TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS

2024

INSTITUTO SUPERIOR DE RECURSOS NATURAIS E MINERAIS

DEPARTAMENTO DE CIÊNCIAS, TECNOLOGIA, ENGENHARIA E MATEMATICA
Curso de Licenciatura em Estatística e Gestão de Informação

Cadeira: Estatística Matemática 2º Ano

DISTRIBUIÇÕES UNIVARIADAS

A analise univariada compreende em explicar a distribuição de uma única variável.

DISTRIBUIÇÃO DAS VARIÁVEIS ALEATÓRIAS DISCRETAS

Distribuição de Bernuulii

Trata-se de uma distribuição que é usada quando o experimento apresenta apenas dois
resultados possíveis ´´Sucesso ou fracasso´´.

A distribuição de Bernulli é aplicada somente para um único experimento.

Exemplo 1:

Ao chutar um penalti existem duas possibilidades, falhar ou marcar

(𝑓𝑟𝑎𝑐𝑎𝑠𝑠𝑜 𝑜𝑢 𝑠𝑢𝑐𝑒𝑠𝑠𝑜).

Exemplo 2:

Ao resolver uma questão existem duas respostas: acertar ou errar (sucesso ou fracasso).

Exemplo 3.

Uma questão com 5 alternativas, qual é a probabilidade de acertar uma questão num
chute.

1
𝑃(𝑆) 𝑃(𝑥 = 1) =
5

4
𝑃(𝐹) 𝑃(𝑥 = 0) =
5

𝑞 =1−𝑝

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 1

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

Assim:

𝑝 𝑝𝑎𝑟𝑎 𝑥=1
𝑃(𝑥) = { 𝑞 𝑝𝑎𝑟𝑎 𝑥=0
0 𝑝𝑎𝑟𝑎 𝑥 ≠ 0 𝑜𝑢 𝑥 ≠ 1

A função de probabilidade é dada por:

𝑃(𝑥) = 𝑃 𝑥 . 𝑞1−𝑥

Propriedades da distribuição Bernoulli

Media ou Esperança Matemática: 𝐸(𝑥) = 𝑝

Variância: 𝑉𝑎𝑟(𝑥) = 𝑝 ∗ 𝑞

Desvio Padrão: 𝜎(𝑥) = √𝑣𝑎𝑟(𝑥)

Distribuição Binomial

Trata-se de uma distribuição de probabilidades adequada aos experimentos que

apresentam apenas dois resultados: Sucesso e fracasso.

Diz-se que uma variável aleatória discreta X, tem distribuição Binomial ou obedece a lei
da distribuição binomial com parâmetros n e p, quando ela pode tomar valores discretos,
1, 2, 3, ..., n e os níveis de probabilidades p(x) forem calculados pela formula de Bernoulli.

𝑝(𝑥, 𝑥, 𝑝) = 𝐶𝑥𝑛 ∗ 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥 , com 𝑛 > 𝑥

A função 𝑝(𝑥, 𝑥, 𝑝) = 𝑝𝑛(𝑥) é a função de distribuição das probabilidades. A distribuição

Binomial é interpretada como a distribuição do número de sucessos ``𝑝´´ ou fracassos
``𝑞 = 1 − 𝑝´´ em uma serie de n provas independentes de um experimento aleatorio.

Exemplo.

Um analista tem 3 projectos. Se a probabilidade de um projecto ser aprovado for 0.5,

encontrar a probabilidade de serem aprovados exactamente 2 projectos pelo analista.

Resolução:

Dados 𝑛 = 3, 𝑝 = 0.5, 𝑞 = 0.5, 𝑥 = 2

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 2

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

𝑝(𝑛, 𝑥, 𝑝) = 𝐶𝑥𝑛 ∗ 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥

𝑝(𝑥 = 2) = 𝐶23 ∗ 0.52 ∗ 0.53−2

𝑝(𝑥 = 2) = 𝐶23 ∗ 0.52 ∗ 0.51

𝑝(𝑥 = 2) = 0.3750

Propriedades da distribuição Binomial

Media ou Esperança Matemática: 𝐸(𝑥) = 𝑛 ∗ 𝑝

Variância: 𝑉𝑎𝑟(𝑥) = 𝑛 ∗ 𝑝 ∗ 𝑞

Desvio Padrão: 𝜎(𝑥) = √𝑣𝑎𝑟(𝑥)

Exemplo.

