Você está na página 1de 21

ANÁLISE ESTATÍSTICA

Unidade 3
Distribuições de probabilidade

Distribuições de probabilidade
OBJETIVO
A utilização das probabilidades indica a existência de um elemento de acaso, ou
de incerteza, quanto a ocorrência ou não de um evento.São várias as situações
em que é desejável ter uma medida (avaliação numérica) de quão provável é a
ocorrência de determinado evento futuro: lançamento de um produto, obter bons
lucros em uma operação empresarial, compra de ações etc... Após estudo deste
capítulo, você será capaz de utilizar as distribuições de probabilidade, o que
permitirá a resolução de grande número de problemas práticos.

1. Variáveis aleatórias discretas

Variável aleatória é a função que associa a todo evento pertencente a uma par-
tição do espaço amostral um único número real.

A variável aleatória para ser discreta deve assumir valores em um conjunto finito
ou em um conjunto infinito, porém enumerável.

Seja X uma variável aleatória que pode assumir os valores x1, x2, x3, ..., xn. A cada
valor xi correspondem pontos do espaço amostral. Associamos, então, a cada valor xi a
probabilidade pi de ocorrência de tais pontos no espaço amostral. Assim temos:

Os valores x1, x2, x3, ..., xn e seus correspondentes p1, p2, ..., pn definem uma
distribuição de probabilidade.

Consideremos o número de acidentes diários em um estacionamento e suas


respectivas probabilidades:

73
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

Os valores abaixo foram obtidos dividindo-se o valor de acidentes pelo total de


acidentes p= 22/30 = 0,73

Este quadro é denominado distribuição de probabilidade.

1.2. Distribuições de probabilidades discretas

1.2.1. Distribuição Binomial

São medidas de probabilidade que avaliam possibilidades de acontecimentos em


diversas áreas.Consideremos n tentativas independentes de um mesmo experimento
aleatório. Cada tentativa admite apenas dois resultados: fracasso denominado por
(q) e sucesso denominado por (p) cujo resultado deve ser

p+q=1

O modelo de distribuição binomial poderá ter aplicação em diversas áreas por


exemplo:

“ Respostas a um teste com diversas questões V ou F;


“ Escolher entre um produto bom e defeituoso;
“ Atirar em um alvo, atingindo-o ou não; etc..

A distribuição pode ser representada por:

Onde:

X = número de sucessos em n tentativas;


n = número de tentativas;
p = probabilidade de sucesso;
q = probabilidade de fracasso;

sendo que é a combinação fatorial.

- Na formula acima você deverá utilizar uma calculadora científica.

- Os resultados poderão também ser obtidos através de tabelas (ver fim da


unidade).
74
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

Veja os exemplos abaixo:

Exemplo: Sabendo-se que a probabilidade de um determinado casal gerar um


filho é de ¼, qual a probabilidade de que dentre CINCO filhos deste casal.

a) nenhum tenha olhos azuis;


b) dois tenham olhos azuis.
p= ¼ ou 0,25 (probabilidade do casal gerar um filho);
q= ¾ ou 0,75 (probabilidade de um casal não gerar filho);

- Vamos então calcular o valor da combinação:

a) P (x=0) = é o valor procurado (é a probabilidade de não se gerar nenhum filho)

- Você poderá resolver o problema acima sem cálculos utilizando a Tabela


de Distribuição Binomial que esta no final da unidade.

Para fazer uso da Tabela Distr. Binomial você necessita dos seguintes dados:

N= 5 (localize a Tabela cujo N é igual a este valor)


p = 0,25 (localize na Tabela escolhida o valor de p=0,25)
X=0

Utilizando X=0 que se encontra na primeira coluna e p=0,25 que se encontra


na primeira linha, encontramos P(x=0) = 0,2373 ou 23,73%

b) Agora temos P(x=2)

Exemplo: Um exame é constituído de 10 questões cada uma contém 5 alternati-


vas das quais apenas 1 é correta. Se um estudante responde as questões ao acaso,
qual é a probabilidade que consiga acertar 5 questões?

N=10 75
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

p=1/5= 0,20
P(X=5)=?

