Distribuicao Prob

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

1 ESTATSTICA PARA ENGENHARIA
CAPTULO 5

DISTRIBUIES DE
PROBABILIDADE

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Uma distribuio de probabilidade um modelo
matemtico que relaciona um certo valor da varivel
em estudo com a sua probabilidade de ocorrncia.

H dois tipos de distribuio de probabilidade:
1. Distribuies Contnuas: Quando a varivel que
est sendo medida expressa em uma escala
contnua, como no caso de uma caracterstica
dimensional.
2. Distribuies Discretas: Quando a varivel que est
sendo medida s pode assumir certos valores, como
por exemplo os valores inteiros: 0, 1, 2, etc.
Introduo
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

No caso de distribuies discretas, a probabilidade de
que a varivel X assuma um valor especfico x
o

dada por: P(X = x
o
) = P( x
o
)
No caso de variveis contnuas, as probabilidades so
especificadas em termos de intervalos, pois a
probabilidade associada a um nmero especfico
zero.

( )
}
= s s
b
a
dx x f b X a P ) (
Introduo
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Discretas Mais Importantes
Distribuio de Bernoulli

Distribuio Binomial

Distribuio Hipergeomtrica

Distribuio de Poisson

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Os experimentos mais simples em que observamos a
presena ou no de alguma caracterstica so
conhecidos como ensaios de Bernoulli. Alguns
exemplos:
- Lanar uma moeda e observar se ocorre cara ou
coroa;
- Lanar um dado e observar se ocorre seis ou no;
- Numa linha de produo, observar se um item,
tomado ao acaso, defeituoso ou no defeituoso;
- Verificar se um servidor de intranet est ativo ou
no ativo.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Denominamos sucesso e fracasso os dois eventos possveis
em cada caso.

O ensaio de Bernoulli caracterizado por uma varivel
aleatria X, definida por X=1, se sucesso; X=0, se fracasso.
A funo de probabilidade de X (Distribuio de Bernoulli)
dada por

Onde p= P{Sucesso}

x p(x)
0 1-p
1 p
Total 1
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuio Binomial
A distribuio binomial adequada para descrever
situaes em que os resultados de uma varivel
aleatria podem ser agrupados em apenas duas
classes ou categorias.
As categorias devem ser mutuamente excludentes, de
forma que no haja dvidas na classificao do
resultado da varivel nas categorias e coletivamente
exaustivas, de forma que no seja possvel nenhum
outro resultado diferente das categorias.
Por exemplo, um produto manufaturado pode ser
classificado como perfeito ou defeituoso, a resposta
de um questionrio pode ser verdadeira ou falsa, as
chamadas telefnicas podem ser locais ou
interurbanas.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuio Binomial
Mesmo variveis contnuas podem ser divididas em
duas categorias, como por exemplo, a velocidade de
um automvel pode ser classificada como dentro ou
fora do limite legal.

Geralmente, denomina-se as duas categorias como
sucesso ou falha. Como as duas categorias so
mutuamente excludentes e coletivamente exaustivas:

Conseqentemente, sabendo-se que, por exemplo, a
probabilidade de sucesso P(sucesso) = 0,6, a
probabilidade de falha P(falha) = 1-0,6 = 0,4.
1 ) ( ) ( = +falha P sucesso P
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuio Binomial
Condies de aplicao:
- so feitas n repeties do experimento, onde n
uma constante;
- h apenas dois resultados possveis em cada
repetio, denominados sucesso e falha
- a probabilidade de sucesso (p) e de falha (1- p)
permanecem constante em todas as repeties;
- as repeties so independentes, ou seja, o
resultado de uma repetio no influenciado
por outros resultados.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Seja um processo composto de uma seqncia de n
observaes independentes com probabilidade de
sucesso constante igual a p, a distribuio do
nmero de sucessos seguir o modelo Binomial:

x = 0,1,....,n

onde representa o nmero de combinaes de n
objetos tomados x de cada vez, calculado como:
( )
P x p p
x
n x n x
( ) ( ) =

1
( )
x
n
( )
)! ( !
!
x n x
n
n
x
=
Distribuio Binomial

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Os parmetros da distribuio Binomial so n e p.
A mdia e a varincia so calculadas como:
= np
o
2
= np(1 - p)
A distribuio Binomial usada com freqncia no
controle de qualidade quando a amostragem feita
sobre uma populao infinita ou muito grande.

