Modelos probabilísticos

Julienne Borges
Exercícios Resolvidos
Utilizando o R e o Microsoft Excel
Vamos relembrar as funções?
Distribuição Binomial – Utilizando o Excel

Distribuição Binomial para o cálculo de =DISTR.BINOM(x;n;p;FALSO)

P(X=x)
Distribuição Binomial para o cálculo de =DISTR.BINOM(x;n;p;VERDADEIRO)*
P(0<X<x) = P(X<x)

*Os resultados exibidos mostrarão a probabilidade acumulada!

Distribuição Binomial – Utilizando o R

Distribuição Binomial para o cálculo de dbinom(x,size,prob,log = FALSE)

P(X=x)
Distribuição Binomial para o cálculo de pbinom(x,size,prob,lower.tail=TRUE,log =
P(0<X<x) = P(X<x) FALSE)

onde:
size = n
prob= p
lower.tail=TRUE → Fornece a probabilidade acumulada → P(X<x)
lower.tail=FALSE → Fornece a probabilidade acima de x → P(X>x)
log=FALSE → Fornece as probabilidades numéricas e não em escala logarítmica.
Distribuição Binomial - Exemplo
Suponha que 5% de todas as peças que saiam de uma linha de produção sejam
defeituosas. Se 10 dessas peças forem escolhidas e inspecionadas, pede-se:

Observe que temos:

✓ Um experimento com somente duas opções de resposta (peças defeituosas ou não

defeituosas);
✓ Um número fixo e independente de vezes que o experimento será repetido (10 amostras);
✓ A probabilidade de peças defeituosas é constante p=0,05 e, consequentemente, a
probabilidade de peças não defeituosas q=1-p=0,95.

Dessa forma, podemos dizer que o modelo binomial se adapta bem à situação proposta no
exemplo, ou seja, X  B(10; 0,05).
a) Identifique a variável aleatória estudada. Quais valores ela pode assumir?
X: número de peças defeituosas produzidas
x= 0, 1, 2,..., 10.

b) Calcule o número médio de peças defeituosas e, também, o desvio padrão.

Média: E(X) = np = 10.0,05 = 0,5
Variância: 2 = npq = 10.0,05.0,95 = 0,475
Desvio padrão:  = 𝜎 2 = 0,6892
c) Qual é a probabilidade de obtermos exatamente 7 peças defeituosas?
10 
P( X = 7) =  .0,057.(1 − 0,05) = 8,03789 10−8
10−7

7

Utilizando o Microsoft Excel:

=DISTR.BINOM(7;10;0,05;FALSO)
Resultado:
8,03789E-08

Utilizando o R:
dbinom(7,10,0.05,log=FALSE)
Resultado:
8.037891e-08
c) Qual é a probabilidade de obtermos no máximo 2 peças defeituosas?
𝑃 𝑋 ≤ 2 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 = 0,9884

10 
P ( X = 0) =  .0,050.(1 − 0,05) = 0,5987
10−0

0
10 
P( X = 1) =  .0,051.(1 − 0,05) = 0,3151
10−1

1
10 
P ( X = 2) =  .0,052.(1 − 0,05) = 0,0746
10− 2

2
Observe que a probabilidade diminui à medida que nos afastamos da
média!
Utilizando o Microsoft Excel:
=DISTR.BINOM(2;10;0,05;VERDADEIRO)
Resultado:
0,988496443

Utilizando o R:
pbinom(2,10,0.05,lower.tail=TRUE,log = FALSE)
Resultado:
0.9884964
Agora é com você!
c) Qual é a probabilidade de obtermos mais de 3 peças defeituosas?
Agora é com você!

c) Qual é a probabilidade de obtermos mais de 3 peças defeituosas?

P(X>3) = 1-P(X<3)

Utilizando o Microsoft Excel:

=DISTR.BINOM(3;10;0,05;VERDADEIRO) → 0,998971502
Observe que será necessário fazer 1-0,998971502=0,001028498

Utilizando o R:
pbinom(3,10,0.05,lower.tail=FALSE,log = FALSE) → 0.001028498
Distribuição Binomial – Exercício 1

Cada amostra de ar tem 10% de chance de conter uma certa molécula rara. Considere
que as amostras sejam independentes com relação à presença da molécula rara.
Encontre a probabilidade de que em 18 amostras:
a) Exatamente 2 contenham a molécula rara.
b) No mínimo 4 amostras contenham a molécula rara.
c) De 3 a 7 amostras contenham a molécula rara.
d) O número médio e a variância de moléculas raras.