- Cálculo da combinação:

- Para simplificar, corta-se os valores iguais do numerador e do denominador:

- n: nº de acertos
- n: 0, 1, ..., 10
- p = 1/5 (probabilidade de acertar as questões);
- q = 4/5 (probabilidade de não acertar a questão);

P (x = 5) = 252.(1/5)5.(4/5)(10-5)
P (x = 5) = 252.(0,2)5.(0,8)5 = 0,0264 ou 2,64%
Para fazer uso da Tabela você necessita dos seguintes dados:

N= 10 (localize a Tabela cujo N é igual a este valor)


p = 0,20 (localize na Tabela escolhida o valor de p=0,20)
X=5

Utilizando X=5 que se encontra na primeira coluna e p=0,25 que se encontra


na primeira linha, encontramos P(x=0) = 0,02642 ou 2,642%

Exemplo: Se 15% de peças de um processo de fabricação apresentam defeito,


determine a probabilidade de que em uma amostra de 5 peças:

a) duas tenham defeito


- N = 5;
-x=2
- p= 15% ou 0,15
- q= 15% ou 0,85

76
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

- Como = 0,15 e = 0,85, temos:


n
P( X = k ) =   p x q n− x
k 
P (x = 2) = 10. (0,15)2 . (0,85)(5-2)
P (x = 2) = 13,8%
P (x = 2) = 0,060 ou 6,0%

b) No máximo 2 tem defeitos

ATENÇÃO!
Quando se diz X no máximo 2, isto significa que temos de considerar as proba-
bilidades de(x=0) de não se encontrar nenhuma peça defeituosa, (x=1) de se
encontrar uma peça defeituosa e (x=2) de se encontrar uma peça defeituosa.

-Temos uma condição, que P (x ≤ 2):


P (x ≤ 2) = P (x = 0) + P (x = 1) + P (x = 2) = 97,3%
- Então devemos calcular as seguintes combinações:

c) No mínimo 2 peças defeituosas

- Onde: p = 0,91 e q = 0,09, porque p + q = 1

Exemplo: Uma moeda é lançada 20 vezes. Qual a probabilidade de saírem 8 caras.


- N = 20
- p = 0,50 (probabilidade de sair cara)
- q = 0,50
-x=8
77
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

- Utilizando a Tabela temos

N= 20
P=0,50
X=8

Encontra-se o mesmo resultado de P(x=8) = 0,1203

Exemplo: Se 5% das lâmpadas de certa marca são defeituosas, ache a probabilidade


de que, numa amostra de 100 lâmpadas, escolhida ao acaso, não tenha nenhuma defeituosa;

Temos:

p= 5% ou 0,05 (probabilidade de sucesso ou de que exista a lâmpada


defeituosa);
q= 95% ou 0,95% (probabilidade de que não exista peça defeituosa)

n= 100

a)p(x=0)= ?
fazendo a combinação,

temos: = 1 =1

78
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

NOTA:
Para efeito de agilidade e simplificação você pode utilizar a função fatorial e yx
da sua máquina de calcular.
1.2.2. Distribuição de Bernoulli

Se uma variável aleatória x só pode assumir os valores 0 e 1 com P (x = 0) = q


e P (x = 1) = p com p + q = 1,
x = 0 (fracasso)
x = 1 (sucesso)

Nessas condições a variável aleatória x tem distribuição de Bernoulli, e sua função


de probabilidade é dada por:

Resumo das suas principais características:

X tem distribuição de Bernoulli.

onde:
E (x) = esperança (valor médio ou média de uma variável aleatória).
V (x) = variância (grau de dispersão de probabilidade em torno da média).

Exemplo: Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa
urna. Seja X: número de bolas verdes:

a) Determinar P (x)
b) Calcular E (x) e Var (x)

- Inicialmente devemos determinar as probabilidades de fracasso e sucesso:

79
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

a) O problema admite X como sendo bolas verdes, temos:

b) E (X) = p = 2/5

1.2.3. Distribuição de Poisson

A distribuição de Poisson é largamente empregada quando se deseja contar o


número de eventos de certo tipo que ocorrem num intervalo de tempo, ou superfície
ou volume. São exemplos:

a) número de chamadas telefônicas recebidas por unidade de tempo;


b) número de falhas de um computador num dia de operação;
c)número de relatórios de acidentes enviados a uma companhia de seguros
numa semana.
d) Chegada de clientes em um supermercado ou banco por unidade de tempo;
e) Acidentes por unidade de tempo.