Nas aplicaes de controle da qualidade, x em geral
representa o nmero de defeituosos observados em
uma amostra de n itens.

Distribuio Binomial

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

( ) 15
)! 1 15 ( ! 1
! 15
1
1
=
=
5

() 34 0 23 0 10 0 15 10 0 1 10 0 1
1 15 1 15
1
, , x , ) , ( x , x ) P(

= = =

Por exemplo, se p = 0,10 e n = 15, a probabilidade de
obter x itens no conformes calculada usando a
equao da Binomial. Por exemplo, para x=1
Distribuio Binomial

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e


Distribuies binomiais com p=0,5 so simtricas, mas
so assimtricas quando p=0,5. A assimetria aumenta
medida que p aproximasse de zero (assimetria positiva)
ou de um (assimetria negativa)

Distribuio Binomial

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Considere o problema bsico de inspeo por amostragem,
em que observamos uma amostra de n itens de um lote com
N itens, sendo r defeituosos. Avaliamos o nmero X de itens
defeituosos na amostra. A varivel aleatria X aparenta ser
binomial, mas s realmente binomial se:

- A seleo da amostra for aleatria (para garantir a mesma
probabilidade p de sair item defeituoso em todos os
ensaios);
- Com reposio (para garantir independncia entre
ensaios).


D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

A segunda condio no costuma ser satisfeita na prtica.
Se a amostragem for aleatria, mas sem reposio, a
distribuio de X conhecida como hipergeomtrica de
parmetros N, n e r.
A funo de probabilidade de X expressa por:

x = 0,1,....,min(r,n)

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
n
N
x n
r N
x
r
x P ) (

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e


A mdia e a varincia so calculadas como:

p n =
1
) 1 (
2
=
N
n N
p p n o
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

A distribuio de Poisson adequada para descrever
situaes onde existe uma probabilidade de
ocorrncia em um campo ou intervalo contnuo,
geralmente tempo ou rea.
Por exemplo, o n
o
de acidentes por ms, n
o
de
defeitos por metro quadrado, n
o
de clientes atendidos
por hora.
Nota-se que a varivel aleatria discreta (nmero de
ocorrncia), no entanto a unidade de medida
contnua (tempo, rea).
Alm disso, as falhas no so contveis, pois no
possvel contar o nmero de acidentes que no
ocorreram, nem tampouco o nmero de defeitos que
no ocorreram.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Condies de aplicao:

- o nmero de ocorrncias durante qualquer
intervalo depende somente da extenso do
intervalo;
- as ocorrncias ocorrem independentemente, ou
seja, um excesso ou falta de ocorrncias em
algum intervalo no exerce efeito sobre o
nmero de ocorrncias em outro intervalo;
- a possibilidade de duas ou mais ocorrncias
acontecerem em um pequeno intervalo muito
pequena quando comparada de uma nica
ocorrncia.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

A distribuio de Poissson fica completamente
caracterizada por um nico parmetro que
representa a taxa mdia de ocorrncia por unidade de
medida.

A equao para calcular a probabilidade de x
ocorrncias dada por:

x = 0, 1, ...,n
A mdia e a varincia da distribuio de Poisson so:
=
o =
!
) (
x
e
x P
x

=
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

A aplicao tpica da distribuio de Poisson no
controle da qualidade como um modelo para o
nmero de defeitos (no-conformidades) que ocorre
por unidade de produto (por m
2
, por volume ou por
tempo, etc.).

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

O nmero de defeitos de pintura segue uma
distribuio de Poisson com = 2.
Ento, a probabilidade que uma pea apresente mais
de 4 defeitos de pintura vir dada por:

{ } % 5 , 5 055 , 0 945 , 0 1
! 4
2
1 4 1
4
0
4 2
= = = = s

=
x
e
X P
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies contnuas mais
Importantes
Distribuio Exponencial
Distribuio Weibull
Distribuio Normal

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Na distribuio de Poisson, a varivel aleatria
definida como o nmero de ocorrncias em
determinado perodo, sendo a mdia das ocorrncias
no perodo definida como .

Na distribuio Exponencial a varivel aleatria
definida como o tempo entre duas ocorrncias, sendo
a mdia de tempo entre ocorrncias de 1/.

Por exemplo, se a mdia de atendimentos no caixa
bancrio de = 6/min, ento o tempo mdio entre
atendimentos 1/ =1/6 de minuto ou 10 segundos.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Condio de aplicao:
a) o nmero de ocorrncias deve seguir uma
distribuio de Poisson.

