Unidade - 05 - Distribuição de Probabilidade

UNIDADE 05
Distribuição de
Probabilidade
SUMÁRIO
1. Introdução ............................................................................................................................. 3
2. Variável aleatória .................................................................................................................. 3
2.1 Definição e classificação ............................................................................................... 3
2.2 Distribuição de probabilidade (caso discreto) ............................................................... 4
2.3 Valor esperado e variância e suas propriedades. ......................................................... 6
3. Distribuição de probabilidade - Variáveis discretas .............................................................. 9
3.1 Distribuição de Bernoulli .............................................................................................. 10
3.2 Distribuição Binomial ................................................................................................... 11
3.3 Distribuição de Poisson ............................................................................................... 18
4. Distribuição de probabilidade – Variável contínua ............................................................. 23
4.1 Distribuição Uniforme .................................................................................................. 27
4.2 Distribuição Normal ..................................................................................................... 30
4.3 Aproximação Normal ................................................................................................... 39
4.3.1 Aproximação Normal para Binomial .................................................................... 39
4.3.2 Aproximação Normal para Poisson ..................................................................... 41
4.3.3 Aproximação Normal com correção de continuidade ......................................... 42
5 Exercícios resolvidos ...................................................................................................... 43
6 Exercícios propostos ...................................................................................................... 50
7 Bibliografia ...................................................................................................................... 53
1. Introdução
No estudo sobre probabilidades, iniciamos com o conceito de experimento aleatório e espaço

amostral. O espaço amostral, como foi visto, consiste de todos os resultados possíveis de um
experimento aleatório. No caso de lançar uma moeda duas vezes, o espaço amostral seria
{KK, KC, CK, CC} com K indicando cara e C indicando coroa.
Em vez de trabalhar com o espaço amostral {KK, KC, CK, CC} podemos definir uma variável de
nosso interesse e associar cada resultado dessa variável à um resultado do espaço amostral.
Esta variável é denominada de variável aleatória e o conjunto formado pelos valores desta
variável e suas respectivas probabilidades é denominado de distribuição de probabilidade.
2. Variável aleatória
2.1 Definição e classificação
A variável aleatória é uma função que associa um valor numérico do conjunto de números reais
(ℜ) à cada ponto do espaço amostral (Ω). De uma forma menos formal, podemos dizer que a
variável aleatória é uma variável quantitativa, cujo resultado (valor) depende do acaso (fatores
aleatórios).
Variável aleatória
ℜ) à
A variável aleatória é uma função que associa um número do conjunto de números reais (ℜ
Ω).
cada resultado do espaço amostral (Ω
Portanto, a variável aleatória é uma variável quantitativa, cujo resultado depende de fatores
aleatórios. O fator aleatório usado aqui é para explicar que não podemos antecipar exatamente
o resultado que irá sair, pois isso dependerá do acaso.
Classificação do tipo das variáveis aleatórias
Uma variável aleatória pode ser classificada em discreta ou contínua e é comum denota-la
pelas letras latinas maiúsculas X, Y, Z, etc e os valores observados pelas letras minúsculas x,
y, z, etc
Estatística Básica −3− prof. José Aguinaldo

VARIÁVEL ALEATÓRIA
DISCRETA CONTÍNUA
Os possíveis resultados estão contidos em um Os possíveis valores estão contidos em um

conjunto finito ou contável de resultados. Os conjunto infinito ou incontável de resultados.
valores vêm de uma CONTAGEM. Os valores vêm de uma MENSURaÇÃO
X = “número de filhos por família” X = “tempo de vida de lâmpadas”

x = {0, 1, 2, ...} x ∈ [0 ; ∞ )
Y = “número de peças com defeitos em uma Y = “tempo diário de uso do computador”

caixa com 20 peças” y ∈ [0 ; 24]
y = {0, 1, 2, ... 20}
2.2 Distribuição de probabilidade (caso discreto)

Conhecer quais os resultados possíveis de uma variável aleatória não é suficiente, também
devemos saber qual é a probabilidade de cada resultado ocorrer. O conjunto formado pelos
resultados da variável X e suas respectivas probabilidades é denominado de distribuição de
probabilidade. A distribuição de probabilidade nos permite verificar a “forma” como os valores
estão distribuídos (quais os mais comuns e os menos comuns). O gráfico abaixo mostra a
distribuição de probabilidade para a variável aleatória X = “número de e-mails que chegam
durante uma hora”. Pelo gráfico, nota-se que é mais provável chegar 2 ou 3 e-mails em uma
hora do que chegar 8 e-mails.
0,25
0,20
Probabilidade
0,15
0,10
0,05
0,00
0 1 2 3 4 5 6 7 8
Número de e-mails

EXEMPLO 01 - Uma moeda honesta é lançada duas vezes para cima de forma
independente. Construa a distribuição de probabilidade da variável X = “número de caras”.
Solução ---------------------------------------------------------------------------------------------
A coluna 1 da tabela abaixo lista o espaço amostral, a coluna 2 lista os resultados possíveis da
variável X e a coluna 3 mostra a probabilidade de ocorrer cada resultado.
Espaço amostral
x Probabilidade
Ω
KK 2 P(KK) = P(K)⋅P(K) = 0,50⋅0,50 = 0,25
KC 1 P(KC) = P(K)⋅P(C) = 0,50⋅0,50 = 0,25
CK 1 P(CK) = P(C)⋅P(K) = 0,50⋅0,50 = 0,25
CC 0 P(CC) = P(C)⋅P(C) = 0,50⋅0,50 = 0,25
Resumindo a tabela acima temos a seguinte distribuição de probabilidade de X:
Na distribuição de probabilidade, a correspondência entre os valores da variável aleatória X e

1
as respectivas probabilidades é definida pela função de probabilidade que representamos por:
f(x) = P(x) = P(X = x)
onde f(x) = probabilidade de a variável X assumir o valor x
Característica da função de probabilidade f(x)
Uma função de probabilidade deve satisfazer:

i) f(xi) ≥ 0 A função f(x) é não-negativa
ii) ∑ f (x ) = 1
i
i A soma das probabilidades deve ser igual a 1.
É bom destacar que a distribuição de probabilidade é uma distribuição teórica, pois reflete o
que teoricamente esperamos da variável aleatória e não os valores de fato observados no dia-
a-dia. Para ilustrar o que foi dita aqui, o gráfico abaixo mostra os resultados observados,
quando 15 pessoas lançaram a moeda duas vezes para cima. Note que as proporções
1
A função f(x) é denominada de função probabilidade, quando a variável for discreta. Caso a
variável seja contínua, a função f(x) é denominada de função densidade de probabilidade.

observadas de caras não são exatamente iguais às probabilidades que esperamos
teoricamente, mas as diferenças são pequenas.
10
9 (60%)
Frequência
6
4 (27%)
4
2 (13%)
2
0
0 1 2
Número de caras
EXEMPLO 02 - A tabela abaixo caracteriza uma distribuição de probabilidade? Justifique.

x 0 1 2 3
P(x) 0,25 0,50 0,25 0,25
2.3 Valor esperado e variância e suas propriedades.
Da mesma forma que sintetizamos os dados de uma amostra calculando a média, mediana,
variância, desvio-padrão, quartil etc, também podemos sintetizar uma distribuição de
probabilidade calculando essas mesmas medidas descritivas.
Suponha que a variável aleatória discreta X pode assumir os valores x1 , x 2 , L , x N com as

respectivas probabilidades de ocorrência f ( x1 ), f ( x 2 ),L , f ( x N ) . Então:
• O valor esperado (ou valor médio) da variável X é:
E ( X ) = µ = ∑ x i f ( xi )
• A variância da variável X é:
Var ( X ) = σ 2 = ∑ (x i − µ )2 f ( xi ) ou
Var ( X ) = σ 2 = ∑x 2
i f ( xi ) − µ 2 (fórmula alternativa)
• O desvio-padrão da variável X é:
dp( X ) = σ = Var ( X )
Onde
∑ x i f ( x i ) = x1 f ( x1 ) + x 2 f ( x 2 ) + L + x N f ( x N )
∑ (x i − µ )2 f ( x i ) = ( x1 − µ )2 f ( x1 ) + (x 2 − µ )2 f ( x 2 ) + L + (x N − µ )2 f ( x N )

∑x 2
i f ( x i ) = x12 f ( x1 ) + x 22 f ( x 2 ) + L + x N2 f ( x N ) Propriedades do valor esperado E(X) e
variância Var(X)
Sejam ‘a’ e ‘b’ duas constantes, então:

Valor Esperado Variância
E (b) = b Var (b) = 0
E (aX ± b) = aE ( X ) ± b Var (aX ± b) = a 2Var ( X )
E ( X ± Y ) = E ( X ) ± E (Y ) Var ( X ± Y ) = Var(X) + Var(Y) se X, Y são independentes
2
EXEMPLO 03 - Com dados do último CENSO, a assistente social de um Centro de Saúde

constatou que 20% das famílias de uma região não tinham filhos, 25% tinham apenas um filho,
30% dois, 15% três, 5% quatro e 5% cinco filhos. Considerando a variável X = “número de
filhos por família”
x 0 1 2 3 4 5
f(x) 0,20 0,25 0,30 0,15 0,05 0,05
Pede-se:
a) A probabilidade de uma família tenha mais de dois filhos;
b) A probabilidade de uma família tenha pelo menos um filho;
c) P(X ≤ 1); P(1 ≤ X ≤ 3); P(X > 5)
d) Determine o valor esperado de filhos (ou seja, o número médio de filhos)
e) Determine o desvio-padrão de X.
Solução ------------------------------------------------------------------------------------------------------------------
a) P(“família ter mais de dois filhos”) = P(X > 2) = f(3) + f(4) + f(5) = 0,25 (ou 25%)
b)
c)
d) Valor Esperado
µ= ∑
x i f ( x i ) = 0 ⋅ 0,20 + 1 ⋅ 0,25 + 2 ⋅ 0,30 + 3 ⋅ 0,15 + 4 ⋅ 0,05 + 5 ⋅ 0,05 = 1,75 filho
i
O número médio do número de filhos por família é de 1,75 filhos (quase dois filhos)
e) Desvio-padrão da variável X
Primeiro vamos calcular a variância de X

σ2 = ∑
( x i − µ) 2 f ( x i )
i
= (0 − 1,75)2 0,20 + (1 − 1,75)2 0,25 + (2 − 1,75)2 0,30 + (3 − 1,75)2 0,15 + (4 − 1,75)2 0,05 + (5 − 1,75)2 0,05
= 0,6125 + 0,14063 + 0,01875 + 0,23438 + 0,25313 + 0,52813

2
= 1,788 filho (lembre-se, a unidade da variância é sempre ao quadrado)
Agora vamos calcular o desvio-padrão da variável X
σ = variância = 1,788 = 1,34 filho
2
Se X e Y não forem independentes, então Var(X ± Y) = Var(X) + Var(Y) ± 2⋅Cov(X,Y), onde Cov(X,Y)
é a covariância entre X e Y.

CÁLCULO ALTERNATIVO
De forma alternativa, podemos calcular o valor esperado e a variância usando uma tabela no
EXEMPLO 3.
2
x f(x) x⋅⋅f(x) x .f(x)
0 0,20 0,00 0,00
1 0,25 0,25 0,25
2 0,30 0,60 1,20
3 0,15 0,45 1,35
4 0,05 0,20 0,80
5 0,05 0,25 1,25
Total 1 1,75 4,85
• Valor esperado: µ = ∑x i
i f ( x i ) = 1,75 filho
N
• Variância: σ 2 = ∑x
i =1
2
i f ( x i ) − µ 2 = 4,85 – (1,75) = 1,788 (filhos)
2 2
• Desvio-padrão: σ = variância = 1,788 = 1,34 filho
EXEMPLO 04 - Sabendo que E(X) = 10 e Var(X) = 5 e usando as propriedades do valor

esperado e variância para calcular E(Y), Var(Y) e dp(Y) nas situações abaixo:
a) Y = 3X + 20
b) Y = 5⋅(X – 4) + 20.
c) Y = 5⋅(X – 1/5) + 2X + 10
d) Y = 5⋅(2 – X) – 4.
Solução ------------------------------ -----------------------------------------------------------------------------------
a) Y = 3X + 20
E(Y) = E(3X + 20) = E(3X ) + E(20) = 3 ⋅ E(X ) + 20 = 3 ⋅ 10 + 20 = 50

Var(Y) = Var (3X + 20) = Var (3X) + Var(20) = 32 ⋅ Var(X) + 0 = 9 ⋅ 5 = 45
dp(X) = 45 = 6,71
Agora resolvam a ‘ b’, ‘c’, e ‘d’
EXEMPLO 05 - Uma peça deverá ser embalada em uma caixa. A peça tem peso médio de
25 kg e desvio-padrão de 3 kg e a caixa tem peso médio de 2 kg e desvio-padrão de 1 kg. Qual
OBS:
será a média e o desvio-padrão da peça embalada? Para x = 2 e f(x) = 0,30 temos:
x⋅f(x) = 2⋅ 0,30 = 0,60 e
x2.f(x) = 22⋅0,30 = 1,20

