(pasta 52 – Leão )

A DISTRIBUIÇÃO NORMAL DE PROBABILIDADE

Paulo R. Oliveira

Variáveis aleatórias
Valor esperado de uma variável aleatória
Distribuição Uniforme
Distribuição Normal
Distribuição Normal Padrão
Problemas de Aplicação

São Paulo, Fevereiro de 2016.

VARIÁVEIS ALEATÓRIAS

Introdução:

Você já deve ter passado pela experiência de jogar uma moeda ou um dado
para verificar qual face virá voltada para cima, não é verdade? Por que é que
quando realizamos experiências como essas (ou outras correlatas) acontece um
resultado e não outro? Dizemos que ocorrências como essas são determinadas
como “chances”. Na verdade a chance pode ser vista como a interação de grande
número de fatores que influem conjuntamente no resultado de uma experiência ou
de uma amostra. Como é impossível controlar todos esses fatores, também é
impossível especificar com precisão o resultado de um experimento como os
acima, sendo apenas possível medirmos, dentro de certos parâmetros, a chance de
ocorrência de um deles.
Definição 1: Quando uma variável tem resultados ou valores que tendem a
variar de uma observação para outra em função de valores relacionados com a
chance, ela é chamada de variável aleatória. Do ponto de vista prático, é
desejável que definamos uma variável aleatória, como uma variável que esteja
associada a um experimento, de tal modo que seus resultados possíveis sejam
numéricos ou que possam ser de alguma forma, representados por números.
Daremos, então, alguns conceitos que serão muito importantes para o
desenvolvimento desse capítulo e de outros que virão adiante.

o Uma variável aleatória é descrição numérica do resultado de um

experimento.
o Uma variável aleatória discreta ou tem uma quantidade finita de valores ou
uma quantidade enumerável (0, 1, 2,...) de valores.
o Uma variável aleatória continua tem infinitos valores, e esses valores são
frequentemente associados a medidas em uma escala contínua, sem saltos ou
interrupções.
o Uma distribuição de probabilidade descreve a probabilidade de cada valor
da variável aleatória.

2
Nesse capítulo trataremos exclusivamente de variáveis aleatórias contínuas e,
portanto, damos uma definição mais completa:

Definição.2: Uma variável aleatória que pode assumir qualquer valor numérico
em um intervalo ou numa coleção de intervalos é chamada de variável aleatória
contínua.

Resultados experimentais que podem ser baseados em escalas de medidas tais

como tempo, distância e temperatura, etc. podem ser descritos por variáveis
aleatórias contínuas. Uma variável contínua tem um número infinito de valores
possíveis de ocorrerem numa experiência ou observação. Vamos a alguns
exemplos:
Experimento Variável Possíveis
aleatória (x) valores de x
Encher garrafas de bebidas com Medida em ml. 0  x  500ml
capacidade máxima de 500 ml.
Observar o tempo de espera de clientes em Tempo em min. x0
filas bancárias.
Medir a eficácia de um remédio. Percentual de 0  x  100
cura.

Valor esperado de uma Variável Aleatória ou Esperança Matemática

Considerando uma variável aleatória discreta x, que toma valores
x1 , x2 ...xn em determinado campo numérico, com probabilidades p1 , p2 , ... pn ,

então o valor esperado E(x) para essa variável é dado por:

n
p1 x1  p2 x2  ...  pn xn , isto é, E(x)= p
i 1
n xn

No caso uma variável contínua o cálculo da esperança matemática está

relacionado com a área de uma região sob uma curva, como veremos mais
adiante. Nesse caso o valor da esperança matemática E(x) é calculada por:



E(x)=  f ( x ) dx ,


onde x é a variável aleatória contínua e f(x) é chamada função de densidade de x.

3
Esse último caso será mais bem apreciado adiante com o estudo que faremos de
distribuição de probabilidade.

Distribuição de probabilidade.

