UNIDADE III -DISTRIBUIO DE PROBABILIDADE

1. INTRODUO O que pretendemos, nesta unidade, apresentar alguns modelos tericos de distribuio de probabilidade, aos quais um experimento aleatrio estudado possa ser adaptado, o que permitir a soluo de grande nmero de problemas prticos. Definio 1.1: Sejam E um experimento e um espao amostral associado a E. Um funo X, que associe a cada elemento um nmero real, X(), denominada varivel aleatria.

EXEMPLO 1.1: Suponha que duas moedas sejam lanadas e observamos a sequncia de caras e coroas obtidas. Considere o espao amostral associado a esse experimento. Isto , = {(Ca,Ca), (Ca,Co), (Co,Ca), (Co,Co)}, onde Ca e Co representam a ocorrncia de cara e coroa, respectivamente. Definamos a varivel aleatria da seguinte forma: X o nmero de caras obtidas nas duas moedas. Da, X(Ca,Ca) = 2 ; X(Ca,Co) = X(Co,Ca) = 1 ; X(Co,Co) = 0. muito importante compreender uma exigncia fundamental de uma funo unvoca: A cada corresponder exatamente um valor X(). Diferentes valores de podem levar ao mesmo valor de X. Como pode ser visto no exemplo acima, onde vimos que X(Ca,Co) = X(Co,Ca) = 1. O espao Rx, conjunto de todos os valores possveis de X, algumas vezes denominado contradomnimo. De certo modo, poderemos considerar Rx como um outro espao amostral. O espao amostral (original) corresponde ao resultado ( possivelmente no numrico) do experimento, enquanto Rx o espao amostral associado varivel aleatria X, representando a caracterstica numrica de interesse. Se tivermos X() = , teremos = Rx .

47

Definio 1.2: Sejam um experimento E e seu espao amostral . Seja X uma varivel aleatria definida em e seja Rx seu contradomnio. Seja B um evento definido em relao a Rx, isto , B Rx. Ento, define-se A como
A = { / X ( ) B} .

Assim, A ser constitudo por todos os resultados em , para os quais X ( ) B . Neste caso, diz-se que A e B so eventos equivalentes. Como pode ser visualizado na seguinte figura:

importante compreender que, em nossa definio de eventos equivalentes, A e B so associados a espaos amostrais diferentes. EXEMPLO 1.2: Considere o exemplo 1.1. Se B = {1} em Rx. Qual o evento A, equivalente a B em ? SOLUO: J que X(Ca,Co) = X(Co,Ca) = 1 se, e somente se, X()=1, temos que A = {(Ca,Co),(Co,Ca)} equivalente a B. Agora, daremos a seguinte importante definio. Definio 1.3: Seja B um evento no contradomnio Rx. Define-se P(B) da seguinte forma P(B) = P(A) , onde A = { / X ( ) B} . Em outras palavras, como B equivalente a A em , a probabilidade de B igual probabilidade de A. EXEMPLO 1.3: Considere as moedas do exemplo 1.1 como equilibradas. Calcule a probabilidade P(X=0), P(X=1) e P(X=2) SOLUO: P(X=0) = P(Co,Co) = 1/4, P(X=2) = P(Ca,Ca) = 1/4

e P(X=1) = P((Ca,Co), (Co,Ca)) = 1/4 + 1/4 = 1/2. Uma vez que as probabilidades associadas aos vrios resultados (ou eventos) no contradomnio Rx tenham sido determinadas (mais precisamente, induzidas), ignoraremos frequentemente o espao amostral original , que deu origem a essas probabilidades. O
48

fato, de que essas probabilidades sejam determinadas por uma funo de probabilidade definida sobre o espao amostral original , passa desapercebido quando estamos interessados em estudar os valores da varivel aleatria X.

2. VARIVEIS ALEATRIAS DISCRETAS

Definio 2.1: A varivel X dita discreta se o nmero de valores possveis de X, isto , o contradomnio Rx , for um conjunto finito ou enumervel. EXEMPLO 2.1: Consideremos um lote com 4 peas, das quais 2 so defeituosas, e retiremos ao acaso duas peas, com reposio. Seja D = a pea defeituosa, Ento, ={DD, DP, PD, PP} Definindo X como sendo o nmero de peas perfeitas, temos: X() {DD} 0 {DP,PD} 1 {PP} 2 P = a pea perfeita.

