UNIVERSIDADE CATÓLICA DE MOÇAMBIQUE

Faculdade de Economia e Gestão

Administração e Gestão de Empresas

2ͣAno - Diurno

Estatística I
Tema: Variáveis Continuas e Distribuição normal

5˙Grupo

Discentes:
Melvin Mendes
Sónia Juiz
Suneil Abdula

Docente: Laercia Stela

Beira, 23 de Maio de 2022

Índic
e
I.Introdução................................................................................................................................1
II.Metodologia............................................................................................................................1
Metodo de Pesquisa................................................................................................................1
III.Objetivos...............................................................................................................................1
Objectivo Geral......................................................................................................................1
Objetivos Específicos.............................................................................................................1
1.Variáveis continuas.................................................................................................................2
1.1.Função da Densidade de Probabilidade............................................................................2
1.2.Media ou esperança matemática.......................................................................................2
1.3.Variância...........................................................................................................................2
1.4.Desvio-padrão...................................................................................................................3
2. Distribuição normal................................................................................................................3
2.1.Distribuição normal padrão..............................................................................................5
2.2.Propriedades da distribuição normal padrão....................................................................6
2.3.Probabilidade e distribuições normais..............................................................................6
2.4.Teorema do limite central.................................................................................................7
Caso prático:.........................................................................................................................8
Conclusão.................................................................................................................................11
Bibliografia..............................................................................................................................11
I.Introdução
As variáveis são características da população ou da amostra que nos interessa averiguar
estatisticamente, elas podem assumir valores numéricos (quantitativas) e não numéricos
(qualitativas). As variáveis quantitativas são classificadas em discretas ou continuas.

Segundo (Larson, 2015) “Uma variável aleatória é contínua quando tem um número
incontável de resultados possíveis representado”.
Apresentara-se algumas formas de variáveis aleatórias contínuas, as principais propriedades
para esse tipo de variável e demostrar o seu uso com alguns exemplos.

Neste trabalho ira abordar-se também a mais importante das distribuições contínuas da
estatística a distribuição normal. Distribuições normais podem ser usadas para modelar
muitos conjuntos de medidas na natureza, na indústria e nos negócios. Por exemplo, a pressão
sanguínea sistólica dos humanos, a vida útil de televisões de plasma e até mesmo custos
domésticos, podem ser variáveis. Também dar-se-á uma introdução ao teorema central do
limite, que faz relação das variáveis que se aproximam da distribuição normal.

II.Metodologia
Metodologia é a explicação detalhada austera e exata de todo o ato no desenvolvimento de
trabalho acadêmico. Ela detalha tudo aquilo que se utilizou no trabalho de pesquisa”
(Laurentino, 2010, p. 96). Para este presente trabalho foi utilizado o seguinte método:

o Método de Pesquisa
No que diz respeito aos procedimentos técnicos a serem adoptados, o trabalho foi
desenvolvido por meio de pesquisas bibliográficas, pois, serão utilizadas matérias já
publicadas tais como: livros (Estatística Aplicada a gestão Empresarial 4 a edição, Introdução
a Estatística e Estatística aplicada 6aedicao)e alguns manuais disponíveis na internet.

III.Objetivos
o Objetivo Geral
-Analisar as formas de variáveis continuas e distribuição normal;

o Objetivos Específicos
-Explicar a função de densidade de probabilidade;

-demostrar como são determinadas as probabilidades dos eventos;

-Ilustrar como é aplicada a teorema do limite central.

1
1.Variáveis continuas
“São variáveis continuas, as que podem tomar qualquer valor dentro de um intervalo de
números reais’’ (Murteira, 2010). Como por exemplo, altura de um adulto, temperatura
mínima diária, saldo em aplicações financeiras, ganho de peso após dieta e distância
percorrida.

Variáveis aleatórias continuas pode ser empregadas na representação da probabilidades.

Apresentam que para cada ponto continuo X, existe uma função de densidade de
probabilidade apresentada como f (x) (Bruni, 2013).

Uma função X definida sobre o espaço amostral Ω e assumindo valores num intervalo de
números reais, é denominada variável aleatória contínua.

