Unidade 05 Distribuicao de Probabilidade

UNIDADE 05
Distribuio de
Probabilidade

SUMRIO

1. Introduo ............................................................................................................................. 3

2. Varivel aleatria .................................................................................................................. 3

2.1 Definio e classificao ............................................................................................... 3

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

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

3. Distribuio de probabilidade - Variveis discretas .............................................................. 9

3.1 Distribuio de Bernoulli .............................................................................................. 10

3.2 Distribuio Binomial ................................................................................................... 11

3.3 Distribuio de Poisson ............................................................................................... 18

4. Distribuio de probabilidade Varivel contnua ............................................................. 23

4.1 Distribuio Uniforme .................................................................................................. 27

4.2 Distribuio Normal ..................................................................................................... 30

4.3 Aproximao Normal ................................................................................................... 39

4.3.1 Aproximao Normal para Binomial .................................................................... 39

4.3.2 Aproximao Normal para Poisson ..................................................................... 41

4.3.3 Aproximao Normal com correo de continuidade ......................................... 42

5 Exerccios resolvidos ...................................................................................................... 43

6 Exerccios propostos ...................................................................................................... 50

7 Bibliografia ...................................................................................................................... 53

Estatstica Bsica 3 prof. Jos Aguinaldo

1. Introduo
No estudo sobre probabilidades, iniciamos com o conceito de experimento aleatrio e espao
amostral. O espao amostral, como foi visto, consiste de todos os resultados possveis de um
experimento aleatrio. No caso de lanar uma moeda duas vezes, o espao amostral seria
{KK, KC, CK, CC} com K indicando cara e C indicando coroa.
Em vez de trabalhar com o espao amostral {KK, KC, CK, CC} podemos definir uma varivel de
nosso interesse e associar cada resultado dessa varivel um resultado do espao amostral.
Esta varivel denominada de varivel aleatria e o conjunto formado pelos valores desta
varivel e suas respectivas probabilidades denominado de distribuio de probabilidade.

2. Varivel aleatria
2.1 Definio e classificao

A varivel aleatria uma funo que associa um valor numrico do conjunto de nmeros reais
() cada ponto do espao amostral (). De uma forma menos formal, podemos dizer que a
varivel aleatria uma varivel quantitativa, cujo resultado (valor) depende do acaso (fatores
aleatrios).

Varivel aleatria
A varivel aleatria uma funo que associa um nmero do conjunto de nmeros reais ( )
cada resultado do espao amostral ( ).
Portanto, a varivel aleatria uma varivel quantitativa, cujo resultado depende de fatores
aleatrios. O fator aleatrio usado aqui para explicar que no podemos antecipar exatamente
o resultado que ir sair, pois isso depender do acaso.
Classificao do tipo das variveis aleatrias
Uma varivel aleatria pode ser classificada em discreta ou contnua e comum denota-la
pelas letras latinas maisculas X, Y, Z, etc e os valores observados pelas letras minsculas x,
y, z, etc

VARIVEL ALEATRIA
DISCRETA CONTNUA
Os possveis resultados esto contidos em um
conjunto finito ou contvel de resultados. Os
valores vm de uma CONTAGEM.
Os possveis valores esto contidos em um
conjunto infinito ou incontvel de resultados.
Os valores vm de uma MENSURaO

X = nmero de filhos por famlia
x = {0, 1, 2, ...}

X = tempo de vida de lmpadas
x [0 ; )

Y = nmero de peas com defeitos em uma
caixa com 20 peas
y = {0, 1, 2, ... 20}

Y = tempo dirio de uso do computador
y [0 ; 24]

2.2 Distribuio de probabilidade (caso discreto)
Conhecer quais os resultados possveis de uma varivel aleatria no suficiente, tambm
devemos saber qual a probabilidade de cada resultado ocorrer. O conjunto formado pelos
resultados da varivel X e suas respectivas probabilidades denominado de distribuio de
probabilidade. A distribuio de probabilidade nos permite verificar a forma como os valores
esto distribudos (quais os mais comuns e os menos comuns). O grfico abaixo mostra a
distribuio de probabilidade para a varivel aleatria X = nmero de e-mails que chegam
durante uma hora. Pelo grfico, nota-se que mais provvel chegar 2 ou 3 e-mails em uma
hora do que chegar 8 e-mails.

8 7 6 5 4 3 2 1 0
0,25
0,20
0,15
0,10
0,05
0,00
Nmero de e-mails
P
r
o
b
a
b
i
l
i
d
a
d
e

EXEMPLO 01 - Uma moeda honesta lanada duas vezes para cima de forma
independente. Construa a distribuio de probabilidade da varivel X = nmero de caras.
Soluo ---------------------------------------------------------------------------------------------
A coluna 1 da tabela abaixo lista o espao amostral, a coluna 2 lista os resultados possveis da
varivel X e a coluna 3 mostra a probabilidade de ocorrer cada resultado.

Espao amostral

x Probabilidade
KK 2 P(KK) = P(K)P(K) = 0,500,50 = 0,25
KC 1 P(KC) = P(K)P(C) = 0,500,50 = 0,25
CK 1 P(CK) = P(C)P(K) = 0,500,50 = 0,25
CC 0 P(CC) = P(C)P(C) = 0,500,50 = 0,25

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

Na distribuio de probabilidade, a correspondncia entre os valores da varivel aleatria X e
as respectivas probabilidades definida pela funo de probabilidade
1
que representamos por:
f(x) = P(x) = P(X = x)
onde f(x) = probabilidade de a varivel X assumir o valor x

Caracterstica da funo de probabilidade f(x)

Uma funo de probabilidade deve satisfazer:
i) f(x
i
) 0 A funo f(x) no-negativa
ii) 1 ) ( =
i
i
x f A soma das probabilidades deve ser igual a 1.

bom destacar que a distribuio de probabilidade uma distribuio terica, pois reflete o
que teoricamente esperamos da varivel aleatria e no os valores de fato observados no dia-
a-dia. Para ilustrar o que foi dita aqui, o grfico abaixo mostra os resultados observados,
quando 15 pessoas lanaram a moeda duas vezes para cima. Note que as propores

1
A funo f(x) denominada de funo probabilidade, quando a varivel for discreta. Caso a
varivel seja contnua, a funo f(x) denominada de funo densidade de probabilidade.

observadas de caras no so exatamente iguais s probabilidades que esperamos
teoricamente, mas as diferenas so pequenas.

2 1 0
10
8
6
4
2
0
Nmero de caras
F
r
e
q
u
n
c
i
a
4 (27%)
9 (60%)
2 (13%)

EXEMPLO 02 - A tabela abaixo caracteriza uma distribuio de probabilidade? Justifique.
x 0 1 2 3
P(x) 0,25 0,50 0,25 0,25
2.3 Valor esperado e varincia e suas propriedades.

Da mesma forma que sintetizamos os dados de uma amostra calculando a mdia, mediana,
varincia, desvio-padro, quartil etc, tambm podemos sintetizar uma distribuio de
probabilidade calculando essas mesmas medidas descritivas.

Suponha que a varivel aleatria discreta X pode assumir os valores
N
x x x , , ,
2 1
L com as
respectivas probabilidades de ocorrncia ) ( , ), ( ), (
2 1 N
x f x f x f L . Ento:

O valor esperado (ou valor mdio) da varivel X :

= = ) ( ) (
i i
x f x X E

A varincia da varivel X :

( )
= = ) ( ) (
2 2
i i
x f x X Var ou

2 2 2
) ( ) ( = =
i i
x f x X Var (frmula alternativa)

O desvio-padro da varivel X :

) ( ) ( X Var X dp = =

Onde
) ( ) ( ) ( ) (
2 2 1 1 N N i i
x f x x f x x f x x f x + + + =
L

( ) ( ) ( ) ( ) ) ( ) ( ) ( ) (
2
2
2
2 1
2
1
2
N N i i
x f x x f x x f x x f x + + + =
L

) ( ) ( ) ( ) (
2
2
2
2 1
2
1
2
N N i i
x f x x f x x f x x f x + + + =
L Propriedades do valor esperado E(X) e

varincia Var(X)

Sejam a e b duas constantes, ento:
Valor Esperado Varincia
b b E = ) (
b X aE b aX E = ) ( ) (
) ( ) ( ) ( Y E X E Y X E =
0 ) ( = b Var
) ( ) (
2
X Var a b aX Var =
Var(Y) Var(X) ) ( + = Y X Var se X, Y so independentes
2

EXEMPLO 03 - Com dados do ltimo CENSO, a assistente social de um Centro de Sade
constatou que 20% das famlias de uma regio no tinham filhos, 25% tinham apenas um filho,
30% dois, 15% trs, 5% quatro e 5% cinco filhos. Considerando a varivel X = nmero de
filhos por famlia

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 famlia tenha mais de dois filhos;
b) A probabilidade de uma famlia 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 nmero mdio de filhos)
e) Determine o desvio-padro de X.

Soluo ------------------------------------------------------------------------------------------------------------------

a) P(famlia ter mais de dois filhos) = P(X > 2) = f(3) + f(4) + f(5) = 0,25 (ou 25%)
b)
c)

d) Valor Esperado
05 , 0 5 05 , 0 4 15 , 0 3 30 , 0 2 25 , 0 1 20 , 0 0 ) x ( f x
i
i i
+ + + + + = =

= 1,75 filho

O nmero mdio do nmero de filhos por famlia de 1,75 filhos (quase dois filhos)

e) Desvio-padro da varivel X

Primeiro vamos calcular a varincia de X
( ) ( ) ( ) ( ) ( ) ( ) 05 , 0 75 , 1 5 05 , 0 75 , 1 4 15 , 0 75 , 1 3 30 , 0 75 , 1 2 25 , 0 75 , 1 1 20 , 0 75 , 1 0
) ( ) (
2 2 2 2 2 2
2 2
+ + + + + =
=
i
i
i
x f x

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

= 1,788 filho
2
(lembre-se, a unidade da varincia sempre ao quadrado)

Agora vamos calcular o desvio-padro da varivel X

788 , 1 = = varincia = 1,34 filho

2
Se X e Y no forem independentes, ento Var(X Y) = Var(X) + Var(Y) 2Cov(X,Y), onde Cov(X,Y)
a covarincia entre X e Y.


CLCULO ALTERNATIVO

De forma alternativa, podemos calcular o valor esperado e a varincia usando uma tabela no
EXEMPLO 3.

x f(x) x f(x) x
2
.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:
=
i
i i
x f x ) ( = 1,75 filho
Varincia:
2
1
2 2
) ( =

=
N
i
i i
x f x = 4,85 (1,75)
2
= 1,788 (filhos)
2

Desvio-padro: 788 , 1 = = varincia = 1,34 filho

EXEMPLO 04 - Sabendo que E(X) = 10 e Var(X) = 5 e usando as propriedades do valor
esperado e varincia para calcular E(Y), Var(Y) e dp(Y) nas situaes 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.

