Apostila - Variáveis Aleatórias

Universidade Federal Fluminense
Instituto de Matemática e Estatística
Fundamentos de Estatística Aplicada

Módulo III: Variáveis Aleatórias Unidimensionais
Ana Maria Lima de Farias

Departamento de Estatística
Conteúdo
1 Variáveis aleatórias discretas 1
1.1 Variável Aleatória . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Função de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Esperança de Variáveis Aleatórias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Esperança de Funções de Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Propriedades da Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Variância e desvio-padrão de uma variável aleatória . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Propriedades da variância e do desvio-padrão . . . . . . . . . . . . . . . . . . . . 10
1.5 Exercícios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Algumas Distribuições Discretas 17
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Distribuição de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Esperança e Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Distribuição Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 A Distribuição Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Variáveis Aleatórias Contínuas 27
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Função densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Esperança e Variância de Variáveis Aleatórias Contínuas . . . . . . . . . . . . . . . . . . 29
3.4 Distribuição uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
i
ii CONTEÚDO
3.5 Densidade linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 A Distribuição Normal 35
4.1 Características gerais da distribuição normal . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.1.1 Função de densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 A Densidade Normal Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.1 A Tabela da Normal Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.2 A Tabela da Distribuição Acumulada da Normal Padrão . . . . . . . . . . . . . . 42
4.3 Cálculos com a distribuição normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.1 Encontrando a abscissa da normal para uma probabilidade específica . . . . . . 47
4.4 Exemplos de Aplicação da Distribuição Normal . . . . . . . . . . . . . . . . . . . . . . . . 51
5 Solução dos exercícios 59
5.1 Capítulo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2 Capítulo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.3 Capítulo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.4 Capítulo 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
A Tabelas 81
Capítulo 1
Variáveis aleatórias discretas
Neste capítulo, você aprenderá um conceito muito importante da teoria de probabilidade:

o conceito de variável aleatória. Você verá que as variáveis aleatórias e suas distribuições de
probabilidade são as ferramentas fundamentais na modelagem de fenômenos aleatórios. Assim como
no estudo da estatística descritiva, veremos que há variáveis aleatórias discretas e contínuas, mas
o foco inicial serão as variáveis discretas. O estudo das variáveis aleatórias continuas será feito
posteriormente.
1.1 Variável Aleatória
Consideremos o seguinte experimento aleatório: sorteio de uma amostra de 20 funcionários de

uma empresa que tem 500 funcionários. O espaço amostral deste experimento é formado por todas
as amostras possíveis e, como a ordem não importa e não deve haver repetição de funcionários, o
20 . Cada elemento desse espaço amostral é formado pela
número total de tais amostras é n(Ω) = 500
relação dos 20 funcionários sorteados.
Em situações como essa, em geral, o interesse não está nos funcionários em si, mas, sim, em
alguma característica deste funcionário, por exemplo, sua altura, se tem curso superior ou não, número
de dependentes. Dessa forma, poderíamos calcular a altura média dos funcionários da amostra, o
número médio de dependentes, a proporção de funcionários com curso superior etc. Então, a cada
amostra possível, ou seja, a cada ponto do espaço amostral associamos um número. Essa é a definição
de variável aleatória.
Definição 1.1 Variável aleatória

Uma variável aleatória é uma função real (isto é, que assume valores em R) definida no espaço
amostral Ω de um experimento aleatório. Dito de outra forma, uma variável aleatória é uma
função que associa um número real a cada evento de Ω.
Por questões de simplicidade, muitas vezes abreviaremos a expressão variável aleatória por
“v.a.”. A convenção usual para representar uma v.a. consiste em usar letras maiúsculas como X ,
Y , etc. Um valor específico, mas genérico, desta variável será representado pela letra minúscula
correspondente: x, y, etc.
Continuando com o exemplo da amostra de funcionários, podemos, então, definir as seguintes

variáveis aleatórias: X = “altura média em centímetros” e Y = “número máximo de dependentes”.
2 CAPÍTULO 1. VARIÁVEIS ALEATÓRIAS DISCRETAS
Estas variáveis têm naturezas distintas, quando levamos em conta os possíveis valores de cada uma.
Para a variável X , os valores possíveis formam um intervalo, por exemplo, [140, 200]. Para a variável
Y , os valores possíveis são números inteiros, variando de 0 a 20, por exemplo. Isso nos leva à seguinte
definição.
Definição 1.2 Variáveis aleatórias discretas e contínuas
Uma variável aleatória é discreta se sua imagem (ou conjunto de valores que ela assume) for
um conjunto finito ou enumerável. Se a imagem for um conjunto não enumerável, dizemos que a
variável aleatória é contínua.
Como já dito, estudaremos inicialmente as variáveis discretas. A questão que se coloca, agora,
é: como atribuir probabilidade aos valores de uma variável aleatória discreta? Considere, então o
seguinte exemplo.
Exemplo 1.1 Dois dados