Definio 2.2: Seja X uma varivel aleatria discreta, ento X pode assumir os valores x1, x2,.... Chamaremos de funo de probabilidade da varivel aleatria X a funo que a cada xi associa sua probabilidade de ocorrncia, ou seja,
P ( X = xi ) = P ( X ( ) = xi ) = p( xi ) ,

tal que: a) 0 p( xi ) 1 b)

p( x ) = 1
i i =1

EXEMPLO 2.2: Consideremos a varivel aleatria do exemplo anterior, ento: P(X = 0) = 1/4, P(X = 1) = 1/2, P(X = 2) = 1/4, P(X 2) = P() = 1 e P(X < 0)=P() = 0 Podemos observar que 0 P( X = i ) 1 , para i = 0,1,2 e

P( X = i ) = 1
i =0

49

A funo de probabilidade pode ser representada por tabela, grfico ou frmula. Para o exemplo anterior, temos: Tabela: xi P(X= xi) Grfico: 0 1/4 1 1/2 2 1/4

2 1 Frmula: p( xi ) = , xi = 0,1,2 xi 4

EXEMPLO 2.3: Um par de dados lanado. Seja X a varivel aleatria que associa a cada ponto (a,b) de a soma de desses nmeros, isto , X(a,b) = a + b. Determine a funo de probabilidade de X. SOLUO: O espao amostral formado de 36 pares ordenados de nmeros entre 1 e 6: = {(1,1), (1,2),.....,(6,6)} Ento, X uma varivel aleatria em com o contradomnio Rx = {2,3,4,5,6,7,8,9,10,11,12} A funo de probabilidade de X a seguinte: xi p(xi) 2 1/36 3 2/36 4 3/36 5 4/36 6 5/36 7 6/36 8 5/36 9 4/36 10 3/36 11 2/36 12 1/36

Obtemos, por exemplo, p(4) = 3/36, pois (1,3), (2,2) e (3,1) so os pontos de cuja soma das componentes 4; ento 3 p(4) = P(X = 4) = P({(1,3),(2,2),(3,1)}) = 36
50

Definio 2.3: Definimos funo de distribuio de probabilidade acumulada da varivel aleatria X como sendo: F ( x ) = P( X x) Para o caso discreto, tratado acima, temos:

F ( x) =

p( x )
i xi x

EXEMPLO 2.4: Considerando o exemplo 2.2, obtenha a funo de distribuio acumulada. SOLUO:
F (0) = P( X 0) = 1 / 4 F (1) = P( X 1) = 3 / 4 F ( 2) = P ( X 2) = 1

ento,
0, se x < 0 1 / 4, se 0 x < 1 F ( x) = 3 / 4, se 1 x < 2 1, se x 2

Observaes: 1. O domnio de F a reta real. 2. lim F ( x ) = 0 e lim F ( x ) = 1

x x

3. F no decrescente, isto , se x1 x 2 , teremos F ( x1 ) F ( x 2 )

51

4. A magnitude de cada salto p(xi), isto , P( X = x ) = F ( x ) F ( x _ ) , onde F ( x _ ) = lim F ( y )

y x

5. F ( x _ ) F ( x ) , isto , F descontnua esquerda. 6. F ( x + ) = F ( x ) , isto , F contnua direita.

3. VARIVEIS ALEATRIAS CONTNUAS

Uma varivel aleatria dita contnua se o seu contradomnio for um intervalo ou unio de subintervalos.
Definio 3.1: Uma varivel aleatria X contnua se existir uma funo f, denominada funo de densidade de probabilidade (fdp) de X, que satisfaa as seguintes condies:

1. f ( x ) 0, para todo x R X 2.

f ( x )dx = 1
b a

3. para quaisquer, a,b, com < a < b < + , teremos P(a X b) = f ( x )dx
Observaes:

1. P (a X b) representa a rea sob a curva da funo densidade de probabilidade entre a e b. 2. Para qualquer valor especfico de X, digamos x0, temos que P(X=x0) = 0, pois
P( X = x 0 ) = f ( x )dx = 0
x0 x0

3. Como a probabilidade de X assumir valores em pontos isolados nula, ento: P(a X b) = P(a X < b) = P(a < X b) = P(a < X < b)
EXEMPLO 3.1:Suponha que X uma varivel aleatria contnua com a seguinte fdp: 2 x , 0 < x < 1, f ( x) = 0, para quaisquer outros valores a) Mostre que f(x) uma fdp. b) Calcule P( X 1 / 2) c) Calcule P( X 1 / 2 1 / 3 X 2 / 3) SOLUO:

a) Evidentemente, f(x) > 0 para todo x R X e

2 xdx = x
0

2 1 0

= 1.