Se ns considerarmos a distribuio de Poisson
como o modelo para o nmero de ocorrncias de um
evento no intervalo de [0,t] teremos:

E nesse caso pode ser demonstrado que a
distribuio dos intervalos entre ocorrncias ir
seguir o modelo Exponencial com parmetro .
!
) (
) (
x
t e
x P
x t

=
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

O modelo da distribuio Exponencial o seguinte:

onde > 0 uma constante.
A mdia e o desvio padro da distribuio exponencial
so calculados usando:
0 ; ) ( > =
t e t f
t
1
=
o
1
=
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

A distribuio Exponencial acumulada vem dada por:

A distribuio Exponencial largamente utilizada no
campo da confiabilidade, como um modelo para a
distribuio dos tempos at a falha de componentes
eletrnicos.
Nessas aplicaes o parmetro representa a taxa
de falha para o componente, e 1/ o tempo mdio
at a falha.

0 1 } { ) (
0
> = = s =
}

t e dx e t T P t F
t
t
t
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Por exemplo, suponha que uma mquina falhe em
mdia uma vez a cada dois anos =1/2=0,5. Calcule a
probabilidade da mquina falhar durante o prximo
ano.

A probabilidade de falhar no prximo ano de 0,393 e
de no falhar no prximo ano de 1-0,393=0,607.
Ou seja, se forem vendidos 100 mquinas 39,3% iro
falhar no perodo de um ano.
Conhecendo-se os tempos at a falha de um produto
possvel definir os perodos de garantia.
0,393 0,607 - 1 e T P t F
x
= = = s =
1 5 , 0
1 } 1 { ) (
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e


A distribuio de Weibull muito flexvel e pode
assumir uma variedade de formas.

Ela tem sido usada extensivamente para modelar
tempos de processo ou tempos at a falha de
componentes eltricos, componentes mecnicos,
elementos estruturais e sistemas complexos.

Distribuio de Weibull
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
A distribuio Normal a mais importante das
distribuies estatsticas, tanto na teoria como na
prtica:
- Representa a distribuio de freqncia de muitos
fenmenos naturais;
- Serve como aproximao da distribuio Binomial,
quando n grande;
- As mdias e as propores de grandes amostras
seguem a distribuio Normal (Teorema do Limite
Central).
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
A distribuio Normal em forma de sino, unimodal,
simtrica em relao sua mdia e tende cada vez
mais ao eixo horizontal medida que se afasta da
mdia.
Ou seja, teoricamente os valores da varivel aleatria
podem variar de - a +.
A rea abaixo da curva Normal representa 100% de
probabilidade associada a uma varivel.
A probabilidade de uma varivel aleatria tomar um
valor entre dois pontos quaisquer igual rea
compreendida entre esses dois pontos.

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

A rea total abaixo da curva considerada como 100%.
Isto , a rea total abaixo da curva 1.
rea=1
rea=0,5 rea=0,5
Distribuies Normal
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Percentuais da
distribuio
Normal:
99,73%
95,44%
68,26%

2 7 . 6 2 7 . 8 2 8 2 8 . 2 2 8 . 4 2 8 . 6 2 8 . 8 2 9 2 9 . 2
-1o +1o
-2o +2o
-3o +3o
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

A distribuio Normal fica completamente
caracterizada por dois parmetros: a mdia e o desvio-
padro.
Ou seja, diferentes mdias e desvio-padres originam
curvas normais distintas, como se pode visualizar nos
exemplos contidos na tabela abaixo onde h amostras
provenientes de distribuies com mdia e desvios-
padres distintos.
Distribuies Normal
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e


a) da distribuio A para B muda a tendncia
central, mas a variabilidade constante;
b) da distribuio A para C muda a variabilidade,
mas a tendncia central constante;
c) da distribuio B para C muda a tendncia central
e a variabilidade.
A
C
B
x
f(x)
Distribuies Normal
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
Uma conseqncia importante do fato de uma
distribuio Normal ser completamente caracterizada
por sua mdia e desvio-padro que a rea sob a
curva entre um ponto qualquer e a mdia funo
somente do nmero de desvios-padres que o ponto
est distante da mdia.
Como existem uma infinidade de distribuies
normais (uma para cada mdia e desvio-padro),
transformamos a unidade estudada seja ela qual for
(peso, espessura, tempo, etc.) na unidade Z, que
indica o nmero de desvios-padro a contar da mdia.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
Dessa forma, o clculo de probabilidades (rea sob a
curva) pode ser realizado atravs de uma distribuio
Normal padronizada, onde o parmetro a varivel
reduzida Z.