Consideremos o lançamento de dois dados equilibrados. Como já visto, o espaço amostral desse
experimento é formado pelos pares ordenados (i, j) em que i, j = 1, 2, 3, 4, 5, 6. Esse é um experimento
em que o espaço amostral não é formado por números. Suponhamos que nosso interesse esteja no
máximo das faces dos dois dados. Vamos calcular a função de probabilidade de X .
Solução:
Neste caso, a v.a. X = “máximo das 2 faces” é uma variável discreta, que pode assumir os valores
1, 2, 3, 4, 5, 6, conforme ilustrado na Tabela 1.1.
Tabela 1.1 – Variável aleatória X = “máximo das faces de 2 dados”
Pontos do espaço amostral Valor de X

(1,1) 1
(1,2),(2,2),(2,1) 2
(1,3),(2,3),(3,3),(3,2),(3,1) 3
(1,4),(2,4),(3,4),(4,4),(4,3),(4,2),(4,1) 4
(1,5),(2,5),(3,5),(4,5),(5,5),(5,4),(5,3),(5,2),(5,1) 5
(1,6),(2,6),(3,6),(4,6),(5,6),(6,6),(6,5),(6,4),(6,3),(6,2),(6,1) 6
Podemos ver que o valor X = 2 corresponde ao evento A = {(1, 2), (2, 1), (2, 2)}, enquanto o
valor X = 1 corresponde ao evento B = {(1, 1)}. Sendo assim, é de se esperar que o valor 2 seja
mais provável que o valor 1, uma vez que todos os pares são equiprováveis. Podemos calcular a
probabilidade de X = 2 usando a seguinte equivalência de eventos:
{X = 2} ≡ A = {(1, 2), (2, 1), (2, 2)}
Dessa forma, podemos definir
3
P(X = 2) = P(A) =
36
1.2. FUNÇÃO DE PROBABILIDADE 3
De maneira análoga, obtemos
1
P ({X = 1}) =
36
5
P ({X = 3}) =
36
7
P ({X = 4}) =
36
9
P ({X = 5}) =
36
11
P ({X = 6}) =
36
Observe que conseguimos estabelecer uma probabilidade para cada valor da variável aleatória.
Esse exemplo ilustra o conceito de função de probabilidade de uma v.a. discreta.

1.2 Função de probabilidade
O comportamento de uma variável aleatória discreta fica perfeitamente determinado através da

sua função de probabilidade.
Definição 1.3 Função de probabilidade
Seja X uma variável aleatória discreta. A função de probabilidade de X é a função pX (x)

que associa, a cada valor possível x de X , sua respectiva probabilidade, calculada da seguinte
forma: pX (x) é a probabilidade do evento {X = x}, consistindo em todos os resultados do espaço
amostral que dão origem ao valor x.
X
pX (x) = P ({X = x}) = P (ω) (1.1)
ω∈Ω:X (ω)=x
Para não sobrecarregar o texto, omitiremos os colchetes oriundos da notação de evento

(conjunto) e escreveremos P (X = x) no lugar de P ({X = x}), que seria a forma correta.
Das propriedades (axiomas) da probabilidade resultam os seguintes fatos sobre a função de

probabilidade de uma v.a. discreta X :
pX (x) ≥ 0 (1.2)
X
pX (x) = 1 (1.3)
x
P
em que indica somatório ao longo de todos os possíveis valores de X . Note que a segunda
x
propriedade é decorrente do axioma P (Ω) = 1, pois os eventos {X = x} são mutuamente exclusivos
e formam uma partição do espaço amostral. Estas são as condições definidoras de uma função de
probabilidade.
Cálculo da função de probabilidade
Da definição de função de probabilidade, resulta que o seu cálculo se dá em três etapas:
• primeiro, temos que identificar todos os possíveis valores x da v.a. X ;

• segundo, temos que identificar os resultados que dão origem a cada valor x e suas respectivas
probabilidades;
• finalmente, temos que somar todas essas probabilidades para obter pX (x) = P(X = x).
Exemplo 1.2 Dois dados: máximo das faces