EXEMPLO 06 - Você tem a sua disposição três investimentos (A, B, C). A tabela a seguir
mostra o retorno anual (para cada 1000 dólares investidos) de cada um desses investimentos
sob condições econômicas distintas, bem como a probabilidade de que cada uma dessas
condições econômicas venha a ocorrer.
Retorno em dólares para cada 1000 dólares investidos em cada situação econômica
Situação Investimento Investimento Investimento
Probabilidade
econômica A B C
Recessão 0,20 -30 0 -30
Estagnação 0,50 40 52 76
Crescimento 0,30 60 20 0
a) Qual dos três investimentos você escolheria aplicar? Baseie sua resposta no valor
esperado dos investimentos.
b) Qual dos três investimentos é o de menor risco? Em investimentos, sabe-se que
quanto maior a variabilidade, maior será o risco do investimento.
3. Distribuição de probabilidade - Variáveis discretas
No estudo de um problema real do dia-a-dia, freqüentemente deparamos com situação onde

devemos tomar alguma decisão com o auxilio das probabilidades. Por exemplo, no estudo do
dimensionamento de um estacionamento, o número de carros que entram no estacionamento
por hora é uma variável de interesse e o conhecimento da distribuição de probabilidade dessa
variável seria de grande auxílio.
O comportamento da variável de interesse pode ser descrito por uma expressão matemática,
denominada de modelo probabilístico, que associa as probabilidades à cada valor da variável
em estudo, permitindo assim, obter a sua distribuição de probabilidade. Com os modelos
probabilísticos podemos calcular a probabilidade de um resultado acontecer sem ter que
coletar previamente os dados.
Há uma variedade de modelos probabilísticos, tanto para as variáveis aleatórias discretas,

quanto para as variáveis aleatórias contínuas. Alguns desses modelos probabilísticos estão
citados logo abaixo:
Modelos para variável discretas Modelos para variáveis contínuas
Distribuição de Bernoulli; Distribuição Uniforme;

Distribuição Binomial; Distribuição Normal;
Distribuição de Poisson; Distribuição Exponencial;
Distribuição Geométrica; Distribuição Lognormal;
Distribuição Hipergeométrica, etc. Distribuição Qui-quadrado, etc.

3.1 Distribuição de Bernoulli
A distribuição de Bernoulli é o modelo mais simples para variável discreta e dele são originados
outros modelos probabilísticos para variável discreta. O modelo é indicado para situações em
que observamos ou não alguma característica de nosso interesse. Por exemplo:
• Lançar uma moeda: Sair cara ou não;
• Selecionar uma peça de um lote: É defeituosa ou não;
• Selecionar um aluno: Foi reprovado em matemática ou não;
• Tem computador em casa: Sim ou não;
• Paciente que fez cirurgia de alto risco: Sobreviveu ou não.
Os experimentos acima são denominados de Experimentos de Bernoulli.
Experimentos de Bernoulli – Experimento simples, onde somente dois resultados são possíveis
(sucesso ou fracasso).
A probabilidade de ocorrer um sucesso é denotada por p e a probabilidade de ocorrer um

fracasso é denotada por q. Então,
P(ocorrer sucesso) = P(S) = p P(ocorrer fracasso) = P(F) = q = 1 − p
Numa linha de produção, onde 40% das peças são defeituosas, uma peça é selecionada.
Sucesso (S) = Peça com defeito p = P(sucesso) = 0,40
Fracasso (F) = Peça não está com defeito q = P(Fracasso) = 0,60
Estatística Básica − 10 − prof. José Aguinaldo

3.2 Distribuição Binomial
A distribuição Binomial (ou modelo Binomial) é uma generalização da distribuição de Bernoulli.

Com a distribuição Binomial podemos, por exemplo, calcular:
• a probabilidade de sair menos de 4 caras em 15 lançamentos de uma moeda honesta.

• a probabilidade de sair no máximo 3 peças com defeitos em um lote com 20 peças
Dstribuição Binomial
Quando são realizadas n ensaios independentes de Bernoulli e o nosso interesse recai sobre a
variável X = “Número de sucessos nos n ensaios”, então a função probabilidade de X é dada
por:
n
f ( x) =   ⋅ p x ⋅ q n − x com x = 0, 1, ..., n
 x
Valor esperado e Variância: µ = E(X) = n ⋅ p σ 2 = Var(X) = n ⋅ p ⋅ q
Para representar uma variável x com distribuição Binomial com n tentativas e probabilidade de
sucesso p usamos a seguinte notação:
X ~ Binomial(n; p).
onde
• n = número de ensaios (tentativas ou realizações) independentes;
• x = o número de sucessos nos n ensaios;
• p e q = probabilidade de sucesso e fracasso (constante em cada ensaio);
n n!
•   = é o número de ocorrências de x sucessos em n ensaios. Isto é, uma
x
  ( n − x )!⋅ x! combinação de x sucessos em n tentativas.
• n! = n⋅(n-1)⋅(n-2)⋅…⋅1 (lê-se n fatorial)
EXEMPLO 07 - Resolva os fatoriais e a combinação a seguir

a) 5!
b) 0!
40!
c)
38!
 50 
d) C 850 =  
8
Solução -------------------------------------------------------------------------------------------------------------------
a) 5!= 5 ⋅ 4 ⋅ 3 ⋅ 2 ⋅ 1 = 120 5! (lê-se 5 fatorial)

b) 0! = 1 (por definição)
40! 40 ⋅ 39 ⋅ 38!
c) = = 40 ⋅ 39 = 1560
38! 38!
 50  50! 50! 50 ⋅ 49 ⋅ 48 ⋅ 47! 50 ⋅ 49 ⋅ 48
d)   = = = = = 19600
 3 3! (50 − 3)! 3!⋅ 47! (3 ⋅ 2 ⋅ 1) ⋅ 47! 6

Critérios para saber se a distribuição Binomial é adequada
i) Os n ensaios são independentes. Ou seja, o resultado de um ensaio não tem efeito no

resultado do outro.
ii) Cada tentativa tem apenas dois resultados, denotados por sucesso (S) ou fracasso (F).
iii) A probabilidade p de sucesso permanece constante em todas as tentativas.
Para entender os critérios acima, veja o exemplo de selecionar uma amostra de 4 peças de
uma caixa com 20 peças, onde há 8 peças com defeito. Será que podemos usar a distribuição
Binomial para a variável X = “número de peças com defeito na amostra”?
Caso a retirada fosse feita com reposição, a probabilidade de a peça ser defeituosa seria
sempre a mesma em cada retirada (p = 8/20 = 0,40), portanto, neste caso, podemos usar a
distribuição Binomial. Por outro lado, se a retirada for feita sem reposição, a probabilidade seria
diferente em cada retirada, já que o total de peças na caixa não seria o mesmo em cada
retirada. Neste caso, portanto, não poderíamos usar a distribuição Binomial.
EXEMPLO 08 - Em cada situação abaixo, identifique o número de ensaios, o sucesso e a

probabilidade de sucesso e de fracasso.
i) Sabe-se que 40% dos clientes que entram em uma loja fazem algum tipo de compras.
Considerando os próximos 10 clientes que entram na loja, qual a probabilidade de
quatro o mais clientes realizarem alguma compra?
ii) A probabilidade de uma peça ser fabricada com defeito é 0,05. Um grande lote com
peças será rejeitado se uma amostra de 20 peças apresentarem três ou mais peças
defeituosas, qual a probabilidade do lote ser rejeitado?
iii) Sabe-se que 10% dos que reservam lugar em um vôo desistem do embarque. Se 120
clientes reservaram o vôo, qual a probabilidade de quatro ou mais clientes realizarem
alguma compra?
Solução -----------------------------------------------------------------------------------------------------------------
Situação Ensaio Sucesso p q
i) n = 10 clientes Cliente realizar compras 0,40 0,60
ii) n = 20 peças A peça está com defeito 0,05 0,95
iii) n = 120 clientes Cliente desistir do embarque 0,10 0,90

EXEMPLO 09 - Uma máquina desajustada produz 40% de peças com defeito. Supondo que
4 peças foram selecionadas aleatoriamente das peças produzidas durante um dia de produção,
determine a probabilidade de:
a) Determine a probabilidade de exatamente três peças ser defeituosas

b) Determine a probabilidade de uma a três peças serem defeituosas
c) Determine a probabilidade de pelo menos uma peça ser defeituosa.
d) Qual o número médio de peças com defeito na amostra?
e) Qual é o desvio-padrão do número de peças com defeito?
f) Mostre a distribuição de probabilidade da variável X (ou seja, mostre uma tabela com
os valores possíveis de X e suas respectivas probabilidades)
g) Determine a probabilidade de no máximo uma peça não ser defeituosa.
h) Liste todos os resultados possíveis onde aparecem 3 peças com defeitos, calcule a
probabilidade de cada resultado, some-os e veja se o resultado coincidiu com o
resultado obtido na letra “a”.
Solução -------------------------------------------------------------------------------------------------------------------
X = “número de peças com defeitos” segue distribuição Binomial com n = 4 e p = 0,40
A função probabilidade de X é
 4 4!
f ( x) =   ⋅ 0,40 x ⋅ 0,60 4 − x = 0,40 x ⋅ 0,60 4 − x
x
  x!⋅( 4 − x )!
→ Veja que foram selecionadas 4 peças (n = 4) ao acaso, sendo que cada peça ou está com
defeito (sucesso) ou não (fracasso) e a probabilidade de a peça estar com defeito é
sempre igual a 0,40 (p = 0,40) para cada peça. Por isto, o distribuição Binomial é
adequado neste problema.
4!
a) P(“três peças serem defeituosas”) = f (3) = ⋅ 0,40 3 ⋅ 0,60 4 − 3
3!⋅(4 − 3)!
4! 24
= ⋅ 0,40 3 ⋅ 0,601 = ⋅ 0,064 ⋅ 0,60
3!⋅1! 6 ⋅1
= 4 ∗ 0,064 ∗ 0,60
= 4 ∗ 0,0864 = 0,1536 (ou 15,36%)
15,36% das vezes em uma amostra de 4 peças, três

delas estarão com defeito.
b) P(“de uma a três peças serem defeituosas”) = P(1 ≤ X ≤ 3) = f(1) + f(2) + f(3)
= 0,3456 + 0,3456 + 0,1536
= 0,8448 (ou 84,48%)
4! 4!
f (1) = ⋅ 0,401 ⋅ 0,60 4 − 1 = ⋅ 0,401 ⋅ 0,60 3 = 4∗0,064∗0,60 = 0,3456
1!⋅(4 − 1)! 1!⋅3!
4! 4!
f ( 2) = ⋅ 0,40 2 ⋅ 0,60 4 − 2 = ⋅ 0,40 2 ⋅ 0,60 2 = 6∗0,16∗0,36 = 0,3456
2!⋅(4 − 2)! 2!⋅2!
4! 4!
f (3) = ⋅ 0,40 3 ⋅ 0,60 4 − 3 = ⋅ 0,40 3 ⋅ 0,601 = 4∗0,064∗0,60 = 0,1536
3!⋅(4 − 3)! 1!⋅3!

c) P(“pelo menos uma peça defeituosa”) = P(X ≥ 1) = f(1) + f(2) + f(3) + f(4)
= 0,3456 + 0,3456 + 0,1536 + 0,0256
= 0,8704 (ou 87,04%)
As probabilidades f(1), f(2) e f(3) foram obtidas na letra ‘b’
4! 4!
f ( 4) = ⋅ 0,40 4 ⋅ 0,60 4 − 4 = ⋅ 0,40 4 ⋅ 0,60 0 = = 1∗0,0256∗1 = 0,0256
4!⋅(4 − 4)! 4!⋅0!
ATENÇÃO: O mesmo resultado acima poderia ter sido obtido se aplicar a regra do “pelo
menos um ...” que vimos na unidade anterior.
P(“pelo menos um ...”) = 1 – P(“nenhum ...”)
P(“pelo menos uma peça defeituosa”) = 1 – P(“nenhuma peça estar defeituosa”)

= 1 – f(0)
= 1 – 0,1296 = 0,8704 (ou 87,04%)
4! 4!
f (0) = ⋅ 0,40 0 ⋅ 0,60 4 − 0 = ⋅ 0,40 0 ⋅ 0,60 4 = = 1∗1∗0,1296 = 0,1296
0!⋅(4 − 0)! 0!⋅4!
Resultados interessantes (usando a regra do complemento)

P(X ≥ a) = 1 – P(X < a) P(X > a) = 1 – P(X ≤ a)
d) Número médio (ou número esperado) de peças com defeito E(X) = µ = n∗p
µ = n∗p = 4∗0,40 = 1,6 peça (quase duas) com defeito em média
e) Desvio-padrão do número de peças com defeito σ = Var ( X )

