Variveis aleatrias Distribuies de Probabilidade

Distribuies de probabilidade de variveis discretas Distribuies de probabilidade de variveis contnuas

Distribuies de probabilidade
O que uma distribuio de probabilidade? distribui Uma distribuio de probabilidade essencialmente um modelo de descrio probabilstica de uma populao. descri probabil popula o Populao o conjunto de todos os valores de uma varivel aleatria. populao popula
X=x P(X=x) 0 0,1 1 0,6 2 0,3

Distribuio de Distribui probabilidade

1 2

Populao e distribuio de probabilidade indissociveis Popula distribui Modo como as probabilidades se distribuem aos valores Parmetros: caracterizaes numricas que permitem a individualizao de um modelo (distribuio) em determinado contexto

Distribuies discretas Distribui

1. Distribuio de Bernoulli Distribui 2. Distribuio Binomial Distribui 3. Distribuio Hipergeomtrica Distribui Hipergeom 4. Distribuio de Poisson Distribui

No estudo de uma varivel aleatria importante saber: 1. O tipo de distribuio, que determinado pela distribui o funo de probabilidade da varivel fun 2. Os parmetros da distribuio 3. As medidas descritivas da distribuio (mdia, varincia, ...)
3

5. Distribuio Multinomial Distribui 6. Distribuio Geomtrica Distribui Geom 7. Distribuio Binomial Negativa Distribui 8. Distribuio Hipergeomtrica Negativa Distribui Hipergeom 9. Distribuio Uniforme Distribui
4

Distribuies contnuas Distribui cont

1. Distribuio Uniforme Distribui 2. Distribuio Normal Distribui 3. Distribuio Gama Distribui 4. Distribuio Exponencial Distribui 5. Distribuio Beta Distribui 6. Distribuio Lognormal Distribui 7. Distribuio Seminormal Distribui 8. Distribuio Weibull 9. Distribuio Gumbel Distribui
5

Distribuies de probabilidade de variveis discretas

1. Distribuio de Bernoulli Distribui

Definio: Modelo que descreve probabilisticamente Defini os resultados de um experimento de Bernoulli.

O experimento (ou ensaio) de Bernoulli definido como o experimento aleatrio que possui apenas dois resultados possveis. poss veis

Experimento: Uma semente colocada para germinar S = {germinar, no germinar} Consideramos um dos resultados como sucesso: sucesso = germinar fracasso = no germinar Definimos a varivel X como nmero de sucessos em uma repetio do experimento. X = nmero de sucessos n 0 , se no germinar 1 , se germinar SX = {0,1}
7

Se for conhecido o poder germinativo do lote de sementes, por exemplo, 87%, podemos concluir que a probabilidade de a semente germinar 0,87. O evento {no germinar} complemento do evento {germinar}, ento sua probabilidade ser 1 0,87. {germinar} 0,87

X=x P(X = x)

0 0,13

1 0,87

X=

probabilidade de fracasso

probabilidade de sucesso

 = probabilidade de sucesso 1- = probabilidade de fracasso

Representao analtica Representa anal

P(X = x) = x . (1 )1 x,
parmetro Parmetro

para SX = {0, 1}

Funo de probabilidade Fun De modo geral, se X uma varivel que tem distribuio de Bernoulli, sua funo de probabilidade ser:

A distribuio de Bernoulli tem apenas um parmetro:

X=x P(X = x)

1-

Representao Representa tabular

= probabilidade de sucesso X ~ Ber () X tem distribuio de Bernoulli com parmetro distribui

10

Medidas descritivas Mdia ou valor esperado E(X) = =

xS X

Varincia V(X) = 2 = E(X 2 ) 2

x p(x)
Para SX = {0, 1}
0 1- 1

X=x

0 1-

Para SX = {0, 1} E(X) = =

X=x P(X = x)

