O foco deste capítulo é a discussão de algumas importantes distribuições de probabilidade discretas.

TÓPICOS ABORDADOS:

• Variáveis aleatórias discretas e algumas importantes distribuições de probabilidade

• Aproximação da binomial pela distribuição de Poisson
• Determinação da função de distribuição acumulada (f.d.a.) a partir da função de probabilidade
• Determinação da média e da variância de diferentes variáveis aleatórias discretas
• Determinação das probabilidades de eventos que envolvem variáveis aleatórias discretas com o uso dos pacotes estatísticos
MINITAB, Microsoft Excel e JMP

OBJETIVOS DA APRENDIZAGEM:

Depois de estudar este capítulo, o leitor deve ser capaz de

• Compreender várias distribuições discretas importantes e aplicá-las para determinar probabilidades em problemas reais.
• Determinar probabilidades aproximadas de eventos raros.
• Determinar a média e a variância de variáveis aleatórias discretas usando técnicas gerais e funções geradoras de momento.
• Aplicar os pacotes estatísticos MINITAB, Microsoft Excel e JMP para calcular probabilidades ao usar diferentes modelos
de probabilidade discreta.

4.1 DESCRIÇÕES GRÁFICAS DE DISTRIBUIÇÕES DISCRETAS

No Capítulo 2, discutimos métodos para a descrição de distribuições empíricas, isto é, distribuições dos valores numéricos das
medidas obtidas em uma amostra. No Capítulo 3, discutimos os conceitos básicos da teoria de probabilidade. Neste capítulo,
discutiremos métodos que podem ser usados para descrição de distribuições discretas teóricas. Na Seção 3.7, introduzimos o
conceito de uma variável aleatória discreta. O conjunto dos valores possíveis de uma variável aleatória discreta X, junto com as
probabilidades a eles associadas (veja Seção 3.7), é chamado função (ou distribuição) de probabilidade (f.p.) da variável
aleatória discreta. Distribuições discretas são convenientemente descritas de maneira gráfica. Assim, em geral, suponha que a
distribuição de probabilidade de uma variável aleatória X seja como está descrita em (3.7.2):
FIGURA 4.1.1 Representação gráfica da função de probabilidade discreta em (4.1.1).

A Figura 4.1.1 mostra o gráfico de probabilidade para essa função de probabilidade discreta, em que os comprimentos das linhas
verticais representam as magnitudes das probabilidades.
A função de distribuição acumulada (f.d.a.), F(x), fornece uma maneira alternativa de se descrever uma variável aleatória
discreta X. Para qualquer número real x, F(x) é definida como segue:

em que Σi denota a soma por todos os valores de i para os quais xi ≤ x.

Observaremos que

Pode-se ver, facilmente, que F(x) é uma função escada, definida para todos os valores (reais) de x e tem gráfico como mostrado
na Figura 4.1.2. Note que os degraus no gráfico ocorrem nos pontos x para os quais

FIGURA 4.1.2 Gráfico da função de distribuição acumulada F(x) de uma variável aleatória discreta X.

x = x1, x2, · · ·, xk

Na verdade, a função de distribuição acumulada F(x) é um instrumento mais conveniente para a descrição de distribuições de
probabilidade do que chamamos variáveis aleatórias contínuas (discutidas no Capítulo 5). Mas a introdução de F(x) para o caso
de variáveis aleatórias discretas nesse ponto simplifica a interpretação de F(x) para uma variável aleatória contínua (veja Capítulo
5).

4.2 MÉDIA E VARIÂNCIA DE UMA VARIÁVEL ALEATÓRIA DISCRETA

 4.2.1 Valor Esperado de Variáveis Aleatórias Discretas e de Suas Funções

No Capítulo 2, definimos a média de medidas amostrais. De modo análogo, definimos agora a média (populacional) E(X)
(denotada por µ) da variável aleatória discreta X com função de probabilidade dada em (4.1.1) como segue:

Claramente, E(X) definida em (4.2.1) é uma média ponderada dos possíveis valores de x1, x2, ... , xk da variável aleatória X, em
que os pesos são as probabilidades associadas p(x1), p(x2), ... , p(xk). E(X) é, em geral, chamado valor esperado ou esperança da
variável aleatória X.
Note que a palavra média identifica , uma quantidade que depende apenas da amostra. Chamamos tais
quantidades de estatísticas. Além disso, essa mesma palavra média é usada para identificar uma característica da população da
qual a amostra deve ser extraída, ou seja (4.2.1), em que p(xi) dá a distribuição teórica dos valores populacionais. Chamamos
quantidades como µ de parâmetros da distribuição.
Correspondendo ao procedimento para a definição da variância S2 de uma amostra de medidas, definimos a variância da
variável aleatória discreta X, Var (X) (denotada por σ2), como segue:

Deve-se notar que Var(X) é uma média ponderada dos desvios quadráticos de x1, x2, ... , xk em relação à média µ, os pesos sendo,
novamente, as probabilidades. Uma expressão útil para σ2 é dada por

Essa expressão alternativa é obtida pela expansão do termo quadrático (xi – µ)2 em (4.2.2), seguida do somatório e da
simplificação dos resultados.
Até aqui, definimos a média e a variância de variáveis aleatórias discretas. Mais geralmente, se X é uma variável aleatória
discreta, como definido na Seção 4.1, e g(x) é uma função real de X, o valor médio ou esperança de g(x), escrita E(g(x)), é
definido por

Por exemplo, se tomamos g(X) = Xr, então (4.2.3) toma a forma

A quantidade definida por (4.2.4) é chamada de ro momento da variável aleatória X em torno da origem. Note que se r = 0, temos

E(X0) = E(1) = 1

e se r = 1, temos

E(X) = μ
 Usualmente, denotamos E(Xr) por µ′r.
Agora, se fazemos g(X) = (X – µ)r, (4.2.3) assume a forma

A quantidade definida por (4.2.5) é chamada ro momento de X em torno de sua média e é denotada por µr. Note que r = 0 dá E[(X
– µ)0] = 1, e se r = 1, vê-se facilmente que µ1 = 0. Note, também, que µ2 = E[(X – µ)2] é a variância de X, que denotamos por σ2.
O leitor deve verificar que, se c é uma constante, então (veja Teorema 4.2.2)

Apresentamos, agora, alguns resultados gerais na forma de teoremas sobre valores esperados de variáveis aleatórias discretas.

Teorema 4.2.1 Seja c uma constante e X uma variável aleatória discreta com função de probabilidade p(x). Então

Teorema 4.2.2 Seja c uma constante e g(x) uma função de uma variável aleatória discreta X que é distribuída com função de probabilidade p(x). Então

Teorema 4.2.3 Sejam gi(X), i = 1, 2, ... , n funções de uma variável discreta X que é distribuída com função de probabilidade p(x). Então

Prova:

4.2.2 A Função Geradora de Momentos – Valor Esperado de uma Função Especial de X

Em relação a (4.2.3), suponha que façamos g(X) = eXt e encontremos seu valor esperado; então

A função de t assim obtida é chamada função geradora de momentos da variável aleatória X, e é denotada por Mx(t), isto é,

Note que Mx(t) pode ser escrita como

Assim, temos

Se os momentos μ′1, μ′2, . . . , são todos finitos, então os coeficientes de tk/k! na expansão da função geradora de momento (f.g.m.)
é o ko momento em torno da origem de X.
Se derivarmos Mx(t) k vezes, obtemos (admitindo a derivabilidade sob o sinal de somatório)

Se, então, fazemos t = 0, temos

Mencionamos, agora, algumas propriedades importantes de Mx(t), a f.g.m. de X. Primeira, se estamos interessados na variável
aleatória cX em que c é uma constante qualquer, então, por definição, a f.g.m. de cX é

Segunda, a f.g.m. para X + a, em que a é uma constante, é

Note que (4.2.16) nos permite encontrar momentos de X em torno de sua média, fazendo a = – μ.

PROBLEMAS PRÁTICOS PARA AS SEÇÕES 4.1 E 4.2

1. Um hospital é conhecido por seus implantes de bypass em artérias coronarianas. Seja X o número de tais cirurgias feitas em
determinado dia.
A tabela que segue dá a distribuição de probabilidade da variável aleatória X:

X=x 0 1 2 3 4 5

p(x) 0,02 0,05 0,10 0,15 0,18 0,50

Ache as seguintes probabilidades:

(a) P(X ≤ 2)
(b) P(2 < X < 5)
(c) P(X ≥ 5)
(d) P(1 ≤ X ≤ 4)
2. Cada uma das tabelas que seguem lista os valores de uma variável aleatória X e suas probabilidades correspondentes
presumidas. Determine se cada uma representa uma distribuição de probabilidade. Justifique sua resposta.

(a) X 2 3 4 5
   p(x) 0,15 0,25 0,35 0,45

(b) X 4 7 8 9

  p(x) 0,15 0,15 0,45 0,30

(c) X 2 5 7 9 11

  p(x) 0,10 0,15 0,35 0,23 0,17

3. Cada uma das tabelas que seguem lista os valores de uma variável aleatória X e suas probabilidades correspondentes
presumidas. Determine se cada uma representa uma distribuição de probabilidade. Justifique sua resposta.

(a) X 1 2 3 4 5

  p(x) 0,12 0,17 0,31 0,23 0,17

(b) X 0 1 2 4

  p(x) 0,15 0,15 0,33 0,47

(c) X 2 3 4 5

  p(x) –0,05 0,25 0,35 0,45

4. Um fabricante de peças de carros envia cinco sensores de temperatura de escape, cada um dos quais é declarado conforme ou
não conforme, independentemente. Suponha que a probabilidade de um sensor ser conforme seja 0,75. Seja X o número de
sensores, dos cinco enviados, que são conformes. Ache a distribuição de probabilidade da variável aleatória X.
5. Consulte o Problema 4. Ache a média e a variância da variável aleatória X.
6. Suponha que a função geradora de momentos de uma variável aleatória X seja dada por
MX(t) = (0,4et + 0,6)10

Determine a média e a variância da variável aleatória X.

