You are on page 1of 43

DISTRIBUIÇÃO NORMAL

Aula ministrada por
Prof. Luís Gustavo Esteves
Prof. Serguei Popov
Texto da aula
Prof Carlos Alberto (Caio) Dantas
Profª Elisete da C. Quintaneiro Aubin
Profª Mônica Carneiro Sandoval
FORMATAÇÃO & DESIGN:
Cléber da Costa Figueiredo
figuecl@ime.usp.br
Thiago Rodrigo Alves Carneiro
thiagorodrigo@ime.usp.br

Introdução

Até aqui estudamos variáveis aleatórias
discretas que são caracterizadas por ter uma
distribuição de probabilidade dada por uma
tabela que associa a cada um de seus
valores uma probabilidade.
Essas probabilidades são números entre
zero e um cuja soma é igual a 1 .

Exemplos
1) X : número observado quando se lança um dado
balanceado.
Valor :
1
2 3 4 5 6
Probabilidade : 1/6 1/6 1/6 1/6 1/6 1/6
2) Uma bola é retirada quatro vezes com reposição de
uma urna que contém quatro bolas brancas e seis
pretas. Seja X é o número de brancas nas quatro
retiradas. Logo, X tem distribuição binomial com n=10
e p = 0,4.
 10 
n −k
k
(
)
=
=
P[X k]   0,4 (0,6)
para k = 0, 1, 2, ...10.
 k 

Uso do MINITAB
MTB > pdf;
SUBC > bino 10 0,4.
x
P(X = x)
0
0,0060
1
0,0403
2
0,1209
3
0,2150
4
0,2508
5
0,2007
6
0,1115
7
0,0425
8
0,0106
9
0,0016
10
0,0001

Como são atribuídas probabilidades nesse caso? Para as variáveis contínuas as probabilidades são atribuídas por meio de uma curva cuja área entre a mesma e o eixo das abscissas é igual a um .Probabilidade: Variáveis Contínuas Uma variável aleatória contínua assume seus valores em um intervalo. .

integral .Área sob a curva Área sob a curva = 1 P  a≤x≤b  = área hachurada Esta curva é denominada densidade de probabilidade da variável aleatória.

b ∫ f  x dx=P a≤x≤b a voltar . é determinada calculando-se a integral definida entre a e b da densidade de probabilidade representada pela curva. como mostra a figura.A área sob uma curva delimitada por dois valores a e b.

Considere a seguinte densidade de probabilidade: f(x) = 2x para 0 ≤ x ≤ 1 e f(x) = 0 fora desse intervalo.   1 3 1 P ≤x ≤ =área hachurada na figura = 4 4 2 .

Exemplo da exponencial Exemplo: Considere a variável Y: tempo de duração. . de uma lâmpada. A função densidade é decrescente com uma grande proporção de valores entre 0 e 500 horas e uma pequena proporção de valores acima de 1500 horas. em horas.

Distribuição normal A distribuição normal é uma distribuição contínua cuja densidade de probabilidade é dada pela seguinte expressão: 1 f(x) = e σ 2π (x − µ )2 − 2σ 2 . -∞< x <∞ .

.O gráfico da densidade normal Propriedades: •A curva normal é simétrica em torno da média µ.σ e µ + σ são os pontos onde a concavidade da curva muda de sentido •A área sob a curva e acima do eixo horizontal é igual a 1. •Como consequência a mediana é igual à média ∀µ.

Quando falamos distribuição normal estamos empregando o termo num sentido um tanto ambíguo.Parâmetros da distibuição normal A distribuição normal depende dos parâmetros de posição µ e de dispersão σ2.∞ < µ < ∞ e σ2 > 0. que pode se referir a uma distribuição normal com um µ e um σ2 dados ou ao conjunto de todas as distribuições normais em que . .

Pode-se calcular a variância de X. obtém-se: E{ X. Usaremos a seguinte notação para indicar a distribuição normal com média µ e variância σ2 : X ~ N(µ. Ou seja σ2 é a variância de X. σ2) .O significado de µ e σ2 Da simetria da curva tem-se que E(X) = µ.E(X)}2 = σ2.

. Na próxima aula vamos utilizar um resultado da teoria das probabilidades que mostra um caráter universal da distribuição normal e justifica porque ela é encontrada com freqüência. Ela foi introduzida pelo matemático alemão Karl Frederich Gauss em 1809 para descrever a distribuição dos erros de medidas.Importância da distribuição normal A distribuição normal é uma das mais importantes na Estatística porque um grande número de fenômenos aleatórios podem ser aproximados por essa distribuição. Este resultado é denominado teorema do limite central.

