SlideShare uma empresa Scribd logo
1 de 31
CURSO DE ESTATÍSTICA I
Ricardo Bruno N. dos Santos
FACECON-PPGE (UFPA)
Distribuição Normal
DISTRIBUIÇÕES CONTÍNUAS
Dentre as várias distribuições de probabilidade contínuas,
abordaremos aqui apenas a distribuição normal, pois ela apresenta
grande aplicação em pesquisas científicas e tecnológicas. Grande
parte das variáveis contínuas de interesse prático segue essa
distribuição, aliada ao Teorema do Limite Central (TLC), que é a base
das estimativas e dos testes de hipóteses realizados sobre a média
de uma população qualquer, e garante que a distribuição amostral
das médias segue uma distribuição normal, independentemente da
distribuição da variável em estudo, como será visto mais adiante.
DISTRIBUIÇÕES CONTÍNUAS
Mas antes de entrarmos na distribuição normal é bom entender o
conceito de distribuição uniforme. A distribuição uniforme é a
distribuição de probabilidades contínua mais simples de conceituar:
a probabilidade de se gerar qualquer ponto em um intervalo contido
no espaço amostral é proporcional ao tamanho do intervalo.
Outra maneira de se dizer "distribuição uniforme" seria "um
número finito de resultados com chances iguais de acontecer".
Um simples exemplo de distribuição uniforme é lançar um dado
não viciado. Os possíveis valores são 1,2,3,4,5,6, e a cada turno que
o dado é jogado a probabilidade de cada valor é 1/6. Se dois dados
são lançados e seus valores adicionados, a distribuição resultante
não é mais uniforme pois as somas não são uma variável
equiprovável.
DISTRIBUIÇÕES CONTÍNUAS
A distribuição discreta uniforme em si não possui parâmetros. No
entanto, é conveniente representar seus possíveis resultados com
um intervalo fechado [a,b], sendo 'a' e 'b' considerados os principais
parâmetros da distribuição. Com isso a função acumulada dessa
distribuição é representada como
𝐹 𝑘; 𝑎, 𝑏 =
𝑘 −𝑎+1
𝑏−𝑎+1
Ou
𝑓 𝑥; 𝑎, 𝑏 =
1
𝑏 − 𝑎
0
, 𝑎 ≤ 𝑥 ≤ 𝑏
DISTRIBUIÇÕES CONTÍNUAS
Exemplo: Num teste intelectual com alunos de um colégio Y, o
tempo para realização de uma bateria de questões de raciocínio
lógico é medido e anotado para ser comparado com um modelo
teórico. Este teste é utilizado para identificar o desenvolvimento da
capacidade de raciocínio lógico e auxiliar a aplicação de medidas
corretivas. O modelo teórico considera T, tempo de teste em
minutos, como uma variável aleatória contínua com função de
densidade de probabilidade dada por:











contráriocaso
tse
tset
tf
0
1510
20
3
;108)4(
40
1
)(
DISTRIBUIÇÕES CONTÍNUAS
O gráfico da fdp é apresentado a seguir (construiremos ele no
software R). Deve ser notado que, pela definição de f(x), ela se
anula para t < 8 ou t >15.
Vamos verificar agora se a função f(t) satisfaz a definição de
densidade. Para calcular P(9 < T  12), vamos obter a área sob f(t) no
intervalo (9; 12]:
DISTRIBUIÇÕES CONTÍNUAS
Assim P(9< T  12) = 7/16 valor esse obtido pela soma do trapézio
definido no intervalo (9, 10) com o retângulo determinado pelo
intervalo [10,12] (veja a figura).
6 8 10 12 14 16 18
0.000.050.100.15
t
f(t)
DISTRIBUIÇÕES CONTÍNUAS
Através do uso de integral, essa mesma probabilidade seria
calculada da seguinte forma:
12 10 12
9 9 10
10 122
10 12
9 10
109
(9 12) ( ) ( ) ( )
1 3 1 3
( 4) 4
40 20 40 2 20
11 6 7
0,4375
80 20 16
P T f t dt f t dt f t dt
t
t dt dt t t
     
   
        
  
  
  
 