Respostas: a) 0,2835 b) 0,0982 c) 0,2660 d) 1,8 e 1,62.

Distribuição Binomial – Exercício 1 - Resolução
Cada amostra de ar tem 10% de chance de conter uma certa molécula rara. Considere que as
amostras sejam independentes com relação à presença da molécula rara. Encontre a probabilidade
de que em 18 amostras:

X: número de moléculas raras encontradas.

x: 0, 1, 2, 3...,18
n=18 e p=0,1

a) Exatamente 2 contenham a molécula rara. → P(X=2)

Utilizando o Microsoft Excel: Utilizando o R:
=DISTR.BINOM(2;18;0,1;FALSO) dbinom(2,18,0.1,log=FALSE)
Resultado: Resultado:
0,283512 0.2835121
Distribuição Binomial – Exercício 1 - Resolução

b) No mínimo 4 amostras contenham a molécula rara.

→ P(X>4)=1 – P(X<4)=1-P(X<3) = 1-[P(X=0)+P(X=1)+P(X=2)+P(X=3)]

Utilizando o Microsoft Excel:

=DISTR.BINOM(3;18;0,1;VERDADEIRO) → 0,901803
Observe que será necessário fazer 1-0,901803=0,098197

Utilizando o R:
pbinom(3,18,0.1,lower.tail=FALSE,log = FALSE) → 0.09819684
Distribuição Binomial – Exercício 1 - Resolução

c) De 3 a 7 amostras contenham a molécula rara.

→ P(3<X<7) = P(X=3)+ P(X=4)+ P(X=5)+ P(X=6)+ P(X=7)= 0,266031

Utilizando o Microsoft Excel: Utilizando o R:

=DISTR.BINOM(3;18;0,1;FALSO) → 0,168007 dbinom(3,18,0.1,log=FALSE) → 0.1680072
=DISTR.BINOM(4;18;0,1;FALSO) → 0,070003 dbinom(4,18,0.1,log=FALSE) → 0.07000298
=DISTR.BINOM(5;18;0,1;FALSO) → 0,021779 dbinom(5,18,0.1,log=FALSE) → 0.02177871
=DISTR.BINOM(6;18;0,1;FALSO) → 0,005243 dbinom(6,18,0.1,log=FALSE) → 0.005243022
=DISTR.BINOM(7;18;0,1;FALSO) → 0,000999 dbinom(7,18,0.1,log=FALSE) → 0.0009986708
0 1 2 3 4 5 6 7 8 9 ...18
Dica:
Outra opção seria fazer P(3<X<7) = P(X<2) – P(X<7) = 0,266204 – 0,0001734573 = 0,2660305
Distribuição Binomial – Exercício 1 - Resolução

d) O número médio e a variância de moléculas raras.

X: número de moléculas raras encontradas.

x: 0, 1, 2, 3...,18
n=18 e p=0,1

Média:
E(X) = np = 18x0,1=1,8

Variância:
2 = npq = 18x0,1x0,9 = 1,62
→ E se fosse pedido o desvio padrão? 𝜎 = 𝜎 2 = 1,62 = 1,272792
Vamos relembrar as funções?
Distribuição Poisson – Utilizando o Excel

Distribuição Poisson para o cálculo de =DIST.POISSON(x;lambda;FALSO)

P(X=x)
Distribuição Poisson para o cálculo de =DIST.POISSON(x;lambda;VERDADEIRO)*
P(0<X<x) = P(X<x)

*Os resultados exibidos mostrarão a probabilidade acumulada!

Distribuição Poisson – Utilizando o R

Distribuição Poisson para o cálculo de dpois(x, lambda, log = FALSE)

P(X=x)
Distribuição Poisson para o cálculo de ppois(x, lambda, lower.tail = TRUE, log.p =
P(0<X<x) = P(X<x) FALSE)
onde:
lower.tail=TRUE → Fornece a probabilidade acumulada → P(X<x)
lower.tail=FALSE → Fornece a probabilidade acima de x → P(X>x)
log=FALSE → Fornece as probabilidades numéricas e não em escala logarítmica.
Distribuição Poisson – Exemplo

Uma central telefônica recebe, em média, cinco chamadas por minuto.

a) Defina a variável aleatória.

