You are on page 1of 22

1

Distribuies
226
No mbito da Estatstica Descritiva falase recorrentemente em distribuies de
frequncias ou distribuies empricas de variveis discretas e contnuas. As
distribuies tericas (funes de distribuio, funes de probabilidade ou funes
densidade) representam os modelos matemticos (expresso genrica) das
distribuies empricas.
A incidncia num conjunto limitado de distribuies (as mais importantes) resulta do
facto de tais modelos probabilsticos se ajustarem bem explicao do comportamento
de uma vasta gama de fenmenos aleatrios que frequentemente ocorrem no nosso
quotidiano.
impossvel fornecer um catlogo exaustivo de modelos j que naturalmente o
investigador, qualquer que seja o campo de actividade tem muitas vezes de inovar e de
construir esquemas especficos.
Distribuies
227
Distribuies Discretas
Dse o nome de provas de Bernoulli a sucesses de experincias aleatrias
independentes* nas quais se observa a realizao ou no realizao de determinado
acontecimento A, de probabilidade p(A)=p constante de experincia para
experincia.
A realizao de A dizse um sucesso; a realizao do contrrio, A

, que tem
probabilidade P(A

)=1p=q, dizse um insucesso.


Existem muitas situaes reais, em particular no mbito das cincias sociais e da
gesto de empresas, que respeitam, embora muitas vezes de forma aproximada, as
hipteses subjacentes a um processo de Bernoulli.
* Isto , os resultados obtidos numa certa prova ou sequncia de provas no afetam
os resultados da(s) prova(s) subsequente(s).
2
Distribuies
228
A distribuio binomial assenta no conceito de provas de Bernoulli e sem dvida
uma das distribuies de probabilidade discretas mais largamente utilizada como
modelo terico adequado a uma grande variedade de situaes observveis na
prtica.
A distribuio binomial aparece associada ao seguinte tipo de problema: determinar a
probabilidade de, em n provas de Bernoulli, serem obtidos x sucessos
(correspondendo realizao de um certo acontecimento A) e portanto (nx)
insucessos (no realizao de A).
( )
( )
( )
x n x
sucessos x n sucessos x
p p A A A A A A A A P

= 1


Distribuies
229
Esta distribuio tem dois parmetros que a caracterizam, n e p e escrevese X~B(n,p)
para indicar que a diferentes valores de n (inteiro positivo) e de p (0<p<1)
correspondem a diferentes distribuies da famlia.
Dizse que a varivel aleatria X nmero de sucessos em n provas de Bernoulli tem
distribuio binomial se a sua funo de probabilidade for dada por:
229
( )
( )

=
|
|
.
|

\
|
=

valores outros
n x p p
x
n
x f
x n x
, 0
,..., 1 , 0 , 1
n=9
p= 0.2
n=9
p= 0.5
n=9
p= 0.8
3
Distribuies
230
O valor esperado e a varincia para esta distribuio so respetivamente:
E(X)=np Var(X)=np(1p)
Exemplo 1: Um tcnico dos servios de preveno e Segurana Rodoviria afirma que
1 em 10 acidentes rodovirios devido ao cansao.
Determine a probabilidade de que em 5 acidentes haja 0,1,2, 3, 4 e 5 acidentes devido
a cansao.
SejaX nmerodeacidentes,em5,devidoacansao.X~B(5;0.1)
Clculosmorosospeloquesemaisfcilautilizaodetabelas.
Distribuies
231
231
4
Distribuies
232
Exemplo 3: Com base em sondagens efectuadas, estimase que, do total da populao
duma regio, 60% considera que a integrao europeia vai ter reflexos positivos, 25%
considera que a integrao negativos e as restantes no tm opinio definida.
a) Calcule a probabilidade de, em 15 pessoas dessa regio, 5 considerarem que a
integrao vai ter reflexos positivos.
Seja X nmero de pessoas, em 15, que consideram
que a integrao vai ter reflexos positivos: X~B(15; 0.6).
Pretendese conhecer P[X=5].
Como para p=0.6 a binomial no vem tabelada a soluo
ser encontrada atravs de uma transformao de X.
Seja X nmero de pessoas, em 15, que consideram
que a integrao vai ter reflexos negativos ou que no
tm opinio definida: X~B(15; 0.4).
Ora, P[X=5]=P[X=10]=0,0245
Distribuies
233
Exemplo3(cont.)
b) Se forem inquiridos 100 pessoas, quantas se espera considerarem que a integrao vai ter
reflexos positivos.
Pretendese E(X)=N.p=100x0.6=60, ou seja, em mdia, 60 das 100 pessoas inquiridas
consideram que a integrao vai ter reflexos positivos.
Aditividade nasdistribuiesbinomiais
Ouseja,asomadevariveisaleatriasbinomiaisindependentesdeparmetrop aindauma
varivelaleatriabinomialecomomesmoparmetrop).
( )
|
.
|

