VARIÁVEIS ALEATÓRIAS

Definição 1. Variável aleatória é uma descrição numérica do resultado de um experimento.

Definição 2. Variável aleatória é uma função que a cada acontecimento do espaço dos resultados faz corresponder
a valor real.

O valor numérico da variável aleatória em particular depende do resultado do experimento. Uma variável aleatória
pode ser classificada como discreta ou continua dependendo dos valores numéricos que ela assume.

Variáveis Aleatórias Discretas

Definição 1. Uma variável aleatória será classificada como discreta se o seu contradomínio for um conjunto finito
ou infinito numerável.

Definição 2. Uma variável aleatória discreta é aquela que assume tanto um número finito de valores como uma
sequência infinita de valores – tais como 0, 1, 2, 3, ….

Variáveis Aleatórias Contínuas

Definição 1: É considerada uma variável aleatória continua se poder assumir qualquer valor numérico em um
intervalo ou ema colecção de intervalos.

Definição 2: Uma variável aleatória contínua é aquela cujo contradomínio é conjunto infinito não enumerável.

Exemplos

i) Seja um experimento aleatório que consiste na observação do temo que decorre entre a chegada de
duas chamadas telefónicas consecutivas aa uma determinada central telefónica.

Neste caso pode decorrer qualquer valor real positivo. Assim o espaço amostral será:

𝑆 = {𝑡: 𝑡 > 0}

Deste espaço amostral, se nos interessar o tempo entre duas chamadas telefónicas que chegam a uma mesma
central telefónica, teremos definido uma variável aleatória.
X − tempo entre duas chamadas telefónicas que chegam a uma mesma central telefónica

𝑋(𝑆) = (𝑥𝑖 : 𝑥𝑖 > 0)

Se trata de uma vaiável aleatória continua.

ii) Seja um experimento aleatório que consiste em controlo de qualidade de componentes electrónicos:
num lote grande de componentes escolhem-se três ao acaso e analisa-se. Então, se designar por
D – o componente é defeituoso
N – o componente não é defeituoso

Segue que o espaço amostral será

𝑆 = {𝐷𝐷𝐷, 𝐷𝐷𝑁, 𝐷𝑁𝐷, 𝐷𝑁𝑁, 𝑁𝐷𝐷, 𝑁𝐷𝑁, 𝑁𝑁𝐷, 𝑁𝑁𝑁}

Se interessar observar de peças defeituosas, então teremos definido uma variável aleatória

𝑋 – 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑒ç𝑎𝑠 𝑑𝑒𝑓𝑒𝑖𝑡𝑢𝑜𝑠𝑎𝑠 𝑒𝑚 𝑐𝑎𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎 𝑑𝑒 𝑡𝑟ê𝑠 𝑝𝑒ç𝑎𝑠

𝑋(𝑆) = (𝑥𝑖 : 𝑥𝑖 = 0, 1, 2, 3)

É, no entanto, uma variável aleatória discreta.

DISTRIBUIÇÃO DISCRETAS DE PROBABILIDADES

Distribuição de probabilidades significa a descrição de como as probabilidades estão distribuídas sobre os valores
da variável aleatória. Para uma variável aleatória discreta a distribuição de probabilidades é definida por uma
função probabilidade, denotado por 𝑓(𝑥).

Se 𝑋 é uma variável aleatória discreta, que assume valores reais distintos 𝑥1 , 𝑥2 , … , 𝑥𝑛−1 , 𝑥𝑛 , …, então a função
representada por 𝑓(𝑥) é definida por:

𝐏[𝐗 = 𝐱] 𝐬𝐞 𝐱 = 𝐱 𝐣
𝐟(𝐱) = { , 𝐣 = 𝟏, 𝟐, … , 𝐧 − 𝟏, 𝐧, …
𝟎 𝐬𝐞 𝐱 ≠ 𝐱 𝐣

Assim, qualquer função 𝑓(𝑥) com domínio em 𝐼𝑅 e o conjunto de chegada [0, 1] é uma função de probabilidades
de uma variável aleatória discreta desde que satisfaça as seguintes propriedades:
 i) 0 ≤ 𝑓(𝑥) ≤ 1 ∀ 𝑥 ∈ 𝐼𝑅
ii) Caso n finito ∑𝑛𝑖=1 𝑓(𝑥𝑖 ) = 1
Caso n infinito, ∑∞
𝑖=1 𝑓(𝑥𝑖 ) terá de ser uma serie convergente de soma 1.