X: Número de chamadas recebidas por minuto.
x: 0, 1, 2, ...
 = 5 chamadas por minuto
X ~ Po(5)
b) Calcule a probabilidade de que, durante um intervalo de um minuto, a central
telefônica não receba chamada.

e −5 .50
P( X = 0) = = 0,0067
0!

Utilizando o Excel:
=DIST.POISSON(0;5;FALSO)
Resultado: 0,006737947

Utilizando o R:
dpois(0,5,log=FALSE)
Resultado: 0.006737947
c) Calcule a probabilidade de que, durante um intervalo de um minuto, a central
telefônica receba, no máximo, uma chamada.
. 𝑃 𝑋 ≤ 1 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 = 0,0067 + 0,0337 = 0,0404
e −5 .51
P( X = 1) = = 0,0337
1!
Utilizando o Excel:
=DIST.POISSON(1;5;VERDADEIRO)
Resultado: 0,040427682

Utilizando o R:
ppois(1,5, lower.tail = TRUE, log.p = FALSE)
Resultado: 0.04042768
d) Calcule a probabilidade de que, durante um intervalo de um minuto, a central
telefônica receba mais de duas chamadas.
.
P(X>2)=1-P(X≤2)=1-P(X=0)+P(X=1)+P(X=2)=1-0,1246=0,8754
e −5 .52
P( X = 2) = = 0,0842
2!
Utilizando o Excel:
=DIST.POISSON(2;5;VERDADEIRO)
Resultado: 0,124652019
Lembre-se de calcular 1- 0,124652019=0,875347981

Utilizando o R:
ppois(2,5, lower.tail = FALSE, log.p = FALSE)
Resultado: 0.875348
e) Durante um intervalo de quatro minutos, qual a probabilidade de que ocorram
15 chamadas?

Nesse caso, como o intervalo de tempo foi alterado, o parâmetro da

distribuição também irá sofrer alteração proporcional, ou seja, = 5 chamadas
por minuto passará a ser = 20 chamadas por quatro minutos. Assim:

e −20 .2015
P( X = 15) = = 0,0516
15!
Utilizando o Excel: Utilizando o R:
=DIST.POISSON(15;20;FALSO) dpois(15,20,log = FALSE)
Resultado: 0,051648854 Resultado: 0.05164885
Distribuição Poisson – Exercício 2

Falhas ocorrem, ao acaso, ao longo do comprimento de um fio delgado de cobre. Suponha

que o número de falhas siga a distribuição de Poisson, com uma média de 2,3 falhas por
milímetro.
a) Determine a probabilidade de existir exatamente 2 falhas em 1 milímetro de fio.
b) Determine a probabilidade de existir entre 2 e 4 falhas em 1 milímetro de fio.
c) Determine a probabilidade de 10 falhas em 5 milímetros de fio.
d) Determine a probabilidade de existir, no mínimo, uma falha em 2 milímetros de fio.

Respostas: a) 0,2652 b)0,2033 c) 0,1129 d) 0,99

Distribuição Poisson – Exercício 2 - Resolução
Falhas ocorrem, ao acaso, ao longo do comprimento de um fio delgado de cobre. Suponha
que o número de falhas siga a distribuição de Poisson, com uma média de 2,3 falhas por
milímetro.
X: número de falhas por milímetro.
x: 0, 1, 2, 3...
 = 2,3 falhas por mm
a) Determine a probabilidade de existir exatamente 2 falhas em 1 milímetro de fio.
→ P(X=2)
Utilizando o Excel: Utilizando o R:
=DIST.POISSON(2;2,3;FALSO) dpois(2,2.3,log=FALSE)
Resultado: 0,265185 Resultado: 0.2651846
Distribuição Poisson – Exercício 2 - Resolução
b) Determine a probabilidade de existir entre 2 e 4 falhas em 1 milímetro de fio.
→ P(2<X<4) = P(X=3)
Utilizando o Excel: Utilizando o R:
=DIST.POISSON(3;2,3;FALSO) dpois(3,2.3,log=FALSE)
Resultado: 0,203308 Resultado: 0.2033082

c) Determine a probabilidade de 10 falhas em 5 milímetros de fio.

