.

 Uma distribuição de probabilidade descreve a

probabilidade de uma variável assumir um
valor ao longo de um espaço de valores.
 Variáveis aleatórias - Regra que atribui um valor
numérico a cada possível resultado de um
experimento.
 o número de usuários que consultam um site de
busca, em uma certa hora do dia.
 o número de atletas com lesões traumáticas no
joelho,
 O peso de alunos masculino da faculdade.
 altura de um adulto do sexo masculino
 Variável aleatória
 Uma variável aleatória pode ser classificada
como:
 Variável aleatória discreta: é aquela que
assume valores inteiros e finitos.

 Exemplos

 Número de acidentes ocorridos em uma

semana.
 Número de defeitos por peça produzida.
 Número de vitórias obtidas por um atleta.
 Variável aleatória contínua: é aquela que
pode assumir qualquer valor em um intervalo

 Exemplos
  
 Temperatura (º C),
 Peso.
 Altura.
 DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE

 OBJETIVO: calcular probabilidade em intervalos.

 EXEMPLO – A probabilidade de um indivíduo ter Q.I

entre 70 e 90.

 NOTAÇÃO: P(70 < X < 90)

 DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE

 Distribuição Normal ou Gaussiana

 Distribuição t de Student
 Distribuição F de Snedecor
 Distribuição Uniforme ou Retangular
 Distribuição Exponencial

 Distribuição  2
(QUI-QUADRADO)
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

 É a mais importante dentre as distribuições

de variável aleatória contínua.
 DISTRIBUIÇÃO NORMAL OU GAUSSIANA

 É a mais importante dentre as distribuições de

variável aleatória contínua.

 VARIÁVEIS QUE SEGUEM DISTRIBUIÇÃO NORMAL

 valores da hemoglobina em pacientes sadios

 pressão arterial sistólica
 temperatura corporal
 altura
 medidas de testes psicológicos
 tempo de vida útil de um dispositivo eletrônico
(1) Média = mediana =moda

Estão localizadas no pico da

distribuição.
(2) A curva tem formato de sino.

(3) É unimodal no centro exato da

distribuição.

(4) É simétrica em relação a sua

média.
 (5) Ela é assintótica: a curva
aproxima-se cada vez mais do
eixo x, à medida que se afasta da
média em ambos os lados.


(6) A área total sob a curva vale 100% ou 1

(7) 50% da área está à abaixo da média e 50%

acima da média.
(8) Os valores maiores e menores que a média
ocorrem com igual probabilidade:

 Escrevemos:

P(X > média) = P(X < média) = 0,5

(9) Os valores centrais são mais freqüentes e
os valores extremos mais raros.
 A CURVA NORMAL
 
 Se X for uma variável aleatória contínua e tiver
uma distribuição normal com

Média = µ e Desvio padrão = σ

 então pode-se construir o gráfico de uma curva

normal usando

FUNÇÃO DE DESNDIDADE DE PROBABLIDADE - FDP

 2
1 x  
1  
2  

f (X )  e
 2
 Cada distribuição normal fica
determinado pelos seus parâmetros
média e desvio padrão.

 NOTAÇÃO

X ~ N(µ ; σ )
 Exemplo 2 - Seja X a variável aleatória que
representa os QI’s de crianças autistas.

 Vamos supor que essa variável tenha

distribuição normal com QI médio de
 μ = 100 e desvio padrão σ = 12.

  Pode haver interesse em conhecer a

probabilidade de uma criança ter um QI
entre:
◦ 70 e 115  P(a < X < b) = P(70 < X < 115)

◦ ou maior que 115  P(X > b) = P(X > 115)

◦ ou menor que 70 P(X < a) = P(X < 70)

◦ 100 e 115  P(a < X < b) = P(100 < X < 115)

◦ 70 e 100  P(a < X < b) = P(70 < X < 100)

◦ 110 e 140  P(a < X < b) = P(110 < X < 140)

 Distribuição normal padrão com μ = 0 e σ =
1.
 Gauss padronizou qualquer variável aleatória
X, com distribuição Normal, construindo uma
nova escala de medidas para as variáveis
aleatórias X através da transformação linear:

X 
Z 

 
 Portanto, se X ~ N(µ ; σ ) então

Z ~ N(µ=0 ; σ = 1 )
 Assim, a

P(a < X < b) = P( z1 <Z< z2)

 onde

 Z1 = valor de a padronizado.
 Z2 = valor de b padronizado.
 VANTAGEM DA DISTRIBUIÇÃO NORMAL

 As probabilidades associadas à distribuição

normal padronizadas são encontradas em
tabelas, não havendo necessidade de serem
calculadas.
 A Tabela I é uma tabela de distribuição
normal reduzida que dá a probabilidade de Z
tomar qualquer valor entre a

média μ = 0 e um dado valor positivo Z

ou seja,

P(0 < Z < z)

 Na distribuição Normal, a proporção de valores
caindo dentro de um, dois, ou três desvios padrão
da média são:

 68 % dos casos estão entre +1 e -1 desvio padrão da média.

 95,5% dos casos estão entre +2 e -2 desvios padrões da média
 99,7% dos casos estão entre +3 e -3 desvios padrões da média
 Porcentagem da área total sob a curva normal
entre a média µ e o desvio padrão σ.
 Exemplo - O tempo médio para que crianças
autistas levam para responder um certo
questionário é de 30 minutos (μ = 30), com
desvio padrão de 4 minutos (σ = 4).
  
 Quantos por cento das crianças responderam

o teste em até um desvio padrão do tempo

médio (ou seja, 30 ± 1×4 = 30 ± 4)?
 Exemplo 3 - Seja X a variável aleatória que
representa os QI’s de crianças autistas.

 Vamos supor que essa variável tenha

distribuição normal com QI médio de
 μ = 100 e desvio padrão σ = 12.
 Vamos calcular a probabilidade de uma
criança autista ter um QI

(a) Entre 100 e 115, isto é, P(100 < X < 115)