Soluo ------------------------------ -----------------------------------------------------------------------------------

a) Y = 3X + 20

E(Y) 20 ) X ( E 3 ) 20 ( E ) X 3 ( E ) 20 X 3 ( E + = + = + = 50 20 10 3 = + =
Var(Y) 45 5 9 0 ) X ( Var 3 ) 20 ( Var ) X 3 ( Var ) 20 X 3 ( Var
2
= = + = + = + =
dp(X) 71 , 6 45 = =

Agora resolvam a b, c, e d

EXEMPLO 05 - Uma pea dever ser embalada em uma caixa. A pea tem peso mdio de
25 kg e desvio-padro de 3 kg e a caixa tem peso mdio de 2 kg e desvio-padro de 1 kg. Qual
ser a mdia e o desvio-padro da pea embalada?

OBS:
Para x = 2 e f(x) = 0,30 temos:
xf(x) = 2 0,30 = 0,60 e
x
2
.f(x) = 2
2
0,30 = 1,20

EXEMPLO 06 - Voc tem a sua disposio trs investimentos (A, B, C). A tabela a seguir
mostra o retorno anual (para cada 1000 dlares investidos) de cada um desses investimentos
sob condies econmicas distintas, bem como a probabilidade de que cada uma dessas
condies econmicas venha a ocorrer.

Retorno em dlares para cada 1000 dlares investidos em cada situao econmica
Situao
econmica
Probabilidade
Investimento
A
Investimento
B
Investimento
C
Recesso 0,20 -30 0 -30
Estagnao 0,50 40 52 76
Crescimento 0,30 60 20 0

a) Qual dos trs investimentos voc escolheria aplicar? Baseie sua resposta no valor
esperado dos investimentos.
b) Qual dos trs investimentos o de menor risco? Em investimentos, sabe-se que
quanto maior a variabilidade, maior ser o risco do investimento.

3. Distribuio de probabilidade - Variveis discretas
No estudo de um problema real do dia-a-dia, freqentemente deparamos com situao onde
devemos tomar alguma deciso com o auxilio das probabilidades. Por exemplo, no estudo do
dimensionamento de um estacionamento, o nmero de carros que entram no estacionamento
por hora uma varivel de interesse e o conhecimento da distribuio de probabilidade dessa
varivel seria de grande auxlio.
O comportamento da varivel de interesse pode ser descrito por uma expresso matemtica,
denominada de modelo probabilstico, que associa as probabilidades cada valor da varivel
em estudo, permitindo assim, obter a sua distribuio de probabilidade. Com os modelos
probabilsticos podemos calcular a probabilidade de um resultado acontecer sem ter que
coletar previamente os dados.
H uma variedade de modelos probabilsticos, tanto para as variveis aleatrias discretas,
quanto para as variveis aleatrias contnuas. Alguns desses modelos probabilsticos esto
citados logo abaixo:
Modelos para varivel discretas Modelos para variveis contnuas
Distribuio de Bernoulli;
Distribuio Binomial;
Distribuio de Poisson;
Distribuio Geomtrica;
Distribuio Hipergeomtrica, etc.
Distribuio Uniforme;
Distribuio Normal;
Distribuio Exponencial;
Distribuio Lognormal;
Distribuio Qui-quadrado, etc.

3.1 Distribuio de Bernoulli

A distribuio de Bernoulli o modelo mais simples para varivel discreta e dele so originados
outros modelos probabilsticos para varivel discreta. O modelo indicado para situaes em
que observamos ou no alguma caracterstica de nosso interesse. Por exemplo:
Lanar uma moeda: Sair cara ou no;
Selecionar uma pea de um lote: defeituosa ou no;
Selecionar um aluno: Foi reprovado em matemtica ou no;
Tem computador em casa: Sim ou no;
Paciente que fez cirurgia de alto risco: Sobreviveu ou no.

Os experimentos acima so denominados de Experimentos de Bernoulli.

Experimentos de Bernoulli Experimento simples, onde somente dois resultados so possveis
(sucesso ou fracasso).

A probabilidade de ocorrer um sucesso denotada por p e a probabilidade de ocorrer um
fracasso denotada por q. Ento,
P(ocorrer sucesso) = P(S) = p P(ocorrer fracasso) = P(F) = q = 1 p

Numa linha de produo, onde 40% das peas so defeituosas, uma pea selecionada.
Sucesso (S) = Pea com defeito p = P(sucesso) = 0,40
Fracasso (F) = Pea no est com defeito q = P(Fracasso) = 0,60

3.2 Distribuio Binomial

A distribuio Binomial (ou modelo Binomial) uma generalizao da distribuio de Bernoulli.
Com a distribuio Binomial podemos, por exemplo, calcular:

a probabilidade de sair menos de 4 caras em 15 lanamentos de uma moeda honesta.
a probabilidade de sair no mximo 3 peas com defeitos em um lote com 20 peas

Dstribuio Binomial

Quando so realizadas n ensaios independentes de Bernoulli e o nosso interesse recai sobre a
varivel X = Nmero de sucessos nos n ensaios, ento a funo probabilidade de X dada
por:
x n x
q p
x
n
x f

|
|
\
|
= ) ( com x = 0, 1, ..., n

Valor esperado e Varincia: p n = = E(X) q p n = = Var(X)
2

Para representar uma varivel x com distribuio Binomial com n tentativas e probabilidade de
sucesso p usamos a seguinte notao:

X ~ Binomial(n; p).

onde
n = nmero de ensaios (tentativas ou realizaes) independentes;
x = o nmero de sucessos nos n ensaios;
p e q = probabilidade de sucesso e fracasso (constante em cada ensaio);

! )! (
!
x x n
n
x
n

=
|
|
\
|

n! = n(n-1)(n-2)1 (l-se n fatorial)

EXEMPLO 07 - Resolva os fatoriais e a combinao a seguir
a) 5!
b) 0!
c)
! 38
! 40

d)
|
|
\
|
=
8
50
50
8
C

Soluo -------------------------------------------------------------------------------------------------------------------

a) 120 1 2 3 4 5 ! 5 = = 5! (l-se 5 fatorial)
b) 1 ! 0 = (por definio)
c) 1560 39 40
! 38
! 38 39 40
! 38
! 40
= =

=
d) =

=

=
=
|
|
\
|
6
48 49 50
! 47 ) 1 2 3 (
! 47 48 49 50
! 47 ! 3
! 50
)! 3 50 ( ! 3
! 50
3
50
19600

o nmero de ocorrncias de x sucessos em n ensaios. Isto , uma
combinao de x sucessos em n tentativas.

Critrios para saber se a distribuio Binomial adequada

i) Os n ensaios so independentes. Ou seja, o resultado de um ensaio no 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 critrios acima, veja o exemplo de selecionar uma amostra de 4 peas de
uma caixa com 20 peas, onde h 8 peas com defeito. Ser que podemos usar a distribuio
Binomial para a varivel X = nmero de peas com defeito na amostra?

Caso a retirada fosse feita com reposio, a probabilidade de a pea ser defeituosa seria
sempre a mesma em cada retirada (p = 8/20 = 0,40), portanto, neste caso, podemos usar a
distribuio Binomial. Por outro lado, se a retirada for feita sem reposio, a probabilidade seria
diferente em cada retirada, j que o total de peas na caixa no seria o mesmo em cada
retirada. Neste caso, portanto, no poderamos usar a distribuio Binomial.

EXEMPLO 08 - Em cada situao abaixo, identifique o nmero 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 prximos 10 clientes que entram na loja, qual a probabilidade de
quatro o mais clientes realizarem alguma compra?
ii) A probabilidade de uma pea ser fabricada com defeito 0,05. Um grande lote com
peas ser rejeitado se uma amostra de 20 peas apresentarem trs ou mais peas
defeituosas, qual a probabilidade do lote ser rejeitado?
iii) Sabe-se que 10% dos que reservam lugar em um vo desistem do embarque. Se 120
clientes reservaram o vo, qual a probabilidade de quatro ou mais clientes realizarem
alguma compra?

Soluo -----------------------------------------------------------------------------------------------------------------

Situao Ensaio Sucesso p q
i) n = 10 clientes Cliente realizar compras 0,40 0,60
ii) n = 20 peas A pea est com defeito 0,05 0,95
iii) n = 120 clientes Cliente desistir do embarque 0,10 0,90

EXEMPLO 09 - Uma mquina desajustada produz 40% de peas com defeito. Supondo que
4 peas foram selecionadas aleatoriamente das peas produzidas durante um dia de produo,
determine a probabilidade de:

a) Determine a probabilidade de exatamente trs peas ser defeituosas
b) Determine a probabilidade de uma a trs peas serem defeituosas
c) Determine a probabilidade de pelo menos uma pea ser defeituosa.
d) Qual o nmero mdio de peas com defeito na amostra?
e) Qual o desvio-padro do nmero de peas com defeito?
f) Mostre a distribuio de probabilidade da varivel X (ou seja, mostre uma tabela com
os valores possveis de X e suas respectivas probabilidades)
g) Determine a probabilidade de no mximo uma pea no ser defeituosa.
h) Liste todos os resultados possveis onde aparecem 3 peas com defeitos, calcule a
probabilidade de cada resultado, some-os e veja se o resultado coincidiu com o
resultado obtido na letra a.