Uma distribuição de probabilidade é uma distribuição de freqüências para

os resultados de um espaço amostral. As freqüências são relativas ou
probabilidades. Sendo assim, as probabilidades indicam a percentagem de vezes
que, num grande número de observações, podemos esperar a ocorrência dos
vários resultados de uma variável aleatória. É muito comum o uso de tabelas ou
gráficos para mostrar como a probabilidade total atribuída a um espaço amostral é
distribuída pelos diversos resultados daquele espaço. Temos, então, a seguinte
definição:

Definição. 3:Uma distribuição de probabilidades é uma distribuição de

freqüências relativas para os resultados de um espaço amostral, ou seja, mostra a
proporção de vezes em que a variável aleatória tende a assumir cada um dos
diversos valores.

Curvas de densidade.
Definição 4: Uma curva de densidade é um gráfico de uma distribuição continua
que deve satisfazer as seguintes propriedades:

1) A área total sob a curva tem medida 1.

2) Cada ponto da curva tem que ter uma altura vertical que é 0 ou maior (ou seja,
a curva não pode existir abaixo do eixo x).

4
Distribuição Uniforme.
O fato que mais deve caracterizar o presente capitulo é o da relação entre
medida de área e medida de probabilidade. Para nos familiarizarmos com esse
fato vamos introduzi-lo pelo conceito preliminar de distribuição uniforme.

Definição 5: Uma variável aleatória continua tem uma distribuição uniforme, se

seus valores se espalham uniformemente sobre a faixa de valores possíveis. O
gráfico da distribuição, nesse caso, resulta em uma forma retangular.

Exemplo 1: Os frascos de líquidos de certo produto apresentam medidas

rigorosamente controladas de forma que a quantidade de conteúdo neles injetada
varia entre 50,0 e 52,0 ml, isto é, qualquer medida entre 50,0 e 52,0 ml é possível,
e todos esses valores são igualmente prováveis como medida de conteúdo dos
frascos. Se selecionarmos aleatoriamente um desses frascos e chamarmos de x a
variável aleatória que representa o conteúdo injetado em cada frasco, então x tem
uma distribuição que pode ser interpretada como uma distribuição contínua de
probabilidade, ilustrada pela fig. 1 que segue:

Fig. 1: variação do conteúdo dos frascos

Antes de continuar vamos lembrar que no caso das distribuições discretas de

probabilidade, foram identificadas duas exigências: 1)  P(x)  1 e 2)
0  P ( x )  1 , para todos os valores de x. O gráfico da figura 1 é chamado de

curva de densidade e deve, também, satisfazer às exigências (1) e (2).

Fixando a altura do retângulo do presente exemplo em 0,5 forçamos que sua área
total seja 2  0,5  1 , conforme exigido. Sendo assim, como a área total sob a
curva é 1, podemos estabelecer uma correspondência entre área e probabilidade,

5
Exemplo 2: Com relação aos dados do exemplo 1, se um frasco é selecionado ao
acaso qual a probabilidade de que ele contenha mais que 51,5 ml de líquido?

Resolução: P(quantidade maior que 51,5 ml) = área sombreada na figura 2.

Fig. 2: Relação entre área e probabilidade.

Logo: p (x) = 0,5 X 0,5 = 0,25 ou 25% (valor da área ou da probabilidade)

Distribuição Normal.
Já vimos que a idéia de distribuição de probabilidade nos mostra uma
forma de descrever o quão provável são os resultados de um processo. Nesse
capitulo discutiremos um tipo de distribuição muito frequentemente utilizada para
esse fim: a distribuição normal. Como no caso da distribuição uniforme, a
distribuição normal está também relaciona à área sob o gráfico de uma curva. Para
entendermos o significado de distribuição normal, comecemos com um exemplo:

Exemplo 3: Considere os dados abaixo relativos ao consumo de energia elétrica

(em kwh) em 500 residências.
Consumo (kwh) Freqüência
De 100 a menos de 110 20
De 110 a menos de 120 48
De 120 a menos de 130 100
De 130 a menos de 140 170
De 140 a menos de 150 98
De 150 a menos de 160 44
De 160 a menos de 170 20

Colocando essas informações num histograma temos a seguinte figura:

6
 Consumo (kwh)
Fig. 3: Histograma consumo de energia elétrica em 500 residências.

As informações das quais dispomos e as formas em que elas estão

organizadas (na tabela e no gráfico) nos permitem responder a perguntas simples,
tais como: Qual a probabilidade de uma casa dessa localidade, selecionada
aleatoriamente, consumir acima de 140 kwh? A partir do gráfico ou da tabela
vemos que 162 (98 + 44 + 20) dessas casas estão incluídas nessa faixa de
consumo, ou seja, acima de 140 kwh. Portanto essa probabilidade é 162/500 =
0,324.
Entretanto já não nos seria tão fácil responder à pergunta: Qual a
probabilidade de uma casa dessa localidade, selecionada aleatoriamente,
consumir acima de 145 kwh?
Caso tivéssemos distribuído os dados de forma que a amplitude das classes
fosse menor, (por exemplo: de 100 a 105, de 105 a 120 etc.) o histograma mudaria
para uma forma aproximada da que temos na figura 4 e isso poderia nos ajudar a
responder a pergunta feita acima (e certamente mais outras).

Consumo (kwh)
Fig. 4: Histograma consumo energia em 500 residências

No histograma para pequenas amplitudes como o da fig.4 notamos que: i)

a distribuição dos consumos é simétrica, ii) a maioria dos valores agrupa-se em
torno do centro (isto é, da média), iii) os valores vão se tornando cada vez menos
prováveis, quanto mais se distanciam da média.

7
 A redução dos intervalos ampliou-nos a possibilidade de respostas, mas,
mesmo assim, ainda nos deixou algumas limitações para o caso de medidas mais
precisas. Verificamos, no entanto, em se tratando de uma variável contínua, que os
intervalos das classes podem ser cada vez mais reduzidos para uma amplitude h
tendendo a zero.
Assim, e se medirmos o consumo de mais e mais residências e
diminuirmos a medida dos intervalos relativos às amplitudes das classes, a curva
do histograma vai se aproximar de uma curva suave, em forma de sino, chamada
de curva normal (ou distribuição normal) conforme a que mostramos na figura 5 a
seguir. A curva normal costuma designar-se também pelo nome de Curva de
Gauss, em razão da contribuição de Karl F. Gauss (1777-1855) à sua teorização
matemática.

Fig. 5: a curva normal

É possível perceber, portanto, que a distribuição normal é caracterizada por casos

em que valores mais próximos da média são mais prováveis que valores extremos.
Desse modo, identificamos que uma variável aleatória tem uma distribuição
normal especificando dois números: a média e a variância (ou desvio padrão). A
média de uma distribuição normal está localizada no pico da distribuição,
enquanto que a variância especificará a forma dessa distribuição, isto é, se os
valores estão muito dispersos em relação à média ou se eles, de certa forma, se
concentram em torno dela. Veja na ilustração que segue (fig. 6) a representação de
quatro gráficos de distribuições normais com mesma média, mas com variâncias
distintas.

8
 Fig. 6: Diferentes distribuições normais com mesma média

Definição 6: Se uma variável aleatória contínua tem uma distribuição com um

gráfico simétrico e em forma de sino dizemos que ela tem uma distribuição
normal.
1  x 2
  
2  
A função matemática que designa uma curva normal é dada por: y  e .
 2
Note que se trata de uma função determinada por dois parâmetros: pela média  ,
e o pelo desvio padrão  . Assim, selecionados valores particulares para  e
para  , podemos fazer o gráfico da equação acima e veremos que ele será
diferente para diferentes valores da média e para diferentes valores do desvio
padrão. Há, portanto, diferentes distribuições normais.