P(X = x)
2

E(X2) =

xS X

x p(x) = 0 (1 ) + 1 =

xS X

p(x) = 0 2 (1 ) + 12 =

V(X) = 2 = E(X 2 ) 2 = 2 = (1 ) Teorema: V(X) = 2 = (1- ) (111 12

Teorema: E(X) = =

RESUMO - Distribuio de Bernoulli

Descreve probabilisticamente resultados de experimentos que possuem apenas dois resultados possveis. Funo de probabilidade Fun

2. Distribuio binomial
Definio: Modelo que descreve probabilisticamente os Defini resultados de uma sequncia de experimentos de Bernoulli independentes entre si, ou seja, onde a probabilidade de sucesso constante em todas as repeties do experimento. Se X = Y1 + Y2 + ... + Yn onde: Yi ~ Ber () e independentes; ento, a varivel X tem distribuio binomial. Distribuio binomial processo finito de Bernoulli Distribui n experimentos de Bernoulli independentes, com probabilidade de sucesso constante para todos eles importante no contexto de amostragem com reposio reposi
13 14

P(X = x) = x (1 )1 x , para SX = {0, 1}

Parmetro: = probabilidade de sucesso E(X) = = V(X) = 2 = (1-)

Medidas descritivas

Experimento: Os bovinos de uma estncia foram vacinados contra uma determinada doena e 60% deles ficaram imunes. Se um bovino dessa estncia escolhido ao acaso e sua situao em relao a imunizao registrada, temos um experimento de Bernoulli. S = {imune, no imune} onde: p(imune) = 0,6 p(no imune) = 1 - 0,6 = 0,4 Se trs bovinos so escolhidos, um a um, e o resultado registrado, temos uma sequncia de trs experimentos de Bernoulli independentes, pois, a cada escolha, a independentes probabilidade de sucesso permanecer inalterada.
15

#S = 23 = 8

I = imune N = no imune

S = {III, IIN, INI, NII, INN, NIN, NNI, NNN} Sucesso = imune A varivel X definida como o nmero de sucessos em n experimentos de Bernoulli independentes, com probabilidade de sucesso igual a . n=3 e =0,6 SX = {0, 1, 2, 3} Qual a funo de probabilidade P(X=x) associada a varivel X?
16

S = {III, IIN, INI, NII, INN, NIN, NNI, NNN} SX = {0,1,2,3} P(X=x) = ? X: n bovinos imunes

Representao tabular Representa

X=x P(X = x)

0 0,064

1 0,288

2 0,432

3 0,216

P(X=0) = 0,43 = 1 0 (1 )3 = 0,064 P(X=1) = 3 0,61 0,42 = 3 1 (1 )2 = 0,288 P(X=2) = 3 0,62 0,41 = 3 2 (1 )1 = 0,432 P(X=3) = 0,63 = 1 3 (1 )0 = 0,216 Como podemos determinar de quantas maneiras diferentes teremos x sucessos e 3-x fracassos?
Permutao com repetio Permuta repeti
x, P3 3 x =

Representao analtica Representa anal

x P(X = x) = C3 0,6 x (1 0,6)3 x

, para SX = {0, 1, 2, 3}

Nmero de casos

Probabilidade de um caso

Funo de probabilidade Fun De modo geral, se X uma varivel que tem distribuio binomial, sua funo de probabilidade ser:
x P(X = x) = Cn x (1 )n x
17

3! x! (3 x)!

ou

x C3 =

3! x! (3 x)!

, para SX = {0, 1, ..., n}

18

Parmetros
x P(X = x) = Cn x (1 )n x

Medidas descritivas Bernoulli Mdia ou valor esperado E(X) = =

xS X

= 2 = (1-)

parmetros A distribuio binomial tem dois parmetros: n = nmero de repeties do experimento de Bernoulli repeti = probabilidade de sucesso X ~ Bin (n,) X tem distribuio binomial com parmetros n e distribui
19

x p(x)