→ P(X=10)
Primeiramente devemos alterar proporcionalmente o nosso parâmetro, ou seja,  = 11,5 falhas por 5 mm.
Utilizando o Excel: Utilizando o R:
=DIST.POISSON(10;11,5;FALSO) dpois(10,11.5,log=FALSE)
Resultado: 0,112935 Resultado: 0.1129351
Distribuição Poisson – Exercício 2 - Resolução
D) Determine a probabilidade de existir, no mínimo, uma falha em 2 milímetros de fio.
→ P(X>1) = 1 – P(X<1) = 1 – P(X=0)

Primeiramente devemos alterar proporcionalmente o nosso parâmetro, ou seja,  = 4,6

falhas por 2 mm.
Utilizando o Excel: Utilizando o R:
=DIST.POISSON(0;4,6;VERDADEIRO) ppois(0, 4.6, lower.tail = FALSE, log.p = FALSE)
Resultado: 0,0100 Resultado: 0,9899482
Lembre-se de calcular 1- 0,0100=0,99
Vamos relembrar as funções?
Distribuição Exponencial – Utilizando o Excel

Distribuição exponencial para o

=DISTR.EXPON(x;alfa;VERDADEIRO)*
cálculo de P(0<X<x)

*Os resultados exibidos mostrarão a probabilidade acumulada!

Distribuição Exponencial – Utilizando o R

Distribuição exponencial
pexp(x, rate = alfa, lower.tail = TRUE, log.p
para o cálculo de
P(0<X<x)
= FALSE)
onde:
alfa= parâmetro da distribuição exponencial
lower.tail=TRUE → Fornece a probabilidade acumulada → P(X<x)
lower.tail=FALSE → Fornece a probabilidade acima de x → P(X>x)
log=FALSE → Fornece as probabilidades numéricas e não em escala logarítmica.
Distribuição Exponencial – Exemplo

A vida útil de uma lâmpada (em horas) é modelada através da distribuição

exponencial com parâmetro 1/8000.

X: Tempo de duração da lâmpada (em horas)

X ~ exp (1/8000)

a) Calcule o tempo médio de duração dessas lâmpadas.

A média de uma variável descrita pela distribuição exponencial é E(X)=1/, ou

seja, como =1/8000 teremos um tempo médio de duração de 8000 horas.
Distribuição Exponencial – Exemplo
b) Calcule a probabilidade de que uma lâmpada dure pelo menos 4000 horas.

Como a distribuição exponencial não tem um limite superior mas, tem o zero
como limite inferior, para realizar o cálculo de que a lâmpada dure pelo menos
4000 horas iremos utilizar o complementar, ou seja,
 − 8000
1
−
1
4000 
P( X  4000) = 1 − P(0  X  4000) = 1 −  e
0
− e 8000  = 0,6065
 
Utilizando o Microsoft Excel: Utilizando o R:
=DISTR.EXPON(4000;1/8000;VERDADEIRO) pexp(4000, rate = 1/8000, lower.tail = FALSE,
Resultado: 0,393469 log.p = FALSE)
Calculando 1-0,393469 = 0,606531 Resultado: 0.6065307
Distribuição Exponencial – Exemplo
c) Sabe-se que o fabricante garante a reposição de uma lâmpada caso ela dure
menos de 50 horas. Determine a probabilidade de haver troca por defeito na
fabricação.
1 1
− −
P( X  50) = P(0  X  50) = e
0 50
8000
−e 8000
= 0,0062

Utilizando o Microsoft Excel: Utilizando o R:

=DISTR.EXPON(50;1/8000;VERDADEIRO) pexp(50, rate = 1/8000, lower.tail = TRUE,
Resultado: 0,006231 log.p = FALSE)
Resultado: 0.006230509
Distribuição Exponencial – Exemplo

d) Uma lâmpada é colocada em teste. Calcule a probabilidade de que ela dure

pelo menos 10000 horas, sabendo-se que ela já está em funcionamento a pelo
menos 6000 horas.
P(X>10000|X>6000) =

Para resolver essa probabilidade condicional podemos utilizar a propriedade

de falta de memória da distribuição exponencial, ou seja,
P(X>10000|X>6000) = P(X>4000) = 0,6065
Distribuição Exponencial – Exercício 1

A vida de certo componente tem uma distribuição aproximadamente

exponencial com média de 1000 horas.

a) Determinar a porcentagem de componentes que queimarão antes de 1000

horas.
b) Qual é a probabilidade de que os componentes durem entre 900 e 1200
horas?
c) Qual é o percentual de componentes que durarão mais de 850 horas?
Respostas: a) 63,21% ; b) 0,1054 ; c) 42,7%
Distribuição Exponencial – Exercício 1 - Resolução

A vida de certo componente tem uma distribuição aproximadamente exponencial com

média de 1000 horas.
X: Tempo de vida de um componente (em horas)
=E(X)= 1000 horas
X~exp(1/1000)

a) Determinar a porcentagem de componentes que queimarão antes de 1000 horas.