Sendo assim, como então calcularemos a probabilidade de uma variável aleatória

se ela estiver associada a uma distribuição normal? Ora, tal como no caso da
distribuição uniforme, a probabilidade aqui está associada a uma área sob a curva
de densidade, no caso a curva normal. Há vários recursos para o cálculo da área
localizada sob uma curva normal. Podemos nos valer do cálculo integral, do
computador ou de calculadoras especiais. Um recurso muito utilizado, porém, é o
do uso de tabelas construídas com valores associados a um gráfico de uma
distribuição normal específica, chamada de distribuição normal padrão, que
apresentaremos a seguir.

A distribuição normal padrão:

Seja z uma variável aleatória com função de densidade normal, com média  = 0
e desvio padrão  =1. Esta distribuição normal específica é chamada de
distribuição normal padrão e seu gráfico, em forma de sino, é perfeitamente
simétrico em relação à média (fig: 7)

9
 .
Fig. 7: Distribuição Normal Padrão:  =0e  =1

A distribuição normal padrão tem as seguintes propriedades:

 A média, a mediana e a moda são iguais.

 A curva normal tem formato de um sino e é simétrica rm torno da
média.
 A área total sob a curva normal é igual 1.
 E(X)=μ e VAR(X)= σ2.
 O ponto máximo de f(x) é o ponto X=μ.
 Os pontos de inflexão da função são: X= μ+σ e X= μ-σ.

Definição 7: A distribuição normal padrão é uma distribuição de probabilidade

normal com média  = 0 e desvio padrão  = 1. A área total sob a curva é igual
a 1. (ver figura 7). A curva de distribuição normal padrão é chamada de curva de
densidade normal e acumula diferentes medidas de áreas para diferentes
quantidades de desvios em relação à média. (fig. 8)

Fig. 8. Curva de densidade norma padrão.

Os valores σ, 2σ, 3σ, etc. representam quantidades de desvios em relação à média.

Para distinguir a curva normal padrão de uma curva normal comum utiliza-se a
letra z pra representar a variável normal padrão ou quantidades de desvios em relação à
média. Como a área total sob a curva é igual a 1, consideramos que ela é uma distribuição

10
de probabilidade, e como ela é simétrica em relação a z = 0, a área de cada lado de z = 0 é
igual a ½. (fig.7).

O procedimento para o cálculo de uma área localizada sob a curva consiste

na consulta de uma tabela que fornece o valor da área acumulada até certa
quantidade de desvios z medidos na abscissa z. (veja tabela que se encontra
anexada a esta apostila, na pág. 17). Para esse tipo de operação devemos observar
o seguinte.

1. A tabela refere-se apenas à distribuição normal padrão, que tem média

0 e desvio padrão 1. N(μ,σ) = N(0,1).
2. A tabela só fornece valores para os escores positivos de z. Para valores
negativos devemos fazer deduções, levando em conta a simetria da
curva normal.

3. Cada valor no corpo da tabela é a área acumulada a partir da esquerda

até uma rela vertical sobre um valor específico do escore z,onde z é
o número de desvios em relação à média. (ver fig.7 do exemplo 4 a
seguir)

Uso da tabela de distribuição normal padrozinada:

Faremos alguns exemplos de como utilizar a tabela de distribuição normal

padrão para cálculo de áreas, que são também valores de probabilidade.