Consideremos novamente a v.a. definida na Tabela 1.1.
Solução:
Podemos resumir a função de probabilidade da variável em questão na seguinte tabela:
x 1 2 3 4 5 6
pX (x)
1 3 5 7 9 11
36 36 36 36 36 36

Exemplo 1.3 Dois dados: soma das faces

Consideremos, novamente, o lançamento de dois dados, mas agora vamos definir a seguinte v.a. X =
“soma das 2 faces”.
Solução:
Para facilitar a solução deste problema, vamos construir uma tabela de duas entradas, em que cada
dimensão representa o resultado de um dado e em cada cela temos a soma das duas faces.
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Como todos os pontos do espaço amostral são equiprováveis, a função de probabilidade de X é:
x 2 3 4 5 6 7 8 9 10 11 12
pX (x)
1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36

Exemplo 1.4 Chaves

Um homem possui quatro chaves em seu bolso. Como está escuro, ele não consegue ver qual a chave
correta para abrir a porta de sua casa, que se encontra trancada. Ele testa cada uma das chaves até
encontrar a correta.
1.2. FUNÇÃO DE PROBABILIDADE 5
(a) Defina um espaço amostral para esse experimento.
(b) Defina a v.a. X = número de chaves experimentadas até conseguir abrir a porta (inclusive a
chave correta). Quais são os valores de X ?
(c) Encontre a função de probabilidade de X .
Solução:
(a) Vamos designar por C a chave da porta e por E1, E2 e E3 as outras chaves. Se ele para de
testar as chaves depois que acha a chave correta, então o espaço amostral é:
 

 C, 

E1 C , E2 C , E3 C ,
 
E E C , E2 E1 C , E1 E3 C , E3 E1 C , E2 E3 C , E3 E2 C ,
Ω=
 
 1 2
 
E1 E2 E3 C , E1 E3 E2 C , E2 E1 E3 C , E2 E3 E1 C , E3 E1 E2 C , E3 E2 E1 C

(b) Podemos ver, na listagem de Ω, que X = 1, 2, 3, 4.
(c) Note que todas as chaves têm a mesma chance de serem sorteadas e, obviamente, cada chave
testada não é colocada de volta no bolso. Feitas essas observações, podemos ver que
1
P(X = 1) = P(C ) =
4
P(X = 2) = P(E1 C ∪ E2 C ∪ E3 C )
= P(E1 C ) + P(E2 C ) + P(E3 C )
× + × + × =
1 1 1 1 1 1 1
=
4 3 4 3 4 3 4
P(X = 3) = P(E1 E2 C ) + P(E2 E1 C ) + P(E1 E3 C ) +
P(E3 E1 C ) + P(E2 E3 C ) + P(E3 E2 C )
= 6× × × =
1 1 1 1
4 3 2 4
P(X = 4) = P(E1 E2 E3 C ) + P(E1 E3 E2 C ) + P(E2 E1 E3 C ) +
P(E2 E3 E1 C ) + P(E3 E1 E2 C ) + P(E3 E2 E1 C )
= 6× × × ×1=
1 1 1 1
4 3 2 4
Logo, a função de probabilidade de X é
x 1 2 3 4
P(X = x) 1 1 1 1 (1.4)
4 4 4 4

Exemplo 1.5 Nota média de dois alunos

Dentre os cinco alunos de um curso com coeficiente de rendimento (CR) superior a 8,5, dois serão
sorteados para receber uma bolsa de estudos. Os CRs desses alunos são: 8,8; 9,2; 8,9; 9,5; 9,0.
(a) Designando os alunos por A, B, C , D, E , defina um espaço amostral para esse experimento.
(b) Seja X = CR médio dos alunos sorteados. Liste os possíveis valores de X .
(c) Liste o evento X ≥ 9, 0.

(d) Encontre a função de probabilidade de X e calcule P(X ≥ 9).
Solução:

(a) Note que aqui a ordem não importa; logo, n(Ω) = 5
2 = 10. Mais especificamente,

(A, B) , (A, C ) , (A, D) , (A, E) , (B, C ) ,
(B, D) , (B, E) , (C , D) , (C , E) , (D, E)
Ω=
(b) Usando uma tabela de duas entradas, podemos representar os valores de X da seguinte forma:
A(8, 8) B(9, 2) C (8, 9) D(9, 5) E(9, 0)