Consideremos o exemplo ii, a distribuição de probabilidade será

1
𝑃[𝑥 = 0] = = 0,125
8

3
𝑃[𝑥 = 1] = = 0,375
8

3
𝑃[𝑥 = 2] = = 0,375
8

1
𝑃[𝑥 = 3] = = 0,125
8

FUNÇÃO DE DISTRIBUIÇÃO

Neste ponto interessa 𝑋 assumir um conjunto de valores, então,

Define uma função de distribuição de probabilidades, 𝐹(𝑥), de uma variável aleatória como

𝐅(𝐱) = 𝐏[𝐗 ≤ 𝐱]
A função 𝐹(𝑥), tem as seguintes propriedades

i) 0 ≤ 𝐹(𝑥) ≤ 1 ∀ 𝑥 ∈ 𝐼𝑅
ii) 𝐹(𝑥1 ) ≤ 𝐹(𝑥2 ), ∀ 𝑥1 , 𝑥2 ∈ 𝐼𝑅 𝑐𝑜𝑚 𝑥1 < 𝑥2
iii) lim 𝐹(𝑥) = 0 𝑒 lim 𝐹(𝑥) = 1
𝑥⟶−∞ 𝑥⟶∞

iv) 𝑃[𝑥1 < 𝑋 ≤ 𝑥2 ] = 𝐹(𝑥2 ) − 𝐹(𝑥1 ) ∀ 𝑥1 , 𝑥2 ∈ 𝐼𝑅 𝑐𝑜𝑚 𝑥1 < 𝑥2

Continuando com exemplo 2, a função de distribuição torna os valores

1
𝐹(0) = 𝑃[𝑋 ≤ 0] = 𝑃[𝑋 = 0] =
8

1 3 4
𝐹(1) = 𝑃[𝑋 ≤ 1] = 𝑃[𝑋 = 0] + 𝑃[𝑋 = 1] = + =
8 8 8
 1 3 3 7
𝐹(2) = 𝑃[𝑋 ≤ 2] = 𝑃[𝑋 = 0] + 𝑃[𝑋 = 1] + 𝑃[𝑋 = 2] = + + =
8 8 8 8

1 3 3 1
𝐹(3) = 𝑃[𝑋 ≤ 3] = 𝑃[𝑋 = 0] + 𝑃[𝑋 = 1] + 𝑃[𝑋 = 2] + 𝑃[𝑋 = 3] = + + + =1
8 8 8 8

Então, segue

0 𝑥<0
1
0≤𝑥<1
8
4
𝐹(𝑥) = 0≤𝑥<2
8
7
0≤𝑥<3
8
{1 𝑥≥ 4

VALOR ESPERADO E VARIÂNCIA DE UMA VARIÁVEL ALEATÓRIA DISCRETA

Pode caracterizar-se uma variável aleatória através de algumas medidas que, de forma sintética, dão informações relevantes
sobre o seu comportamento. As medidas (ou parâmetros) usualmente utilizados são o valor esperado (ou esperança
matemática ou ainda media) e a variância.

Valor esperado
Valor esperado ou esperança matemática ou média é a medida de posição central da variável. A expressão
matemática para valor esperado de uma variável aleatória discreta é dada por
𝐧 𝐧

𝐄(𝐗) = 𝛍 = ∑ 𝐱 𝐢 𝐟(𝐱𝐢 ) = ∑ 𝐱 𝐢 𝐏[𝐗 = 𝐱 𝐢 ]

𝐢=𝟏 𝐢=𝟏

Ainda com o exemplo ii) o valor esperado de peças defeituosas por cada amostra aleatória de 3 peças será:
𝑛
1 3 3 1 12
𝐸(𝑥) = 𝜇 = ∑ 𝑥𝑖 𝑓(𝑥𝑖 ) = 0 ∙ + 1 ∙ + 2 ∙ + 3 ∙ = = 1,5 peças
8 8 8 8 8
𝑖=1
Variância

Tal como variância para sintetizar a variabilidade de um conjunto de dados, usa-se a variância para sintetizar a
variabilidade da variável aleatória. A expressão matemática para a determinação da variância de uma variável
aleatória é dada a seguir.