Teorema: E(X) = = n

Varincia V(X) = 2 = E(X 2 ) 2 Teorema: V(X) = 2 = n (1-) (120

RESUMO - Distribuio binomial

Descrio probabilstica de uma sequncia de experimentos de Bernoulli independentes. Importante no contexto de independentes amostragem com reposio. reposi o Funo de probabilidade Fun
x P(X = x) = Cn x (1 )n x , para SX = {0, 1, ..., n}

Exerccio proposto: Num determinado processo de fabricao 10% das peas so consideradas defeituosas. As peas so acondicionadas em caixas com 5 unidades cada uma. (a) Qual a probabilidade de haver exatamente 1 pea defeituosa numa caixa? (32,81%)

Parmetros: n = nmero de repeties no experimento = probabilidade de sucesso Medidas descritivas E(X) = = n V(X) = 2 = n (1-)
21

(b) Qual a probabilidade de haver duas ou mais peas defeituosas numa caixa? (8,14%) (c) Se a empresa paga uma multa de R$ 10,00 por caixa em que houver alguma pea defeituosa, qual o valor esperado da multa num total de 1000 caixas? (R$ 4.100)
22

1 1 4 (a) P(X = 1) = C5 .(0,10) (0,90) = 0,3281 = 32,81%

3. Distribuio hipergeomtrica
Definio: Modelo que descreve probabilisticamente os Defini resultados de uma sequncia de experimentos de Bernoulli dependentes. dependentes Refere-se a experimentos que se caracterizam por retiradas sem reposio, onde a probabilidade de sucesso se altera reposi o a cada retirada. A Distribuio hipergeomtrica se difere da Distribui hipergeom Distribuio binomial porque a probabilidade de sucesso Distribui muda de um experimento para o outro Essa distribuio extremamente importante no contexto de amostragem sem reposio reposi
23 24

(b) P(Duas ou mais defeituosas) = P(X=2) + P(X=3) + P(X=4) + P(X=5) Ao invs de calcular desta forma mais conveniente utilizar o complementar. Assim: P(X 2) = 1 - P(X 1)

= 1 - [P(X=0) + P(X=1)] = 1 - (0,5905 + 0,3281] = 8,14% (c) A probabilidade de uma caixa pagar multa : P(PM) = P(X 1) = 1 - P(X = 0) = 1 - 0,5905 = 40,95% Neste caso tem-se uma nova Binomial com n = 1000 e = 0,41. O nmero esperado de caixas que vo pagar multa, isto , com uma ou mais peas defeituosas ser: E(PM) = = n = 1000 . 0,41 = 410 caixas Como cada uma paga R$ 10,00 de multa, o valor total da multa ser: PM = R$ 10,00 . 410 = R$ 4 100,00

sub-populaes sub- popula

= N1 N

1- = N2 N

populao popula N =N1+N2

N2 N1 (sucesso) (fracasso)

X= nmero de n sucessos em n retiradas

Experimento: Uma bandeja contm 10 xcaras de cafezinho, sete com acar e trs com adoante. Trs pessoas se aproximam da bandeja e se servem. Se a varivel aleatria X definida como o nmero de xcaras de caf com acar, construa a distribuio de probabilidade de X.

n elementos (sem reposio) reposi

Xcaras N =10

Acar car N1=7

Adoante Ado N2 =3 3 xcaras (n=3 n=3)

Do ponto de vista probabilstico no faz diferena considerar retiradas individuais sem reposio ou retirada conjunta de grupos
25

X = nmero de xcaras de caf com acar acar SX = {0, 1, 2, 3}

26

S = {A1A2A3, A1A2a1,A1A2a2, ..., a5a6a7}

3 # S = C10 = 120

a = acar A = adoante

Representao tabular Representa

X=x P(X = x)

0 0,0083

1 0,175

2 0,525

3 0,2917

X = nmero de xcaras de caf com acar acar SX = {0, 1, 2, 3} P(X =0) = P(X =1) = P(X =2) =
C0 7 C3 3 3 C10
3 C10