Um empresário tem 60% de probabilidade de obter sucesso sempre que começa um novo
negócio. Se o empresário começar 3 novos negócios, calcule a probabilidade de obter:

a) Exactamente em dois negócios ela tenha sucesso;

b) Pelo menos em um negócio ela tenha sucesso;
c) No máximo em dois negócios ele tenha sucesso;
d) Calcule a média e a variância.
Resolução:

Dados: 𝑛 = 3, 𝑝 = 0.60, 𝑞 = 0.40

a) 𝑝(𝑛, 𝑥, 𝑝) = 𝐶𝑥𝑛 ∗ 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥

𝑝(𝑥 = 2) = 𝐶23 ∗ 0.62 ∗ 0.43−2
𝑝(𝑥 = 2) = 𝐶23 ∗ 0.62 ∗ 0.41 = 0.432
b) 𝑝(𝑥 ≥ 1) = 𝑝(𝑥 = 1) + 𝑝(𝑥 = 2) + 𝑝(𝑥 = 3)
𝑝(𝑥 ≥ 1) = 𝐶13 ∗ 0.61 ∗ 0.43−1 + 𝐶23 ∗ 0.62 ∗ 0.43−2 + 𝐶33 ∗ 0.63 ∗ 0.43−3
𝑝(𝑥 ≥ 1) = 𝐶13 ∗ 0.61 ∗ 0.42 + 𝐶23 ∗ 0.62 ∗ 0.41 + 𝐶33 ∗ 0.63 ∗ 0.40
𝑝(𝑥 ≥ 1) = 0.288 + 0.432 + 0.216 = 0.936

c) 𝑝(𝑥 ≤ 2) = 𝑝(𝑥 = 0) + 𝑝(𝑥 = 1) + 𝑝(𝑥 = 2)

𝑝(𝑥 ≤ 2) = 𝐶03 ∗ 0.60 ∗ 0.43−0 + 𝐶13 ∗ 0.61 ∗ 0.43−1 + 𝐶23 ∗ 0.62 ∗ 0.43−2
𝑝(𝑥 ≤ 2) = 𝐶03 ∗ 0.60 ∗ 0.43 + 𝐶13 ∗ 0.61 ∗ 0.42 + 𝐶23 ∗ 0.62 ∗ 0.41

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 3

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

𝑝(𝑥 ≤ 2) = 0.064 + 0.288 + 0.432 = 0.784

d) Media: 𝐸(𝑥) = 𝑛 ∗ 𝑝
𝐸(𝑥) = 3 ∗ 0.6
𝐸(𝑥) = 1.80
𝑉𝑎𝑟(𝑥) = 𝑛 ∗ 𝑝 ∗ 𝑞
𝑉𝑎𝑟(𝑥) = 3 ∗ 0.6 ∗ 0.4
𝑉𝑎𝑟(𝑥) = 0.72
Desvio Padrão:
𝜎(𝑥) = √𝑛 ∗ 𝑝 ∗ 𝑞 = √3 ∗ 0.6 ∗ 0.4 = √0.72 = 0.8
Distribuição de Poisson
Em muitos casos, conhece-se o número de sucessos, porem se torna difícil e as vezes sem
sentido determinar o número de fracassos ou o número total de provas. Por exemplo o
número de automóveis que passam numa esquina num determinado intervalo de tempo,
pode-se anotar, porem não se poderá ser anotado ou determinado o numero de carros que
deixaram de passar pela esquina.
Situações como estas, sugerem uma variável que depende do tempo t e quando 𝑡 → ∞, a
probabilidade de realização do evento tende a diminuir. Para encontrar a probabilidade
de realização de x sucessos num intervalo de tempo, quando simultaneamente o número
de provas for grande e a probabilidade de realização de cada acontecimento for muito
pequena usa-se a distribuição de Poisson que substitui a distribuição binomial.
𝜆𝑥 ∗ 𝑒 −𝜆
𝑝𝑛(𝑥) = , 𝑐𝑜𝑚 𝜆 > 0
𝑥!
Onde:
𝑥 − é o numero de sucessos do acontecimento em n provas independentes;
𝜆 = 𝑛𝑝, é o numero medio de ocorrencias com sucessos;
𝑒 − é a base do logaritmo natural “𝑒 = 2.718281828 … ´´
A distribuição de Poisson é interpretada como o limite para o qual tende a distribuição
Binomial com parâmetros n e p, quando n cresce e p decresce de tal forma que o produto
n*p se matem constante.