52

b) Para calcular P( X 1 / 2) , deve-se apenas calcular a integral c) Aplicando-se diretamente o conceito de

1/ 2

(2 x )dx = 1 / 4.
0

1/ 2

probabilidade

condicional,

P(1 / 3 X 1 / 2) teremos P X 1 / 2 1 / 3 X 2 / 3 = = P(1 / 3 X 2 / 3)

(2 x )dx
1/ 3 2/3

(2 x)dx
1/ 3

5 / 36 5 = 1 / 3 12

Da definio 2.3, a funo de distribuio acumulada, para o caso contnuo dada por: F ( x) =

f ( s)ds

EXEMPLO 3.2: Seja f(x) como definida no exemplo 3.1. Calcule a funo de distribuio acumulada e represente graficamente esta funo.

0, se x < 0, x SOLUO: F ( x ) = (2 s)ds = x 2 , se 0 x < 1, 0 1, se x 1 Graficamente,

Observao: Seja F(x) a funo de distribuio acumulada de uma varivel aleatria d contnua X, com fdp f(x). Ento f ( x ) = F ( x ) , para todo x no qual F(x) dx seja derivvel. EXEMPLO 3.3: Suponha que a varivel aleatria X tenha funo de distribuio acumulada F dada por: 0, se x < 0 F ( x ) = x , se 0 x < 1 1, se x 1 Calcule a fdp de X.
53

SOLUO: fcil ver que

1, se 0 x 1 f ( x) = 0, caso contrrio

d F ( x ) = 1 , para todo x [0,1] e portanto a sua fdp ser: dx

4. ESPERANA MATEMTICA E VARINCIA

Nos modelos matemticos aleatrios, que temos considerado, os parmetros podem, tambm, ser empregados para caracterizar a distribuio de probabilidade. A cada distribuio de probabilidade, podemos associar certos parmetros, os quais fornecem informao valiosa sobre a distribuio, tal como a declividade de uma reta fornece informao importante sobre a relao linear que representa. Um dos parmetros mais importantes dado na definio abaixo.
Definio 4.1: Seja X uma varivel aleatria discreta, com valores possveis x1, ..., xn,... Seja p(xi) = P(X=xi), i=1,2,...,n,... Ento, o valor esperado, esperana matemtica de X, valor mdio de X, ou expectncia de X, denotado por E(X) definido como
E ( X ) = xi p( xi ) , se a srie
i =1

x p( x )
i i i =1

convergir absolutamente, isto ,

se

x
i =1

p( xi ) < .

Seja X uma varivel aleatria contnua com fdp f(x). O valor esperado de X definido como E ( X ) = xf ( x )dx , se, e somente se,
+

x f ( x )dx < .

Notao: E(X) =
EXEMPLO 4.1: Consideremos a varivel aleatria discreta do exemplo 2.1. Calculemos E(X).
3 1 2 1 SOLUO: E ( X ) = xi p( xi ) = 0 + 1 + 2 = 1 . 4 4 4 i =1

Isto representa que ao retirarmos duas peas do lote, esperamos, em mdia, vir uma pea defeituosa.

54

EXEMPLO 4.2: Consideremos a varivel aleatria contnua do exemplo 3.1. Calculemos a E(X). 1 1 2 SOLUO: E ( X ) = ( x2 x )dx = (2 x 2 )dx = 0 0 3 PROPRIEDADES DA ESPERANA MATEMTICA

1. A mdia de uma constante a prpria constante. E ( K ) = K. 2. Multiplicando-se uma varivel aleatria X por uma constante, sua mdia fica multiplicada por essa constante.