Representao analtica Representa anal

11 1 = = 0,0083 120 120

P(X = x) =

x C7 C3- x 3 3 C10

, para SX = {0, 1, 2, 3}

2 C1 C3 7

= =

7 3 21 = = 0,175 120 120 21 3 63 = = 0,525 120 120

Funo de probabilidade Fun De modo geral, se X uma varivel que tem distribuio hipergeomtrica, sua funo de probabilidade ser:

C2 C1 7 3
3 C10

3 0 P(X =3) = C7 C3 = 35 1 = 35 = 0,2917 3 C10 120 120

27

P(X = x) =

x n CN CN- x
1 2

n CN

, para SX = {0, 1, ..., n}

28

Parmetros

Medidas descritivas

P(X = x) =

x n CN1 CN-2x

Mdia ou valor esperado parmetros E(X) = =

xS X

n N

x p(x)
N1 N
probabilidade de sucesso

A distribuio hipergeomtrica tem trs parmetros: n = nmero de repeties do experimento repeti N = tamanho da populao popula N1 = tamanho da sub-populao de interesse sub- popula X ~ Hip (n,N,N1)
X tem distribuio hipergeomtrica com parmetros n, N e N1 distribui hipergeom
29

Teorema: E(X) = = n

Varincia V(X) = 2 = E(X 2 ) 2 Teorema: V(X) = 2 = n probabilidade de fracasso Fator de correo corre
30

N1 N 2 N-n N N N-1

RESUMO - Distribuio hipergeomtrica Distribui hipergeom

Descrio probabilstica de uma sequncia de experimentos de Bernoulli dependentes. Importante no contexto de dependentes amostragem sem reposio. reposi o Funo de probabilidade Fun
x n CN CN- x
1 2

P(X = x) =
Parmetros:

n CN

para SX = {0, 1, ..., n}

Exerccio proposto: Pequenos motores so guardados em caixas de 50 unidades. Um inspetor de qualidade examina cada caixa testando 5 motores. Se nenhum for defeituoso, a caixa aceita. Se pelo menos 1 for defeituoso, todos 50 so testados. H 6 motores defeituosos numa caixa. Qual a probabilidade de que seja necessrio examinar todos os motores desta caixa?

n = nmero de repeties do experimento N = tamanho da populao N1 = tamanho da sub-populao de interesse

N1 N 2 N-n N N N-1
31

Tem-se N1 = 6 , N = 50 , n = 5,

P(X 1) = ?

P(X = 0) =

Medidas descritivas N E(X) = = n 1 N

C 0 C5 6 44 = 1086008 = 0,51257 2118760 C5 50

V(X) = 2 = n

P(examinar tudo) = 1 - P(X = 0) =0,48743

32

4. Distribuio de Poisson
Definio: descreve probabilisticamente a sequncia de um Defini grande nmero de fenmenos independentes entre si, cada n um com probabilidade de sucesso muito pequena. pequena Ocorre naturalmente quando se deseja contar o nmero de um tipo particular de eventos que ocorrem por unidade de tempo, de superfcie ou de volume. tempo superf volume

Exemplos:
nmero de peas defeituosas observadas em uma linha de produo num determinado perodo de tempo; nmero de acidentes de trabalho ocorridos numa grande empresa num determinado perodo de tempo; nmero de ciclones ocorridos em certa regio num determinado perodo de tempo; nmero de formigueiros por unidade de rea em uma regio; nmero de bactrias por unidade de rea em uma lmina com extratos de uma planta;
A distribuio de Poisson tem inmeras aplicaes na simulao simula de sistemas modelando o nmero de eventos ocorridos num intervalo de tempo, quando os eventos ocorrem a uma taxa constante.
34

Pode ser considerada como uma binomial onde o nmero de experimentos (n) grande, pequeno (sucesso raro) n e n (mdia de sucessos) constante. Distribuio de Poisson Distribui processo infinito de Bernoulli
33

Funo de probabilidade Fun De modo geral, se X uma varivel que tem distribuio de Poisson, sua funo de probabilidade ser:

Parmetros

P(X = x) = e

x
x!

parmetro

P(X = x) = e

x , para S = {0, 1, 2, ...} X x!