Soluo -------------------------------------------------------------------------------------------------------------------
X = nmero de peas com defeitos segue distribuio Binomial com n = 4 e p = 0,40

A funo probabilidade de X

x x x x
x x x
x f
4 4
60 , 0 40 , 0
)! 4 ( !
! 4
60 , 0 40 , 0
4
) (

=
|
|
\
|
=

Veja que foram selecionadas 4 peas (n = 4) ao acaso, sendo que cada pea ou est com
defeito (sucesso) ou no (fracasso) e a probabilidade de a pea estar com defeito
sempre igual a 0,40 (p = 0,40) para cada pea. Por isto, o distribuio Binomial
adequado neste problema.

a) P(trs peas serem defeituosas) =
3 4 3
60 , 0 40 , 0
)! 3 4 ( ! 3
! 4
) 3 (

= f
60 , 0 064 , 0
1 6
24
60 , 0 40 , 0
! 1 ! 3
! 4
1 3

=
60 , 0 064 , 0 4 =
%) 36 , 15 ( 1536 , 0 0864 , 0 4 ou = =

15,36% das vezes em uma amostra de 4 peas, trs
delas estaro com defeito.
b) P(de uma a trs peas serem defeituosas) = P(1 X 3) = f(1) + f(2) + f(3)
= 0,3456 + 0,3456 + 0,1536
= 0,8448 (ou 84,48%)

1 4 1
60 , 0 40 , 0
)! 1 4 ( ! 1
! 4
) 1 (

= f =
3 1
60 , 0 40 , 0
! 3 ! 1
! 4

= 40,0640,60 = 0,3456
2 4 2
60 , 0 40 , 0
)! 2 4 ( ! 2
! 4
) 2 (

= f =
2 2
60 , 0 40 , 0
! 2 ! 2
! 4

= 60,160,36 = 0,3456
3 4 3
60 , 0 40 , 0
)! 3 4 ( ! 3
! 4
) 3 (

= f =
1 3
60 , 0 40 , 0
! 3 ! 1
! 4

= 40,0640,60 = 0,1536

c) P(pelo menos uma pea 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 4
60 , 0 40 , 0
)! 4 4 ( ! 4
! 4
) 4 (

= f =
0 4
60 , 0 40 , 0
! 0 ! 4
! 4

= = 10,02561 = 0,0256

ATENO: 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 pea defeituosa) = 1 P(nenhuma pea estar defeituosa)
= 1 f(0)
= 1 0,1296 = 0,8704 (ou 87,04%)

0 4 0
60 , 0 40 , 0
)! 0 4 ( ! 0
! 4
) 0 (

= f =
4 0
60 , 0 40 , 0
! 4 ! 0
! 4

= = 110,1296 = 0,1296

Resultados interessantes (usando a regra do complemento)
P(X a) = 1 P(X < a) P(X > a) = 1 P(X a)

d) Nmero mdio (ou nmero esperado) de peas com defeito E(X) = = np
= np = 40,40 = 1,6 pea (quase duas) com defeito em mdia

e) Desvio-padro do nmero de peas com defeito ) ( X Var =
) ( X Var = = 98 , 0 60 , 0 40 , 0 4 = = q p n pea com defeito

f) Distribuio de probabilidade da varivel 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

4 3 2 1 0
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
x
f
(
x
)

g) P(de no mximo uma pea no ser defeituosa) = ?

Veja que agora estamos trabalhando com nmero de pea no defeituosas. At agora
trabalhamos com o nmero de peas 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 a probabilidade de a pea no ser
defeituosa
3
.

P(de no mximo uma pea no ser defeituosa) = P(X 1) = f(0) + f(1)
= 0,0256 + 0,1536
= 0,1792 (ou 17,92%)

0 4 0
40 , 0 60 , 0
)! 0 4 ( ! 0
! 4
) 0 (

= f =
4 0
40 , 0 60 , 0
! 4 ! 0
! 4

= 110,16 = 0,0256
1 4 1
40 , 0 60 , 0
)! 1 4 ( ! 1
! 4
) 1 (

= f =
3 1
40 , 0 60 , 0
! 3 ! 1
! 4

= 40,600,064 = 0,1536

h) Aparecer 3 peas com defeito em 4 peas

Vamos chamar de S = sucesso = pea defeituosa F = fracasso = pea no defeituosa

Diferentes formas
de aparecer trs
peas defeituosas
Probabilidade Clculos
FSSS
P(FSSS) =
0,400,60
3
=
0,0864
P(FSSS) = P (F)P(S)P(S)P(S) =
0,400,600,600,60
SFSS
P(SFSS) =
0,400,60
3
=
0,0864
P(SFSS) = P (S)P(F)P(S)P(S) =
0,600,400,600,60
SSFS
P(SSFS) =
0,400,60
3
=
0,0864
P(SSFS) = P (S)P(S)P(F)P(S) =
0,600,600,400,60
SSSF
P(SSSF) =
0,400,60
3
=
0,0864
P(SSSF) = P (S)P(S)P(S)P(F) =
0,600,600,600,40
Total 40,0864 = 0,3436 ---
Obs: Assumindo independncia entre os eventos, ento P(FSSS) = P (F)P(S)P(S)P(S).

A probabilidade de sair 3 peas com defeitos em uma amostra com 4 peas foi 0,3436, o
mesmo valor obtido na letra a. Veja que tivemos 4 diferentes formas de sair trs peas com
defeitos e cada uma delas a probabilidade foi igual a 0,400,60
3
, ento de uma maneira geral,
a probabilidade de ocorrer x sucessos

( )
x n x
q p
n
x p

|
|
|
\
|
=
ensaios em sucessos
sair de diferentes
formas de Nmero
sucessos" ocorrer x " com

( )! !
!
ensaios em sucessos
sair de diferentes
formas de Nmero
x n x
n
C
n
x
n
x
= =
|
|
|
\
|
= combinao de n de x em x

3
Para esta letra estamos admitindo que X =nmero de peas no defeituosa segue a distribuio 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.

Soluo ------------------------------------------------------------------------------------------------------------------

X = nmero de clientes que fizeram reservas comparecerem segue distribuio Binomial com
n = 22 e p = 0,85, com funo probabilidade igual a:

x x x x
x x x
x f
2 2 2 2
15 , 0 85 , 0
)! 22 ( !
! 22
15 , 0 85 , 0
2
) (

=
|
|
\
|
=

Veja que o restaurante aceitou fazer 22 reservas (n = 22). Cada cliente que fez reserva
pode aparecer (sucesso) ou no e a probabilidade de o cliente aparecer sempre igual a
0,85 (p = 0,85) em cada reserva. Por isto, que estamos usando a distribuio Binomial.

Os clientes que fizeram reservar sero acomodados em seus lugares se, e somente se,
aparecerem no mximo 20 clientes (se aparecer 21 ou 22 clientes algum ficar sem lugar no
restaurante), ento

P(todos serem acomodados) = P(X 20) = f(20) + f(19) + ... + f(0)

Veja que temos que usar 21 vezes a funo probabilidade f(x), o que muito trabalhoso, certo?
O que fazer, ento?

Usar a regra do complemento
P(X 20) = 1 P(X > 20) = 1 - [ f(21) + f(22) ]

21 2 2 21
15 , 0 85 , 0
)! 21 22 ( ! 21
! 22
) 21 (

= f =
1 21
15 , 0 85 , 0
! 1 ! 21
! 22

= 0,1087

22 2 2 22
15 , 0 85 , 0
)! 22 22 ( ! 22
! 22
) 22 (

= f =
0 22
15 , 0 85 , 0
! 0 ! 22
! 22

= 0,028

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 de 0,8633.

Alguns grficos da distribuio Binomial

Abaixo, temos alguns grficos da distribuio Binomial. Observe que em cada grfico, as
hastes esto em torno da mdia = np.
x
P
(
x
)
1 0 9 8 7 6 5 4 3 2 1 0
0. 30
0. 25
0. 20
0. 15
0. 10
0. 05
0. 00
x
P
(
x
)
10 9 8 7 6 5 4 3 2 1 0
0. 25
0. 20
0. 15
0. 10
0. 05
0. 00
x
P
(
x
)
10 9 8 7 6 5 4 3 2 1 0
0 . 3 0
0 . 2 5
0 . 2 0
0 . 1 5
0 . 1 0
0 . 0 5
0 . 0 0
n = 1 0 p = 0 .2 0 n = 1 0 p = 0 .5 0 n = 1 0 p = 0 .8 0

Usando o Excel

No Excel, a funo DISTRBINOM(x; n; p; FALSO) retorna a probabilidade f(x) de ocorrer x
sucessos em n provas, enquanto que a funo DISTRBINOM(x; n; p; VERDADEIRO) retorna
a probabilidade de ocorrer no mximo x sucessos em n provas. Veja abaixo um exemplo onde
foram calculados f(6) e P(X 6) de uma distribuio Binomial com
parmetros n = 10 e p = 0,40.

= DISTRBINOM(C2; 10; 0,40; FALSO) = DISTRBINOM(C2; 10; 0,40; VERDADEIRO)

3.3 Distribuio de Poisson

A distribuio de Poisson (ou modelo de Poisson) uma distribuio til como modelo terico
para descrever a probabilidade de ocorrer um nmero de eventos ao longo de um intervalo de
tempo (ou de rea, ou de volume, ou de cumprimento, etc).

Exemplos de situaes, onde o modelo de Poisson adequado:
Nmero de chamadas telefnicas por minuto;
Nmero de carros que chegam ao estacionamento durante uma hora;
Nmero de pessoas infectadas por unidade de rea;
Nmero de acidentes por dia;

Distribuio de Poisson
Se o nmero mdio de eventos no intervalo igual a , ento a varivel aleatria X que igual
ao nmero de eventos no intervalo tem uma distribuio de Poisson com parmetro . As
probabilidades so obtidas pelo modelo matemtico abaixo:
!
) (
x
e
x f
x

= com x = 0, 1, 2 ,...

Valor esperado E(X) e varincia Var(X)
E(X) = = Var(X) =
2
=

Notao: X ~ Poisson( ) significa que a varivel X = nmero de x eventos em um intervalo
segue a distribuio de Poisson com taxa mdia igual

onde
f(x) = P(X = x) a probabilidade de ocorrer x eventos
= taxa mdia de eventos no intervalo (de tempo, de comprimento, etc) com > 0
x = nmero de ocorrncia de eventos no intervalo
e 2,718282 - o nmero neperiano ou nmero de Euler (pronuncia-se iler)
x! = x(x-1)(x-2)21 - 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 distribuio de Poisson com
mdia de 2 navios por hora. Determine a probabilidade:
a) Chegar exatamente trs navios em uma hora;
b) Chegar pelo menos um navio em uma hora;
c) Chegar exatamente trs navios em 30 minutos;
d) Chegar pelo menos um navio em duas horas;

Soluo: -------------------------------------------------------------------------------------------------------------------

X = nmero de navios que chegam ao porto em uma hora segue a distribuio de Poisson
com taxa mdia de = 2 navios a cada hora.

Portanto a funo probabilidade :
!
2
) (
2
x
e
x f
x
= onde x = 0, 1, 2, ...

a) P(chegar exatamente trs navios em uma hora) = f(3)

180447 , 0
6
135335 , 0 8
! 3
2
) 3 (
2 3
=
e
f (ou 18,05%)
com
3! = 321 = 6
e
-2
= (2,718282)
-2
= (1 / 2,718282)
2
= (0,367879)
2
= 0,135335

Resposta: P(chegar exatamente trs navios em uma hora) = 0,1805
18,05% das vezes chegaro exatamente 3 navios em um intervalo de um
intervalo de uma hora (Por exemplo, de 8:00 s 9:00 hs, ou 14:30 s 15:30
horas, ou 16:15 s 17:15 hs, etc)

b) P(chegar pelo menos um navio em uma hora) = P(X 1)

L + + + = ) 3 ( ) 2 ( ) 1 ( ) 1 ( f f f X P (veja que no conseguiremos calcular, pois
teoricamente vai at infinito). A soluo usar a regra do complemento:

) 0 ( 1 ) 1 ( 1 ) 1 ( f X P X P = < = = 1 0,135335 = 0,864665 (ou 86,47%)

135335 , 0
1
135335 , 0 1
! 0
2
) 0 (
2 0
=
e
f
com
0! = 1 (por definio)
e
2
= (2,718282)
2
= (1 / 2,718282)
2
= (0,367879)
2
= 0,135335

Resposta: P(chegar pelo menos um navio em uma hora) = 0,8647
86,47% das vezes chegar pelo menos um navio em um intervalo de uma hora

c) P(chegar exatamente trs navios em 30 minutos) = f(3)

Para trabalhar com intervalo de 30 minutos temos que encontrar a taxa mdia de navios
que chegam durante um intervalo de 30 minutos.