Propriedades da Distribuição de Poisson

Media ou esperança matemática 𝐸(𝑥) = 𝜆 = 𝑛𝑝,

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 4

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

Variância 𝑉𝑎𝑟(𝑥) = 𝜆
Desvio Padrão 𝜎(𝑥) = √𝜆
A distribuição de poisson representa um modelo probabilístico adequado para o estudo
de um grande número de fenómenos observáveis.
Exemplo1.
A probabilidade de sair com defeito um exemplar numa fabrica de livros é de 0.001.
Achar a probabilidade de que numa tiragem de 10000 livros, exactamente 5 destes sejam
defeituosos.
Resolução
Dados 𝑛 = 10000, 𝑝 = 0.001, 𝑥 = 5, entao 𝜆 = 10000 ∗ 0.001 = 10 livros.
𝜆𝑥 ∗ 𝑒 −𝜆 103 ∗ 𝑒 −10
𝑝(𝑥 = 5) = = = 0.0378
𝑥! 5!
Exemplo 2.
Certo posto de bombeiros recebe em media 3 chamadas por dia. Calcular a probabilidade
de:
a) Receber 4 chamadas num dia;
b) Receber 3 ou mais chamadas por dia;
c) Encontrar o desvio padrão do número de chamadas que o posto possa receber
por dia.
Resolução

Dados: 𝜆 = 𝑛𝑝 = 3 chamadas medias por dia;

𝜆𝑥 ∗𝑒 −𝜆 34 ∗𝑒 −3
a) 𝑥 = 4, 𝑝(𝑥) = ⇒ 𝑝(𝑥 = 4) = = 0.1680
𝑥! 4!
30 ∗𝑒 −3
b) 𝑝(𝑥 ≥ 3) = 1 − 𝑝(𝑥 < 3) = 1 − 𝑃(0) + 𝑝(1) + 𝑝(2)) = 1 − [ +
0!
31 ∗𝑒 −3 32 ∗𝑒 −3
++ ]=0.5768
1! 2!

c) 𝑉𝑎𝑟 (𝑥) = √𝜆 = √3 = 1.7321

** A importância da distribuição de poisson decorre pelo facto de ela constituir uma boa
aproximação para processos de contagem de eventos aleatórios. Assim, ela serve de um
modelo bastante utilizado para a análise do número de chamadas telefónicas por unidade
de tempo; número de defeitos por unidade de área; acidentes por unidade de tempo;
chegada de clientes a um supermercado por unidade de tempo; número de glóbulos

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 5

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

sanguíneos visíveis ao microscópio por unidade de área; número de partículas emitidas

por uma fonte de material radioactiva por unidade de tempo; etc.

DISTRIBUIÇÃO DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS

DISTRIBUIÇÃO UNIFORME OU RECTANGULAR

A distribuição uniforme é valida para situações nas quais as probabilidades de todos os

sucessos são iguais. E diz-se que uma variável é uniformemente distribuída se a sua
densidade de probabilidade permanecer constante num intervalo [a; b].

0 𝑠𝑒 𝑥<𝑎
1
𝑓(𝑥) = { 𝑠𝑒 𝑎≤𝑥≤𝑏
𝑏−𝑎
0 𝑠𝑒 𝑥>𝑏

A sua função de distribuição acumulada é:

0 𝑠𝑒 𝑥<𝑎
𝑥−𝑎
𝐹(𝑥) { 𝑠𝑒 𝑎≤𝑥≤𝑏
𝑏−𝑎
1 𝑠𝑒 𝑥 > 𝑏

Os gráficos da função densidade de probabilidade e da função de distribuição

acumulada são ilustrados a seguir.

f(x)

a b

Função densidade de probabilidade

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 6

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

F(x)

a b

Função de distribuição acumulada.

