Você está na página 1de 29

Variveis Aleatrias Contnuas

6.1

CARACTERIZAO DE UMA VARIVEL ALEATRIA


CONTNUA

Muitas variveis aleatrias que surgem na vida de um engenheiro ou de


um profissional da informtica tm natureza eminentemente contnua, tais
como:
tempo de resposta de um sistema computacional;
rendimento de um processo qumico;
tempo de vida de um componente eletrnico;
resistncia de um material etc.
Outras vezes, h variveis aleatrias discretas, com grande nmero de possveis resultados, em que prefervel usar um modelo aproximado contnuo no
lugar do modelo exato discreto. o caso de:
nmero de transaes por segundo de uma CPU;
nmero de defeitos numa amostra de 5.000 itens etc.
Para entender as peculiaridades das variveis aleatrias contnuas, imagine o seguinte experimento.

Exemplo 6.1a Um crculo dividido em dois setores de mesmo tamanho (180 cada um), aos quais so atribudos os nmeros 1 e 2. Um ponteiro preso ao centro do crculo e girado, conforme mostra a figura ao lado. Seja a varivel aleatria
discreta X = nmero do setor apontado quando o ponteiro pra
de girar. A distribuio de probabilidades de X, considerando
que todos os pontos sejam equiprovveis, pode ser especificada
pela funo de probabilidade da Figura 6.1.

Figura 6.1 Trs formas de apresentao da funo de probabilidade do experimento aleatrio do exemplo 6.1a.

A representao com grfico de hastes tpica para variveis discretas.


Apresentamos, tambm, um grfico em forma de histograma, em que as probabilidades podem ser representadas por rea. No caso do exemplo em questo,
as bases dos retngulos so iguais unidade, o que faz com que a rea seja
igual altura do retngulo.1
Exemplo 6.1b Considere, agora, o crculo dividido em quatro setores de mesmo tamanho (90 cada um). A distribuio de probabilidades da varivel aleatria discreta X = nmero do setor apontado quando o ponteiro pra de girar
apresentada na Figura 6.2.

Figura 6.2

Representao grfica da funo de probabilidade do experimento


aleatrio do Exemplo 6.1b.

Ao representarmos probabilidades por reas, devemos tomar o cuidado para que

rea total seja igual unidade.

Exemplo 6.1c Imagine que o crculo seja dividido em 8, 16 e 32 setores. A Figura 6.3 mostra a funo de probabilidade de X em cada caso.

Figura 6.3 Representaes grficas das funes de probabilidade dos experimentos aleatrios do Exemplo 6.1c.
fcil verificar que medida que aumentamos o nmero de divises no
crculo, o nmero de possveis setores (resultados de uma varivel aleatria discreta) vai aumentando, e a probabilidade de cada resultado ocorrer (representada pela rea de um retngulo) vai sendo reduzida. Teoricamente, o crculo
pode ser dividido em infinitos setores, o que torna invivel a representao tabular ou grfica da distribuio de probabilidades, da forma como fizemos no
Exemplo 6.1. Em termos matemticos, teramos:

Uma alternativa melhor definir uma varivel aleatria contnua, como


veremos na seo seguinte.

6.1.1

Funo densidade de probabilidade

Exemplo 6.2 Considere um crculo, com medidas de ngulos, em graus, a


partir de determinada origem, como mostra a figura ao lado. Nesse crculo, h
um ponteiro que colocado a girar.

Seja a varivel aleatria contnua X = ngulo formado entre a posio que o


ponteiro pra e a linha horizontal do lado direito. Considerando que no existe
regio de preferncia para o ponteiro parar, a distribuio de probabilidade de X pode ser representada por
uma funo que assume um valor constante e positivo
em todo o intervalo [0o, 360), de tal forma que as probabilidades possam ser representadas por reas sob a
curva dessa funo. Como certamente vai ocorrer um resultado em [0 o , 360), ento a rea sob a funo neste
intervalo deve ser igual a 1, e nula fora deste intervalo.
A Figura 6.4 ilustra a distribuio de probabilidades de
X, atravs da chamada funo densidade de probabilidade, e mostra a relao entre uma rea e um evento.

Figura 6.4

(a) Funo densidade de probabilidade da varivel aleatria do


Exemplo 6.2; e (b) Probabilidade do evento {0X < 90}, represen
tada por uma rea.