DISTRIBUIÇÃO NORMAL
A distribuição normal é uma das mais essenciais e importantes
distribuições da estatística, conhecida também como Distribuição de
Gauss ou Gaussiana. Foi primeiramente introduzida pelo matemático
Abraham de Moivre.
Além de descrever uma série de fenômenos físicos e financeiros,
possui grande uso na estatística inferencial. É inteiramente descrita
por seus parâmetros de média e desvio padrão, ou seja,
conhecendo-se estes consegue-se determinar qualquer
probabilidade em uma distribuição Normal.
DISTRIBUIÇÃO NORMAL
Um interessante uso da Distribuição Normal é que ela serve de
aproximação para o cálculo de outras distribuições quando o
número de observações fica grande. Essa importante propriedade
provém do Teorema do Limite Central que diz que "toda soma de
variáveis aleatórias independentes de média finita e variância
limitada é aproximadamente Normal, desde que o número de
termos da soma seja suficientemente grande" (Ou seja, que a
amostra seja maior que 30 observações).
TEOREMA DO LIMITE CENTRAL
DISTRIBUIÇÃO NORMAL
A função densidade de probabilidade da distribuição normal
é dada por:
𝒇 𝒙 =
𝟏
𝟐𝝅𝝈 𝟐
𝒆𝒙𝒑 −
𝟏
𝟐
𝒙 − 𝝁
𝝈
𝟐
, 𝑥 ∈ (−∞; ∞)
Onde:
 e  são a média e o desvio padrão, respectivamente, da
distribuição de probabilidade.
𝜋 corresponde a 3,1415 e exp a uma função exponencial.
DISTRIBUIÇÃO NORMAL
A variação natural de muitos processos industriais é realmente
aleatória. Embora as distribuições de muitos processos possam
assumir uma variedade de formas, muitas variáveis observadas
possuem uma distribuição de frequências que é, aproximadamente,
uma distribuição de probabilidade Normal.
Probabilidade é a chance real de ocorrer um determinado evento,
isto é, a chance de ocorrer uma medida em um determinado
intervalo. Por exemplo, a frequência relativa deste intervalo,
observada à partir de uma amostra de medidas, é a aproximação da
probabilidade. E a distribuição de frequências é a aproximação da
distribuição de probabilidades.
A distribuição é normal quando tem a forma de "sino":
DISTRIBUIÇÃO NORMAL
DISTRIBUIÇÃO NORMAL
Algumas características da distribuição normal:
1 – Há uma família inteira de distribuições normais de
probabilidade. Elas são diferenciadas por suas médias () e desvios-
padrões ();
2 – O ponto mais alto na curva normal está na média, que também
é a mediana e a moda da distribuição;
3 – A média da distribuição pode ser qualquer valor numérico:
negativo, zero ou positivo. No próximo gráfico temos três curvas
normais com o mesmo desvio padrão mas três diferentes médias (-
10; 0; e 20);
4 – A distribuição normal de probabilidade é simétrica, em que a
forma da curva à esquerda da média é uma imagem espelhada da
forma da curva à direita da média. Os extremos da curva estendem-
se ao infinito em ambas as direções e teoricamente nunca tocam o
eixo horizontal.
DISTRIBUIÇÃO NORMAL
5 – o desvio padrão determina a largura da curva. Valores maiores
do desvio padrão resultam em curvas mais largas e mais planas,
mostrando maior variabilidade nos dados. Duas distribuições com a
mesma média mais desvio diferentes são mostradas a seguir
DISTRIBUIÇÃO NORMAL
6 – A área total sob a curva para a distribuição normal de probabilidade
é 1, o que é verdadeiro para todas as distribuições contínuas de
probabilidade;
DISTRIBUIÇÃO NORMAL
7 – As probabilidades para a variável aleatória normal são dadas
por áreas sob a curva. A porcentagem de valores em alguns
intervalos comumente usados são:
a) 68,26% dos valores de uma variável aleatória normal estão
dentro de um desvio padrão positivou ou negativo de sua média;
b) 95,44% dos valores de uma variável aleatória normal estão
dentro de dois desvios padrões positivos ou negativos de sua
média;
c) 99,72% dos valores de uma variável aleatória normal estão
dentro de três desvios padrões positivos ou negativos de sua
média
DISTRIBUIÇÃO NORMAL
DISTRIBUIÇÃO NORMAL
Portanto, a área sob a curva entre os pontos a e b, em que a < b,
representa a probabilidade da variável X assumir um valor entre a e
b (área escura), como observamos a seguir.
𝑷(𝒂 ≤ 𝒙 ≤ 𝒃)
𝑷(𝒙 < 𝒂)
𝑷(𝒙 > 𝒃)
DISTRIBUIÇÃO NORMAL
Desse modo, você pode associar que, no caso das distribuições
contínuas, a área do gráfico corresponde a probabilidades.
Então, veja a notação utilizada para a distribuição normal:
𝑿~𝑵(𝝁, 𝝈 𝟐)
Para calcularmos as probabilidades via distribuição normal, é
necessário o conhecimento de cálculo integral. Assim, procuramos
tabelar os valores de probabilidade que seriam obtidos por meio da
integração da função densidade de probabilidade normal em um
determinado intervalo.
A dificuldade para se processar esse tabelamento se prendeu na
infinidade de valores que  (média) e  (desvio padrão) poderiam
assumir. Nessas condições, teríamos que dispor de uma tabela para
cada uma das infinitas combinações de  e , ou seja, em cada
situação que se quisesse calcular uma probabilidade.
DISTRIBUIÇÃO NORMAL
Para facilitar esse problema, pode-se obter uma nova forma para a
distribuição normal, que não seja influenciada por  e . O problema
foi solucionado mediante emprego de uma nova variável definida
por:
𝒛 =
𝒙 − 𝝁
𝝈
Essa variável transforma todas as distribuições normais em uma
distribuição normal reduzida ou padronizada, de média zero e desvio
padrão um. Então, temos: 𝑍 ~ 𝑁(0,1).
Assim, utilizamos apenas uma tabela para o cálculo de
probabilidades para qualquer que seja a curva correspondente a
uma distribuição normal.
Portanto, para um valor de x =  em uma distribuição normal
qualquer, corresponde o valor:
DISTRIBUIÇÃO NORMAL
𝑧 =
𝑥−𝜇
𝜎
=
𝜇−𝜇
𝜎
= 0 na distribuição normal reduzida.
Para 𝑥 = 𝜇 + 𝜎, tem-se:
𝑧 =
𝑥−𝜇
𝜎
=
𝜇+𝜎−𝜇
𝜎
= 1
DISTRIBUIÇÃO NORMAL
Exemplo: Considere a arrecadação como um tributo de uma
pequena cidade. Verificamos que essa arrecadação seguia uma
distribuição normal com duração média de R$ 60.000,00 e desvio
padrão de R$ 10.000,00. Procuramos, então, responder os seguintes
questionamentos:
a) Qual a probabilidade de uma arrecadação ser maior do que R$
75.000,00?
Como a variável arrecadação apresenta distribuição
aproximadamente normal com média 60000 e variância de 100002
[𝑋~ 𝑁(60000; 100002)] e procura-se calcular a
𝑃(𝑋 > 75000) = ?
Primeiramente, precisamos transformar a variável 𝑋 em 𝑍 e,
depois, substituindo na expressão, teremos:
DISTRIBUIÇÃO NORMAL
𝑧 =
𝑥−𝜇
𝜎
=
75000−60000
10000
= 1,5
Olhando esse valor na Tabela Z, z = 1,50 (1,5 na primeira coluna e
o zero na primeira linha), encontraremos no meio da tabela o valor
de 0,4332 que corresponde à probabilidade de z estar entre zero e
1,5, como podemos pode observar a seguir.
Fig. A Fig. B Fig. C
DISTRIBUIÇÃO NORMAL
A área escura da figura corresponde a P(X>75000), que é a mesma
coisa que: P(z > 1,50). Então:
𝑃 𝑧 > 1,5 𝐹𝑖𝑔. 𝐴 =
= 𝑃 0 < 𝑧 < ∞ 𝐹𝑖𝑔. 𝐵 − 𝑃 0 < 𝑧 < 1,50 𝐹𝑖𝑔. 𝐶
= 0,5 − 0,4332
= 0,0668
Retirou-se a probabilidade encontrada de 0,5, pois esse valor
corresponde à probabilidade de zero até o infinito.
DISTRIBUIÇÃO NORMAL
b) Qual a probabilidade da arrecadação estar entre R$ 50.000,00 e
R$ 70.000,00?
𝑃 50000 < 𝑋 < 70000 =?
Primeiramente, precisamos transformar a variável 𝑋 em 𝑍 e,
depois, substituindo na expressão de 𝑍, teremos valores de 𝑍1 e 𝑍2,
relacionados aos valores de 𝑋1 = 50000 e 𝑋2 = 70000:
𝑧1 =
𝑥1−𝜇
𝜎
=
50000−60000
10000
= −1
𝑧2 =
𝑥2−𝜇
𝜎
=
70000−60000
10000
= 1
DISTRIBUIÇÃO NORMAL
Pode-se verificar que:
𝑃 50000 < 𝑋 < 70000 = 𝑃 −1 < 𝑧 < 1 = 0,3413 + 0,3413
= 0,6826
DISTRIBUIÇÃO NORMAL
c) Qual a probabilidade da arrecadação estar entre R$ 63.000,00 e
R$ 70.000,00?
𝑃(63000 < 𝑋 < 70000) = ?
𝑧1 =
63000−60000
10000
= 0,30
𝑧2 =
70000−60000
10000
= 1
DISTRIBUIÇÃO NORMAL
𝑃 63000 < 𝑋 < 70000 = 𝑃 0,30 < 𝑧 < 1,00
= 0,3413 − 0,1179
= 0,2234
Observe que existem outras distribuições tanto discretas quanto
contínuas que não foram abordadas neste livro. Portanto,
recomendamos que você procure outras fontes de conhecimento, a
começar por fazer uma pesquisa na internet sobre essas
distribuições.