Uma aplicação imediata deste modelo ocorre quando uma variável aleatória x
admite Distribuição Binomial com n>30 e com p<0,05 (5%). A função pode ser obtida
também por tabela de distribuição de Poisson.
A função de probabilidade é dada por:
e− λ λx
P( X = x) = x = 0,1,2,3,..., n
x!
Onde:

e = 2,7182 (base dos logaritmos neperianos);


x = número de sucessos em um intervalo;
λ = média de ocorrência de x (taxa de sucessos no período);

Taxa de sucessos no período = taxa de ocorrência x período (comprimento ou


área, etc).

Características: λ = N.p

Exemplo: Uma máquina produz 9 peças defeituosas a cada 1000 peças produ-
zidas. Calcule a probabilidade de que em um lote contenha:

a) 200 peças, contenha 8 defeituosas.


b) 500 peças sem defeitos.

RESOLUÇÃO:

a) p = 9/1000 = 0,009
N = 200
P(x = 8) = ? (peças defeituosas)
80
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

Calculando “ λ “ (taxa de sucessos no período), temos:


λ = N.p
λ = 200 . 0,009 = 1,8

- Substituindo na função de probabilidade:

e − λ λx
P( X = x) =
x!
e − 1,8 (1,8) 8
P( X = 8) =
8!
0,1652 . 110,20
P( X = 8) = = 0,00045
40320

- O resultado pode ser encontrado na Tabela

b) Preste atenção, pois as condições são:


p = 0,009
N = 500
x = 0 (peças sem defeitos)
λ = N.p
λ = 500 . 0,009 = 4,5
e− 4,5 (4,5)0
P( X = 0) =
0!
0,011.1
P( X = 0) = = 0,011
1
Exemplo: O corpo de bombeiros de uma determinada cidade recebe em média
3 chamadas por dia. Qual a probabilidade de receber:

a) 4 chamadas no dia x;
b) nenhuma chamada em nenhum dia;
c) 20 chamadas em uma semana;

- λ = 3 (média de 3 chamadas):

a) x = 4
e − 3 (3) 4
P( X = 4) =
4!
0,0497.81
P ( X = 4) = = 0,168
24

NOTA
O valor de λ =3 esta na Tabela de distribuição de Poisson.Basta localizar o
mesmo que esta na primeira linha, e o valor de X=4 que esta na primeira coluna.
Encontraremos o valor da probabilidade de 0,1680 ou 16,80%.

b) P(x=0) =?
λ=3

81
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

e − 3 (3)0
P( X = 0) =
0!
0,0497.1
P( X = 0) = = 0,0497
1

NOTA
O valor de λ = 3 esta na Tabela de distribuição de Poisson.Basta localizar o
mesmo que esta na primeira linha, e o valor de X=0 que esta na primeira coluna.
Logo o valor encontrado é de 0,04997.

c) Neste caso, “ λ “ = 3 . 7 = 21, pois estamos considerando 1 semana, ou seja,


(taxa de ocorrência) x (período).

− 21 20
e (2 1)
( X = 2 0) =
2 0!
-1 0 26
(7,58 x 1 0 ).(2,7 8 x1 0 )
P ( X = 2 0) = = 0,087
18
2,43 x 1 0

Exemplo: A probabilidade de uma lâmpada se queimar ao ser ligada é 1/100.


Numa instalação com 100 lâmpadas, qual a probabilidade de 2 lâmpadas se quei-
marem ao serem ligadas?

- N= 100
p = 1/100 = 0,01
P(x=2)= ?
λ = 100 . 0,01 = 1
e − 1(1) 2
P( X = 2) =
2!
0,3679.1
P( X = 2) = = 0,1840
2

NOTA
O valor de λ = 1 esta na Tabela de distribuição de Poisson.Basta localizar o
mesmo que esta na primeira linha, e o valor de X=2 que esta na primeira coluna.
Encontraremos o valor da probabilidade de 0,1839 ou 18,39%

1.3. Distribuições de probabilidades contínuas

Uma variável é contínua se o conjunto dos possíveis valores que ela pode assumir
são valores em um intervalo contínuo.