𝐕𝐚𝐫(𝐗) = 𝛔𝟐 = 𝚺(𝐱 𝐢 − 𝛍𝐗 )𝟐 ∙ 𝐟(𝐱 𝐢 )

Para o exemplo ii) tem-se o seguinte

𝐱𝐢 𝐟(𝐱 𝐢 ) = 𝐏[𝐗 = 𝐱 𝐢 ] 𝐱 𝐢 𝐟(𝐱 𝐢 ) 𝐱 𝐢 − 𝛍𝐗 (𝐱 𝐢 − 𝛍𝐗 )𝟐 (𝐱 𝐢 − 𝛍𝐗 )𝟐 ∙ 𝐟(𝐱 𝐢 )

0 0,125 0 -1,5 2,25 0,28125
1 0,375 0,375 -0,5 0,25 0,09375
2 0,375 0,75 0,5 0,25 0,09375
3 0,125 0,375 1,5 2,25 0,28125
𝛴 1 1,5 0 0,75

E(x) Var(X) = σ2

Var(X) = σ2 = 0,75 peças2

O desvio padrão é obtido imediatamente a partir da variância, basta calcular a raiz quadrada da variância

𝛔 = √𝐕𝐚𝐫(𝐗) = √𝚺(𝐱 𝐢 − 𝛍𝐗 )𝟐 ∙ 𝐟(𝐱 𝐢 )

Deste modo, o desvio padrão de peças defeituosas será: 𝛔 = √𝟎, 𝟕𝟓 = 𝟎, 𝟖𝟕 peças.

Exercícios

1. Um psicólogo determinou que o número de secções necessárias para conquistar a confiança um novo paciente
pode ser de 1, 2 ou 3. Seja 𝑋 uma variável aleatória que indica o número de secções necessárias para conquistar
a confiança do paciente. A seguinte função de probabilidade foi proposta.
x
f(x) = para x = 1, 2, ou 3
6
a) Essa função de probabilidade é valida? Explique.
 b) Qual é a probabilidade de serem necessárias exactamente duas secções para conquistar a confiança do
paciente?
c) Qual é a probabilidade de serem necessárias pelo menos duas secções para conquistar a confiança do
paciente?
d) Desenvolva a função distribuição para o número de secções necessárias para conquistar a confiança do
paciente.
2. A procura diária de uma determinada peça 𝑋 é uma variável aleatória com a seguinte distribuição de
probabilidade:
2X
f(x) = K ∙ X = 1, 2, 3, 4
X!
a) Determine 𝐾
b) Desenvolva a função distribuição para a procura diária desta peça
c) Qual a procura media diária?
d) E a variância e o desvio padrão?