A(8, 8) 8,8+9,2
2 = 9, 0 8, 85 9, 15 8, 90
B(9, 2) 9, 05 9, 35 9, 10
C (8, 9) 9, 20 8, 95
D(9, 5) 9, 25
E(9, 0)
(c) {X ≥ 9} = {(A, B) , (A, D) , (B, C ) , (B, D) , (B, E) , (C , D) , (D, E)} .
(d) Como todos os pontos do espaço amostral são equiprováveis (o sorteio é aleatório), a função de
probabilidade de X é:
x 8,85 8,90 8,95 9,00 9,05 9,10 9,15 9,20 9,25 9,35
P(X = x) 1
10
1
10
1
10
1
10
1
10
1
10
1
10
1
10
1
10
1
10
e P (X ≥ 9) = 10 .
7

Exemplo 1.6 Demanda por produto

A demanda por um certo produto pode ser vista como uma variável aleatória X cuja função de
probabilidade pX (x) é estimada por
Número de unidades demandadas x 1 2 3 4

pX (x) = P(X = x) 0, 25 0, 45 0, 15 0, 15
(a) Verifique que pX (x) realmente define uma função de probabilidade.
(b) Calcule P(X ≤ 3, 5).
Solução:
(a) 0, 25 + 0, 45 + 0, 15 + 0, 15 = 1 e todos os valores são não negativos. Logo, pX é uma função de

probabilidade.
(b) Temos que
P(X ≤ 3, 5) = P(X = 1) + P(X = 2) + P(X = 3) = 0, 25 + 0, 45 + 0, 15 = 0, 85

1.3. ESPERANÇA DE VARIÁVEIS ALEATÓRIAS DISCRETAS 7
1.3 Esperança de Variáveis Aleatórias Discretas
No estudo de variáveis aleatórias e suas distribuições de probabilidades, associamos números

aos pontos do espaço amostral, ou seja, o resultado é sempre uma variável quantitativa (note que os
resultados cara e coroa não definem uma variável aleatória; para tal, temos que associar números, 0
e 1, por exemplo, a esses resultados). Sendo assim, faz sentido perguntar “qual é o valor médio da
variável aleatória X ?”
Definição 1.4 Esperança de uma variável aleatória discreta

Seja X uma variável aleatória discreta que assume os valores x1 , x2 , . . . com probabilidades
p1 , p2 , . . . respectivamente. A esperança ou média de X é definida como
X X
E (X ) = pi xi = xi P (X = xi ) (1.5)
i i
onde o somatório se estende por todos os valores possíveis de X .
Podemos ver, então, que a esperança de X é uma média dos seus valores, ponderada pelas
respectivas probabilidades.
Exemplo 1.7 Vendas e comissões

Em determinado setor de uma loja de departamentos, o número de produtos vendidos em um dia
pelos funcionários é uma variável aleatória P com a seguinte distribuição de probabilidades (esses
números foram obtidos dos resultados de vários anos de estudo):
Número de produtos 0 1 2 3 4 5 6
Probabilidade de venda 0,1 0,4 0,2 0,1 0,1 0,05 0,05
Cada vendedor recebe comissões de venda, distribuídas da seguinte forma: se ele vende até dois
produtos em um dia, ele ganha uma comissão de R$10,00 por produto vendido. A partir da terceira
venda, a comissão passa para R$50,00 por produto. Qual é o número médio de produtos vendidos
por cada vendedor e qual a comissão média de cada um deles?
Solução:
O número médio de vendas por funcionário é
E(P) = 0 × 0, 1 + 1 × 0, 4 + 2 × 0, 2 + 3 × 0, 1
+4 × 0, 1 + 5 × 0, 05 + 6 × 0, 05
= 2, 05
Com relação à comissão, vamos construir sua função de probabilidade:
Número de produtos P 0 1 2 3 4 5 6
Comissão C 0 10 20 70 120 170 220
Probabilidade de venda 0,1 0,4 0,2 0,1 0,1 0,05 0,05
A partir dessa função de probabilidade, podemos calcular:
E(C ) = 0 × 0, 1 + 10 × 0, 4 + 20 × 0, 2 + 70 × 0, 1 +
+120 × 0, 1 + 170 × 0, 05 + 220 × 0, 05
= 46, 5
ou seja, a comissão média diária de cada vendedor é R$ 46,50.