Como sabemos que a taxa mdia de dois navios por horas, ento em 30 minutos espera-
se que a taxa mdia seja de 1 navio. Foi usada a regra de trs:
2 navios --------- 1 hora
k navios ---------- 0,5 hora ( = 30 minutos)

k = 2 0,5 / 1 = 1 navio

Agora, vamos trabalhar com a taxa mdia de = 1 navio a cada 30 minutos.
061313 , 0
6
367879 , 0 1
! 3
1
) 3 (
1 3
=
e
f (ou 6,13%)

Resposta: P(chegar exatamente trs navios em 30 minutos) = 0,0613
6,13% das vezes chegaro 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 mdia de navios que
chegam durante um intervalo de 2 horas.

Como sabemos que a taxa mdia de dois navios por horas, ento em duas horas espera-
se que a taxa mdia seja de 4 navios.
2 navios --------- 1 hora
k navios ---------- 2 horas

k = 2 2 / 1 = 4 navios

Agora, vamos trabalhar com a taxa mdia de = 4 navios a cada duas horas.

) 0 ( 1 ) 1 ( 1 ) 1 ( f X P X P = < = = 1 0,018316 = 0,981684 (ou 98,17%)

018316 , 0
1
018316 , 0 1
! 0
4
) 0 (
4 0
=
e
f

e
4
= (2,718282)
4
= (1 / 2,718282)
4
= (0,367879)
4
= 0,018316

Resposta: P(chegar exatamente trs navios em 30 minutos) = 0,9817
98,17% das vezes chegar pelo menos um navio durante um intervalo de 30
minutos.

Alguns grficos da distribuio de Poisson

Abaixo temos alguns exemplos de grficos da distribuio de Poisson para diferentes taxa
mdia (note que a distribuio est mais concentrada em torno de ).

x
P
(
x
)
1 4 1 2 1 0 8 6 4 2 0
0 . 3 0
0 . 2 5
0 . 2 0
0 . 1 5
0 . 1 0
0 . 0 5
0 . 0 0
x
P
(
x
)
1 4 1 2 1 0 8 6 4 2 0
0 . 2 0
0 . 1 5
0 . 1 0
0 . 0 5
0 . 0 0
m d ia = 2 m d ia = 5

Usando o Excel

No Excel, a funo POISSON(x; ; FALSO) retorna a probabilidade f(x) de ocorrer x eventos e
a funo POISSON(x; ; VERDADEIRO) retorna a probabilidade de ocorrer no mximo x
eventos. Veja abaixo um exemplo onde foram calculados f(6) e P(X 6) de uma distribuio de
Poisson com taxa mdia de = 8.

Usando o modelo de Poisson como aproximao do modelo Binomial
A distribuio de Poisson surgiu como uma forma limite da distribuio Binomial, por isso,
algumas vezes o modelo de Poisson usado como aproximao do modelo Binomial. Uma
regra emprica para usar tal aproximao n 100 e n p 10.

Se a varivel discreta X segue a
distribuio Binomial com
parmetros n e p
n grande (n >100) e
p pequeno, de forma
que n p 10
A varivel discreta X segue
aproximadamente a distribuio de
Poisson com parmetro = n p
x n x
q p
x
n
x f

) (

|
|
\
|
=

!
) (
x
e
x f
x

=

EXEMPLO 12 - Em uma regio, apenas 2% das pessoas tm computador em casa. Uma
escola tem 100 alunos, qual a probabilidade de que oito desses alunos tenham computador em
casa?
=POISSON(A2; 8; VERDADEIRO)
=POISSON(A2; 8; FALSO)


Soluo: ----------------------------------------------------------------------------------------------

X = nmero de alunos com computador em casa segue a distribuio Binomial com
parmetros n = 100 alunos e p = 0,02 (probabilidade da pessoa ter computador em casa)

P(de oito alunos terem computador em casa) = f(8)

8 00 1 8
85 , 0 15 , 0
8
100
) 8 (

|
|
\
|
= f =
8 00 1 8
85 , 0 15 , 0
)! 8 100 ( ! 8
! 100

Calcular o fatorial de 100! um pouco trabalhoso. Podemos usar a aproximao de Poisson.
Voltando ao exemplo: = n p = 1000,02 = 2

! 8
2
) 8 (
2 8
=
e
f =
40320
135335 , 0 256
= 0,000859

O resultado acima seria valor aproximado de f(8) usando a distribuio de Poisson. O valor
exato, usando a distribuio Binomial, seria 0,000743.

4. Distribuio de probabilidade Varivel contnua
At o momento, vimos algumas distribuies para as variveis aleatrias discretas, essas
Como a varivel aleatria contnua pode assumir infinitos valores dentro de um intervalo de
nmeros reais, o clculo da probabilidade dessa varivel assumir um determinado valor perde
o sentido, visto que essa probabilidade seria sempre zero.
Veja o exemplo da vida til de uma bateria de celular, que uma varivel contnua. Se assumir
que essa vida til pode variar de 10 horas a 72 horas (valores fictcios), a probabilidade de uma
bateria durar exatamente 20,456 horas seria zero. Uma explicao de forma bem simples
poderia ser dada da seguinte forma:
Se todos os valores possveis dentro do intervalo de 10 a 72 horas forem igualmente provveis,
ento:
P(bateria durar exatamente 10,456 horas) = 0
1
) 456 , 0 1 P(X =
= =
onde o smbolo indica infinito, que o total de valores possveis dentro do intervalo de 10 a
72 horas. Sabendo deste resultado, no tem muito sentido calcular probabilidade de ocorrer um
determinado valor, quando se trata de varivel contnua. Ento, o que feito nestes casos?
Quando se trata de varivel contnua, devemos sempre calcular a probabilidade de a varivel
ter um valor compreendido entre dois valores quaisquer. Ou seja, calculamos a probabilidade
de a varivel 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 crculo dividido em
oito setores. Como varivel de interesse, vamos considerar a distncia do ponto inicial at o
ponto em que o ponteiro ir parar. Se o ponteiro for colocado para girar no sentido horrio,
determine a probabilidade de o ponteiro:

Soluo -----------------------------------------------------------------------------------------------------------------

a) O ponteiro sob o crculo posto a girar, podendo parar em qualquer posio ao longo do
crculo. de esperar que seja quase impossvel de o ponteiro parar exatamente em cima do
ponto k, portando a probabilidade disto ocorrer ser praticamente zero, ou seja, P(A) 0 onde
o evento A = parar exatamente em cima do ponto k.

b) Sendo razovel assumir que os 8 intervalos [0; 10), [10; 20), [20; 30), [30; 40), [40; 50), [50;
60), [60; 70) e [70; 80) sejam igualmente provveis, ento:

P(cair no intervalo [10; 20)) = 1/8 = 0,125.

a) Parar exatamente em cima do ponto k (nem um
pouco antes e nem um pouco depois).

b) Parar dentro do intervalo [10; 20].

No exemplo anterior, podemos representar as probabilidades associadas a cada intervalo
usando um histograma construdo de forma que as reas dos retngulos representem as
probabilidades de interesse.

A rea do retngulo sombreado no histograma acima igual a 1/8. Para que rea fosse
realmente 1/8, a altura do histograma teve que ser 1/80, pois rea de retngulo = base
altura = 1 / 8

(20-10) altura = 1 / 8
10 altura = 1 / 8
altura = 1 / 80

Note, com o histograma acima, que h uma relao entre probabilidade e rea. Isto sempre
acontecer, quando trabalhamos com distribuio de varivel contnua.

Supondo que o crculo fosse dividido em 16 intervalos, sendo que intervalo tem a mesma
probabilidade 1/16, o histograma correspondente seria:

Podemos dividir o crculo em 32 intervalos, 64 intervalos e assim por diante e mesmo assim
sua altura permanecer com o mesmo valor 1/80. Ento, em uma situao terica com infinitos
intervalos, temos o seguinte histograma:

Este histograma terico determinado pela funo f(x) que denominamos de funo
densidade de probabilidade ou simplesmente funo densidade da varivel X. Com a
funo densidade f(x) podemos calcular teoricamente P(43 X 65), probabilidade de o
ponteiro cair a uma distncia de 43 a 65 a partir do ponto inicial, calculando a rea de um
retngulo.

Escolhendo adequadamente a funo densidade f(x) para a varivel de interesse, podemos
calcular a probabilidade terica de a varivel assumir um valor dentro do intervalo [a; b],
simplesmente calculando a rea da curva no intervalo [a; b].

Abaixo, temos um histograma para as notas de matemtica dos candidatos em um vestibular e
a funo densidade f(x) (note como o histograma reflete de uma maneira aproximada a
realidade da varivel).

100 90 80 70 60 50 40 30 20
0
Notas
D
e
n
s
i
d
a
d
e

d
e

f
r
e
q
u
n
c
i
a

100 90 80 70 60 50 40 30 20
0
Notas
D
e
n
s
i
d
a
d
e

d
e

f
r
e
q
u
n
c
i
a

80 70 60 50 40 30 20 10 0
0
X
1 / 80
f(x)
Funo densidade f(x) Histograma
Probabilidade
de obter mais
de 80 pontos
Portanto,
P(43 X 65) = 0,275.

ATENO:
bom deixar bem claro que a funo densidade f(x) no fornece diretamente a
probabilidade, ela apenas usada no clculo de rea e esta rea corresponder a nossa
probabilidade de interesse.

Em situaes simples, iremos calcular reas de retngulos, tringulos ou outras figuras
geomtricas mais simples, mas em situaes mais complexas, o clculo das reas ir requer o
uso de clculo de integral.

A funo densidade abaixo, descreve o tempo de vida de um tipo especial de lmpada. O
clculo da rea neste caso no to simples assim, se pretendemos calcular a probabilidade
de uma lmpada sobreviver mais de 15 mil horas devemos recorrer ao uso da integral.

Abaixo temos algumas caractersticas importantes de uma funo densidade.