EXPERIMENTO BINOMIAL

Considere-se um experimento aleatório que tem apenas dois resultados possíveis: 𝑨 que se designa por sucesso e
̅ designado por insucesso.
𝑨
O sucesso tema a probabilidade p e o insucesso com probabilidade 𝐪 = 𝟏 − 𝐩.
Isto quer dizer: S = {𝐴, 𝐴̅}, em que:
A − sucesso;
̅ − insucesso;
A
P[A] = p
̅] = q = 1 − p .
P[A
Reunidas as características anteriores, o experimento chama-se prova de Bernoulli.
Para que se considere experimento binomial, é necessário n finitas repetições independentes de Bernoulli.
Sintetizando,
diz-se que a variável aleatória discreta 𝑋 − 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑢𝑐𝑒𝑠𝑠𝑜𝑠 𝑒𝑚 𝐧 𝑝𝑟𝑜𝑣𝑎𝑠 𝑑𝑒 𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙i – tem distribuição
binomial escreve – se:
 𝐗 ∩ 𝐛(𝐧; 𝐩)
se a sua função de probabilidade for dada por:
𝐧
( ) 𝐩𝐱 (𝟏 − 𝐩)𝐧−𝐱 𝐱 = 𝟎, 𝟏, 𝟐, … , 𝐧
𝐏[𝐗 = 𝐱] = 𝐟(𝐱) = 𝐟(𝐱; 𝐧; 𝐩) = { 𝐱
𝟎 𝐨𝐮𝐭𝐫𝐨𝐬 𝐯𝐚𝐥𝐨𝐫𝐞𝐬
𝐧 𝒏!
( )=
𝐱 (𝒏 − 𝒙) ∙ 𝒙!
em que
𝒏! = 𝒏(𝒏 − 𝟏)(𝒏 − 𝟐) … (𝟐)(𝟏)
e por definição,
𝟎! = 𝟏

em que 𝐧 𝑒 𝐩 são parâmetros caracterizadores desta distribuição.

O parâmetro n corresponde ao número de provas de Bernoulli a efectuar, sendo 𝒏 ∈ 𝒁∗ (inteiro positivo). O

parâmetro p corresponde à probabilidade associada ao sucesso, com 𝐩 ∈ [𝟎; 𝟏].

A respectiva função de distribuição, 𝐹(𝑥), é dada por:

𝟎 𝐱<𝟎
𝒙
𝐧
𝐏[𝐗 ≤ 𝐱] = 𝐅(𝐱) = ∑ ( ) 𝐩𝐱 (𝟏 − 𝐩)𝐧−𝐱 𝟎≤𝐱≤ 𝐧
𝐱
𝒙𝒊
{ 𝟏 𝐱>𝐧

Exemplo

Considere as decisões de compra dos próximos três clientes de entram na loja de roupas Maton. Com base em sua
experiência, o gerente da loja estima que a probabilidade de qualquer dos clientes comprar é de 0,30. Pretende-se
a probabilidade de dois dos próximos três clientes realizarem uma compra.

i) O experimento pode ser descrito como uma sequência de três provas de Bernoulli, sendo uma prova
um dos três clientes que entrarão na loja.
ii) Dois resultados – o cliente faz uma compra (sucesso) ou o cliente não faz compra (fracasso) – são
possíveis resultados para cada prova.
 iii) A probabilidade de o cliente vir a fazer uma compra (p = 0,30) ou não fazer compra (𝑞 = 1 − 0,30 =
0,70) é considerada a mesma para todos os clientes.
iv) A decisão de cada cliente é independente das decisões de outros clientes.

Usando a função de probabilidade binomial

n 3 3! 3 ∙ 2!
( )=( )= = =3
x 2 2! (3 − 2)! 2!

f(x) = P[X = 2] = 3 ∙ (0,30)2 ∙ (0,70) = 0,189

A distribuição das probabilidade e função de probabilidade fica a cargo do estudante realizar.

VALOR ESPERADO E VARIÂNCIA DA DISTRIBUIÇÃO BINOMIAL

Se estiver comprovado que uma variável aleatória discreta é de um experimento binomial, pode-se calcular o valor
esperado desta variável aleatória mediante as fórmulas abaixo.