7. Um par de dados honestos é jogado e uma variável aleatória X, a soma dos pontos das faces superiores, é observada. Ache a
distribuição de probabilidade da variável aleatória X e determine a média e a variância da distribuição que você obteve.
8. Uma companhia desenvolveu um novo xampu para redução da caspa. Seis pessoas experimentaram tal xampu. Suponha que
a probabilidade de que uma pessoa sinta algum alívio seja de 0,60. Seja X o número de pessoas, entre as seis, que
experimentam algum alívio. Determine a distribuição de probabilidade da variável aleatória X e, então, encontre sua média e
sua variância.
9. Consulte o Problema 7. Ache a média e a variância da variável aleatória (a) Y = 3X e (b) Y = 2X + 5.
10. Suponha que a função geradora de momentos de uma variável aleatória X seja dada por
MX(t) = (0,3et + 0,7)10

Ache a função geradora de momento da variável aleatória (a) Y = 2X e (b) Y = 3X + 5.

4.3 A DISTRIBUIÇÃO UNIFORME DISCRETA

A distribuição uniforme discreta é, talvez, a mais simples distribuição de probabilidade discreta. Considere uma variável aleatória
discreta X e sejam x1, x2, ... , xi, ..., xn os valores que ela pode assumir. Então, dizemos que X é distribuída de acordo com a
distribuição uniforme se assume cada um de seus possíveis valores xi, i = 1, 2, 3,... , n com probabilidade igual. Aqui, a função de
probabilidade de distribuições uniformes discretas é dada por (4.3.1) e sua representação gráfica é mostrada na Figura 4.3.1.
FIGURA 4.3.1 Gráfico da função de probabilidade uniforme dada em (4.3.1).

Exemplo 4.3.1 (Distribuição uniforme) Considere o experimento da jogada de um dado honesto e observação do número que
aparece. O espaço amostral desse experimento é S = {1, 2, 3, 4, 5, 6}, e cada elemento do espaço amostral ocorre com
probabilidade 1/6. Assim, neste exemplo, a variável aleatória X, que denota o número que aparece no dado, é distribuída segundo
a distribuição uniforme, que se escreve como:

X=x 1 2 ··· 6

p(x) 1/6 1/6 ··· 1/6

A média e a variância da distribuição uniforme discreta, com função de probabilidade dada na Equação (4.3.1), são dadas por

respectivamente. Em geral, se xi = 1, 2, ... , n, então

Exemplo 4.3.2 (Média e variância da distribuição uniforme) A média e a variância da variável aleatória X no Exemplo 4.3.2 são
obtidas usando-se (4.3.2). Isto é,

μ = (n + 1)/2 = (6 + 1)/2 = 3,5 e σ2 = (n2 – 1)/12 = (62 – 1)/12 = 35/12 = 2,917

4.4 A DISTRIBUIÇÃO HIPERGEOMÉTRICA

A função de probabilidade hipergeométrica fornece probabilidades de certos eventos quando uma amostra de n objetos é extraída
aleatoriamente de uma população finita de N objetos, em que a amostragem é feita sem reposição e cada objeto da população
pode ser dicotomizado, de alguma maneira, como pertencente a uma de duas classes disjuntas.
Como exemplo de amostragem de uma população dicotômica, considere primeiro uma mão de bridge e procure a
probabilidade de ela conter exatamente x espadas. Aqui, a dicotomia é “espadas” e “não espadas (i.e., paus, copas e ouros)”; a
população consiste em 52 cartas; a amostra consiste em 13 cartas. Ou, considere um lote de N transistores, dos quais 100 θ % são
defeituosos e 100(1 – θ)% são não defeituosos, com 0 ≤ θ ≤ 1. Se esses transistores são embalados em caixas de n transistores,
pode ser interessante saber a probabilidade de que x transistores em uma caixa sejam defeituosos. Aqui, a população é o lote de N
transistores, e o tamanho amostral é n. A dicotomia nesse exemplo é, naturalmente, “defeituoso” e “não defeituoso”.
Em geral, suponha que uma amostra de n observações seja extraída, sem reposição, de uma população de tamanho N, e que as
observações sejam examinadas em relação a possuírem, ou não, um atributo A. Os objetos que possuem o atributo serão
chamados de A, e os que não o possuem serão chamados de A. Suponha que N1 objetos da população sejam do tipo A e que N2 =
N – N1 sejam do tipo A. Desejamos determinar a probabilidade de que x dos objetos, em uma amostra de tamanho n, sejam do
tipo A (e, assim, n – x são do tipo A).

Sabemos que o número total de maneiras de se escolher uma amostra aleatória (sem reposição) de n objetos em N é ,

que é o número de elementos no espaço amostral S para esse problema. A cada um desses elementos será associada uma

probabilidade de . O número de maneiras de se escolherem x objetos do tipo A em N1 é , 0 ≤ x ≤ N1, e o

número de maneiras de se obterem n – x objetos do tipo A em N2 é , 0 ≤ n – x ≤ N2 = N – N1. Cada uma dessas últimas

maneiras pode ser combinada com cada uma das maneiras anteriores, de modo a que o número de elementos em S que

compreendem o evento de obtermos x objetos de tipo A é . Note que x é um valor de uma variável aleatória

X. Assim, a probabilidade que procuramos é dada por

O espaço amostral de X é o conjunto de inteiros x que satisfazem as desigualdades máx[0, n – (N – N1)] ≤ x ≤ mín (n, N1), uma
vez que 0 ≤ x ≤ N1 e 0 ≤ n – x ≤ N – N1.
A expressão (4.4.1) é a função de probabilidade da distribuição hipergeométrica. Pode-se ver facilmente que a soma de h(x)
sobre todos os valores de x no espaço amostral de X é 1. Além disso, nota-se que h(x) é a probabilidade de se obterem x objetos
do tipo A em uma amostra aleatória de tamanho n quando se faz amostragem sem reposição de uma população de tamanho N que
contém N1 objetos do tipo A e N2 = N – N1 objetos do tipo A.

Exemplo 4.4.1 (Aplicando o conceito da distribuição hipergeométrica) Vamos considerar a probabilidade da obtenção de x
espadas em uma mão de bridge. No contexto acima, A denota uma espada e A denota qualquer carta que não seja espada. Assim,
N = 52, N1 = 13, N2 = N – N1 = 39. Se X denota o número de espadas em uma mão de n = 13 cartas, X tem espaço amostral 0 ≤ x
≤13, e

Por exemplo, se x = 0, então a probabilidade de se obter 0 espada em uma mão é dada por

Em aplicações de engenharia, é mais conveniente considerar a distribuição hipergeométrica a partir do seguinte ponto de vista.
Considere uma população finita dicotomizada ou um lote de tamanho N, que consiste em Nθ objetos do tipo A e N(1 – θ) objetos
do tipo –A, em que 0 ≤ θ ≤ 1. Note que N1 e N2 = N – N1 foram substituídos por Nθ e N(1 – θ), respectivamente. Se uma amostra
de tamanho n é extraída sem reposição, então a probabilidade de obtenção de x objetos do tipo A é

O espaço amostral de X consiste nos inteiros x que satisfazem as desigualdades máx[0, n – N(1 – θ)] ≤ x ≤ mín (n, Nθ).

Exemplo 4.4.2 (Detectando lâmpadas defeituosas) Uma caixa contém 24 lâmpadas, 12,5 % das quais são defeituosas. Qual é a
probabilidade de que, ao tomarmos uma amostra de seis dessas lâmpadas, escolhidas aleatoriamente, x = 0, 1, 2, 3 serão
defeituosas?
Solução: Usando (4.4.2) e que 12,5 % de 24 são 3, temos

Isso nos dá

Note que, aqui, .

Exemplo 4.4.3 (Usando MINITAB e Excel) Consulte o Exemplo 4.4.1. Ache as probabilidades de obtenção de x = 0, 1, 2, 3, ... ,
13 espadas em uma mão de bridge.

Solução: Novamente, no contexto daquele exemplo, A denota uma espada e A – denota qualquer carta diferente de espada.
Assim, N1 = 13, N – N1 = 39. Seja X o número de espadas em uma mão de n = 13 cartas. Para encontrar as probabilidades de
obtenção de x = 0, 1, 2, 3, ... , 13 espadas em uma mão de bridge, proceda como a seguir:

MINITAB

1. Introduza os valores 0, 1, 2, ... , 13 na coluna C1.

2. Na barra de Menu, selecione Calc > Probability Distributions > Hypergeometric.
3. Na caixa de diálogo que aparece na tela, clique no círculo próximo a Probability.
4. Introduza 52 na caixa próxima a Population size (Tamanho da população), 13 na caixa próxima de Event count in
population (isto é, o tamanho da população da categoria A), e, novamente, 13 na caixa próxima de Sample size (Tamanho
amostral).
5. Clique no círculo próximo a Input column e digite C1 na caixa próxima a ele. Clique OK. As probabilidades desejadas
aparecerão na janela da sessão como:

x P(X = x)

0 0,012791

1 0,080062

2 0,205873

3 0,286330

4 0,238608

5 0,124692

6 0,041564

7 0,008817

8 0,001167

9 0,000093

10 0,000004

11 0,000000

12 0,000000

13 0,000000

Microsoft Excel
Em uma planilha do Excel, em qualquer cela vazia, use a função HYPGEOMDIST da planilha, digitando
“=DIST.HIPERGEOM(amostra_s;amostra_núm;população_s;núm_população).” Usando essa função, “amostra_s” é o número de
sucessos na amostra, “amostra_núm” é o tamanho da amostra, “população_s” é o número de sucessos na população, e
“núm_população” é o tamanho da população. Neste caso, para encontrarmos x = 0, 1, ... , 13, devemos usar a função
DIST.HIPERGEOM para cada um desses valores de x. Assim, consultando o Exemplo 4.4.1 e usando x = 0, devemos introduzir a
fórmula “=dist.hipergeom(0;13;13;52)”, que retornará um valor de 0,012791. Podemos, então, repetir o processo usando a mesma
função para os valores restantes de x para calcular as probabilidades associadas, que serão idênticas às calculadas pelo MINITAB.

A média e a variância da distribuição hipergeométrica, com função de probabilidade dada pela equação (4.4.2), são

A dedução de (4.4.3) aparece na Seção 4.10.