σ = Var ( X ) = n ∗ p ∗ q = 4 ∗ 0,40 ∗ 0,60 = 0,98 peça com defeito
f) Distribuição de probabilidade da variável X
x 0 1 2 3 4
f(x) 0,1296 0,3456 0,3456 0,1536 0,0256
f(0) obtido da letra ‘c’ f(1), f(2), f(3) e f(4) foram obtidos da letra ‘b’
0,35
0,30
0,25
0,20
f(x)
0,15
0,10
0,05
0,00
0 1 2 3 4
x

g) P(“de no máximo uma peça não ser defeituosa”) = ?
Veja que agora estamos trabalhando com número de peça não defeituosas. Até agora
trabalhamos com o número de peças defeituosas, por isto usamos a probabilidade de
sucesso igual a p = 0,40. No entanto, para resolver a letra ‘g’ temos que usar como
probabilidade de sucesso o valor p = 0,60, que é a probabilidade de a peça não ser
3
defeituosa .
P(“de no máximo uma peça não ser defeituosa”) = P(X ≤ 1) = f(0) + f(1)
= 0,0256 + 0,1536
= 0,1792 (ou 17,92%)
4! 4!
f (0) = ⋅ 0,60 0 ⋅ 0,40 4 − 0 = ⋅ 0,60 0 ⋅ 0,40 4 = 1∗1∗0,16 = 0,0256
0!⋅(4 − 0)! 0!⋅4!
4! 4!
f (1) = ⋅ 0,601 ⋅ 0,40 4 − 1 = ⋅ 0,601 ⋅ 0,40 3 = 4∗0,60∗0,064 = 0,1536
1!⋅(4 − 1)! 1!⋅3!
h) Aparecer 3 peças com defeito em 4 peças
Vamos chamar de S = sucesso = “peça defeituosa” F = fracasso = “peça não defeituosa”
Diferentes formas
de aparecer três Probabilidade Cálculos
peças defeituosas
P(FSSS) =
3 P(FSSS) = P (F)P(S)P(S)P(S) =
FSSS 0,40∗0,60 =
0,40∗0,60∗0,60∗0,60
0,0864
P(SFSS) =
3 P(SFSS) = P (S)P(F)P(S)P(S) =
SFSS 0,40∗0,60 =
0,60∗0,40∗0,60∗0,60
0,0864
P(SSFS) =
3 P(SSFS) = P (S)P(S)P(F)P(S) =
SSFS 0,40∗0,60 =
0,60∗0,60∗0,40∗0,60
0,0864
P(SSSF) =
3 P(SSSF) = P (S)P(S)P(S)P(F) =
SSSF 0,40∗0,60 =
0,60∗0,60∗0,60∗0,40
0,0864
Total 4∗0,0864 = 0,3436 ---
Obs: Assumindo independência entre os eventos, então P(FSSS) = P (F)P(S)P(S)P(S).
A probabilidade de sair 3 peças com defeitos em uma amostra com 4 peças foi 0,3436, o
mesmo valor obtido na letra ‘a’. Veja que tivemos 4 diferentes formas de sair três peças com
3
defeitos e cada uma delas a probabilidade foi igual a 0,40∗0,60 , então de uma maneira geral,
a probabilidade de ocorrer x sucessos é
 Número de formas 
 
p(" ocorrer x sucessos") =  diferentes de sair x  × p x × q n − x com
 sucessos em n ensaios 
 
 Número de formas 
  n!
 = Cx =
n
 diferentes de sair x = combinação de n de x em x
 sucessos em n ensaios  x! (n − x )!
 
3
Para esta letra estamos admitindo que X =”número de peças não defeituosa” segue a distribuição Binomial com n =
40 e p =0,60

EXEMPLO 10 - Um restaurante sabe que 85% dos clientes que reservam mesa realmente
comparecem. O restaurante tem somente 20 lugares, mas acabou aceitando fazer 22 reservas,
determine a probabilidade de o cliente que fez reserva aparecer no restaurante e ser
acomodado em sua mesa.
Solução ------------------------------------------------------------------------------------------------------------------
X = “número de clientes que fizeram reservas comparecerem” segue distribuição Binomial com
n = 22 e p = 0,85, com função probabilidade igual a:
 2 22!
f ( x) =   ⋅ 0,85 x ⋅ 0,15 22 − x = 0,85 x ⋅ 0,15 22 − x
x
  x!⋅( 22 − x )!
→ Veja que o restaurante aceitou fazer 22 reservas (n = 22). Cada cliente que fez reserva
pode aparecer (sucesso) ou não e a probabilidade de o cliente aparecer é sempre igual a
0,85 (p = 0,85) em cada reserva. Por isto, é que estamos usando a distribuição Binomial.
Os clientes que fizeram reservar serão acomodados em seus lugares se, e somente se,
aparecerem no máximo 20 clientes (se aparecer 21 ou 22 clientes alguém ficará sem lugar no
restaurante), então
P(“todos serem acomodados”) = P(X ≤ 20) = f(20) + f(19) + ... + f(0)
Veja que temos que usar 21 vezes a função probabilidade f(x), o que é muito trabalhoso, certo?
O que fazer, então?
Usar a regra do complemento

P(X ≤ 20) = 1 – P(X > 20) = 1 - [ f(21) + f(22) ]
22! 22!
f (21) = ⋅ 0,85 21 ⋅ 0,15 22 − 21 = ⋅ 0,85 21 ⋅ 0,151 = 0,1087
21!⋅(22 − 21)! 21!⋅1!
22! 22!
f (22) = ⋅ 0,85 22 ⋅ 0,15 22 − 22 = ⋅ 0,85 22 ⋅ 0,15 0 = 0,028
22!⋅(22 − 22)! 22!⋅0!
P(X ≤ 20) = 1 - [ 0,1087 + 0,028 ] = 1- 0,1367 = 0,8633 (ou 86,33%)
A probabilidade de o cliente que fez reserva aparecer no restaurante e ser acomodado em sua
mesa é de 0,8633.

Alguns gráficos da distribuição Binomial
Abaixo, temos alguns gráficos da distribuição Binomial. Observe que em cada gráfico, as
hastes estão em torno da média µ = np.
n = 10 p = 0 .2 0 n = 10 p = 0 .5 0 n = 10 p = 0 .8 0
0.25
0.30 0 .3 0
0.25 0.20 0 .2 5
0.20 0 .2 0
0.15
P(x)
P(x)
P(x)
0.15 0 .1 5
0.10
0.10 0 .1 0
0.05
0.05 0 .0 5
0.00 0.00 0 .0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x x
Usando o Excel
No Excel, a função DISTRBINOM(x; n; p; FALSO) retorna a probabilidade f(x) de ocorrer x

sucessos em n provas, enquanto que a função DISTRBINOM(x; n; p; VERDADEIRO) retorna
a probabilidade de ocorrer no máximo x sucessos em n provas. Veja abaixo um exemplo onde
foram calculados f(6) e P(X ≤ 6) de uma distribuição Binomial com
parâmetros n = 10 e p = 0,40.
= DISTRBINOM(C2; 10; 0,40; FALSO) = DISTRBINOM(C2; 10; 0,40; VERDADEIRO)

3.3 Distribuição de Poisson
A distribuição de Poisson (ou modelo de Poisson) é uma distribuição útil como modelo teórico
para descrever a probabilidade de ocorrer um número de eventos ao longo de um intervalo de
tempo (ou de área, ou de volume, ou de cumprimento, etc).
Exemplos de situações, onde o modelo de Poisson é adequado:

• Número de chamadas telefônicas por minuto;
• Número de carros que chegam ao estacionamento durante uma hora;
• Número de pessoas infectadas por unidade de área;
• Número de acidentes por dia;
Distribuição de Poisson
Se o número médio de eventos no intervalo é igual a λ, então a variável aleatória X que é igual
ao número de eventos no intervalo tem uma distribuição de Poisson com parâmetro λ. As
probabilidades são obtidas pelo modelo matemático abaixo:
λx ⋅ e − λ
f ( x) = com x = 0, 1, 2 ,...
x!
Valor esperado E(X) e variância Var(X)

E(X) = µ = λ Var(X) = σ = λ
2
Notação: X ~ Poisson(λ λ) significa que a variável X = “número de x eventos em um intervalo”

segue a distribuição de Poisson com taxa média igual λ
onde
f(x) = P(X = x) é a probabilidade de ocorrer x eventos
λ = taxa média de eventos no intervalo (de tempo, de comprimento, etc) com λ > 0
x = número de ocorrência de eventos no intervalo
e ≈ 2,718282 - é o número neperiano ou número de Euler (pronuncia-se óiler)
x! = x⋅(x-1)⋅(x-2)⋅…⋅2⋅1 - é o x fatorial (ou fatorial de x)
Resultados interessantes (usando a regra do complemento)

∗ P(X ≥ a) = 1 – P(X < a)
∗ P(X > a) = 1 – P(X ≤ a)
∗ P(a ≤ X ≤ b) = P(X ≤ b) - P(X < a)

EXEMPLO 11 - Os navios chegam a um porto segundo uma distribuição de Poisson com
média de 2 navios por hora. Determine a probabilidade:
a) Chegar exatamente três navios em uma hora;
b) Chegar pelo menos um navio em uma hora;
c) Chegar exatamente três navios em 30 minutos;
d) Chegar pelo menos um navio em duas horas;
Solução: -------------------------------------------------------------------------------------------------------------------
X = “número de navios que chegam ao porto em uma hora” segue a distribuição de Poisson
com taxa média de λ = 2 navios a cada hora.
Portanto a função probabilidade é:

2 x ⋅ e −2
f ( x) = onde x = 0, 1, 2, ...
x!
a) P(“chegar exatamente três navios em uma hora”) = f(3)
2 3 ⋅ e −2 8 ⋅ 0,135335
f (3) = = = 0,180447 (ou 18,05%)
3! 6
com
→ 3! = 3∗2∗1 = 6
→ e = (2,718282) = (1 / 2,718282) = (0,367879) = 0,135335
-2 -2 2 2
Resposta: P(“chegar exatamente três navios em uma hora”) = 0,1805

18,05% das vezes chegarão exatamente 3 navios em um intervalo de um
intervalo de uma hora (Por exemplo, de 8:00 às 9:00 hs, ou 14:30 às 15:30
horas, ou 16:15 às 17:15 hs, etc)
b) P(“chegar pelo menos um navio em uma hora”) = P(X ≥ 1)
P( X ≥ 1) = f (1) + f (2) + f (3) + L (veja que não conseguiremos calcular, pois

teoricamente vai até infinito). A solução é usar a regra do complemento:
P( X ≥ 1) = 1 − P ( X < 1) = 1 − f (0) = 1 – 0,135335 = 0,864665 (ou 86,47%)
2 0 ⋅ e −2 1 ⋅ 0,135335
f (0 ) = = = 0,135335
0! 1
com
→ 0! = 1 (por definição)
→ e−2 = (2,718282)−2 = (1 / 2,718282) = (0,367879) = 0,135335
2 2
Resposta: P(“chegar pelo menos um navio em uma hora”) = 0,8647

86,47% das vezes chegará pelo menos um navio em um intervalo de uma hora

c) P(“chegar exatamente três navios em 30 minutos”) = f(3)
Para trabalhar com intervalo de 30 minutos temos que encontrar a taxa média de navios
que chegam durante um intervalo de 30 minutos.
Como sabemos que a taxa média é de dois navios por horas, então em 30 minutos espera-
se que a taxa média seja de 1 navio. Foi usada a regra de três:
2 navios --------- 1 hora
k navios ---------- 0,5 hora ( = 30 minutos)
k = 2∗ 0,5 / 1 = 1 navio
Agora, vamos trabalhar com a taxa média é de λ = 1 navio a cada 30 minutos.

13 ⋅ e −1 1 ⋅ 0,367879
f (3) = = = 0,061313 (ou 6,13%)
3! 6
Resposta: P(“chegar exatamente três navios em 30 minutos”) = 0,0613

6,13% das vezes chegarão exatamente 3 navios durante um intervalo de 30
minutos.
c) P(“chegar pelo menos uma navio em duas horas”) = P( X ≥ 1)
Para trabalhar com intervalo de 2 horas temos que encontrar a taxa média de navios que
chegam durante um intervalo de 2 horas.
Como sabemos que a taxa média é de dois navios por horas, então em duas horas espera-
se que a taxa média seja de 4 navios.
2 navios --------- 1 hora
k navios ---------- 2 horas
k = 2∗ 2 / 1 = 4 navios
Agora, vamos trabalhar com a taxa média é de λ = 4 navios a cada duas horas.
P( X ≥ 1) = 1 − P ( X < 1) = 1 − f (0) = 1 – 0,018316 = 0,981684 (ou 98,17%)
4 0 ⋅ e −4 1 ⋅ 0,018316
f (0) = = = 0,018316
0! 1
→ e−4 = (2,718282)−4 = (1 / 2,718282) = (0,367879) = 0,018316

4 4
Resposta: P(“chegar exatamente três navios em 30 minutos”) = 0,9817

98,17% das vezes chegará pelo menos um navio durante um intervalo de 30
minutos.