Para a variável aleatória contínua, a função densidade probabilidade (f.d.p) pode


ser representada por uma equação descrita graficamente por uma curva.

82
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

F (x)

a b x
Se quisermos determinar a probabilidade que o valor da variável aleatória encon-
tra-se no intervalo [a, b] devemos calcular a integral de f (x) neste intervalo, ou seja:
a
1 . P ( a ≤ x ≥ b ) = ∫ f (x) d x
b
2. f (x) ≥ 0 (não negativa)
+∞
3. ∫ f (x) dx = 1
-∞
a
Observamos que P (a ≤ x ≥ b ) = ∫ f (x) dx corresponde à área delimitada pela função
b
f (x), eixo dos X e pelas retas X = a e X = b.
1.3.1. Distribuição normal

Dentre as distribuições de probabilidade contínua a distribuição normal se


destaca como a mais importante, pois tem grande aplicação em pesquisas científicas
e tecnológicas.A função probabilidade normal é dada por:
x−µ 2
1 1 / 2( )
f ( x) = .e σ
2π σ

Onde:
µ = média
σ = desvio padrão
e = 2,7182

O gráfico de função normal é dado por:

-∞ x=µ +∞
As principais propriedades dessa função são:

a) É simétrica em relação ao ponto x = µ ;


b) As três medidas de posição média, mediana e moda se conjuntam no
ponto de máximo da curva (x = µ );
c) Fica perfeitamente definida conhecendo-se a média e o desvio padrão;
d) Tem dois pontos de inflexão em x = µ ± 0.
83
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

X a b
Se quisermos calcular a probabilidade indicada na figura, devemos fazer:

(x − µ )2

P(a ≤ X ≤ b) = ∫ab
1
e 2σ 2 dx
σ 2π
que apresenta um certo grau relativo de dificuldade. Usaremos a notação:
X : N( µ σ 2)
(X tem distribuição normal com média µ e variância σ 2).

Seja X : N( µ σ ), definimos:
2

X −µ
Z=
σ

Z é chamada de variável normal reduzida ou padronizada.



A maneira de calcular a probabilidade é através da variável Z que se encontra
tabelada.
Uso da tabela de distribuição normal reduzida:
X −µ
Z=
A vantagem de se usar a variável σ é que podemos tabelar os valores
da área, ou as probabilidades.

A tabela apresentada no final deste capítulo nos dá:



A simetria em torno de Z = 0 nos permite obter a área entre quaisquer valores
de Z (+ ou –).
P (0 ≤ Z ≤ Z0)

A teoria é um pouco difícil de se entender, mas com os exercicios ficara


mais claro!

Exemplo: Uma variável aleatória tem distribuição normal com média igual a 20
e desvio padrão igual a 3. Encontre a probabilidade de:
a) 23 < x < 20

O problema admite:

µ = 20 (valor da média)
σ = 3, (valor do desvio padrão)
x = 20 e x = 23. (valores procurados)

84
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

O gráfico da função:

20 23 X
Veja que o que procuramos é a área entre os valores 20 e 23

Devemos transformar os valores de X em Z para entrarmos na Tabela que pos-


sibilitará achar a área da região. Podemos substituir estes valores em:

X −µ
Z=
σ
20−20
Z= =0
3
2 3− 2 0
Z= = 1,0 0
3
Agora podemos fazer uso da tabela de distribuição normal reduzida. Basta cruzar
os valores Z = 0 e Z =1 na tabela e encontrar a probabilidade:
Ir na Tabela de Distr. Normal com o valor de Z=1,00 e encontraremos 0,3413
NOTA:
Os valores de Z sempre se referem de 0 até o valor encontrado.
Os valores de Z a direita são no máximo 50% e Z a esquerda no máximo 50%

P (20 < x < 23) = P (0 < Z < 1) = 0,341345 ou 34%

b) 23 < x < 24

O mesmo raciocínio é empregado para resolver este item, veja:


X −µ
Z=
σ
2 3− 2 0
Z= = 1,0 0
3
2 4−20
Z= = 1,3 3
3
Pela tabela, Z = 1,00 ⇒ 0,3413 e Z = 1,33 ⇒ 0,4082. Então temos que:

P (23 > X > 24) = P (1,00 < Z < 1,33) ⇒ 0,4082 – 0,3413 = 0,0669

Veja! Se de 0 a 1 temos 0,3413 e de 0 a 1,33 0,4082 . Então o valor


procurado está na diferença entre os dois 85
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

Exemplo: Determine as probabilidades a partir dos dados:

µ = 100
σ =5

a) P (100 ≤ X ≤ 106)
X −µ
Z=
σ
106 − 100
Z= = 1,2 0
5
100 − 100
Z= =0
5
Gráfico da função, eixo X:

100 106

Pela tabela, Z = 0 ⇒ 0 e Z = 1,20 ⇒ 0,384930. Temos que:

P (100 ≤ X ≤ 106) = P (0 ≤ Z ≤ 1,20) = 38,5%

b) P (89 ≤ X ≤ 107)

X −µ
Z=
σ
8 9 − 100
Z= = −2,2
5
107 − 100
Z= = 1,4 0
5
Pela tabela, Z = -2,20 ⇒ 0,4860 e Z = 1,40 ⇒ 0,4192. Temos que:

P (89 ≤ X ≤ 107) = P (-2,2 ≤ Z ≤ 1,40) =


= P (-2,2 ≤ Z ≤ 0) + P (0 ≤ Z ≤ 1,40) =
= 0,4860 + 0,4192 = 0,9052

c) P (112 ≤ X ≤ 116)

X −µ
Z=
σ
86
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

112 − 100
Z= = 2,4
5
116 − 100
Z= = 3,2
5
Pela tabela, Z = 2,40 ⇒ 0,4918 e Z = 3,2 ⇒ 0,4993 Temos que:
P (112 ≤ X ≤ 116) = P (2,4 ≤ Z ≤ 3,2) =
= P (0 ≤ Z ≤ 3,2) - P (0 ≤ Z ≤ 2,4) =
= 0,4918 - 0,4993 = 0,0075

d) P (X ≤ 108)
X −µ
Z=
σ
108 − 100
Z= = 1,6
5
Pela tabela, Z = 1,60 ⇒ 0,4452. Temos que:
P (X ≤ 108) = P (Z ≤ 1,6) = 0,5 – P (0 ≤ Z ≤ 1,6) =
= 0,5 - 0,4452 = 0,0548

Exemplo: Um fabricante de baterias sabe, por experiência passada, que as


baterias de sua fabricação têm vida média de 600 dias e desvio padrão de 100 dias,
sendo que a duração tem aproximadamente distribuição normal. O mesmo oferece
garantia de 312 dias, isto é, troca as baterias que apresentarem falhas nesse período.
O fabricante produz 10.000 baterias/mês. Quantas baterias deverá trocar pelo uso
da garantia, mensalmente?

O problema nos indica que:


µ = 600
σ = 100 e X = 312
Para X= 600, transformando-o em Z, temos:
600 − 600
Z= = 0,00
100

Para X=312 transformando-o em Z, temos:


X −µ
Z=
σ
312 − 600
Z= = −2,8
100

-2,88 0 Z

87
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

Pela tabela, Z = -2,88 ⇒ 0,4980. Temos que:


P (X < 312) = P (Z ≤ -2,88) = 0,5 – P (-2,88 ≤ Z ≤ 0)
P = 0,5 – 0,4980 = 0,002

Veja! Se de 0 a –2,88, temos 0,4980 dos dados; e o resultado procurado é menor


do que este. Então basta subtrair 0,50 de 0,4980 = 0,002

Como o fabricante produz 10.000 baterias/mês, temos:


10.000 x 0,002 = 20 baterias

Exemplo: Uma fábrica de carros sabe que os motores de sua fabricação têm
duração normal com média de 150.000 Km e desvio padrão de 5000 Km. Qual a
probabilidade de um carro, escolhido ao acaso, fabricado por esta empresa, ter um
motor que dure:

a) menos que 170.000 Km


b) entre 140.000 e 165.000 Km

µ = 150.000
σ = 5.000 e X = 170

a) Vamos calcular a variável normal reduzida como nos casos anteriores:


X −µ
Z=
σ
170.000 − 150.000
Z= =4
5.000

15 0 170 X
O valor tabelado para Z = 4 é 0,499:
P (X ≤ 170.000) = P (Z ≤ 4) =
= 0,5 + P (0 ≤ Z ≤ 4) = 0,5 + 0,499 = 0,999

b) O problema pede a probabilidade entre 140.000 e 165.000 Km.