(ii) P(a ≤ X ≤ b): área sob a curva de densidade f(x) e acima do eixo x entre os pontos a e b.a.Propriedades dos modelos contínuos Em resumo. . as variáveis contínuas têm as seguintes propriedades: Uma v. (iv) Uma consequência de (ii) é que P(X = x0) = 0. (iii) f(x) ≥ 0. X contínua é caracterizada por sua função densidade de probabilidade f(x) tal que: (i) A área sob a função de densidade é 1.

que: P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b) .Probabilidades de intervalos Decorre da propriedade (iv).

Curvas normais com mesma média mas com desvios padrão diferentes. .

.Curvas normais com mesmo desvio padrão mas com médias diferentes.

.Cálculo de probabilidades para uma variável aleatória X com distribuição N(µ. σ2) P(a < X < b) = área sob a curva e acima do eixo horizontal entre a e b.

σ2) vamos usar a seguinte propriedade da distribuição normal: Se X tem distribuição N(µ. σ2) então a v. X −µ . a. Z= σ tem distribuicão normal com média 0 e variância 1.Para calcular probabilidades associadas a qualquer distribuição N(µ. .

µ  < < < < Z  P(a < X < b) = P  = P σ  σ σ   σ  σ Z ~ N (0.1) . para calcular P (a < X < b) reduz-se X a uma variável normal padrão Z a.µ b.µ b .µ X. Portanto.µ   a .Conclusão A importância desse resultado é que a nova variável tem também distribução normal.

para z ≥ 0. de .Uso da tabela normal padrão A tabela II do livro Noções Estatística fornece os valores de: A(z) = P(Z ≤ z).

9418 0.9997 0.9115 0.9974 0.6179 0.8770 0.9616 0.9994 0.2 3.5832 0.9994 0.9981 0.9726 0.8159 0.9826 0.9995 0.9641 0.9994 0.1 1.9929 0.8365 0.9997 0.5753 0.9699 0.8 1.9738 0.9850 0.9936 0.8340 0.9991 0.9131 0.9953 0.9099 0.9999 0.9719 0.4 3.7549 0.9890 0.9992 0.8389 0.9988 0.9463 0.8749 0.9236 0.7357 0.7 1.6293 0.8621 0.5160 0.9984 0.9991 0.9 0 0.9332 0.9452 0.9999 0.9904 0.9949 0.5517 0.9887 0.7642 0.9991 0.8531 0.9920 0.9803 0.9987 0.8051 0.9732 0.9995 0.9952 0.9893 0.7764 0.9032 0.9761 0.7734 0.9977 0.9918 0.6915 0.9997 0.9495 0.6103 0.9999 0.9857 0.9999 1.9990 0.9999 0.9961 0.5279 0.9573 0.0000 3 0.9906 0.9979 0.9931 0.9861 0.9608 0.8554 0.8186 0.7291 0.6591 0.0 0.9830 0.9999 0.9993 0.7881 0.9983 0.9 3.9997 0.9015 0.0000 2 0.9989 0.9999 0.9564 0.9370 0.9292 0.8708 0.9999 1.9999 0.8106 0.5239 0.8686 0.9997 0.8849 0.9854 0.6 3.9515 0.9967 0.9767 0.6 0.5478 0.9945 0.9798 0.9783 0.9998 0.5040 0.9959 0.9992 0.7823 0.9987 0.6064 0.9951 0.9345 0.9985 0.6736 0.9591 0.9956 0.4 1.9927 0.8643 0.9554 0.8 2.9998 0.9995 0.9878 0.9997 0.8 0.9778 0.7673 0.9998 0.9964 0.9406 0.9999 1.9999 1.9693 0.9997 0.9995 0.9999 1.7580 0.9999 0.9999 0.9972 0.9535 0.8508 0.3 3.9207 0.9982 0.9922 0.9997 0.8438 0.5 0.9998 0.9834 0.9838 0.9082 0.7324 0.9996 0.6368 0.9812 0.9970 0.8 3.8729 0.5438 0.9990 0.7517 0.9982 0.0000 7 0.9963 0.9989 0.7704 0.9545 0.Parte inteira e primeira decimal de z Distribuição Normal : Valores de P( Z < z ) = A(z) Segunda decimal de z 0.7190 0.9980 0.9996 0.3 1.5199 0.8133 0.9382 0.9993 0.9582 0.9999 1.8461 0.5120 0.6950 0.7995 0.6985 0.9973 0.8264 0.9976 0.9875 0.8962 0.7054 0.6772 0.6 2.9066 0.8212 0.9319 0.7019 0.5359 0.7486 0.5398 0.9306 0.9871 0.7157 0.8888 0.2 2.5000 0.8869 0.9911 0.9649 0.2 0.9990 0.7 3.9999 1.9971 0.9864 0.7611 0.9998 0.9394 0.5 2.6554 0.5636 0.8023 0.9793 0.5871 0.6628 0.9974 0.6879 0.8944 0.9525 0.9984 0.5319 0.9162 0.7257 0.9686 0.7939 0.9986 0.8078 0.9999 0.9664 0.5714 0.3 0.7 2.6217 0.9978 0.9995 0.0000 4 0.9938 0.9999 0.5948 0.6700 0.9 2.5557 0.9265 0.8810 0.9429 0.9868 0.9941 0.9474 0.1 3.8980 0.9750 0.9996 0.5910 0.0000 5 0.9177 0.9999 0.9441 0.9999 0.9625 0.5 3.8577 0.9934 0.6517 0.9994 0.9955 0.9808 0.9999 0.9993 0.9279 0.7794 0.5596 0.8907 0.9957 0.6808 0.0 2.9925 0.9932 0.7389 0.7454 0.9846 0.9986 0.9999 0.8665 0.9962 0.9656 0.1 0.8599 0.0000 8 0.9940 0.9788 0.1 2.9943 0.9969 0.9049 0.7967 0.9357 0.9977 0.9 1.9222 0.8997 0.6 1.5675 0.9985 0.9678 0.9999 1.9192 0.9998 0.9992 0.7852 0.9966 0.9988 0.5080 0.9633 0.8315 0.6480 0.9996 0.9901 0.8790 0.9998 0.6406 0.0 1.9981 0.2 1.9881 0.6664 0.6844 0.9993 0.9898 0.5987 0.8289 0.6026 0.7910 0.6141 0.9744 0.9948 0.9817 0.9842 0.0 3.4 2.8485 0.9998 0.9999 1.8925 0.9987 0.9896 0.9996 0.8238 0.8830 0.9999 0.9989 0.9671 0.0000 .7422 0.9992 0.9998 0.9946 0.9998 0.4 0.7224 0.7123 0.9821 0.9979 0.5 1.3 2.9999 0.9505 0.9965 0.9756 0.9147 0.6443 0.7088 0.6331 0.9484 0.9997 0.9713 0.6255 0.9706 0.9998 0.9999 1.9913 0.9909 0.0000 6 0.9968 0.9996 0.0000 9 0.9916 0.9994 0.9599 0.7 0.9884 0.0000 1 0.8413 0.9995 0.9251 0.9772 0.9998 0.9998 0.9999 0.5793 0.9960 0.9975 0.9997 0.