A distribuio Normal pode ser representada por uma
equao matemtica dada por:

2
2
1
2
1
) (
|
.
|
\
|

H
=
o
o
x
e x f
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
A distribuio Normal acumulada obtida calculando a
probabilidade de X ser menor que um dado valor x:

A soluo est apresentada em tabelas da distribuio
Normal padronizada onde se entra com a varivel reduzida
Z (nmero de desvios-padres distantes da mdia) e
encontra-se F(Z) ou vice-versa.
{ } Tabelado ) ( =
)
`

s = s Z F
x
Z P x X P
o

}

= = s
x
dx x f x F x X P ) ( ) ( ) (
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuio Normal
A varivel reduzida mede a magnitude do desvio em
relao mdia, em unidades de desvio padro.
Z = 1,5 significa uma observao est desviada 1,5
desvios padro para cima da mdia.
A varivel reduzida muito til para comparar
distribuies e detectar dados atpicos.
Dados so considerados atpicos quando Z > 3.
Z
X X
S
=

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Para sabermos o valor da probabilidade, utilizamos a
tabela da distribuio Normal. Essa tabela nos
fornece a rea acumulada at o valor de Z
rea=0,84
1,0
0,84
0,0
Z=1
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

As reas correspondentes as probabilidades da distribuio
normal padro esto tabeladas.

1.0
1.1
1.2
1.3
1.4
0.8413
0.8643
0.8849
0.9032
0.9192
0.8438
0.8665
0.8869
0.9049
0.9207
0.8461
0.8686
0.8888
0.9066
0.9222
0.8485
0.8708
0.8907
0.9082
0.9236
0.8508
0.8729
0.8925
0.9099
0.9251
0.8531
0.8749
0.8944
0.9115
0.9265
0.8554
0.8962
0.9131
0.9278
0.8770
0.8577
0.8790
0.8980
0.9147
0.9292
0.8599
0.8810
0.8997
0.9162
0.9306
0.8621
0.8830
0.9015
0.9177
0.9319
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
Probabilidade de ocorrncia de valores abaixo de Z
Z
Distribuies Normal
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
O clculo da varivel reduzida Z faz uma
transformao dos valores reais em valores
codificados.
Essa transformao feita descontando-se a mdia
para eliminar o efeito de localizao (tendncia
central) e dividindo-se pelo desvio-padro para
eliminar o efeito de escala (variabilidade).
Uma vez calculada a varivel reduzida Z, consulta-se a
tabela Normal padronizada para identificar a
probabilidade acumulada esquerda de Z, ou seja, a
probabilidade de ocorrerem valores menores ou
iguais a um certo valor de Z consultado.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuio Normal
Exemplo 1: Suponha que o peso de um rolo de arame
seja normalmente distribudo com mdia 100 e desvio-
padro 10. Ento o peso est em torno de 100 a uma distncia as
vezes maior, as vezes menor que 10.

Queremos saber qual a probabilidade que um rolo,
pego ao acaso da produo, possuir peso menor ou
igual a 110: P( x <110) = P( Z < 1) = 0,8413

o

=
x
Z = 1
1 0
1 0 0 1 1 0
=
= Z

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuio Normal
Se quisssemos saber a probabilidade do peso do rolo ser
maior que 111,6, iniciamos calculando o valor de Z:

Encontramos o valor de probabilidade 0,8770.
P( Z > 1,16) = 1 - P(Z < 1,16) = 1 - 0,8770 = 0,123

16 , 1
10
100 6 , 111
=
= Z

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuio Normal
Da mesma forma, se quisssemos a probabilidade do
peso estar entre 120 e 130, teramos que fazer o
seguinte raciocnio:
P(120 < X < 130) = P(X <130) P(X < 120) =
P(Z< 3) P(Z< 2) =
0,9987 0,9772 = 0,0215
ou seja, 2,15% de chance de um rolo pesar entre 120 e
130

