i i

Aula 3
A D ISTRIBUIÇ ÃO N ORMAL – 2¯a PARTE

ObjetivoNesta aula, serão apresentados resultados básicos

sobre a distribuição normal que permitirão que você
calcule probabilidades associadas a qualquer variável
aleatória normal, e isso ampliará o escopo de aplica-
ções práticas.

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

C ÁLCULOS COM A D ISTRIBUIÇÃO N OR -

MAL

Na aula anterior, você viu como usar a tabela da distribuição

normal padrão para calcular probabilidades associadas à variável
normal padronizada. Essa tabela é necessária para fazer os cál-
culos, pois não é “fácil” calcular áreas sob a curva da densidade
normal padrão.
Aquela tabela faz referência ao caso em que µ = 0 e σ 2 = 1.
Será que teremos que usar uma tabela diferente para outros va-
lores de µ e σ ? Felizmente, a resposta é NÃO, graças a uma
propriedade muito interessante da distribuição normal que esta-
belece o seguinte resultado:

!
Se X ∼ N µ ; σ 2 , então

X −µ
Z= (3.1)
σ
tem distribuição N(0; 1).

µ
Note que a transformação X−σ é uma transformação linear,
que é uma transformação biunı́voca. Vejamos como usar esse
resultado para calcular probabilidades de uma v.a. normal qual-
quer.
Consideremos, por exemplo, X ∼ N(1; 4), ou seja, X é uma
v.a. normal com média 1 e variância 4. Suponhamos que se de-
seje calcular Pr(X ≤ 3). Temos a seguinte equivalência de even-
tos:
X −1 3−1
X ≤ 3 ⇐⇒ √ ≤ √
4 4

Veja que subtraı́mos a mesma constante e dividimos pela

mesma constante em ambos os lados da desigualdade. Mas, pelo
resultado acima, Z = X−1
√ ∼ N(0; 1). Logo,
4
   
X −1 3−1 3−1
Pr(X ≤ 3) = Pr √ ≤ √ = Pr Z ≤ √
4 4 4

8 CEDERJ e caı́mos novamente no cálculo de probabilidades da Normal

i i
 i i

3 1 MÓDULO 1
padrão, que é feito com auxı́lio da Tabela 2.1, apresentada na
aula anterior. Completando o cálculo, obtemos:
 
3−1
Pr(X ≤ 3) = Pr Z ≤ √
4
= Pr(Z ≤ 1)

AULA
= 0, 5 + tab(1)
= 0, 84134

Na Figura 3.1 ilustra-se a equivalência dessas probabilida-

des: no primeiro gráfico, a área sombreada corresponde a
Pr(X ≤ 3) e, no segundo gráfico, a área sombreada corresponde
a Pr(Z ≤ 1). Pelo resultado acima, essas duas áreas são iguais.

Figura 3.1: Cálculo de Pr(X ≤ 3), X ∼ N(1; 4).

CEDERJ 9

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

É interessante lembrar que a transformação dada na equação

(3.1) corresponde a calcular o escore padronizado associado à
abscissa x. Assim, cálculos de probabilidades de v.a. normais
sempre envolverão o cálculo do escore padronizado da(s) abs-
cissa(s) de interesse.
Como na aula anterior, vamos apresentar vários exemplos
para fixar os conceitos e procedimentos. Nesses exemplos apre-
sentaremos os cálculos em termos da Tabela 2.1 e da Tabela 2.2,
usando a mesma notação utilizada na aula anterior: na Tabela
2.1, obtemos tab(z) = Pr(0 ≤ Z ≤ z) e, na Tabela 2.2, obtemos
Φ(z) = Pr(Z ≤ z). É importante que você faça um esboço do
gráfico da N(0; 1) sombreando a área desejada.
 

Exemplo 3.1. 
blablabl

Se X ∼ N(3; 9), calcule Pr(−1 ≤ X ≤ 4).

Solução: Cálculo usando a Tabela 2.2:
 
−1 − 3 X − 3 4 − 3
Pr(−1 ≤ X ≤ 4) = Pr √ ≤ √ ≤ √
9 9 9
= Pr (−1, 33 ≤ Z ≤ 0, 33) Veja a Figura 3.2.
= Φ(0, 33) − Φ(−1, 33)
= 0, 62930 − 0, 09176 = 0, 53754

Cálculo usando a Tabela 2.1:

 
−1 − 3 X − 3 4 − 3
Pr(−1 ≤ X ≤ 4) = Pr √ ≤ √ ≤ √
9 9 9
= Pr (−1, 33 ≤ Z ≤ 0, 33) Veja a Figura 3.2.
= tab(0, 33) + tab(1, 33)
= 0, 12930 + 0, 40824 = 0, 53754

10 C E D E R J

i i
 i i

3 1 MÓDULO 1
AULA
Figura 3.2: Cálculo de Pr(−1 ≤ X ≤ 4), X ∼ N(3; 9): curva da Normal
padrão com −1, 33 ≤ Z ≤ 0, 33.

 

Exemplo 3.2. 
blablabl

Se X ∼ N(2; 5), calcule Pr(−1 ≤ X ≤ 4).

Solução:
Cálculo usando a Tabela 2.2:
 
−1 − 2 X − 2 4 − 2
Pr(−1 ≤ X ≤ 4) = Pr √ ≤ √ ≤ √
5 5 5
= Pr (−1, 34 ≤ Z ≤ 0, 89) Veja a Figura 3.3.
= Φ(0, 89) − Φ(−1, 34)
= 0, 81327 − 0, 09012 = 0, 72315

Cálculo usando a Tabela 2.1:

 
−1 − 2 X − 2 4 − 2
Pr(−1 ≤ X ≤ 4) = Pr √ ≤ √ ≤ √
5 5 5
= Pr (−1, 34 ≤ Z ≤ 0, 89) Veja a Figura 3.3.
= tab(0, 89) + tab(1, 34)
= 0, 31327 + 0, 40988 = 0, 72315

C E D E R J 11

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Figura 3.3: Cálculo de Pr(−1 ≤ X ≤ 4), X ∼ N(2; 5): curva da Normal

padrão com −1, 34 ≤ Z ≤ 0, 89.

 

Exemplo 3.3. 
blablabl

Se X ∼ N(5, 1), calcule Pr(X > 7).

Solução:
Cálculo usando a Tabela 2.2:
 
X −5 7−5
Pr(X > 7) = Pr >
1 1
= Pr(Z > 2) Veja a Figura 3.4.
= 1, 0 − Φ(2, 0)
= 1, 0 − 0, 97725 = 0, 02275

Cálculo usando a Tabela 2.1:

 
X −5 7−5
Pr(X > 7) = Pr >
1 1
= Pr(Z > 2) Veja a Figura 3.4.
= 0, 5 − tab(2, 0)
= 0, 5 − 0, 47725 = 0, 02275

12 C E D E R J Figura 3.4: Cálculo de Pr(X > 7), X ∼ N(5, 1): curva da Normal padrão
com Z > 2.

i i
 i i

 

3 1 MÓDULO 1

Exemplo 3.4. 
blablabl

Se X ∼ N µ ; σ 2 , calcule Pr(µ − σ ≤ X ≤ µ + σ ).