1) Calcular P(Z ≤ 1.71) P(Z ≤ 1.71) = 0.71) = A(1.9564 .Exemplo (a): Seja Z ~ N (0.

0.9564 .71) .4564 .71) P(0 < Z ≤ 1.1) Calcular P(0 < Z ≤ 1.0.5 = 0.Exemplo (b): Seja Z ~ N (0.71) = A(1.5 = 0.

32 < Z ≤ 1.0567 .9633 .32 < Z ≤ 1.9066 = 0.79) P(1.79) = A(1.79) .1) Calcular P(1.Exemplo (c): Seja Z ~ N (0.A(1.32) = 0.0.

0.1) Calcular P(Z ≥ 1.A(1.5) = 1 .5) P(Z ≥ 1.9332 = 0.0668 .Exemplo (d): Seja Z ~ N (0.5) = 1 .

9032 = 0.3) = 1 .3) P(Z ≤ -1.Exemplo (e): Seja Z ~ N (0.0968 .0.1) Calcular P(Z ≤ -1.3) = 1 .A(1.

0.5 = 0.1) Calcular P(-1.32 < Z < 0) = P(0 < Z < 1.5 = 0.32) .32 < Z < 0) P(-1.32) = A(1.0.Exemplo (f): Seja Z ~ N (0.4066 .9066 .

3) .3 < Z ≤ -1.9319 = 0.49) = 0.9893 .A(1.Exemplo (g): Seja Z ~ N (0.0574 .0.3 < Z ≤ -1.49) = P(1.1) Calcular P(-2.49 < Z ≤ 2.49) P(-2.3) = A(2.