E ( KX ) = KE ( X )
3. A mdia da soma ou da diferena de duas variveis aleatrias , respectivamente, a soma ou diferena das mdias. E ( X Y ) = E ( X ) E (Y )
Observao: Note que toda funo de uma varivel aleatria X tambm uma varivel aleatria. Podemos, portanto, falar na esperana de X2, 2X+1, dentre outras.

Teramos, por exemplo, a esperana de X2 definida como:

E ( X 2 ) = xi2 p( xi ) , para o caso discreto e analogamente
i =1

E ( X 2 ) = ( x 2 f ( x ))dx , para o caso contnuo.

Definio 4.2: Definimos a varincia de uma varivel aleatria X como:

V ( X ) = E [ X E ( X )]
2

Notao: V(X) = 2
Observao: 1. A varincia de uma varivel aleatria, uma medida que d a idia de disperso dos valores da varivel, em relao ao seu valor esperado.

2. A expresso da varincia na definio acima pode ainda ser escrita como: 2 V ( X ) = E ( X 2 ) [ E ( X )] PROPRIEDADES DA VARINCIA
55

1. A varincia de uma constante zero. V ( K) = 0 2. Multiplicando-se uma varivel aleatria por uma constante sua varincia fica multiplicada pelo quadrado da constante. V ( KX ) = K 2V ( X ) . 3. Somando-se ou subtraindo-se uma constante varivel aleatria, sua varincia no se altera, V (K X ) = V ( X ) 4. A varincia da soma ou da diferena de duas variveis aleatrias dada por: V ( X Y ) = V ( X ) + V (Y ) 2 cov( X , Y ) onde cov( X , Y ) = E {[ X E ( X )][Y E (Y )]} = E ( XY ) E ( X ) E (Y )
OBS.: Quando X e Y so variveis aleatrias independentes, E ( XY ) = E ( X ) E (Y ) , consequentemente, cov(X,Y)=0, logo V ( X Y ) = V ( X ) + V (Y )

Notamos que se uma varivel aleatria medida em certa unidade, a varincia dessa varivel expressa no quadrado dessa unidade Para fins de comparao e facilidade de interpretao introduz-se o conceito do desvio padro da varivel aleatria, denotado por ( X ) , que definido como a raiz quadrada positiva da varincia, isto , ( X ) = 2 ( X ) .
EXEMPLO 4.3: Calcule a esperana matemtica e a varincia da varivel aleatria X, cuja fdp dada abaixo.
K , se a x b f ( x) = 0, caso contrrio

Esta funo denominada funo de densidade uniforme no intervalo [a,b].

SOLUO: Para que f(x) satisfaa a condio (2) da definio 3.1, temos que

Kdx = Kx a = K (b a ) = 1 . Logo, K =

1 > 0 , que satisfaz a condio (1) da ba

mesma definio.

56

Agora, E ( X ) =

1 1 x2 x dx = (b a ) (b a ) 2

=
a

b2 a 2 (b a )(b + a ) a + b = = 2(b a ) 2(b a ) 2

Tambm temos que,

E( X 2 ) = Da, b 2 + a 2 + ab (a + b) 2 4b 2 + 4a 2 + 4ab 3a 2 3b 2 6ab = 3 4 12 2 2 2 b + a 2ab (b a ) V(X) = = 12 12 V(X) =

x2

1 b 3 a 3 (b a )(b 2 + a 2 + ab) b 2 + a 2 + ab dx = = = (b a ) 3(b a ) 3(b a ) 3

5. ALGUMAS DISTRIBUIES DE PROBABILIDADE

Dentre as funes de probabilidade, sero abordados algumas especiais. Apresentaremos inicialmente as distribuies discretas mais importantes e finalizamos esta seo com a distribuio contnua mais utilizada na teoria da probabilidade, a distribuio Normal.
5.1. Distribuio de Bernoulli

Suponha que realizamos um experimento E, cujo resultado pode ser observado e classificado como sucesso ou fracasso, caso o evento que nos interessa ocorra ou no, respectivamente. Associaremos p, a probabilidade de sucesso, ao evento que nos interessa e 1-p = q, ser a probabilidade de fracasso. Definimos, ento, a seguinte varivel aleatria discreta:
1, se ocorrer sucesso X = 0, se ocorrer fracasso

A distribuio de probabilidade : xi P(X=xi) 0 1-p 1 p

Verifica-se facilmente que E(X) = p e Var(X) = p(1-p), que so as principais caractersticas.