PROBLEMAS PRÁTICOS PARA AS SEÇÕES 4.3 E 4.4

1. Uma caixa contém 10 fichas numeradas de 1 a 10. Uma ficha é selecionada aleatoriamente (com reposição) e o número
daquela ficha é anotado. Seja X uma variável aleatória que descreve esse número. Determine a distribuição de probabilidade
de X e encontre, então, sua média e sua variância.
2. Suponha que a distribuição de probabilidade de uma variável aleatória X seja como a seguir. Determine a média e a variância
da variável aleatória Y = 3X.

X 1 2 3 4 5 6 7 8

p(x) 0,125 0,125 0,125 0,125 0,125 0,125 0,125 0,125

3. Suponha que a variável aleatória X tenha uma distribuição hipergeométrica, com N = 12, n = 4, N1 = 6. Determine a
distribuição de probabilidade da variável aleatória X e, então, ache sua média e sua variância.
4. Um carregamento contém 20 placas de circuito impresso, dos quais cinco são defeituosos. Selecionam-se 10 placas de
circuito impresso desse carregamento, sem reposição. Suponha que X denote o número de placas defeituosas entre as 10
selecionadas. Ache a distribuição de probabilidade da variável aleatória X e, então, ache sua média e sua variância.
5. Vinte fichas idênticas numeradas de 1 a 20 são colocadas em um recipiente e misturadas. Uma ficha é extraída aleatoriamente
e observa-se seu número. Ache as probabilidades de que o número observado: (a) seja maior do que 15, (b) esteja entre 10 e
18 (inclusive), (c) seja menor do que 10.
6. Em referência ao Problema 5, seja uma variável aleatória X que denota o número observado. Ache a distribuição de
probabilidade da variável aleatória X e determine a média e a variância da distribuição obtida.
7. Um gerente de uma companhia manufatureira tem oito engenheiras e doze engenheiros em seu departamento. O gerente
seleciona aleatoriamente uma equipe de seis engenheiros para comparecer a um encontro de negócios. Ache a probabilidade
de que a equipe tenha (a) duas engenheiras, (b) pelo menos três engenheiras.
8. Um inspetor da Receita Federal seleciona cinco pessoas, de um grupo de 20 que são candidatos potenciais a serem auditados.
Das 20 pessoas, nove foram auditadas no passado, enquanto 11 nunca o foram antes. Ache a probabilidade de que o número
de pessoas selecionadas que foram auditadas no passado seja: (a) exatamente três, (b) mais de duas, (c) pelo menos duas, (d)
no máximo três.
9. Uma loja que vende DVDs tem neste formato cinco filmes de ficção e sete outros filmes. Um cliente seleciona
aleatoriamente quatro desses 12 filmes. Qual é a probabilidade de que o número de filmes de ficção, entre os quatro
selecionados: (a) seja exatamente dois, (b) esteja entre dois e quatro (inclusive), (c) seja no máximo dois.
10. Uma companhia eletrônica embarca um lote de 50 discos rígidos de computador para uma loja. Na chegada do carregamento,
o gerente da loja seleciona aleatoriamente três discos para teste. Se o lote tem cinco discos rígidos defeituosos, ache a
probabilidade de que o número de discos rígidos defeituosos entre os três selecionados seja: (a) exatamente um, (b) zero, (c)
no máximo um.

4.5 A DISTRIBUIÇÃO DE BERNOULLI

Considere um experimento aleatório E que consiste em tentativas repetidas em que cada tentativa tem apenas dois resultados
possíveis, chamados de sucesso S e fracasso F. Então, uma sequência de tentativas independentes (repetições), em que a
probabilidade de sucesso de cada tentativa permanece uma constante θ e a probabilidade de fracasso é (1 – θ), é chamada de
sequência de tentativas de Bernoulli. Por exemplo, se jogamos uma moeda repetidamente, teremos tentativas de Bernoulli; em
cada tentativa, a probabilidade de obtermos uma cara, bem como a de obtermos uma coroa, permanece constante.
Seja X uma variável aleatória que denota um sucesso ou um fracasso em cada tentativa de Bernoulli. Obviamente, se fizermos
X = 1 ou 0 se a tentativa resultar em um sucesso ou em um fracasso, respectivamente, então

Assim, a função de probabilidade da variável aleatória de Bernoulli X é dada por (4.5.1), que pode ser resumida como em (4.5.2).

Diz-se que uma variável aleatória X é distribuída segundo uma distribuição de Bernoulli se sua função de probabilidade é
definida como em (4.5.2). Note que a distribuição de Bernoulli é, também, algumas vezes, conhecida como distribuição binomial
pontual.
A média e a variância de uma distribuição de Bernoulli são dadas, respectivamente, por

Pode-se mostrar, facilmente, que a função geradora de momentos da distribuição de Bernoulli é

4.6 A DISTRIBUIÇÃO BINOMIAL

A distribuição binomial é uma das distribuições de probabilidade discretas mais comumente usadas. Ela se aplica sempre que um
experimento tem as seguintes características:

1. O experimento consiste em n tentativas independentes.

2. Cada tentativa tem dois resultados possíveis, usualmente chamados de sucesso e fracasso.
3. A probabilidade de sucesso, θ, para cada tentativa é constante durante todo o experimento e, consequentemente, a
probabilidade 1 – θ de fracasso é constante durante todo o experimento.

As probabilidades dadas pela distribuição binomial podem surgir das seguintes maneiras:

1. Amostragem com reposição de uma população finita.

2. Amostragem de uma população infinita (à qual, em geral, se refere como população indefinidamente grande), com ou sem
reposição.

Suponha que desejemos extrair uma amostra de tamanho n de um lote de N objetos, do quais Nq são defeituosos, e que a
amostragem seja feita com reposição. Em outras palavras, extraímos aleatoriamente um membro do lote, o examinamos,
registramos o resultado e o recolocamos no lote, misturando-o bem, e repetimos o procedimento n – 1 vezes. Desejamos
determinar a probabilidade de se obterem x defeituosos na amostra de n tentativas.
Por exemplo, se D denota o evento “defeituoso” e D denota o “não defeituoso”, então o espaço amostral consiste nas 2n
sequências possíveis de n letras, cada uma das quais é D ou D. Assim, x defeituosos ocorreriam em n tentativas em algumas
sequências de x D’s e (n – x) D’s, tal como

DDDDDD · · · DD

Como as tentativas são independentes, a probabilidade associada a tal sequência é

θ × (1 – θ) × θ × θ × (1 – θ) × (1 – θ) × θ ... × θ × (1 – θ)

em que, naturalmente, há x fatores de valor θ e n – x fatores de valor (1 – θ). Assim, a probabilidade de tal sequência é
Mas há diferentes sequências possíveis de x D’s e (n – x) D’s no espaço amostral. A probabilidade de que uma dessas

ocorra é θx (1 – θ)(n – x). Como essas sequências diferentes são mutuamente exclusivas no espaço amostral, a probabilidade

de obtenção de x defeituosos em n tentativas é, portanto, dada por

em que o espaço amostral de X é 0, 1, ... , n. Note que X, o número de D’s em um elemento do espaço amostral, é uma variável
aleatória binomial, com P(X = x) = b(x).
Assim, a expressão dada por (4.6.2) é a função de probabilidade da variável aleatória binomial X com parâmetro 0 < θ < 1, e
x = 0, 1, 2, ... , n. Ela tem esse nome pelo fato de que as probabilidades são os termos sucessivos na expansão do binômio

[(1 – θ) + θ]n

pois o termo de ordem (x + 1) na expansão acima é a expressão para b(x). Assim

isto é, a soma de b(x) por todos os pontos no espaço amostral de X é 1.

A média e a variância da distribuição binomial com função de probabilidade dada na equação (4.6.2) são dadas por

A dedução de (4.6.3) aparece na Seção 4.10.

Exemplo 4.6.1 (Apostas e probabilidades) Dois dados são jogados 100 vezes e o número de noves é registrado. Qual é a
probabilidade de que x noves ocorram? De que pelo menos três noves ocorram?

Solução: É claro que estamos examinando cada jogada dos dois dados em relação aos eventos nove e não nove. A probabilidade
de se obter um nove jogando-se dois dados é 4/36 = 1/9, isto é θ = 1/9. Assim, a probabilidade de que ocorram x noves em 100
jogadas dos dois dados é

Para responder à segunda questão sobre pelo menos três noves nas 100 jogadas, temos

Exemplo 4.6.2 (Aplicando MINITAB e Excel) Consulte o Exemplo 4.6.1. Usando o MINITAB e Excel, encontre a probabilidade
de que ocorram x noves, em que x = 0, 1, 2, ... , 6.

Solução: Da nossa discussão no Exemplo 4.6.1, temos que n = 100, θ = 1/9 = 0,111. Desejamos encontrar a probabilidade p(X =
x), em que x = 0, 1, 2, ... , 6. Para encontrar essas probabilidades, procedemos como segue:
 MINITAB

1. Introduza os valores 0, 1, 2, ... , 6 na coluna C1.

2. Na barra de Menu, selecione Calc > Probability Distributions > Binomial.
3. Na caixa de diálogo, clique no círculo próximo a Probability.
4. Introduza 100 (o número de tentativas) na caixa próxima a Number of Trial e 0,111 (a probabilidade de sucesso) na caixa
próxima a Event Probability.
5. Clique no círculo próximo a Input column e digite C1 na caixa próxima a ele.
6. Clique OK. As probabilidades desejadas aparecerão na janela da sessão como:

x P(X = x)

0 0,000008

1 0,000097

2 0,000599

3 0,002444

4 0,007401

5 0,017742

6 0,035075

Se desejarmos armazenar essas probabilidades em uma coluna — digamos, C2 —, então digite C2 na caixa próxima a Optional
storage (Armazenamento opcional).