Mais conteúdo relacionado

Mais procurados

Outros testes não-paramétricos
Outros testes não-paramétricosOutros testes não-paramétricos
Outros testes não-paramétricos
guest422f98
 
Delineamentos estatísticos
Delineamentos estatísticosDelineamentos estatísticos
Delineamentos estatísticos
UERGS
 

Mais procurados (20)

Distribuição Normal
Distribuição NormalDistribuição Normal
Distribuição Normal
 
Correlação Estatística
Correlação EstatísticaCorrelação Estatística
Correlação Estatística
 
Probabilidade e estatística - Variáveis Aleatórias
Probabilidade e estatística - Variáveis AleatóriasProbabilidade e estatística - Variáveis Aleatórias
Probabilidade e estatística - Variáveis Aleatórias
 
Estatistica descritiva
Estatistica descritiva Estatistica descritiva
Estatistica descritiva
 
Testes de hipoteses
Testes de hipotesesTestes de hipoteses
Testes de hipoteses
 
Outros testes não-paramétricos
Outros testes não-paramétricosOutros testes não-paramétricos
Outros testes não-paramétricos
 
Aula 13 teste de hipóteses
Aula 13   teste de hipótesesAula 13   teste de hipóteses
Aula 13 teste de hipóteses
 
Aula 12 medidas de dispersão
Aula 12   medidas de dispersãoAula 12   medidas de dispersão
Aula 12 medidas de dispersão
 
Diagrama de dispersão
Diagrama de dispersãoDiagrama de dispersão
Diagrama de dispersão
 
Conceitos Básicos de Estatística I
Conceitos Básicos de Estatística IConceitos Básicos de Estatística I
Conceitos Básicos de Estatística I
 
Media, moda e mediana
Media, moda e medianaMedia, moda e mediana
Media, moda e mediana
 
Aula 20 medidas de assimetria
Aula 20   medidas de assimetriaAula 20   medidas de assimetria
Aula 20 medidas de assimetria
 
distribuição-t-student
distribuição-t-studentdistribuição-t-student
distribuição-t-student
 