57

EXEMPLO 5.1:Seja o experimento E: Lanar um dado e observar a face superior. Defina o evento: o nmero mltiplo de 3 e a varivel X definida como o nmero de sucesso. Determine a funo de probabilidade de X, calcule a esperana e a varincia. 2 4 SOLUO:Temos que o evento ocorre com probabilidade p = , logo 1 p = . 6 6 Ento, a varivel X tem distribuio:

xi P(X=xi) com E ( X ) =
1 2 e Var ( X ) = 3 9

0 4/6

1 2/6

5.2. Distribuio Binomial

Vamos considerar experimentos que satisfaam as seguintes condies: 1. O experimento deve ser repetido, nas mesmas condies, um nmero finito de vezes (n). 2. As provas repetidas devem ser independentes, isto , o resultado de uma no afeta os resultados das sucessivas. 3. Em cada prova deve aparecer um dos possveis resultados: sucesso ou fracasso. 4. No decorrer do experimento, a probabilidade p do sucesso e a probabilidade q (q=1-p) do insucesso manter-se-o constante. 5. Definimos a varivel aleatria discreta Y como sendo o nmero de sucessos nas n realizaes. Ento Y = X 1 + X 2 ++ X n , onde cada Xi, (i = 1,2,...,n) um ensaio de Bernoulli, sendo a distribuio de probabilidade dada por:
n P(Y = k ) = p k (1 p) n k , k = 0,1, n k

pois, para Y=k teremos observado k sucessos, cada um com probabilidade p e consequentemente (n-k) fracassos, cada um com probabilidade (1-p).
Notao: Y ~ B(n, p) , que equivalente a dizer que Y tem uma distribuio Binomial com parmetros n e p.

A mdia da Binomial :
E (Y ) = E ( X 1 + X 2 ++ X n ) = E ( X 1 ) + E ( X 2 ) + E ( X n ) = np , e a varincia : V (Y ) = V ( X 1 + X 2 ++ X n ) = V ( X 1 ) + V ( X 2 ) ++V ( X n ) = np(1 p)
58

EXEMPLO 5.2:Dois times de futebol, A e B, jogam entre si 6 vezes. Suponha que as probabilidades de A ganhar, perder ou empatar um jogo, so as mesmas, e permaneam constante durante as 6 partidas. Encontre a probabilidade do time A ganhar 4 vezes e calcule a esperana e a varincia. SOLUO: Seja X o nmero de vezes que o time A ganha.

Temos que n = 6, p =
6 1 1 P( X = k ) = 1 k 3 3
k

1 , ento, 3 , k = 0,1,2,3,4,5,6
4 2

( 6 k )

6 1 2 1 4 20 Queremos P( X = 4) = = 15 = 81 9 243 4 3 3
1 1 2 4 E a esperana E ( X ) = 6 = 2 , com varincia V ( X ) = 6 = 3 3 3 3

5.3. Distribuio de Poisson

Uma varivel aleatria X, assumindo os valores 0,1,2,... tem distribuio de Poisson com parmetro (>0) e denotaremos por X~P(), quando a probabilidade da varivel aleatria assumir um valor k, k fixado, dada por: P( X = k ) = e k , k = 0,1,2, . k!

Pode-se mostrar facilmente que

E( X ) =

Var ( X ) = , onde lembramos o fato que

k ! = e
k =0

obtido pelo desenvolvimento da srie de Taylor nas vizinhanas de zero. Esta distribuio infinita enumervel ocorre em muitos fenmenos naturais, tais como o nmero de chamadas telefnicas por minuto em uma central telefnica, o nmero de erros de impresso por pgina em um texto e o nmero de partculas emitidas por uma substncia radioativa.
EXEMPLO 5.3: Numa fbrica existem vrias mquinas de um certo tipo. Depois de muitas observaes chegou-se concluso que o nmero de mquinas que se avariam em cada ms uma varivel aleatria com distribuio de Poisson com parmetro 3. Qual a probabilidade de que em um determinado ms se avariem 7 ou mais mquinas ?
59