Note que os eventos associados a uma varivel aleatria contnua so intervalos (ou coleo de
intervalos) dos nmeros reais. Com base na funo
densidade de probabilidade, podemos calcular probabilidades de eventos desse tipo. Por exemplo,
qual a probabilidade do ponteiro parar no intervalo [30, 60]? Tomando a rea do retngulo indicado na figura ao lado, temos:

Observe que a incluso ou excluso dos extremos no altera a probabilidade, pois uma linha tem rea nula. Ou seja, para uma varivel aleatria contnua, a probabilidade de ocorrer um particular valor igual a zero.

As probabilidades de eventos associados a uma varivel aleatria contnua


X podem ser calculadas atravs de uma funo densidade de probabilidade f que deve satisfazer:

Exemplo 6.3 Seja a varivel aleatria T definida como o tempo de resposta


na consulta a um banco de dados, em minutos. Suponha que essa varivel aleatria tenha a seguinte funo densidade de probabilidade:

Vamos calcular a probabilidade de a resposta


demorar mais do que 3 minutos, isto , P(T > 3).

6.1.2

Funo de distribuio acumulada

Como X uma varivel aleatria contnua com funo de densidade de


probabilidade f, definimos sua funo de distribuio acumulada por:

(6.2)
Considere a funo densidade de probabilidade do Exemplo 6.3:

Vamos obter a funo de distribuio acumulada. Como a expresso matemtica se altera no ponto zero, devemos considerar os dois seguintes casos:

Resumindo, a funo de distribuio acumulada da varivel aleatria T


dada por:

Cabe observar que possvel obter qualquer probabilidade atravs da funo de distribuio acumulada. Para a < b, temos:
(6.3)
(6.4)
(6.5)
Retomando o Exemplo 6.3, o clculo de P(T > 3) pode ser feito aplicando (6.4):

Dada a funo de distribuio acumulada F, podemos obter a funo densidade de probabilidade f por:

(6.6)
para todo ponto x em que F derivvel.2 Assim, a funo F tambm caracteriza
a distribuio de probabilidades de uma varivel aleatria.

6.1.3

Valor esperado e varincia

Uma varivel aleatria contnua X, com funo densidade de probabilidade f, tem valor esperado e varincia definidos por:
(6.7)

(6.8)

No conjunto finito de pontos em que F no derivvel, podemos arbitrar valores para/.

As interpretaes dessas medidas podem ser feitas de forma anloga ao


caso discreto. Alm disso, todas as propriedades enunciadas para o caso discreto continuam vlidas para o caso contnuo, em especial
(6.9)

Retomando o Exemplo 6.3, em que a varivel aleatria T era caracterizada por

EXERCCIOS
1.

Seja um ponto escolhido aleatoriamente no intervalo [0, 1].


a)

2.

Apresente uma funo densidade de probabilidade para este experimento.

b)

Obtenha a funo de distribuio acumulada.

c)

Calcule o valor esperado e a varincia.

Um profissional de Computao observou que seu sistema gasta entre 20 e


24 segundos para realizar determinada tarefa. Considere a probabilidade
uniforme em [20, 24], isto , todo subintervalo de mesma amplitude em

[20, 24] tem a mesma probabilidade. Como pode ser descrita, grfica e algebricamente, a funo densidade de probabilidade? Sob essa densidade,
calcule:

3.

Com respeito ao exerccio anterior, mas supondo probabilidades maiores


em torno de 22 segundos e a densidade decrescendo, simtrica e linearmente, at os extremos 2C e 24 segundos. Como pode ser descrita, grfica
e algebricamente, a funo densidade de probabilidade? Sob essa densidade, calcule:

Comparando os grficos das funes de densidade de probabilidade


dos dois exerccios, voc acha razoveis as diferenas encontradas nos trs
itens?
4.

Seja X uma varivel aleatria com funo de distribuio acumulada

Obtenha a funo densidade de probabilidade de X.


5.

Seja X com funo densidade de probabilidade dada por

Calcule:

6.2

PRINCIPAIS MODELOS CONTNUOS


Nesta seo sero descritos trs modelos contnuos bastante conhecidos.