Caractersticas da funo densidade f(x)
uma funo no-negativa, ou seja, f(x) 0;
A rea total da curva definida por f(x) igual a 1 (Figura 1 abaixo);
A probabilidade de a varivel assumir um valor no intervalo [a; b] : P(a X b) = rea da
curva no intervalo [a; b] (figura 2 abaixo);
A probabilidade de a varivel assumir um determinado valor sempre zero. Ou seja,
P(X = k) = 0 (Figura 2 abaixo);
A incluso ou excluso dos extremos no altera o valor da probabilidade, ou seja, P(a X
b) = P(a < X < b) = P(a X < b) = P(a < X b)

A probabilidade de uma lmpada sobreviver mais
de 15 mil horas igual a:
P(X > 15) = 153 , 0 dx ) x ( f
15
=

ATENO:
No se desespere, no vamos usar integral
na nossa disciplina.

4.1 Distribuio Uniforme

A distribuio Uniforme o modelo mais simples para varivel contnua. Este modelo
adequado, quando razovel assumir que intervalos iguais da varivel tenham mesma
probabilidade.

Distribuio Uniforme
Se a varivel aleatria X segue a distribuio uniforme no intervalo [a; b], ento a funo
densidade f(x) dada por:

b] [a; x se 0
b] [a; x se
a - b
1
) (
= x f

Valor esperado E(X) e varincia Var(X)
2
) (
a b
x E
+
= =
12
) (
) (
2
2
a b
x Var

= =

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 nmero de esperado de toras com comprimento
maior que 80 cm.
c) Qual o valor esperado e o desvio-padro do comprimento das toras.
d) Sabendo que 90% das toras tm comprimento de k cm no mximo. Determine o valor
de k.
e) Determine os trs quartis (Q
1
, Q
2
e Q
3
) dos comprimentos das toras.

Soluo -------------------------------------------------------------------------------------------------------------------

Se os comprimentos das toras variam uniformemente de 30 a 90, ento podemos assumir a
distribuio uniforme para a varivel X= comprimento das toras com funo densidade f(x)
igual a:

90] [30; x se 0
90] [30; x se
60
1
) (
= x f

60
1

f(x)
x 30
a b
1

f(x)
x a b

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 rea no existe)

b)
Se P(X > 80) = 0,1667 ento cerca de 16,67% das toras tero comprimentos maiores que
80cm, ento de um total de 1200 toras o nmero de toras com 80 cm ou mais
aproximadamente 200 toras ( = 16,67% de 10000).

c)
O tamanho mdio das toras :
60
2
30 90
2
) ( =
+
=
+
= =
a b
x E cm

O desvio-padro dos comprimentos das toras :
32 , 17 300
12
) 30 90 (
12
) (
) (
2 2
= =
= =
a b
x Var cm

d)
P(comprimento no mximo k) = 0,90.
rea = base altura = 0,90
(k 30) 1/60 = 0,90 k = 54 + 30 = 84 cm

e) Lembre-se de que Q1 = P
25
ento basta repetir a letra d usando 0,25 no lugar de 0,90. Para
o Q
2
, usar 0,50 no lugar de 0,90 e para o Q
3
usar 0,75 no lugar de 0,90.

x
f(x)
60
1

30 k 90
0,90

EXEMPLO 15 - Um gerador de nmeros aleatrios segue a distribuio uniforme no
intervalo de 10 a 20.
a) Determine a probabilidade de o nmero gerado ser:
Maior que 17. resp: 0,30
Menor que 12,5. resp: 0,25
Entre 14 e 16. resp: 0,20
Exatamente o nmero 18 resp: 0

b) Se 1000 nmeros so gerados, quantos deles sero maiores que 17?
resp: 300 nmeros

c) Qual o valor mdio e desvio-padro dos nmeros gerados.
resp: = 15 = 2,89

EXEMPLO 16 - O tempo requerido para completar uma operao de montagem segue a
distribuio 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 , no mximo, k segundos,
determine o valor de k.
c) Qual a mdia e a varincia do tempo de montagem.

Respostas: a) 0,30 0,20 0 b) k = 32,5 min c) = 35 e
2
= 8,33

4.2 Distribuio Normal
A distribuio Normal a distribuio de probabilidade mais usada na Estatstica, pois serve de
modelo para um grande nmero de variveis contnuas e tambm como modelo aproximado
para outras distribuies de probabilidade (Binomial, Poisson, etc).
Em inferncia estatstica, uma rea da estatstica que procura tomar decises acerca da
populao usando apenas os dados de uma amostra, a mdia amostral a varivel de maior
interesse e conhecer a sua distribuio de probabilidade de grande importncia. Se o
tamanho da amostra for considerado grande (n 30), podemos usar a distribuio normal
como modelo adequado para descrever os resultados da mdia amostral, mesmo se a
populao de onde a amostra foi retirada no seguir a distribuio normal. Esse o resultado
do Teorema Central do Limite (principal teorema na Estatstica) e que mostra a grande
importncia da distribuio normal.

Distribuio normal
Uma varivel aleatria contnua X tem distribuio normal com parmetros e , se a sua
funo densidade f(x) for dada por:

, para < x <

onde
4
, > 0 e = 2,718282 = 3,14159

NOTAO: X ~ Normal ( ; ) A varivel X tem distribuio normal com
mdia e desvio-padro .
Valor esperado E(X), varincia Var(X) e desvio-padro dp(X) da varivel X

E(X) =
Var(X) =
2
dp(X) =

4
e = nmero neperiano ou nmero de Euler (pronuncia-se iler).

2
x
2
1
e
2
1
) x ( f
|
\
|

=
x
f(x)

Efeito da mdia e do desvio-padro na curva normal

A mdia determina o valor do centro da curva normal, enquanto que o desvio-padro
determina a largura da curva normal. Quanto menor o valor do desvio-padro , menor ser a
variabilidade dos dados, conseqentemente menor ser a largura da curva.

Algumas caractersticas da distribuio Normal

(1) A mdia, mediana e moda so iguais. Ou seja, = Md = mo;

(2) A curva normal, alm de ter uma rea total igual a 1, simtrica em torno da mdia ,
sendo assim, P(X < - b) = P(X > + b);

(3) P(X [a; b]) = P(a X b) = rea da curva no intervalo [a; b]

(4) A incluso ou excluso dos extremos no altera o valor da probabilidade. Portanto,

P(a X b) = P(a < X < b) = P(a X < b) = P(a < X b)

80 70 60 50 40 30 20 10 0
0,10
0,08
0,06
0,04
0,02
0,00
X
f
(
x
)
= 20
= 4
= 50
= 8
= 20
= 8

(5) Quaisquer que sejam os valores da mdia e do desvio-padro de uma distribuio
normal, os seguintes resultados so vlidos:

P( 1 X + 1) = 0,6827 - Cerca de 68,3% dos valores esto a um desvio-padro
distante da mdia;

P( 2 X + 2) = 0,9545 - Cerca de 95,5% dos valores esto a 2 desvios-padres
distante da mdia;

P( 3 X + 3) = 0,9973 - Cerca de 99,7% dos valores esto a 3 desvios-padres
distante da mdia;

Se as notas em matemtica dos candidatos em um vestibular forem normalmente distribudas
com mdia de = 65 pontos e desvio-padro de = 12 pontos, ento aproximadamente 95%
desses candidatos iro obter notas de 41 a 89 pontos, pois
41 = 65 212 (= 2)
89 = 65 + 212 (= + 2)

Distribuio normal padro

A distribuio normal padro um acaso especial da distribuio normal onde a mdia zero
( = 0) e desvio-padro um ( = 1). As reas dessa distribuio so obtidas com o auxilio de
tabelas e serve de referncia para calcular probabilidades das outras distribuies normais

Por que usamos tabela na distribuio normal?
Como foi dito anteriormente, as probabilidades so obtidas resolvendo a integral da
funo densidade no intervalo de interesse. O grande problema que integrar
algebricamente uma curva normal no possvel e a soluo encontrada foi usar
mtodos numricos
5
para calcular de forma aproximada as reas de interesse. Essas
reas so calculadas apenas para a distribuio normal padro.

5
Mtodos computacionais usados para obter a integral de uma funo
Montgomery, 2002

Para obter as reas de outros intervalos teremos que lembrar de que a curva normal
simtrica em torno da mdia, de que rea total um e de que as reas dos intervalos (-; 0] e
[0; +) so iguais a 0,50.

A tabela que vamos usar fornece a rea da curva normal padro no intervalo de zero at um
determinado valor, ou seja, no intervalo [0; z
c
].
Por exemplo, usando a tabela normal padro, qual a probabilidade P(0 Z 1,58)?

O valor z
c
=1,58 dever ser dividido em duas partes (1,5 e 8). A primeira parte (1,5) dever ser
localizada na primeira coluna da tabela e a segunda parte (8) dever ser localizada na primeira
linha da tabela. Na interseo dessas duas partes teremos o valor 0,442947 que a
probabilidade desejada.

Usando a tabela normal padro, 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
(lembre-se de que a rea no intervalo [0; ]
igual a 0,50)

Por simetria, temos que:
P(-1,58 Z 0) = 0,442947
P(Z < -1,58) = 0,057053

Continuando com a tabela normal padro, qual o valor de z
c
tal que P(0 Z z
c
) = 0,35?

Resposta: O valor de z
c
1,04

0 1,58 Z
Tabela normal padro
z 8
...
1,5 0,442947
...

P(0 Z 1,58) =
Tabela normal padro
z 4
...
1,0 0,350830
...
mais prximo
de 0,35

P(0 Z z
c
) = 0,35
0 z
c
Z
-1,58 0
Z
0,057053
0,442947
0
0 1,58 Z
0,05705

EXEMPLO 17 - Sabendo que a varivel Z tem distribuio normal padro, 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.

Soluo ----------------------------------------------------------------------------------------------

a) P(Z < 1,85) = 0,5 + 0,467843 = 0,967843 ( = rea sombreada na figura abaixo)

b) P(Z > -2,33) = 0,5 + 0,490097 = 0,990097 ( = rea sombreada na figura abaixo)

c) P(2,30 Z 1,50) = rea no intervalo [0; 2,30] rea no intervalo [0; 1,50]
= 0,489276 0,433193
= 0,056083

d) P(-1,86 Z 0,85) = rea no intervalo [-1,86; 0] + rea no intervalo [0; 0,85]
= 0,468557 + 0,302337
= 0,770894

0
0 1,85
0,5
Da tabela normal
padro
0,467843 Observao
P(Z < 1,85) = P(Z 1,85)
0
-2,33 0
0,5
Da tabela normal
padro
0,490097
0
0 1,5 2,3
0,056083
-1,86 0 0,85 Z

e) P(-2,30 Z -1,50) = rea no intervalo [-2,30; 0] rea no intervalo [-1,50; 0]
= 0,489276 0,433193
= 0,056083 (veja que por simetria j poderamos ter obtido este
resultado)

e) Calcule k tal que P(Z k) = 0,95.

Resposta: O valor de k 1,65.

