Distribuições estatísticas
Distribuições estatísticas são modelos matemáticos que descrevem a probabilidade de ocorrência de diferentes resultados em um experimento aleatório ou a forma como os dados de uma população estão espalhados. Elas nos ajudam a entender e prever comportamentos de fenômenos.
Essas distribuições são ferramentas fundamentais na Estatística e em diversas áreas do conhecimento, pois permitem resumir e analisar grandes volumes de dados, identificar padrões, fazer inferências e tomar decisões mais embasadas. Compreender suas propriedades é essencial para quem trabalha com análise de dados.
O estudo das distribuições estatísticas é crucial para a modelagem de incertezas e para a compreensão da variabilidade presente em fenômenos naturais, sociais e econômicos. Elas servem como base para testes de hipóteses, estimação de parâmetros e previsões.
Características das Distribuições Estatísticas
As distribuições estatísticas possuem características que as definem e as distinguem umas das outras. A compreensão dessas características é a chave para aplicá-las corretamente.
- Forma: Descreve o perfil gráfico da distribuição (simétrica, assimétrica à direita, assimétrica à esquerda, unimodal, bimodal, etc.).
- Tendência Central: Indica o valor típico ou central dos dados (média, mediana, moda).
- Dispersão: Mede o quão espalhados estão os dados em torno da tendência central (variância, desvio padrão, amplitude).
- Função Massa de Probabilidade (FMP) ou Função Densidade de Probabilidade (FDP): Define a probabilidade associada a cada valor discreto ou a probabilidade em um intervalo contínuo, respectivamente.
- Parâmetros: Valores que caracterizam uma distribuição específica (ex: média $\mu$ e desvio padrão $\sigma$ na distribuição normal).
Tipos de Distribuições Estatísticas
Existem diversas distribuições estatísticas, cada uma adequada para descrever diferentes tipos de dados e fenômenos. As mais comuns podem ser divididas entre discretas e contínuas.
Distribuições Discretas
São aquelas em que a variável aleatória só pode assumir um número finito ou contável de valores.
Distribuição de Bernoulli
Descreve o resultado de um único experimento com dois resultados possíveis: sucesso (com probabilidade $p$) ou fracasso (com probabilidade $1-p$).
Exemplo:
O lançamento de uma moeda honesta, onde “cara” é sucesso (p=0.5) e “coroa” é fracasso (1-p=0.5).
Distribuição Binomial
Surge quando repetimos um experimento de Bernoulli $n$ vezes de forma independente e queremos saber a probabilidade de obter exatamente $k$ sucessos. Sua fórmula é $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$.
Exemplo:
Qual a probabilidade de obter exatamente 3 caras em 5 lançamentos de uma moeda viciada com probabilidade de cara igual a 0.6? Aqui, $n=5$, $k=3$, $p=0.6$.
Distribuição de Poisson
Modela a probabilidade de um certo número de eventos ocorrer em um intervalo fixo de tempo ou espaço, quando esses eventos ocorrem com uma taxa média conhecida e independente do tempo desde o último evento. É frequentemente usada para eventos raros. Sua fórmula é $P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}$, onde $\lambda$ é a taxa média de ocorrência.
Exemplo:
O número de chamadas recebidas por um call center em uma hora, sabendo que a média é de 10 chamadas por hora ($\lambda=10$).
Distribuições Contínuas
São aquelas em que a variável aleatória pode assumir qualquer valor dentro de um intervalo.
Distribuição Uniforme
Todos os valores dentro de um intervalo $[a, b]$ têm a mesma probabilidade de ocorrer. A função densidade de probabilidade é constante nesse intervalo.
Exemplo:
O tempo de espera em uma fila de ônibus que chega a cada 10 minutos, onde o tempo de espera pode ser qualquer valor entre 0 e 10 minutos, com igual probabilidade.