\
|
=
)
`
=

= =
p , n B ~ X Y
tes independen X
m ,..., 2 , 1 i , p , n B ~ X
m
1 i
i
m
1 i
i
i
i i
5
Distribuies
234
Considere que pretende contar, por exemplo, o nmero de:
chamadas telefnicas recebidas numa central telefnica num certo intervalo de
tempo;
chegadas de clientes a uma bilheteira durante um certo perodo;
chegadas de sinistrados a um banco de um hospital durante um certo perodo;
dias que uma dada escola fecha durante o inverno;
erros de tipografia por pgina;
Em todos os exemplos apresentados verificase que h uma caracterstica comum:
podem ser descritos por uma v.a. discreta que assuma valores inteiros no negativos.
Porm esta caracterstica no a nica exigvel.
Distribuio de Poisson
Distribuies
235
Se a contagem do nmero de sucessos que ocorrem num dado intervalo de tempo ou
num domnio especfico, satisfaz as seguintes condies:
o nmero de sucessos que ocorre num dado intervalo de tempo ou domnio
independente do nmero que ocorre em qualquer outro intervalo ou domnio
disjunto do anterior;
a probabilidade que o sucesso se verifique uma vez em qualquer intervalo
muito curto ( ou regio muito pequena ), de amplitude o, proporcional a o, i.e,
igual a o e no depende do nmero de sucessos que ocorrem fora desse
intervalo ou regio;
a probabilidade de que o sucesso se verifique mais do que uma vez num
intervalo de amplitude muito pequena 0.
dizse que estamos perante experincias de Poisson ou um processo de Poisson.
6
Distribuies
236
UmavarivelaleatriaXcomfunodeprobabilidade
dizse que tem distribuio de Poisson com parmetro escrevendose simbolicamente
X~P()
O valor esperado e a varincia para esta distribuio so respetivamente:
E(X)= V(X)=
( )

=
=

seno , 0
,... 2 , 1 , 0 x ,
! x
e
x f
x

=2.2 =3 =10.5
Distribuies
237
Exemplo1: AdmitaqueonmerodecamiesTIRqueatravessam,porhora,aponte25
deAbrilsegueumadistribuiodePoissoncomvarinciaiguala8.
SejaX nmerodecamiesTIRqueatravessam,porhora,aponte25deAbri.Temse
queX~P(8)poisV(X)=E(X)=8
a) Qual a probabilidade de que, numa hora, exactamente 4 camies TIR atravessem a
ponte?
P[X=4]=0,0573 (substituindo na funo probabilidade ou consultando a
respectiva tabela)
b) Qual a probabilidade de que, numa hora, pelo menos 6 camies TIR atravessem a
ponte?
P[X>6]=1P[Xs5]=
=1(P[X=0]+ P[X=1]+ P[X=2]+ P[X=3]+ P[X=4]+ P[X=5])
=1(0.0003+0.0027+0.0107+0.0286+0.0573+0.0916)
=0,8088
7
Distribuies
238
238
a)
b)
Distribuies
239
Aditividade nasdistribuiesdePoisson
Ouseja,asomadevariveisaleatriasdePoisson independentesaindaumavarivel
aleatriadePoisson
( )
|
.
|

\
|
=
)
`
=

= =
m
1 i
i
m
1 i
i
i
i i
P ~ X Y
tes independen X
m ,..., 2 , 1 i , P ~ X

Exemplo5: Onmerodedoentescomcomplicaescardiovascularesquechegama
dadaunidadehospitalarsegueumaleidePoisson demdia4.
a) Probabilidadede,emcertodia,chegaremunidade5doentessabendoquenodia
anteriorchegaramapenasdois.
b) Probabilidade de, em 5 dias, chegarem unidade 5 pelos menos 15 doentes
8
Distribuies
240
AditividadenasdistribuiesdePoisson
Ouseja,asomadevariveisaleatriasdePoissonindependentesaindauma
varivelaleatriadePoisson
( )
|
.
|