6.2.1

Distribuio uniforme

Relembremos o Exemplo 6.2, onde tnhamos um crculo e um ponteiro que era colocado a girar. A varivel
aleatria de interesse era X = ngulo formado entre a posio que o ponteiro pra e a linha horizontal do lado direito.
Sups-se, tambm, no existir regio de preferncia para o
ponteiro parar. Nessas codies, podemos considerar que
todo intervalo de mesma amplitude, contido em [0o, 360),
tem a mesma probabilidade de ocorrncia. um experimento tpico em que a chamada distribuio uniforme apropriada.
Uma varivel aleatria X tem distribuio uniforme de parmetros e ,
sendo > , se sua densidade especificada por:

(6.10)
Em conseqncia, sua distribuio acumulada dada por (ver Figura 6.5):

(6.11)

Figura 6.5

Representao grfica da funo densidade de probabilidade e da funo de distribuio acumulada de uma varivel aleatria com distribuio uniforme em [, ].

O valor esperado e a varincia de uma distribuio uniforme so:

(6.12)
(6.13)

Note que o valor esperado da distribuio uniforme exatamente o ponto


mdio do intervalo [, ], ou seja, nessa distribuio fica evidente que repre
senta o centro de gravidade da massa descrita pela funo densidade de probabilidade.

6.2.2

Distribuio exponencial

O modelo exponencial tem forte relao com o modelo discreto de Poisson.


Enquanto a distribuio de Poisson pode ser usada para modelar o nmero de
ocorrncias em um perodo contnuo (de tempo ou de comprimento), a distribuio exponencial pode modelar a varivel aleatria contnua que representa o
intervalo (de tempo ou de comprimento) entre as ocorrncias. Exemplos:
a) tempo (em minutos) at a prxima consulta a uma base de dados;
b) tempo (em segundos) entre pedidos a um servidor;
c)

distncia (em metros) entre defeitos de uma fita.

A distribuio exponencial pode ser usada quando as suposies de Poisson


(independncia entre as ocorrncias e taxa mdia de ocorrncia constante no
intervalo considerado) estiverem satisfeitas. A Figura 6.6 ilustra a relao entre
as duas distribuies.

Figura 6.6 Relao entre a distribuio de Poisson e a exponencial

Para chegarmos formulao matemtica da distribuio exponencial, vamos considerar a equivalncia entre os dois seguintes eventos:

Sejam as variveis aleatrias:


Xt = nmero de ocorrncias no intervalo de tempo [0, t); e
T = tempo entre as ocorrncias.
Sendo a taxa mdia de ocorrncias por unidade de tempo, ento, considerando independncia entre as ocorrncias, Xt tem distribuio de Poisson
com parmetrot.Ea equivalncia entre os dois eventos pode ser expressa por:

Usando o evento complementar, podemos definir para todo t > 0 a funo


de distribuio acumulada de uma varivel aleatria T com distribuio exponencial:
(6.14)
Em conseqncia, para t > 0 temos a funo densidade de probabilidade
dada por:
(6.15)

Figura 6.7

Representao grfica da funo densidade de probabilidade de uma


varivel aleatria com distribuio exponencial.

Em geral, mais fcil partir do complemento de F(t) para calcular as probabilidades, ou seja, para t > 0,

(6.16)
Exemplo 6.3 (continuao) Dada a varivel aleatria T = tempo de
resposta na consulta a um banco de dados por minutos) com funo densidade
de probabilidade

ou seja, uma exponencial com=2, calcular a probabilidade da consulta de


morarmaisque3 minutos, isto , P(T > 3). Podemos partir da funo de densidade, fazendo:

Ou podemos usar (6.16), obtendo:

Considere, agora, o clculo da probabilidade


P(2T3), isto , a prxima consulta ocorrer no intervalo de 2 a 3 minutos. Podemos fazer

Para uma varivel aleatria T, com distribuio exponencial de parmetro


,temos:
(6.17)

(6.18)

Um exemplo do clculo do valor esperado e da varincia de uma exponencial foi feito na Seo 6.1.3. Observe que podemos obter os mesmos resultados
com (6.17) e (6.18).

EXERCCIOS
6.

7.

O tempo de vida (em horas) de um transistor uma varivel aleatria T


com distribuio exponencial. O tempo mdio de vida do transistor de
500 horas.
a)

Calcule a probabilidade de o transistor durar mais do que 500 horas.

b)

Calcule a probabilidade de o transistor durar entre 300 e 1000 horas.

c)

Sabendo-se que o transistor j durou 500 horas, calcule a probabilidade de ele durar mais 500 horas.