Solução:
Note que essa probabilidade corresponde à probabilidade de

AULA
X estar a uma distância de um desvio padrão da média.
Cálculo usando a Tabela 2.2:
µ −σ −µ X −µ µ +σ −µ
 
Pr(µ − σ ≤ X ≤ µ + σ ) = Pr ≤ ≤
σ σ σ
= Pr(−1 ≤ Z ≤ 1)
= Φ(1, 0) − Φ(−1, 0)
= 0.84134 − 0.15866 = 0, 68268

Cálculo usando a Tabela 2.1:

µ −σ −µ X −µ µ +σ −µ
 
Pr(µ − σ ≤ X ≤ µ + σ ) = Pr ≤ ≤
σ σ σ
= Pr(−1 ≤ Z ≤ 1)
= tab(1, 0) + tab(1, 0)
= 2 × 0.34134 = 0, 68268
 

Exemplo 3.5. 
blablabl

Se X ∼ N µ ; σ 2 , calcule Pr(µ − 2σ ≤ X ≤ µ + 2σ ).

Solução:
Note que essa probabilidade corresponde à probabilidade de
X estar a uma distância de dois desvios padrões da média.

C E D E R J 13

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Cálculo usando a Tabela 2.2:

µ − 2σ − µ X − µ µ + 2σ − µ
 
Pr(µ − 2σ ≤ X ≤ µ + 2σ ) = Pr ≤ ≤
σ σ σ
= Pr(−2 ≤ Z ≤ 2)
= Φ(2, 0) − Φ(−2, 0)
= 0.97725 − 0.02275 = 0, 95450

Cálculo usando a Tabela 2.1:

µ − 2σ − µ X − µ µ + 2σ − µ
 
Pr(µ − 2σ ≤ X ≤ µ + 2σ ) = Pr ≤ ≤
σ σ σ
= Pr(−2 ≤ Z ≤ 2)
= tab(2, 0) + tab(2, 0)
= 2 × 0.47725 = 0, 95450

Essa probabilidade nos diz que, para qualquer distribuição nor-

mal, 95,45% dos valores estão a dois desvios padrões da média
(acima ou abaixo).
 

Exemplo 3.6. 
blablabl

Se X ∼ N µ ; σ 2 , calcule Pr(µ − 3σ ≤ X ≤ µ + 3σ ).

Solução:
Note que essa probabilidade corresponde à probabilidade de
X estar a uma distância de três desvios padrões da média.
Cálculo usando a Tabela 2.2:
µ − 3σ − µ X − µ µ + 3σ − µ
 
Pr(µ − 3σ ≤ X ≤ µ + 3σ ) = Pr ≤ ≤
σ σ σ
= Pr(−3 ≤ Z ≤ 3)
= Φ(3, 0) − Φ(−3, 0)
= 0.99865 − 0.00135 = 0, 9973

14 C E D E R J

i i
 i i

3 1 MÓDULO 1
Cálculo usando a Tabela 2.1:
µ − 3σ − µ X − µ µ + 3σ − µ
 
Pr(µ − 3σ ≤ X ≤ µ + 3σ ) = Pr ≤ ≤
σ σ σ
= Pr(−3 ≤ Z ≤ 3)
= tab(3, 0) + tab(3, 0)

AULA
= 2 × 0.49865 = 0, 9973

Essa probabilidade nos diz que, para qualquer distribuição

normal, 99,73% dos valores estão a três desvios padrões da média
(acima ou abaixo).
Veja a Figura 3.5 para uma ilustração desses resultados.

Figura 3.5: Ilustração da distribuição normal.

Lembre-se de que o teorema de Chebyshev fornecia per-

centuais análogos para qualquer distribuição. Para distribuições
normais, os resultados desses três exemplos mostram percentu-
ais mais precisos.

 

Exemplo 3.7. 
blablabl

Determine o valor de k tal que Pr(Z ≤ k) = 0, 90.

Solução:
Lembre-se de que Z ∼ N(0; 1).
Nos exemplos anteriores, tı́nhamos a abscissa e querı́amos
a probabilidade (área); neste exemplo, temos a probabilidade e
queremos a abscissa. Esta é uma situação comum em problemas
de tomada de decisão, conforme veremos em exemplos mais adi-
ante. C E D E R J 15

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Vamos “traduzir” essa probabilidade em termos da Tabela

2.1. O primeiro ponto a observar é o seguinte: Pr(Z ≤ k) indica
a área à esquerda de k; como essa área à esquerda de k é maior
que 0,5, temos de ter k > 0. Assim, podemos escrever

Pr(Z ≤ k) = 0, 90 ⇐⇒
Pr(Z ≤ 0) + Pr(0 < Z ≤ k) = 0, 90 ⇐⇒
0, 5 + Pr(0 < Z ≤ k) = 0, 90 ⇐⇒
Pr(0 < Z ≤ k) = 0, 40 ⇐⇒
tab(k) = 0, 40

Esta última igualdade nos diz que k é a abscissa correspon-

dente ao valor 0,40 na Tabela 2.1. Para identificar k, temos que
buscar no corpo da Tabela 2.1 o valor mais próximo de 0,40.
Na linha correspondente ao valor 1,2 encontramos as entradas
0,39973 e 0,40147. Como a primeira está mais próxima de 0,40,
olhamos qual é a abscissa correspondente: a linha é 1,2 e a co-
luna é 8, o que nos dá a abscissa de 1,28, ou seja, k = 1, 28.
 

Exemplo 3.8. 
blablabl

Se X ∼ N(3; 4) calcule k tal que Pr(X ≤ k) = 0, 90.

Solução:
A diferença em relação ao exemplo anterior é que a distribuição
não é mais a normal padrão. Mas o raciocı́nio é análogo, e
podemos concluir que k tem de ser maior que a média. Vamos
traduzir a probabilidade dada em termos da normal padronizada.

Pr(X ≤ k) = 0, 90 ⇐⇒
 
X −3 k−3
Pr ≤ = 0, 90 ⇐⇒
2 2
 
k−3
Pr Z ≤ = 0, 90
2

Pelo mesmo motivo que k > 0 no exemplo anterior, aqui de-

vemos ter k−3
2 > 0. Assim, podemos escrever

16 C E D E R J

i i
 i i

3 1 MÓDULO 1
 
k−3
Pr Z ≤ = 0, 90 ⇐⇒
2
 
k−3
Pr(Z ≤ 0) + Pr 0 ≤ Z ≤ = 0, 90 ⇐⇒
2

AULA
 
k−3
0, 5 + Pr 0 ≤ Z ≤ = 0, 90 ⇐⇒
2
 
k−3
Pr 0 ≤ Z ≤ = 0, 40 ⇐⇒
2
k−3
= 1, 28 ⇐⇒ k = 5, 56
2
 

Exemplo 3.9. 
blablabl

Se X ∼ N(3; 4), calcule k tal que Pr(X ≤ k) = 0, 05.