Alguns gráficos da distribuição de Poisson
Abaixo temos alguns exemplos de gráficos da distribuição de Poisson para diferentes taxa
média λ (note que a distribuição está mais concentrada em torno de λ).
m é d ia = 2 m é d ia = 5
0.30 0.20
0.25
0.15
0.20
P ( x)
P ( x)
0.15 0.10
0.10
0.05
0.05
0.00 0.00
0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14
x x
Usando o Excel
No Excel, a função POISSON(x; λ; FALSO) retorna a probabilidade f(x) de ocorrer x eventos e

a função POISSON(x; λ; VERDADEIRO) retorna a probabilidade de ocorrer no máximo x
eventos. Veja abaixo um exemplo onde foram calculados f(6) e P(X ≤ 6) de uma distribuição de
Poisson com taxa média de λ = 8.
=POISSON(A2; 8; FALSO) =POISSON(A2; 8; VERDADEIRO)
Usando o modelo de Poisson como aproximação do modelo Binomial

A distribuição de Poisson surgiu como uma forma limite da distribuição Binomial, por isso,
algumas vezes o modelo de Poisson é usado como aproximação do modelo Binomial. Uma
regra empírica para usar tal aproximação é n ≥ 100 e n⋅⋅p ≤ 10.
Se a variável discreta X segue a n grande (n >100) e A variável discreta X segue

distribuição Binomial com p pequeno, de forma aproximadamente a distribuição de
parâmetros n e p que n⋅⋅ p ≤ 10 Poisson com parâmetro λ = n⋅⋅p
 n
f ( x) =   ⋅ p x ⋅ q n − x λx ⋅ e −λ
f ( x) =
 x x!
EXEMPLO 12 - Em uma região, apenas 2% das pessoas têm computador em casa. Uma
escola tem 100 alunos, qual a probabilidade de que oito desses alunos tenham computador em
casa?

Solução: ----------------------------------------------------------------------------------------------
X = “número de alunos com computador em casa” segue a distribuição Binomial com

parâmetros n = 100 alunos e p = 0,02 (probabilidade da pessoa ter computador em casa)
P(“de oito alunos terem computador em casa”) = f(8)
100  100!
f (8) =   ⋅ 0,158 ⋅ 0,85100 − 8 = ⋅ 0,158 ⋅ 0,85100 − 8
 8  8!⋅(100 − 8)!
Calcular o fatorial de 100! é um pouco trabalhoso. Podemos usar a aproximação de Poisson.

Voltando ao exemplo: λ = n⋅⋅p = 100⋅0,02 = 2
2 8 ⋅ e −2 256 ⋅ 0,135335
→ f (8) = = = 0,000859
8! 40320
O resultado acima seria valor aproximado de f(8) usando a distribuição de Poisson. O valor
exato, usando a distribuição Binomial, seria 0,000743.

4. Distribuição de probabilidade – Variável contínua
Até o momento, vimos algumas distribuições para as variáveis aleatórias discretas, essas
Como a variável aleatória contínua pode assumir infinitos valores dentro de um intervalo de
números reais, o cálculo da probabilidade dessa variável assumir um determinado valor perde
o sentido, visto que essa probabilidade seria sempre zero.
Veja o exemplo da vida útil de uma bateria de celular, que é uma variável contínua. Se assumir
que essa vida útil pode variar de 10 horas a 72 horas (valores fictícios), a probabilidade de uma
bateria durar exatamente 20,456 horas seria zero. Uma explicação de forma bem simples
poderia ser dada da seguinte forma:
Se todos os valores possíveis dentro do intervalo de 10 a 72 horas forem igualmente prováveis,

então:
1
P(“bateria durar exatamente 10,456 horas“) = P(X = 10,456) = =0
∞
onde o símbolo ∞ indica infinito, que é o total de valores possíveis dentro do intervalo de 10 a
72 horas. Sabendo deste resultado, não tem muito sentido calcular probabilidade de ocorrer um
determinado valor, quando se trata de variável contínua. Então, o que é feito nestes casos?
Quando se trata de variável contínua, devemos sempre calcular a probabilidade de a variável

ter um valor compreendido entre dois valores quaisquer. Ou seja, calculamos a probabilidade
de a variável assumir determinado valor dentro de um intervalo [a; b]. Veja o exemplo a seguir
para ilustrar que acabamos de dizer. Veja o exemplo a seguir para ilustrar que acabamos de
dizer.
EXEMPLO 13 - Na figura abaixo, o ponteiro gira livremente sobre um círculo dividido em

oito setores. Como variável de interesse, vamos considerar a distância do ponto inicial até o
ponto em que o ponteiro irá parar. Se o ponteiro for colocado para girar no sentido horário,
determine a probabilidade de o ponteiro:
a) Parar exatamente em cima do ponto “k” (nem um

pouco antes e nem um pouco depois).
b) Parar dentro do intervalo [10; 20].
Solução -----------------------------------------------------------------------------------------------------------------
a) O ponteiro sob o círculo é posto a girar, podendo parar em qualquer posição ao longo do
círculo. É de esperar que seja quase impossível de o ponteiro parar exatamente em cima do
ponto “k”, portando a probabilidade disto ocorrer será praticamente zero, ou seja, P(A) ≈ 0 onde
o evento A = “parar exatamente em cima do ponto k”.
b) Sendo razoável assumir que os 8 intervalos [0; 10), [10; 20), [20; 30), [30; 40), [40; 50), [50;
60), [60; 70) e [70; 80) sejam igualmente prováveis, então:
P(“cair no intervalo [10; 20)”) = 1/8 = 0,125.

No exemplo anterior, podemos representar as probabilidades associadas a cada intervalo
usando um histograma construído de forma que as áreas dos retângulos representem as
probabilidades de interesse.
A área do retângulo sombreado no histograma acima é igual a 1/8. Para que área fosse
realmente 1/8, a altura do histograma teve que ser 1/80, pois área de retângulo = base ∗
altura = 1 / 8
(20-10) ∗ altura = 1 / 8
10 ∗ altura = 1 / 8
altura = 1 / 80
Note, com o histograma acima, que há uma relação entre probabilidade e área. Isto sempre
acontecerá, quando trabalhamos com distribuição de variável contínua.
Supondo que o círculo fosse dividido em 16 intervalos, sendo que intervalo tem a mesma
probabilidade 1/16, o histograma correspondente seria:

Podemos dividir o círculo em 32 intervalos, 64 intervalos e assim por diante e mesmo assim
sua altura permanecerá com o mesmo valor 1/80. Então, em uma situação teórica com infinitos
intervalos, temos o seguinte histograma:
f(x)
1 / 80
0
0 10 20 30 40 50 60 70 80
X
Este histograma teórico é determinado pela função f(x) que denominamos de função
densidade de probabilidade ou simplesmente função densidade da variável X. Com a
função densidade f(x) podemos calcular teoricamente P(43 ≤ X ≤ 65), probabilidade de o
ponteiro cair a uma distância de 43 a 65 a partir do ponto inicial, calculando a área de um
retângulo.
Portanto,
P(43 ≤ X ≤ 65) = 0,275.
Escolhendo adequadamente a função densidade f(x) para a variável de interesse, podemos

calcular a probabilidade teórica de a variável assumir um valor dentro do intervalo [a; b],
simplesmente calculando a área da curva no intervalo [a; b].
Abaixo, temos um histograma para as notas de matemática dos candidatos em um vestibular e

a função densidade f(x) (note como o histograma reflete de uma maneira aproximada a
realidade da variável).
Histograma Função densidade f(x)

Probabilidade
Densidade de frequência
Densidade de frequência
de obter mais
de 80 pontos
0 0
20 30 40 50 60 70 80 90 100 20 30 40 50 60 70 80 90 100
Notas Notas

ATENÇÃO:
É bom deixar bem claro que a função densidade f(x) não fornece diretamente a
probabilidade, ela apenas é usada no cálculo de área e esta área corresponderá a nossa
probabilidade de interesse.
Em situações simples, iremos calcular áreas de retângulos, triângulos ou outras figuras

geométricas mais simples, mas em situações mais complexas, o cálculo das áreas irá requer o
uso de cálculo de integral.
A função densidade abaixo, descreve o tempo de vida de um tipo especial de lâmpada. O

cálculo da área neste caso não é tão simples assim, se pretendemos calcular a probabilidade
de uma lâmpada sobreviver mais de 15 mil horas devemos recorrer ao uso da integral.
A probabilidade de uma lâmpada sobreviver mais

de 15 mil horas é igual a:
∞
P(X > 15) =
∫ f (x )dx = 0,153
15
ATENÇÃO:
Não se desespere, não vamos usar integral
na nossa disciplina.
Abaixo temos algumas características importantes de uma função densidade.
Características da função densidade f(x)

• É uma função não-negativa, ou seja, f(x) ≥ 0;
• A área total da curva definida por f(x) é igual a 1 (Figura 1 abaixo);
• A probabilidade de a variável assumir um valor no intervalo [a; b] é: P(a ≤ X ≤ b) = área da
curva no intervalo [a; b] (figura 2 abaixo);
• A probabilidade de a variável assumir um determinado valor é sempre zero. Ou seja,
P(X = k) = 0 (Figura 2 abaixo);
• A inclusão ou exclusão dos extremos não altera o valor da probabilidade, ou seja, P(a ≤ X ≤
b) = P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b)

4.1 Distribuição Uniforme
A distribuição Uniforme é o modelo mais simples para variável contínua. Este modelo é
adequado, quando é razoável assumir que intervalos iguais da variável tenham mesma
probabilidade.
Distribuição Uniforme
Se a variável aleatória X segue a distribuição uniforme no intervalo [a; b], então a função
densidade f(x) é dada por:
f(x)
 1
 b - a se x ∈ [a; b] 1

f ( x) =  b−a
0 se x ∉ [a; b]


a b x
Valor esperado E(X) e variância Var(X)
b+a (b − a) 2
E ( x) = µ = Var ( x) = σ 2 =
2 12
EXEMPLO 14 - A empresa Pica-Pau Ltda corta madeiras em forma de toras. O

comprimento das toras varia uniformemente de 30 cm a 90 cm.
a) Determine a probabilidade de uma tora ter comprimento
• maior que 80 cm
• de 65 cm a 70 cm
• exatamente 75 cm
b) Se 1200 toras forem cortadas, qual o número de esperado de toras com comprimento
maior que 80 cm.
c) Qual o valor esperado e o desvio-padrão do comprimento das toras.
d) Sabendo que 90% das toras têm comprimento de k cm no máximo. Determine o valor
de k.
e) Determine os três quartis (Q1, Q2 e Q3) dos comprimentos das toras.
Solução -------------------------------------------------------------------------------------------------------------------
Se os comprimentos das toras variam uniformemente de 30 a 90, então podemos assumir a

distribuição uniforme para a variável X= “comprimento das toras” com função densidade f(x)
igual a:
f(x)
1 1
 60 se x ∈ [30; 90]
60

f ( x) = 
0 se x ∉ [30; 90]


30 x

a) P(“comprimento ser maior que 80”) = P(X > 80) = 0,1667
P(“comprimento de 65 cm a 70 cm”) = P(65 ≤ X ≤ 70) = 0,0833
P(“comprimento exatamente 75 cm”) = P(X = 75) = 0 (a área não existe)
b)
Se P(X > 80) = 0,1667 então cerca de 16,67% das toras terão comprimentos maiores que
80cm, então de um total de 1200 toras o número de toras com 80 cm ou mais é
aproximadamente 200 toras ( = 16,67% de 10000).
c)
O tamanho médio µ das toras é:
b + a 90 + 30
→ µ = E ( x) = = = 60 cm
2 2
O desvio-padrão σ dos comprimentos das toras é:

(b − a ) 2 (90 − 30) 2
→ σ = Var ( x) = = = 300 = 17,32 cm
12 12
d)
P(“comprimento no máximo k”) = 0,90.
área = base ∗ altura = 0,90
(k – 30) ∗ 1/60 = 0,90 ⇒ k = 54 + 30 = 84 cm
f(x)
1
60
0,90
30 k 90 x
e) Lembre-se de que Q1 = P25 então basta repetir a letra ‘d’ usando 0,25 no lugar de 0,90. Para
o Q2, usar 0,50 no lugar de 0,90 e para o Q3 usar 0,75 no lugar de 0,90.

EXEMPLO 15 - Um gerador de números aleatórios segue a distribuição uniforme no
intervalo de 10 a 20.
a) Determine a probabilidade de o número gerado ser:
• Maior que 17. resp: 0,30
• Menor que 12,5. resp: 0,25
• Entre 14 e 16. resp: 0,20
• Exatamente o número 18 resp: 0
b) Se 1000 números são gerados, quantos deles serão maiores que 17?
resp: ≈ 300 números
c) Qual o valor médio e desvio-padrão dos números gerados.

resp: µ = 15 σ = 2,89
EXEMPLO 16 - O tempo requerido para completar uma operação de montagem segue a

distribuição uniforme no intervalo de 30 a 40 minutos.
a) Determine a probabilidade de uma montagem requerer

• Mais de 37 minutos para ser completado.
• de 34 a 36 minutos;
• Exatamente 34 minutos.
b) Sabendo que 25% das vezes, o tempo de montagem é, no máximo, k segundos,
determine o valor de k.
c) Qual é a média e a variância do tempo de montagem.
Respostas: a) 0,30 0,20 0 b) k = 32,5 min c) µ = 35 e σ = 8,33

2

4.2 Distribuição Normal
A distribuição Normal é a distribuição de probabilidade mais usada na Estatística, pois serve de
modelo para um grande número de variáveis contínuas e também como modelo aproximado
para outras distribuições de probabilidade (Binomial, Poisson, etc).
Em inferência estatística, uma área da estatística que procura tomar decisões acerca da
população usando apenas os dados de uma amostra, a média amostral é a variável de maior
interesse e conhecer a sua distribuição de probabilidade é de grande importância. Se o
tamanho da amostra for considerado grande (n ≥ 30), podemos usar a distribuição normal
como modelo adequado para descrever os resultados da média amostral, mesmo se a
população de onde a amostra foi retirada não seguir a distribuição normal. Esse é o resultado
do Teorema Central do Limite (principal teorema na Estatística) e que mostra a grande
importância da distribuição normal.
Distribuição normal
Uma variável aleatória contínua X tem distribuição normal com parâmetros µ e σ, se a sua
função densidade f(x) for dada por:
f(x)
1  x − µ 2
−   , para − ∞ < x < ∞
1
f (x) = ⋅e 2 σ 
σ ⋅ 2π
onde , σ > 0 e = 2,718282 π = 3,14159
4
µ x
µ; σ) → “A variável X tem distribuição normal com

NOTAÇÃO: X ~ Normal (µ
média µ e desvio-padrão σ.
Valor esperado E(X), variância Var(X) e desvio-padrão dp(X) da variável X
E(X) = µ
Var(X) = σ
2
dp(X) = σ
4
e = número neperiano ou número de Euler (pronuncia-se óiler).