SOLUO: P( X 7) =

e 3 3k = 0,0335 k! k =7

Em muitos estudos estatsticos, h muitas vezes necessidade de considerarmos a ocorrncias de eventos casuais que se processam a longo do tempo, ou espao. Por exemplo, a) Chegada de chamadas telefnicas a uma central telefnica. b) Nmero de erros de impresso em um texto. c) Nmero de carros que passam por um cruzamento durante um intervalo de tempo t. d) Chegadas de clientes a um caixa de banco. Observamos, ento, que h uma varivel t, a qual comporta-se de modo que enquanto t aumenta a probabilidade de sucesso tende a aumentar. Faremos algumas hipteses para construir um modelo para estas situaes. a) Eventos definidos em intervalos disjuntos so independentes. b) A distribuio do nmero de ocorrncias em qualquer intervalo depende apenas do comprimento do intervalo e no dos seus extremos. c) Em intervalos de mesmo comprimento, as probabilidades de ocorrncia de um mesmo nmero de sucessos so iguais. d) Em intervalos muito pequenos, a probabilidade de ocorrncia de mais de um sucesso zero. Sob estas hipteses, pode-se mostrar que a probabilidade de ocorrncias em intervalos de tempo t, dada por: e ( t ) (t ) k P( X t = k ) = , k = 0,1,2,. k! O nmero mdio de ocorrncias em um intervalo t dado por:
E ( X ) = t e a varincia da distribuio tambm t .

Observe que quando t = 1, recamos na expresso anterior (P(X=k)).

EXEMPLO 5.4: Em mdia h duas chamadas por hora num certo telefone. Calcule a probabilidade de no haver chamada em 90 minutos. SOLUO: Seja Xt: o nmero de chamadas em uma hora.

2 =2 1

e e 3,0 (3,0) 0 = 0,04979 0!

t=

90 = 1,5 60

Ento, P( X 1,5 = 0) =

60

Apresentaremos agora a distribuio contnua mais importante.

5.4. Distribuio Normal

Muitas das variveis analisadas na pesquisa scio-econmica correspondem ou se aproximam da distribuio normal. Seja uma varivel aleatria contnua que assume valores reais. Dizemos que X tem distribuio normal com parmetros e 2 onde = E(X) e 2 = Var(X), e denotaremos X ~ N(,2), se sua funo de densidade de probabilidade for da forma:
f ( x) = 1 2
2 1 2 2 ( x )2

, < x < , < < , 2 > 0 .

Com a seguinte representao grfica: f(x)

x
PROPRIEDADES DA CURVA NORMAL:

1. unimodal, isto , f(x) tem um ponto de mximo, cuja abscissa x = . Esse ponto situado no meio da distribuio aquele em que coincidem os valores da mdia, moda e mediana. 2. f(x) simtrica com relao reta x = . 3. f(x) tem dois pontos de inflexo, cujas abscissas so x = e x = + 4. f(x) tem uma assntota: eixo x, isto , a partir do topo a curva cai gradativamente at formar as caudas, que se estendem indefinidamente, aproximando-se cada vez mais da linha base, sem entretanto, jamais toc-la. 5. Fixando-se a mdia, verifica-se que o achatamento da curva est diretamente ligado ao valor do desvio padro , ou seja, quanto maior for o desvio padro mais achatada a curva como pode ser vista na figura abaixo.

61

f(x)

Para o clculo das probabilidades surgem dois problemas: 1. integrar a funo de densidade 2. tabelar os dados, j que < < e 2 > 0 .

A soluo para este problema surge fazendo uma mudana na varivel. A mudana : X Z=

Ento:
1 X 1 E (Z ) = E = ( E ( X ) ) = ( ) = 0 , e 1 X Var ( Z ) = Var = 2 Var ( X ) = 1

Ento, Z ~ N(0,1), isto , a varivel aleatria Z tem distribuio normal padro, reduzida ou Standard e sua fdp dada por: f ( z) = 1 2 z2 e , < z < . 2
1

A curva normal padro conserva as mesmas propriedades listadas anteriormente. Atravs de mtodos de integrao numrica podemos calcular integrais da distribuio acima, e de fato P( Z x ) tem sido tabelada extensivamente. A funo distribuio acumulada da distribuio normal padro denotada por (x), isto ,

( x) =

1 2

(e z

/2

)dz ,

62

Podemos utilizar a tabulao da funo , a fim de calcularmos a P (a Z b) , visto que P (a Z b) = P ( Z b) P ( Z a ) = (b) (a ) . A utilidade notvel da tabulao acima devida ao fato de que, se X tiver qualquer distribuio normal N(,2), a funo tabelada pode ser empregada para calcular probabilidades associadas a X. Simplesmente empregaremos a transformada para a varivel Z. Consequentemente,
b b a a b a P ( a X b) = P Z = P Z P Z =

evidente da definio que ( x ) = 1 ( x ) .