Solução:
Em termos da normal padronizada, temos a seguinte proba-
bilidade:

Pr(X ≤ k) = 0, 05 ⇐⇒
 
X −3 k−3
Pr ≤ = 0, 05 ⇐⇒
2 2
 
k−3
Pr Z ≤ = 0, 05
2

Como a área (probabilidade) à esquerda de k−3

2 é menor que
k−3
0, 5, isso significa que 2 tem de ser negativo. Veja a Fi-
gura 3.6.

k−3
Figura 3.6: Pr(Z ≤ 2 ) = 0, 05, então por simetria, Pr(Z ≥ − k−3
2 )=
0, 05 também. C E D E R J 17

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

A abscissa simétrica a k−3 k−3 3−k

2 é − 2 = 2 . Então, a área
acima dessa abscissa também é 0,05. Logo,
 
k−3
Pr Z ≤ = 0, 05 ⇐⇒
2
 
k−3
Pr Z ≥ − = 0, 05 ⇐⇒
2
 
3−k
Pr Z ≥ = 0, 05 ⇐⇒
2
 
3−k
Pr 0 ≤ Z ≤ = 0, 45 ⇐⇒
2
 
3−k
tab = 0, 45
2

O valor mais próximo de 0,45 no corpo da Tabela 2.1 é

0,44950 que corresponde à abscissa 1,64, e isso nos dá que
3−k
= 1, 64 ⇒ k = −0, 28
2
 

Exemplo 3.10. 
blablabl

Se X ∼ N(3; 4) calcule k tal que Pr(| X − 3 | ≤ k) = 0, 95.

Solução: Usando as propriedades da função módulo (veja a Fi-
gura 11.2 da Aula 11 de Métodos Estatı́sticos I), temos o se-
guinte:

Pr(| X − 3 | ≤ k) = 0, 95 ⇐⇒
Pr(−k ≤ X − 3 ≤ k) = 0, 95 ⇐⇒
Pr (3 − k ≤ X ≤ k + 3) = 0, 95 ⇐⇒
 
3−k−3 X −3 k+3−3
Pr ≤ ≤ = 0, 95 ⇐⇒
2 2 2
 
−k k
Pr ≤Z≤ = 0, 95
2 2

Veja a Figura 3.7.

18 C E D E R J

i i
 i i

3 1 MÓDULO 1
AULA
Figura 3.7: Curva da Normal padrão com −k k
2 ≤ Z ≤ 2.

Podemos ver que

 
−k k
Pr ≤Z≤ = 0, 95 ⇐⇒
2 2
   
−k k
Pr ≤ Z ≤ 0 + Pr 0 ≤ Z ≤ = 0, 95 ⇐⇒
2 2
 
k
2 × Pr 0 ≤ Z ≤ = 0, 95 ⇐⇒
2
 
k
Pr 0 ≤ Z ≤ = 0, 475 ⇐⇒
2
 
k
tab = 0, 475 ⇐⇒
2
k
= 1, 96 ⇐⇒ k = 3, 92
2

E XEMPLOS DE A PLICAÇÃO DA D ISTRIBUIÇÃO

N ORMAL
A distribuição normal é um modelo probabilı́stico que se
aplica a diversas situações práticas. Vamos finalizar esta aula
com alguns exemplos práticos, mas, na terceira parte do curso,
você verá mais aplicações no contexto da inferência estatı́stica,
em que decisões têm de ser tomadas com base nos resultados
obtidos a partir de uma amostra.

C E D E R J 19

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

 

Exemplo 3.11. 
blablabl

O saldo médio dos clientes de um banco é uma v.a. normal

com média R$ 2.000, 00 e desvio padrão R$ 250,00. Os cli-
entes com os 10% maiores saldos médios recebem tratamento
VIP, enquanto aqueles com os 5% menores saldos médios serão
“convidados” a mudar de banco.

1. Quanto você precisa de saldo médio para se tornar um

cliente VIP?

2. Abaixo de qual saldo médio o cliente será “convidado” a

mudar de banco?

Solução: Seja X = “saldo médio”; é dado que X ∼ N(2000; 2502 ).

1. Temos que determinar o valor de k tal que

Pr(X ≥ k) = 0, 10. Note que isso equivale a calcular o 90o
percentil da distribuição. A área à esquerda de k tem de
ser 0,90; logo, k tem de ser maior que a média.

Pr(X ≥ k) = 0, 10 ⇐⇒
 
X − 2000 k − 2000
Pr ≥ = 0, 10 ⇐⇒
250 250
 
X − 2000 k − 2000
Pr ≤ = 0, 90 ⇐⇒
250 250
 
k − 2000
Pr Z ≤ = 0, 90 ⇐⇒
250
 
k − 2000
Pr(Z ≤ 0) + Pr 0 ≤ Z ≤ = 0, 90 ⇐⇒
250
 
k − 2000
Pr 0 ≤ Z ≤ = 0, 90 − 0, 50 ⇐⇒
250
 
k − 2000
tab = 0, 40 ⇐⇒
250
k − 2000
= 1, 28 ⇐⇒ k = 2320
250
Os clientes com saldo médio maior ou igual a R$ 2.320, 00
terão tratamento VIP.

2. Temos de determinar o valor de k tal que

Pr(X ≤ k) = 0, 05. Note que isso equivale a calcular o 5o
20 C E D E R J percentil da distribuição. A área à esquerda de k tem de
ser 0,05; logo, k tem de ser menor que a média.
i

i i
 i i

3 1 MÓDULO 1
Pr(X ≤ k) = 0, 05 ⇐⇒
 
X − 2000 k − 2000
Pr ≤ = 0, 05 ⇐⇒
250 250
 
k − 2000
Pr Z ≥ − = 0, 05 ⇐⇒

AULA
250
 
2000 − k
Pr Z ≥ = 0, 05 ⇐⇒
250
 
2000 − k
tab = 0, 45 ⇐⇒
250
2000 − k
= 1, 64 ⇐⇒ k = 1590
250
Os clientes com saldo médio inferior a R$ 1.590,00 serão
“convidados” a mudar de banco.

 

Exemplo 3.12. blablabl


Uma máquina de empacotar determinado produto oferece

variações de peso que se distribuem segundo uma distribuição
normal com desvio padrão de 20 gramas. Em quanto deve ser
regulado o peso médio desses pacotes para que apenas 10% de-
les tenham menos que 500 gramas?
Solução: Esse é um exemplo clássico de aplicação da distribuição
normal. Seja X o peso dos pacotes em gramas. Então, X ∼ N(µ ; 400).
Temos de ter Pr(X ≤ 500) = 0, 10. Note que o peso médio tem de ser
superior a 500 g.