Exemplo 4: Encontre a área a partir da distribuição normal padrão que está à

esquerda do valor 1,36 (isto é, P(z < 1,36). (Fig. 9)

Fig. 9: área assinalada à esquerda de Z = 1,36 desvios

Na tabela procure na coluna à esquerda o valor 1,3; em seguida procure na linha

horizontal superior o valor 0,06. O cruzamento dos valores da vertical e da

11
horizontal fornece no corpo da tabela um valor de área = 0,431. Esse valor é a
medida da área sombreada que vai da vertical que passa pelo centro da figura até a
vertical que passa pelo ponto 1,36. Como sabemos que a outra parte sombreada
representa a metade da área total da figuram, ou seja, tem medida 0,5, então a área
total sombreada na fig. 7 tem medida 0,5 + 0,431 = 0,931. Esse número pode
representar um valor de probabilidade, como veremos adiante.

Exemplo 5: Encontre agora a área localizada à direita de 2,13 (isto é, P(z > 2,13).
(Fig. 10).

Fig.10: área assinalada à direita de z = 2,13

Na tabela procure na coluna à esquerda o valor 2,1; em seguida procure na linha

horizontal superior o valor 0,03. O cruzamento desses valores fornece, no corpo
da tabela, um valor da área = 0,4834, que é a área localizada à esquerda de z
limitada pela vertical que passa por z e pela vertical que passa por 0 (centro da
figura). Como queremos a área à direita de z, fazemos 0,5 – 0,4834 = 0,0166. O
valor 0,0166 representa a medida da área da parte sombreada na fig.8, e pode ser
um valor de probabilidade.

Exemplo 6. Encontre a área localizada à esquerda de -0,86 (isto é, P(z < 0,86)
(Fig. 11).

Fig. 11: área assinalada à direita de z = - 0,86

Como essa área solicitada está localizada a esquerda de um escore negativo de z, e

uma vez que a tabela só nos fornece valores para escores positivos, devemos
encontrá-la por simetria. Em vista da simetria da curva normal a área à esquerda

12
de -0,86 tem a mesma medida numérica da área localizada à direita de 0,86.
Devemos então procurar na coluna à esquerda o valor 0,8 e em seguida o valor
0,06 na linha horizontal superior. Cruzando esses valores encontramos 0,3051,
que é o valor da área localizada entre a vertical que passa por -0,86 e a vertical
que passa por 0. A área à esquerda de -0,86 é, portanto,0,5 – 0,3051 = 0,1949.

13
Aplicações da Distribuição Normal em Cálculos de Probabilidades –
conversão de uma distribuição normal qualquer para uma distribuição normal padrão.
Apresentaremos nessa parte métodos para se trabalhar com distribuições
normais que não são padrões, ou seja, para as quais a média não é zero e/ou o
desvio padrão não é 1. Na verdade podemos converter qualquer distribuição
normal para a distribuição normal padronizada, de modo que os mesmos métodos
para o cálculo de áreas (probabilidades) anteriores possam ser aplicados. Dessa
forma podemos abordar problemas gerais relativos à distribuição normal,
tornando nossas aplicações mais realistas.
Como existem só tabelas para distribuição normal padrão, aplicamos uma
fórmula matemática para converter qualquer distribuição normal na distribuição
normal padrão. Como já vínhamos fazendo utilizaremos a variável x para denotar
uma variável aleatória de uma distribuição normal geral e a variável z para a
variável aleatória da distribuição normal padronizada. Dessa forma, se x é uma
variável aleatória associada a uma distribuição normal qualquer, com média
aritmética  , e desvio padrão  , então z será obtido por:

x
z


O processo de conversão é chamado de padronização.

Exemplo 7 Estimativas do Ministério da Saúde mostram que o peso médio dos

homens brasileiros de certa região é de 74 kg com desvio padrão de 16 Kg.
Selecionado um homem ao acaso, ache a probabilidade de que ele tenha menos de
80 kg (ou seja, queremos calcular a probabilidade de x < 80 ou P(x < 80)

Calculemos Z, sabendo que  = 74 e  = 16. Sabemos que

x 80  74
z
 , ou seja, z
16
 0,375 .
Assim, devemos procurar na tabela a área correspondente ao valor de z = 0,375.
Procurando na tabela e acrescentando 0,5, encontramos um valor de área entre

14
0,6443 e 0,6480, pelo que podemos aproximar essa área para 0,64 e, portanto, a
probabilidade procurada está em torno de 0,64 ou 64%.