Usando a expresso de probabilidade condicional (Captulo 4), mostrar que


para s, t > 0, vale a seguinte relao para uma varivel aleatria T exponencial:
P(T > s + t\T > S) = P(T >

t)

Essa propriedade conhecida como "falta de memria", pois no importa o que aconteceu no passado (Ts), mas apenas apartirdo momento
em que se inicia a observao, que pode ser considerado como o instante
zero. Nesse contexto, a distribuio exponencial inadequada para representar "tempo de vida" de itens que sofrem efeito de fadiga.

6.2.3

Distribuio normal

A normal considerada a distribuio de probabilidades mais importante,


pois permite modelar uma infinidade de fenmenos naturais e, alm disso, possibilita realizar aproximaes para calcular probabilidades de muitas variveis
aleatrias que tm outras distribuies. muito importante tambm na inferncia estatstica, como ser observado nos captulos seguintes.
A distribuio normal caracterizada por uma funo de probabilidade,
cujo grfico descreve uma curva em forma de sino, como mostra a Figura 6.8.
Essa forma de distribuio evidencia que h maior probabilidade de a varivel
aleatria assumir valores prximos do centro.

Figura 6.8 Representao grfica da funo densidade de probabilidade normal


e a indicao de seus dois parmetros: e .

Dadosos p a r m e t r o s e R e > 0,a f u n o d e n s i d a d e de probabilidade


da n o r m a l d a d a por:

Com certo esforo matemtico, possvel mostrar que o valor esperado

e a varincia da distribuio nor

A Figura 6.9 m o s t r a diferentes curvas normais, em f u n o dos valores de


e a. As distribuies da Figura 6.8 p o d e m r e p r e s e n t a r , p o r exemplo, medidas
da d u r e z a de ao p r o d u z i d o sob diferente s condies. A distribuio (1) representa a d u r e z a do ao em u m a situao p a d r o ; e a distribuio (2), as medidas
d e d u r e z a d o ao aps u m processo d e m e l h o r ia d a q u a l i d a d e, e m q u e a u m e n t o u a d u r e z a m d i a . A distribuio (3) r e p r e s e n t a as m e d i d a s de dureza do ao
q u a n d o o processo est sob rgido controle; e n q u a n t o a distribuio (4) quando
fora de controle, o q u e a c a r r e t a a u m e n t o na variabilidade.

Figura 6.9 Diferentes distribuies normais em funo dos parmetros e

Figura 6.10

Afastamentos da mdia, em unidades de desvio padro, preservam a


mesma rea sob a curva normal.

(6.24)

tem distribuio normal com mdia zero e desvio padro unitrio, ou seja, Z :
N(0,1), que tambm conhecida como distribuio formal padro. Qualquer
rea (probabilidade) sob a densidade de X pode ser avaliada sob a densidade
de Z, conforme ilustra a Figura 6.11. Dessa forma, qualquer problema relativo a
uma distribuio normal pode ser pensado em termos da distribuio normal
padro.

Distribuio de X:
normal com = 170e = 10

Figura 6.11

Distribuio de Z:
normal padro

Transformao do evento {X > 180}, da distribuio normal de parmetros = 170 e = 10, em um evento da distribuio normal
padro: {Z > 1}.

Tabela da distribuio normal padro


Como vimos, as probabilidades de uma varivel com distribuio normal
podem ser representadas por reas sob a curva da distribuio normal padro.
No apndice, apresentamos a Tabela 3, que relaciona valores positivos de
com reas sob a cauda superior da curva. Os valores de z so apresentados com
duas decimais. A primeira decimal fica na coluna da esquerda e a segunda decimal na linha do topo da tabela. A Figura 6.12 mostra como podemos usar a Tabela 3 para encontrar uma rea sob a cauda superior da curva.

Figura 6.12

Ilustrao do uso da tabela da distribuio normal padro (Tabela


3 do apndice) para encontrar P(Z > 0,21).

