Академический Документы
Профессиональный Документы
Культура Документы
Distribuição de
Probabilidade
SUMÁRIO
1. Introdução ............................................................................................................................. 3
7 Bibliografia ...................................................................................................................... 53
1. Introdução
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
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
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
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
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.
10
9 (60%)
Frequência
6
4 (27%)
4
2 (13%)
2
0
0 1 2
Número de caras
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.
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 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
= (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
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.
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
a) Y = 3X + 20
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
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.
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.
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.
Experimentos de Bernoulli – Experimento simples, onde somente dois resultados são possíveis
(sucesso ou fracasso).
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
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
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.
Solução -------------------------------------------------------------------------------------------------------------------
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.
Solução -----------------------------------------------------------------------------------------------------------------
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%)
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!
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.
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!
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
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
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!
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
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
Veja que temos que usar 21 vezes a função probabilidade f(x), o que é muito trabalhoso, certo?
O que fazer, então?
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!
A probabilidade de o cliente que fez reserva aparecer no restaurante e ser acomodado em sua
mesa é de 0,8633.
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
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).
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!
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)
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.
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
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
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
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.
4 0 ⋅ e −4 1 ⋅ 0,018316
f (0) = = = 0,018316
0! 1
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
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?
100 100!
f (8) = ⋅ 0,158 ⋅ 0,85100 − 8 = ⋅ 0,158 ⋅ 0,85100 − 8
8 8!⋅(100 − 8)!
O resultado acima seria valor aproximado de f(8) usando a distribuição de Poisson. O valor
exato, usando a distribuição Binomial, seria 0,000743.
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:
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?
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:
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:
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.
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
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
Solução -------------------------------------------------------------------------------------------------------------------
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
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.
b) Se 1000 números são gerados, quantos deles serão maiores que 17?
resp: ≈ 300 números
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
E(X) = µ
Var(X) = σ
2
dp(X) = σ
4
e = número neperiano ou número de Euler (pronuncia-se óiler).
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
(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);
(4) A inclusão ou exclusão dos extremos não altera o valor da probabilidade. Portanto,
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
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
5
Métodos computacionais usados para obter a integral de uma função
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 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?
0 zc Z
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
0
-2,3 -1,5 0 Z
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.
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
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.
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
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
-1,67 0 z
x − µ 110 − 100
Padronizando o valor 110: x = 110 → z = = = 0,67
σ 15
x − µ 120 − 100
Padronizando o valor 120: x = 120 → z = = = 1,33
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
0 0,67 1,33
z
x − µ 75 − 100
Padronizando o valor 75: x = 75 → z = = = -1,67
σ 15
x − µ 120 − 100
Padronizando o valor 120: x = 120 → z = = = 1,33
σ 15
Resposta:
P(75 ≤ X ≤ 120) = P(-1,67 ≤ Z ≤ 1,33)
= 0,860781
-1,67 0 1,33
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.
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.
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:
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)
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
c) “... menos de 25% das famílias...” equivale a “... menos de 20 famílias ...” (25% de 80 é igual
a 20)
d) “... mais de ¾ das famílias...” equivale a “... mais de 60 famílias ...” (75% de 80 é igual a 60)
e) O número médio (ou valor esperado) de famílias que vivem abaixo da linha da pobreza é µ =
16 famílias.
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
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 .
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
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.
Solução ---------------------------------------------------------------------------------------------------------------
Então: P(X < 10) ≈ P(X ≤ 9,5) = P(Z < -1,82) = 0,5 – 0,4656 = 0,0344
Solução ----------------------------------------------------------------------------------------------------------------
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.
Supondo que a probabilidade do mercado estar em ALTA seja 0,80 e do mercado estar em
BAIXA seja 0,20, responda:
SOLUÇÃO ----------------------------------------------------------------------------------------------------------------
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.
Variância: σ = ∑(xi −µA) *fi = (240 -193) *0,80 + (5 -193) *0,20 = 8836
2 2 2 2
A
Variância: σ = ∑(xi −µC) *fi = (360 – 278) *0,80 + (-50 - 278) *0,20 = 26896
2 2 2 2
A
• Então, a proposta com menor risco é “Contratando gerente de Auditoria”, pois apresenta
menor CV.
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”
Lembre-se
0! = 1 (por definição) e 6! = 6x5x4x3x2x1 = 720
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)!
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
40 55 70
x
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
0,30
0,20
0
40 k=?
x
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!
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.
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)
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
RESPOSTA: A probabilidade de aparecer no máximo dois defeitos em uma folha com 1,5 x 2,2
metros é 0,04.
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
RESPOSTAS:
Média: µ = n∗p = 60*0,42 = 25,2 brasileiros
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
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 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 ?
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)
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)
• 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.
• MARTINS, Gilberto de Andrade, Estatística Geral e Aplicada. São Paulo, Editora Atlas,
2005.