\
|
=
)
`
=

= =
m
1 i
i
m
1 i
i
i
i i
P ~ X Y
tes independen X
m ,..., 2 , 1 i , P ~ X

Exemplo5: Onmerodedoentescomcomplicaescardiovascularesquechegama
dadaunidadehospitalarsegueumaleidePoisson demdia4.
a) Probabilidadede,emcertodia,chegaremunidade5doentessabendoquenodia
anteriorchegaramapenasdois.
b) Probabilidade de, em 5 dias, chegarem unidade 5 pelos menos 15 doentes
Distribuies
241
AdistribuiodePoisson surgeaindacomoolimitedadistribuiobinomialquando
n ep0.
Teorema
QuandoN ep0,mantendoseconstanteoprodutonp temse
X~B(N,p) X~P(Np)
RegraprticaEmgeral,adistribuiodePoisson forneceumaboaaproximaoda
distribuiobinomialquandoN>20eps0.05
9
DistribuioNormal
DISTRIBUIONORMAL
CURVANORMAL.PROPRIEDADES
Consideresea distribuiodospesosdos 30alunosdeuma turma deum determinado cursodo
IPCA.
Classes
(pesoemKg)
ni fi
[44,50[ 6 0,20
[50,56[ 8 0,27
[56,62[ 6 0,20
[62,68[ 5 0,17
[68,74[ 3 0,10
[74,80[ 2 0,06
Totais 30 1
Comosdadosdatabela,construmosopolgonodefrequnciasdadistribuio.

242
Escolheramse, em seguida, ao acaso, 1990 alunos do Instituto e depois de
observadososseuspesosconstruiuseatabelaseguinte:
243
DistribuioNormal
10
Classes
(peso em Kg)
n
i
f
i
probabilidade
[35,38[ 12 0,006
[38,41[ 34 0,017
[41,44[ 88 0,044
[44,47[ 146 0,073
[47,50[ 186 0,094
[50,53[ 360 0,181
[53,56[ 500 0,251
[56,59[ 300 0,151
[59,62[ 150 0,076
[62,65[ 74 0,037
[65,68[ 50 0,025
[68,71[ 42 0,021
[71,74[ 24 0,012
[74,77[ 12 0,006
[77,80[ 12 0,006
Totais 1990 1
~
244
DistribuioNormal
Cap II DistribuioNormal
Nota:Afrequnciarelativaumvaloraproximadodaprobabilidade.
Assim,encontradoumalunodoinstitutoaoacaso,podeseafirmarque:
Aprobabilidadedequetenhaumpesoentre[53,56[de25,1%
Aprobabilidadedequetenhaumpesoentre[59,62[de7,6%.
Comosdadosdatabelaconstrumosumpolgonodefrequncias.









245
11
Observando os dois polgonos de frequncias verificase que quando
aumenta o nmero de alunos observados e se diminui a amplitude dos
intervalosdecadaclasse,alinhapoligonalaproximasedeumalinhacurva.
Se se aumentar o nmero de estudantes observados, obterseia uma
distribuiocadavezmaisprximadadistribuionormal.
Acurvanormaltemaformadesino,commximoem x .

Quandoseestudaumavarivelaleatriacontnua,linhaobtidaquandoaamplitudede
cadaumdosintervalosdeclassetendeparazerochamasecurvadeprobabilidades.

246
DistribuioNormal
247
DistribuioNormal
12
A curva de probabilidades de uma distribuio normal tem a forma da curva
normaloucurvadeGaussetemasseguintespropriedades:
A probabilidade de que uma observao ao acaso pertena ao intervalo
] o x , o + x [deaproximadamente68,3%.
A probabilidade de que uma observao pertena ao intervalo
] o 2 x , o 2 + x [deaproximadamente95,5%.
Areasobacurva1.



248
DistribuioNormal

Aprobabilidadedeobterumvalordavarivelinferiorouigualaumvalorfixoa
dadapelareaabaixodacurvadeprobabilidadeseesquerdadessevalor.

A curva normal representa uma famlia de distribuies em que cada membro


especfico dessa famlia representado por determinados valores dos parmetros
mdia e desvio padro. Ou seja, qualquer distribuio normal definida por duas
medidas: a mdia que localiza o centro da distribuio e o desviopadro o que
medeavariabilidadedavarivelemestudo,

X ,emtornodasuamdia.
249
DistribuioNormal
13
A simetria do grfico frequente em muitas situaes da vida
real,detalmodoqueosmatemticoscriaramummodeloaque
chamaramdistribuionormal.

A distribuio normal tambm conhecida pelos nomes de


distribuio de Gauss e distribuio de Laplace, pois tanto o
alemo Gauss (17771855) como o francs Laplace (17491827)
chegaram a esta distribuio ao estudarem a distribuio dos
errosdemedidasfsicas.
250
DistribuioNormal
251
DistribuioNormal
14
252
DistribuioNormal
Aproximadamente 68% difere da
mdia menos de 1 desviopadro.
Aproximadamente 95% difere da
mdia menos de 2 desviospadres.
Aproximadamente 99,7% difere da
mdia menos de 3 desviospadres.
253
DistribuioNormal
15
254
DistribuioNormal
Curvanormalestandardizada(curvaZ).Propriedades.
Dadoqueamdiaeodesviopadropodemtomarumainfinidadenonumervelde
valores (
0 , > + < < o
) ento existe tambm uma infinidade no numervel
dediferentesdistribuiesnormais.