Efeito da média µ e do desvio-padrão σ na curva normal
A média µ determina o valor do centro da curva normal, enquanto que o desvio-padrão σ

determina a largura da curva normal. Quanto menor o valor do desvio-padrão σ, menor será a
variabilidade dos dados, conseqüentemente menor será a largura da curva.
0,10
µ = 20
σ=4
0,08
0,06
f(x)
µ = 50
0,04 µ = 20 σ=8
σ=8
0,02
0,00
0 10 20 30 40 50 60 70 80
X
Algumas características da distribuição Normal
(1) A média, mediana e moda são iguais. Ou seja, µ = Md = mo;
(2) A curva normal, além de ter uma área total igual a 1, é simétrica em torno da média µ,
sendo assim, P(X < µ - b) = P(X > µ + b);
(3) P(X ∈ [a; b]) = P(a ≤ X ≤ b) = área da curva no intervalo [a; b]
(4) A inclusão ou exclusão dos extremos não altera o valor da probabilidade. Portanto,
P(a ≤ X ≤ b) = P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b)

(5) Quaisquer que sejam os valores da média µ e do desvio-padrão σ de uma distribuição
normal, os seguintes resultados são válidos:
P(µ − 1⋅σ ≤ X ≤ µ + 1⋅σ) = 0,6827 - Cerca de 68,3% dos valores estão a um desvio-padrão
distante da média;
P(µ − 2⋅σ ≤ X ≤ µ + 2⋅σ) = 0,9545 - Cerca de 95,5% dos valores estão a 2 desvios-padrões
distante da média;
P(µ − 3⋅σ ≤ X ≤ µ + 3⋅σ) = 0,9973 - Cerca de 99,7% dos valores estão a 3 desvios-padrões
distante da média;
Montgomery, 2002
Se as notas em matemática dos candidatos em um vestibular forem normalmente distribuídas

com média de µ = 65 pontos e desvio-padrão de σ = 12 pontos, então aproximadamente 95%
desses candidatos irão obter notas de 41 a 89 pontos, pois
41 = 65 –2∗12 (= µ – 2∗σ)
89 = 65 + 2∗12 (= µ + 2∗σ)
Distribuição normal padrão
A distribuição normal padrão é um acaso especial da distribuição normal onde a média é zero
(µ = 0) e desvio-padrão é um (σ = 1). As áreas dessa distribuição são obtidas com o auxilio de
tabelas e serve de referência para calcular probabilidades das outras distribuições normais
Por que usamos tabela na distribuição normal?

Como foi dito anteriormente, as probabilidades são obtidas resolvendo a integral da
função densidade no intervalo de interesse. O grande problema é que integrar
algebricamente uma curva normal não é possível e a solução encontrada foi usar
5
métodos numéricos para calcular de forma aproximada as áreas de interesse. Essas
áreas são calculadas apenas para a distribuição normal padrão.
5
Métodos computacionais usados para obter a integral de uma função

Para obter as áreas de outros intervalos teremos que lembrar de que a curva normal é
simétrica em torno da média, de que área total é um e de que as áreas dos intervalos (-∞; 0] e
[0; +∞) são iguais a 0,50.
A tabela que vamos usar fornece a área da curva normal padrão no intervalo de zero até um
determinado valor, ou seja, no intervalo [0; zc].
Por exemplo, usando a tabela normal padrão, qual a probabilidade P(0 ≤ Z ≤ 1,58)?
Tabela normal padrão
z 8
P(0 ≤ Z ≤ 1,58) =
... ↓
1,5 → 0,442947
...
0 1,58 Z
O valor zc =1,58 deverá ser dividido em duas partes (1,5 e 8). A primeira parte (1,5) deverá ser
localizada na primeira coluna da tabela e a segunda parte (8) deverá ser localizada na primeira
linha da tabela. Na interseção dessas duas partes teremos o valor 0,442947 que é a
probabilidade desejada.
Usando a tabela normal padrão, P(0 ≤ Z ≤ 1,58) = 0,442947.
Usando o resultado acima, outras probabilidades podem ser obtidas. Veja a seguir:
P(Z > 1,58) = 0,50 – 0,442947 = 0,057053 Por simetria, temos que:
(lembre-se de que a área no intervalo [0; ∞] P(-1,58 ≤ Z ≤ 0) = 0,442947
é igual a 0,50) P(Z < -1,58) = 0,057053
0,442947
0,05705
0,057053
0
0 1,58 Z -1,58 0
Z
Continuando com a tabela normal padrão, qual o valor de zc tal que P(0 ≤ Z ≤ zc) = 0,35?

P(0 ≤ Z ≤ zc) = 0,35 z 4
... ↑
1,0 ← 0,350830
mais próximo
...
de 0,35
Resposta: O valor de zc é 1,04
0 zc Z

EXEMPLO 17 - Sabendo que a variável Z tem distribuição normal padrão, responda:
a) P(Z < 1,85)
b) P(Z > - 2,33)
c) P(2,33 ≤ Z ≤ 1,50)
d) P(-2,33 ≤ Z ≤ -1,50)
e) P(-1,80 ≤ Z ≤ 0,85)
f) Calcule k tal que P(Z ≤ k) = 0,95.
g) Calcule k, tal que P(Z ≤ k) = 0,05.
Solução ----------------------------------------------------------------------------------------------
a) P(Z < 1,85) = 0,5 + 0,467843 = 0,967843 ( = área sombreada na figura abaixo)
Da tabela normal
padrão
0,467843 Observação
0,5
P(Z < 1,85) = P(Z ≤ 1,85)
0
0 1,85
b) P(Z > -2,33) = 0,5 + 0,490097 = 0,990097 ( = área sombreada na figura abaixo)
Da tabela normal
padrão
0,490097
0,5
0
-2,33 0
c) P(2,30 ≤ Z ≤ 1,50) = área no intervalo [0; 2,30] − área no intervalo [0; 1,50]
= 0,489276 − 0,433193
= 0,056083
0,056083
0
0 1,5 2,3
d) P(-1,86 ≤ Z ≤ 0,85) = área no intervalo [-1,86; 0] + área no intervalo [0; 0,85]
= 0,468557 + 0,302337
= 0,770894
-1,86 0 0,85 Z

e) P(-2,30 ≤ Z ≤ -1,50) = área no intervalo [-2,30; 0] − área no intervalo [-1,50; 0]
= 0,489276 − 0,433193
= 0,056083 (veja que por simetria já poderíamos ter obtido este
resultado)
Da letra ‘c’ e por

simetria temos
0,056083
0
-2,3 -1,5 0 Z
e) Calcule k tal que P(Z ≤ k) = 0,95.

P(0 ≤ Z ≤ k) = 0,45 z 5
... ↑
1,6 ← 0,449 497
0,50 0,45 mais próximo
...
de 0,45
0
0 k=? Resposta: O valor de k é 1,65.
Veja que o valor 0,95 corresponde a área da curva sob o intervalo (−∞; 0]. Sabendo que a área
no (−∞; 0] é igual a 0,50, então o restante 0,45 fica sendo a área no intervalo [0; k]. Como a
tabela só trabalha com áreas no intervalo [0; zc], por isto é que olhamos na tabela o valor
correspondente a área 0,45. e encontramos k = 1,65.
f) Calcule b tal que P(Z ≤ b) = 0,05.
Da letra ‘e’ podemos concluir que P(Z ≤ 1,65) = 0,95 e P(Z > 1,65) = 0,05. Por simetria,
sabemos que P(Z < −1,65) = 0,05 (certo?), então com isto a resposta para a letra ‘f’ é b =
−1,65’
0,05
0,95 0,95
0 0
0 1,65 -1,65 0 Z
Padronização de uma variável
Até agora só trabalhamos com a distribuição normal padrão. E como devemos trabalhar com
as outras distribuições de probabilidades?
Qualquer variável X tendo distribuição normal com média µ e desvio-padrão σ pode ser
“transformada” em uma distribuição normal padrão, basta, para isto, padronizar a variável X.
Padronização
x−µ Z tem distribuição normal
X tem distribuição normal com z= padrão com média µ = 0 e
média µ e desvio-padrão σ. σ
desvio-padrão σ = 1.

µ; σ)
X ~ Normal(µ Z ~ Normal(0; 1)
 a −µ
P ( X ≤ a ) = P Z ≤  = olhar as áreas na tabela da normal padrão
 σ 
a−µ b−µ
P(a ≤ X ≤ b ) = P ≤Z≤  = olhar as áreas na tabela da normal padrão
 σ σ 
EXEMPLO 18 - Em uma região, o quociente intelectual (QI) das pessoas adultas segue a
distribuição normal com média de 100 pontos e desvio-padrão de 15 pontos. Escolhendo uma
pessoa ao acaso, determine a probabilidade desta pessoa:
a) ter QI maior que 120 pontos.
b) ter QI menor que 75 pontos.
c) ter QI de 110 a 120 pontos.
d) ter QI de 75 a 120 pontos.
Solução ----------------------------------------------------------------------------------------------
Como variável de interesse vamos definir X = “QI de uma pessoa adulta” e pelo enunciado do
problema sabemos que X segue a distribuição normal com média µ = 100 pontos e desvio-
padrão σ = 15 pontos.
a) P(“um pessoa adulta ter QI maior que 115 pontos”) = P(X > 115) = ?
Para usar a tabela normal padrão devemos inicialmente padronizar o valor 115.
x − µ 120 − 100
x = 120 → z = = = 1,33
σ 15
Resposta:
= 0,5 - 0,408241 P(X > 120) = P(Z > 1,33)
= 0,091759 = 0,091759
Cerca de 9,18% das pessoas adultas têm QI

0
maior que 115 pontos.
100 120
x
0 1,33 z
b) P(“um pessoa adulta ter QI menor que 75 pontos”) = P(X < 75) = ?
x − µ 75 − 100
Padronizando o valor 75: x = 75 → z = = = -1,67
σ 15
= 0,5 - 0,452540
= 0,047460
Resposta:
P(X < 75) = P(Z < -1,67) = 0,047460
Cerca de 4,7% das pessoas adultas têm QI

menor que 75 pontos.
0
75 100 x
-1,67 0 z

c) P(“um pessoa adulta ter QI de 110 a 120 pontos”) = P(110 ≤ X ≤ 120) = ?
x − µ 110 − 100
Padronizando o valor 110: x = 110 → z = = = 0,67
σ 15
x − µ 120 − 100
σ 15
P(0,67 ≤ Z ≤ 1,33) = área no intervalo [0; 1,33] − área no intervalo [0; 0,67]
= 0,408241 − 0,248571= 0,15
Resposta:
P(110 ≤ X ≤ 120) = P(0,67 ≤ Z ≤ 1,33)
0,159670 = 0,159670
Cerca de 15,97% das pessoas adultas têm QI de

110 a 120 pontos.
0
100 110 120
0 0,67 1,33
z
d) P(“um pessoa adulta ter QI de 75 a 120 pontos”) = P(75 ≤ X ≤ 120) = ?
x − µ 75 − 100
σ 15
x − µ 120 − 100
σ 15
P(0,67 ≤ Z ≤ 1,33) = área no intervalo [−1,67; 0] + área no intervalo [0; 1,33]

= 0,452540 + 0,408241 = 0,860781
Resposta:
P(75 ≤ X ≤ 120) = P(-1,67 ≤ Z ≤ 1,33)
= 0,860781
Cerca de 86,1% das pessoas adultas têm QI de

75 a 120 pontos.
75 100 120
-1,67 0 1,33

EXEMPLO 19 - Continuando com o EXEMPLO 18.
a) Cerca de 95% das pessoas adultas têm QI menor que b pontos. Determine o valor de
b?
b) A MENSA é uma organização que reúne os 2% de maior QI da população. Qual o
menor QI que permite alguém ingressar na MENSA?
Solução -------------------------------------------------------------------------------------------------------------------
a) Sabendo que 95% das pessoas têm QI menor que b pontos, pela figura abaixo vemos que
45% têm QI de 100 a b pontos, ou seja, P(100 ≤ X < b) = 0,45.
Após padronização temos que P(100 ≤ X < b) = P(0 ≤ Z ≤ zc) = 0,45. Pela tabela normal
padrão, sabemos que zc = 1,65 (se tiver dúvidas ainda, veja o exemplo 11e). Então,
x − µ b − 100
zc = = = 1,65 → b – 100 = 1,65*15 = 24,75
σ 15
Portanto, b = 124,75 pontos.
P(0 ≤ Z ≤ k) = 0,45
0,50 0,45
0
100 b x
0 zc
z
b) Como queremos encontrar um valor b do QI tal que 2% das pessoas estejam acima e 98%
estejam abaixo. Então, na realidade, estamos na mesma situação da letra “a” acima,
bastando trocar 0,95 por 0,98.
Usando o mesmo raciocínio da letra “a”, temos que b = 130,75 pontos (usando
zc = 2,05). Portanto, para ingressar na MENSA, a pessoa deve obter no mínimo 130,75
pontos no teste de admissão.

