Distribuições

Contínuas
‰Como aplicar a distribuição Normal e calcular
probabilidades.
‰ Como aplicar o teorema do limite central
‰Como decidir aproximar uma distribuição binomial por
uma distribuição normal.
 Motivação
| A quantidade de oxigênio dissolvido é -∞ +∞
importante para aferir a qualidade de
um regato. Os níveis aceitáveis de
x = 10
oxigênio variam de 5 mg/L a 12mg/L.
estudantes da Strong Vincent High s = 1,9
School na Pensilvânia, conduziram um
estudo sobre o oxigênio dissolvido no
Cascade Creek. A curva normal mostra
resultados obtidos pelos estudantes.
Esses níveis de oxigênio dissolvido são
aceitáveis? Se não forem, são muito
baixos ou muito altos?
 Aderência à Distribuição
Normal
| O passo mais simples seria construir um Histograma com a
curva normal e verificar visualmente se ela é normal de fato.
z Por exemplo: o gráfico de vendas de autopeças de um fabricante de
Detroit
200

100

Std. Dev = 994,59

Mean = 2516,6
0 N = 1488,00
0,

50

10

15

20

25

30

35

40

45

50

55

60
0

0,

00

00

00

00

00

00

00

00

00

00

00
0

,0

,0

,0

,0

,0

,0

,0

,0

,0

,0

,0
Vendas de auto peças
Distribuição Normal

| Propriedades
z A média, a mediana e a moda são iguais.
z A curva normal tem formato de um sino e é
simétrica me torno da média.
z A área total sob a curva normal é igual 1.
z E(X)=μ e VAR(X)= σ2.
z O ponto máximo de f(x) é o ponto X=μ.
z Os pontos de inflexão da função são:
X= μ+σ e X= μ-σ.
 Função de densidade
99,72%
| Se X ∼N(μ, σ2) então a
95,44%
variável aleatória
1 ⎛ x−μ ⎞
2

1 − ⎜ ⎟
2⎝ σ ⎠ 68,26%
f ( x) = e ,
σ 2π

-∞ < x < ∞, e ≈ 2,718, π = 3,14

Exemplo: X ~ N (10, 4) ⇒ μ = 10 σ 2 = 4
11

P(8 < X < 11) = ?∫ f ( x)dx

8
2
11 1 ⎛ x −10 ⎞
1 − ⎜ ⎟
P(8 < X < 11) = ∫ e 2⎝ 2 ⎠
dx μ
2π 2 μ-3σ μ-2σ μ-σ μ+σ μ+2σ μ+3σ
8
 Normal Padrão

|
X −μ
X ~ N (μ ,σ 2 ) Z=
σ

⎛ X −μ⎞ 1 1 1
E(Z ) = E ⎜ ⎟ = E ( X − μ ) = ( E ( X ) − μ ) = (μ − μ ) = 0
⎝ σ ⎠ σ σ σ

⎛ X −μ⎞ 1 σ 2

⎟ = 2 Var ( X − μ ) = 2 Var ( X ) = 2 = 1
1
Var ( Z ) = Var ⎜
⎝ σ ⎠ σ σ σ

Z ~ N (0,1) ⇒ integrais podem ser tabeladas!

 Normal Padrão

| Se X ∼N(μ, σ2) então a variável

aleatória
X −μ
Z=
σ
∼ N(0,1)
0.10
∼ N(3,16) 0.4
f(x) ∼ N(0,1)
f(x) 0.3

0.05 0.2

0.1

0.00 0.0
-10 0 3 10 20 -3 -2 -1 0 1 2 3
μ
Distribuição Normal

| Propriedades
z Os valores z são chamados de escores
numa distribuição normal padronizada.
z A área acumulada está próximo de zero
para escores z próximos de –3,49.
z A área acumulada para z=0 é 0,50.
z A área acumulada está próxima de 1 para
escores z próximos de z=3,49
 Distribuição Normal
z

-∞ 0 z +∞

P(0 < Z < z )

P(0 < Z < 2,17) = ?