Anova a 1 factor
Anova a 1 factorAnova a 1 factor
Anova a 1 factor
 
Delineamentos estatísticos
Delineamentos estatísticosDelineamentos estatísticos
Delineamentos estatísticos
 
Aula10 anova 000
Aula10 anova 000Aula10 anova 000
Aula10 anova 000
 
Regressão Linear I
Regressão Linear IRegressão Linear I
Regressão Linear I
 
Estatística básica
Estatística básicaEstatística básica
Estatística básica
 
Aula 05 Gráficos Estatísticos
Aula 05   Gráficos EstatísticosAula 05   Gráficos Estatísticos
Aula 05 Gráficos Estatísticos
 
Regressão Linear Múltipla
Regressão Linear MúltiplaRegressão Linear Múltipla
Regressão Linear Múltipla
 

Destaque

Destaque (11)

Tópico 3 Testes de Hipóteses - 2 amostras
Tópico 3   Testes de Hipóteses - 2 amostrasTópico 3   Testes de Hipóteses - 2 amostras
Tópico 3 Testes de Hipóteses - 2 amostras
 
Probabilidade - Estatística I
Probabilidade - Estatística IProbabilidade - Estatística I
Probabilidade - Estatística I
 
Variáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística IIVariáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística II
 
Aplicação derivada e integral
Aplicação derivada e integralAplicação derivada e integral
Aplicação derivada e integral
 
Tópico 07 - Limite de uma função
Tópico 07 - Limite de uma funçãoTópico 07 - Limite de uma função
Tópico 07 - Limite de uma função
 
Tópico 4 regressão linear simples 01
Tópico 4   regressão linear simples 01Tópico 4   regressão linear simples 01
Tópico 4 regressão linear simples 01
 
Variáveis aleatórias discretas - Estatística II
Variáveis aleatórias discretas - Estatística IIVariáveis aleatórias discretas - Estatística II
Variáveis aleatórias discretas - Estatística II
 
Tópico 3 testes de hípoteses - 1 amostra
Tópico 3   testes de hípoteses - 1 amostraTópico 3   testes de hípoteses - 1 amostra
Tópico 3 testes de hípoteses - 1 amostra
 
Variáveis Aleatórias Multidimensionais
Variáveis Aleatórias MultidimensionaisVariáveis Aleatórias Multidimensionais
Variáveis Aleatórias Multidimensionais
 
Tópico 4 regressão linear simples 02
Tópico 4   regressão linear simples 02Tópico 4   regressão linear simples 02
Tópico 4 regressão linear simples 02
 
Tópico 09 - Integral
Tópico 09 - IntegralTópico 09 - Integral
Tópico 09 - Integral
 

Semelhante a Distribuição normal

A distribuição normal
A distribuição normalA distribuição normal
A distribuição normal
Liliane Ennes
 
Função de densidade normal bom
Função de densidade normal   bomFunção de densidade normal   bom
Função de densidade normal bom
jon024
 
Distribuicao continua
Distribuicao continuaDistribuicao continua
Distribuicao continua
carneiro62
 
distribuicao-probEEEEEEEEEEEEEEEEEEEEEEEEEEEE.ppt
distribuicao-probEEEEEEEEEEEEEEEEEEEEEEEEEEEE.pptdistribuicao-probEEEEEEEEEEEEEEEEEEEEEEEEEEEE.ppt
distribuicao-probEEEEEEEEEEEEEEEEEEEEEEEEEEEE.ppt
ElizeuNetto2
 
Distribuição Amostral da Média
Distribuição Amostral da MédiaDistribuição Amostral da Média
Distribuição Amostral da Média
Anderson Pinho
 

Semelhante a Distribuição normal (20)

A distribuição normal
A distribuição normalA distribuição normal
A distribuição normal
 
Princípios de Estatística Inferencial - I
Princípios de Estatística Inferencial - IPrincípios de Estatística Inferencial - I
Princípios de Estatística Inferencial - I
 
Função de densidade normal bom
Função de densidade normal   bomFunção de densidade normal   bom
Função de densidade normal bom
 
Distribuicao continua
Distribuicao continuaDistribuicao continua
Distribuicao continua
 
Atps estatistica
Atps estatisticaAtps estatistica
Atps estatistica
 
Distribuição normal
Distribuição normalDistribuição normal
Distribuição normal
 
distribuicao-probEEEEEEEEEEEEEEEEEEEEEEEEEEEE.ppt
distribuicao-probEEEEEEEEEEEEEEEEEEEEEEEEEEEE.pptdistribuicao-probEEEEEEEEEEEEEEEEEEEEEEEEEEEE.ppt
distribuicao-probEEEEEEEEEEEEEEEEEEEEEEEEEEEE.ppt
 
02 tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA
02   tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA02   tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA
02 tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA
 
Aula02pdf
Aula02pdfAula02pdf
Aula02pdf
 
XVII SAMET -2ª feira - Mini-curso [Dra. Simone Ferraz]
XVII SAMET -2ª feira - Mini-curso [Dra. Simone Ferraz]XVII SAMET -2ª feira - Mini-curso [Dra. Simone Ferraz]
XVII SAMET -2ª feira - Mini-curso [Dra. Simone Ferraz]
 