Microsoft Excel

Em uma planilha do Excel, em qualquer cela vazia, use a função da planilha BINOMDIST, digitando
“=DISTR.BINOM(núm_s;tentativas;probabilidade_s;cumulativo).” Usando-se essa função, núm_s é o número de sucessos nas
tentativas; tentativas é o número de tentativas independentes; probabilidade_s é a probabilidade de sucesso para cada tentativa; e
cumulativo é um valor lógico que determina a forma da distribuição. Se a entrada cumulativo for verdadeira, a fórmula retornará
a função de distribuição acumulada. Se for falsa, então a fórmula retornará a função massa de probabilidade, ou a probabilidade
de “núm_s” sucessos. Neste caso, precisamos encontrar a probabilidade para cada x = 0, 1, ... , 6, e devemos usar a função
DISTR.BINOM para cada um desses valores de x. Assim, em relação ao Exemplo 4.6.1 e usando x = 0, devemos introduzir a
fórmula = distr.binom(0;100;1/9;falso), que retornará um valor de 7,77e-6, ou aproximadamente 0,000008. Podemos, então,
repetir o processo usando a mesma função para os valores restantes de x para calcular as probabilidades associadas, que são
idênticas às calculadas pelo MINITAB.

Teorema 4.6.1 A função geradora de momentos da variável aleatória binomial X é dada por

Prova:

PROBLEMAS PRÁTICOS PARA AS SEÇÕES 4.5 E 4.6

1. Uma amostra de 16 válvulas PCV para motores a gás é selecionada aleatoriamente de um grande lote, e testada. Dentre as 16
válvulas selecionadas, seja X o número das que se mostram defeituosas quando testadas. As válvulas são defeituosas ou não
defeituosas independentemente. Se a probabilidade de uma válvula ser defeituosa é 0,02, encontre as seguintes
probabilidades:
(a) Nenhuma válvula é defeituosa.
(b) No máximo uma válvula é defeituosa.
(c) No mínimo uma válvula é defeituosa.
2. Suponha que seja de 0,03 a probabilidade de que um paciente admitido em um hospital seja diagnosticado com certo tipo de
câncer. Suponha que, certo dia, 10 pacientes sejam admitidos e que X denote o número de pacientes diagnosticados com
aquele tipo de câncer. Determine a distribuição de probabilidade da variável aleatória X. Ache a média e a variância de X.
3. Defina tentativas de Bernoulli em palavras. Suponha que a probabilidade de sucesso de uma tentativa de Bernoulli seja θ e
que você esteja interessado em determinar a probabilidade de X sucessos em n tentativas independentes de Bernoulli.
Descreva a distribuição de probabilidade da variável aleatória X.
4. Seis mísseis são lançados em direção a certo alvo. A probabilidade de um míssil atingir o alvo é de 75%. Qual é a
probabilidade de que, dos seis mísseis lançados (a) exatamente um atinja o alvo, (b) pelo menos três atinjam o alvo, (c) todos
os seis atinjam o alvo?
5. A média e a variância de uma distribuição binomial com parâmetros n e θ são 12 e 3. Ache as seguintes probabilidades: (a)
P(X < 4), (b) P(4 ≤ X ≤ 11), (c) P(X ≥ 7).
6. Um teste de múltipla escolha consiste em 12 questões com três alternativas cada uma. Se um estudante marca as respostas
aleatoriamente, ache a probabilidade de que o estudante consiga (a) cinco respostas corretas, (b) de quatro a oito respostas
corretas, (c) no máximo cinco respostas corretas.
7. No Problema 5, estabeleça claramente a distribuição de probabilidade da variável aleatória binomial X. Qual é a
probabilidade de que a variável aleatória X fique no intervalo [m – 3θ, μ + 3θ]?
8. Em uma pesquisa realizada por uma assistente social, 30 % das mulheres disseram ser vítimas de violência doméstica.
Suponha que esse percentual seja verdadeiro para todas as mulheres nos Estados Unidos. Usando a distribuição de
probabilidade binomial (Tabela II do Apêndice A), encontre a probabilidade de que, em uma amostra aleatória de 20
mulheres, o número das que eram vítimas de violência doméstica (a) seja no mínimo 6, (b) esteja entre 7 e 11 (inclusive), (c)
seja no máximo 8.
9. Um sistema eletrônico é planejado para funcionar desde que cinco de seus oito componentes principais funcionem. Cada um
desses componentes trabalha independentemente com probabilidade 0,6. Qual é a probabilidade de que o sistema funcione?
10. Tem sido afirmado que pelo menos 40 % de todas as falências pessoais nos Estados Unidos se devem a despesas médicas. Se,
em determinado município, 10 falências pessoais ocorrem em determinado período, encontre a probabilidade de que pelo
menos quatro dessas falências sejam devidas a despesas médicas.

4.7 A DISTRIBUIÇÃO MULTINOMIAL

Suponha que uma tentativa resulte em um, e somente um, de k eventos mutuamente exclusivos E1, E2, ... , Ek, com probabilidades
θ1, θ2, · · · , θk, respectivamente, em que θ1 + θ2 + ... + θk = 1. Se são feitas n tentativas independentes, pode-se ver, por um
argumento semelhante para a obtenção da função de probabilidade (4.6.2) da distribuição binomial, que a probabilidade de
obtenção de x1 E1’s, x2 E2’s, ... , xk Ek’s é dada por

em que 0 ≤ xi ≤ n, i = 1, · · · , k, e x1 + · · · + xk = n. Esta é a função de probabilidade da distribuição multinomial. O nome vem

do fato de que as probabilidades são os termos na expansão de (θ1 + · · · + θk)n. Note que, se k = 2, temos a distribuição binomial
e, portanto, a distribuição multinomial é, essencialmente, uma extensão da distribuição binomial.

Exemplo 4.7.1 (Probabilidades para uma distribuição trinomial) Considere uma produção de rolamentos de certo tipo, cujos
diâmetros devem ser de 0,2500 polegada. Devido à variabilidade inerente ao processo de fabricação, e devido à demanda do
consumidor, os rolamentos são classificados como abaixo do tamanho, acima do tamanho e aceitável se as medidas forem
menores do que 0,2495 polegada, maiores do que 0,2505 polegada, e entre 0,2495 e 0,2505 polegada, respectivamente.
Suponha que o processo de produção desses rolamentos seja tal que 4 % deles são abaixo do tamanho, 6 % são acima do
tamanho, e 90 % são aceitáveis. Se 100 desses rolamentos são escolhidos aleatoriamente, a probabilidade de obtenção de x1
abaixo do tamanho, x2 acima do tamanho e x3 aceitáveis é dada por

em que 0 ≤ x1 ≤ 100, 0 ≤ x2 ≤ 100, 0 ≤ x3 ≤ 100, e .

 Note que (4.7.2) é um exemplo de uma função de probabilidade multivariada; uma discussão mais completa de funções de
probabilidade multivariadas é dada no Capítulo 6.

PROBLEMAS PRÁTICOS PARA A SEÇÃO 4.7

1. Em certa cidade, ocorrem muitos acidentes anualmente, de modo que o departamento de trânsito tem sido muito exigente
com a aprovação de pessoas que buscam sua carteira da habilitação. As probabilidades de que uma pessoa que faz o exame
passe na primeira, na segunda ou na terceira tentativa são 0,45, 0,30 e 0,45, respectivamente. Qual é a probabilidade de que,
entre 19 pessoas que fazem o exame, quatro passem na primeira tentativa, cinco passem na segunda, e os 10 restantes passem
na terceira tentativa?
2. Os registros do departamento de cardiologia de um hospital mostram que pacientes submetidos a cirurgia de ponte
coronariana permanecem no hospital por cinco, sete ou 10 dias depois de operados, com probabilidades de 0,45, 0,35 e 0,20,
respectivamente. Qual é a probabilidade de que, dos próximos 25 pacientes de cirurgia de ponte, 10 fiquem por cinco dias,
oito fiquem por sete dias, e os sete pacientes restantes fiquem por 10 dias?
3. O departamento de controle da qualidade de uma companhia determinou que os carregamentos de certo fornecedor
apresentam quatro, seis ou nove itens defeituosos com probabilidades 0,55, 0,20 e 0,10, respectivamente. Qual é a
probabilidade de que nos próximos dez carregamentos sejam encontrados quatro itens defeituosos em cada um de três
carregamentos, e apenas seis defeituosos em cada um dos sete carregamentos restantes?
4. Uma urna contém seis bolas vermelhas, oito verdes e onze amarelas. Uma amostra aleatória de 20 bolas é extraída com
reposição. Qual é a probabilidade de que, das 20 bolas extraídas, sete sejam vermelhas, seis sejam verdes e sete sejam
amarelas?
5. Uma loja de computadores recebe unidades de pendrive em carregamentos que consistem em quatro memórias diferentes.
Um carregamento particular contém 100 pendrives, dos quais 30 % são de 1 GB, 25 % de 2 GB, 25 % de 8 GB, e os restantes
20 % são de 16 GB de memória. Uma amostra aleatória de 20 pendrives é selecionada daquele carregamento. Qual é a
probabilidade de que a amostra selecionada tenha seis pendrives de 1 GB, quatro de 2 GB, sete de 8 GB e os 16 restantes
sejam de 16 GB de memória?
6. Joga-se um dado equilibrado 12 vezes. Qual é a probabilidade de obtenção de dois 3, quatro 1, e três 5?
7. Acredita-se que a probabilidade de se cair na malha fina da Receita Federal dependa da renda bruta. Suponha que essas
probabilidades sejam de 0,15; 0,18; 0,27 e 0,40 para as declarações sendo auditadas se as rendas brutas são de $100K ou
menos; de mais do que $100K, mas de $250K ou menos; de mais de $250K, mas de $500K ou menos; e de mais de $500K,
respectivamente. Qual é a probabilidade de que, dentre 60 declarações sendo auditadas, 10 tenham renda bruta de 100K ou
menos; 15 tenham renda bruta de mais do que $100K, mas de $250K ou menos; 10 tenham renda bruta de mais de $250K,
mas de $500K ou menos, e as 25 restantes tenham renda bruta de mais de $500K?