Exemplo 8. Para o mesmo caso anterior, calcule as probabilidades seguintes: a) de

o homem ter menos de 60 kg. b) de o homem ter entre 60 kg e 80 kg.

60  74
a) Temos:  = 74,  = 16 e x = 60. Daí : z   0,875
16
Considerando Z = 0,875, por simetria encontramos um valor da área à esquerda
de z que é de aproximadamente 0,31. Como queremos (em vista da simetria) a
área à direita de z, então fazemos 0,5 – 0,31 = 0,19. Logo a probabilidade pedida é
de 19%.

b) Aproveitando os resultados anteriores sabemos que se x = 60, então

z  0,875 e que se x = 80, então z  0,375 . Esses resultados fornecem áreas
respectivamente 0,64 e 0,19. Logo a faixa de área entre esses dois valores no
gráfico de distribuição normal padrão é de 0,64 – 0,19 = 0,45. Portanto a
probabilidade de que um homem escolhido ao acaso tenha entre 60 kg e 80 kg
é de 45%.

Exercícios

1. Trace, pra cada caso abaixo, uma curva normal, sombreie e obtenha a área
sombreada fazendo uso da tabela da curva normal padrão:

a) área à direita de z = 1,0

b) área à esquerda de z = 1,0
c) área à direita de z = -,034 (Resp: 0,6331)
d) área entre z = 0 e z = 1,5
e) área entre z = 0 e z = -,288
f) área entre z = -,056 e z = - 0,20 (Resp: 0,1330)
g) área entre z = 2,5 e z = 2,8
h) área ente z = 1,56 e z = 2,37

2. Para certa característica de uma população encontramos media de 25 e desvio -

padrão 5, com distribuição normal. Calcule os valores de Z e sua área
percentual de probabilidade para valores compreendidos entre 24 e a média.
(Resp: P(x) = 7,93%)

15
3. Refaça o exercício anterior se a média da população é de 35, com desvio-padrão
de 7, para os seguintes valores: a) 30,0 b) 40,0

4. Dado que uma população com média 25 e desvio padrão 2 tem distribuição
normal, calcule Z e sua área para os seguintes casos: a) à direita de 23 b) entre
24 e 25,2. [Respostas: a) 0,8313 b) 0,2313.

5. Suponha que a renda média de uma grande comunidade possa ser razoavelmente
aproximada por uma distribuição normal com média de $15.000 e desvio padrão
de $3.000,00.
a) Que porcentagem da população terá renda superior a $18.000,00?
b) Numa amostra de 50 assalariados quantos podemos esperar que tenham
menos de $10.500,00 de renda?

6. Um processo industrial produz canos com diâmetro médio de 2 polegadas, e

desvio-padrão de 0,02. Os canos com desvio superior a 0,04 são considerados
“com defeito” e não entram na comercialização. Determine a porcentagem de
canos com defeito. (Resp: p(x) = 0,023 ou 2,3% aproximadamente).

7. Em um exame final de certa disciplina, a média foi de 7,2 e o desvio-padrão foi

de 1,5. Determine Z e sua área percentual de probabilidade para os estudantes
que obtiveram as seguintes notas menores que:
a) 6,0 b) 7,0 c) 8,0 d) 5,0

(Resp: a) p(x) = 28,81% b) p(x) = 5,17% c) p(x) = 20,19% d) p(x) = 42,9%

8. A temperatura média de certa localidade, ao meio dia é de 38º centígrados, com

desvio-padrão de 2º. Qual a probabilidade de que ao meio dia de um dia
qualquer, se tenha uma temperatura:
a) Entre 36º. e 41º. B) Igual ou maior que 41º. C) Entre 35º e 37º.