4.3 Aproximação Normal
4.3.1 Aproximação Normal para Binomial
Em situações onde temos que usar a distribuição binomial, um valor muito grande para o n
torna o cálculo das probabilidades muito cansativo. Uma alternativa para este problema é usar
a distribuição normal como uma aproximação para a distribuição binomial. As condições para
este uso requerem um n muito grande e um p não muito próximo de 0 ou de 1 (veja a regra
prática a seguir).
6
Regra prática A variável X terá
aproximadamente uma
Se a variável discreta X segue
n⋅ p ≥ 5 distribuição normal com
a distribuição binomial com
n⋅ q ≥ 5 parâmetros µ = n ⋅ p e
parâmetros n e p
σ = n⋅ p⋅q
Então, se você lançar um dado para cima 300 vezes a probabilidade de se obter a face quatro
mais de 80 vezes é obtida pela distribuição binomial, mas podemos usar a distribuição normal
para obter uma aproximação da probabilidade.
P(X > 80) ≈ P(X > 80)

Binomial com Normal com
n = 300 e p = 1/6 µ = 50 e σ = 6,45
EXEMPLO 20 - De acordo com o último censo, 20% das famílias de uma região vivem
abaixo da linha da pobreza. De uma amostra aleatória de 80 famílias e usando a aproximação
normal, determine:
a) A probabilidade de menos de 10 famílias amostradas viverem abaixo da linha da pobreza;

b) A probabilidade de 15 a 25 famílias amostradas viverem abaixo da linha da pobreza
c) A probabilidade de menos de 25% das famílias amostradas viverem abaixo da linha da
pobreza;
d) A probabilidade de mais de três quartos das famílias amostradas viverem abaixo da linha
da pobreza;
e) O número esperado das 80 famílias amostradas que vivem abaixo da linha da pobreza?
Solução ------------------------------------------------------------------------------------------------------------------
Veja que a variável X = “número de família que vive abaixo da linha da pobreza” segue a
distribuição binomial com n = 80 famílias e p = 0,20 (probabilidade de uma família viver abaixo
da linha da pobreza), porém vamos usar a aproximação normal para calcular as
probabilidades.
Verificando as condições:
n⋅p = 80 = 80⋅0,20 = 16 ≥ 5 (ok) n⋅(1 - p) = 80⋅(1 - 0,20) = 64 ≥ 5 (ok)
Então X segue aproximadamente a distribuição normal com média µ = n ⋅ p = 16 e desvio-

padrão σ = n ⋅ p ⋅ (1 − p) = 80 ⋅ 0,20 ⋅ (1 − 0,20) = 3,5777.
6
Esta condição é uma regra prática usada por muitos autores.
No exemplo do dado, temos µ = n⋅p = 300⋅1/6 = 50 e σ = n⋅p⋅(1-p) = 300⋅1/6⋅(1-1/6) = 41,667
2

a) P(“menos de 10 famílias”) = P(X < 10) =
x − µ 10 − 16
σ 3,5777
Então: P(X < 10) = P(Z < -1,68)
= área no intervalo (−∞; 0] – área no intervalo [-1,68; 0]
= 0,5 – 0,453521 = 0,046479 (faça o desenho da curva normal)
b) P(“de 15 a 20 famílias”) = P(15 ≤ X ≤ 20) =

x − µ 15 − 16
σ 3,5777
x − µ 20 − 16
σ 3,5777
Então:
P(15 ≤ X ≤ 20) = P(-0,28 ≤ Z ≤ 1,12)
= área no intervalo [−0,28; 0] + área no intervalo [0; 1,12]
= 0,110261 + 0,368643
= 0,478904 (faça o desenho da curva normal)
c) “... menos de 25% das famílias...” equivale a “... menos de 20 famílias ...” (25% de 80 é igual
a 20)
P(“menos de 20 famílias”) = P(X < 20)

x − µ 20 − 16
σ 3,5777
Então:
P(X < 20) = P(Z < 1,12) = área no intervalo (−∞; 0] + área no intervalo [0; 1,12]
= 0,5 + 0,368643
d) “... mais de ¾ das famílias...” equivale a “... mais de 60 famílias ...” (75% de 80 é igual a 60)
P(“mais de 60 famílias”) = P(X > 60)

x − µ 60 − 16
σ 3,5777
Então:
P(X > 60) = P(Z > 12,30) = área no intervalo [0; +∞) − área no intervalo [0; 12,30]
= 0,5 − 0,5
e) O número médio (ou valor esperado) de famílias que vivem abaixo da linha da pobreza é µ =
16 famílias.
Quando usamos a aproximação Normal para a Binomial, estamos aproximando uma

variável discreta (que só assumem valores inteiros) por uma variável contínua (que
pode assumir quaisquer valores dentro de um intervalo de número reais). È de se
esperar que algum ajuste deva ser feito. Este ajuste é denominado de correção de
continuidade e esta descrita na seção 4.3.3.

EXEMPLO 21 - Sabe-se que 40% dos alunos em uma escola têm carro próprio. De uma
turma com 15 alunos, determine a probabilidades abaixo usando a distribuição Binomial e a
aproximação normal.
a) No máximo 3 alunos terem carro próprio.
b) Pelo menos 10 alunos terem carro próprio.
c) Exatamente 6 alunos terem carro próprio.
d) Menos de 2 alunos terem carro próprio.
e) Mais 6 alunos terem carro próprio.
4.3.2 Aproximação Normal para Poisson
Da mesma forma que usamos a distribuição normal como aproximação da distribuição

binomial, nós podemos também usá-la como aproximação da distribuição de Poisson. A
7
condição é de que o produto n⋅p seja um valor razoável (maior que 5, por exemplo ).
Regra prática
A variável X terá
Se a variável discreta X aproximadamente uma
segue a distribuição de
λ≥5 distribuição normal com
Poisson com parâmetro λ
parâmetros µ = λ e σ = λ
EXEMPLO 22 - Se a indústria de tecido XYZ sabe que em sua produção costuma

apresentar defeitos que segue a distribuição de Poisson com uma taxa média de 2 defeitos a
cada 50 metros de tecido. Determine
a) A probabilidade de um rolo com 200 metros de tecido apresentar 12 ou mais defeitos.

b) A quantidade esperada de rolos que teriam menos de 5 defeitos em uma amostra de 80
rolos de 200 metros.
Solução -----------------------------------------------------------------------------------------------------------------
Veja que a variável X = “número de defeitos em um rolo com 200 metros” segue a distribuição
de Poisson λ = 8 defeitos (note que dois defeitos a cada 50 metros equivalem a oito defeitos a
cada 200 metros), porém vamos usar a aproximação normal com µ = λ = 8 e
σ = λ = 8 = 2,8284 .
a) P(“Doze ou mais defeitos”) = P(X ≥ 12) = P(Z ≥ 1,41) = 0,0793
b) P(“de menos de 5 defeitos”) = P(X < 5) = P(Z < -1,06) = 0,1446
Veja que 14,46% dos rolos de 200 metros apresentam menos de 5 defeitos, então de uma
amostra de 80 rolos espera-se que 12 (14,46% de 80) rolos tenham menos de 5 defeitos.
Alguns falam λ ≥ 10
7

4.3.3 Aproximação Normal com correção de continuidade
Quando usamos a aproximação Normal para a Binomial e/ou Poisson, estamos aproximando
uma variável discreta (que só assumem valores inteiros) por uma variável contínua (que pode
assumir quaisquer valores dentro de um intervalo de número reais). È de se esperar que
algum ajuste deva ser feito. Este ajuste é denominado de correção de continuidade e esta
descrita em outra seção.
A correção de continuidade ajuda a melhorar as probabilidades obtidas por meio da

aproximação normal para a Binomial e/ou Poisson. A correção é simplesmente somar ou
subtrair 0,5 ao valor (antes de obter as probabilidades).
P(X ≤ a) = P(X ≤ a + 0,5)

P(X ≥ a) = P(X ≥ a - 0,5)
P(X = a) = P(a - 0,5 ≤ X ≤ a + 0,5)
EXEMPLO 23 - Volte ao exemplo 20 e use a aproximação normal com correção de

continuidade.
Solução ---------------------------------------------------------------------------------------------------------------
a) P(“menos de 10 famílias”) = P(X < 10) = P(X ≤ 9) ≈ P(X ≤ 9,5)

x − µ 9,5 − 16
x = 9,5 → z = = = -1,82
σ 3,5777
Então: P(X < 10) ≈ P(X ≤ 9,5) = P(Z < -1,82) = 0,5 – 0,4656 = 0,0344
<<< continuar >>>
EXEMPLO 24 - Volte ao exemplo 22 e use a aproximação normal com correção de

continuidade.
Solução ----------------------------------------------------------------------------------------------------------------
a) P(“Doze ou mais defeitos”) = P(X ≥ 12) = P(X ≥ 11,5) = ....

Resposta: 0,1057
b) P(“de menos de 5 defeitos”) = P(X < 5) = P(X ≤ 4) = P(X ≤ 4,5) = ...

Resposta: 0,1057

5 Exercícios resolvidos
EXERCÍCIO 01 - (Corrar e Theóphilo, 2003) A empresa Masters & Doctos é uma

empresa de prestação de serviços de auditoria independente e consultoria empresarial. A
diretoria da empresa precisa decidir quanto à contratação de um novo gerente de projetos. As
alternativas propostas foram:
Contratar um gerente para projetos de auditoria ou

Contratar um gerente para projetos de consultoria.
A tabela abaixo resume os retornos proporcionados pela decisão tomada em dois possíveis
cenários (mercado em alta ou mercado em baixa). Por exemplo, a contratação de um gerente
8
de consultoria pode representar um retorno de $360.000, caso o mercado esteja em alta ou
um prejuízo de $50.000, caso o mercado esteja em baixa.
Contratar Gerente de Consultoria Contratar Gerente de Auditoria

Retorno Retorno
Cenário Probabilidade Cenário Probabilidade
(em mil) (em mil)
Mercado em Mercado em
0,80 360 0,80 240
ALTA ALTA
Mercado em Mercado em
0,20 -50 0,20 5
BAIXA BAIXA
Supondo que a probabilidade do mercado estar em ALTA seja 0,80 e do mercado estar em
BAIXA seja 0,20, responda:
a) Caso o gerente de consultoria seja contratado, calcule o valor esperado do retorno.

b) Caso o gerente de auditoria seja contratado, calcule o valor esperado do retorno.
c) Com base nos resultados obtidos em “a” e “b”, qual deveria ser a melhor decisão para a
empresa?
d) Calcule o coeficiente de variação dos retornos em cada proposta. Qual proposta
apresenta menor risco nos retornos? Obs: Em análise financeira, investimento com
menor variabilidade tem menor risco.
SOLUÇÃO ----------------------------------------------------------------------------------------------------------------
a) Caso o gerente de Consultoria seja contratado, calcule o valor esperado do retorno.
E(RConsultoria) = µC = ∑[xi*fi] = [360*0,80] + [(-50)*0,20] = $278 mil
b) Caso o gerente de Auditoria seja contratado, calcule o valor esperado do retorno.
E(RAuditoria) = µA = ∑[xi*fi] = [240*0,80] + [5*0,20] = $193 mil
c) Com base nos resultados obtidos em “a” e “b”, qual deveria ser a melhor decisão para a
empresa?
Contratar o gerente de consultoria, pois o retorno esperado (ou seja, retorno médio) é maior.
8
Uma alta demanda por serviços de consultoria.

d) Calcule o coeficiente de variação dos retornos em cada proposta. Qual proposta
apresenta menor risco nos retornos? Obs: Em análise financeira, investimento com
menor variabilidade tem menor risco.
• Contratando gerente de Auditoria
µA = ∑[xi*fi] = $193 mil
Variância: σ = ∑(xi −µA) *fi = (240 -193) *0,80 + (5 -193) *0,20 = 8836
2 2 2 2
A
Desvio-padrão = σA = RAIZ(8836) = $94 mil
→ CV = σA / µA = 94 / 193 = 0,487 (ou 48,7%)
• Contratando gerente de Consultoria
µC = ∑[xi*fi] = 278 mil $
Variância: σ = ∑(xi −µC) *fi = (360 – 278) *0,80 + (-50 - 278) *0,20 = 26896
2 2 2 2
A
Desvio-padrão = σA = RAIZ(26896) = $164 mil $
→ CV = σA / µA = 164 / 278 = 0,59 (ou 59%)
• Então, a proposta com menor risco é “Contratando gerente de Auditoria”, pois apresenta
menor CV.
EXERCÍCIO 02 - De acordo com pesquisa da Fecomércio-RJ (Federação do Comércio

do Rio de Janeiro), em parceria com o Instituto Ipsos, 42% dos brasileiros assumiram que
compraram produtos piratas em 2007. Considere uma amostra de 6 brasileiros escolhidos ao
acaso, determine a probabilidade.
a) De todos deles comprarem produtos piratas.
b) De menos de dois deles comprar produtos piratas
c) De pelo menos um deles comprar produtos piratas.
d) De apenas dois deles não comprarem produtos piratas.
SOLUÇÃO ----------------------------------------------------------------------------------------------------------------
A variável X = “Número de brasileiros que compram produtos piratas em 2007” segue a
distribuição Binomial com n = 6 e p = 0,42.
• Por que foi escolhida a distribuição Binomial ???
Porque cada um dos 6 brasileiros escolhidos representa um experimento simples de Bernoulli
com probabilidade de sucesso (que é de comprar produtos piratas) igual a 0,42.
“Um experimento de Bernoulli se caracteriza quando temos um experimento com apenas
dois resultados (sucesso e fracasso) sendo a probabilidade de sucesso igual a p”
a) P(“todos comprarem”) = P(X = 6) = 0,0055

