 K 100 12,48 87,52 µ σ − −= ⇒− = ⇒− = − ⇒ ⇒ = − = Portanto, para obter probabilidade de comercialização em torno de 85%, o estabeleci- mento deveria adquirir uma quantidade próxima de 87 unidades. 10. QUESTÕES AUTOAVALIATIVAS Confira, a seguir, as questões propostas para verificar o seu desempenho no estudo desta unidade: 1) Uma empresa metal-mecânica produz um tipo especial de motor. A quantidade em estoque desse motor segue uma distribuição normal com média de 200 unidades e desvio padrão de 18. Qual é a probabilidade de, em um dado momento, o estoque da empresa apresentar mais de 220 unidades? 2) Em uma indústria cerâmica, os pisos da categoria PEI4 são produzidos de forma a possuírem uma largura média igual a 30 cm, com um desvio padrão igual a 1 cm. Uma determinada peça não é aprovada no controle de qua- lidade se sua largura for inferior a 28 cm ou superior a 32 cm. Então, qual a probabilidade de um determinado piso ser rejeitado no controle de qualidade? 3) Pelos balanços realizados nos últimos anos, sabe-se que em uma grande rede de supermercados o consumo médio (em unidades monetárias) é igual a R$ 80,00, com um desvio padrão igual a R$ 50,00. Considerando-se um dia qualquer de funcionamento dessa rede, qual a probabilidade de que o consumo esteja entre R$ 100,00 e R$ 150,00? 4) O Departamento de Marketing de uma empresa, a fim de motivar seus funcionários, decidiu premiar 5% dos seus vendedores mais eficientes. Sabe-se que as vendas individuais dos funcionários dessa empresa se distri- buem normalmente, com média de 240 unidades e desvio padrão de 30 unidades. Então, quantas unidades devem ser vendidas no mínimo para que um funcionário seja premiado? © Práticas Corporais Alternativas62 5) Em um determinado processo de controle de qualidade, foi utilizada uma amostra de lotes suficientemente grande, e o número de defeitos por lote apresentou uma distribuição normal, com média de 6 defeitos e des- vio padrão de 2 defeitos. Sob essas condições, se for admitido um máximo de 2% de lotes de reprovados, por possuírem uma quantidade de defeitos acima do permitido, qual a quantidade mínima de defeitos que um determinado lote deve possuir para ser reprovado? Gabarito Confira, a seguir, as respostas corretas para as questões autoavaliativas propostas: 1) A probabilidade de o estoque apresentar mais do que 220 unidades é 13,35%. 2) A probabilidade de o piso ser rejeitado no controle de qualidade é 4,55%. 3) A probabilidade de o consumo estar entre R$ 100,00 e R$ 150,00 é 26,3821%. 4) Devem ser vendidas no mínimo 290 unidades. 5) Devem possuir 11 defeitos, no mínimo. 11. CONSIDERAÇÕES Nesta unidade, vimos que a curva normal é um importante instrumento para reconhecer situações e auxiliar na tomada de decisões em exercícios que envolvam o cálculo das probabi- lidades. Os conceitos abordados nesta unidade servirão de base para aplicação nos testes de estimação e de hipóteses que serão estudados nas unidades seguintes. Além disso, a fim de possibilitar uma ampliação da aplicação da curva normal em Estatís- tica, deveremos estender a discussão para os componentes amostrais, ou seja, as médias e as proporções obtidas nas amostras. Quando relacionamos as distribuições de probabilidades com as amostras, estamos construindo as distribuições amostrais, que serão estudadas na unidade seguinte. 12. REFERÊNCIAS BIBLIOGRÁFICAS COSTA NETO, P. L. O. Estatística. 2. ed. São Paulo: Edgard Blϋcher, 2002. FONSECA, J. S. Curso de estatística. 6. ed. São Paulo: Atlas, 1996. GAUSS, J. C. F. Theoria motus corporum coelestium in sectionibus conicis solem ambientium. Hamburgo: Perthes and Besser, 1809. KAZMIER, L.; CRUSIUS, C. A. Estatística aplicada à economia e administração. São Paulo: Makron Books, 1982. LEVIN, J.; FOX, J. A. Estatística para as ciências humanas. São Paulo: Pearson, 2004. LEVINE, D. M.; BERENSON, M. L.; STEPHAN, D. Estatística: teoria e aplicações. Rio de Janeiro: LTC, 2000. MARTINS, G. A. Princípios de estatística. 4. ed. São Paulo: Atlas, 1990. ______. Estatística geral e aplicada. 2. ed. São Paulo: Atlas, 2002. MEYER, P. L.; LOURENÇO FILHO, R. C. B. Probabilidade: aplicação a estatística. Rio de Janeiro: LTC, 1975. MORETTIN, L. G. Estatística básica: probabilidade e inferência. São Paulo: Pearson, 2010. OLIVEIRA, F. E. M. Estatística e probabilidade. 2. ed. São Paulo: Atlas, 1999. STEVENSON, W. J.; FARIAS, A. A. Estatística aplicada à administração. São Paulo: Harper & How do Brasil, 1986. TRIOLA, M. F. Introdução à estatística. 7. ed. Rio de Janeiro: LTC, 1999.
Compartilhar