Distribuição Normal (Gaussiana)
É uma das distribuições mais importantes. É simétrica em torno da média ($\mu$), com a forma de sino. É caracterizada por sua média ($\mu$) e desvio padrão ($\sigma$). Muitos fenômenos naturais se aproximam dessa distribuição.
Exemplo:
A distribuição das alturas de uma grande população de adultos ou os resultados de testes padronizados.
Distribuição Exponencial
Usada para modelar o tempo até que um evento ocorra em um processo de Poisson. É frequentemente associada a tempos de vida de componentes eletrônicos ou intervalos entre chegadas de clientes.
Exemplo:
O tempo até a falha de uma peça em uma linha de produção.
Estrutura de Uma Distribuição Estatística
Uma distribuição estatística é geralmente descrita por sua função de probabilidade e seus parâmetros, que definem completamente a forma e a localização da distribuição.
- Variável Aleatória: O fenômeno que está sendo medido (ex: número de sucessos, tempo de espera).
- Função de Probabilidade: A regra matemática que atribui probabilidades aos possíveis valores da variável aleatória. Para distribuições discretas, é a Função Massa de Probabilidade (FMP). Para distribuições contínuas, é a Função Densidade de Probabilidade (FDP).
- Parâmetros: Constantes que definem uma instância específica da distribuição (ex: $n$ e $p$ para Binomial; $\mu$ e $\sigma$ para Normal).
Exemplos de Aplicações
As distribuições estatísticas são aplicadas em diversos contextos, desde a previsão do tempo até a análise de risco financeiro.
Exemplo:
Imagine uma empresa de seguros que precisa calcular a probabilidade de um determinado número de sinistros ocorrer em um ano. Ela pode usar a distribuição de Poisson se souber a taxa média histórica de sinistros. Se os sinistros fossem binários (ocorreu ou não) em várias apólices independentes, a distribuição binomial poderia ser mais adequada. Para prever o valor médio dos sinistros, que pode variar contínua e simetricamente em torno de um valor esperado, a distribuição normal seria uma boa candidata.
No contexto de controle de qualidade, a distribuição binomial é usada para verificar a proporção de itens defeituosos em uma amostra, enquanto a distribuição normal pode modelar as medições de características físicas de produtos.
Exercícios com Gabarito
1. (ENEM 2022) Uma empresa de telefonia celular tem um sistema de atendimento ao cliente que recebe, em média, 5 ligações por minuto. Assumindo que o número de ligações recebidas segue uma distribuição de Poisson, qual a probabilidade de receber exatamente 3 ligações em um minuto?
- a) $\frac{5^3 e^{-5}}{3!}$
- b) $\frac{3^5 e^{-5}}{5!}$
- c) $\frac{5^3 e^{-3}}{3!}$
- d) $\frac{3^5 e^{-3}}{5!}$
- e) $5 \times 3 \times e^{-5}$
Resposta: Alternativa a: A distribuição de Poisson tem fórmula $P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}$. No problema, $\lambda$ (média de ligações por minuto) é 5, e queremos a probabilidade de $k=3$ ligações. Substituindo, obtemos $\frac{5^3 e^{-5}}{3!}$.
2. (VESTIBULAR MODERNO 2023) Uma moeda é lançada 4 vezes. Qual a probabilidade de obter exatamente 2 caras, sabendo que a probabilidade de sair cara em um único lançamento é de 0.5?
- a) 0.25
- b) 0.375
- c) 0.5
- d) 0.625
- e) 0.75
Resposta: Alternativa b: Este é um caso de distribuição binomial, onde $n=4$ (número de lançamentos), $k=2$ (número de sucessos/caras), e $p=0.5$ (probabilidade de sucesso). Usando a fórmula binomial $P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$: $P(X=2) = \binom{4}{2} (0.5)^2 (1-0.5)^{4-2} = \frac{4!}{2!2!} (0.5)^2 (0.5)^2 = 6 \times 0.25 \times 0.25 = 6 \times 0.0625 = 0.375$.