Estatística básica
Estatística básicaEstatística básica
Estatística básica
 
Estatística distribuição normal (aula 2)
Estatística   distribuição normal (aula 2)Estatística   distribuição normal (aula 2)
Estatística distribuição normal (aula 2)
 
Conceitos Básicos de Estatística II
Conceitos Básicos de Estatística IIConceitos Básicos de Estatística II
Conceitos Básicos de Estatística II
 
Estatística na educação
Estatística na educação Estatística na educação
Estatística na educação
 
Tq7
Tq7Tq7
Tq7
 
Distribuição Amostral da Média
Distribuição Amostral da MédiaDistribuição Amostral da Média
Distribuição Amostral da Média
 
Regressao linear
Regressao linearRegressao linear
Regressao linear
 
Estatistica basica i
Estatistica basica iEstatistica basica i
Estatistica basica i
 
Regressão aula
Regressão aulaRegressão aula
Regressão aula
 
Introdução à Regressão Linear
Introdução à Regressão LinearIntrodução à Regressão Linear
Introdução à Regressão Linear
 

Mais de Ricardo Bruno - Universidade Federal do Pará

Mais de Ricardo Bruno - Universidade Federal do Pará (13)

Estatística Descritiva
Estatística DescritivaEstatística Descritiva
Estatística Descritiva
 
Tópico 08 - Derivadas
Tópico 08 - DerivadasTópico 08 - Derivadas
Tópico 08 - Derivadas
 
Tópico 06 - Funções Compostas e Irracionas
Tópico 06 - Funções Compostas e IrracionasTópico 06 - Funções Compostas e Irracionas
Tópico 06 - Funções Compostas e Irracionas
 
Tópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e LogarítmicasTópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e Logarítmicas
 
Matemática I - Tópico 04: Equações do 1º e 2º graus e Inequações
Matemática I - Tópico 04: Equações do 1º e 2º graus e InequaçõesMatemática I - Tópico 04: Equações do 1º e 2º graus e Inequações
Matemática I - Tópico 04: Equações do 1º e 2º graus e Inequações
 
Matemática I - Tópico 02 e 03
Matemática I - Tópico 02 e 03Matemática I - Tópico 02 e 03
Matemática I - Tópico 02 e 03
 
Matemática I - Tópico 01
Matemática I - Tópico 01 Matemática I - Tópico 01
Matemática I - Tópico 01
 
07 tópico 6 - autocorrelação
07   tópico 6 - autocorrelação07   tópico 6 - autocorrelação
07 tópico 6 - autocorrelação
 
06 tópico 5 - heterocedasticidade
06   tópico 5 - heterocedasticidade06   tópico 5 - heterocedasticidade
06 tópico 5 - heterocedasticidade
 
05 tópico 4 - multicolinearidade
05   tópico 4 - multicolinearidade05   tópico 4 - multicolinearidade
05 tópico 4 - multicolinearidade
 
04 tópico 3 - regressão multipla
04   tópico 3 - regressão multipla04   tópico 3 - regressão multipla
04 tópico 3 - regressão multipla
 
03 tópico 2 - regressão multipla
03   tópico 2 - regressão multipla03   tópico 2 - regressão multipla
03 tópico 2 - regressão multipla
 
02 tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA
02   tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA02   tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA
02 tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA
 

Último

Gramática - Texto - análise e construção de sentido - Moderna.pdf
Gramática - Texto - análise e construção de sentido - Moderna.pdfGramática - Texto - análise e construção de sentido - Moderna.pdf
Gramática - Texto - análise e construção de sentido - Moderna.pdf
Kelly Mendes
 
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
WelitaDiaz1
 
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
aulasgege
 
Aspectos históricos da educação dos surdos.pptx
Aspectos históricos da educação dos surdos.pptxAspectos históricos da educação dos surdos.pptx
Aspectos históricos da educação dos surdos.pptx
profbrunogeo95
 

Último (20)

Gramática - Texto - análise e construção de sentido - Moderna.pdf
Gramática - Texto - análise e construção de sentido - Moderna.pdfGramática - Texto - análise e construção de sentido - Moderna.pdf
Gramática - Texto - análise e construção de sentido - Moderna.pdf
 
Química-ensino médio ESTEQUIOMETRIA.pptx
Química-ensino médio ESTEQUIOMETRIA.pptxQuímica-ensino médio ESTEQUIOMETRIA.pptx
Química-ensino médio ESTEQUIOMETRIA.pptx
 
Apresentação sobre Robots e processos educativos
Apresentação sobre Robots e processos educativosApresentação sobre Robots e processos educativos
Apresentação sobre Robots e processos educativos
 
transcrição fonética para aulas de língua
transcrição fonética para aulas de línguatranscrição fonética para aulas de língua
transcrição fonética para aulas de língua
 
Formação T.2 do Modulo I da Formação HTML & CSS
Formação T.2 do Modulo I da Formação HTML & CSSFormação T.2 do Modulo I da Formação HTML & CSS
Formação T.2 do Modulo I da Formação HTML & CSS
 
Edital do processo seletivo para contratação de agentes de saúde em Floresta, PE
Edital do processo seletivo para contratação de agentes de saúde em Floresta, PEEdital do processo seletivo para contratação de agentes de saúde em Floresta, PE
Edital do processo seletivo para contratação de agentes de saúde em Floresta, PE
 
Apostila-Letramento-e-alfabetização-2.pdf
Apostila-Letramento-e-alfabetização-2.pdfApostila-Letramento-e-alfabetização-2.pdf
Apostila-Letramento-e-alfabetização-2.pdf
 
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
atividade para 3ª serie do ensino medi sobrw biotecnologia( transgenicos, clo...
 