A rea 0,4168 corresponde probabilidade P(Z > 0,21) = 1 - (0,21),


onde representa a funo de distribuio acumulada da normal padro. Ou
seja, a Tabela 3 fornece os valores 1 - (z), para z = 0,01, 0,02, ..., 3,00.
Exemplo 6.4 Seja Z uma varivel aleatria com distribuio normal padro.
Vamos usar a Tabela 3 para encontrar as seguintes probabilidades:
a) P(Z < 0,42). Esta probabilidade corresponde
rea da distribuio normal padro indicada ao
lado. Podemos obter esta rea, fazendo a seguinte operao:

Mais formalmente,
(0,42)= P(Z < 0,42) = 1 P(Z> 0,42) = 1 0,3372 = 0,6628
b) P(Z < 0,42). O esquema seguinte mostra esta probabilidade em ter
mos de rea e como podemos usar a simetria da curva para obt-la
na Tabela 3.

Ou seja,
P(Z < - 0,42) = P(Z > 0,41) = 0,3372
c) P ( - 0,42 < Z < 0,42).

Ento, P(- 0,42 < Z < 0,42) = 1 - 2 (0,3372) = 0,3256.

Exemplo 6.5 Na distribuio normal padro, qual


o valor de z, tal que P ( - z < Z < z) = 0,95? (Veja figura ao lado.)
Considerando a simetria da curva normal e o fato
de a rea total sob a curva ser igual a 1 (um), podemos transformar esta pergunta em: Qual o valor de z
tal que P(Z > z) = 0,025? A figura ao lado ilustra a
equivalncia entre as duas perguntas.

Entrando com o valor de rea 0,025 na Tabela 3 do apndice, encontramos o valor de z igual a 1,96. Esse processo ilustrado a seguir.

Exemplo 6.6 Suponha que a absoro de gua (%) em certo tipo de piso cermico tenha distribuio normal com mdia 2,5 e desvio padro 0,6. Selecionando, aleatoriamente, uma unidade desse piso, qual a probabilidade de ele
acusar absoro de gua entre 2% e 3,5%?

Soluo: Primeiramente, precisamos transformar os valores de absoro de gua (x) em valores


padronizados (z), por (6.24), isto ,
z =

x -

x 2,5
0,6

Parax = 2, temos: z =

2 2 5
= 0,83
0,6

3 , 5 2 , 5
e parax = 3,5, temos: z =
=1,67.
0,6
Usando a Tabela 3 do apndice, encontramos
para 2 = 0,83 e z = 1,67 as respectivas reas nas extremidades da curva: 0,2033 e 0,0475 (lembrando
que para valores negativos de z, como - 0,83, procuramos na Tabela 3 seu valor absoluto, 0,83). fcil
observar, pela figura ao lado, que a probabilidade
desejada corresponde ao complemento da soma dessas reas, ou seja:
P(2 <X < 3,5) = P ( - 0,83 < Z < 1,67) = 1 - (0,2033 + 0,0475) =
= 0,7492.

EXERCCIOS
8.

Seja Z uma varivel aleatria com distribuio normal padro. Calcule:

9.

Suponha que o tempo de resposta na execuo de um algoritmo uma varivel aleatria com distribuio normal de mdia 23 segundos e desvio padro de 4 segundos. Calcule:
a)

a probabilidade de o tempo de resposta ser menor do que 25 segundos;

b)

a probabilidade de o tempo de resposta ficar entre 00 e 30 segundos.

10. Certo tipo de conserva tem peso lquido (Xx) com mdia de 900 g e desvio padro de 10 g. A embalagem tem peso (X2) com mdia de 100 g e desvio
padro de 4 g. Suponha X1 e X2 independentes e com distribuies norfriais.
a)

Qual a probabilidade de o peso bruto ser superior a 1.020 g?

b)

Qual a probabilidade do peso bruto estar entre 980 e 1.020 g?

6.3

A NORMAL COMO LIMITE DE OUTRAS DISTRIBUIES

Muitas distribuies de probabilidade aproximam-se da distribuio normal. o caso da binomial quando n grande e da Poisson quando grande.