6!
f(6) = ⋅ 0,42 6 ⋅ 0,58 6 − 6 = 0,0055
6!⋅(6 − 6)!
Lembre-se
0! = 1 (por definição) e 6! = 6x5x4x3x2x1 = 720

b) P(“menos de dois ...”) = P(X < 2) = f(0) + f(1) = 0,0381 + 0,1654 = 0,2035
6! 6!
f(0) = ⋅ 0,42 0 ⋅ 0,58 6 − 0 = 0,0381 f(1) = ⋅ 0,421 ⋅ 0,58 6 − 1 = 0,1654
0!⋅(6 − 0)! 1!⋅(6 − 1)!
c) P(“pelo menos um ...”) = P(X ≥ 1) = 1 – P(X < 1) = 1 – f(0) = 1 – 0,0381 = 0,9619

Lembre-se da seguinte dica
P(“pelo menos um comprar ...”) = 1 – P(“nenhum comprar ...”)
c) P(“apenas dois deles não comprarem”) = P(“apenas quatro comprarem”) = f(4) = 0,1570
= f(4) = 0,1570
4!
f(4) = ⋅ 0,42 4 ⋅ 0,58 6 − 4 = 0,1570
4!⋅(6 − 4)!
OBS: Note que se dois não compraram, significa que quatro compraram.
Ou, podemos também trocar a probabilidade de sucesso p = 0,42 para 0,52 (pois 52% dos
brasileiros não compram produtos piratas em 2007)
6!
f(2) = ⋅ 0,58 2 ⋅ 0,42 6 −2 = 0,1570
6!⋅(6 − 2)!
EXERCÍCIO 03 - O tempo necessário para realizar auditoria de balanços contábeis

segue aproximadamente uma distribuição normal com média de 40 minutos e desvio-padrão de
12 minutos.
a) Supondo que uma empresa de contabilidade pública irá realizar uma auditoria, determine
a probabilidade de a empresa:
i) Gastar mais de 75 minutos com a auditoria;
ii) Gastar de 55 minutos a 70 minutos;
iii) Gastar de meia hora a uma hora;
b) Se a empresa tiver 50 balanços contábeis para ser auditadas, quantas delas levarão
menos de 20 minutos? Obs: Inicialmente, calcule a probabilidade de se gastar menos de 20 minutos.
c) Cerca de 20% das auditorias gastam mais de k minutos. Determine o valor de k.
Solução ------------------------------------------------------------------------------------------------------------------
Definindo a variável X = “tempo para realizar auditoria”, temos que X segue a distribuição
normal com µ = 40 min e σ = 12 min
OBS: No cálculo de probabilidades usando a distribuição normal, ajuda muito quando
desenhamos a curva normal com as regiões de interesse sombreadas.
a)
i) P(X > 75) = P(Z > 2,92) = 0,5 – área[0; 2,92) = 0,5 – 0,498250 = 0,00175
onde z = (75 - 40)/12 = 2,92
= 0,5 - 0,498250
= 0,00175
OBS: área[0; 2,92] na TABELA = 0,498250

0
40 75
x

ii) P(55 ≤ X ≤ 70) = P(1,25 ≤ Z ≤ 2,50) = área[0; 2,5] – área[0; 1,25]
= 0,493790 - 0,394350 = 0,099440
onde z = (55-40)/12 = 1,25 área[0; 1,25] = 0,394350
z = (70-40)/12 = 2,50 área[0; 2,50] = 0,493790 = 0,493790 - 0,394350
= 0,099440
40 55 70
x
iii) P(30 ≤ X ≤ 60) = P(-0,83 ≤ Z ≤ 1,67) = 0,296731 + 0,452540 = 0,749271

onde z = (30-40)/12 = -0,83 área[0; -0,83] = área[0; 0,83] = 0,296731
z = (60-40)/12 = 1,67 área[0; 1,67] = 0,452540
= 0,296731 + 0,452540
= 0,749271
30 40 60 x
b) P(X < 20) = P(Z < -1,67) = 0,5 - 0,452540 = 0,0475 (ou seja, 4,75%)
4,75% de 50 = 2,4 ≈ 2 balanços. Do total de 50 balanços, espera-se que dois deles levem
menos de 20 minutos para serem auditadas.
*** Ou usar regra de três
100% ------ 50 x = 4,75* 50 / 100 = 2,4
4,75% ------ x
c) P(X > k) = P(Z > zc) = 0,20

Fazendo o desenho da curva normal e sombreando corretamente as regiões, veremos que
P(Z > zc) = 0,20 implica que P(0 ≤ Z ≤ zc) = 0,30 e, pela tabela normal padrão, temos zc = 0,84.
Agora, basta resolver a equação
zc = (k - µ)/ σ = 0,84 → ( k – 40) = 0,84*12 = 10,08 → k = 50,08 min
0,30
0,20
0
40 k=?
x

EXERCÍCIO 04 - Sabe-se que pequenos defeitos em folhas de compensado seguem a
distribuição de Poisson com uma média de dois defeitos por metro quadrado.
a) Qual a probabilidade de aparecer no mínimo três defeitos em uma folha com 1 metro
quadrado?
b) Qual a probabilidade de aparecer mais de um a três defeitos em uma folha com 1 metro
quadrado?
c) Qual a probabilidade de aparecer no máximo dois defeitos em uma folha de 1,50 metros x
2,20 metros?
Solução -----------------------------------------------------------------------------------------------------------------
A variável X = “número de defeito por metro quadrado” segue a distribuição de Poisson com
média de λ = 2 defeitos/m . A função probabilidade de X é
2
λx e − λ
f (x ) = com x = 0, 1, 2, ... e = 2,7183
x!
a) P(“aparecer no mínimo três defeitos em uma folha”) = P(X ≥ 3) = 0,3233

P(X ≥ 3) = 1 – P(X < 3) = 1 − [f(2) + f(1) + f(0)]
OBS: Optamos por usar o complemento, pois P(X ≥ 3) envolveria calcular a probabilidade
de f(3), f(4), f(5) e assim sucessivamente, o que seria nada prático de se fazer.
Vamos primeiro calcular f(2), f(1) e f(0) separadamente.
2 2 e −2 4 ⋅ 0,13534 21 e −2 2 ⋅ 0,13534
• f (2) = = = 0,2707 f (1) = = = 0,2707
2! 2 1! 1
2 0 e −2 1⋅ 0,13534
• f (0 ) = = = 0,1353
0! 1
e−2 = (2,7183)
-2 2 2
= (1/2,7183) = (0,36788) = 0,1353 (ou use a função = exp(-2) no Excel)
P(X ≥ 3) = 1 − [ f(3) + f(2) + f(1) ] = 1 – (0,2707+0,2707+0,1353)

= 1 – 0,6767 = 0,3233 ( ou 32,33%).
RESPOSTA: A probabilidade de aparecer no mínimo 3 defeitos em uma folha com um
metro quadrado é de 0,3233
b) P(“aparecer de um a três defeitos ... ”) = P(X ∈ [1; 3]) = P(1 ≤ X ≤ 3)

= f(1) + f(2) + f(3) = 0,7218
21 e −2 2 ⋅ 0,13534 2 2 e −2 4 ⋅ 0,13534
• f (1) = = = 0,2707 f (2) = = = 0,2707
1! 1 2! 2
2 3 e −2 8 ⋅ 0,13534
• f (3) = = = 0,1804
3! 6
P(1 ≤ X ≤ 3) = 0,2707 + 0,2707 + 0,1804 = 0,7218 ( ou 72,18%).
RESPOSTA: A probabilidade de aparecer de um a três defeitos em uma folha com um metro

quadrado é de 0,7218

c) P(“aparecer no máximo dois defeitos em uma folha de 1,50 metros x 2,20 metros”)
= P(X ≤ 2)
Aqui temos uma folha com as seguintes dimensões 1,50 metros x 2,20 metros o que daria
uma área de 1,5 x 2,2 = 3,30 metros quadrados. Neste caso ainda podemos usar a
distribuição de Poisson, porém temos que alterar a média λ.
Usando a regra de três simples
2
2 defeitos -------------- 1 m
λ defeitos ------------- 3,30 m
* 2
λ = (2 x 3,30)/1 = 6,6 defeitos em folhas com 3,3 m

* 2
P(X ≤ 2) = f(0) + f(1) + f(2)

6,6 0 e −6,6 1 ⋅ 0,00136 6,61 e −6,6 6,6 ⋅ 0,00136
• f (0 ) = = = 0,00136 f (1) = = = 0,00898
0! 1 1! 1
6,6 2 e −6,6 43,56 ⋅ 0,00136
• f (2) = = = 0, 02963
2! 4
P(X ≤ 2) = f(0) + f(1) + f(2) = 0,001360 + 0,00898 + 0,02963 = 0,03997 ( ou ≈ 4%).
RESPOSTA: A probabilidade de aparecer no máximo dois defeitos em uma folha com 1,5 x 2,2
metros é 0,04.
EXERCÍCIO 05 - Volte ao EXERCÍCIO 2, mas agora considere que a amostra aleatória

foi de 60 brasileiros. Responda os itens abaixo usando a aproximação normal.
a) Qual o valor esperado (µ) e o desvio-padrão (σ) da variável X = “número de brasileiros

amostrados que compram produtos piratas”.
b) Qual a probabilidade de, no máximo, 20 desses brasileiros terem comprado produtos
piratas?
c) Qual a probabilidade de mais da metade desses brasileiros terem comprado produtos
piratas? obs: “... mais da metade ...” = “ ... mais de 30 (= metade de 60) ...”
d) Qual a probabilidade de exatamente 55% desses brasileiros terem comprado produtos
piratas? obs: “... exatamente 55% ...” = “ ... exatamente 33 (= 55% de 60) ...”
Solução ---------------------------------------------------------------------------------------------------------------
a)
A variável X = “Número de brasileiros que compraram produtos piratas em 2007” segue a
distribuição Binomial com n = 60 e p = 0,42.
Para usar a aproximação normal as condições n∗p ≥ 5 e n∗(1-p) ≥ 5 devem ser satisfeitas
n∗p = 60 ∗ 0,42 = 25,2 ≥ 5 ok e
n∗(1-p) = 60 ∗ 0,58 = 34,8 ≥ 5 ok

Como as duas condições acima foram satisfeitas, então podemos usar a aproximação Normal
para distribuição Binomial.
Sendo assim, a variável X tem aproximadamente distribuição normal com média µ = n∗p = 25,2
e desvio-padrão σ = n ⋅ p ⋅ q = 3,823.
RESPOSTAS:
Média: µ = n∗p = 60*0,42 = 25,2 brasileiros
desvio-padrão: σ = n ⋅ p ⋅ q = 60 ⋅ 0,42 ⋅ 0,58 = 14,616 = 3,823 brasileiros
b) P(“no máximo 20 comprarem ...”) = P(X ≤ 20) = P(Z ≤ -1,36)

= 0,5 – 0,413085 = 0,086915
onde z = (20-25,2)/3,823 = -1,36 área[0; -1,36] na TABELA NORMAL = 0,413085 (Faça
o desenho da curva normal com a área sombreada)
c) P(“mais da metade comprarem ...”) = P(X > 30) = P(Z > 1,26)
= 0,5 - 0,396165 = 0,103835
onde z = (30-25,2)/3,823 = 1,26 área[0; 1,26] na TABELA NORMAL = 0,396165 (Faça o
desenho da curva normal com a área sombreada)
d) P(“exatamente 55% desses brasileiros comprarem ...”) = P(X = 33) = P(Z = 2,04) = 0
onde z = (33 - 25,2)/3,823 = 2,04
Em (d) o valor obtido não é foi uma boa aproximação, pois se usássemos modelo Binomial
(que seria o mais correto) para calcular P(X = 33) o valor obtido seria diferente de zero.
A aproximação normal poderia ser melhorada usando o que chamamos de correção de
continuidade. Esta correção seria simplesmente somar e subtrair 0,5 do valor 33 antes de
calcular a probabilidade. Então, em vez de calcular a probabilidade P(X = 33) deveríamos
calcular a probabilidade de X estar dentro do intervalo [32,5 ; 33,5].
P(32,5 ≤ X ≤ 33,5) = P(1,91 ≤ Z ≤ 2,17) = 0,484997 – 0,471933 = 0,013063 (valor aproximado)
onde z = (32,5-25,2)/3,823 = 1,91 área[0; 1,91] na TABELA NORMAL = 0,471933
z = (33,5-25,2)/3,823 = 2,17 área[0; 2,17] na TABELA NORMAL = 0,484997
OBS: Usando o modelo Binomial teríamos f(33) = 0,013313 (valor exato)