P(0 < Z < 2,17) = 0, 4850

 Determinando probabilidades
P( −2,17 < Z < 0) = 0, 4850
P( −2,17 < Z < 0) = ?

0,4850 0,4850
=

-∞ -2,17 0 +∞ -∞ 0 2,17 +∞

P( −1 < Z < 2) = ? P( −1 < Z < 2) = 0, 4772 + 0,3413 = 0,8185

0,4772 0,3413
= +

-∞ -1 0 2 +∞ -∞ 0 2 +∞ -∞ 0 1 +∞
 Determinando probabilidades
P( Z > 1,5) = ?

0,5 0,4332
_
=

-∞ 0 1,5 +∞ -∞ 0 +∞ -∞ 0 1,5 +∞

P( Z > 1,5) = 0,5 − 0, 4332 = 0,0668

 Determinando probabilidades
X ~ N (10, 4) X

P(8 < X < 11) = ?

-∞ 8 10 11 +∞

X −μ
Z= ~ N (0,1)
σ

P(8 − 10 < X − 10 < 11 − 10) = ?

8 − 10 X − 10 11 − 10
P( < < )=? Z
2 2 2
Z
P( −1 < Z < 0,5) = ?
-∞ -1 0 0,5 +∞
 Determinando os escores

∼ N(3,16) f(x)
0.10 0.4
∼ N(0,1)
0.3
f(x)
área=5%
0.05 0.2 área=5%

0.1

0.00 0.0
-10 0 3 10 20 -3 -2 -1 0 1 2 3
x 1,65

P(X ≥ x )=0,05 P(Z ≥ 1,65 )= 0,05

x = μ + zσ = 3 + 1.65 * 4 = 9,6
 Distribuição da Soma de
Variáveis Aleatórias
X 1 ~ N ( μ1 , σ 12 )
X 2 ~ N ( μ2 , σ 22 ) 3 v.a. independentes com distribuições normal
X 3 ~ N ( μ3 , σ 32 )

Y = X1 + X 2 + X 3

Qual a distribuição de Y ?

( μ1 + μ2 + μ3 ,σ 12 + σ 22 + σ 32 )
Y ~ N (?,?)

? ( X 1 + X 2 + X 3 ) = E ( X 1 ) + E ( X 2 ) + E ( X 3 ) = μ1 + μ2 + μ3
E (Y ) = E

Var (Y ) = σ
? 12 + σ 22 + σ 32
 Distribuição da Soma de
Variáveis Aleatórias
X 1 ~ ?( μ1 , σ 12 )
X 2 ~ ?( μ2 , σ 22 )
M
X n ~ ?( μn , σ n2 )

n
Y = X1 + X 2 + K + X n = ∑ X i
i =1

Qual a distribuição de Y ?

se n for grande:

⎛ n n
⎞
Y ~ N ⎜ ∑ μi , ∑σ i2 ⎟ Teorema do Limite Central
⎝ i =1 i =1 ⎠
Teorema do Limite Central
| Se amostras de tamanho n, onde n ≥ 30, forem tiradas
de uma população qualquer, com média μ e um desvio
padrão σ, então a distribuição amostral de médias das
amostras se aproximará de uma distribuição normal.
| Se a própria população for normalmente distribuída, a
distribuição amostral das médias das amostras será
normalmente distribuída para qualquer tamanho de
amostra n.
| Em ambos os casos, a distribuição amostral das médias
tem média igual a média da população ou seja μmédia= μ.
E a distribuição amostral de médias das amostras tem
uma variância igual a 1/n vezes a variância da população
ou seja σ2média= σ2/n.
Interpretando o teorema do
Limite Central
| Nos Estados Unidos mais de 4 milhões de
pais recebiam auxílio-creche. O número
médio de crianças era 1,7 e o desvio
padrão era de 0,9. Selecione ao acaso 35
pais que recebiam o auxílio-criança e
indague sobre quantas crianças sob sua
custódia estavam recebendo esse auxílio.
Qual é a probabilidade de que a média da
amostra esteja entre 1,5 e 1,9?
| Solução
z μmedia= 1,7 e σ2média= 0,81/n. Calcular usando a tabela da
normal padrão P(1,5 ≤ μmedia ≤ 1,9)
 Interpretando o teorema do
Limite Central
Média
| Considere como resultado de um
Idade Min levantamento feito com adultos
18-24 9 que afirmaram ter lido o jornal no
25-29 11 dia anterior.
30-34 11 | Selecione ao acaso 50 adultos
35-49 16 com idades entre 18 e 24 anos.
50-65 21
| Qual é a probabilidade de que o
65 ou mais 33
tempo médio gasto por eles
esteja entre 8,7 e 9,5?
| Suponha σ=1,5 minutos
Aproximações normais para
distribuições binomiais
| Seja X uma variável aleatória binomial. Se np ≥
5 e nq ≥ 5, então a X tem distribuição
aproximadamente normal com média e desvio
padrão.
μ = np σ = npq

| Quando usar uma distribuição normal para

aproximar uma probabilidade binomial é
necessário mover 0,5 unidades para esquerda
e para direita de ponto médio a fim de incluir
todos os valores possíveis de x no intervalo.
 Aproximações normais para
distribuições binomiais
Se Y tem uma distribuição binomial com parâmetros n e p:
n
Y = ∑ Xi onde cada Xi tem distribuição Bernoulli (0 ou 1) e P(Xi = 1) = p
i =1

Então, se n for grande, pelo TLC:

0,25
0,09
0,6
Y ~ N (?,?)
0,08 n = 100
15
3
0,5
0,2
E (Y ) = ?np 0,07 p = 0, 24
0,06
0,4
Var (Y ) = ?npq 0,15
0,05
0,3
0,04
Y ~ N (np, npq) 0,1
0,03
0,2
0,02
0,05
0,1
0,01
000
00 1 0 2 203 4 5 140
6 7 8 9 210 11 12
60 80 13 314 15
100
Aproximações normais para
distribuições binomiais
| Vinte e nove por cento das pessoas nos Estados Unidos
afirmam confiar que, durante suas vidas, ocorrerão
viagens tripuladas para a Lua. Selecione ao acaso 200
pessoas nos Estados Unidos e pergunte se elas acham
que as viagens tripuladas para a Lua irão ocorrer durante
sua vida. Qual é a probabilidade de que pelo menos 50
respondam sim?
| Solução
z Uma vez que np=58 e nq=142, a variável X pode ser
aproximada pela distribuição normal com μ=58 and
σ=6,42.
z Usando o fator de correção, calcular a probabilidade
P (X≥49,5) onde X é uma v.a. aproximadamente
normal.
 Aproximações normais para
distribuições binomiais
Considere o experimento: retiram-se 100 bolas da urna (com reposição).
Define-se uma v.a. X cujos valores representam o número total de bolas
vermelhas dentre as 100 escolhidas.
Calcule: P(30 ≤ X ≤ 51)
0,09
2
n = 100 p= = 0, 4 0,08

5 0,07

E ( X ) = np = 100 * 0, 4 = 40
0,06
0,05
Var ( X ) = npq = 100 * 0, 4 * 0,6 = 24 0,04
0,03
0,02
X ~ N (40, 24) 0,01
0
0 20 40
30 60 80 100
P(30 ≤ <X X≤ 51)
(29,5 = ? = ? (correção de continuidade)
< 51,5)

⎛ 29,5 − 40 51,5 − 40 ⎞
P⎜ <Z< ⎟ = 0,9745 (valor exato para Binomial ⇒ 0,9752)
⎝ 24 24 ⎠