6.3.1

Aproximao normal binomial

Nos experimentos binomiais, quando n muito grande, o uso da funo de


probabilidade binomial impraticvel, pois os coeficientes binomiais tornam-se
exageradamente grandes. J vimos que nos casos em que n grande e p muito pequeno, podemos usar a distribuio de Poisson para calcular, aproximadamente, as probabilidades de uma binomial. Quando n grande e p no prximo de 0 ou de 1, a distribuio normal pode ser usada para calcular,
aproximadamente, as probabilidades de uma binomial.
A Figura 6.13 apresenta grficos das distribuies de probabilidades binomiais com n = 1, 10 e 50 e p = 0,5 e 0,2.
Observando a Figura 6.13, verificamos que quando n = 50, a forma da distribuio binomial parecida com a curva de uma distribuio normal. Observe, ainda, que se p = 0,5, a aproximao j parece razovel para n = 10.
De maneira geral, as condies para fazer uma aproximao da distribuio binomial para a normal so:
1) n grande e
2) p n o muito prximo de 0 (zero) ou de 1 (um).

Figura 6.13

Distribuies binomiais para diferentes valores de n e p.

Uma regra prtica, sugerida por vrios autores, considera a aproximao


razovel se as duas seguintes inequaes estiverem satisfeitas:
np 5 e

(6.25)

n ( l p) 5

(6.26)

Os parmetros e da distribuio normal devem-se identificar ao valor


esperado e ao desvio padro do modelo binomial, ou seja:
(6.27)

(6.28)
Exemplo 6.7 Historicamente, 10% dos pisos cermicos, que saem de uma linha de produo, tm algum defeito leve. Se a produo diria de 1000 unidades, qual a probabilidade de ocorrer mais de 120 itens defeituosos?

Pelas caractersticas do experimento, a varivel aleatria Y = nmero de


defeituosos na amostra tem distribuio binomial com parmetros n = 1000 e
p = 0,1. Verificamos, tambm, que as condies 6.25 e 6.26 esto satisfeitas, pois

Considere X uma varivel aleatria normal com mdia = 100 e varincia


= 90. Ento:

Correo de continuidade
Ao calcularmos probabilidades de eventos oriundos de experimentos binomiais como reas sob uma curva normal, estamos fazendo uma aproximao de
uma varivel aleatria discreta, que s assume valores inteiros, para uma varivel contnua, cujos eventos constituem intervalos de nmeros reais. Nesse contexto, devemos fazer alguns ajustes, como ilustra o exemplo seguinte.
Exemplo 6.8 Seja Y o nmero de caras obtido em dez lanamentos de uma
moeda honesta. Vamos calcular a probabilidade de obter quatro caras usando a
distribuio normal.
Pelas caractersticas do experimento, Y tem distribuio binomial com
n = 1 0 e p = 0,5. Ento, a mdia e o desvio padro so dados por:

np

Considere o evento: ocorrer quatro caras, ou seja {y = 4}. Ao expressar


este evento em termos de uma varivel aleatria contnua X : N(5, 2,5), devemos considerar um intervalo em torno do valor 4, pois para variveis aleatrias
contnuas s faz sentido avaliar probabilidades em intervalos. O intervalo adequado, nesse caso, construdo pela subtrao e soma de meia unidade ao valor
quatro, ou seja, {3,5 < X < 4,5}, como ilustra a Figura 6.14.

Figura 6.14

Aproximao da probabilidade do evento {Y = 4} (em termos da distribuio binomial) para a probabilidade do evento {3,5 < X < 4,5}
(em termos da distribuio normal).

O procedimento de subtrair e somar meia unidade para construir um intervalo em torno de valores inteiros conhecido como correo de continuidade.
Esta correo deve ser usada ao aproximar um evento de uma varivel aleatria que s assume valores inteiros para um evento de uma varivel aleatria
contnua.
A Figura 6.15 ilustra as diversas situaes possveis de probabilidade associada a uma varivel aleatria discreta, assumindo valores em {0, 1, 2, ...},
aproximada por probabilidade associada a uma varivel aleatria contnua, a
qual pode assumir qualquer valor real.

Figura 6.15

6.3.2

Correo de continuidade ao aproximar uma varivel aleatria discreta por uma varivel aleatria contnua.

Aproximao normal Poisson

A distribuio de Poisson (Figura 6.16) tambm se aproxima da normal


quando grande. Como o valor esperado e a varincia de uma Poisson so
ambos iguais a , ento, na aproximao normal, devemos usar:

Figura 6.16

Distribuies de Poisson para diferentes valores de.

Conforme mostra a Figura 6.16, a aproximao razovel para5. Para


a aproximao da normal Poisson, a correo de continuidade, discutida na
Seo 6.4.1, tambm deve ser usada.