D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
Exemplo 1: A resistncia trao do papel usado em
sacolas de super-mercado uma caracterstica de
qualidade importante.
Sabe-se que essa resistncia segue um modelo
Normal com mdia 40 psi e desvio padro 2 psi.
Se a especificao estabelece que a resistncia deve
ser maior que 35 psi, qual a probabilidade que uma
sacola produzida com este material satisfaa a
especificao?
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
{ } { } 35 1 35 s = > X P X P
{ } { } 5 , 2
2
40 35
35 s =
)
`

s = s Z P Z P X P
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
Exemplo 2: O dimetro do eixo principal de um disco
rgido segue a distribuio Normal com mdia 25,08 in
e desvio padro 0,05 in.
Se as especificaes para esse eixo so 25,00 0,15
in, determine o percentual de unidades produzidas em
conformidades com as especificaes.
{ }{ }{ } 85 , 24 15 , 25 15 , 25 85 , 24 s s = s s x P x P x P
)
`

s
)
`

s =
05 , 0
08 , 25 85 , 24
05 , 0
08 , 25 15 , 25
Z P Z P
{}{} 9192 , 0 0000 , 0 9192 , 0 60 , 4 40 , 1 = = s s = Z P Z P
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

ou seja, 91,92% dentro das especificaes(rea cinza) e
8,08% fora das especificaes.
LEI LES
x
o=0,05
24,85 25,08 25,15
Distribuies Normal
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal
Exemplo 3: No exemplo anterior tem-se cerca de 8%
de unidades no-conformes, e essas unidades so
invariavelmente do tipo eixo muito largo.
Recalcule o percentual de unidades conformes se o
processo estivesse centrado em 25,00.
)
`

s
)
`

s
05 , 0
00 , 25 85 , 24
05 , 0
00 , 25 15 , 25
Z P Z P
{}{} 9973 , 0 00135 , 0 9987 , 0 0 , 3 0 , 3 = = s sZ P Z P
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Distribuies Normal

Exemplo 4: Suponha que Encontre um
valor limite x, tal que P{ X > x} = 0,05.

). 9 ; 85 ( N X
05 , 0
9
85
1 } { 1 } { =
)
`

s = s = >
x
Z P x X P x X P
95 , 0
9
85
=
)
`

s
x
Z P
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Propriedades da Distribuio Normal
A distribuio Normal tem muitas propriedades
teis.
Uma dessas propriedades que qualquer
combinao linear de variveis normalmente
distribudas tambm seguir o modelo Normal, ou
seja:
Se X
1
, X
2
,........., X
n
tm distribuio normal e so
independentes,
A varivel Y que uma combinao linear de X:
Y = a
1
X
1
+ a
2
X
2
+.....+ a
k
X
k
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Tambm seguir o modelo normal, com mdia

e varincia

onde a
1
,......, a
n
so constantes.
n n
a a + + =
.......
1 1
2 2 2
1
2
1
2
........
n n Y
a a o + + o = o
Propriedades da Distribuio Normal
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Teorema do Limite Central
O Teorema do Limite Central indica que a soma (e por
conseguinte a mdia) de n variveis independentes
seguir o modelo Normal, independentemente da
distribuio das variveis individuais.
A aproximao melhora na medida em que n aumenta.
Se as distribuies individuais no so muito diferentes
da Normal, basta n = 4 ou 5 para se obter uma boa
aproximao.
Se as distribuies individuais forem radicalmente
diferentes da Normal, ento ser necessrio n = 20 ou
mais.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Na figura abaixo pode ser visto um desenho
esquemtico do teorema do limite central.
n
n
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Exemplo 5: A distribuio de probabilidade da
varivel resultante do lanamento de um dado segue a
distribuio uniforme, ou seja, qualquer valor
(1,2,3,4,5,6) tem a mesma probabilidade (1/6) de
ocorrer.

No entanto, se ao invs de lanar um dado, sejam
lanados dois dados e calculada a mdia, a mdia dos
dois dados seguir uma distribuio
aproximadamente Normal.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