A distribuio de Poisson tem apenas um parmetro:

espao amostral espa infinito onde: X: nmero de sucessos e = 2,718 (base dos logaritmos neperianos)

= nmero mdio de sucessos n m

X ~ Poi () X tem distribuio de Poisson com parmetro distribui

: nmero mdio de sucessos (sempre maior que zero) n m

35

36

Exerccio proposto: Em um certo tipo de fabricao de fita magntica, ocorrem defeitos a uma taxa de 1 a cada 2000 metros. Qual a probabilidade de que um rolo com 2000 metros de fita magntica: (a) No tenha defeitos? (b) Tenha no mximo dois defeitos? (c) Tenha pelo menos dois defeitos?

Soluo: Neste caso, tem-se: = 1 (taxa de defeitos a cada 2000 metros) X = n de defeitos a cada 2000 metros Ento:

P(X = x) =

e x , para x = 0, 1, 2, 3, ... x!
1 0

(a) P(X = 0) = e 1 = e-1 = 36,79%

0!
1 0 e112 5e 1 e111 (b) P(X 2) = e 1 + + = 2 = 91,97% 1! 2! 0!

(c) P(X2) = 1-P(X1) = 1- [ e 1 + e

0!

1 0

1 1

1!

1 ]=1- 2e-1 = 26,42%

37

38

Medidas descritivas Mdia ou valor esperado: E(X) = = Teorema: E(X) = =

RESUMO - Distribuio de Poisson

xS X

x p(x)

Descrio probabilstica da sequncia de um grande nmero n de fenmenos independentes, todos com probabilidade de independentes sucesso constante e muito pequena. pequena Funo de probabilidade Fun

Varincia: V(X) =

= E(X )
2

P(X = x) = e

x , para S = {0, 1, 2, ...} X x!

Teorema: V(X) = 2 = Na Poisson mdia e varincia so iguais!! m

39

Parmetro: = nmero mdio de sucessos

Medidas descritivas E(X) = = V(X) = 2 =

40

10

Exerccio proposto: Um dado formado por chapas de plstico de 10x10 cm. Em mdia aparecem 50 defeitos por m2 de plstico, segundo uma distribuio de Poisson. (a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos? (7,58%) (b) Qual a probabilidade de o dado apresentar no mnimo dois defeitos? (80,08%)

(a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos?

Em mdia aparecem 50 defeitos/m2 = (50/10000) defeitos/cm2 Como cada face tem 10cm x 10 cm = 100 cm2, tem-se ento: = (50/10000) defeitos/cm2 x 100 cm2 = 0,5 defeitos por face. A probabilidade de uma face apresentar dois defeitos ser: P(X = 2) =

(c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas? (24,36%)
41

e0,5 (0,5) 2!

= 7,58%

42

(b) Qual a probabilidade de o dado apresentar no mnimo dois defeitos?

(c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas?

No dado inteiro, a rea total ser a = 6x100 cm2 = 600 cm2 e o nmero mdio de defeitos ser ento: = (50/10000) defeitos /cm2 x 600 cm2 = 3 defeitos A probabilidade de o dado apresentar no mnimo 2 defeitos ser: P(X 2) = P(X = 2) + P(X = 3) + ... = 1 - P(X 1) = 1 - [P(X = 0) + P(X =1)] = =1-[ e
3 0

A probabilidade de uma face ser perfeita a probabilidade de ela no apresentar defeitos, isto :
0,5 ( 0,5) P (X = 0) = e = 60,65% 0

0!

Tem-se ento uma binomial Y com n = 6 (nmero de faces do dado) e = 60,65%(probabilidade de uma face ser perfeita) Ento a probabilidade de pelo menos 5 perfeitas, ser: P(Y 5) = P(Y = 5) + P(Y = 6) = . (0,6065)5 .(0,3935)1+ .( 0,6065)6 .(0,3935)0 = 24,36%

0!