EXERCCIOS
11. De um lote de produtos manufaturados, extramos 100 itens ao acaso. Se
10% dos itens do lote so defeituosos, calcular a probabilidade de:
a)

12 itens serem defeituosos;

b)

mais do que 12 itens serem defeituosos.

12. Uma empresa de auxlio lista telefnica recebe, em mdia, sete solicitaes por minuto, segundo uma distribuio de Poisson. Qual a probabilidade de ocorrer mais de 80 solicitaes nos prximos 10 minutos?

6.4

GRFICO DE PROBABILIDADE NORMAL

Como veremos nos captulos posteriores, muitos mtodos estatsticos so


desenvolvidos na suposio de que os dados provm de uma distribuio normal. Quando o nmero de observaes grande, podemos construir um histograma e verificar se sua forma segue uma curva em forma de sino, sugerindo o
modelo normal. o caso da Figura 6.17.

Figura 6.17

Distribuio de freqncias de 1.389 leituras da temperatura de um


pasteurizador.

Podemos, tambm, calcular a mdia (x') e o desvio padro (s) dos dados e
verificar se os intervalos

tm percentuais de casos prximos dos esperados por uma distribuio normal


(Figura 6.10).
Quando a quantidade de observaes for pequena, o histograma pode
apresentar uma forma muito diferente da real distribuio do processo que gerou os dados. Alm disso, o clculo de x' e s podem ser muito influenciados por
algum valor discrepante. Em geral, o chamado grfico de probabilidade normal
mais adequado para verificar a suposio de um modelo normal para os dados.
Algoritmos computacionais para a construo desse grfico esto implerpenta1
dos em quase todos pacotes computacionais estatsticos.
Ilustraremos a construo do grfico de probabilidade normal com apenas
cinco observaes (xi i = 1, 2, ..., 5): 74,8; 74,0; 74,7; 74,4 e 75,9. Sejam x(i)
os valores ordenados, isto , 74,0; 74,4; 74,7; 74,8; 75,9.
Considere uma distribuio normal com a rea dividida em cinco partes
iguais (mesmo nmero de partes do nmero de valores, n). E sejam q(i) (i = 1, 2,
..., 5) os pontos medianos dos intervalos formados pela diviso das cinco reas
iguais (ver a Figura 6.18).

3(1) 3(2)3(3) 3(4)


Figura 6.18

3(5)

Configurao de cinco pontos com as posies relativas mais verossmeis possveis sob um modelo normal

Se as cinco observaes (74,0; 74,4;


74,7; 74,8; 75,9) provm de uma distribuio normal, devemos esperar uma relao
aproximadamente linear com os valores tericos q(i) . O grfico de probabilidade normal
compreende a apresentao dos pontos (x(i),
q(i))), num par de eixos cartesianos, conforme
o grfico ao lado. Nesse grfico, os valores
de q(i) foram padronizados (mdia zero e varincia 1).
A Figura 6.19 apresenta dois grficos de probabilidade normal. O grfico
da esquerda foi construdo com 40 observaes que aparentemente seguem

uma distribuio normal. No grfico da direita introduzimos um valor discrepante.

Figura 6.19

Grfico de probabilidade normal referente a 40 leituras de temperatura de um pasteurizador e o efeito de um valor discrepante.

A Figura 6.20 mostra um grfico de probabilidade normal construdo com


dados gerados por uma distribuio assimtrica, como mostrado do lado esquerdo da figura. Note que os pontos no esto aleatoriamente em torno de
uma reta.

valor observado
Figura 6.20

Grfico de probabilidade normal referente a 40 observaes geradas


por uma distribuio assimtrica.

EXERCCIOS COMPLEMENTARES
13. O setor de manuteno de uma empresa fez um levantamento das falhas
de um importante equipamento, constatando que h, em mdia, 0,75 falha
por ano e que o tempo entre falhas segue uma distribuio exponencial.
Qual a probabilidade de o equipamento no falhar no prximo ano?