PROPRIEDADES DA DISTRIBUIÇÃO UNIFORME

𝑎+𝑏
1. Media ou esperança matemática: 𝐸(𝑥) = 2
(𝑏−𝑎)2
2. Variância Var (x) = 12
𝑏−𝑎
3. Desvio Padrão:𝜎(𝑥) = 2√3

Exemplo.

Um ponto é escolhido ao acaso no segmento de recta [0; 2]. Qual será a probabilidade de
que o ponto escolhido esteja entre 1 e 3/2.

Resolução:

Seja X a variável que representa um ponto no segmento [0;2]. A função densidade da

Variável X é dada por:

0 𝑠𝑒 𝑥<0
1
𝑓(𝑥) = { 𝑠𝑒 0≤𝑥≤2
2−0
0 𝑠𝑒 𝑥>2

Ou então

0 𝑠𝑒 𝑥<0
1
𝑓(𝑥) = { 𝑠𝑒 0≤𝑥≤2
2−0
0 𝑠𝑒 𝑥>2

A sua função de distribuição acumulada é:

0 𝑠𝑒 𝑥<0
1
𝐹(𝑥) = { 𝑥 𝑠𝑒 0≤𝑥≤2
2
0 𝑠𝑒 𝑥>2

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 7

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

Como 1 e 3/2 está no intervalo [0; 2], a probabilidade procurada será:

3 3 1 3 1 1
𝑝 (1 ≤ 𝑥 ≤ ) = 𝐹 ( ) − 𝐹(1) = ∗ − ∗ 1 =
2 2 2 2 2 4

O intervalo de tempo de duração de pequenos anúncios públicos é estimado entre 5 e 12

minutos. Admitindo que a duração de cada anuncio é aleatória e todos os anúncios
distribuem-se uniformemente no intervalo indicado.

a) Indique a função densidade de distribuição das probabilidades.

b) Escreva a função de distribuição acumulada das probabilidades.
c) Qual é a probabilidade de um anúncio ter uma duração inferior a 8 minutos. E
entre 8 a 10 minutos.
d) Calcule a duração média dos anúncios.
Resolução:

a) Substituindo na formula geral f (x) os valores de a e b temos:

1
𝑓(𝑥) = { 7 𝑠𝑒 5 ≤ 𝑥 ≤ 12
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
b) A função de distribuição acumulada correspondente é:
0 𝑠𝑒 𝑥 < 5
1
𝐹(𝑥) = { (𝑥 − 5) 𝑠𝑒 5 ≤ 𝑥 ≤ 12
7
1 𝑠𝑒 𝑥 ≥ 12
1
c) 𝑝(𝑥 < 8) = 𝑝(𝑥 < 5) + 𝑝(5 ≤ 𝑥 < 8) = 0 + 𝐹(8) − 𝐹(5) = 7 (8 − 5) −
1 3
(5 − 5) =
7 7
𝑎+𝑏 5+12
d) 𝐸(𝑥) = = = 8.5
2 2

DISTRIBUIÇÃO EXPONENCIAL

A distribuição de probabilidade do intervalo de tempo t em que o evento ocorre com uma

intensidade 𝜆, entre dois sucessos consecutivos de uma lei de poisson é a distribuicao
exponencial. A funcao densidade de probabilidades é dada por:

0 𝑠𝑒 𝑥<0
𝑓(𝑥) = { −𝜆𝑥
𝜆∗𝑒 𝑠𝑒 𝑥 ≥ 0 𝑜𝑛𝑑𝑒 𝜆 > 0

Partindo da função densidade de probabilidades, pode-se obter a função de distribuição

acumulada F(x).

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 8

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

0 𝑠𝑒 𝑥<0
𝐹(𝑥) = {
1 − 𝑒 −𝜆𝑥 𝑠𝑒 𝑥≥0

PROPRIEDADES DA DISTRIBUIÇÃO EXPONENCIAL

1
1. Média ou esperança matemática: 𝐸(𝑥) = 𝜆
1
2. Variância: 𝑣𝑎𝑟(𝑥) = 𝜆2
1
3. Desvio Padrão: 𝜎(𝑥) = 𝜆

Exemplo.