Power Point sobre as etapas do Desenvolvimento infantil
Power Point sobre as etapas do Desenvolvimento infantilPower Point sobre as etapas do Desenvolvimento infantil
Power Point sobre as etapas do Desenvolvimento infantil
 
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
 
Aspectos históricos da educação dos surdos.pptx
Aspectos históricos da educação dos surdos.pptxAspectos históricos da educação dos surdos.pptx
Aspectos históricos da educação dos surdos.pptx
 
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
 
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
 
O que é, de facto, a Educação de Infância
O que é, de facto, a Educação de InfânciaO que é, de facto, a Educação de Infância
O que é, de facto, a Educação de Infância
 
Acróstico - Maio Laranja
Acróstico  - Maio Laranja Acróstico  - Maio Laranja
Acróstico - Maio Laranja
 
Nós Propomos! Sertã 2024 - Geografia C - 12º ano
Nós Propomos! Sertã 2024 - Geografia C - 12º anoNós Propomos! Sertã 2024 - Geografia C - 12º ano
Nós Propomos! Sertã 2024 - Geografia C - 12º ano
 
SQL Parte 1 - Criação de Banco de Dados.pdf
SQL Parte 1 - Criação de Banco de Dados.pdfSQL Parte 1 - Criação de Banco de Dados.pdf
SQL Parte 1 - Criação de Banco de Dados.pdf
 
Poema - Maio Laranja
Poema - Maio Laranja Poema - Maio Laranja
Poema - Maio Laranja
 
[2.3.3] 100%_CN7_CAP_[FichaAvaliacao3].docx
[2.3.3] 100%_CN7_CAP_[FichaAvaliacao3].docx[2.3.3] 100%_CN7_CAP_[FichaAvaliacao3].docx
[2.3.3] 100%_CN7_CAP_[FichaAvaliacao3].docx
 
Religiosidade de Assaré - Prof. Francisco Leite
Religiosidade de Assaré - Prof. Francisco LeiteReligiosidade de Assaré - Prof. Francisco Leite
Religiosidade de Assaré - Prof. Francisco Leite
 