𝐄(𝐗) = 𝛍 = 𝐧 ∙ 𝐩

𝐕𝐚𝐫(𝐗) = 𝛔𝟐 = 𝐧𝐩(𝟏 − 𝐩) = 𝐧𝐩𝐪

Exercícios

1. Uma pessoa tem probabilidade 0,2 de acertar num alvo sempre que atira. Supondo que as vezes que ele
atira são prova independentes, qual a probabilidade de ela acertar exactamente 4 vezes, se ele dá 8 tiros?
2. A probabilidade de que um homem de 45 anos sobreviva mais 20 anos é 0,6. De um grupo de 5 homens,
com 45 anos qual a probabilidade de que exactamente 4 cheguem aos 65 anos?
a) Nas mesmas condições qual é número de homens que são esperados que sobreviva até 65 anos em uma
amostra de 100 homens? E qual a variância?
3. Uma universidade descobriu que 20% dos seus estudantes saem sem concluir o curso introdutório de
estatística. Considere que 20 estudantes tenham se matriculado para o curso.
a) Calcule a probabilidade de dois ou menos desistirem.
b) Calcule a probabilidade de exactamente quatro desistirem.
c) Calcule a probabilidade de mais de três desistirem.
 d) Calcule o número esperado de desistências
4. Uma amostra de 3 itens é seleccionada aleatoriamente de uma caixa contendo 20 itens, dos quais 4 são
defeituosos. Determine o número esperado de itens defeituosos na amostra.
5. A taxa de desemprego é 4,1%. Considere 100 pessoas graduadas recentemente e aptas para entrar no
mercado do trabalho seja seleccionada aleatoriamente.
a) Qual é o número de desempregados esperados destes recéns graduados?
b) Qual é a variância e o desvio padrão dos desempregados?

DISTRIBUIÇÃO DE VARIÁVEIS ALEATÓRIAS CONTINUAS

Diferentemente de variável aleatória discreta, a variável aleatória continua toma os valores num conjunto continuo.
Com isso, o conceito de função de probabilidade a uma infinidade não numerável de valores leva a que 𝑃[X = x] =
0, para qualquer x, i.e. a probabilidade pontual é nula, o que implica que seja o acontecimento impossível.

Para calcular as probabilidades recorre-se a função de distribuição 𝐹(𝑥). Se 𝐹(𝑥) representa a probabilidade
𝑑𝐹(𝑥)
acumulada, então 𝐹′(𝑥) = representa a taxa a que esta probabilidade está a aumentar. A esta derivada
𝑑𝑥

designa-se função densidade de probabilidade de X.

Assim, se X é uma variável aleatória continua, então existe uma função f(x), designada por função densidade de
probabilidade de X tal que

𝑭(𝒙) = 𝑷[𝑿 ≤ 𝒙] = ∫ 𝒇(𝒖) 𝒅𝒖

−∞

Qualquer função real de variável real que verifique as seguintes propriedades é função densidade de probabilidade
de uma dada variável aleatória:

1. 𝑓(𝑥) ≥ 0
+∞
2. ∫−∞ 𝑓(𝑥) 𝑑𝑥 = 1

Diz-se então, que dado qualquer intervalo ]𝑥1 , 𝑥2 ], a probabilidade X estar nesse intervalo é dada por
 𝒙𝟐

𝑷[𝒙𝟏 < 𝑿 ≤ 𝒙𝟐 ] = 𝑭(𝒙𝟐 ) − 𝑭(𝒙𝟏 ) = ∫ 𝒇(𝒙) 𝒅𝒙

𝒙𝟏

Considerando o exposto, dado qualquer intervalo [𝑎, 𝑏], são validas as relações a seguir.

𝑎
1. 𝑃[𝑋 < 𝑎] = 𝑃[𝑋 ≤ 𝑎] = ∫−∞ 𝑓(𝑥)𝑑𝑥
𝑎 +∞
2. 𝑃[𝑋 > 𝑎] = 1 − 𝑃[𝑋 ≤ 𝑎] = 1 − ∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫𝑎 𝑓(𝑥)𝑑𝑥
𝑏
3. 𝑃[𝑎 < 𝑋 < 𝑏] = 𝑃[𝑎 ≤ 𝑋 < 𝑏] = 𝑃[𝑎 < 𝑋 ≤ 𝑏] = 𝑃[𝑎 ≤ 𝑋 ≤ 𝑏] = 𝐹(𝑏) − 𝐹(𝑎) = ∫𝑎 𝑓(𝑥)𝑑𝑥 =
𝑏 𝑎
∫−∞ 𝑓(𝑥)𝑑𝑥 − ∫−∞ 𝑓(𝑥)𝑑𝑥

Exemplo

A quantidade de tempo em horas que um computador funciona sem estragar é uma variável aleatória contínua
com função densidade de probabilidade

𝑥
−
𝑓(𝑥) = { 𝜆𝑒 100 𝑥≥0
0 𝑥<0

Qual a probabilidade de que

a) O computador funcione entre 50 e 150 horas antes de estragar?

b) O computador funcione menos de 100 horas?