→ P(X<1000) = P(0<X<1000) = 0,63212 ou 63,212%

Utilizando o Microsoft Excel: Utilizando o R:

=DISTR.EXPON(1000;1/1000;VERDADEIRO) pexp(1000, rate = 1/1000, lower.tail = TRUE,
Resultado: 0,632121 log.p = FALSE)
Resultado: 0.6321206
Distribuição Exponencial – Exercício 1 - Resolução

b) Qual é a probabilidade de que os componentes durem entre 900 e 1200 horas?

→ P(900<X<1200) = P(0<X<1200) – P(0<X<900) = 0,698806 – 0,59343 = 0,10537

Utilizando o Microsoft Excel: Utilizando o R:

=DISTR.EXPON(900;1/1000;VERDADEIRO) pexp(900, rate = 1/1000, lower.tail = TRUE, log.p
Resultado: 0,59343 = FALSE)
=DISTR.EXPON(1200;1/1000;VERDADEIRO) Resultado: 0.5934303
Resultado: 0,698806 pexp(1200, rate = 1/1000, lower.tail = TRUE,
Resultado final = 0,698806-0,59343=0,1053756 log.p = FALSE)
Resultado: 0.6988058
Resultado final = 0.1053754
Distribuição Exponencial – Exercício 1 - Resolução

c) Qual é o percentual de componentes que durarão mais de 850 horas?

→ P(X>850) = 1-P(0<X<850) = 1-0,572585 = 0,427415

Utilizando o Microsoft Excel: Utilizando o R:

=DISTR.EXPON(850;1/1000;VERDADEIRO) pexp(850, rate = 1/1000, lower.tail = FALSE, log.p
Resultado: 0,572585 = FALSE)
Resultado final = 1-0,572585=0,427415 Resultado: 0.4274149
Distribuição Normal – Cálculo de probabilidade

Vamos relembrar as funções?

Distribuição Normal – Utilizando o Excel

Distribuição normal para o =DIST.NORM.N(x;media;desvio

cálculo de P(X<x) padrão;VERDADEIRO)*

*Os resultados exibidos mostrarão a probabilidade acumulada!

Distribuição Normal – Utilizando o R

Distribuição normal para o pnorm(x, mean = m, sd = s, lower.tail =

cálculo de P(X<x) TRUE, log.p = FALSE)

onde:
m= média
s= desvio padrão
lower.tail=TRUE → Fornece a probabilidade acumulada → P(X<x)
lower.tail=FALSE → Fornece a probabilidade acima de x → P(X>x)
log=FALSE → Fornece as probabilidades numéricas e não em escala logarítmica.
Distribuição Normal – Exemplo

Suponha que as medidas da corrente em um pedaço de fio sigam a distribuição

normal, com um média de 10 miliamperes e uma variância de 5 miliamperes2.
X: medida da corrente em miliamperes
 (média) = 10
2 (variância) = 5 → Desvio padrão (σ) = 2,2361
X~N(10;5)
Qual a probabilidade:
Distribuição Normal – Exemplo

a) Da medida da corrente ser de no máximo 12 miliamperes.

→P(X<12)=

Usando o Microsoft Excel: Usando o R:

=DIST.NORM.N(12;10;2,2361;VERDADEIRO) pnorm(12, mean = 10, sd = 2.2361,
Resultado: lower.tail = TRUE, log.p = FALSE)
0,81445 Resultado:
0.8144499
Distribuição Normal – Exemplo

b) Da medida da corrente ser de pelo menos 13 miliamperes.