9. As lâmpadas de automóveis produzidas por uma indústria têm vida útil média de
4500 horas com desvio-padrão de 200 horas. Calcular a probabilidade de que
uma lâmpada qualquer dessa indústria tenha vida útil:
a) Igual ou maior que 4000 horas (Resp: 0,9938)
b) Igual ou maior que 4750 horas
c) Se um revendedor comprar 3500 lâmpadas, quantas destas terão
provavelmente vida útil superior a 4380 horas? (Resp: 2540 lâmpadas).

10. Sabe-se que, em média, 25% dos carros acidentados sofrem perda total, com 2%
de desvio-padrão. Supondo eu num certo mês tenham ocorrido 200 acidentes,
qual a probabilidade de que:
a) Menos de 53 carros tenham perda total. (Resp: 0,7734)
b) Mais que 48 carros tenham perda total.
c) Entre 42 e 48 carros tenham perda total. (Resp: 0,2684)

11. O peso médio de 500 estudantes do sexo masculino em determinada escola é de

75,5 Kg com desvio-padrão de 7,5 Kg. Admitindo-se que os pesos estão
distribuídos normalmente, determinar quantos estudantes pesam:
a) Entre 60 e 77,5 kg

16
 b) Mais que 82,5 kg
c) Entre 80 e 85 kg
d) Menos que 70 kg.

12. As embalagens de detergentes indicam que a média de ocupação do frasco é de

500 ml. Numa amostra recolhida para averiguação detectamos que para essa
média o desvio padrão foi 2 ml. Calcule a probabilidade de que uma embalagem
vendida no mercado tenha: a) menos de 2 ml abaixo da média. b) mais de 4 ml
acima da média.

13. Os tempos de gravidez são normalmente distribuídos, com uma média de 268
dias e um desvio padrão de 15 dias.

a) Um uso clássico da distribuição normal refere-se à uma carta recebida

por um programa de televisão no qual uma mulher afirmou ter dado à luz
308 dias após a visita de seu marido que permanecia grande parte do
tempo fora de seu país prestando serviço militar. Verifique a
probabilidade desse dado e veja o que isso sugere.

b) Se um bebê é classificado como prematuro, no caso de a duração da

gravidez estar dentro dos 4% tempos inferiores, ache o tempo de
gravidez que separa os bebês prematuros dos demais. (Obs: como os
bebês prematuros requerem cuidados especiais, esse resultado pode ser
útil para os administradores hospitalares planejarem tais cuidados)

14. O comerciante de uma construtora deseja assegurar que somente 5% dos pedidos
de cascalho de 3 mm excedam o peso padrão dos pedidos de 1.000 Kg. Se a
balança automática que pesa esses pedidos faz suas medições com um desvio-
padrão de 10 kg, qual deve ser a média em que ela deve ser regulada? (Resp:
983,55kg).

17
Tabela de distribuição normal padrão

18
Bibliografia:
 ANDERSON, D. R., SWEENEY, D. J., WILLIAMS, T. A. Estatística aplicada à
administração e economia. São Paulo: Thomson Learning, 2002.
 BUSSAB, W.O.; MORETTIN, P.A. Estatística básica. São Paulo: Saraiva, 2002.
 FONSECA,, J. S. Curso de Estatística, São Paulo: Atlas, 1980.
 FREUND, J. E. Estatística aplicada: economia, administração e contabilidade, Porto
Alegre: Bookman, 2006.
 MILONE, G. Estatística: geral e aplicada. São Paulo: Thomson Learning, 2004.
 SMAILES, J & MCGRANE, A. Estatística Aplicada à Administração com Excel. São
Paulo: Atlas, 2002.
 TRIOLA, M. F. Estatística. Rio de Janeiro: LTC – Livros Técnicos e Científicos Editora,
2008.
 STEVENSON, W.J. Estatística aplicada à administração. São Paulo: Harbra, 1983.

19