X −µ
Z=
σ
165.000 − 150.000
Z= = 3,0
5.000
140.000 − 150.000
Z= = −2,0
5.000

88
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

140 150 160 X


Para Z = 3,00 ⇒ 0,4986 e Z = -2,00 ⇒ 0,4772
P (140.000 ≤ X ≤ 165.000) = P (-2 ≤ Z ≤ 3) =
= P (-2 ≤ Z ≤ 0) + P (0 ≤ Z ≤ 3) =
= 0,4772 + 0,4986 = 0,9758

c) Menor do que 140.000


P(x <140.000)=0,50-0,4772=2,3%

d) Maior do que 140.000


P(x>140.000)=0,4772+0,50=0,9772 ou 97,72%

e) Maior do que 165.000km

EXERCICIOS PARA AVALIAÇÃO


1.Uma fábrica de pneus verificou que ao testar seus pneus nas pistas, havia em
média um estouro de pneu a cada 5000 km. (Distrib. Poisson)

a) Qual a probabilidade que num teste de 3000 km haja no máximo um pneu


estourado?
b) Qual a probabilidade de que um carro ande 8000 km, sem estourar ne-
nhum pneu?

2. Certo posto de bombeiros recebe em média 3 chamadas por dia. Calcular a


probabilidade de: . (Distrib. Poisson)

a) Receber 4 chamadas num dia;


b) Receber 3 ou mais chamadas num dia.
89
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

3-A média de chamadas telefônicas numa hora é 3. Qual a probabilidade de: .


(Distrib. Poisson)

a) Receber exatamente 3 chamadas numa hora?


b)Receber 4 ou mais chamadas em 90 minutos?

4. Suponha 400 erros de impressão distribuídos aleatoriamente em um livro de


500 páginas.Encontre a probabilidade de que uma dada página contenha: . (Distrib.
Binomial)

a) Nenhum erro;
b) Exatamente 2 erros.

5. Uma loja atende em média 2 clientes por hora.Calcular a probabilidade de em


uma hora: . (Distrib. Poisson)

a)Atender exatamente 2 clientes;


b) Atender 3 clientes.

6- Em uma estrada, passam em média 1,7 carros por minuto. Qual a probabilidade
de passarem dois carros em dois minutos? (Distrib. Poisson)

7. A duração de um certo componente eletrônico tem média 850 dias e desvio


padrão 45 dias. Calcular a probabilidade desse componente durar:(Distrib. Normal)

a) Entre 700 e 1000 dias;


b) Mais que 800 dias; c) Menos que 750 dias; d) Exatamente 1000 dias;

8. Os pesos de 600 estudantes são normalmente distribuídos com média 65,3 kg


e desvio padrão 5,5 kg. Encontre o número de alunos que pesam: (Distrib. Normal)

a) Entre 60 e 70 kg; b) Mais que 63,2 kg.

9. Uma fábrica de pneumáticos fez um teste para medir o desgaste de seus


pneus e verificou que ele obedecia a uma distribuição normal, de média 48000 km
e desvio padrão 2000 km. Calcular a probabilidade de um pneu escolhido ao acaso:
(Distrib. Normal)

a) Durar mais que 46000 km;


b)Durar entre 45000 e 50000 km.