É preciso, em primeiro lugar encontrar o valor do parâmetro 𝜆. Pela teoria sabe-se que a probabilidade é unidade
quando todo o intervalo onde a variável aleatória é definida, i.e.,

∞
𝑥
∫ 𝜆𝑒 −100 𝑑𝑥 = 1
0

A integral acima é uma integral imprópria, faz-se 𝑏 = ∞ e acha-se o limite da integral quando b tende ao ∞.
 𝑏
𝑥
lim ∫ 𝜆𝑒 −100 𝑑𝑥 = 1
𝑏→∞
0

𝑥 𝑏
lim [−𝜆(100)𝑒 −100 ] = 1
𝑏→∞ 0

𝑏 0
1 100 1 100
lim [−𝜆(100) ( ) ] − lim [−𝜆(100) ( ) ] = 1
𝑏→∞ 𝑒 𝑏⟶∞ 𝑒

∞
1 100
Introduzindo o infinito em b, segue que (𝑒) tende a zero de modo todo primeiro termo tenda a zero e fica o

segundo termo que não possui b, isto é, esse termo é uma constante. Recordando propriedades do limite, tem-se
0
1 100
que o limite de uma constante é a própria constante: − lim [−𝜆(100) (𝑒) ] = 100𝜆
𝑏⟶∞

1
100𝜆 = 1 ⟹ 𝜆 = .
100

Conhecido o valor do parâmetro 𝜆, a função densidade fica

1 −𝑥
𝑓(𝑥) = {100 𝑒 𝑥≥0
100

0 𝑥<0

pelo que pode ser calculada a probabilidade em a)

150
1 −𝑥
𝑃[50 < 𝑋 < 150] = ∫ 𝑒 100 𝑑𝑥
100
50

1 𝑥 150
−
𝑃[50 < 𝑋 < 150] = [− (100)𝑒 100 ]
100 50

3 1
𝑃[50 < 𝑋 < 150] = −𝑒 −2 + 𝑒 −2 = 0,38

A alínea b) seguem o mesmo raciocínio e será deixado para o estudante consolidar.

VALOR ESPERADO E VARIÂNCIA DE VARIÁVEL ALEATÓRIA CONTINUA

Seja X uma variável aleatória contínua. O valor esperado X (ou media de X), representado 𝐸(𝑋) ou 𝜇, quando existe
define-se por

+∞

𝑬(𝑿) = ∫ 𝒙𝒇(𝒙)𝒅𝒙
−∞

e a variância por

+∞

𝑽𝒂𝒓(𝑿) = 𝝈𝟐 = ∫ [𝒙 − 𝑬(𝑿)]𝟐 𝒇(𝒙)𝒅𝒙 = 𝑬(𝑿𝟐 ) − [𝑬(𝑿)]𝟐

−∞

Onde

+∞
𝟐)
𝑬(𝑿 = ∫ 𝒙𝟐 𝒇(𝒙)𝒅𝒙
−∞

Exemplo

Determine o valor esperado e a variância de X, quando a função densidade de probabilidade é

2𝑥 𝑠𝑒 0 ≤ 𝑥 ≤ 1
𝑓(𝑥) = {
0 caso contrário
1 1
2
2𝑥 3 2
𝐸(𝑋) = ∫ 2𝑥 𝑓(𝑥)𝑑𝑥 = [ ] = 𝑒
3 0 3
0

1
2 2)
2 2 1 1
4 1 4 1
Var(X) = σ = E(X − [E(X)]2 = ∫ 2x 3 dx − ( ) = [ x 4 ] − = − =
3 2 0 9 2 9 18
0
Exercícios

1. A quantidade de tempo em horas que um computador funciona sem estragar é uma variável aleatória
contínua com função densidade de probabilidade
1 −𝑥
𝑓(𝑥) = {100 𝑒 𝑥≥0
100

0 𝑥<0
a) Qual é o tempo de vida esperado para esse computador?
b) E qual é a variância?