Uma variável aleatória X é continua em IR se existir uma função f(x), tal que:
 f ( x ) ≥0 (não negativo).
+∞
 ∫ f ( x ) dx=1
−∞

1.1.Função da Densidade de Probabilidade

A Função da Densidade de Probabilidade (FDP) é uma equação que mostra a altura de curva
f(x) para cada possível valor de X sob a variação de X. Qualquer Função da densidade de
Probabilidade contínua deve ser não-negativa e a área sob FDP inteira deve ser 1. A média, a
variação e a forma da distribuição dependem da função da densidade de Probabilidade e de
seus parâmetros.

A função densidade de probabilidade (f.d.p.) de uma variável aleatória X é uma função

f(x) ≥ 0 cuja área total sob a curva seja igual à unidade.
Em termos matemáticos:
+∞ a

F.D.P= ∫ f ( x ) dx=1 → P (a ≤ X ≤ b) = ∫ f ( x ) dx
−∞ b

A função da densidade não será somente apresentada por tabela mas também por um gráfico,
que mostrara a área entre 2 valores em que tem a mesma probabilidade da variável aleatória
X estar entre os 2 valores. Área total =1.

2
1.2.Media ou esperança matemática
É uma medida de posição que tenta descrever o seu conjunto atrás de valor central. Seja X
uma variável aleatória contínua com função densidade de probabilidade f(X). A esperança
(ou média ou valor esperado) de X é definida como:

+∞
E ( X ) =∫ x ∙ f ( x ) dx
−∞

1.3.Variância
Ela tenta quantificar o quão homogêneo é o seu conjunto. A expressão para a variância é a
mesma do caso discreto e do caso continuo, o que muda é a forma de encontrar os seus
elementos. Seja X uma variável aleatória contínua com função de densidade de probabilidade
f(x). A variância de X é definida como:

+∞ a

V (x) = ∫ ( x−E( x ) ) f (x)dx ∫ x 2 f ( x ) dx− E(x)2

2
→
−∞ b

1.4.Desvio-padrão
Uma variável aleatória contínua Seja X uma variável aleatória contínua com função de
densidade de probabilidade f(x). O desvio padrão de X é definido como a raiz quadrada da
variância dependendo do X.

σ =√ V (X )

Exemplo1:

1.Calcule,cujo funcao de densidade é dada por:

{
0;x ≤ 0
f ( x )= 2 x ;0< x ≤1
0; x >1

a)o valor medio de X

3
b)E(x²)

c)a variancia e o desvio padrao de X

Resolução

|
+∞ 1 1 3
x 1 2 3 3 2
a) E(x) = ∫ xf ( x ) dx=∫ 2 x ∙ xdx = 2∫ x dx = 2 ( 1 −0 )=
2
=
−∞ 0 0
3 0 3 3

|
1 1
x⁴ 1 2 4 4 2
b) E(x²) = ∫ 2 x ²∙ xdx = 2∫ x dx = 2 = ( 1 −0 )=
3

0 0
4 0 4 4

+∞ 1 1

()
2
2 4 8 1 3 8 3 3 8
c)V(x)= ∫ x ² f (x )dx−( E(x )) = ∫ 2 x dx ∙
2 2
3
= 2∙ ∫ x dx= ∙ x = ( 1 −0 )=
90
2
9 3 27 27
−∞ 0

σ =√ V (x) =
√ 8
27
=0,54

2. Distribuição normal
Uma distribuição normal é uma distribuição de probabilidade contínua para uma variável
aleatória x, cujo gráfico é chamado de curva normal, satisfazendo as propriedades:

 A média, a mediana e a moda são iguais;

 Uma curva normal tem forma de sino e é simétrica em torno da média;
 A área total sob a curva normal é igual a 1;
 À medida que a curva normal se distancia da média, ela se aproxima do eixo x, mas
sem tocá-lo;
 Entre μ−σ e π +σ (no centro da curva), o gráfico se curva (tem concavidade) para
baixo. O gráfico tem concavidade para cima à esquerda de μ−σ e a direita de π + σ . Os
pontos nos quais o gráfico muda a orientação da concavidade são chamados de
pontos de inflexão.