Pr(X ≤ 500) = 0, 10 ⇐⇒
X −µ 500 − µ
 
Pr ≤ = 0, 10 ⇐⇒
20 20
500 − µ
 
Pr Z ≤ = 0, 10 ⇐⇒
20
500 − µ
 
Pr Z ≥ − = 0, 10 ⇐⇒
20
µ − 500
 
Pr Z ≥ = 0, 10 ⇐⇒
20
µ − 500
 
tab = 0, 40 ⇐⇒
20
µ − 500
= 1, 28 ⇐⇒ µ = 525, 6
20
C E D E R J 21
A máquina tem de ser regulada com um peso médio de 525,6g
i para que apenas 10% dos pacotes tenham peso inferior a 500g.

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

 

Exemplo 3.13. 
blablabl

Uma máquina fabrica tubos metálicos cujos diâmetros po-

dem ser considerados uma variável aleatória normal com média
200mm e desvio padrão 2mm. Verifica-se que 15% dos tubos
estão sendo rejeitados como grandes e 10% como pequenos.

1. Quais são as tolerâncias de especificação para esse diâmetro?

2. Mantidas essas especificações, qual deverá ser a regulagem

média da máquina para que a rejeição por diâmetro grande
seja nula? Nesse caso, qual será a porcentagem de rejeição
por diâmetro pequeno?

Solução: Seja D = diâmetro dos tubos. Então D ∼ N(200, 22 ).

1. Sejam kI e kS as especificações inferior e superior, respectiva-

mente. Isso significa que tubos com diâmetro menor que kI são
rejeitados como pequenos e tubos com diâmetro maior que kS
são rejeitados como grandes.

Pr(D < kI ) = 0, 10 ⇒
 
D − 200 kI − 200
Pr < = 0, 10 ⇒
2 2
 
kI − 200
Pr Z < = 0, 10 ⇒
2
 
kI − 200
Pr Z > − = 0, 10 ⇒
2
 
200 − kI
Pr Z > = 0, 10 ⇒
2
 
200 − kI
Pr 0 ≤ Z < = 0, 40 ⇒
2
 
200 − kI
tab = 0, 40 ⇒
2
200 − kI
= 1, 28 ⇒ kI = 197, 44
2

22 C E D E R J

i i
 i i

3 1 MÓDULO 1
Pr(D > kS ) = 0, 15 ⇒
 
D − 200 kS − 200
Pr > = 0, 15 ⇒
2 2
 
kS − 200
Pr 0 ≤ Z < = 0, 35 ⇒
2
 
kS − 200
= 0, 35 ⇒

AULA
tab
2
kS − 200
= 1, 03 ⇒ kS = 202, 06
2

Logo, tubos com diâmetro menor que 197,44 são rejeitados

como pequenos e tubos com diâmetros maiores que 202,06 são
rejeitados como grandes.

2. Com a nova regulagem, temos que D ∼ N(µ ; 22 ) e µ deve ser

tal que

Pr(D > 202, 06) = 0 ⇒

D−µ 202, 06 − µ
 
Pr > =0⇒
2 2
202, 06 − µ
 
Pr Z > =0⇒
2
202, 06 − µ
 
Pr 0 ≤ Z ≤ = 0, 5 ⇒
2
202, 06 − µ
 
tab = 0, 5 ⇒
2
202, 06 − µ
≃ 4, 5 ⇒ µ ≃ 193, 06
2
Com essa média, a porcentagem de rejeição por diâmetro pe-
queno é
 
D − 193, 06 197, 44 − 193, 06
Pr(D < 197, 44) = Pr <
2 2
= Pr(Z < 2, 19)
= Pr(Z ≤ 0) + Pr(0 < Z < 2, 19)
= 0, 5 + tab(2, 19) = 0, 9857

Com essa nova regulagem, a rejeição por diâmetro grande é

nula, mas a rejeição por diâmetro pequeno é muito alta! Veja a
Figura 3.8, na qual ficam claros os resultados obtidos.

C E D E R J 23

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Figura 3.8: Regulagem da máquina que fabrica tubos metálicos.

 

Exemplo 3.14. 
blablabl

Em um grande complexo industrial, o departamento de ma-

nutenção tem instruções para substituir as lâmpadas antes que se
queimem. Os registros indicam que a duração das lâmpadas, em
horas, tem distribuição normal, com média de 900 horas e desvio
padrão de 75 horas. Quando devem ser trocadas as lâmpadas, de
modo que no máximo 5% delas queimem antes de serem tro-
cadas?
Solução: Seja T = “tempo de duração (em horas) das lâmpadas”;
então, T ∼ N(900; 752 ). Temos que determinar t tal que
Pr(T ≤ t) = 0, 05.
 
T − 900 t − 900
Pr(T ≤ t) = 0, 05 ⇐⇒ Pr ≤ = 0, 05 ⇐⇒
75 75
 
t − 900
⇐⇒ Pr Z ≥ − = 0, 05 ⇐⇒
75
 
900 − t
⇐⇒ Pr Z ≥ = 0, 05 ⇐⇒
75
 
900 − t
⇐⇒ Pr 0 ≤ Z ≤ = 0, 45 ⇐⇒
75
 
900 − t
⇐⇒ tab = 0, 45 ⇔
75
900 − t
⇐⇒ = 1, 64 ⇐⇒ t = 777
75
As lâmpadas devem ser trocadas com 777 horas de uso para que apenas
24 C E D E R J 5% se queimem antes da troca.

i i
 i i

3 1 MÓDULO 1
Exercı́cio 3.1.
Na distribuição normal X ∼ N(µ , σ 2 ), encontre:

1. Pr(X ≤ µ + 2σ )

2. Pr(|X − µ | ≤ σ )

AULA
3. Pr(|X − µ | ≤ 1, 96σ )

4. o número k tal que Pr(µ − kσ ≤ X ≤ µ + kσ ) = 0, 99

5. o número k tal que Pr(X > k) = 0, 90.

Exercı́cio 3.2.
Suponha que os tempos de vida de duas marcas de aparelhos
elétricos sejam variáveis aleatórias D1 e D2 , onde
D1 ∼ N(42, 36) e D2 ∼ N(45, 9). Se o aparelho deve ser usa-
do por um perı́odo de 45 horas, qual marca deve ser preferida?
E se for por um perı́odo de 49 horas?

Exercı́cio 3.3.
Numa distribuição normal, 31% dos elementos são menores
que 45 e 8% são maiores que 64. Calcular os parâmetros que
definem a distribuição.

Exercı́cio 3.4.
As vendas de um determinado produto têm distribuição apro-
ximadamente normal, com média de 500 unidades e desvio pa-
drão de 50 unidades. Se a empresa decide fabricar 600 unidades
no mês em estudo, qual a probabilidade de que não possa atender
a todos os pedidos desse mês, por estar com a produção esgo-
tada?

Exercı́cio 3.5.
Um produto alimentı́cio é ensacado automaticamente, sendo
o peso médio de 50kg por saco, com desvio padrão de 1,6kg.
Os clientes exigem que, para cada saco fornecido com menos de
48kg, o fornecedor pague uma indenização de 5 u.m.

1. Para 200 sacos fornecidos, qual o custo médio com inde-

nização?

C E D E R J 25

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

2. Para que o custo calculado no item anterior caia para 50

u.m., qual deveria ser a nova regulagem média da máquina?