6 Exercícios propostos
EXERCÍCIO 01 - Um dado honesto é lançado duas vezes para cima de forma

independente. Construa a distribuição de probabilidade da variável aleatória X = “soma das
faces voltadas para cima”.
EXERCÍCIO 02 - A tabela abaixo mostra distribuição de probabilidade para o lucro obtido

nas vendas diárias de uma peça
x
-20 -5 40 70 120 150
Lucro em $
f(x)
0,05 0,10 0,35 k 0,25 0,15
Probabilidade
a) Determine o valor de k, de forma que a tabela acima seja realmente uma distribuição
de probabilidade.
b) Qual é a probabilidade de o estabelecimento não ter prejuízo.
c) Qual seria o lucro diário esperado nas vendas das peças.
d) Calcule o desvio-padrão do lucro diário.
e) Qual seria o lucro mensal esperado nas vendas das peças.
Obs: 1 mês = 30 dias
EXERCÍCIO 03 - Suponha que os pesos de uma peça apresentam uma média de 25 kg

e desvio-padrão de 3 kg. Essa peça deverá ser embalada em uma caixa que pesa em média 2
kg com desvio-padrão de 1 kg. Qual será a média e o desvio-padrão da peça embalada?
EXERCÍCIO 04 - Uma prova tem 6 questões com quatro alternativas cada uma. Um
aluno não estudou para a prova e resolveu “chutar” as questões. Determine a probabilidade de
o aluno:
a) Acertar no máximo 1 questão
b) Acertar todas as questões
c) Acertar pelo menos uma questão
d) Errar no máximo uma questão.
EXERCÍCIO 05 - O gerente da loja XYZ sabe que 80% dos clientes que entram na loja
fazem algum tipo de compras. Vamos considere os próximos 6 clientes que entrarão na loja e
que X = “número de clientes que farão alguma compra”.
x 0 1 2 3 4 5 6
f(x) 0,00006 ? 0,01536 ? 0,24576 0,39322 ?
a) Complete a distribuição de probabilidade para a variável X.

b) Qual a probabilidade de menos de 3 clientes realizarem alguma compra?
c) Qual a probabilidade de mais de 4 clientes realizarem alguma compra?

EXERCÍCIO 06 - Sabe-se que 5% das peças são fabricadas com defeito. Um grande lote
com peças será rejeitado se uma amostra de 20 peças apresentarem 3 ou mais peças
defeituosas, qual a probabilidade de o lote ser rejeitado?
Resposta: P(X ≥ 3 ) = 0,07548
EXERCÍCIO 07 - Sabe-se que 10% das pessoas são canhotas em certa empresa. No
setor XYZ dessa empresa trabalham 25 funcionários.
a) Qual o número esperado de funcionários canhotos no setor XYZ?
b) Determine a probabilidade de:
• Haver mais de 3 canhotos no setor XYZ
• Haver nenhum canhoto no setor XYZ
Resposta: µ = 2,5 P(X > 3) = 0,23641 f(0) = 0,07179
EXERCÍCIO 08 - Testes indicam que o tempo de duração das geladeiras da marca XYZ
tem distribuição normal com média de 72 meses e desvio-padrão de 18 meses.
a) O fabricante estipulou como garantia um prazo máximo de 6 meses, período no qual ele
ficará obrigado de consertar qualquer defeito que surgir no equipamento. Determine a
probabilidade de uma geladeira estragar durante a garantia.
b) Se forem vendidas 150 mil geladeiras durante um ano, qual o número esperado de
geladeiras que o fabricante deverá consertar durante o prazo da garantia?
c) Sabendo que 98% das geladeiras conseguem durar mais de k meses, determine o valor de
k.
Respostas: a) 0,000121 b) cerca de 18 geladeiras c) k = 108,9 meses
EXERCÍCIO 09 - Sabe-se que 10% das pessoas que estão na fila de um banco desistem
de permanecer na fila. Em uma fila com 100 pessoas,
a) Calcule, usando a aproximação normal, a probabilidade de menos de oito pessoas
desistirem de permanecer na fila.
b) Calcule, usando a aproximação normal, de mais de um quarto das pessoas
desistirem de permanecer na fila.
Respostas: µ = 10 σ = 3
a) P(X < 8) = P(z < -0,67) = 0,25143
b) mais de ¼ equivale dizer mais de 25% de 100 = 25, então P(X > 25) = P(z > 5) = 0,0
EXERCÍCIO 10 - m exame de múltipla escolha foi elaborado com 10 questões, cada uma
com quatro opções. A aprovação no exame exige do aluno que ele acerte pelo menos 60% da
prova. Um aluno nada estudou e está pretendendo “chutar” as questões.
a) Qual a probabilidade de ele acertar todas as questões?
b) Qual a probabilidade de ele errar oito questões?
c) Qual a probabilidade de ele ser aprovado no exame?
d) Qual o número esperado de questões que este aluno acertaria?
Respostas:
a.) p(10) = 0,0000009537
b.) “errar 8 questões” ⇒ “acertar 2 questões” Então, p(2) = 0,18771
c.) P(ser aprovado) = P(acertar no mínimo 6 questões) = p(6) + p(7) + p(8) + p(9) + p(10) = 0,01973
d.) número médio de questões corretas = µ = n⋅p = 2,5 questões (de 2 a 3 questões)

EXERCÍCIO 11 - Uma fabrica de chocolate comercializa barras de chocolate que pesam
em média 200 gramas. Os pesos são normalmente distribuídos com uma desvio-padrão de 40
gramas.
a) Qual a probabilidade de uma barra de chocolate escolhida ao acaso pesar de 200 a 250
gramas?
b) Qual a probabilidade de uma barra de chocolate escolhida ao acaso pesar menos de 90
gramas?
c) Qual o número esperado de barras de chocolate com peso superior a 230 gramas, se
você comprasse 20 barras?
Respostas:
a.) P(200 ≤ X ≤ 250) = P(0 ≤ Z ≤ 1,25) = 0,3944 (ou 39,44%)
b.) P(X < 90) = P(Z < -2,75) = 0,003 (ou 0,3%)
c.) P(X > 230) = P( Z > 0,75) = 0,2266 (ou 22,66%) 22,66% de 20 = 4,5 barras (de 4 a 5 barras)
EXERCÍCIO 12 - Um banco recebe em média 6 cheques sem fundo por dia. Qual é a
probabilidade de que ele receba:
a) nenhum cheque sem fundo um determinado dia?
b) 4 cheques sem fundo durante um determinado dia?
c) pelo menos um cheque sem fundo um determinado dia?
d) um cheque sem fundo da Terça-feira?
e) dez cheques sem fundo durante um determinado dia?
f) dez cheques sem fundo em um intervalo de dois dias seguidos?
DICA: Apesar de não estar falando do modelo a ser utilizado, note que o modelo de POISSON é o mais adequado, pois
temos a informação de uma taxa média de 6 cheques sem fundos durante o intervalo de um DIA (λ = 6
cheques/dia). O modelo Binomial não é aplicado aqui, pois não temos a probabilidade de sucesso (p) e nem o
número de tentativas (n) independentes.
Repostas
a) 0,002479 b) 0.13385 c) 0,997521 d) 0,014873 e) 0.04130 f) 0.10484
EXERCÍCIO 13 - Seu computador na empresa onde trabalha recebe e-mail a uma taxa
média de 2 e-mails a cada cinco minutos. Durante uma hora de serviço qual a probabilidade de
você ter recebido mais de trinta e-mails (usando a aproximação Normal para Poisson).
Resposta: P(X > 30) = P(Z > 1,22) = 0,1112 (sem correção de continuidade)
P(X > 30) = P(X > 30 +0,5) = P(X > 30,5) = P(Z > 1,33) = 0,0918 (com correção de continuidade)

7 Bibliografia
• BRUNI, Leal Adriano, Estatística Aplicada à Gestão Empresarial, São Paulo: Editora
Atlas. 2ª Edição, 2008.
• LEVINE, David M.; STEPHAN, David; KREHBIEL, Timothy C.; BERENSON, Mark L..
Estatística: Teoria e Aplicações usando Microsoft Excel em Português. 5 ed.. Rio de
Janeiro: LTC - Livros Técnicos e Científicos. 2005.
• TRIOLA, Mario F. Introdução à estatística. Rio de Janeiro: LTC - Livros Técnicos e

Científicos, c2005. 656p.
• MARTINS, Gilberto de Andrade, Estatística Geral e Aplicada. São Paulo, Editora Atlas,
2005.

Unidade - 05 - Distribuição de Probabilidade

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Unidade - 05 - Distribuição de Probabilidade

Загружено:

Авторское право:

Доступные форматы

UNIDADE 05

2. Variável aleatória .................................................................................................................. 3

2.1 Definição e classificação ............................................................................................... 3

2.2 Distribuição de probabilidade (caso discreto) ............................................................... 4

2.3 Valor esperado e variância e suas propriedades. ......................................................... 6

3. Distribuição de probabilidade - Variáveis discretas .............................................................. 9

3.1 Distribuição de Bernoulli .............................................................................................. 10

3.2 Distribuição Binomial ................................................................................................... 11

3.3 Distribuição de Poisson ............................................................................................... 18

4. Distribuição de probabilidade – Variável contínua ............................................................. 23

4.1 Distribuição Uniforme .................................................................................................. 27

4.2 Distribuição Normal ..................................................................................................... 30

4.3 Aproximação Normal ................................................................................................... 39

4.3.1 Aproximação Normal para Binomial .................................................................... 39

4.3.2 Aproximação Normal para Poisson ..................................................................... 41

4.3.3 Aproximação Normal com correção de continuidade ......................................... 42

5 Exercícios resolvidos ...................................................................................................... 43

6 Exercícios propostos ...................................................................................................... 50

No estudo sobre probabilidades, iniciamos com o conceito de experimento aleatório e espaço

2.1 Definição e classificação

Estatística Básica −3− prof. José Aguinaldo

Os possíveis resultados estão contidos em um Os possíveis valores estão contidos em um

X = “número de filhos por família” X = “tempo de vida de lâmpadas”

Y = “número de peças com defeitos em uma Y = “tempo diário de uso do computador”

2.2 Distribuição de probabilidade (caso discreto)

Estatística Básica −4− prof. José Aguinaldo

Resumindo a tabela acima temos a seguinte distribuição de probabilidade de X:

Na distribuição de probabilidade, a correspondência entre os valores da variável aleatória X e

f(x) = P(x) = P(X = x)

onde f(x) = probabilidade de a variável X assumir o valor x

Característica da função de probabilidade f(x)

Uma função de probabilidade deve satisfazer:

Estatística Básica −5− prof. José Aguinaldo

EXEMPLO 02 - A tabela abaixo caracteriza uma distribuição de probabilidade? Justifique.

2.3 Valor esperado e variância e suas propriedades.

Suponha que a variável aleatória discreta X pode assumir os valores x1 , x 2 , L , x N com as

• O valor esperado (ou valor médio) da variável X é:

Estatística Básica −6− prof. José Aguinaldo

Sejam ‘a’ e ‘b’ duas constantes, então:

EXEMPLO 03 - Com dados do último CENSO, a assistente social de um Centro de Saúde

Primeiro vamos calcular a variância de X

= 0,6125 + 0,14063 + 0,01875 + 0,23438 + 0,25313 + 0,52813

Agora vamos calcular o desvio-padrão da variável X

σ = variância = 1,788 = 1,34 filho

Estatística Básica −7− prof. José Aguinaldo

• Desvio-padrão: σ = variância = 1,788 = 1,34 filho

EXEMPLO 04 - Sabendo que E(X) = 10 e Var(X) = 5 e usando as propriedades do valor

Solução ------------------------------ -----------------------------------------------------------------------------------

E(Y) = E(3X + 20) = E(3X ) + E(20) = 3 ⋅ E(X ) + 20 = 3 ⋅ 10 + 20 = 50

Agora resolvam a ‘ b’, ‘c’, e ‘d’

Estatística Básica −8− prof. José Aguinaldo

3. Distribuição de probabilidade - Variáveis discretas

No estudo de um problema real do dia-a-dia, freqüentemente deparamos com situação onde

Há uma variedade de modelos probabilísticos, tanto para as variáveis aleatórias discretas,

Modelos para variável discretas Modelos para variáveis contínuas

Distribuição de Bernoulli; Distribuição Uniforme;

Estatística Básica −9− prof. José Aguinaldo

Os experimentos acima são denominados de Experimentos de Bernoulli.

A probabilidade de ocorrer um sucesso é denotada por p e a probabilidade de ocorrer um

Estatística Básica − 10 − prof. José Aguinaldo

A distribuição Binomial (ou modelo Binomial) é uma generalização da distribuição de Bernoulli.

• a probabilidade de sair menos de 4 caras em 15 lançamentos de uma moeda honesta.