4.8 A DISTRIBUIÇÃO DE POISSON

4.8.1 Definição e Propriedades da Distribuição de Poisson

Consideramos, agora, uma importante distribuição de probabilidade, a distribuição de Poisson, obtida como uma forma limite da
função de probabilidade b(x) da distribuição binomial quando n → ∞ e θ → 0 de tal modo que nθ permanece constante (a
aproximação é boa quando nθ < 10). Como θ → 0, a distribuição de Poisson também é conhecida como uma distribuição de
probabilidade de eventos raros. Assim, por exemplo, a distribuição de Poisson pode ser usada para se encontrar a probabilidade
de ocorrências de um evento particular (raro) que acontece durante um período de tempo especificado, ou sobre um intervalo
especificado de medida (por exemplo, o comprimento de um fio elétrico), ou sobre uma área ou volume especificados, quando a
probabilidade de ocorrência do evento de interesse é muito pequena. Ela tem aplicações em muitas áreas, em particular como
descrição de fenômenos de contagem.
Por exemplo, podemos estar interessados em encontrar a probabilidade de um número de acidentes que ocorrem em uma
indústria de manufatura, do número de pacientes admitidos em um hospital, do número de carros que passam por um pedágio, do
número de clientes que entram em um banco, ou do número de chamadas telefônicas recebidas por uma recepcionista durante um
período de tempo. Analogamente, podemos estar interessados em encontrar a probabilidade de um fio elétrico de determinado
comprimento ter certo tipo de defeito, do número de arranhões em uma área especificada de uma superfície lisa, do número de
furos em um rolo de papel, ou do número de partículas radiativas em um volume especificado do espaço. Todos esses exemplos
têm uma coisa em comum: a variável aleatória X, que denota o número de ocorrências de eventos que podem ocorrer durante um
período especificado de tempo, comprimento, área ou volume deve satisfazer as condições de um processo conhecido como
processo de Poisson, para sermos capazes de usar a distribuição de Poisson.

4.8.2 Processo de Poisson

Seja X(t) o número de vezes que determinado evento ocorre aleatoriamente em um período de tempo t. Então, esses eventos
formam o que se chama de processo de Poisson com taxa l (l > 0) (i.e., para t = 1, X(1) = λ), se

1. X(0) = 0.
2. Os números de eventos que ocorrem em quaisquer dois intervalos que não se sobrepõem são independentes.
3. O número médio de eventos que ocorrem em qualquer intervalo é proporcional ao tamanho do intervalo e não depende de
quando ou de onde ocorrem.
4. A probabilidade de exatamente uma ocorrência em um intervalo muito pequeno (t, t + δt) de tempo é igual a l(δt) e a
probabilidade de duas ou mais ocorrências em tal intervalo é zero.

4.8.3 Distribuição de Poisson como Forma Limite da Binomial

Considere a função de probabilidade binomial

Se n → ∞ e θ → 0 de tal modo que nθ permanece fixo em um valor λ, obtemos

O espaço amostral de X é claramente 0, 1, 2, ... , e, naturalmente, e é a base do logaritmo natural, com valor 2,71828. Denotando
esse limite por p(x), podemos escrever

que é a função de probabilidade da distribuição de Poisson. Como o resultado acima sugere, podemos usá-lo para aproximar b(x)
para n grande e θ pequeno como segue:

Note que

isto é, a soma de p(x) por todos os pontos no espaço amostral infinito de X é 1.

Exemplo 4.8.1 (Aproximação da probabilidade binomial com o uso da distribuição de Poisson) Dois por cento dos parafusos
fabricados por uma máquina são defeituosos, e ocorrem aleatoriamente durante a produção. Se os parafusos são embalados em
caixas com 100 cada uma, qual é a probabilidade de que dada caixa contenha x defeituosos?

Solução: Supomos que o número de parafusos produzidos seja muito grande, de modo que podemos usar a distribuição binomial.
A probabilidade de a caixa conter x defeituosos como dado pela distribuição binomial é
Como n = 100, θ = 0,02 e nθ = 2, a aproximação de Poisson para b(x) acima é dada por

A comparação entre b(x) e sua aproximação de Poisson é dada na Tabela 4.8.1.

Note que, se certo tipo de fio, por exemplo, é isolado por um processo de esmaltagem, e se a ocorrência de uma quebra no
isolamento segue um processo de Poisson, então a probabilidade de que x quebras de isolamento ocorram em um comprimento L
de fio, digamos px(L), é dada por

em que λ é o número médio de quebras de isolamento por unidade de comprimento.

TABELA 4.8.1 Valores de b(x) e p(x) para n = 100, θ = 0,02, λ = 2

x b(x) p(x)

0 0,1326 0,1353

1 0,2707 0,2707

2 0,2734 0,2707

3 0,1823 0,1804

4 0,0902 0,0902

5 0,0353 0,0361

6 0,0114 0,0120

7 0,0031 0,0034

8 0,0007 0,0009

9 0,0002 0,0002

10 0,0000 0,0000

Exemplo 4.8.2 (Experimento de Poisson) Sabe-se que em certo processo de isolamento o número de quebras de isolamento por
jarda é 0,07. Qual é a probabilidade de se encontrarem x dessas quebras em um pedaço de fio de 16 jardas de comprimento?

Solução: Para um pedaço de fio de 16 jardas de comprimento, o número esperado de quebras de isolamento é λ = (0,07) × 16 =
1,12. Então

Exemplo 4.8.3 (Usando MINITAB e Excel) Um fabricante de peças de carro descobriu que uma de suas máquinas produz
aleatoriamente algumas peças defeituosas. Além disso, a companhia determinou que X, o número de peças defeituosas que ela
produz em cada turno, é distribuído segundo uma distribuição de Poisson, com λ = 3. Usando o MINITAB e o Microsoft Excel,
ache a probabilidade de que ela produza x peças defeituosas nos próximos dois turnos, em que x = 0, 1, 2, ... , 10.

Solução: Da equação (4.8.3) temos que X, o número de peças defeituosas que a máquina produzirá em dois turnos, é distribuído
segundo Poisson, com λ = 3 × 2 = 6. Para encontrar a probabilidade p(X = x), x = 0, 1, 2, ... , 10, proceda como a seguir.
 MINITAB

1. Introduza os valores 0, 1, 2, ... , 10 na coluna C1.

2. Na barra de Menu, selecione Calc > Probability Distributions > Poisson.
3. Na caixa de diálogo que aparece na tela, clique no círculo próximo a Probability.
4. Introduza 6 (o valor de λ) na caixa próxima a Mean (Média).
5. Clique no círculo próximo a Input column e digite C1 na caixa próxima a ele.
6. Clique OK. As probabilidades desejadas aparecerão na janela da sessão como:

x P(X=x)

0 0,002479

1 0,014873

2 0,044618

3 0,089235

4 0,133853

5 0,160623

6 0,160623

7 0,137677

8 0,103258

9 0,068838

10 0,041303

Se você desejar armazenar essas probabilidades em uma coluna, digamos C2, digite C2 na caixa próxima a Optional storage.

Microsoft Excel
Em uma planilha do Excel, em qualquer cela vazia, use a função da planilha POISSON, digitando “=DIST.
POISSON(x;média;cumulativo)”. Usando essa função, x é o número de eventos, “média” é o valor de λ (aqui, λ = 6), e
cumulativo é um valor lógico que determina a forma da distribuição. Se a entrada cumulativa é “Verdadeira”, a fórmula retornará
a probabilidade acumulada de Poisson. Se for “Falsa”, a fórmula retornará a função massa de probabilidade, ou a probabilidade
de o número de eventos que ocorrem ser exatamente x. No caso presente, devemos achar a probabilidade para cada x = 0,1, 2, ... ,
10, e devemos usar a função DIST.POISSON para cada um desses valores de x. Assim, voltando ao Exemplo 4.8.3, e usando x =
0, devemos introduzir a fórmula “=Dist.Poisson(0;6;falso)”, que retornará um valor de 0,0025, a probabilidade de 0 peça
defeituosa. Devemos, então, repetir o processo, usando a mesma função para os valores restantes de x, para calcular as
probabilidades a eles associadas, que serão idênticas às calculadas pelo MINITAB.

Voltamos, agora, à função geradora de momentos (veja Seção 4.2) da variável aleatória X com distribuição de Poisson, que é
dada por

Para a dedução da função geradora de momentos e alguns momentos, veja a Seção 4.10.
A média e a variância da variável aleatória X de Poisson são dadas por

Note que a média e a variância de uma variável aleatória de Poisson são ambas iguais a λ. Para a dedução da média e da
variância da distribuição de Poisson, veja a Seção 4.10.

PROBLEMAS PRÁTICOS PARA A SEÇÃO 4.8

1. Uma variável aleatória X é distribuída segundo uma distribuição de Poisson, com λ = 3,5. Use a distribuição de Poisson
(Tabela III do Apêndice A) para determinar as seguintes probabilidades: (a) P(X < 5), (b) P(2 ≤ X ≤ 6), (c) P(X > 7), (d) P(X
≥ 5).
2. Uma máquina em uma indústria tem, em média, duas falhas por mês. Ache a probabilidade de que, durante os próximos três
meses, ela tenha: (a) pelo menos cinco falhas, (b) no máximo oito falhas, (c) mais do que cinco falhas.
3. O número de peças defeituosas produzidas por turno pode ser modelado com o uso de uma variável aleatória que tem a
distribuição de Poisson. Suponha que, em média, sejam produzidas três peças defeituosas por turno.
(a) Qual é a probabilidade de que exatamente quatro peças defeituosas sejam produzidas em dado turno?
(b) Qual é a probabilidade de que mais de sete peças defeituosas sejam produzidas nos dois próximos turnos?
(c) Qual é a probabilidade de que, no máximo, oito peças defeituosas sejam produzidas nos três próximos turnos?
4. A probabilidade de que uma mulher morra de câncer de mama ou de câncer cervical é de 0,00027. Ache a probabilidade de
que, entre 10.000 mulheres que estão sendo monitoradas em relação a esses tipos de câncer (a) três morram de câncer de
mama ou cervical, (b) no máximo quatro morram de câncer de mama ou cervical, ou (c) pelo menos duas morram de câncer
de mama ou cervical.
5. Com base em registros passados, o gerente de uma loja de varejo sabe que, em média, 30 clientes por hora entram na loja.
Ache a probabilidade de que, em dado período de cinco minutos
(a) pelo menos dois clientes entrem na loja.
(b) exatamente quatro clientes entrem na loja.
(c) no máximo seis clientes entrem na loja.
6. O número de reclamações por semana que uma loja de descontos recebe em relação a seus produtos é uma variável aleatória
com distribuição de Poisson, com λ = 5. Ache a probabilidade de que, durante um período de duas semanas, a loja receba (a)
pelo menos 10 reclamações, (b) exatamente 9 reclamações, (c) no máximo 12 reclamações.
7. Suponha que a probabilidade de uma companhia de seguros pagar um seguro em dado período de seis meses relativo a roubo
de carro seja de 0,0003. Ache a probabilidade de que, dos 15.000 seguros contra roubo de carro, a companhia pague, no
mínimo, 10 seguros durante dado ano.
8. Uma variável aleatória X é distribuída segundo uma distribuição binomial, com n = 15, σ = 0,1. Ache as seguintes
probabilidades, primeiro usando a distribuição binomial e, depois, usando a aproximação de Poisson para a distribuição
binomial. Compare os resultados.
(a) P(X < 6)
(b) P(4 ≤ X ≤ 9)
(c) P(X ≥ 5)
(d) P(X ≤ 8)

4.9 A DISTRIBUIÇÃO BINOMIAL NEGATIVA

A distribuição binomial negativa se aplica sempre que um experimento possui as seguintes características:

1. O experimento consiste em uma sequência de tentativas independentes.

2. Cada tentativa resulta em um de dois resultados possíveis, chamados de sucesso e fracasso.
3. A probabilidade de sucesso para cada tentativa, θ, é constante ao longo do experimento e, consequentemente, a
probabilidade de fracasso, 1 – θ, é constante ao longo do experimento.
4. O experimento continua até que um número fixo de sucessos tenha sido alcançado.