3. Como o fornecedor acha que, no custo global, é desvan-

tajoso aumentar a regulagem da máquina, ele quer com-
prar uma nova máquina. Qual deveria ser o desvio padrão
dessa máquina para que, trabalhando com peso médio de
50kg, em apenas 3% dos sacos se pague indenização?

Exercı́cio 3.6.
Um teste de aptidão para o exercı́cio de certa profissão exige
uma sequência de operações a serem executadas rapidamente
uma após a outra. Para passar no teste, o candidato deve com-
pletá-lo em, no máximo, 80 minutos.
Admita que o tempo, em minutos, para completar a prova
seja uma variável aleatória normal com média 90 minutos e
desvio padrão 20 minutos.

1. Que porcentagem dos candidatos tem chance de ser apro-

vada?

2. Os 5% melhores receberão um certificado especial. Qual

o tempo máximo para fazer jus a tal certificado?

Exercı́cio 3.7.
O diâmetro X de rolamentos de esfera fabricados por certa
fábrica tem distribuição normal com média 0,6140 e desvio pa-
drão 0,0025. O lucro T de cada esfera depende do seu diâmetro:

• T = 0, 10 se a esfera é boa, isto é, 0, 6100 < X < 0, 6180

• T = 0, 05 se a esfera é recuperável, isto é, 0, 6080 < X <

0, 6100 ou 0, 6180 < X < 0, 6200

• T = −0, 10 se a esfera é defeituosa, isto é, X < 0, 6080 ou

X > 0, 6200

Calcule as probabilidades de as esferas serem boas, recu-

peráveis e defeituosas, e o lucro médio.

26 C E D E R J

i i
 i i

3 1 MÓDULO 1
Exercı́cio 3.8.
Uma empresa produz televisores e garante a restituição da
quantia paga se qualquer televisor apresentar algum defeito grave
no prazo de 6 meses.
Ela produz televisores do tipo A, comum, e do tipo B, de

AULA
luxo, com um lucro respectivo de 1.000 u.m. e 2.000 u.m. caso
não haja restituição, e com prejuı́zo de 3.000 u.m. e 8.000 u.m.,
se houver restituição.
Suponha que o tempo para ocorrência de algum defeito grave
seja, em ambos os casos, uma v.a. com distribuição normal com
médias de 9 meses e 12 meses e desvios padrões de 2 meses e 3
meses. Se tivesse que planejar uma estratégia de marketing para
a empresa, você incentivaria as vendas dos aparelhos tipo A ou
tipo B?

Exercı́cio 3.9.
A distribuição dos pesos de coelhos criados em uma granja
pode ser representada por uma distribuição normal com média
de 5kg e desvio padrão de 0,8 kg.
Um abatedouro comprará 5.000 coelhos e pretende classificá-
los de acordo com o peso da seguinte forma: 20% dos leves
como pequenos, os 55% seguintes como médios, os 15% seguin-
tes como grandes e os 10% mais pesados como extras. Quais os
limites de peso para cada classificação?

Exercı́cio 3.10.
Considere uma v.a. X ∼ N(3, 25) :

1. Calcule Pr (−3 ≤ X ≤ 3)

2. Calcule Pr (−2 ≤ X ≤ 8)

3. Encontre o valor de k tal que Pr(X > k) = 0, 05.

4. Encontre o valor de k tal que Pr(X > k) = 0, 80.

Exercı́cio 3.11.
Seja X ∼ N µ , σ 2 . Encontre a mediana e o intervalo in-

terquartil de X .

C E D E R J 27

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Exercı́cio 3.12.
O 90o percentil de uma v.a. N µ , σ 2 é 50, enquanto o

15o percentil é 25. Encontre os valores dos parâmetros da

distribuição.

Exercı́cio 3.13.
Uma enchedora automática enche garrafas de acordo com
uma distribuição normal de média 1.000 ml. Deseja-se que no
máximo uma garrafa em 100 saia com menos de 990ml. Qual
deve ser o maior desvio padrão tolerável?

S OLUÇÃO DOS E XERC ÍCIOS

Exercı́cio 3.1.

1.
X −µ µ + 2σ − µ
 
Pr(X ≤ µ + 2σ ) = Pr ≤
σ σ
= Pr(Z ≤ 2)
= 0, 5 + tab(2) = 0, 97725

2.

Pr(|X − µ | ≤ σ ) = Pr(−σ ≤ X − µ ≤ σ )
σ X −µ σ
 
= Pr − ≤ ≤
σ σ σ
= Pr(−1 ≤ Z ≤ 1)
= 2 × Pr(0 ≤ Z ≤ 1)
= 2 × tab(1) = 0, 68268

3.

Pr(|X − µ | ≤ 1, 96σ ) = Pr(−1, 96σ ≤ X − µ ≤ 1, 96σ )

σ X −µ σ
 
= Pr −1, 96 ≤ ≤ 1, 96
σ σ σ
= Pr(−1, 96 ≤ Z ≤ 1, 96)
= 2 × Pr(0 ≤ Z ≤ 1, 96)
= 2 × tab(1, 96) = 0, 95

28 C E D E R J

i i
 i i

3 1 MÓDULO 1
4.

Pr(µ − kσ ≤ X ≤ µ + kσ ) = 0, 99 ⇔
µ − kσ − µ X − µ µ + kσ − µ
 
Pr ≤ ≤ = 0, 99 ⇔
σ σ σ
Pr(−k ≤ Z ≤ k) = 0, 99 ⇐⇒

AULA
Pr(0 ≤ Z ≤ k) = 0, 495 ⇐⇒
tab(k) = 0, 495 ⇐⇒ k = 2, 58

5. Deve-se notar aqui o seguinte fato; como a probabilidade

à direita de k é 0,90, maior que 0,5, então k tem de estar à
esquerda da média. Veja a Figura 3.9.

Figura 3.9: Pr(X > k) = 0, 90 é equivalente a Pr(X ≤ k) = 0, 10

Pr(X > k) = 0, 90 ⇔ Pr(X ≤ k) = 0, 10 ⇔

X −µ k−µ
 
⇔ Pr ≤ = 0, 10 ⇔
σ σ
k−µ
 
⇔ Pr Z ≤ = 0, 10 ⇔
σ
k−µ
 
⇔ Pr Z ≥ − = 0, 10 ⇔
σ
µ −k
 
⇔ Pr Z ≥ = 0, 10 ⇔
σ
µ −k
 
⇔ Pr 0 ≤ Z ≤ = 0, 40 ⇔
σ
µ −k
 
⇔ tab = 0, 40 ⇔
σ
µ −k
⇔ = 1, 28 ⇔
σ
⇔ µ − k = 1, 28σ ⇔ k = µ − 1, 28σ

C E D E R J 29

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Exercı́cio 3.2.
O aparelho a ser usado tem que ser aquele que apresenta a
maior probabilidade de funcionar pelo menos durante o tempo
necessário.
Caso 1: O tempo necessário é de 45 horas.