4
 Figura 1
Para uma distribuição contínua de probabilidade, pode-se usar uma função densidade de
probabilidade (fdp). Uma função densidade de probabilidade deve satisfazer duas condições:

1. A área total sob a curva deve ser igual a 1;

2. A função nunca pode ser negativa. Uma curva normal com média m e desvio padrão
s pode ser representada graficamente usando a função densidade de probabilidade
normal.
2
− ( x− μ)
1 2σ
2

y= e
σ √2π

Como e ≈ 2,718 e π ≈ 3,14, a curva normal depende completamente de μ e σ .

Uma distribuição normal pode ter qualquer média e qualquer desvio padrão positivo. Esses
dois parâmetros μ e σ determinam o formato da curva normal. A média dá a localização da
linha de simetria e o desvio padrão descreve o quanto os dados estão dispersos (veja a figura
2).

Formatos de curva normal para combinações de duas médias e dois desvios padrão.

5
 Figura 2
As curvas A e B têm a mesma média, e as curvas B e C têm o mesmo desvio padrão. A área
total sob cada curva é 1. Também, um dos pontos de inflexão encontra-se a um desvio padrão
à esquerda da média e o outro a um desvio padrão à direita da média.

2.1.Distribuição normal padrão

Existe uma infinidade de distribuições normais, cada uma com sua própria média e desvio
padrão. A distribuição normal com média 0 e desvio padrão 1 é chamada de distribuição
normal padrão. A escala horizontal do gráfico da distribuição normal padrão corresponde ao
escore-z. Um escore-z é uma medida de posição que indica o número de desvios padrões
em que um valor se encontra a partir da média. Lembrando de que pode-se transformar um
valor x em escore-z usando a fórmula:

valor−media X−μ
z= =
desvio padrao σ
Como toda distribuição normal pode ser transformada em distribuição normal padrão, pode-
se usar o escore-z e a curva normal padrão para encontrar áreas (e consequentemente
probabilidades) sob qualquer curva normal.

A distribuição normal padrão é uma distribuição normal com média igual a 0 e desvio padrão
1 (Fig 3). A área total sob a curva normal é 1.

Figura 3

6
Quando cada valor de uma variável aleatória x distribuída normalmente é transformado em
um escore-z, a distribuição de z será uma distribuição normal padrão. Após essa
transformação, a área que recai no intervalo (x1; x2 ) sob a curva normal não padrão é a
mesma que aquela sob a curva normal padrão no correspondente intervalo (z1 ;z2 ).

É importante que se saiba a diferença entre x e z. A variável aleatória x é, às vezes, chamada

de resultado bruto e representa valores em uma distribuição normal não padrão, enquanto z
representa valores na distribuição normal padrão.

2.2.Propriedades da distribuição normal padrão

1. A área acumulada é próxima de 0 para escores-z próximos a z = –3,49.
2. A área acumulada aumenta conforme os escores-z aumentam.
3. A área acumulada para z = 0 é 0,5000.
4. A área acumulada é próxima a 1 para escores-z próximos a z = 3,49.

2.3.Probabilidade e distribuições normais

Quando uma variável aleatória x é normalmente distribuída, pode-se determinar a
probabilidade de que x estará em um intervalo, encontrando a área sob a curva normal, para o
intervalo. Para encontrar a área de algum intervalo sob qualquer curva normal, primeiro
converta o(s) limite(s) do intervalo para escores-z. Depois, usa-se a distribuição normal
padrão para encontrar a área. Por exemplo, considere uma curva normal com μ = 500 e σ =
100. O valor de x a um desvio padrão acima da média é μ+σ = 500 + 100 = 600. Considere
agora a curva normal padrão. O valor de z a um desvio padrão acima da média é μ+σ = 0 + 1
= 1. Como um escore-z de 1 corresponde a um valor x de 600, e as áreas não mudam com
uma transformação para uma curva normal padrão, as regiões sombreadas nos gráficos da
Figura 4 são iguais.

7
 Figura 4
2.4.Teorema do limite central
O teorema do limite central forma a base para o ramo inferencial da estatística. Esse teorema
descreve a relação entre a distribuição amostral das médias e a população da qual as amostras
são retiradas. O teorema do limite central é uma ferramenta importante que fornece a
informação que vai ser precisada ao usar estatísticas amostrais para fazer inferências sobre a
média de uma população.