(1 .[ 1 .9773 .8186 .1) Calcular P(-1 ≤ Z ≤ 2) P(-1 ≤ Z ≤ 2) = A(2) .Exemplo (h): Seja Z ~ N (0.0.A(1) ] = 0.8413) = 0.

975 z é tal que A(z) = 0. z = 1. 1) tal que P(Z ≤ z) = 0.a) Como encontrar o valor z na distribuição N(0.96 .975 Pela tabela.

4975 = 0. 1) tal que: P(0 < Z ≤ z) = 0.b) Como encontrar o valor z na distribuição N(0.9975 Pela tabela.5 + 0.81 . z = 2.4975 z é tal que A(z) = 0.

1) tal que: P(Z ≥ z) = 0.7 Pela tabela.3 z é tal que A(z) = 0.53 . z = 0.c) Como encontrar o valor z na distribuição N(0.

975 .d) Como encontrar o valor z na distribuição N(0. 1) tal que P(Z ≥ z) = 0.975 Determine k tal que A(k) = 0. z = -k Pela tabela k = 1.96 ∴ z = -1.96 .

28 ∴ z = -1.9 . z = -k Pela tabela k = 1.e) Como encontrar o valor z na distribuição N(0. 1) tal que P(Z ≤ z) = 0.10 Determine k tal que A(k) = 0.28 .

5 < Z < 0.25) .5987 .Exemplo (a): Seja X ~ N (10.(1 .A(0. 25) 8 8   8 P(6 < X < 12) = A(0.5)] = 0.[1 .2902 .64) Calcular P(6 < X < 12)  6 − 10 X − 10 12 − 10  < < P ( 6 < X < 12 ) = P   = P ( − 0.6915) = 0.0.

5987] + [1 .A(0.7098 .0.5)] = [1 .25)] + [1 .64) Calcular P(X < 8 ou X > 14)  8 .A(0.6915] = 0.25) + P(Z > 0.0.Exemplo (b): Seja X ~ N (10.10  < + > = < + > P(X 8) P(X 14) P Z  P Z  = P(Z < −0.10   14 .5) 8   8   P(X < 8 ou X > 14) = [1 .

z = k .05  k . Pela tabela z = 1.64.64 Então.95.10 = 1.10  ≥ = ⇒ ≥ P(X k) 0.64) Calcular k tal que P( X ≥ k) = 0.Exemplo (c): Seja X ~ N (10.05 8   z é tal que A(z) = 0.64x8 = 23.05 P Z  = 0. 8 Logo.12 . k = 10 + 1.

025 8   z é tal que A(z) = 0.Exemplo (d): Seja X ~ N (10. Pela tabela z = 1. 8 Logo.68 . k = 10 .025  k .96 k . Então.975.10  P(X ≤ k) = 0.1.1.10 = -z = .025 ⇒ P Z ≤  = 0.96x8 = -5.64) Calcular k tal que P( X ≤ k) = 0.96.

σ ≤ X ≤ µ + σ ) = 0.997 .5] = 2 x (0.955 (iii) P( µ .5) = 0.0.0.683 (ii) P( µ .6826 Portanto P( µ .Observação: Se X ~ N (µ .3σ ≤ X ≤ µ + 3σ ) = P( -3 ≤ Z ≤ 3 ) = 0.2σ ≤ X ≤ µ + 2σ ) = P( -2 ≤ Z ≤ 2 ) = 0.8413 . σ2) µ +σ − µ   µ −σ − µ ≤Z≤ (i) P ( µ − σ ≤ X ≤ µ + σ ) = P   = P (−1 ≤ Z ≤ 1) σ  σ  P(-1 ≤ Z ≤ 1) = 2 x [A(1) .

A(1.0.0918 . 225)  100 − 120  P(T < 100) = P Z <  = P(Z < −1. a) Sorteando-se um aluno ao acaso.9082 = 0. qual é a probabilidade dele terminar o exame antes de 100 minutos? T: tempo gasto no exame vestibular T ~ N(120. com µ = 120 min e σ = 15 min.33) 15   P(Z < -1.Exemplo (a) O tempo gasto no exame vestibular de uma universidade tem distribuição Normal.33) = 1 .33) = 1 .

120 = 1.64 t .95 ⇒ P  Z <  = 0. 225)  t − 120  P(T < t) = 0.64x15 = 144.Exemplo (b) b) Qual deve ser o tempo de prova. 15 ⇒ t = 120 + 1. Pela tabela z = 1. de modo a permitir que 95% dos vestibulandos terminem no prazo estipulado? T: tempo gasto no exame vestibular T ~ N(120.6 min .64 Então.95.95 15   z é tal que A(z) = 0.