Denotemos por A o evento de que uma tentativa resulta em sucesso, e A o evento de que uma tentativa resulta em fracasso, e
suponha que P(A) = θ e P(A) = 1 – θ = τ. Determinaremos, agora, a probabilidade de que o número de tentativas necessárias para
obtermos exatamente k sucessos seja x. Note que, na distribuição binomial, o número de tentativas é fixo, mas o número de
sucessos encontrados em um número fixo de tentativas é uma variável aleatória. No cenário binomial negativo, isso é invertido;
isto é, o número de tentativas X é uma variável aleatória, enquanto o número de sucessos é fixo.
Para a determinação da probabilidade de k sucessos na xa tentativa, suponha que façamos E o evento de obtermos k – 1 A’s
nas x – 1 primeiras tentativas e F o evento de obtermos A na xa tentativa. Como as tentativas são independentes e estamos
interessados no evento E ∩ F, em que E e F são eventos independentes, temos

Mas a probabilidade P(E) na equação (4.9.1) é a probabilidade binomial de (k – 1) sucessos em (x – 1) tentativas, isto é,
e P(F) = θ, a probabilidade de sucesso na xa tentativa. Assim, p(x), a função de probabilidade da variável aleatória binomial
negativa X, é dada por

Isso se chama distribuição binomial negativa porque p(x) é o (x – k + 1)o termo na expansão de θk(1 – τ)–k, quando (1 – τ)–k
[um binômio (1 – τ) com expoente negativo – k] é expandido em uma série de potências de τ, em que, naturalmente, τ = 1 – θ. É
interessante notar, também, que (4.9.3) é, algumas vezes, chamada de distribuição binomial de tempo de espera, uma vez que a
função de probabilidade p(x) é simplesmente a probabilidade de se esperar ao longo de x tentativas independentes para obter k
A’s, ou k sucessos.

Exemplo 4.9.1 (Probabilidades binomiais negativas) Dois dados são jogados e a soma dos pontos das faces superiores é
registrada. Qual é a probabilidade de que ocorra um 7 pela terceira vez na terceira jogada? Na quarta jogada? Na xa jogada (x ≥
3)?

Solução: Consultando o Exemplo 3.7.1, temos que θ = p(7) = 6/36 = 1/6 e que o número de jogadas x, necessárias para se obter k
= 3 setes (evento A é o evento “um sete”) tem probabilidades dadas pela distribuição binomial negativa (veja (4.9.3)), de modo
que

Portanto,

p(3) = 1/216 = 0,00463, p(4) = 15/1296 = 0,01157, p(5) = 150/7776 = 0,01929

Determinaremos as probabilidades para x = 6, 7, ... , usando o MINITAB e o Microsoft Excel, como segue.

MINITAB

1. Introduza os valores 6, 7, ..., na coluna C1.

2. Na barra de Menu, selecione Calc > Probability Distribuitions > Negative Binomial.
3. Na caixa de diálogo que aparece na tela, clique no círculo próximo a Probability.
4. Introduza 3 (o número de sucessos) na caixa próxima de Number of Events needed (número de eventos necessários) e
0,1667 = 1/6 (a probabilidade de sucesso) na caixa próxima a Event Probability.
5. Clique no círculo próximo a Input column e digite C1 na caixa próxima a ele.
6. Clique em OK. As probabilidades desejadas serão listadas na janela da sessão como a seguir.
x P(X = x)

6 0,0268047

7 0,0335045

8 0,0390871

9 0,0434283

10 0,0465285

11 0,0484652

12 0,0493608

13 0,0493588

14 0,0486090

15 0,0472569

16 0,0454375

17 0,0432720
 18 0,0408664

19 0,0383107

Se desejar armazenar essas probabilidades em uma coluna — digamos, coluna C2 —, digite C2 na caixa próxima a Optional
storage.

Microsoft Excel
Em uma planilha do Excel, em qualquer cela vazia, use a função DIST.BIN.NEG da planilha digitando
“DIST.BIN.NEG(núm_f;núm_s;probabilidade_s)”. Ao usar essa função, note que núm_f é o número de fracassos, núm_s é o
número limite de sucessos, e probabilidade_s é a probabilidade de sucesso. Precisamos encontrar a probabilidade para x = 6, 7, ...,
e devemos usar a função DIST.BIN.NEG da planilha para cada um desses valores de x. Assim, consultando o Exemplo 4.9.1 e
usando x = 6, introduzimos a fórmula “=DIST.BIN.NEG(3;3;1/6)”, que retornará um valor de 0,02679, a probabilidade de serem
necessárias seis jogadas para a obtenção de três sucessos. Então, repetimos o processo usando a mesma função para os valores
restantes de x a fim de calcular as probabilidades a eles associadas, que são idênticas às calculadas pelo MINITAB.

A média e a variância da distribuição binomial negativa com função de probabilidade dada na equação (4.9.3) são

Como exemplo, se o experimento acima fosse repetido um grande número de vezes, a espera média (k/θ) necessária para a
obtenção de três setes seria 3/(1/6) = 18 jogadas. Pode-se mostrar, facilmente, que a função geradora de momentos da distribuição
binomial negativa é dada por

PROBLEMAS PRÁTICOS PARA A SEÇÃO 4.9

1. Uma companhia manufatureira de turbinas de ar descobriu que a probabilidade de que uma turbina seja não conforme é 0,03.
Suponha que as turbinas sejam conformes e não conformes independentemente. Ache a probabilidade de que a terceira
turbina não conforme seja a 100a turbina fabricada pela companhia.
2. Considere uma sequência de tentativas de Bernoulli independentes, com probabilidade se sucesso de 0,25. Determine a
probabilidade de que (a) o quinto sucesso ocorra na 16a tentativa, (b) o quarto sucesso ocorra na 10a tentativa.
3. Suponha que sejam realizadas tentativas independentes, cada uma das quais resulte em um sucesso com probabilidade 0,6.
Qual é a probabilidade de que o nono sucesso ocorra na vigésima tentativa?
4. Em relação ao Problema 3, ache a probabilidade de que o 14o sucesso ocorra antes do 12o fracasso.
5. Sabe-se que no turno da noite de uma fábrica são produzidos 10 % de seus itens defeituosos. Um engenheiro da qualidade
inspeciona todos os itens manufaturados em dado turno da noite. Qual é a probabilidade de que, para encontrar o quinto item
defeituoso, o engenheiro precise inspecionar pelo menos 31 itens?
6. A probabilidade de que um jogador de beisebol faça um home run em qualquer turno é 0,30. Qual é a probabilidade de que
ele faça o segundo home run no oitavo turno?
7. Um engenheiro de controle da qualidade de uma companhia verifica que uma máquina comprada recentemente produz 5 %
de peças que não satisfazem as especificações. Qual é a probabilidade de que a terceira peça que não satisfaz as
especificações seja a 40a a ser produzida pela máquina?

4.10 ALGUMAS DEDUÇÕES E PROVAS (OPCIONAL)

Esta seção está disponível para download no site da Editora LTC.

4.11 UM ESTUDO DE CASO

Estudo de Caso (Redução dos erros de leitura feitos por vendedores que processam pedidos de cartão de crédito)* Esse estudo
de caso diz respeito ao problema de redução de erros feitos por vendedores que processam pedidos de cartão de crédito para um
grande banco. Cada vendedor tem trabalhadores que processam fisicamente os pedidos, verificando se estão completos e
introduzindo a informação no computador. Neste estudo de caso, o planejamento amostral para controle da qualidade se faz
através da seleção de 50 pedidos de cartão de crédito completados a cada dia, de cada vendedor. Um pedido de cartão de crédito
processado é considerado defeituoso (não conforme) se nele houver algum erro. Neste estudo de caso, os autores obtiveram os
dados de quatro determinados vendedores, por um período de tempo de 107 a 207 dias. Os dados para esse estudo de caso estão
disponíveis no site da editora LTC.

a. Ache o número médio de pedidos não conformes por amostra para cada um dos quatro vendedores.
b. Usando os resultados obtidos na parte (a) e empregando uma distribuição de Poisson, ache as probabilidades de serem
encontrados X = 0, 1, ... , 5 pedidos não conformes, para cada vendedor.
c. Compare as probabilidades que você determinou na parte (b) e comente sobre a qualidade do trabalho desses vendedores.

4.12 USANDO O JMP

Esta seção não está incluída aqui, mas está disponível para download no site da Editora LTC.