+ e

3 1

1!

3 ]=

= 1 - [0,0498 + 0,1494] = 80,08%

43

6 5

6 6

44

11

Distribuies de probabilidade de variveis contnuas

difcil identificar o tipo de distribuio de probabilidade de uma varivel contnua pesquisa bibliogrfica observao do campo de variao da varivel Existem vrios tipos de distribuies contnuas: Distribuio gama: descrio probabilstica de Distribui variveis que assumem valores positivos. Distribuio beta: descrio probabilstica de variveis Distribui que assumem valores no intervalo [0, 1]. Distribuio normal mais importante Distribui
45

Distribuio Normal
importante tanto no aspecto terico como nas aplicaes. Essa importncia se deve a um conjunto de aspectos: Propriedades matemticas til para descrever uma grande quantidade de fenmenos naturais fsicos, ambientais, etc. Distribuies de um grande nmero de variveis aleatrias convergem para a distribuio normal Muitas variveis no normais podem ser tratadas como normais aps transformaes simples Uma grande quantidade de mtodos e procedimentos de inferncia estatstica so derivados tendo-a como pressuposio bsica
O conjunto de mtodos desenvolvidos para tratar variveis que tm distribuio normal forma a chamada Estatstica Clssica ou Estatstica Paramtrica. Estat Cl Estat Paramtrica
46

Distribuio normal
Definio: uma distribuio terica de frequncias, onde a Defini maioria das observaes se situa em torno da mdia (centro) e diminui gradual e simetricamente no sentido dos extremos. A distribuio normal representada graficamente pela curva normal (curva de Gauss) que tem a forma de sino e simtrica sim em relao ao centro, onde se localiza a mdia .

Funo densidade de probabilidade Fun

De modo geral, se X uma varivel contnua que tem distribuio de normal, sua funo densidade de probabilidade ser:
1 f(x) = e 2 (x )2 2 2

parmetros , para SX = (-,+)

Parmetros A distribuio normal tem dois parmetros: = mdia (determina o centro da distribuio) 2 = varincia (determina a disperso da distribuio) X ~ N (, 2) X tem distribuio normal com parmetros e 2 distribui
47 48

12

Populaes normais Popula com mdias diferentes m e mesma varincia

Populaes normais Popula com varincias diferentes e mesma mdia Existe um nmero infinito de curvas normais n
49 50

Propriedades da distribuio normal distribui 2. A distribuio simtrica em relao ao centro onde coincidem a mdia, a moda e a mediana. 1. O mximo da funo densidade de probabilidade se d no ponto x= .
mximo

51

Md==Mo
52

13

3. Os pontos de inflexo so exatamente - e +.

4. Verifica-se na distribuio normal que:

P(- < X < +) = 0,6825 P(

P(-2 < X < +2) = 0,9544 P( +2 - + P(-3 < X < +3) = 0,9974 P( +3
53 54

Ponto de inflexo: ponto onde a concavidade direita tem sinal diferente ao da concavidade esquerda

Clculo de reas
Para cada valor de e de , existe uma distribuio normal diferente

Distribuio normal padro

Definio: a distribuio normal de uma varivel Z que tem Defini mdia igual a zero (=0) e desvio padro igual a um (=1). =0 =1

O clculo de reas sob a curva normal, dever ser feito sempre em funo dos valores particulares de e Para evitar a trabalhosa tarefa de calcular as reas foi determinada uma distribuio normal padro ou reduzida As reas sob a curva normal padro foram calculadas e apresentadas numa tabela
55

A curva normal padro foi dividida em pequenas tiras, cujas reas foram calculadas e apresentadas numa tabela. Na tabela da distribuio normal padro, podemos encontrar as reas correspondentes aos intervalos de 0 a z.
56

14

Tabela - rea sob a curva normal padro de 0 a z, P(0 Z z).