1. Se amostras de tamanho n, em que n ≥ 30, são retiradas ao acaso de uma população

qualquer com uma média m e um desvio padrão s, então a distribuição amostral das médias
se aproxima de uma distribuição normal. Quanto maior o tamanho da amostra, melhor a
aproximação. (Veja a Figura.

2. Se a população é normalmente distribuída, então a distribuição amostral das médias é

normalmente distribuída para qualquer tamanho de amostra n. (Veja a Figura.) Em qualquer
dos casos, a distribuição amostral das médias tem média igual à média da população.

μ x= μ media das medias amostrais.

A distribuição amostral das médias tem uma variância igual a 1/n vezes a variância da
população e um desvio padrão igual ao desvio padrão da população dividido pela raiz
quadrada de n.

2
2 σ
σx = Variância das médias amostrais.
n

σ
σ x= Desvio padrão das médias amostrais.
√n

8
Lembre-se de que o desvio padrão da distribuição amostral das médias amostrais, sx ,
também é chamado de erro padrão da média.

A distribuição das médias amostrais tem a mesma média que a população, mas o seu desvio
padrão é menor que o desvio padrão da população. Isso nos diz que a distribuição das médias
amostrais tem o mesmo centro que a população, porém é mais concentrada. Além disso, a
distribuição das médias amostrais torna-se cada vez menos dispersa (maior concentração em
relação à média) conforme o tamanho n da amostra aumenta.

 Caso prático:
Sabe-se que o ponto obtido por diferentes candidatos em um concurso público segue uma
distribuição aproximadamente normal, com a média igual a 140 e o desvio padrão igual a 20
pontos. Caso o pesquisador deseja-se obter a probabilidade de um candidato escolhido por
acaso apresentar uma pontuação entre 140 e 165,6 pontos, seguindo uma distribuição normal
qual seria a sua probabilidade.

Resolução
Dados do problema:

μ=140; σ=20 ; X 1 =140 , X 2=165,6

Determinação dos escore-z :

9
 X 1−μ 140−140 X 2−μ 165,6−140
Z1 = = =0 e Z2 = = =1,28
σ 20 σ 20

Representação do gráfico da distribuição normal

 Recorrendo a tabela de distribuição normal padrão nota-se que quando:

Z1 =0 temos 0,5 e Z2 =1,28 temos 0,8997.

Calculo da probabilidade
P ( 140≤ X ≤ 165,6 )=P ( 0 ≤ Z ≤1,28 )
¿ P ( Z ≤1,28 ) −P ( Z ≤ 0 )
¿ 0,8997−0,5
¿ 0,3997
¿ 39,97 %
Resposta: a probabilidade de um candidato escolhido ao acaso apresentar uma pontuação
entre 140 e 165,6 é de 39,97 % .

 Tabela de distribuição normal padrão

10
11
Conclusão
Ao findar deste trabalho, conclui-se que uma variável aleatória continua pode assumir
qualquer valor de um intervalo pertencente ao seu domínio de variação. Pode dizer que,
enquanto uma v.a. discreta se refere a qualquer tipo de contagem, uma v.a. continua refere-se
a uma medida, como por exemplo o peso, a altura, o tempo, e outros.

Uma distribuição Normal auxilia na obtenção de melhores resultados probabilísticos quanto

as variáveis continuas, com base de histogramas, em que se traça um uma curva que será uma
das fontes para encontrar a média e a variância.

O teorema central do limite (TCL) afirma que a soma (s) de N variáveis aleatórias
independentes (x), com qualquer distribuição e variâncias semelhantes, é uma variável com
distribuição que se aproxima da distribuição normal quando N aumenta.

Bibliografia
Bruni, A. (2013). Estatistica aplicada a gestao empresarial(4a Edicao). Brazil:Sao Paulo:
Atlas.
Larson, R. (2015). Estatistica Aplicada. Brazil: sao paulo: PEARSON.
Laurentino, A. (26 de junho de 2010). aprimorando aulas expositivas com discussoes em
grupos. Fonte: http://www.jus.com.br/artigos/8150: 2021
Murteira, B.(2010). Introducao a Estatistica. Lisboa:Portugal: Escolar Editora.

12