DISTRIBUIÇÃO NORMAL DE PROBABILIDADE

Distribuição normal é a mais importante para descrever a variável aleatória continua. A distribuição normal é
largamente usada em situações prácticas em que as varáveis aleatórias são altura e peso de pessoas, notas de
exames, medições científicas, índices pluviométricos e outros valores similares. A mais importante na inferência
estatística. A distribuição normal fornece uma descrição de prováveis resultados obtidos por meio de amostragem.

Em termos de definição, diz-se uma variável aleatória continua X tem distribuição normal e escreve-se 𝑋 ∩ 𝑛(𝜇; 𝜎)1
se a sua função densidade de probabilidade for dada por

𝟏 𝟏 𝒙−𝝁 𝟐
𝒆−𝟐( )
𝒇(𝒙) = 𝒇(𝒙; 𝝁; 𝝈) = 𝝈 𝒄𝒐𝒎 − ∞ < 𝒙 < +∞
𝝈√𝟐𝝅

onde 𝜇, 𝜎 são os parâmetros caracterizadores da distribuição e que satisfazem as condições:

−∞ < 𝝁 < +∞, 𝝈>𝟎

Característica da distribuição normal

a distribuição de uma variável aleatória continua com distribuição normal tem a forma do sino, é simétrica em
relação ao eixo 𝑥 = 𝜇 e tem pontos de inflexão 𝑥 = 𝜇 ± 𝜎.

1
Algumas literaturas escrevem 𝑋~𝑁(𝜇; 𝜎), outras no lugar do desvio padrão usam variância.
Cálculo de probabilidades na distribuição normal

Devido a infinidade de possíveis valores que os parâmetros media e desvio padrão assume, existe infinidade de
distribuições normais. Para efeitos de calculo de probabilidade qualquer distribuição normal é transformada na
chamada normal-padrão ou normal estandardizada. Esta transformação origina da ideia de integração por
substituição e designa-se por estandardização ou padronização.

+∞
𝟏 𝟏 𝒙−𝝁 𝟐
𝒆−𝟐( )
𝑷[−∞ < 𝑿 < +∞] = ∫ 𝝈 𝒅𝒙 𝐟𝐨𝐫𝐦𝐚 𝐠𝐞𝐧é𝐫𝐢𝐜𝐚 𝐝𝐚 𝐝𝐢𝐬𝐭𝐫𝐢𝐛𝐮𝐢çã𝐨 𝐧𝐨𝐫𝐦𝐚𝐥
𝝈√𝟐𝝅
−∞

Fazendo

𝒙−𝝁
𝒁=
𝝈
{ 𝟏 𝐞𝐬𝐭𝐚𝐧𝐝𝐚𝐫𝐝𝐢𝐳𝐚çã𝐨 𝐨𝐮 𝐩𝐚𝐝𝐫𝐨𝐧𝐢𝐳𝐚çã𝐨
𝒅𝒛 = 𝒅𝒙
𝝈

+∞
𝟏 𝟏 𝟐
𝑷[−∞ < 𝒁 < +∞] = ∫ 𝒆−𝟐𝒛 𝒅𝒛 𝐟𝐨𝐫𝐦𝐚 𝐩𝐚𝐝𝐫ã𝐨 𝐝𝐚 𝐝𝐢𝐬𝐭𝐫𝐢𝐛𝐮𝐢çã𝐨 𝐧𝐨𝐫𝐦𝐚𝐥
√𝟐𝝅
−∞

𝒆𝒎 𝒒𝒖𝒆 − ∞ < 𝒁 < +∞

Na forma reduzida, a distribuição normal assume parâmetros 𝝈 = 𝟏 𝒆 𝝁 = 𝟎,i.e., 𝒁 ∩ 𝒏(𝟎; 𝟏)

Exemplo

O tempo em horas que um grupo de operários leva para executar uma determinada tarefa tem distribuição normal
com 1000 horas desvio-padrão 200 horas.