Distribuição normal

  • 1. CURSO DE ESTATÍSTICA I Ricardo Bruno N. dos Santos FACECON-PPGE (UFPA)
  • 3. DISTRIBUIÇÕES CONTÍNUAS Dentre as várias distribuições de probabilidade contínuas, abordaremos aqui apenas a distribuição normal, pois ela apresenta grande aplicação em pesquisas científicas e tecnológicas. Grande parte das variáveis contínuas de interesse prático segue essa distribuição, aliada ao Teorema do Limite Central (TLC), que é a base das estimativas e dos testes de hipóteses realizados sobre a média de uma população qualquer, e garante que a distribuição amostral das médias segue uma distribuição normal, independentemente da distribuição da variável em estudo, como será visto mais adiante.
  • 4. DISTRIBUIÇÕES CONTÍNUAS Mas antes de entrarmos na distribuição normal é bom entender o conceito de distribuição uniforme. A distribuição uniforme é a distribuição de probabilidades contínua mais simples de conceituar: a probabilidade de se gerar qualquer ponto em um intervalo contido no espaço amostral é proporcional ao tamanho do intervalo. Outra maneira de se dizer "distribuição uniforme" seria "um número finito de resultados com chances iguais de acontecer". Um simples exemplo de distribuição uniforme é lançar um dado não viciado. Os possíveis valores são 1,2,3,4,5,6, e a cada turno que o dado é jogado a probabilidade de cada valor é 1/6. Se dois dados são lançados e seus valores adicionados, a distribuição resultante não é mais uniforme pois as somas não são uma variável equiprovável.
  • 5. DISTRIBUIÇÕES CONTÍNUAS A distribuição discreta uniforme em si não possui parâmetros. No entanto, é conveniente representar seus possíveis resultados com um intervalo fechado [a,b], sendo 'a' e 'b' considerados os principais parâmetros da distribuição. Com isso a função acumulada dessa distribuição é representada como 𝐹 𝑘; 𝑎, 𝑏 = 𝑘 −𝑎+1 𝑏−𝑎+1 Ou 𝑓 𝑥; 𝑎, 𝑏 = 1 𝑏 − 𝑎 0 , 𝑎 ≤ 𝑥 ≤ 𝑏
  • 6. DISTRIBUIÇÕES CONTÍNUAS Exemplo: Num teste intelectual com alunos de um colégio Y, o tempo para realização de uma bateria de questões de raciocínio lógico é medido e anotado para ser comparado com um modelo teórico. Este teste é utilizado para identificar o desenvolvimento da capacidade de raciocínio lógico e auxiliar a aplicação de medidas corretivas. O modelo teórico considera T, tempo de teste em minutos, como uma variável aleatória contínua com função de densidade de probabilidade dada por:            contráriocaso tse tset tf 0 1510 20 3 ;108)4( 40 1 )(
  • 7. DISTRIBUIÇÕES CONTÍNUAS O gráfico da fdp é apresentado a seguir (construiremos ele no software R). Deve ser notado que, pela definição de f(x), ela se anula para t < 8 ou t >15. Vamos verificar agora se a função f(t) satisfaz a definição de densidade. Para calcular P(9 < T  12), vamos obter a área sob f(t) no intervalo (9; 12]:
  • 8. DISTRIBUIÇÕES CONTÍNUAS Assim P(9< T  12) = 7/16 valor esse obtido pela soma do trapézio definido no intervalo (9, 10) com o retângulo determinado pelo intervalo [10,12] (veja a figura). 6 8 10 12 14 16 18 0.000.050.100.15 t f(t)
  • 9. DISTRIBUIÇÕES CONTÍNUAS Através do uso de integral, essa mesma probabilidade seria calculada da seguinte forma: 12 10 12 9 9 10 10 122 10 12 9 10 109 (9 12) ( ) ( ) ( ) 1 3 1 3 ( 4) 4 40 20 40 2 20 11 6 7 0,4375 80 20 16 P T f t dt f t dt f t dt t t dt dt t t                              
  • 10. DISTRIBUIÇÃO NORMAL A distribuição normal é uma das mais essenciais e importantes distribuições da estatística, conhecida também como Distribuição de Gauss ou Gaussiana. Foi primeiramente introduzida pelo matemático Abraham de Moivre. Além de descrever uma série de fenômenos físicos e financeiros, possui grande uso na estatística inferencial. É inteiramente descrita por seus parâmetros de média e desvio padrão, ou seja, conhecendo-se estes consegue-se determinar qualquer probabilidade em uma distribuição Normal.
  • 11. DISTRIBUIÇÃO NORMAL Um interessante uso da Distribuição Normal é que ela serve de aproximação para o cálculo de outras distribuições quando o número de observações fica grande. Essa importante propriedade provém do Teorema do Limite Central que diz que "toda soma de variáveis aleatórias independentes de média finita e variância limitada é aproximadamente Normal, desde que o número de termos da soma seja suficientemente grande" (Ou seja, que a amostra seja maior que 30 observações).
  • 12. TEOREMA DO LIMITE CENTRAL
  • 13. DISTRIBUIÇÃO NORMAL A função densidade de probabilidade da distribuição normal é dada por: 𝒇 𝒙 = 𝟏 𝟐𝝅𝝈 𝟐 𝒆𝒙𝒑 − 𝟏 𝟐 𝒙 − 𝝁 𝝈 𝟐 , 𝑥 ∈ (−∞; ∞) Onde:  e  são a média e o desvio padrão, respectivamente, da distribuição de probabilidade. 𝜋 corresponde a 3,1415 e exp a uma função exponencial.
  • 14. DISTRIBUIÇÃO NORMAL A variação natural de muitos processos industriais é realmente aleatória. Embora as distribuições de muitos processos possam assumir uma variedade de formas, muitas variáveis observadas possuem uma distribuição de frequências que é, aproximadamente, uma distribuição de probabilidade Normal. Probabilidade é a chance real de ocorrer um determinado evento, isto é, a chance de ocorrer uma medida em um determinado intervalo. Por exemplo, a frequência relativa deste intervalo, observada à partir de uma amostra de medidas, é a aproximação da probabilidade. E a distribuição de frequências é a aproximação da distribuição de probabilidades. A distribuição é normal quando tem a forma de "sino":