Note que a esperança de X tem a mesma unidade de medida dos valores de X .
1.3.1 Esperança de Funções de Variáveis Aleatórias
É possível obter novas variáveis aleatórias a partir de funções g(X ) de uma variável X e através
da função de probabilidade de X podemos obter a função de probabilidade de Y . Sendo assim,
podemos calcular a esperança de Y . No entanto, o cálculo da função de probabilidade de g(X ) nem
sempre é simples de ser feito. Mas se estivermos interessados apenas na esperança de g(X ), essa é
facilmente calculada a partir da função de probabilidade da variável original X , conforme mostra o
seguinte teorema.
! Esperança de Funções de uma Variável Aleatória
Seja X uma variável aleatória discreta com função de probabilidade pX (x) . Se

definimos uma nova v.a. Y = g(X ), então
X
E (Y ) = E [g (X )] = g (x) pX (x) (1.6)
x
Exemplo 1.8
Considere a v.a. X cuja função de probabilidade é dada a seguir:
x -2 -1 0 1 2 3
pX (x) 0,1 0,2 0,2 0,3 0,1 0,1
Calcule a esperança da v.a. Y = X 2 .
Solução:
A esperança pode ser calculada como

E X2 = (−2)2 × 0, 1 + (−1)2 × 0, 2 + 02 × 0, 2 +
+12 × 0, 3 + 22 × 0, 1 + 32 × 0, 1 = 2, 2
sem necessidade do cálculo da função de probabilidade de Y .

1.3.2 Propriedades da Esperança
No que segue, X é uma variável aleatória discreta com distribuição de probabilidades pX (x) e
a, b 6= 0 são constantes reais quaisquer. Temos, então, os seguintes resultados, cujas demonstrações
são imediatas, a partir da definição de esperança:
E(a) = a (1.7)
E(X + a) = E(X ) + a (1.8)
E(bX ) = b E(X ) (1.9)
xmin ≤ E(X ) ≤ xmax (1.10)
Nessa última propriedade, xmin e xmax são os valores mínimo e máximo da variável X .
1.4. VARIÂNCIA E DESVIO-PADRÃO DE UMA VARIÁVEL ALEATÓRIA 9
1.4 Variância e desvio-padrão de uma variável aleatória
A esperança de uma variável aleatória X é o centro de gravidade da distribuição de

probabilidades. Sendo assim, a esperança é uma medida de posição. No entanto, é possível que
duas variáveis bem diferentes tenham a mesma esperança, como é o caso das duas distribuições
apresentadas na Figura 1.1. Nestas duas distribuições, a dispersão dos valores é diferente.
Figura 1.1 – Distribuições de probabilidade com mesma esperança e diferentes dispersões
A dispersão de uma variável aleatória X será medida pela sua variância.
Definição 1.5 Variância de uma variável aleatória
A variância de uma variável aleatória X é definida como
Var (X ) = E [X − E (X )]2 (1.11)
Note que a variância é uma média dos desvios quadráticos em torno de E(X ).
Vamos ver como calcular a variância de uma v.a. discreta. Para isso, vamos definir g(X ) =
[X − E(X )]2 . Então, usando o resultado dado na equação (1.6), temos que
X
Var (X ) = E [g (X )] = [x − E(X )]2 pX (x)
x
Desenvolvendo o quadrado e usando as propriedades do somatório e da esperança vistas na seção

anterior, resulta
Xn o
Var (X ) = x 2 − 2x E(X ) + [E(X )]2 pX (x) =
x
X X X
= x 2 pX (x) − 2 E(X ) xpX (x) + [E(X )]2 pX (x) =
x x x
X
= x 2 pX (x) − 2 E(X ) E(X ) + [E(X )]2 × 1 =
x
X
= x 2 pX (x) − 2 [E(X )]2 + [E(X )]2 =
x
X
= x 2 pX (x) − [E(X )]2
x
P
Mas, se definimos h(X ) = X 2 , então E [h(X )] = x 2 pX (x). Assim, obtemos uma expressão mais
x
simples para a variância.
! Variância - Fórmula alternativa
A variância de uma variável aleatória X pode ser calculada como
Var (X ) = E(X 2 ) − [E(X )]2 (1.12)
que pode ser lida de maneira mais fácil como “a variância é a esperança do
quadrado menos o quadrado da esperança”.
Da definição de variância, resulta que sua unidade de medida é o quadrado da unidade de

medida da variável em estudo, sendo assim, uma unidade sem significado físico. Para se ter uma
medida de dispersão na mesma unidade dos dados, define-se o desvio- padrão como a raiz quadrada
da variância.
Definição 1.6 Desvio-padrão de uma variável aleatória
O desvio-padrão de uma variável aleatória X é definido como a raiz quadrada de sua variância:
p
DP (X ) = Var (X ) (1.13)
1.4.1 Propriedades da variância e do desvio-padrão
Sendo a variância e o desvio-padrão medidas de dispersão, é fácil ver que são válidas as
seguintes propriedades, onde a, b 6= 0 são constantes quaisquer:
Var(X ) ≥ 0 (1.14)
DP(X ) ≥ 0 (1.15)
Var (a) = 0 (1.16)