 
D1 − 42 45 − 42
Pr(D1 ≥ 45) = Pr ≥
6 6
= Pr(Z ≥ 0, 5)
= 0, 5 − Pr(0 ≤ Z ≤ 0, 5)
= 0, 5 − tab(0, 5)
= 0, 3085

 
D2 − 45 45 − 45
Pr(D2 ≥ 45) = Pr ≥
3 3
= Pr(Z ≥ 0) = 0, 5

Logo, o aparelho 2 tem maior probabilidade de funcionar du-

rante as 45 horas necessárias e, por isso, nesse caso, deve ser o
escolhido.
Caso 2: O tempo necessário é de 49 horas.

 
D1 − 42 49 − 42
Pr(D1 ≥ 49) = Pr ≥
6 6
= Pr(Z ≥ 1, 17)
= 0, 5 − Pr(0 ≤ Z ≤ 1, 17)
= 0, 5 − tab(1, 17) = 0, 1210

 
D2 − 45 49 − 45
Pr(D2 ≥ 49) = Pr ≥
3 3
= Pr(Z ≥ 1, 33)
= 0, 5 − Pr(0 ≤ Z ≤ 1, 33)
= 0, 5 − tab(1, 33) = 0, 0918

30 C E D E R J

i i
 i i

3 1 MÓDULO 1
Logo, o aparelho 1 tem maior probabilidade de funcionar du-
rante as 49 horas necessárias e, portanto, deve ser o escolhido
nesse caso.
Exercı́cio 3.3.
X ∼ N(µ , σ 2 )

AULA
Pr(X < 45) = 0, 31 ⇒
X −µ 45 − µ
 
Pr < = 0, 31 ⇒
σ σ
45 − µ
 
Pr Z < = 0, 31 ⇒
σ
45 − µ
 
Pr Z > − = 0, 31 ⇒
σ
µ − 45
 
Pr Z > = 0, 31 ⇒
σ
µ − 45
 
Pr 0 ≤ Z ≤ = 0, 19 ⇒
σ
µ − 45
 
tab = 0, 19 ⇒
σ
µ − 45
= 0, 5 (3.2)
σ

45−µ
Note que a abscissa σ tem de ser negativa, daı́ a inversão de
sinal!

Pr(X > 64) = 0, 08 ⇒

X −µ 64 − µ
 
Pr > = 0, 08 ⇒
σ σ
64 − µ
 
Pr 0 ≤ Z ≤ = 0, 42 ⇒
σ
64 − µ
 
tab = 0, 42 ⇒
σ
64 − µ
= 1, 41 (3.3)
σ
Temos duas equações e duas incógnitas. Da primeira equação
tiramos que
µ = 45 + 0, 5σ

C E D E R J 31

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Substituindo na segunda, obtemos:

64 − (45 + 0, 5σ )
= 1, 41 ⇒
σ

64 − 45 − 0, 5σ = 1, 41σ ⇒
1, 91σ = 19 ⇒ σ ≃ 10

e, portanto,
µ = 45 + 0, 5 × 10 = 50

Exercı́cio 3.4.
Seja X = número de unidades vendidas. Então, X ∼ N(500, 502).
Se a empresa fabricou 600 unidades no mês em estudo, a proba-
bilidade de não poder atender à demanda é
 
X − 500 600 − 500
Pr(X > 600) = Pr >
50 50
= Pr(Z > 2)
= 0, 5 − Pr(0 ≤ Z ≤ 2)
= 0, 5 − tab(2) = 0, 0228

Exercı́cio 3.5.
Seja X = peso do saco em kg. Então, X ∼ N(50; 1, 62 ). Veja
a Figura 3.10.

1. Para um saco qualquer, a probabilidade de pagar indenização

é
 
X − 50 48 − 50
Pr(X < 48) = Pr <
1, 6 1, 6
= Pr(Z < −1, 25)
= Pr(Z > 1, 25)
= 0, 5 − Pr(0 ≤ Z ≤ 1, 25)
= 0, 5 − tab(1, 25) = 0, 1056

Seja Y = número de sacos, em um conjunto de 200, com

peso menor que 48kg. Então, Y ∼ bin(200; 0, 1056).
O número médio de sacos com peso menor que 48 é
200 × 0, 1056. O custo médio com indenização será de
5 × 200 × 0, 1056 = 105, 6 u.m.
32 C E D E R J

i i
 i i

3 1 MÓDULO 1
2. Para reduzir o custo para 50 u.m., temos

5 × 200 × Pr(pagar indenização em um saco) = 50 ⇒

Pr(X < 48) = 0, 05,

mas

AULA
Pr(X < 48) = 0, 05 ⇔
X −µ 48 − µ
 
Pr < = 0, 05 ⇔
1, 6 1, 6
48 − µ
 
Pr Z < = 0, 05 ⇔
1, 6
48 − µ
 
Pr Z > − = 0, 05 ⇔
1, 6
µ − 48
 
Pr 0 ≤ Z ≤ = 0, 45 ⇔
1, 6
µ − 48
 
tab = 0, 45 ⇔
1, 6
µ − 48
= 1, 64 ⇔ µ = 50, 624 kg
1, 6
Veja a Figura 3.10 para ilustração das probabilidades en-
volvidas:

Figura 3.10: Compare X ∼ N(50; 1, 62 ) e X ∼ N(50, 624; 1, 62 ).

3. Com a média fixada em 50, o que se pretende agora é

controlar a variabilidade do processo, medida pelo desvio
padrão, ou seja, o peso dos pacotes agora é X ∼ N(50, σ 2).

C E D E R J 33

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

A regra para indenização continua a mesma; logo,

Pr(X < 48) = 0, 03 ⇔
 
X − 50 48 − 50
Pr < = 0, 03 ⇔
σ σ
 
2
Pr Z < − = 0, 03 ⇔
σ
 
2
Pr Z > = 0, 03 ⇔
σ
 
2
Pr 0 ≤ Z ≤ = 0, 47 ⇔
σ
 
2
tab = 0, 47 ⇔
σ
2
= 1, 88 ⇔ σ = 1, 064
σ

Na Figura 3.11, temos o gráfico que ilustra as duas pro-

babilidades.

Figura 3.11: Compare X ∼ N(50; 1, 62 ) e X ∼ N(50; 1, 0642).

Exercı́cio 3.6.
Seja T = tempo de execução, em minutos. Então, T ∼ N(90, 202 ).

1.
 
T − 90 80 − 90
Pr(T ≤ 80) = Pr ≤
20 20
= Pr(Z ≤ −0, 5) = Pr(Z ≥ 0, 5)
= 0, 5 − Pr(0 ≤ Z ≤ 0, 5)
= 0, 5 − tab(0, 5) = 0, 3085

34 C E D E R J

i i
 i i

3 1 MÓDULO 1
2. Os melhores têm de ter tempo menor, ou seja, queremos
determinar k tal que

Pr(T ≤ k) = 0, 05 ⇒

AULA
 
T − 90 k − 90
Pr ≤ = 0, 05 ⇒
20 20
 
k − 90
Pr Z ≤ = 0, 05 ⇒
20
 
k − 90
Pr Z ≥ − = 0, 05 ⇒
20
 
90 − k
Pr Z ≥ = 0, 05 ⇒
20
 
90 − k
Pr 0 ≤ Z ≤ = 0, 45 ⇒
20
 
90 − k
tab = 0, 45 ⇒
20
90 − k
= 1, 64 ⇒ k = 57, 2
20

Então, para fazer jus ao certificado especial, o candidato

tem de executar a tarefa em, no máximo, 57,2 minutos.

