Você está na página 1de 12

Analise o exemplo abaixo.

Observe o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em


uma população. O histograma por densidade é o seguinte:

A análise do histograma indica que:


- a distribuição dos valores é aproximadamente simétrica em torno de 70 kg;
- a maioria dos valores encontram-se no intervalo (55; 85);
- existe uma pequena proporção de valores abaixo de 48 kg e acima de 92 kg.
Agora, consideremos a variável aleatória X: peso de uma pessoa adulta
escolhida ao acaso da população (em kg).
Como se distribuem as probabilidades associadas aos valores da variável
aleatória X, isto é, qual a distribuição de probabilidades de X?

Obs.: A curva contínua da figura denomina-se curva Normal (ou curva de


Gauss).
A distribuição Normal é uma das mais importantes distribuições contínuas de
probabilidade pois:
• Muitos fenômenos aleatórios comportam-se próximos a essa distribuição:
altura; pressão sanguínea; peso e muitas outras.
• Pode ser utilizada para calcular, de forma aproximada, probabilidades para
outras distribuições, como por exemplo, para a distribuição binomial.
Atenção!!!
Nem todos os fenômenos se ajustam à distribuição Normal
Exemplo: Considere a variável aleatória Y: duração de uma lâmpada de certa
marca selecionada ao acaso.
A experiência sugere que esta distribuição deve ser assimétrica – grande
proporção de valores entre 0 e 500 horas e pequena proporção de valores
acima de 1500 horas.

Modelos Contínuos de Probabilidade


Variável Aleatória Contínua
- Assume valores num intervalo de números reais.
- Não é possivel listar individualmente todos os possíveis valores da variável
aleatória contínua.
- Associamos probabilidades a intervalos de valores da variável.

Propriedades dos modelos contínuos


Modelo Normal ou Curva de Gauss

Karl Friedrich Grauss (Alemanha, 1777 - 1855)

Distribuição Normal ou curva de Gauss


Entre as distribuições teóricas de variável aleatória contínua (uniforme
contínuo, exponencial, qui-quadrado), uma das mais empregadas é a
distribuição normal.
Muitas das variáveis analisadas na pesquisa socieconômica corresponde à
distribuição normal ou dela se aproximam.
A aspecto gráfico de uma distribuição normal é o da figura abaixo.

A v.a. X tem distribuição Normal com parâmetros μ e σ 2 se sua função


densidade de probabilidade é dada por:
2
−1 x−μ
1 2( )
.
σ
f ( x )= .e ,−∞ < x <∞.
σ √2 π
Pode ser mostrado que:
μ é o valor esperado (média) de X, com −∞< μ< ∞ .

σ 2 é a variância de X, com σ 2> 0


Notação: X N ( μ ; σ 2 )
Como calcular probabilidade?
b
P ( a ≤ X ≤ b )=∫ f ( x ) dx , onde a<b
a

Entretanto, a integral acima só pode ser resolvida de modo aproximado e por


métodos númericos.
Para uma perfeita compreensão da distribuição normal, observe a figura e
procure visualizar as seguintes propriedades.

1ª A variável aleatória X pode assumir todo e qualquer valor real.


2ª A representação gráfica da distribuição normal é uma curva em forma de
sino, simétrica em torno da média (μ), que recebe o nome de curva normal ou
de Gauss.
3ª A área total limitada pela curva e pelo eixo das abscissas é igual a 1, já que
essa área corresponde à probabilidade de a variável aleatória X assumir
qualquer valor real.
4ª A curva normal é assintótica em relação ao eixo das abscissas, isto é,
aproxima-se indefinidamente do eixo das abscissas sem, contudo, alcançá-lo.
5ª Como a curva é simétrica em torno de μ, a probabilidade de ocorrer valor
maior do que a média é igual a probabilidade de ocorrer valor menor do que a
média, isto é, ambas as probabilidades são iguais a 0,5.
Escrevemos:
P(X > μ) = P (X < μ) = 0,5.
Quando temos em mãos uma variável aleatória com distribuição normal, nosso
principal interesse é obter a probabilidade de essa variável aleatória assumir
um valor em determinada intervalo. Vejamos como proceder, por meio de um
exemplo concreto.