P(X>13)= 1-P(X<13)

Usando o Microsoft Excel: Usando o R:

=DIST.NORM.N(13;10;2,2361;VERDADEIRO) pnorm(13, mean = 10, sd = 2.2361,
Resultado: lower.tail = FALSE, log.p = FALSE)
0,910141 Resultado:
Resultado final= 1- 0910141= 0,089859 0.08985936
Distribuição Normal – Exemplo
c) Um valor entre 9 e 11 miliamperes.
P(9<X<11)= P(X<11) - P(X<9)
Usando o Microsoft Excel: Usando o R:
=DIST.NORM.N(11;10;2,2361;VERDADEIRO) pnorm(11, mean = 10, sd = 2.2361,
Resultado: 0,672637 lower.tail = TRUE, log.p = FALSE)
=DIST.NORM.N(9;10;2,2361;VERDADEIRO) Resultado: 0.6726373
Resultado: 0,327363 pnorm(9, mean = 10, sd = 2.2361, lower.tail
Resultado final= = TRUE, log.p = FALSE)
0,672637-0,327363= 0,345274 Resultado: 0.3273627
Resultado final=
0.6726373-0.3273627= 0,3452746
Distribuição Normal – Exemplo

d) Maior do que 8 miliamperes.

P(X>8)= 1- P(X<8)

Usando o Microsoft Excel: Usando o R:

=DIST.NORM.N(8;10;2,2361;VERDADEIRO) pnorm(8, mean = 10, sd = 2.2361, lower.tail
Resultado: 0,185550 = FALSE, log.p = FALSE)
Resultado final= Resultado: 0.8144499
1-0,185550=0,814450
Distribuição Normal – Exercício

As vendas diárias de um mercado de bairro seguem, aproximadamente, uma

distribuição normal, com média igual a R$5.000,00 e desvio padrão igual a R$2.000,00.
Calcule a probabilidade de que, em um determinado dia, as vendas:
a) Sejam superiores a R$3.500,00?
b) Sejam inferiores a R$3.000,00?
c) Estejam entre R$3.800,00 e R$5.300,00?
d) Estejam entre R$2.100,00 e 7.800,00?

Respostas: a) 0,7734 b) 0,1587 c) 0,2854 d) 0,8457

Distribuição Normal – Exercício - Resolução
As vendas diárias de um mercado de bairro seguem, aproximadamente, uma distribuição normal,
com média igual a R$5.000,00 e desvio padrão igual a R$2.000,00.
X: Vendas diárias de um mercado
 (média) = 5000
σ (desvio padrão) = 2000
Calcule a probabilidade de que, em um determinado dia, as vendas:
a) Sejam superiores a R$3.500,00?
→ P(X>3500) = 1- P(X<3500)
Utilizando o Excel Utilizando o R:
=DIST.NORM.N(3500;5000;2000;VERDADEIRO) pnorm(3500, mean = 5000, sd = 2000,
Resultado: 0,226627 lower.tail = FALSE, log.p = FALSE)
Resultado final= 1-0,226627=0,773373 Resultado: 0.7733726
b) Sejam inferiores a R$3.000,00?
→ P(X<3000)
Utilizando o Excel Utilizando o R:
=DIST.NORM.N(3000;5000;2000;VERDADEIRO) pnorm(3000, mean = 5000, sd = 2000, lower.tail
Resultado: 0,1586553 = TRUE, log.p = FALSE)
Resultado: 0.1586553

c) Estejam entre R$3.800,00 e R$5.300,00?

→ P(3800<X<5300)=P(X<5300)-P(X<3800)
Utilizando o Excel Utilizando o R:
=DIST.NORM.N(5300;5000;2000;VERDADEIRO) pnorm(5300, mean = 5000, sd = 2000, lower.tail
Resultado: 0,559618 = TRUE, log.p = FALSE)
=DIST.NORM.N(3800;5000;2000;VERDADEIRO) Resultado: 0.5596177
Resultado: 0,274253 pnorm(3800, mean = 5000, sd = 2000, lower.tail
Resultado final= 0,5596177-0,2742531=0,285365 = TRUE, log.p = FALSE)
Resultado: 0.2742531
Resultado final= 0.2853646
Distribuição Normal – Exercício - Resolução

d) Estejam entre R$2.100,00 e 7.800,00?