Exercı́cio 3.7.
Seja D = diâmetro dos rolamentos de esfera. Então,
D ∼ N(0, 6140; 0, 00252).
Vamos denotar por B, R e F os eventos “esfera boa”, “esfera
recuperável” e “esfera defeituosa”, respectivamente.

Pr(B) = Pr(0, 610 < D < 0, 618)

 
0, 610 − 0, 614 D − 0, 614 0, 618 − 0, 614
= Pr < <
0, 0025 0, 0025 0, 0025
= Pr(−1, 6 < Z < 1, 6)
= 2 × Pr(0 ≤ Z < 1, 6)
= 2 × tab(1, 6) = 0, 8904

C E D E R J 35

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Pr(R) = Pr [(0, 608 < D < 0, 610) ∪ (0, 618 < D < 0, 620)]
= Pr (0, 608 < D < 0, 610) + Pr (0, 618 < D < 0, 620)
 
0, 608 − 0, 614 D − 0, 614 0, 610 − 0, 614
= Pr < < +
0, 0025 0, 0025 0, 0025
 
0, 618 − 0, 614 D − 0, 614 0, 620 − 0, 614
+ Pr < <
0, 0025 0, 0025 0, 0025
= Pr(−2, 4 < Z < −1, 6) + Pr(1, 6 < Z < 2, 4)
= 2 × Pr(1, 6 < Z < 2, 4)
= 2 × [tab(2, 4) − tab(1, 6)]
= 2 × [0, 4918 − 0, 4452] = 0, 0932

Pr(F) = Pr[(D < 0, 608) ∪ (D > 0, 620)]

= Pr(D < 0, 608) + Pr(D > 0, 620)
   
D − 0, 614 0, 608 − 0, 614 D − 0, 614 0, 620 − 0, 614
= Pr < + Pr >
0, 0025 0, 0025 0, 0025 0, 0025
= Pr(Z < −2, 4) + Pr(Z > 2, 4)
= 2 × Pr(Z > 2, 4)
= 2 × [0, 5 − Pr(0 ≤ Z ≤ 2, 4)]
= 2 × [0, 5 − tab(2, 4)] = 0, 0164

Com relação ao lucro, temos a seguinte fdp

t 0,10 0,05 -0,10

Pr(T = t) 0,8904 0,0932 0,0164

Logo,

E(T ) = 0, 10×0, 8904+0, 05×0, 0932−0, 10×0, 0164 = 0, 09206

Exercı́cio 3.8.
Defina as seguintes variáveis aleatórias:

TA : tempo, em meses, para ocorrência de defeito nos televisores tipo A

TB : tempo, em meses, para ocorrência de defeito nos televisores tipo B
LA : lucro com televisores tipo A
LB : lucro com televisores tipo B

36 C E D E R J

i i
 i i

3 1 MÓDULO 1
Temos que

TA ∼ N(9, 22 )
TB ∼ N(12, 32 )

 
TA − 9 6 − 9

AULA
Pr (TA > 6) = Pr >
2 2
= Pr(Z > −1, 5)
= Pr(−1, 5 < Z < 0) + Pr(Z ≥ 0)
= Pr(0 < Z < 1, 5) + 0, 5
= tab(1, 5) + 0, 5 = 0, 9332

Logo, para os televisores do tipo A, a probabilidade de restituição

por defeito grave é 1 − 0, 9332 = 0, 0668.

 
TB − 12 6 − 12
Pr (TB > 6) = Pr >
3 3
= Pr(Z > −2, 0)
= Pr(−2, 0 < Z < 0) + Pr(Z ≥ 0)
= Pr(0 < Z < 2, 0) + 0, 5
= tab(2, 0) + 0, 5 = 0, 9772

Logo, para os televisores do tipo B, a probabilidade de restituição

por defeito grave é 1 − 0, 9772 = 0, 0228. Com esses resultados,
obtemos as seguintes distribuições para os lucros:

x 1000 -3000
Pr(LA = x) 0,9332 0,0668
x 2000 -8000
Pr(LB = x) 0,9772 0,0228

Logo, os lucros médios são:

E(LA ) = 1000 × 0, 9332 − 3000 × 0, 0668 = 732, 8

E(LB ) = 2000 × 0, 9772 − 8000 × 0, 0228 = 1772

Como o lucro esperado (lucro médio) com os televisores do tipo

B é maior, deve-se investir nas vendas desse tipo de televisor.

C E D E R J 37

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Exercı́cio 3.9.
Defina a v.a. X = peso dos coelhos. Então, X ∼ N(5; 0, 82 ).
Vamos denotar por a, b e c os limites para as classes de peso.

Pr(X < a) = 0, 20 ⇔
 
X −5 a−5
Pr < = 0, 20 ⇔
0, 8 0, 8
 
a−5
Pr Z < = 0, 20 ⇔
0, 8
 
a−5
Pr Z > − = 0, 20 ⇔
0, 8
 
5−a
Pr Z > = 0, 20 ⇔
0, 8
 
5−a
Pr 0 ≤ Z ≤ = 0, 30 ⇔
0, 8
 
5−a
tab = 0, 30 ⇔
0, 8
5−a
= 0, 84 ⇔ a = 4, 328
0, 8

Pr(X < b) = 0, 75 ⇔
 
X −5 b−5
Pr < = 0, 75 ⇔
0, 8 0, 8
 
b−5
Pr Z < = 0, 75 ⇔
0, 8
 
b−5
Pr 0 ≤ Z ≤ = 0, 25 ⇔
0, 8
 
b−5
tab = 0, 25 ⇔
0, 8
b−5
= 0, 67 ⇔ b = 5, 536
0, 8

38 C E D E R J

i i
 i i

3 1 MÓDULO 1
Pr(X < c) = 0, 90 ⇔
 
X −5 c−5
Pr < = 0, 90 ⇔
0, 8 0, 8
 
c−5
Pr Z < = 0, 90 ⇔
0, 8
 
c−5

AULA
Pr 0 ≤ Z ≤ = 0, 40 ⇔
0, 8
 
c−5
tab = 0, 40 ⇔
0, 8
c−5
= 1, 28 ⇔ c = 6, 024
0, 8

Os coelhos são classificados como pequenos se o peso for menor

que 4,328kg; como médios se o peso estiver entre 4,328 e 5,536kg;
como grandes se o peso estiver entre 5,536 e 6,024kg e como ex-
tragrandes se o preso for maior que 6,024kg.

Exercı́cio 3.10.
X ∼ N(3, 25) :

1.
 