EXERCCIOS:

1. Seja Z uma varivel aleatria com distribuio normal padro. Encontre: a) P(0 Z 1,42) b) P( 0,73 Z 0) c) P( 1,37 Z 2,01)
SOLUO:

d) P(0,65 Z 1,26) e) P( Z 113) , f) P( Z 0,5)

a) b) c) d) e) f)

P (0 Z 1,42) = (1,42) (0) = 0,9222 0,5 = 0,4222 P ( 0,73 Z 0) = (0) ( 0,73) = 0,5 0,2327 = 0,2673 P ( 1,37 Z 2,01) = (2,01) ( 1,37) = 0,9778 0,0853 = 0,8925 P (0,65 Z 1,26) = (1,26) (0,65) = 0,8962 0,7422 = 0,1540 P ( Z 113) = 1 P ( Z < 1,13) = 1 (113) = 1 0,8708 = 0,1292 , , P( Z 0,5) = P( 0,5 Z 0,5) = (0,5) ( 0,5) = 0,6915 0,3085 = 0,3830

2. Seja Z uma varivel aleatria com distribuio normal padro. Determine o valor de t se: a) P( Z t ) = 0,7967 b) P(t Z 2) = 0,1000
SOLUO:

c) P(0 Z t ) = 0,4236 d) P( Z > t ) = 0,9099

a) P ( Z t ) = 0,7967 (t ) = 0,7967 t = 0,83 b) P ( Z > t ) = 0,9099 1 (t ) = 0,9099 (t ) = 0,0901 t = 1,34 P(0 Z t ) = 0,4236 (t ) (0) = 0,4236 (t ) 0,5 = 0,4236 (t ) = 0,9236 c) t = 1,43 P(t Z 2) = 0,1000 (2) (t ) = 0,1 0,9772 (t ) = 0,1 (t ) = 0,8772 d) t = 116 ,
63

3. Seja X uma varivel aleatria com distribuio N(2;0,16). Calcule: a) P( X > 2,3) b) P(1,8 X 2,1)
SOLUO: X 2 2,3 2 a) P( X > 2,3) = 1 P = 1 (0,75) = 1 0,7734 = 0,2266 0,4 0,4
1,8 2 X 2 2,1 2 P (1,8 X 2,1) = P = P ( 0,5 Z 0,25) = (0,25) ( 0,5) = b) 0,4 0,4 0,4 = 0,5987 0,3085 = 0,2902

c) P( X t ) = 0,48 d) P( X > t ) = 0,34

t 2 X 2 t 2 t 2 c) P( X t ) = 0,48 P = 0,05 t = 1,98 = 0,48 = 0,48 0,4 0,4 0,4 0,4

X 2 t 2 P( X > t ) = 0,34 1 P( X t ) = 0,34 P( X t ) = 0,66 P = 0,66 0,4 0,4

d)

t 2 t 2 = 0,41 t = 2,164 = 0,66 0,4 0,4

4. Os salrios mensais dos operrios industriais so distribudos normalmente, em torno da mdia de R$ 50,00, com desvio padro de R$ 4,00. Encontre a probabilidade de um operrio ter um salrio semanal situado entre R$ 49,00 e R$ 52,00.
SOLUO: Queremos encontrar P(49 X 52) , ento 49 50 X 50 52 50 P(49 X 52) = P = P( 0,25 Z 0,5) = (0,5) ( 0,25) = 4 4 4 = 0,6915 0,4013 = 0,2902

, pois, de se esperar que, em mdia, 29,02% dos operrios tenham salrios entre R$ 49,00 e R$ 52,00.
6. REFERNCIAS BIBLIOGRFICAS

1. Meyer, P.L. (1984). Probabilidade: aplicaes estatstica. Livros tcnicos Cientficos Editora S.A. 2. Lipschutz, S. (1972). Probabilidade. Editora McGraw Hill do Brasil Ltda.

64