O tempo de espera em minutos numa paragem de autocarros. Obedece a distribuição

exponencial com intensidade igual a 3 minutos. Considere a variável tempo de espera
como um processo aleatório e responda as seguintes alíneas.

a) Obtenha a função de distribuição acumulada da variável X.

b) Determine a media e desvio padrão de X.
c) Qual é a probabilidade de que X assuma um valor entre 0.6 a 2 minutos.
Resolução:

0 𝑠𝑒 𝑥<0
a) 𝐹(𝑥) = {
1 − 𝑒 −3𝑥 𝑠𝑒 𝑥≥0
1 1 1
b) 𝐸(𝑥) = 3 e 𝜎(𝑥) = 3 ; 𝐸(𝑥) = 𝜎(𝑥) = 𝜆

c) 𝑝(0.5 ≤ 𝑥 ≤ 2) = 𝑒 (−0.6∗3) − 𝑒 (−2∗3) = 0.1628

DISTRIBUIÇÃO NORMAL

A distribuição normal é uma das mais importantes distribuições das variáveis aleatórias
em estatística. Pois muitos dos fenómenos na vida real são comparados com a distribuição
normal, por exemplo: a altura de um indivíduo, peso, idade, grau de coeficiente de
inteligência, nível de distribuição de gauss, Laplace ou Laplace-Gauss.

Uma variável aleatória continua X diz-se que é normalmente distribuída se a sua função
densidade de probabilidade f(x) é definida pela seguinte formula.

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

Se a variável X com média 𝜇 e desvio padrao for expressa em unidades reduzidas (escores
𝑥−𝜇
reduzidos) atraves da variavel Z, onde 𝑧 = , pode se mostrar que z é tambem normal
𝜎

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 9

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

1 2
1
com media 𝐸(𝑧) = 0, e var (x) = 1 e a funcao 𝑓(𝑥) passa para 𝜑(𝑧) = ∗ 𝑒 2𝑧 , 𝑐𝑜𝑚 −
√2𝜋

∞ < 𝑧 < +∞

PROPRIEDADES DA DISTRIBUIÇÃO NORMAL

1. Média ou esperança matemática 𝐸(𝑥) = 𝜇 = 𝑛𝑝

2. Variância: Var (x)= npq, desvio padrão: 𝜎(𝑥) = √𝑛𝑝𝑞
3. 𝑓(𝑥) é simetrico: 𝐸(𝑥) = 𝑀𝑜 (𝑥) = 𝑀𝑒 (𝑥)
1
4. 𝑓(𝑥) tem o maximo para 𝑥 = 𝜇 ou 𝑧 = 0. 𝜑(0) = = 0.3989
√2𝜋

FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA DE PROBABILIDADES

A função de distribuição acumulada da variável aleatória normalmente distribuída é dada

pela expressão.

𝑥 𝑥
1 1 𝑥−𝜇 2
(− ∗( ) )
𝐹(𝑥) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ ∗ 𝑒 2 𝜎 𝑑𝑥, 𝑐𝑜𝑚 − ∞ < 𝑥 < +∞
−∞ −∞ 𝜎√2𝜋

Quando x é expresso em unidades reduzidas, a função de distribuição acumulada será:

𝑥 𝑥
1 1
(− ∗𝑧 2 )
𝐹(𝑧) = ∫ 𝑓(𝑧)𝑑𝑧 = ∫ ∗𝑒 2 𝑑𝑧, 𝑐𝑜𝑚 − ∞ < 𝑧 < +∞
−∞ −∞ 𝜎√2𝜋

A função 𝐹(𝑧) é usada para o cálculo de probabilidades atraves de tabelas que oferecem
as areas sob a curva normal padrão. A tabela que será usada nestes apontamentos é a
tabela de faixa central.

Caso 1. A probabilidade de que uma variável aleatória normal z, assuma um valor no

intervalo [𝑧1 ; 𝑧2 ] é dada pela lei de Newton-Leibniz.

𝑝(𝑧1 < 𝑧 < 𝑧2 ) = Φ(𝑧2 ) − Φ(1)

Onde 𝑧1 𝑒 𝑧2 são escores reduzidos; Φ(−𝑧) = −Φ(𝑧) a função é impar e Φ(𝑧 > 5) = 0.5
os valores de Φ(𝑧) estão na tabela z.

Exemplo 1.