Da que, para o clculo de probabilidades, qualquer distribuio normal


transformadanachamadanormalpadro,ounormalestandardizada.
Esta transformao, que consiste numa mudana de origem (subtraco por

) e
mudanadeescala(divisopor o )chamadaestandardizao.
Isto , se a varivel aleatria X tem distribuio normal de
parmetros e o , ento
o
X
= Z a chamada normal
estandardizada ou reduzida ou ainda normalpadro, cujos
parmetrossoagora:
0 =
e
1 = o
.
255
DistribuioNormal
16
256
DistribuioNormal
Cap II DistribuioNormal
Determinaodasreasnacurvanormal
Sendo a mdia e o desvio padro parmetros que, embora
possamserdesconhecidos,soconstantes,temseque:

( ) 1 , 0 N
X
= Z
o

.

A respectiva funo de distribuio, dada pela rea abaixo da


curva de probabilidades e esquerda de um valor fixo z da
varivel,
( ) z u
, permite o clculo da probabilidade acumulada
atz.Ento:

( ) | | z P z s Z = u

257
17
Aconsultanatabela(DistribuioNormalPadro) permiteconcluir,a
ttulodeexemploque:

a)
| | ( ) 5 , 0 0 0 = u = s Z P

258
DistribuioNormal
| | ( ) 8749 , 0 15 , 1 15 , 1 P = u = s Z
.
259
DistribuioNormal
18
-z z Z
( ) z u 1 ( ) z u
z Z
( ) z u
Como ( ) z simtrica, temse que ( ) ( ) z z u = u 1 , como se ilustra na figura
seguinte:







260
DistribuioNormal
| | | | ( ) 1922 , 0 8078 , 0 1 87 , 0 1 87 , 0 1 87 , 0 = = u = s Z = > Z P P
261
DistribuioNormal
19
Exemplo
O tempo em horas que um grupo de operrios leva a executar
determinada tarefa tem distribuio normal com mdia 1000 horas e
desviopadro200horas.
Qual a probabilidade de os operrios terminarem a tarefa em menos de
1200horasemaisde800horas?

Seja X tempo (medido em horas) que determinado grupo de operrios


levaaexecutardeterminadatarefa
( ) 200 ; 1000 = = X o N
262
DistribuioNormal
| | ) 1 , 0 ( N ~ Z ,
200
1000 1200
200
1000 800
P 1200 800 P
(


< Z <

= < X <
| |
( ) ( ) | |
6826 , 0
8413 , 0 1 8413 , 0
1 1 1
1 1 P
=
+ =
u u =
< Z < =
263
DistribuioNormal
20
DistribuioNormal
uma distribuio especialmente importante quer por abranger um grande
nmerodevariveisquesegueestadistribuio,querporquemuitasvariveis
so passveis de serem aproximadas a esta distribuio, quer por que certas
estatsticas e estimadores segue esta distribuio. muito utilizada nos
processosdeamostragemeinfernciaestatstica.
264
DistribuioNormal
Estas probabilidades so
valores de referncia que um
estatstico deve ter quando
utiliza a distribuio Normal.
265
DistribuioNormal
21
TeoremadoLimiteCentral
GenericamenteoTeoremadoLimiteCentral(TLC)dizqueamdiadeum
grande nmero de variveis aleatrias independentes tem uma
distribuioqueseaproximaNormal.
Teorema
Se ( ) , , , 12
i
i n X = so v.a.s independentes identicamente distribudas (iid)
ento:
( )
;
1
n
i i
i
n n o
=
Y = X N


266
DistribuioNormal
Teorema
Se ( ) , , , 12
i
i n X = sov.a.sindependentescommdia evarincia
2
o ,ento,quando n ,afunodedistribuiodav.a.,
1
n
i
i
n
n
n

o
=
X
Z =

,tendeparaumafunodedistribuio
( , ) 0 1 N

Este teorema garante que a soma de n variveis aleatrias


independentestodascomamesmamdiaeamesmavarincia
finitas tem, depois de estandardizada e para
n
suficientementegrande,distribuioaproximada,
( , ) 0 1 N
.
267
DistribuioNormal
22
Corolrio
Dada a sucesso de variveis aleatrias iid, , ,...,
1 2 n
X X X , com mdia e
varincia
2
o ,ento:

( ) 0,1
apr
N
n

o
X
onde
1
n
i
i
n
=
X
X =

,com
( )
,
apr
N n o X
.

A questo que se coloca em relao ao TLC saber quando que n


suficientementegrandeparaseconsiderarqueadistribuioNormalde
factoumaboaaproximaodadistribuiodavarivelsomaoudamdia
amostral. comum considerarse 50 n > para quando as distribuies
originais so muito assimtricas, bastando no entanto 10 n >

para
distribuiessimtricas.
268
DistribuioNormal