10. Uma fábrica produz tecidos com 2,2 defeitos, por peça. Determine a proba-
bilidade de haver ao menos dois defeitos em duas peças. (Distrib. Poisson)

11.Um distribuidor de gasolina tem capacidade de receber, nas condições nor-


mais no máximo 3 caminhões por dia. Se chegarem mais do que três caminhões, o
excesso deverá ser direcionado para outro posto. Sabendo-se que em média, chegam
diariamente dois caminhões, qual a probabilidade de, em certo dia, ter que enviar
caminhões para outro distribuidor? (Distrib. Poisson)
90
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

12. Um pregão da Bolsa de Valores motrs que naquele dia 40% das empresas
tiveram aumento do valor da ações, enquanto as demais ficaram estáveis ou perde-
ram o valor. Um fundo negocia com ações de 10 empresas. Calcule a probabilidade
de que neste dia:
a)todas as ações do fundo máx. duas empresas não tenha se valorizado;
b)todas as ações do fundo tenham se valorizado;
c) todas as ações do fundo tenham sido desvalorizadas ou ficaram estáveis.

resolução dos exercícios


1) 1 estouro _________ 5000Km λ = 0,6
λ _________ 3000Km

a) P ( x ≤ 1) = P(x = 0) + P(x = 1)
= 0,5488 + 0,3093
= 0,8781 ou 87,81%

b) 1 estouro __________ 5000Km λ = 1,6


λ __________ 8000Km

P(x=0) = 20,19%

2) λ = 3 chamadas/dia

a) P(x = 4) = ? R.:16,8%

Logo λ = 4

b) P(x ≤ 3) = 1 - [P(X=0)+P(X=1)+P(X=2)]
= 1 - [0,0498 + 0,1494 + 0,2240]
= 57,6%

3) λ = 3 chamadas/hora

a) P(x = 3) = ? R.:22,40%

b) P(x ≤ 4) = ?
3 chamadas _____ 60 minutos
λ _____ 90 minutos
λ = 4, 5

P(x ≤ 4) = 1 - [P(X=0)+P(X=1)+P(X=2)+P(X=3)]
= 1 - [0,011 + 0,05 + 0,1125 + 0,1687]
= 65,78%

4) 400 erros _______ 500 págs. λ = 0,8


λ _______ 1 pág.

a) P(x = 0) = 44,93 %
b) P(x = 2) = 14,38 %
91
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

6) λ = 1,7 carros/minuto

1 minuto _______ 1,7 carros λ = 3,4


2 minutos _______ λ

P(x = 2) = 19,29% (buscar este resultado na Tabela)

7) X −µ
Z=
σ

Dados:

a)
X=700

Utilizando a Tabela de distribuição Normal tem-se : 0,4995

X= 1000

Utilizando a Tabela de distribuição Normal tem-se : 0,4995

Logo entre 700 e 1000 será:


P ( 800 < X< 1000) = (0,4995+0,4995) = 99,9%

b) P(X> 800) =

X=800 tem-se logo temos: 0,3665

(Notem que os resultados devem expressos em duas casas decimais para


entrar na Tabela de Distribuição Normal)

10) = 2,2 defeitos/pç

OBSERVE QUE SE OS RESULTADOS SÃO PELO MENOS 2. LOGO, DEVE-SE


92 RETIRAR A PROBABILIDADE DE X=0 e X=1.
ANÁLISE ESTATÍSTICA
Unidade 3
Distribuições de probabilidade

Utilizando a Tabela de Poisson, temos:

X=0 11,08%
X=1 24,38%

; = 64,5%

11) Observe que o posto tem capacidade de até no Maximo 3 caminhões


por dia. Logo ele direcionará caso este valor seja acima de 3. Logo

(media de caminhões que chegam no posto por dia)

P (X>3) = 1 – [P (x=0) +(x=1)+ (x=2)+(x=3)] = 1- [0,1353+


0,2707+0,2707+0,1804]

R.: 14,3%

12)
a) p=60% (as empresas tiveram desvalorização logo é sucesso)
N=10
=0,0177 = 1,77%

b) p(x=10)=0,0001 ou 0,01%
p=40%

c) p=60%
P(x=10)=0,006 ou 0,60%

REFERÊNCIAS BIBLIOGRÁFICAS

MORETTIN, Pedro A. & BUSSAB, Wilton de O. Estatística Básica. Editora


Saraiva. São Paulo, 2002.

MORETTIN. Luiz G. Estatística Básica – Probabilidade. Editora Makron Books.


São Paulo, 1999.

CRESPO, Antônio Arnot C. Estatística Fácil, Editora Saraiva. São Paulo, 2002.

MARTINS, Gilberto. A. Estatística Geral e Aplicada. Editora Atlas, 3a edição.


São Paulo, 2005.

93