→ P(2100<X<7800)=P(X<7800)-P(X<2100)
Utilizando o Excel Utilizando o R:
=DIST.NORM.N(7800;5000;2000;VERDADEIRO) pnorm(7800, mean = 5000, sd = 2000, lower.tail
Resultado: 0,9192433 = TRUE, log.p = FALSE)
=DIST.NORM.N(2100;5000;2000;VERDADEIRO) Resultado: 0.9192433
Resultado: 0,0735293 pnorm(2100, mean = 5000, sd = 2000, lower.tail
Resultado final= 0,9192433-0,0735293 = TRUE, log.p = FALSE)
=0,8457140 Resultado: 0.07352926
Resultado final=
0.9192433-0.07352926=0,84571404
Distribuição Normal – Cálculo de x
Você também pode utilizar a distribuição normal para obter
um valor específico dos dados (valor x) para uma probabilidade
determinada!

Vamos relembrar as funções?

Distribuição Normal – Utilizando o Excel
Informa o valor de x a partir de
=INV.NORM.N(probabilidade;media;desvio padrão)
uma probabilidade acumulada

Forneço a
probabilidade
acumulada até o
valor de x que eu
desejo encontrar! Quero encontrar
esse valor.
Distribuição Normal – Utilizando o R

Informa o valor de x a partir qnorm(p, mean = 0, sd = 1, lower.tail =

de uma probabilidade TRUE, log.p = FALSE)
onde:
p → probabilidade a partir da qual deseja-se calcular o valor de x
m= 0 → substituir o 0 pela média da variável em estudo
s= 1 → substituir o 0 pelo desvio padrão da variável em estudo
lower.tail=TRUE → Você fornece a probabilidade acumulada → P(X<x)
lower.tail=FALSE → Você fornece a probabilidade acima de x → P(X>x)
log=FALSE → Fornece as probabilidades numéricas e não em escala logarítmica.
Distribuição Normal - Exemplo
As notas dos candidatos a um concurso
público estão normalmente distribuídas com Distribution Plot
Normal; Mean=75; StDev=6,5
uma média de75 pontos e um desvio padrão 0,06

de 6,5 pontos. Para poder entrar no serviço

0,05
público, o candidato precisa figurar entre os
0,04
5% melhores. Qual é a menor pontuação

Density
possível para a aprovação de um candidato? 0,03

0,02
0,95
Utilizando o Excel: 0,01
0,05
=INV.NORM.N(0,95;75;6,5) 0,00
75 85,69
X
Resultado: 85,69155
Distribuição Normal - Exemplo

Distribution Plot
Normal; Mean=75; StDev=6,5
Utilizando o R:
0,06
> qnorm(0.05, mean = 75, sd = 6.5, lower.tail
0,05
= FALSE, log.p = FALSE)
[1] 85.69155 0,04

Density
0,03

0,02
0,95
0,01
0,05
0,00
75 85,69
X
Distribuição Normal - Exemplo
Abaixo de que nota encontram-se 10% dos
Distribution Plot
candidatos com menor pontuação? Normal; Mean=75; StDev=6,5

Utilizando o Excel: 0,06

=INV.NORM.N(0,1;75;6,5) 0,05

Resultado: 66,6699
0,04

Density
Utilizando o R: 0,03

> qnorm(0.1, mean = 75, sd = 6.5, lower.tail = 0,02

TRUE, log.p = FALSE) 0,01

0,1
[1] 66.66991
0,00
66,67 75
X
10% dos candidatos com menor pontuação
obtiveram notas abaixo de 66,7 pontos.
Distribuição Normal - Exemplo
Acima de que nota encontram-se 25% dos
Distribution Plot
candidatos? Normal; Mean=75; StDev=6,5

Utilizando o Excel: 0,06

=INV.NORM.N(0,75;75;6,5) 0,05

Resultado: 79,3842
0,04

Density
Utilizando o R: 0,03

> qnorm(0.25, mean = 75, sd = 6.5, lower.tail 0,02 0,75

= FALSE, log.p = FALSE) 0,01
0,25

[1] 79.38418
0,00
75 79,38
25% dos candidatos obtiveram notas acima X

de 79,4 pontos.
Distribuição Normal - Exemplo
Abaixo de que nota encontram-se 40% dos
Distribution Plot
candidatos? Normal; Mean=75; StDev=6,5

Utilizando o Excel: 0,06

=INV.NORM.N(0,4;75;6,5) 0,05

Resultado: 73,3532
0,04

Density
Utilizando o R: 0,03

> qnorm(0.4, mean = 75, sd = 6.5, lower.tail = 0,02

0,4
TRUE, log.p = FALSE) 0,01

[1] 73.35324
0,00
73,35
40% dos candidatos obtiveram notas abaixo X

de 79,35 pontos.