Distribuição normal
- 2. Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino
- 3. Função Densidade da Distribuição Normal 1 ⎛ x −μ ⎞ 2 − ⎜ ⎟ 2⎝ σ ⎠ e f (x) = σ 2π
- 4. Distribuição Normal Quando uma distribuição é contínua, o gráfico de distribuição é uma linha contínua Não se visualiza as barras de um histograma, mas freqüências de ocorrências de cada valor de x em intervalos infinitesimais Forma uma Curva de Densidade de Probabilidade (função pdf – Probability Density Function)
- 5. Função Densidade da Distribuição Normal A função densidade da normal (e de qualquer outra variável aleatória contínua) pode ser compreendida como uma extensão natural de um histograma A probabilidade é a +∞ área sob a curva de ∫ P( x)dx = 1 −∞ densidade. Portanto, para qualquer P(x): 0 ≤ P (x) ≤ 1 P ( x) ≥ 0
- 6. Distribuição Normal Note que a distribuição normal é especificada por dois parâmetros: μ representa a média populacional, e σ representa o desvio-padrão populacional 1 ⎛ x−μ ⎞2 − ⎜ ⎟ 2⎝ σ ⎠ e f ( x) = σ 2π
- 9. Distribuição Normal Padronizada Cada par de parâmetros (μ, σ) define uma distribuição normal distinta! A figura mostra as curvas de densidade para alturas de mulheres e homens adultos nos EUA
- 10. Distribuição Normal Padronizada A distribuição normal padronizada tem média e desvio padrão iguais a: μ =0 σ =1 A distribuição normal padronizada facilita os cálculos de probabilidade, evitando o uso da fórmula e projetando qualquer análise mediante utilização de ESCORES (Z) x −μ z = σ
- 11. Distribuição Normal Padronizada Se x é uma observação de uma distribuição que tem média μ e desvio-padrão σ, o valor padronizado de x é x −μ z = σ Note que o valor padronizado representa o número de desvios-padrão pelo qual um valor x dista da média (para mais ou para menos)
- 12. Distribuição Normal Padronizada Ou seja, como a distribuição normal padronizada é aquela que tem média 0 e desvio-padrão 1, ou seja N(0, 1) Se uma variável aleatória x tem distribuição normal qualquer N(μ, σ), então a variável padronizada x −μ z = σ tem distribuição normal
- 14. Exemplo Um professor de cálculo aplica dois testes diferentes a duas turmas do seu curso. Os resultados foram: Turma 1: média = 75 desvio = 14 Turma 2: média = 40 desvio = 8 Que nota é relativamente melhor: 82 na turma 1, ou 46 na turma 2?
- 15. Distribuição Normal Padronizada A estimativa de probabilidades associadas a variáveis aleatórias contínuas envolve o cálculo de áreas sob a curva da densidade. O uso da distribuição normal padronizada nos permite calcular áreas sob a curva de uma distribuição normal qualquer, pois as áreas associadas com a normal padronizadas são tabeladas. A Tabela A-2 será usada para os cálculos de probabilidade envolvendo distribuições normais.
- 16. Exemplo Uma empresa fabrica termômetros que devem acusar a leitura de 0 °C no ponto de congelamento da água. Testes feitos em uma grande amostra desses termômetros revelaram que alguns acusavam valores inferiores a 0 °C e alguns acusavam valores superiores. Supondo que a leitura média seja 0°C e que o desvio-padrão das leituras seja 1,00 °C, qual a probabilidade de que, no ponto de congelamento, um termômetro escolhido aleatoriamente marque entre 0 e 1,58 °C ? Admita que a freqüência de erros se assemelhe a uma distribuição normal.
- 17. Exemplo A distribuição de probabilidade das leituras é uma normal padronizada porque as leituras têm μ = 0 e σ = 1. A área da região sombreada, delimitada pela média 0 e pelo número positivo z, pode ser lida na Tabela A-2
- 18. Distribuição Normal Padronizada EXEMPLO Portanto, a probabilidade de se escolher aleatoriamente um termômetro com erro entre 0 e 1,58 °C é 44,29 % Outra maneira de interpretar este resultado é concluir que 44,29% dos termômetros terão erros entre 0 e 1,58 °C
- 19. Distribuição Normal Padronizada EXEMPLO Com os termômetros do exemplo anterior, determine a probabilidade de se selecionar aleatoriamente um termômetro que acuse (no ponto de congelamento da água), uma leitura entre -2,43 °C e 0 °C?