Problemas Práticos de Revisão

1. Suponha que um lote de 50 fusíveis, dos quais se sabe que sete são defeituosos, está disponível para amostragem. Propõe-
se a extração aleatória de 10 desses fusíveis, (sem reposição) seguida de seu teste. Qual é a probabilidade de que tais
amostras aleatórias de 10 contenham 0, 1, 2, ... , 7 fusíveis defeituosos?
2. Um lote contém 30 itens, seis dos quais são defeituosos. Qual é a probabilidade de que uma amostra aleatória de cinco
itens desse lote não contenha itens defeituosos? Não mais do que um defeituoso? Mais de dois defeituosos? (Suponha a
amostragem sem reposição.)
3. Na jogada de cinco dados equilibrados, ache a probabilidade de se obter pelo menos uma face um, exatamente uma face
um, exatamente duas faces um.
4. Se a probabilidade de se acertar um alvo é de 0,2 e 10 tiros são dados independentemente, qual é a probabilidade de que se
acerte o alvo pelo menos uma vez? Pelo menos cinco vezes?
5. Qual é a probabilidade de se extrair uma mão de 13 cartas que não contenha ases, reis, rainhas ou valetes?
6. Suponha que 5 % dos comprimidos de aspirina prensados por certo tipo de máquina sejam lascados. Na embalagem desses
comprimidos, 12 são colocados em cada caixa. Qual percentual de caixas você estima que:
(a) Não teria comprimidos lascados?
(b) Não teria mais do que um comprimido lascado?
(c) Teria exatamente x comprimidos lascados?
7. Suponha que 13 cartas sejam dadas de um baralho comum, bem misturado.
(a) Qual é a probabilidade de saírem x espadas?
(b) Qual é a probabilidade de saírem y copas? Descreva o espaço amostral de y.
(c) Qual é a probabilidade de saírem x espadas e y copas? Descreva o espaço amostral de (x, y).
8. Qual é a probabilidade de saírem duas caras três vezes em quatro jogadas de cinco moedas?
9. Sabe-se que 0,0005 % de homens que têm seguro morrem de certo tipo de acidente a cada ano. Qual é a probabilidade de
que uma companhia de seguros tenha que pagar mais do que três entre 10.000 segurados contra tais acidentes, em
determinado ano?
10. Sabe-se que um saco de sementes de grama contém 1 % de sementes de ervas daninhas. Extrai-se uma amostra de 100
sementes. Ache as probabilidades de haver 0, 1, 2, 3, ... , 7 sementes de ervas daninhas na amostra.
11. Um processo de fabricação de placas de vidro produz uma média de quatro pequenas bolhas espalhadas por 100 pés
quadrados de vidro. Com o uso da distribuição de Poisson, qual é a probabilidade de que:
(a) Uma placa de vidro de cinco pés por 10 pés contenha mais do que duas bolhas?
(b) Seis placas de vidro de cinco pés por cinco pés não contenham quaisquer bolhas?
12. Pequenos alfinetes de latão são fabricados pela companhia ABC. Dois por cento desses alfinetes são menores do que o
tamanho desejado, 6 % são maiores e 92 % são satisfatórios. Os alfinetes são embalados com 100 por caixa. Toma-se uma
caixa aleatoriamente. Escreva a expressão para as probabilidades dos seguintes eventos:
(a) A caixa contém x alfinetes satisfatórios e y alfinetes menores do que o tamanho desejado, sendo os restantes maiores
do que o tamanho desejado.
(b) A caixa não contém alfinetes menores do que o tamanho desejado.
(c) A caixa contém apenas alfinetes satisfatórios.
13. Suponha que 10 pessoas lancem, cada uma, duas moedas. Qual é a probabilidade de que:
(a) Três pessoas lancem duas caras, três pessoas lancem duas coroas, e quatro pessoas lancem uma cara e uma coroa?
 (b) Nenhuma pessoa lance uma cara e uma coroa?
14. Duas moedas são lançadas n vezes. Ache a probabilidade de x, o número de vezes em que não aparece cara; y, o número de
vezes em que aparece uma cara; e z, o número de vezes em que aparecem duas caras (x + y + z = n).
15. Uma urna contém 10 bolas brancas e 20 pretas. Bolas são retiradas da urna uma a uma, sem reposição, até que tenham
aparecido cinco bolas brancas. Seja X o número de extrações necessárias para aparecerem cinco brancas. Qual é o espaço
amostral de X? Ache uma expressão para a probabilidade do evento X = x.
16. Suponha que um lote de 10.000 artigos tenha 200 defeituosos, e que dele seja extraída (sem reposição) uma amostra
aleatória de 100 artigos.
(a) Qual é a probabilidade de haver exatamente x defeituosos na amostra?
(b) Determine a aproximação binomial para a probabilidade em (a).
(c) Determine a aproximação de Poisson para a probabilidade em (a).
17. A fração de artigos defeituosos que saem de uma máquina é igual a θ. Os defeituosos ocorrem “aleatoriamente” durante a
produção. Os artigos são embalados m por caixa e n caixas são colocadas em caixas de papelão maiores (suponha que os
números de produção sejam grandes).
(a) Se uma caixa de artigos é escolhida aleatoriamente, qual é a probabilidade de que ela contenha exatamente x
defeituosos?
(b) Se uma caixa de papelão grande é escolhida aleatoriamente, qual é a probabilidade de que y de suas caixas não
contenham defeituosos?
18. No Problema 17, qual é a probabilidade de que:
(a) A máquina produza k artigos bons (não defeituosos) antes de produzir um defeituoso?
(b) A máquina tenha que produzir x artigos para produzir k artigos bons?
19. Se é de 0,6 a probabilidade de que um engenheiro seja aprovado na primeira tentativa em um teste para Cinturão Preto Seis
Sigmas, use a fórmula da distribuição binomial para encontrar a probabilidade de que seis de 10 engenheiros que fazem o
teste passem na primeira tentativa.
20. Um lote de N artigos tem d defeituosos. Se artigos são retirados do lote aleatoriamente, um de cada vez, sem reposição,
qual é a probabilidade de que:
(a) Exatamente x artigos devam ser examinados para o primeiro defeituoso ser encontrado?
(b) Exatamente x artigos devam ser examinados para se encontrar o do (último) defeituoso?
21. No teste de um relé, suponha que a probabilidade seja θ de que ele deixe de fazer um bom contato em uma única tentativa,
e que θ permaneça constante ao longo de um grande número de tentativas. Supondo que os resultados de tentativas
seguidas sejam independentes, qual é a probabilidade de que:
(a) Sejam necessárias x tentativas para se obter a primeira falha?
(b) Sejam necessárias x tentativas para se obter a ka falha?
22. Na década de 1970, a proporção de lançamentos bem-sucedidos de mísseis em uma base de teste de mísseis foi de 0,85.
Suponha que seja planejado um experimento que requeira três lançamentos bem-sucedidos. Qual é a probabilidade de que
exatamente X tentativas sejam necessárias? Exatamente cinco? Exatamente sete? Menos do que seis?
23. No Problema 22, suponha que outro experimento requeira quatro lançamentos bem-sucedidos. Qual é a probabilidade de
que exatamente X tentativas sejam necessárias? Exatamente cinco? Exatamente sete? Menos do que seis?
24. Um aparelho deixa de operar em uma única tentativa com probabilidade θ. Seja X a variável aleatória que denota o número
de tentativas necessárias para serem obtidas k falhas. Se os resultados de tentativas sucessivas são independentes, mostre
que a função de probabilidade de X é dada por

Mostre que a média e a variância de X são dadas por

25. No Problema 24, suponha k = 1. Mostre que, se Y é uma variável aleatória que denota o número de tentativas necessárias
para a obtenção de uma falha, então a f.p. de Y é

p(y) = θ(1 – θ)y – 1, y = 1, 2, ...,

e que sua média e sua variância são 1/θ e (1 – θ)/θ2, respectivamente. Esta distribuição é chamada distribuição geométrica.
Mostre que .
Em relação ao Problema 25, mostre que
26.

(O resultado acima implica que a distribuição geométrica não tem memória, pois, se o evento de uma falha não ocorreu
durante as s primeiras tentativas, então a probabilidade de que uma falha não ocorra nas próximas t tentativas é a mesma
probabilidade de que não ocorra nas t primeiras tentativas. Em outras palavras, a informação de que uma falha não ocorreu
nas s primeiras tentativas é “esquecida” nos cálculos seguintes.)
27. Um lote contém N artigos, dos quais Nθ são defeituosos. Artigos são extraídos do lote sem reposição sucessiva e
aleatoriamente, até que k defeituosos sejam encontrados. Seja X uma variável aleatória que denota o número de artigos que
devem ser extraídos para se alcançar esse objetivo. Mostre que a f. p. de x é dada por