Calcular a probabilidade de que z esteja no intervalo (−2.70; 1.86)

𝑝(−2.70 < 𝑧 < 1.86) = Φ(1.86) − Φ(−2.70)

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 10

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

= Φ(1.86) + Φ(2.70)

= 0.4686 + 0.4965

= 0.9651

(𝒙𝟏 −𝝁) (𝒙𝟐 −𝝁)

Caso 2. 𝑝(𝑥1 < 𝑥 < 𝑥2 ) = Φ(𝑧2 ) − Φ(𝑧1 ), onde 𝒛𝟏 = e 𝒛𝟐 =
𝝈 𝝈

Exemplo 2.

O salário semanal dos operários de uma certa empresa é normalmente distribuído em

torno de uma média de 180 meticais com meticais com desvio padrão de 25 meticais.

a) Encontre a probabilidade de um operário ter um salário semanal situado entre

150 a 178 meticais.
b) Dentro de que desvios de ambos os lados da media, cairão 96% dos salários.
Resolução:

Dados: 𝜇 = 180; 𝜎 = 25; 𝑥1 = 150; 𝑥2 = 178

(𝑥1 −𝜇) 150−180

a) 𝑧1 = = = −1.20
𝜎 25

(𝑥2 − 𝜇) 178 − 180

𝑧2 = = = −0.08
𝜎 25
𝑝(150 < 𝑥 < 178) = Φ(−0.08) − Φ(−1.20)
𝑝(150 < 𝑥 < 178) = −0.0319 − 0.3849
𝑝(150 < 𝑥 < 178) = 0.3530
b) 𝑝(𝑥1 < 𝑥 < 𝑥2 ) = 𝑝(𝑧1 < 𝑧 < 𝑧2 ) = 0.96, então Φ(𝑧2 ) − Φ(𝑧1 ) = 0.96
Para uma distribuição simétrica como a normal padrão Φ(𝑧2 ) = Φ(𝑧1 ) de onde Φ(𝑧) =
0.48, entao 𝑧 = ±2.05. Usando a transformacao para escores reduzidos temos: 𝑥 = 𝜇 ±
𝑧 ∗ 𝜎 entao:
𝑥1 = 180 − 2.05 ∗ 25 = 128.75
𝑥2 = 180 + 2.05 ∗ 25 = 231.25
O intervalo é 128.75 ≤ 𝑥 ≤ 231.25
Caso 3. 𝑝(𝑧 < 𝑧1 ) = 0.5 − 𝑝(𝑧1 < 𝑧 < 0) 𝑜𝑢 𝑝(𝑧 < 𝑧1 ) = 0.5 + 𝑝(0 < 𝑧 < 𝑧1 )

Caso 4. 𝑝(𝑧 > 𝑧1 ) = 0.5 + 𝑝(𝑧1 < 𝑧 < 0) 𝑜𝑢 𝑝(𝑧 > 𝑧1 ) = 0.5 − 𝑝(0 < 𝑧 < 𝑧1 )

Exemplo 3.

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 11

 TEXTO DE APOIO: DISTRIBUIÇÕES UNIDIMENSIONAIS
2024

As estaturas dos alunos de determinada escola são normalmente distribuídas com meia
de 1.60 m e desvio padrão 0.30 m. Encontrar a probabilidade de um aluno ter uma estatura
menor do que 1.48 m.

Resolução:

Dados:

𝜇 = 1.60; 𝜎 = 0.30, 𝑥 = 1.48;

1.48−1.60
Então 𝑧 = = −0.40
0.30

𝑝(𝑥 < 1.48) = 𝑝(𝑧 < −0.40) = 0.5 − 𝑝(−0.40 < 𝑧 < 0)

= 0.5 − (Φ(0) + Φ(0.40))

= 0.5 − 0.1554

= 0.3446

Calcular a probabilidade de um valor x assuma um valor maior que -1.38

𝑝(𝑧 > −1.38) = 𝑃(−1.38 ≤ 𝑧 ≤ 0) + 0.5

= (Φ(0) − Φ(−1.38) + 0.5

= Φ(1.38) + 0.5

= 0.4162 + 0.5

= 0.9162

Variáveis aleatórias discretas e continuas | docente: Cistélio Armando Pequenino Muando 12