−3 − 3 X − 3 3 − 3
Pr (−3 ≤ X ≤ 3) = Pr ≤ ≤
5 5 5
= Pr(−1, 2 ≤ Z ≤ 0)
= Pr(0 ≤ Z ≤ 1, 2)
= tab(1, 2) = 0, 38493

2.
 
−2 − 3 X − 3 8 − 3
Pr (−2 ≤ X ≤ 8) = Pr ≤ ≤
5 5 5
= Pr(−1 ≤ Z ≤ 1)
= Pr(−1 ≤ Z ≤ 0) + Pr(0 ≤ Z ≤ 1)
= 2 × Pr(0 ≤ Z ≤ 1)
= 2 × tab(1, 0) = 0, 68268

C E D E R J 39

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

3. Note que k tem de ser maior que a média.

Pr(X > k) = 0, 05 ⇐⇒
 
X −3 k−3
Pr > = 0, 05 ⇐⇒
5 5
 
k−3
Pr Z > = 0, 05 ⇐⇒
5
 
k−3
Pr 0 ≤ Z ≤ = 0, 45 ⇐⇒
5
 
k−3
tab = 0, 45 ⇐⇒
5
k−3
= 1, 64 ⇐⇒ k = 11, 2
5

4. Note que k tem de ser menor que a média.

Pr(X > k) = 0, 80 ⇐⇒
 
X −3 k−3
Pr > = 0, 80 ⇐⇒
5 5
 
k−3
Pr Z > = 0, 80 ⇐⇒
5
 
k−3
Pr ≤ Z ≤ 0 + Pr(Z > 0) = 0, 80 ⇐⇒
5
 
k−3
Pr 0 ≤ Z ≤ − + 0, 5 = 0, 80 ⇐⇒
5
 
3−k
Pr 0 ≤ Z ≤ = 0, 30 ⇐⇒
5
 
3−k
tab = 0, 30
5
3−k
= 0, 84 ⇐⇒ k = −1, 2
5

Exercı́cio 3.11.
Como a distribuição normal é simétrica, resulta que Q2 = µ
(a média, a mediana e a moda sempre coincidem numa distribuição
simétrica unimodal).

40 C E D E R J

i i
 i i

3 1 MÓDULO 1
Pr(X < Q1 ) = 0, 25 ⇐⇒
X −µ Q1 − µ
 
Pr < = 0, 25 ⇐⇒
σ σ
Q1 − µ
 
Pr Z < = 0, 25 ⇐⇒
σ

AULA
Q1 − µ
 
Pr Z > − = 0, 25 ⇐⇒
σ
µ − Q1
 
Pr Z > = 0, 25 ⇐⇒
σ
µ − Q1
 
Pr 0 ≤ Z ≤ = 0, 5 − 0, 25 ⇐⇒
σ
µ − Q1
 
tab = 0, 25 ⇐⇒
σ
µ − Q1
= 0, 67 ⇐⇒
σ
Q1 = µ − 0, 67σ

Pr(X > Q3 ) = 0, 25 ⇔
X −µ Q3 − µ
 
Pr > = 0, 25 ⇔
σ σ
Q3 − µ
 
Pr Z > = 0, 25 ⇔
σ
Q3 − µ
 
Pr 0 ≤ Z ≤ = 0, 25 ⇔
σ
Q3 − µ
 
tab = 0, 25 ⇐⇒
σ
Q3 − µ
= 0, 67 ⇐⇒
σ
Q3 = µ + 0, 67σ

Logo,

IQ = Q3 − Q1 = (µ + 0, 67σ ) − (µ − 0, 67σ ) = 1, 34σ

Exercı́cio 3.12.
Temos que P90 = 50 e P15 = 25. Logo, a média tem de estar
entre 25 e 50.

C E D E R J 41

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

P90 = 50 ⇒
Pr(X < 50) = 0, 90 ⇒
X −µ 50 − µ
 
Pr < = 0, 90 ⇒
σ σ
50 − µ
 
Pr Z < = 0, 90 ⇒
σ
50 − µ
 
Pr(Z ≤ 0) + Pr 0 ≤ Z ≤ = 0, 90 ⇒
σ
50 − µ
 
0, 5 + Pr 0 ≤ Z ≤ = 0, 90 ⇒
σ
50 − µ
 
Pr 0 ≤ Z ≤ = 0, 40 ⇒
σ
50 − µ
 
tab = 0, 40 ⇒
σ
50 − µ
= 1, 25 ⇒
σ
µ = 50 − 1, 25σ

P15 = 25 ⇒
Pr(X < 25) = 0, 15 ⇒
X −µ 25 − µ
 
Pr < = 0, 15 ⇒
σ σ
25 − µ
 
Pr Z < = 0, 15 ⇒
σ
25 − µ
 
Pr Z > − = 0, 15 ⇒
σ
µ − 25
 
Pr Z > = 0, 15 ⇒
σ
µ − 25
 
Pr 0 ≤ Z ≤ = 0, 35 ⇒
σ
µ − 25
 
tab = 0, 35 ⇒
σ
µ − 25
= 1, 04 ⇒
σ
µ = 25 + 1, 04σ

Temos um sistema com duas equações e duas incógnitas:

µ = 50 − 1, 25σ


µ = 25 + 1, 04σ

42 C E D E R J

i i
 i i

3 1 MÓDULO 1
Daı́ resulta que

50 − 1, 25σ = 25 + 1, 04σ =⇒
25 = (1, 25 + 1, 04) σ =⇒
σ = 10, 92

AULA
Logo,
µ = 50 − 1.25 × 10.92 = 36, 35

Exercı́cio 3.13.
Seja X = “conteúdo da garrafa (em ml)”, então X ∼ N(1000; σ 2 ).
Queremos que Pr(X < 990) ≤ 0, 01.
Seja σ0 o valor do desvio padrão de X tal que
Pr(X < 990) = 0, 01. Então, qualquer valor de σ tal que σ < σ0
resulta em
Pr(X < 990) < 0, 01.
Veja a Figura 3.12.
A cauda inferior da distribuição corresponde a Pr(X < 990)
e quanto menor σ , menor essa probabilidade.

Figura 3.12: A cauda esquerda corresponde a Pr(X < 990).

C E D E R J 43

i i
 i i

Métodos Estatı́sticos II | A Distribuição Normal – 2a¯ Parte

Logo,
Pr(X < 990) ≤ 0, 01 ⇐⇒
 
X − 1000 990 − 1000
Pr < ≤ 0, 01 ⇐⇒
σ σ
 
990 − 1000
Pr Z < ≤ 0, 01 ⇐⇒
σ
 
990 − 1000
Pr Z > − ≤ 0, 01 ⇐⇒
σ
 
10
Pr Z > ≤ 0, 01 ⇐⇒
σ
 
10
Pr 0 ≤ Z ≤ ≥ 0.5 − 0.01 = 0, 49 ⇐⇒
σ
 
10
tab ≥ 0, 49 ⇐⇒
σ
10
≥ 2, 33 ⇐⇒
σ
10
σ≤ = 4, 2918
2.33

44 C E D E R J

i i