P(0 < Z < z)

Os valores negativos no so apresentados na tabela porque a curva simtrica; assim, as reas correspondentes a esses valores so exatamente iguais s dos seus simtricos positivos, por exemplo P(-1<Z<0)=P(0<Z<1). P(- 1<Z<0)= P(0<Z<1) Na tabela da distribuio normal padro, os valores de Z vo de 0 a 3,9 . Este limite estabelecido com base na quarta propriedade da distribuio normal.

P(0 < Z < 0,62) = ? P(0 < Z < 0,62) = 0,2324

57

58

P(-2,17 < Z < 0) = ?

0,4850 = 0,4850

Exerccio proposto: Seja Z uma varivel aleatria com distribuio normal padro. Determine as seguintes probabilidades: a) P(0 < Z < 1,73) b) P(Z > 0,81)
0,4582 0,2090 0,1587

-2,17

2,17

P(-1 < Z < 2) = ?

0,4772+0,3413 = 0,8185 = 0,4772 + 0,3413

-1 0

c) P(-1,25 Z -0,63)
P(Z > 1,5) = ?
0,5-0,4332 = 0,0668 = - 0 1,5 + - 0 0,5 0,4332

0 1,5

+
59 60

15

Atravs da distribuio normal padro possvel estudar qualquer varivel X que tenha distribuio normal, com quaisquer valores para e . Para utilizarmos os valores da tabela, devemos padronizar a varivel X, ou seja, transformar X em Z.

A transformao muda as variveis, mas no altera a rea sob a curva.

X ~ N (, 2) (

X ~ N (, 2) (
transformar

Z=

Z ~ N (0, 1) (0

Z ~ N (0, 1) (0
Aps a transformao, procuramos na tabela a rea compreendida entre 0 e z, que corresponder a rea entre e x.
61

P(x1 < X < x2) = P(z1 < Z < z2)

62

Exemplo: Sabendo que as notas de 450 alunos esto normalmente distribudas, com mdia = 3,9 e desvio padro = 0,28, determine: a) a probabilidade de um aluno ter nota maior que 4,27; b) o nmero de alunos que tm nota superior a 4,27.

Para encontrar essa rea, vamos utilizar a tabela da distribuio normal padro. Inicialmente, fazemos a transformao da varivel X para a varivel Z.

z=

4,27 3,9 = 1,32 0,28

63

64

16

b) o nmero de alunos que tm nota superior a 4,27. No item (a), vimos que este percentual de 9,34%. Sendo assim, atravs de uma regra de trs simples, podemos determinar quantos estudantes correspondem a 9,34% de uma populao de 450 estudantes. Esse valor pode ser obtido facilmente multiplicando o tamanho da populao pela probabilidade de ocorrer uma nota maior que 4,27. Assim, temos: 450 0,0934 = 42,03 Conclumos, ento, que, dos 450 estudantes, 42 tm nota superior a 4,27.
65 66

P(Z > 1,32) = P(Z > 0) P(0<Z<1,32) = 0,5 0,4066 = 0,0934

P(X > 4,27) = 0,0934

Exerccio proposto: Uma fbrica de carros sabe que os motores de sua fbrica tem durao normal com mdia de 150.000km e desvio padro de 5.000km. Qual a probabilidade de que um carro escolhido ao acaso, tenha um motor que dure: a) menos de 170.000km? b) entre 140.000 e 160.000km? c) Se o fabricante deseja oferecer uma garantia, tal que ele tenha que substituir no mximo 1% dos motores, qual deve ser o valor desta garantia?
67

Soluo: a) P(X < 170.000) = P(Z < (170.000-150.000)/5.000) = P(Z < 4) = 1 = 100%

b) P(140.000<X<160.000) = P(-2<Z<2) = = 0,4772+0,4772 = 0,9544 = 95,44%

c) Seja G o valor de garantia P(X<G) = P(Z < (G-150)/5) = 0,01 = P(Z < -2,33)

G 150 = 2,33 Garantia tem que ser de 138.350km. 5

68

17