1
0
dado 2
0
dado Soma Mdia 1
0
dado 2
0
dado Soma Mdia
1 1 2 1,0 5 2 7 3,5
1 2 3 1,5 3 4 7 3,5
2 1 3 1,5 4 3 7 3,5
1 3 4 2,0 2 6 8 4,0
3 1 4 2,0 6 2 8 4,0
2 2 4 2,0 3 5 8 4,0
1 4 5 2,5 5 3 8 4,0
4 1 5 2,5 4 4 8 4,0
3 2 5 2,5 3 6 9 4,5
2 3 5 2,5 6 3 9 4,5
1 5 6 3,0 4 5 9 4,5
5 1 6 3,0 5 4 9 4,5
2 4 6 3,0 4 6 10 5,0
4 2 6 3,0 6 4 10 5,0
3 3 6 3,0 5 5 10 5,0
1 6 7 3,5 5 6 11 5,5
6 1 7 3,5 6 5 11 5,5
2 5 7 3,5 6 6 12 6,0
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Tabela de freqncia da mdia dos dois dados
Mdia de
dois dados
Freqncia
1,0 1
1,5 2
2,0 3
2,5 4
3,0 5
3,5 6
4,0 5
4,5 4
5,0 3
5,5 2
6,0 1
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

1,0 1,5 3,5 2,5 2,0 3,0 6,0 4,0 4,5 5,0 5,5
1/36
2/36
3/36
x
f(x)
4/36
5/36
6/36
Histograma da mdia dos dois dados
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Conforme pode ser visto no histograma anterior, o
histograma da mdia dos dois dados resulta
aproximadamente Normal. Alm disso, observa-se
que a aproximao da distribuio Normal melhora na
medida que se fizesse a mdia do lanamento de mais
dados.
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

O teorema do limite central bsico para a maioria das
aplicaes do controle estatstico da qualidade.

O CEP trabalha com a mdia das amostras, pois
independente da distribuio dos valores individuais, a
mdia desses valores ir seguir aproximadamente a
distribuio Normal.

A partir do teorema do limite central, sabe-se que a
distribuio amostral das mdias apresenta os seguintes
parmetros:
= x
n
o
o =
x
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Os limites da distribuio dos valores individuais so
chamados de limites naturais e os limites da
distribuio de probabilidade das mdias so
chamados de limites de controle.
LCI LCS LNI LNS = x
x
o
o
f(x)
x
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

25 35 24 43 35 22 49 56
34 26 35 52 40 35 35 25
61 42 58 56 45 40 38 45
33 53 22 35 23 25 36 39
Exemplo 1
Um pesquisador deseja saber mdia da idade dos alunos
de ps-graduao. Supondo que a populao dos alunos
seja:
19 , 38
32
39 ... 25
=
+ +
=
=
N
x
i
( ) ( )
11 , 11
32
19 , 38 39 ... 19 , 38 25 ) (
2 2
2
=
+ +
=
=
N
x
i

o
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Supondo que no fosse possvel analisar a populao
inteira, e os dados fossem coletados por amostras de
tamanho n=4
55 , 5
4
11 , 11
75 , 4 = = = ~ =
n
x x
o
o o
1 2 3 4 5 6 7 8
25 35 24 43 35 22 49 56
34 26 35 52 40 35 35 25
61 42 58 56 45 40 38 45
33 53 22 35 23 25 36 39
Mdia (x) 38,25 39 34,75 46,5 35,75 30,5 39,5 41,25
Desvio (S) 15,69 11,40 16,52 9,40 9,43 8,43 6,45 12,92
18 38
8
25 41 25 38
,
, ... ,
k
x
x
i
=
+ +
= =

( ) ( )
75 , 4
1 8
18 , 38 25 , 41 ... 18 , 38 25 , 38
1
2 2
2
=
+ +
=
=
|
.
|
\
|

=

k
x x
i
x
o
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

Supondo que no fosse possvel analisar a populao
inteira, e os dados fossem coletados por amostras de
tamanho n=8
18 , 38
4
37 , 40 ... 62 , 38
=
+ +
= =

k
x
x
i
( )
( ) ( )
49 , 3
1 4
18 , 38 37 , 40 ... 18 , 38 62 , 38
1
2 2
2
=
+ +
=
=

k
x x
i
x
o
38,19 18 , 38 = ~ = x
~ = 49 , 3
x
o
93 , 3
8
11 , 11
= = =
n
x
o
o
D
i
s
t
r
i
b
u
i
e
s

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

A mdia das mdias amostrais igual a mdia dos
valores individuais e o desvio-padro das mdias
menor do que o desvio-padro dos valores individuais
na razo de .

LCI LCS LNI LNS = x
x
o
o
f(x)
x
n / 1

Distribuicao Prob

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Distribuicao Prob

Enviado por

Direitos autorais:

Formatos disponíveis

D

Você também pode gostar