Distribuição normal padronizada


As probabilidades associadas à distribuição normal padronizadas são
encontradas em tabelas, não havendo necessidade de serem calcular pela
integração.
Para determinar a probailidade de X ∈[a , b], procedemos da seguinte forma:

x −μ x−μ
P( a< X <b )=P( <Z < )
σ σ
E, portanto, quaisquer que sejam os valores de μ e σ , utilizamos a Normal
Padrão para obter probabilidade com distribuição normal.
Vamos exemplificar:
1) Seja X a variável aletória que representa os diâmetros dos parafusos
produzidos por certa máquina. Vamos supor que essa variação tenha
distribuição normal com média μ=2cm e desvio padrão σ =0,04 cm . Calcule a
probabilidade de um parafuso ter diâmetro com valor entre 2 e 2,05 cm.
μ=2cm
σ =0,04 cm
P ( 2< X <2,05 ) =?
x−μ x−μ
P ( 2< X <2,05 ) =P ( < Z< )
σ σ
2−2 2,05−2
P ( 2< X <2,05 ) =P ( <Z< )
0,04 0,04
P ( 2< X <2,05 ) =P (0< Z< 1,25)

P ( 2< X <2,05 ) =P ( 0< Z <1,25 )=¿ 0,3944 ou 39,44%


Assim, a probabilidade de um parafuso fabricado por essa máquina apresentar
um diâmetro entre a média μ=2 e o valor x = 2,05 é 0,3944.

2) Determine as probabilidades:
a) P (−1,25<Z <0 )=¿

P (−1,25<Z <0 )=0,3944 ou39,44 %

b) P(−0,5< Z <1,48)

P (−0,5< Z<1,48 )=P ( 0< Z<1,48 )+ P (−0,5< Z <0 ) =0,4306+0,1915=0,6221 ou 62,21%


c) P(0,8< Z <1,23)

P ( 0,8< Z<1,23 )=P ( 0<Z <1,23 ) −P ( 0<Z <0,80 )=0,3907−0,2881=0,1026 ou 10,26 %

d) P( Z> 0,6)

P ( Z >0,6 )=P ( Z >0 ) −P ( 0< Z <0,60 ) =0,5−0,2258=0,2742 ou 27,42 %

e) P( Z< 0,92)

P ( Z <0,92 )=P ( Z< 0 ) + P ( 0<Z <0,92 ) =0,5+0,3212=0,8212ou 82,12 %

3) Os salários semanais dos operários industriais são distribuidos


normalmente, em torno da média de R$ 500, com desvio padrão de R$ 40.
Calcule a probabilidade de um operário ter um salário semanal situado entre
R$ 490 e R$ 520.
P(490 < X < 520) =
μ=500
σ =4 0

P(490 < X < 520) = P ( 490−500


40
<Z <
520−500
40 )=P(−0,25< Z <0,50)

P (−0,25< Z< 0,50 )=¿

P (−0,25< Z< 0,50 )=P (−0,25< Z< 0 ) + P ( 0< Z< 0,50 )=0,0987+ 0,1915=0,2902 ou 29,02 %
4. Sendo Z uma variável aleatória com distribuição normal reduzida, calcule:
a) P(0 < Z < 1,44) = 0,4251 ou 42,51%

b) P(- 0,85 < Z < 0) = P(0 < Z < 0,85) = 0,3023 ou 30,23%

c) P(- 1,48 < Z < 2,05) = P(-1,48 < Z < 0) + P(0 < Z < 2,05) = 0,4306 + 0,4798 = 0,9104
d) P(0,72 < Z < 1,89)

P(0,72 < Z < 1,89) = P(0 < Z < 1,89) – P(0 < Z < 0,72) = 0,4706 – 0,2642 = 0,2064
e) P(Z > -2,03)

P(Z > -2,03) = P(-2,03 < Z < 0) + P(Z > 0) = 0,4788 + 0,5 = 0,9788

5. Um teste padronizado de escolaridade tem distribuição normal com média 100 e


desvio padra 10. Determine a probabilidade de um indivíduo submetido ao teste ter
nota:
a) maior que 120;

μ=100
σ =10
P(X > 120) = P(Z > 2) =
x−μ
σ
120−100
=2
10

P(Z > 2) = P(Z > 0) – P(0 < Z < 2) = 0,5 – 0,4772 = 0,0228
b) maior que 80;
P(X > 80)
P(Z > - 2)
x−μ
σ

P(Z > -2)

80−100
=−2
10

P(X > 80) = P(Z > -2) = P(-2 < Z < 0) + P(Z > 0) = 0,4772 + 0,5 = 0,9772
c) entre 85 e 115;
P(85 < X < 115)
P(-1,5 < Z < 1,5)
x−μ
σ
85−100
=−1,5
10
115−100
=1,5
10

P(-1,5 < Z < 1,5) = P(-1,5 < Z < 0) + P(0 < Z <1,5) = 0,4332 + 0,4332 = 0,8664
d) maior que 100.
P(X > 100) = P(Z > 0) =
x−μ
σ
100−100
=0
10

P(X > 100) = P(Z > 0) = 0,5

Anexo I – Tabela de distribuição normal

Você também pode gostar