Veja que o valor 0,95 corresponde a rea da curva sob o intervalo (; 0]. Sabendo que a rea
no (; 0] igual a 0,50, ento o restante 0,45 fica sendo a rea no intervalo [0; k]. Como a
tabela s trabalha com reas no intervalo [0; z
c
], por isto que olhamos na tabela o valor
correspondente a rea 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?), ento com isto a resposta para a letra f b =
1,65

Padronizao de uma varivel

At agora s trabalhamos com a distribuio normal padro. E como devemos trabalhar com
as outras distribuies de probabilidades?

Qualquer varivel X tendo distribuio normal com mdia e desvio-padro pode ser
transformada em uma distribuio normal padro, basta, para isto, padronizar a varivel X.

X tem distribuio normal com
mdia e desvio-padro .

Z tem distribuio normal
padro com mdia = 0 e
desvio-padro = 1.
0
-2,3 -1,5 0 Z
Da letra c e por
simetria temos
0,056083

0
0 1,65
0,95
0,05
0
0,95
-1,65 0 Z
Tabela normal padro
z 5
...
1,6 0,449 497
...
mais prximo
de 0,45

0
0 k = ?
0,50 0,45
P(0 Z k) = 0,45

=
x
z
Padronizao

X ~ Normal( ; )

Z ~ Normal(0; 1)

( ) |
\
|

=
a
Z P a X P = olhar as reas na tabela da normal padro
( ) |
\
|

=
b
Z
a
P b X a P = olhar as reas na tabela da normal padro
EXEMPLO 18 - Em uma regio, o quociente intelectual (QI) das pessoas adultas segue a
distribuio normal com mdia de 100 pontos e desvio-padro 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.

Soluo ----------------------------------------------------------------------------------------------

Como varivel de interesse vamos definir X = QI de uma pessoa adulta e pelo enunciado do
problema sabemos que X segue a distribuio normal com mdia = 100 pontos e desvio-
padro = 15 pontos.

a) P(um pessoa adulta ter QI maior que 115 pontos) = P(X > 115) = ?

Para usar a tabela normal padro devemos inicialmente padronizar o valor 115.
15
100 120
120

=

= =
x
z x = 1,33

b) P(um pessoa adulta ter QI menor que 75 pontos) = P(X < 75) = ?

Padronizando o valor 75:
15
100 75
75

=

= =
x
z x = -1,67

0
100 120
x
0 1,33 z
= 0,5 - 0,408241
= 0,091759
Resposta:
P(X > 120) = P(Z > 1,33)
= 0,091759

Cerca de 9,18% das pessoas adultas tm QI
maior que 115 pontos.

Resposta:
P(X < 75) = P(Z < -1,67) = 0,047460

Cerca de 4,7% das pessoas adultas tm QI
menor que 75 pontos.

-1,67 0 z
0
75 100 x
= 0,5 - 0,452540
= 0,047460

c) P(um pessoa adulta ter QI de 110 a 120 pontos) = P(110 X 120) = ?

15
100 110
110

=

= =
x
z x = 0,67

15
100 120
120

=

= =
x
z x = 1,33

P(0,67 Z 1,33) = rea no intervalo [0; 1,33] rea no intervalo [0; 0,67]
= 0,408241 0,248571= 0,15

d) P(um pessoa adulta ter QI de 75 a 120 pontos) = P(75 X 120) = ?

15
100 75
75

=

= =
x
z x = -1,67

15
100 120
120

=

= =
x
z x = 1,33

P(0,67 Z 1,33) = rea no intervalo [1,67; 0] + rea no intervalo [0; 1,33]
= 0,452540 + 0,408241 = 0,860781

0
0 0,67 1,33
z
0,159670
100 110 120
Resposta:
P(110 X 120) = P(0,67 Z 1,33)
= 0,159670

Cerca de 15,97% das pessoas adultas tm QI de
110 a 120 pontos.

Resposta:
P(75 X 120) = P(-1,67 Z 1,33)
= 0,860781

Cerca de 86,1% das pessoas adultas tm 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 tm QI menor que b pontos. Determine o valor de
b?
b) A MENSA uma organizao que rene os 2% de maior QI da populao. Qual o
menor QI que permite algum ingressar na MENSA?

Soluo -------------------------------------------------------------------------------------------------------------------

a) Sabendo que 95% das pessoas tm QI menor que b pontos, pela figura abaixo vemos que
45% tm QI de 100 a b pontos, ou seja, P(100 X < b) = 0,45.

Aps padronizao temos que P(100 X < b) = P(0 Z z
c
) = 0,45. Pela tabela normal
padro, sabemos que z
c
= 1,65 (se tiver dvidas ainda, veja o exemplo 11e). Ento,
15
100
=

=
b x
z
c
= 1,65 b 100 = 1,65*15 = 24,75
Portanto, b = 124,75 pontos.

b) Como queremos encontrar um valor b do QI tal que 2% das pessoas estejam acima e 98%
estejam abaixo. Ento, na realidade, estamos na mesma situao da letra a acima,
bastando trocar 0,95 por 0,98.
Usando o mesmo raciocnio da letra a, temos que b = 130,75 pontos (usando
z
c
= 2,05). Portanto, para ingressar na MENSA, a pessoa deve obter no mnimo 130,75
pontos no teste de admisso.

P(0 Z k) = 0,45
0
0 z
c

z
0,50 0,45
100 b x

4.3 Aproximao Normal
4.3.1 Aproximao Normal para Binomial

Em situaes onde temos que usar a distribuio binomial, um valor muito grande para o n
torna o clculo das probabilidades muito cansativo. Uma alternativa para este problema usar
a distribuio normal como uma aproximao para a distribuio binomial. As condies para
este uso requerem um n muito grande e um p no muito prximo de 0 ou de 1 (veja a regra
prtica a seguir).

Se a varivel discreta X segue
a distribuio binomial com
parmetros n e p
Regra prtica
6
A varivel X ter
aproximadamente uma
distribuio normal com
parmetros p n = e
q p n =

Ento, se voc lanar um dado para cima 300 vezes a probabilidade de se obter a face quatro
mais de 80 vezes obtida pela distribuio binomial, mas podemos usar a distribuio normal
para obter uma aproximao da probabilidade.

P(X > 80) P(X > 80)

EXEMPLO 20 - De acordo com o ltimo censo, 20% das famlias de uma regio vivem
abaixo da linha da pobreza. De uma amostra aleatria de 80 famlias e usando a aproximao
normal, determine:

a) A probabilidade de menos de 10 famlias amostradas viverem abaixo da linha da pobreza;
b) A probabilidade de 15 a 25 famlias amostradas viverem abaixo da linha da pobreza
c) A probabilidade de menos de 25% das famlias amostradas viverem abaixo da linha da
pobreza;
d) A probabilidade de mais de trs quartos das famlias amostradas viverem abaixo da linha
da pobreza;
e) O nmero esperado das 80 famlias amostradas que vivem abaixo da linha da pobreza?

Soluo ------------------------------------------------------------------------------------------------------------------

Veja que a varivel X = nmero de famlia que vive abaixo da linha da pobreza segue a
distribuio binomial com n = 80 famlias e p = 0,20 (probabilidade de uma famlia viver abaixo
da linha da pobreza), porm vamos usar a aproximao normal para calcular as
probabilidades.

Verificando as condies:
np = 80 = 800,20 = 16 5 (ok) n(1 - p) = 80(1 - 0,20) = 64 5 (ok)

Ento X segue aproximadamente a distribuio normal com mdia p n = = 16 e desvio-
padro ) 1 ( p p n = = ) 20 , 0 1 ( 20 , 0 80 = 3,5777.

6
Esta condio uma regra prtica usada por muitos autores.
No exemplo do dado, temos = np = 3001/6 = 50 e
2
= np(1-p) = 3001/6(1-1/6) = 41,667
n p 5
n q 5
Normal com
= 50 e = 6,45
Binomial com
n = 300 e p = 1/6

a) P(menos de 10 famlias) = P(X < 10) =
5777 , 3
16 10
10

=

= =
x
z x = -1,68
Ento: P(X < 10) = P(Z < -1,68)
= rea no intervalo (; 0] rea no intervalo [-1,68; 0]
= 0,5 0,453521 = 0,046479 (faa o desenho da curva normal)

b) P(de 15 a 20 famlias) = P(15 X 20) =
5777 , 3
16 15
15

=

= =
x
z x = -0,28
5777 , 3
16 20
20

=

= =
x
z x = 1,12
Ento:
P(15 X 20) = P(-0,28 Z 1,12)
= rea no intervalo [0,28; 0] + rea no intervalo [0; 1,12]
= 0,110261 + 0,368643
= 0,478904 (faa o desenho da curva normal)

c) ... menos de 25% das famlias... equivale a ... menos de 20 famlias ... (25% de 80 igual
a 20)

P(menos de 20 famlias) = P(X < 20)
5777 , 3
16 20
20

=

= =
x
z x = 1,12
Ento:
P(X < 20) = P(Z < 1,12) = rea no intervalo (; 0] + rea no intervalo [0; 1,12]
= 0,5 + 0,368643

d) ... mais de das famlias... equivale a ... mais de 60 famlias ... (75% de 80 igual a 60)

P(mais de 60 famlias) = P(X > 60)
5777 , 3
16 60
60

=

= =
x
z x = 12,30
Ento:
P(X > 60) = P(Z > 12,30) = rea no intervalo [0; +) rea no intervalo [0; 12,30]
= 0,5 0,5

e) O nmero mdio (ou valor esperado) de famlias que vivem abaixo da linha da pobreza =
16 famlias.

Quando usamos a aproximao Normal para a Binomial, estamos aproximando uma
varivel discreta (que s assumem valores inteiros) por uma varivel contnua (que
pode assumir quaisquer valores dentro de um intervalo de nmero reais). de se
esperar que algum ajuste deva ser feito. Este ajuste denominado de correo de
continuidade e esta descrita na seo 4.3.3.

EXEMPLO 21 - Sabe-se que 40% dos alunos em uma escola tm carro prprio. De uma
turma com 15 alunos, determine a probabilidades abaixo usando a distribuio Binomial e a
aproximao normal.
a) No mximo 3 alunos terem carro prprio.
b) Pelo menos 10 alunos terem carro prprio.
c) Exatamente 6 alunos terem carro prprio.
d) Menos de 2 alunos terem carro prprio.
e) Mais 6 alunos terem carro prprio.

4.3.2 Aproximao Normal para Poisson

Da mesma forma que usamos a distribuio normal como aproximao da distribuio
binomial, ns podemos tambm us-la como aproximao da distribuio de Poisson. A
condio de que o produto np seja um valor razovel (maior que 5, por exemplo
7
).