- 20. Distribuição Normal Padronizada Estamos interessados na região sombreada da Figura (a), mas a Tabela A-2 se aplica apenas a regiões à direita da média (0), como a da Figura (b) Podemos ver que ambas as áreas são idênticas porque a curva de densidade é simétrica !
- 21. Distribuição Normal Padronizada EXEMPLO Portanto, a probabilidade de se escolher aleatoriamente um termômetro com erro entre - 2,43°C e 0°C é 49,25 % Em outras palavras, 49,25% dos termômetros terão erros entre -2,43 °C e 0 °C
- 22. Distribuição Normal Padronizada EXEMPLO Mais uma vez, faremos uma escolha aleatória da mesma amostra de termômetros. Qual a probabilidade de que o termômetro escolhido acuse (no ponto de congelamento da água), uma leitura superior a +1,27 °C ?
- 23. Distribuição Normal Padronizada A probabilidade de escolher um termômetro que acuse leitura superior a 1,27 °C corresponde à área sombreada da figura Se a área total sob a curva da densidade é igual a 1, a área à direita de zero vale metade, isto é, 0,5. Assim, podemos calcular facilmente a área sombreada !
- 24. Distribuição Normal Padronizada EXEMPLO Podemos concluir que há uma probabilidade de 10,20% de escolher aleatoriamente um termômetro com leitura superior a +1,27 °C. Podemos dizer, ainda, que, em um grande lote de termômetros escolhidos aleatoriamente e testados, 10,20% deles acusarão leitura superior a +1,27 °C
- 25. Distribuição Normal Padronizada EXEMPLO De novo, faremos uma escolha aleatória da mesma amostra de termômetros. Qual a probabilidade de que o termômetro escolhido acuse (no ponto de congelamento da água), uma leitura entre 1,20 e 2,30 °C ?
- 26. Distribuição Normal Padronizada A probabilidade de escolher um termômetro que acuse leitura entre 1,20 e 2,30 °C corresponde à área ombreada da figura É fácil perceber que podemos calcular esta área, subtraindo- se a área de 0 até o maior valor (2,30), da área de 0 até o menor valor (1,20), que são lidas na Tabela A-2 !
- 27. Distribuição Normal Padronizada Dos exemplos anteriores, podemos expressar as probabilidades calculadas com a notação seguinte: P (a < z < b) denota a probabilidade de o valor de z estar entre a e b P (z > a) denota a probabilidade de o valor de z ser maior do que a P (z < a) denota a probabilidade de o valor de z ser menor do que a
- 28. As figuras abaixo ajudam na interpretação das expressões mais comuns no cálculo de probabilidades:
- 29. Distribuição Normal Não Padronizada Os exemplos feitos com o termômetro não são muito realistas porque a maioria das populações distribuídas normalmente têm média diferente de 0, desvio diferente de 1, ou ambos. Como proceder, então, para calcular probabilidades de distribuições normais não-padronizadas ?
- 30. Distribuição Normal Não Padronizada A idéia é utilizar a fórmula dos valores padronizados e TRANSFORMAR qualquer distribuição normal dada na normal padronizada, como mostrado abaixo.
- 31. Distribuição Normal Não Padronizada EXEMPLO As alturas das mulheres americanas segue uma distribuição normal com média de 63,6” e desvio-padrão de 2,5”. Selecionada uma mulher americana ao acaso, qual a probabilidade da sua altura estar entre 63,6 e 68,6 polegadas ?
- 32. Distribuição Normal Não Padronizada Devemos proceder da maneira descrita a seguir: Trace uma curva normal, assinale a média e outros valores de interesse, e sombreie a região que representa a probabilidade desejada Para cada valor x da fronteira da região sombreada, aplique a fórmula para achar o valor padronizado z Utilize a Tabela A-2 para achar a área da região sombreada
- 33. Distribuição Normal Não Padronizada EXEMPLO Há, portanto, uma probabilidade de 0,4772 de escolher uma mulher com altura entre 63,6 pol. e 68,6 pol. Usando a notação, teríamos: P (63,6 < x < 68,6) = P (0 < z < 2,00) = 47,72% Outra forma de interpretar este resultado consiste em concluir que 47,72% das mulheres americanas têm altura entre 63,6 pol. e 68,6 pol.
- 34. Regra 68-95-99,7 Numa distribuição normal N(μ, σ) ou N(x, s)