  • 16. DISTRIBUIÇÃO NORMAL Algumas características da distribuição normal: 1 – Há uma família inteira de distribuições normais de probabilidade. Elas são diferenciadas por suas médias () e desvios- padrões (); 2 – O ponto mais alto na curva normal está na média, que também é a mediana e a moda da distribuição; 3 – A média da distribuição pode ser qualquer valor numérico: negativo, zero ou positivo. No próximo gráfico temos três curvas normais com o mesmo desvio padrão mas três diferentes médias (- 10; 0; e 20); 4 – A distribuição normal de probabilidade é simétrica, em que a forma da curva à esquerda da média é uma imagem espelhada da forma da curva à direita da média. Os extremos da curva estendem- se ao infinito em ambas as direções e teoricamente nunca tocam o eixo horizontal.
  • 17. DISTRIBUIÇÃO NORMAL 5 – o desvio padrão determina a largura da curva. Valores maiores do desvio padrão resultam em curvas mais largas e mais planas, mostrando maior variabilidade nos dados. Duas distribuições com a mesma média mais desvio diferentes são mostradas a seguir
  • 18. DISTRIBUIÇÃO NORMAL 6 – A área total sob a curva para a distribuição normal de probabilidade é 1, o que é verdadeiro para todas as distribuições contínuas de probabilidade;
  • 19. DISTRIBUIÇÃO NORMAL 7 – As probabilidades para a variável aleatória normal são dadas por áreas sob a curva. A porcentagem de valores em alguns intervalos comumente usados são: a) 68,26% dos valores de uma variável aleatória normal estão dentro de um desvio padrão positivou ou negativo de sua média; b) 95,44% dos valores de uma variável aleatória normal estão dentro de dois desvios padrões positivos ou negativos de sua média; c) 99,72% dos valores de uma variável aleatória normal estão dentro de três desvios padrões positivos ou negativos de sua média
  • 21. DISTRIBUIÇÃO NORMAL Portanto, a área sob a curva entre os pontos a e b, em que a < b, representa a probabilidade da variável X assumir um valor entre a e b (área escura), como observamos a seguir. 𝑷(𝒂 ≤ 𝒙 ≤ 𝒃) 𝑷(𝒙 < 𝒂) 𝑷(𝒙 > 𝒃)
  • 22. DISTRIBUIÇÃO NORMAL Desse modo, você pode associar que, no caso das distribuições contínuas, a área do gráfico corresponde a probabilidades. Então, veja a notação utilizada para a distribuição normal: 𝑿~𝑵(𝝁, 𝝈 𝟐) Para calcularmos as probabilidades via distribuição normal, é necessário o conhecimento de cálculo integral. Assim, procuramos tabelar os valores de probabilidade que seriam obtidos por meio da integração da função densidade de probabilidade normal em um determinado intervalo. A dificuldade para se processar esse tabelamento se prendeu na infinidade de valores que  (média) e  (desvio padrão) poderiam assumir. Nessas condições, teríamos que dispor de uma tabela para cada uma das infinitas combinações de  e , ou seja, em cada situação que se quisesse calcular uma probabilidade.
  • 23. DISTRIBUIÇÃO NORMAL Para facilitar esse problema, pode-se obter uma nova forma para a distribuição normal, que não seja influenciada por  e . O problema foi solucionado mediante emprego de uma nova variável definida por: 𝒛 = 𝒙 − 𝝁 𝝈 Essa variável transforma todas as distribuições normais em uma distribuição normal reduzida ou padronizada, de média zero e desvio padrão um. Então, temos: 𝑍 ~ 𝑁(0,1). Assim, utilizamos apenas uma tabela para o cálculo de probabilidades para qualquer que seja a curva correspondente a uma distribuição normal. Portanto, para um valor de x =  em uma distribuição normal qualquer, corresponde o valor:
  • 24. DISTRIBUIÇÃO NORMAL 𝑧 = 𝑥−𝜇 𝜎 = 𝜇−𝜇 𝜎 = 0 na distribuição normal reduzida. Para 𝑥 = 𝜇 + 𝜎, tem-se: 𝑧 = 𝑥−𝜇 𝜎 = 𝜇+𝜎−𝜇 𝜎 = 1
  • 25. DISTRIBUIÇÃO NORMAL Exemplo: Considere a arrecadação como um tributo de uma pequena cidade. Verificamos que essa arrecadação seguia uma distribuição normal com duração média de R$ 60.000,00 e desvio padrão de R$ 10.000,00. Procuramos, então, responder os seguintes questionamentos: a) Qual a probabilidade de uma arrecadação ser maior do que R$ 75.000,00? Como a variável arrecadação apresenta distribuição aproximadamente normal com média 60000 e variância de 100002 [𝑋~ 𝑁(60000; 100002)] e procura-se calcular a 𝑃(𝑋 > 75000) = ? Primeiramente, precisamos transformar a variável 𝑋 em 𝑍 e, depois, substituindo na expressão, teremos:
  • 26. DISTRIBUIÇÃO NORMAL 𝑧 = 𝑥−𝜇 𝜎 = 75000−60000 10000 = 1,5 Olhando esse valor na Tabela Z, z = 1,50 (1,5 na primeira coluna e o zero na primeira linha), encontraremos no meio da tabela o valor de 0,4332 que corresponde à probabilidade de z estar entre zero e 1,5, como podemos pode observar a seguir. Fig. A Fig. B Fig. C
  • 27. DISTRIBUIÇÃO NORMAL A área escura da figura corresponde a P(X>75000), que é a mesma coisa que: P(z > 1,50). Então: 𝑃 𝑧 > 1,5 𝐹𝑖𝑔. 𝐴 = = 𝑃 0 < 𝑧 < ∞ 𝐹𝑖𝑔. 𝐵 − 𝑃 0 < 𝑧 < 1,50 𝐹𝑖𝑔. 𝐶 = 0,5 − 0,4332 = 0,0668 Retirou-se a probabilidade encontrada de 0,5, pois esse valor corresponde à probabilidade de zero até o infinito.
  • 28. DISTRIBUIÇÃO NORMAL b) Qual a probabilidade da arrecadação estar entre R$ 50.000,00 e R$ 70.000,00? 𝑃 50000 < 𝑋 < 70000 =? Primeiramente, precisamos transformar a variável 𝑋 em 𝑍 e, depois, substituindo na expressão de 𝑍, teremos valores de 𝑍1 e 𝑍2, relacionados aos valores de 𝑋1 = 50000 e 𝑋2 = 70000: 𝑧1 = 𝑥1−𝜇 𝜎 = 50000−60000 10000 = −1 𝑧2 = 𝑥2−𝜇 𝜎 = 70000−60000 10000 = 1
  • 29. DISTRIBUIÇÃO NORMAL Pode-se verificar que: 𝑃 50000 < 𝑋 < 70000 = 𝑃 −1 < 𝑧 < 1 = 0,3413 + 0,3413 = 0,6826
  • 30. DISTRIBUIÇÃO NORMAL c) Qual a probabilidade da arrecadação estar entre R$ 63.000,00 e R$ 70.000,00? 𝑃(63000 < 𝑋 < 70000) = ? 𝑧1 = 63000−60000 10000 = 0,30 𝑧2 = 70000−60000 10000 = 1
  • 31. DISTRIBUIÇÃO NORMAL 𝑃 63000 < 𝑋 < 70000 = 𝑃 0,30 < 𝑧 < 1,00 = 0,3413 − 0,1179 = 0,2234 Observe que existem outras distribuições tanto discretas quanto contínuas que não foram abordadas neste livro. Portanto, recomendamos que você procure outras fontes de conhecimento, a começar por fazer uma pesquisa na internet sobre essas distribuições.