Pretende-se a probabilidade de operários terminarem a tarefa em menos de 1200 horas e mais 800 horas.

a) Reescreva o exercício na forma simbólica (matemática)

b) Reescreva a) na normal padronizada

Considere-se tempo que o grupo de operário leva a executar a tarefa por X, então,

a) 𝑋 ∩ 𝑛(1000, 200)
𝑃[800 < 𝑋 < 1200]
800−1000
b) 𝑍 = = −1
200

1200 − 1000
𝑍= =1
200

𝑃[800 < 𝑋 < 1200] = 𝑃[−1 < 𝑍 < 1]

Uso da tabela de distribuição normal-padrão

As integrais anteriores são muito difíceis de calcular, alguns procedimentos numéricos fornecem aproximações de
resultados dessas integrais. Para contornar a dificuldade de calculo integral, usa-se uma tabela de distribuição
normal padronizada.

Como as tabelas de distribuição normal podem ser apresentadas de diversas formas, é importante conhecer antes,
as propriedades da tabela particular que propõe usar. A seguir são anotadas as principais propriedades que a tabela
a que se propõe usar tem.

1. Deve fixar −∞ como o limite inferior, i.e., só se pode consultar a probabilidade 𝑃[𝑍 ≤ 𝑧0 ].
2. 𝑃[𝑧1 ≤ 𝑍 ≤ 𝑧2 ] = 𝑃[−∞ ≤ 𝑍 ≤ 𝑧2 ] − 𝑃[−∞ ≤ 𝑍 ≤ 𝑧1 ].
3. 𝑃[𝑍 ≥ 𝑧0 ] = 1 − 𝑃[−∞ ≤ 𝑍 ≤ 𝑧0 ].
4. Para𝑧0 ≥ 4, a probabilidade 𝑃[𝑍 ≤ 𝑧0 ] = 1.
 5. Para𝑧0 ≤ 4, a probabilidade 𝑃[𝑍 ≤ 𝑧0 ] = 0.

Nota: Se a variável não está padronizada, é necessário primeiro padronizar.

A consulta da tabela considera a parte inteira e a primeira casa decimal linha e a segunda casa decimal coluna.
Entende-se que após a padronização deve-se arredondar a menos de duas casas decimais.

Exemplo

O tempo em horas que um grupo de operários leva para executar uma determinada tarefa tem distribuição normal
com 1000 horas desvio-padrão 200 horas.

Pretende-se a probabilidade de operários terminarem a tarefa em menos de 1200 horas e mais 800 horas.

A padronização já foi realizada,

𝑃[−1 < 𝑍 < 1] = 𝑃[−∞ < 𝑍 < 1] − 𝑃[−∞ < 𝑍 < −1] = 0,8413 − 0,1587 = 0,6826.

Estima 0,6826 a probabilidade de operários terminarem a tarefa em menos de 1200 horas e mais 800 horas.

Exercícios

1. Os depósitos efectuados no Banco durante o mês de Janeiro são distribuídos normalmente, com média de
$10.000,00 e desvio padrão de $1.500,00. Um depósito é seleccionado ao acaso dentre todos.
Encontrar a probabilidade de que o depósito seja:
a) $10.000,00 ou menos;
b) pelo menos $10.000,00;
c) um valor entre $12.000,00 e $15.000,00;
d) maior do que $20.000,00.
2. Suponha que as amplitudes de vida de dois aparelhos elétricos, D1 e D2, tenham distribuições N(42, 36) e N(45,
9), respectivamente. Se os aparelhos são feitos para ser usados por um período de 45 horas, qual aparelho
deve ser preferido? E se for por um período de 49 horas?
3. As alturas de 10.000 alunos de um colégio têm distribuição aproximadamente normal, com média 170 cm e
desvio padrão 5 cm.
a) Qual o número esperado de alunos com altura superior a 165 cm?
b) Qual o intervalo simétrico em torno da média que conterá 75% das alturas dos alunos?