e que

28. Usando a função geradora de momentos (4.6.4) de uma variável aleatória X que tem a distribuição binomial dada por
(4.6.2), mostre que a média e a variância de X são nθ e nθ(1 – θ), respectivamente.
29. No teste de lâmpadas elétricas para certo tipo de projetor, descobre-se que 40 % delas queimam antes do término do
período de garantia. Suponha que o departamento de engenharia de uma escola compre 12 dessas lâmpadas. Ache a
probabilidade de que:
(a) Entre quatro e seis lâmpadas queimem durante o período de garantia.
(b) Mais de cinco lâmpadas queimem durante o período de garantia.
(c) Menos de oito lâmpadas queimem durante o período de garantia.
(d) Nenhuma lâmpada queime durante o período de garantia.
30. Seja X uma variável aleatória distribuída segundo a distribuição binomial, com n = 25 e θ = 0,35. Ache a média, a
variância e o desvio-padrão da variável aleatória X.
31. A droga Xanax é usada para controle da ansiedade. No entanto, acredita-se que 70 % dos usuários se tornam dependentes
da droga. Suponha que extraiamos uma amostra aleatória de 15 usuários de Xanax e contemos o número de pessoas
dependentes dela. Ache a probabilidade de que
(a) Mais de 10 sejam dependentes de Xanax.
(b) Menos de 8 sejam dependentes de Xanax.
(c) Entre 10 e 12 pessoas inclusive sejam dependentes de Xanax.
32. Uma caixa com 100 chips de computador contém oito chips defeituosos. Suponha que uma amostra aleatória de 10 chips
seja extraída, sem reposição, dessa caixa. Ache a probabilidade de que a amostra tenha
(a) Pelo menos um chip defeituoso.
(b) Todos os chips defeituosos.
(c) Nove chips defeituosos.
(d) Nenhum chip defeituoso.
33. No Problema 32, seja X o número de chips defeituosos. Ache a média, a variância e o desvio-padrão da variável aleatória
X.
34. Um clube de engenharia consiste em cinco seniores e sete juniores. Suponha que cinco membros do clube sejam
selecionados para formar um comitê. Ache a probabilidade de que
(a) O comitê tenha pelo menos dois juniores.
(b) O comitê tenha três ou mais seniores.
(c) O comitê não tenha mais do que dois seniores.
(d) O comitê não tenha juniores.
35. Uma companhia de seguros descobriu que três donos de apólices, entre 1000 segurados contra um tipo particular de
acidente, preenchem um pedido de indenização a cada ano. Suponha que a companhia tenha 2000 pessoas seguradas
contra aquele tipo de acidente. Ache a probabilidade de que, durante certo ano,
(a) Pelo menos quatro peçam indenização.
(b) Não mais do que 10 peçam indenização.
 (c) Entre cinco e oito (inclusive) peçam indenização.
(d) Menos de dois peçam indenização.
(e) Mais de dois peçam indenização.
36. Um programador faz duas entradas erradas a cada hora, em média. Ache a probabilidade de que, nas próximas cinco horas,
ele faça
(a) Menos do que oito entradas erradas.
(b) Pelo menos quatro entradas erradas.
(c) Entre três e cinco (inclusive) entradas erradas.
(d) Mais de uma entrada errada.
37. Em média, quatro clientes chegam, a cada dez minutos, ao guichê de um banco. Ache a probabilidade de que nos próximos
10 minutos
(a) Pelo menos cinco clientes cheguem ao guichê.
(b) Não mais do que dois clientes cheguem ao guichê.
(c) Entre dois e seis clientes (inclusive) cheguem ao guichê.
(d) Menos de seis clientes cheguem ao guichê.
38. Indique quais dos seguintes experimentos podem ser estudados com o uso do modelo binomial. Justifique sua resposta.
(a) Extração de cinco rolamentos, com reposição, de uma caixa que contém 25 rolamentos, dos quais 10 têm diâmetro de
10 mm e 15 têm diâmetro de 20 mm, e observação dos diâmetros dos rolamentos extraídos.
(b) Seleção aleatória de quatro engenheiros para compor uma equipe de negociação de contrato, de um grupo de 50
engenheiros, 20 dos quais são cinturões verdes seis sigmas, e observação de quantos dos selecionados são cinturões
verdes seis sigmas.
(c) Jogada de um dado honesto e observação do número na face superior.
(d) Seleção de uma companhia de manufatura do meio-oeste dos Estados Unidos e observação de suas rendas anuais
serem, ou não, superiores a um bilhão de dólares, sabendo-se que 30 % de todas as companhias de manufatura naquela
região têm rendas que totalizam mais de um bilhão de dólares.
39. Imediatamente antes das eleições de 2006 nos Estados Unidos, uma das agências de pesquisa informou que 60 % dos
eleitores eram contra a guerra no Iraque. Suponha que esse resultado seja válido para todos os eleitores do país. Usando a
tabela de distribuição binomial (Tabela II do Apêndice A), calcule a probabilidade de que, em uma amostra aleatória de 20
eleitores norte-americanos, o número dos que são contra a guerra no Iraque é
(a) de pelo menos cinco.
(b) de no máximo sete.
(c) maior do que cinco, mas menor do que 10.
(d) exatamente oito.
(e) menor do que ou igual a nove.
40. Um engenheiro de controle da qualidade cinturão verde seis sigmas descobriu que, na média, lotes de 500 chips de
computador têm exatamente dois chips defeituosos.
(a) Usando a fórmula para a distribuição de Poisson, determine a probabilidade de que uma caixa de 1000 chips tenha
exatamente cinco chips defeituosos.
(b) Usando a distribuição de Poisson (Tabela III do Apêndice A), calcule a probabilidade de que uma caixa de 1000 chips
tenha (i) mais do que cinco chips defeituosos, (ii) no máximo seis chips defeituosos, (iii) de quatro a oito (inclusive)
chips defeituosos.
41. Um lote de 500 baterias de carro está programado para embarque se uma amostra aleatória de 20 baterias desse lote tiver
duas ou menos baterias defeituosas. Sabendo-se que há 60 baterias defeituosas no lote, ache a probabilidade de que ele seja
embarcado.
42. O número de pacientes admitidos em um atendimento de emergência de um hospital metropolitano pode ser modelado
como uma variável aleatória de Poisson. Suponha que, em média, cinco pacientes sejam admitidos a cada hora.
(a) Qual é a probabilidade de que exatamente quatro pacientes sejam admitidos na próxima hora?
(b) Qual é a probabilidade de que mais de sete pacientes sejam admitidos nas próximas duas horas?
(c) Qual é a probabilidade de que no máximo oito pacientes sejam admitidos nos próximos 90 minutos?
(d) Qual é a probabilidade de que mais do que cinco, mas menos do que 10 pacientes sejam admitidos nas próximas duas
horas?
43. Quais das seguintes funções são funções de probabilidade válidas? Explique.
(a) p(x) = x/20, x = 1, 2, 3, 4, 5, 6 e zero nos demais pontos.
(b) p(x) = x2/140, x = 1, 2, 3, 4, 5, 6, 7 e zero nos demais pontos.
(c) p(x) = (x – 3)/5, x = 2, 3, 4, 5, 6 e zero nos demais pontos.
44. Para as funções que são funções de probabilidade válidas no Problema 43, ache a média e a variância de X.
45. Determine o valor da constante c tal que as seguintes funções sejam funções de probabilidade válidas:
(a) p(x) = cx/20, x = 1, 2, 3, 4, 5, 6 e zero nos demais pontos.
(b) p(x) = c(x2 + 1), x = 1, 2, 3, 4, 5 e zero nos demais pontos.
(c) p(x) = c(x – 1), x = 1, 2, 3, 4, 5, 6 e zero nos demais pontos.
46. Volte ao Problema 45. Em cada caso, determine a média e a variância de X.
47. Determine a média e a variância das seguintes funções de probabilidade:
(a) p(x) = x/21, x = 1, 2, 3, 4, 5, 6 e zero nos demais pontos.
(b) p(x) = (x2 – 1)/50, x = 1, 2, 3, 4, 5 e zero nos demais pontos.
48. Seja X uma variável aleatória que tem distribuição uniforme para x = 1, 2, . . . , n. Ache a média e a variância de X.
49. Seja x uma variável aleatória que tem distribuição de Bernoulli com parâmetro θ. Ache a função geradora de momentos de
X. Então, use essa função para encontrar a média e a variância de X.
50. Seja a variável aleatória X com distribuição uniforme discreta para 0 ≤ x ≤ 50. Determine a média e a variância de X.
51. Em relação ao Problema 48, ache a média e a variância de X + c (c constante) e comente.
52. Ao analisar um grande conjunto de dados, uma companhia de seguros estimou em 0,000002 a probabilidade de que uma
pessoa na faixa etária de 70–80 anos morra de causas naturais em qualquer ano. Se a companhia tem 500.000 segurados
nessa faixa etária, determine a probabilidade de que, devido a morte por causas naturais, a companhia tenha que pagar
durante um dado ano
(a) pelo menos duas indenizações.
(b) não mais do que quatro indenizações.
(c) entre três e cinco (inclusive) indenizações.
53. Uma placa de circuito de um sistema eletrônico muito complexo tem 500 juntas de solda. A probabilidade de que uma
junta se solte em um ano de uso da placa de circuito é 0,001.
(a) Qual é a probabilidade de que, em um ano, três juntas se soltem?
(b) Qual é a probabilidade de que, em um ano, pelo menos duas juntas se soltem?
(c) A placa de circuito deixa de ser funcional se qualquer junta se solta. Ache a probabilidade de que, em dois anos, a
placa de circuito deixe de ser funcional.
54. A probabilidade de que uma peça manufaturada em uma fábrica seja defeituosa é 0,001. Em certo dia, a fábrica produziu
10.000 peças. Ache as seguintes probabilidades:
(a) Pelo menos cinco peças são defeituosas.
(b) Não mais do que oito peças são defeituosas.
(c) Entre quatro e nove (inclusive) peças são defeituosas.
55. Um engenheiro de controle da qualidade está interessado em saber quantas peças ele precisa inspecionar para detectar a
primeira peça defeituosa. Se a probabilidade de que uma peça selecionada aleatoriamente seja defeituosa é θ e X é o
número de peças inspecionadas necessárias para se detectar a primeira peça defeituosa, então X é uma variável aleatória
que tem distribuição geométrica.
(a) Determine a distribuição de probabilidade da variável aleatória X.
(b) Determine o valor esperado e a variância de X.
(c) Determine P(X = 20), dado que θ = 0,07.
56. A variável aleatória X tem distribuição geométrica com θ = 0,05. Determine as seguintes probabilidades: (a) P(X ≥ 24), (b)
P(15 ≤ X ≤ 30), (c) P(X > 28).
57. O conjunto de 15 candidatos à posição de gerente de uma firma consiste em 10 candidatos com grau de Mestre e cinco
com grau de Doutor. Um entrevistador seleciona aleatoriamente oito candidatos para entrevista. Determine as
probabilidades dos seguintes eventos:
(a) São selecionados três candidatos com grau de Doutor.
(b) São selecionados pelo menos dois candidatos com grau de Doutor.
(c) São selecionados não mais do que dois candidatos com grau de Doutor.
58. De todos os clientes que compram carro em uma feira de carros, 60 % compram um carro norte-americano. Seja a variável
aleatória X que representa o número de clientes que compraram um carro americano em um total de 50 carros vendidos na
feira.
(a) Descreva a distribuição de probabilidade da variável aleatória X.
(b) Determine o valor esperado e a variância de X.
(c) Determine a probabilidade P(X ≤ 30).
(d) Determine a probabilidade P(15 ≤ X ≤ 25).
(e) Determine a probabilidade P(X > 20).
__________
* Fonte: Lucas, J. M., Davis, J., e Saniga, E. M. (2006), “Detecting Improvements Using Shewhart Attribute Control Charts When The Lower
Control Limit Is Zero”, IIE Transactions 38, 659–669; Saniga, E. M., Davis. D. J., e Lucas, J. M. (2009), “Using Shewhart and CUSUM Charts
for Diagnosis with Count Data in Vendor Certification Study”, Journal of Quality Technology 41(3). Usado com permissão.