Se a varivel discreta X
segue a distribuio de
Poisson com parmetro
Regra prtica
A varivel X ter
aproximadamente uma
distribuio normal com
parmetros = e =

EXEMPLO 22 - Se a indstria de tecido XYZ sabe que em sua produo costuma
apresentar defeitos que segue a distribuio de Poisson com uma taxa mdia 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.

Soluo -----------------------------------------------------------------------------------------------------------------

Veja que a varivel X = nmero de defeitos em um rolo com 200 metros segue a distribuio
de Poisson = 8 defeitos (note que dois defeitos a cada 50 metros equivalem a oito defeitos a
cada 200 metros), porm vamos usar a aproximao normal com = = 8 e
8284 , 2 8 = = = .

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, ento de uma
amostra de 80 rolos espera-se que 12 (14,46% de 80) rolos tenham menos de 5 defeitos.

7
Alguns falam 10

5

4.3.3 Aproximao Normal com correo de continuidade
Quando usamos a aproximao Normal para a Binomial e/ou Poisson, estamos aproximando
uma varivel discreta (que s assumem valores inteiros) por uma varivel contnua (que pode
assumir quaisquer valores dentro de um intervalo de nmero reais). de se esperar que
algum ajuste deva ser feito. Este ajuste denominado de correo de continuidade e esta
descrita em outra seo.

A correo de continuidade ajuda a melhorar as probabilidades obtidas por meio da
aproximao normal para a Binomial e/ou Poisson. A correo 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 aproximao normal com correo de
continuidade.

Soluo ---------------------------------------------------------------------------------------------------------------

a) P(menos de 10 famlias) = P(X < 10) = P(X 9) P(X 9,5)
5777 , 3
16 5 , 9 x
z 5 , 9 x

=

= = = -1,82

Ento: 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 aproximao normal com correo de
continuidade.

Soluo ----------------------------------------------------------------------------------------------------------------

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 Exerccios resolvidos
EXERCCIO 01 - (Corrar e Thephilo, 2003) A empresa Masters & Doctos uma
empresa de prestao de servios de auditoria independente e consultoria empresarial. A
diretoria da empresa precisa decidir quanto contratao 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 deciso tomada em dois possveis
cenrios (mercado em alta ou mercado em baixa). Por exemplo, a contratao de um gerente
de consultoria pode representar um retorno de $360.000, caso o mercado esteja em alta
8
ou
um prejuzo de $50.000, caso o mercado esteja em baixa.

Contratar Gerente de Consultoria Contratar Gerente de Auditoria
Cenrio Probabilidade
Retorno
(em mil)
Cenrio Probabilidade
Retorno
(em mil)
Mercado em
ALTA
0,80 360
Mercado em
ALTA
0,80 240
Mercado em
BAIXA
0,20 -50
Mercado em
BAIXA
0,20 5

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 deciso para a
empresa?
d) Calcule o coeficiente de variao dos retornos em cada proposta. Qual proposta
apresenta menor risco nos retornos? Obs: Em anlise financeira, investimento com
menor variabilidade tem menor risco.

SOLUO ----------------------------------------------------------------------------------------------------------------

a) Caso o gerente de Consultoria seja contratado, calcule o valor esperado do retorno.

E(R
Consultoria
) =
C
= [x
i
*f
i
] = [360*0,80] + [(-50)*0,20] = $278 mil

b) Caso o gerente de Auditoria seja contratado, calcule o valor esperado do retorno.

E(R
Auditoria
) =
A
= [x
i
*f
i
] = [240*0,80] + [5*0,20] = $193 mil

c) Com base nos resultados obtidos em a e b, qual deveria ser a melhor deciso para a
empresa?

Contratar o gerente de consultoria, pois o retorno esperado (ou seja, retorno mdio) maior.

8
Uma alta demanda por servios de consultoria.

d) Calcule o coeficiente de variao dos retornos em cada proposta. Qual proposta
apresenta menor risco nos retornos? Obs: Em anlise financeira, investimento com
menor variabilidade tem menor risco.

Contratando gerente de Auditoria

A
= [x
i
*f
i
] = $193 mil

Varincia:
2
A
= (x
i

A
)
2
*fi = (240 -193)
2
*0,80 + (5 -193)
2
*0,20 = 8836

Desvio-padro =
A
= RAIZ(8836) = $94 mil

CV =
A
/
A
= 94 / 193 = 0,487 (ou 48,7%)

Contratando gerente de Consultoria

C
= [x
i
*f
i
] = 278 mil $

Varincia:
2
A
= (x
i

C
)
2
*fi = (360 278)
2
*0,80 + (-50 - 278)
2
*0,20 = 26896

Desvio-padro =
A
= RAIZ(26896) = $164 mil $

CV =
A
/
A
= 164 / 278 = 0,59 (ou 59%)

Ento, a proposta com menor risco Contratando gerente de Auditoria, pois apresenta
menor CV.
EXERCCIO 02 - De acordo com pesquisa da Fecomrcio-RJ (Federao do Comrcio
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 no comprarem produtos piratas.

SOLUO ----------------------------------------------------------------------------------------------------------------
A varivel X = Nmero de brasileiros que compram produtos piratas em 2007 segue a
distribuio Binomial com n = 6 e p = 0,42.
Por que foi escolhida a distribuio Binomial ???
Porque cada um dos 6 brasileiros escolhidos representa um experimento simples de Bernoulli
com probabilidade de sucesso (que 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
f(6) =
6 6 6
58 , 0 42 , 0
)! 6 6 ( ! 6
! 6

= 0,0055
Lembre-se
0! = 1 (por definio) e 6! = 6x5x4x3x2x1 = 720

b) P(menos de dois ...) = P(X < 2) = f(0) + f(1) = 0,0381 + 0,1654 = 0,2035
f(0) =
0 6 0
58 , 0 42 , 0
)! 0 6 ( ! 0
! 6

= 0,0381 f(1) =
1 6 1
58 , 0 42 , 0
)! 1 6 ( ! 1
! 6

= 0,1654
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 no comprarem) = P(apenas quatro comprarem) = f(4) = 0,1570
= f(4) = 0,1570
f(4) =
4
, ,
)! ( !
!

6 4
58 0 42 0
4 6 4
4
= 0,1570

OBS: Note que se dois no compraram, significa que quatro compraram.
Ou, podemos tambm trocar a probabilidade de sucesso p = 0,42 para 0,52 (pois 52% dos
brasileiros no compram produtos piratas em 2007)
f(2) =
2 6 2
42 , 0 58 , 0
)! 2 6 ( ! 6
! 6

= 0,1570
EXERCCIO 03 - O tempo necessrio para realizar auditoria de balanos contbeis
segue aproximadamente uma distribuio normal com mdia de 40 minutos e desvio-padro de
12 minutos.

a) Supondo que uma empresa de contabilidade pblica ir 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 balanos contbeis para ser auditadas, quantas delas levaro
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.

Soluo ------------------------------------------------------------------------------------------------------------------

Definindo a varivel X = tempo para realizar auditoria, temos que X segue a distribuio
normal com = 40 min e = 12 min
OBS: No clculo de probabilidades usando a distribuio normal, ajuda muito quando
desenhamos a curva normal com as regies de interesse sombreadas.

a)
i) P(X > 75) = P(Z > 2,92) = 0,5 rea[0; 2,92) = 0,5 0,498250 = 0,00175
onde z = (75 - 40)/12 = 2,92

OBS: rea[0; 2,92] na TABELA = 0,498250

0
40 75
x
= 0,5 - 0,498250
= 0,00175

ii) P(55 X 70) = P(1,25 Z 2,50) = rea[0; 2,5] rea[0; 1,25]
= 0,493790 - 0,394350 = 0,099440
onde z = (55-40)/12 = 1,25 rea[0; 1,25] = 0,394350
z = (70-40)/12 = 2,50 rea[0; 2,50] = 0,493790

iii) P(30 X 60) = P(-0,83 Z 1,67) = 0,296731 + 0,452540 = 0,749271
onde z = (30-40)/12 = -0,83 rea[0; -0,83] = rea[0; 0,83] = 0,296731
z = (60-40)/12 = 1,67 rea[0; 1,67] = 0,452540

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 balanos. Do total de 50 balanos, espera-se que dois deles levem
menos de 20 minutos para serem auditadas.
*** Ou usar regra de trs
100% ------ 50 x = 4,75* 50 / 100 = 2,4
4,75% ------ x

c) P(X > k) = P(Z > z
c
) = 0,20
Fazendo o desenho da curva normal e sombreando corretamente as regies, veremos que
P(Z > z
c
) = 0,20 implica que P(0 Z z
c
) = 0,30 e, pela tabela normal padro, temos z
c
= 0,84.
Agora, basta resolver a equao
z
c
= (k - )/ = 0,84 ( k 40) = 0,84*12 = 10,08 k = 50,08 min

0
= 0,493790 - 0,394350
= 0,099440
40 55 70
x
30 40 60 x
= 0,296731 + 0,452540
= 0,749271
0
40 k = ?
x
0,20
0,30

EXERCCIO 04 - Sabe-se que pequenos defeitos em folhas de compensado seguem a
distribuio de Poisson com uma mdia de dois defeitos por metro quadrado.

a) Qual a probabilidade de aparecer no mnimo trs defeitos em uma folha com 1 metro
quadrado?
b) Qual a probabilidade de aparecer mais de um a trs defeitos em uma folha com 1 metro
quadrado?
c) Qual a probabilidade de aparecer no mximo dois defeitos em uma folha de 1,50 metros x
2,20 metros?
Soluo -----------------------------------------------------------------------------------------------------------------
A varivel X = nmero de defeito por metro quadrado segue a distribuio de Poisson com
mdia de = 2 defeitos/m
2
. A funo probabilidade de X
( )
! x
e
x f
x
= com x = 0, 1, 2, ... e = 2,7183

a) P(aparecer no mnimo trs 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 prtico de se fazer.

Vamos primeiro calcular f(2), f(1) e f(0) separadamente.

( )
2
13534 , 0 4
! 2
e 2
2 f
2 2
= =
= 0,2707 ( )
1
13534 , 0 2
! 1
e 2
1 f
2 1
= =
= 0,2707
( )
1
13534 , 0 1
! 0
e 2
0 f
2 0
= =
= 0,1353

e
2
= (2,7183)
-2
= (1/2,7183)
2
= (0,36788)
2
= 0,1353 (ou use a funo = 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 mnimo 3 defeitos em uma folha com um
metro quadrado de 0,3233

b) P(aparecer de um a trs defeitos ... ) = P(X [1; 3]) = P(1 X 3)
= f(1) + f(2) + f(3) = 0,7218
( )
1
13534 , 0 2
! 1
e 2
1 f
2 1
= =
= 0,2707 ( )
2
13534 , 0 4
! 2
e 2
2 f
2 2
= =
= 0,2707
( )
6
13534 , 0 8
! 3
e 2
3 f
2 3
= =
= 0,1804
P(1 X 3) = 0,2707 + 0,2707 + 0,1804 = 0,7218 ( ou 72,18%).