14. A vida til de certo componente eletrnico , em mdia, 10.000 horas e


apresenta distribuio exponencial. Qual a percentagem esperada de
componentes que apresentaro falhas em menos de 10.000 horas?
15. A vida til de certo componente eletrnico , em media, 10.000 horas e
apresenta distribuio exponencial. Aps quantas horas se espera que 25%
dos componentes tenham falhado?
16. Na manufatura de fios de linha para costura ocorre, em mdia, um Refeito
a cada 100 metros de linha, segundo uma distribuio de Poisson.
a)

Qual a probabilidade de o prximo defeito ocorrer aps 120 metros?

b)

Quantos metros de linha podero ser percorridos para que a probabilidade de aparecimento de algum defeito seja de 10%?

17. Num laticnio, a temperatura do pasteurizador deve ser de 75C. Se a temperatura ficar inferior a 70C, o leite poder ficar com bactrias malficas
ao organismo humano. Observaes do processo mostram que valores da
temperatura seguem uma distribuio normal com mdia 75,4C e desvio
padro 2,2C.
a)

Qual a probabilidade da temperatura ficar inferior a 70C?

b)

Qual a probabilidade de que, em 500 utilizaes do pasteurizador,


em mais do que cinco vezes a temperatura no atinja 70C? Precisa
supor distribuio normal.

18. O tempo para que um sistema computacional execute determinada tarefa


uma varivel aleatria com distribuio normal, com mdia 320 segundos e
desvio padro de 7 segundos.
a)

Qual a probabilidade de a tarefa ser executada entre 310 e 330 segundos?

b)

Se a tarefa colocada para execuo 200 vezes. Qual a probabilidade de ela demorar mais do que 325 segundos em pelo menos 50 vezes?

19. a) Um exame de mltipla escolha consiste em dez questes, cada uma


com quatro possibilidades de escolha. A aprovao exige, no mnimo,
50% de acertos. Qual a probabilidade de aprovao se o candidato
comparece ao exame sem saber absolutamente nada, apelando apenas
para o "palpite"?
b)

E se o exame tivesse 100 questes?

20. No horrio de maior movimento, um sistema de banco de dados recebe, em


mdia, 100 requisies por minuto, segundo uma distribuio de Poisson.
Qual a probabilidade de que no prximo minuto ocorram mais de 120 requisies? Use a aproximao normal com correo de continuidade.

2 1 . Os dados histricos de uma rede de computadores sugerem que as conexes com essa rede, em horrio normal, seguem uma distribuio de Poisson
com mdia de cinco conexes por minuto. Calcule t0, tal que se tenha probabilidade igual a 0,90 de que ocorra pelo menos uma conexo antes do
tempo t0.
2 2 . O padro de qualidade recomenda que os pontos impressos por uma impressora estejam entre 3,7 e 4,3 mm. Uma impressora imprime pontos,
cujo dimetro mdio igual a 4 mm e o desvio padro 0,19 mm. Suponha que o dimetro dos pontos tenha distribuio normal.
a)

Qual a probabilidade do dimetro de um ponto dessa impressora estar dentro do padro?

b)

Qual deveria ser o desvio padro para que a probabilidade do item (a)
atingisse 95%?

23. Certo tipo de cimento tem resistncia compresso com mdia de 5.800
kg/cm 2 , e desvio padro de 180 kg/cm 2 , segundo uma distribuio normal.
Dada uma amostra desse cimento, calcule as seguintes probabilidades:
a)

resistncia inferior a 5.600 kg/cm 2 ;

b)

resistncia entre 5.600 kg/cm 2 e 5.950 kg/cm 2 ;

c)

resistncia superior a 6.000 kg/cm 2 , sabendo-se que ele j resistiu a


5.600 kg/cm 2 .

d)

se quer a garantia de que haja 95% de probabilidade de o cimento resistir a determinada presso, qual deve ser o valor mximo dessa presso?

24. Uma empresa fabrica dois tipos de monitores de vdeo. suposto que as
durabilidades deles seguem distribuies normais, sendo o monitor Ml
com mdia de 6 anos e desvio padro 2,3 anos; e o monitor M2 com mdia
de 8 anos e desvio padro 2,8 anos. Ml tem 2 anos de garantia e M2 tem 3
anos. A empresa lucra R$ 100,00 a cada Ml vendido e R$ 200,00 a cada
M2 vendido, mas se deixarem de funcionar no perodo de garantia, a empresa perde R$ 300,00 (no caso de M l ) e R$ 800,00 (no caso de M2). Em
mdia, qual o tipo de monitor que gera mais lucro?