RESPOSTA: A probabilidade de aparecer de um a trs defeitos em uma folha com um metro
quadrado de 0,7218

c) P(aparecer no mximo dois defeitos em uma folha de 1,50 metros x 2,20 metros)
= P(X 2)

Aqui temos uma folha com as seguintes dimenses 1,50 metros x 2,20 metros o que daria
uma rea de 1,5 x 2,2 = 3,30 metros quadrados. Neste caso ainda podemos usar a
distribuio de Poisson, porm temos que alterar a mdia .
Usando a regra de trs simples
2 defeitos -------------- 1 m
2
*
defeitos ------------- 3,30 m
2

*
= (2 x 3,30)/1 = 6,6 defeitos em folhas com 3,3 m
2

P(X 2) = f(0) + f(1) + f(2)
( )
1
00136 , 0 1
! 0
e 6 , 6
0 f
6 , 6 0
= =
= 0,00136 ( )
1
00136 , 0 6 , 6
! 1
e 6 , 6
1 f
6 , 6 1
= =
= 0,00898
( )
4
00136 , 0 56 , 43
! 2
e 6 , 6
2 f
6 , 6 2
= =
= 0, 02963

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 mximo dois defeitos em uma folha com 1,5 x 2,2
metros 0,04.
EXERCCIO 05 - Volte ao EXERCCIO 2, mas agora considere que a amostra aleatria
foi de 60 brasileiros. Responda os itens abaixo usando a aproximao normal.

a) Qual o valor esperado () e o desvio-padro () da varivel X = nmero de brasileiros
amostrados que compram produtos piratas.
b) Qual a probabilidade de, no mximo, 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) ...
Soluo ---------------------------------------------------------------------------------------------------------------
a)
A varivel X = Nmero de brasileiros que compraram produtos piratas em 2007 segue a
distribuio Binomial com n = 60 e p = 0,42.

Para usar a aproximao normal as condies np 5 e n(1-p) 5 devem ser satisfeitas
np = 60 0,42 = 25,2 5 ok e
n(1-p) = 60 0,58 = 34,8 5 ok

Como as duas condies acima foram satisfeitas, ento podemos usar a aproximao Normal
para distribuio Binomial.
Sendo assim, a varivel X tem aproximadamente distribuio normal com mdia = np = 25,2
e desvio-padro q p n = = 3,823.
RESPOSTAS:
Mdia: = np = 60*0,42 = 25,2 brasileiros
desvio-padro: 616 , 14 58 , 0 42 , 0 60 q p n = = = = 3,823 brasileiros

b) P(no mximo 20 comprarem ...) = P(X 20) = P(Z -1,36)
= 0,5 0,413085 = 0,086915
onde z = (20-25,2)/3,823 = -1,36 rea[0; -1,36] na TABELA NORMAL = 0,413085 (Faa
o desenho da curva normal com a rea 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 rea[0; 1,26] na TABELA NORMAL = 0,396165 (Faa o
desenho da curva normal com a rea 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 no foi uma boa aproximao, pois se usssemos modelo Binomial
(que seria o mais correto) para calcular P(X = 33) o valor obtido seria diferente de zero.
A aproximao normal poderia ser melhorada usando o que chamamos de correo de
continuidade. Esta correo seria simplesmente somar e subtrair 0,5 do valor 33 antes de
calcular a probabilidade. Ento, em vez de calcular a probabilidade P(X = 33) deveramos
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 rea[0; 1,91] na TABELA NORMAL = 0,471933
z = (33,5-25,2)/3,823 = 2,17 rea[0; 2,17] na TABELA NORMAL = 0,484997

OBS: Usando o modelo Binomial teramos f(33) = 0,013313 (valor exato)

6 Exerccios propostos
EXERCCIO 01 - Um dado honesto lanado duas vezes para cima de forma
independente. Construa a distribuio de probabilidade da varivel aleatria X = soma das
faces voltadas para cima.
EXERCCIO 02 - A tabela abaixo mostra distribuio de probabilidade para o lucro obtido
nas vendas dirias de uma pea

x
Lucro em $
-20 -5 40 70 120 150
f(x)
Probabilidade
0,05 0,10 0,35 k 0,25 0,15

a) Determine o valor de k, de forma que a tabela acima seja realmente uma distribuio
de probabilidade.
b) Qual a probabilidade de o estabelecimento no ter prejuzo.
c) Qual seria o lucro dirio esperado nas vendas das peas.
d) Calcule o desvio-padro do lucro dirio.
e) Qual seria o lucro mensal esperado nas vendas das peas.
Obs: 1 ms = 30 dias
EXERCCIO 03 - Suponha que os pesos de uma pea apresentam uma mdia de 25 kg
e desvio-padro de 3 kg. Essa pea dever ser embalada em uma caixa que pesa em mdia 2
kg com desvio-padro de 1 kg. Qual ser a mdia e o desvio-padro da pea embalada?
EXERCCIO 04 - Uma prova tem 6 questes com quatro alternativas cada uma. Um
aluno no estudou para a prova e resolveu chutar as questes. Determine a probabilidade de
o aluno:
a) Acertar no mximo 1 questo
b) Acertar todas as questes
c) Acertar pelo menos uma questo
d) Errar no mximo uma questo.
EXERCCIO 05 - O gerente da loja XYZ sabe que 80% dos clientes que entram na loja
fazem algum tipo de compras. Vamos considere os prximos 6 clientes que entraro na loja e
que X = nmero de clientes que faro alguma compra.

x 0 1 2 3 4 5 6
f(x) 0,00006 ? 0,01536 ? 0,24576 0,39322 ?

a) Complete a distribuio de probabilidade para a varivel 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?

EXERCCIO 06 - Sabe-se que 5% das peas so fabricadas com defeito. Um grande lote
com peas ser rejeitado se uma amostra de 20 peas apresentarem 3 ou mais peas
defeituosas, qual a probabilidade de o lote ser rejeitado?

Resposta: P(X 3 ) = 0,07548

EXERCCIO 07 - Sabe-se que 10% das pessoas so canhotas em certa empresa. No
setor XYZ dessa empresa trabalham 25 funcionrios.
a) Qual o nmero esperado de funcionrios canhotos no setor XYZ?
b) Determine a probabilidade de:
Haver mais de 3 canhotos no setor XYZ
Haver nenhum canhoto no setor XYZ

Resposta: = 2,5 P(X > 3) = 0,23641 f(0) = 0,07179
EXERCCIO 08 - Testes indicam que o tempo de durao das geladeiras da marca XYZ
tem distribuio normal com mdia de 72 meses e desvio-padro de 18 meses.

a) O fabricante estipulou como garantia um prazo mximo de 6 meses, perodo no qual ele
ficar 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 nmero esperado de
geladeiras que o fabricante dever 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
EXERCCIO 09 - Sabe-se que 10% das pessoas que esto na fila de um banco desistem
de permanecer na fila. Em uma fila com 100 pessoas,
a) Calcule, usando a aproximao normal, a probabilidade de menos de oito pessoas
desistirem de permanecer na fila.
b) Calcule, usando a aproximao normal, de mais de um quarto das pessoas
desistirem de permanecer na fila.

Respostas: = 10 = 3
a) P(X < 8) = P(z < -0,67) = 0,25143
b) mais de equivale dizer mais de 25% de 100 = 25, ento P(X > 25) = P(z > 5) = 0,0
EXERCCIO 10 - m exame de mltipla escolha foi elaborado com 10 questes, cada uma
com quatro opes. A aprovao no exame exige do aluno que ele acerte pelo menos 60% da
prova. Um aluno nada estudou e est pretendendo chutar as questes.
a) Qual a probabilidade de ele acertar todas as questes?
b) Qual a probabilidade de ele errar oito questes?
c) Qual a probabilidade de ele ser aprovado no exame?
d) Qual o nmero esperado de questes que este aluno acertaria?

Respostas:
a.) p(10) = 0,0000009537
b.) errar 8 questes acertar 2 questes Ento, p(2) = 0,18771
c.) P(ser aprovado) = P(acertar no mnimo 6 questes) = p(6) + p(7) + p(8) + p(9) + p(10) = 0,01973
d.) nmero mdio de questes corretas = = np = 2,5 questes (de 2 a 3 questes)

EXERCCIO 11 - Uma fabrica de chocolate comercializa barras de chocolate que pesam
em mdia 200 gramas. Os pesos so normalmente distribudos com uma desvio-padro 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 nmero esperado de barras de chocolate com peso superior a 230 gramas, se
voc 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)
EXERCCIO 12 - Um banco recebe em mdia 6 cheques sem fundo por dia. Qual 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 Tera-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 no estar falando do modelo a ser utilizado, note que o modelo de POISSON o mais adequado, pois
temos a informao de uma taxa mdia de 6 cheques sem fundos durante o intervalo de um DIA ( = 6
cheques/dia). O modelo Binomial no aplicado aqui, pois no temos a probabilidade de sucesso (p) e nem o
nmero de tentativas (n) independentes.
Repostas
a) 0,002479 b) 0.13385 c) 0,997521 d) 0,014873 e) 0.04130 f) 0.10484
EXERCCIO 13 - Seu computador na empresa onde trabalha recebe e-mail a uma taxa
mdia de 2 e-mails a cada cinco minutos. Durante uma hora de servio qual a probabilidade de
voc ter recebido mais de trinta e-mails (usando a aproximao Normal para Poisson).

Resposta: P(X > 30) = P(Z > 1,22) = 0,1112 (sem correo de continuidade)
P(X > 30) = P(X > 30 +0,5) = P(X > 30,5) = P(Z > 1,33) = 0,0918 (com correo de continuidade)

7 Bibliografia

BRUNI, Leal Adriano, Estatstica Aplicada Gesto Empresarial, So Paulo: Editora
Atlas. 2 Edio, 2008.

LEVINE, David M.; STEPHAN, David; KREHBIEL, Timothy C.; BERENSON, Mark L..
Estatstica: Teoria e Aplicaes usando Microsoft Excel em Portugus. 5 ed.. Rio de
Janeiro: LTC - Livros Tcnicos e Cientficos. 2005.

TRIOLA, Mario F. Introduo estatstica. Rio de Janeiro: LTC - Livros Tcnicos e
Cientficos, c2005. 656p.

MARTINS, Gilberto de Andrade, Estatstica Geral e Aplicada. So Paulo, Editora Atlas,
2005.

Unidade 05 Distribuicao de Probabilidade

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Unidade 05 Distribuicao de Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

UNIDADE 05

L Propriedades do valor esperado E(X) e

= com x = 0, 1, 2, ... e = 2,7183

Você também pode gostar