DP(a) = 0 (1.17)
Var (X + a) = Var (X ) (1.18)

DP (X + a) = DP(X ) (1.19)
Var (bX ) = b2 Var (X ) (1.20)

DP(bX ) = |b| DP(X ) (1.21)
Exemplo 1.9
Considere a v.a. Y com função de probabilidade dada por
y −3 −1 0 2 5 8 9
fY (y) 0, 25 0, 30 0, 20 0, 10 0, 07 0, 05 0, 03
e seja Z = 2Y − 3. Vamos calcular a esperança e a variância de Y e Z .

1.4. VARIÂNCIA E DESVIO-PADRÃO DE UMA VARIÁVEL ALEATÓRIA 11
Solução:
E(Y ) = −3 × 0, 25 − 1 × 0, 30 + 0 × 0, 20 + 2 × 0, 10
+5 × 0, 07 + 8 × 0, 05 + 9 × 0, 03 = 0, 17
E(Z ) = 2 × E(Y ) − 3 = 2 × 0, 17 − 3 = −2, 66

Vamos calcular agora E(Y 2 ) :
E(Y 2 ) = 9 × 0, 25 + 1 × 0, 30 + 0 × 0, 20 + 4 × 0, 10
+25 × 0, 07 + 64 × 0, 05 + 81 × 0, 03 = 10, 33
Logo
Var(Y ) = 10, 33 − 0, 172 = 10, 3011
Usando as propriedades da variância, temos que
Var(Z ) = 22 × Var(Y ) = 41, 2044

Exemplo 1.10
Um lojista mantém extensos registros das vendas diárias de certo aparelho. O quadro a seguir, dá
a distribuição de probabilidades do número de aparelhos vendidos em uma semana. Se o lucro por
unidade vendida é de R$500,00, qual o lucro esperado em uma semana? Qual é o desvio-padrão do
lucro?
x= número de aparelhos 0 1 2 3 4 5
pX (x) 0,1 0,1 0,2 0,3 0,2 0,1
Solução:
Seja X o número de aparelhos vendidos em uma semana e seja L o lucro semanal. Então, L = 500X .
E (X ) = 0 × 0, 1 + 1 × 0, 1 + 2 × 0, 2
+3 × 0, 3 + 4 × 0, 2 + 5 × 0, 1
= 2, 7 aparelhos

E X2 = 02 × 0, 1 + 12 × 0, 1 + 22 × 0, 2
+32 × 0, 3 + 42 × 0, 2 + 52 × 0, 1
= 10, 2 aparelhos2
Var (X ) = 10, 2 − (2, 7)2 = 2, 91 aparelhos2

DP (X ) = 1, 706 aparelhos
Com relação ao lucro semanal, temos que
E (L) = 500 E (X ) = R$1350, 00 DP (L) = 500DP(X ) = R$853, 00

Exemplo 1.11
Seja uma v.a. X com função de probabilidade dada na tabela a seguir:
x 1 2 3 4 5
pX (x) p2 p2 p p p2
(a) Encontre o valor de p para que pX (x) seja, de fato, uma função de probabilidade.
(b) Calcule P (X ≥ 4) e P (X < 3) .
(c) Calcule E(X ) e Var(X ).
Solução:
P
(a) Como pX (x) = 1, temos que ter:
x
3p2 + 2p = 1 ⇒ 3p2 + 2p − 1 = 0 ⇒
p = −1

√ 
−2 ± 4 + 12 −2 ± 4 
p= = ⇒ ou
6 6  p= 1

3
Como p é uma probabilidade, temos que ter p ≥ 0. Logo, o valor correto é p = .

1
3
(b) P(X ≥ 4) = P(X = 4) + P(X = 5) = p + p2 = + = 49 .

1 1
3 9
Pro(X < 3) = P(X = 1) + P(X = 2) = 2p2 = .
2
9
(c) Temos que
E(X ) = 1 × p2 + 2 × p2 + 3 × p + 4 × p + 5 × p2
1 2 4 5
= + +1+ +
9 9 3 9
29
= = 3, 2222
9
E(X 2 ) = 12 × p2 + 22 × p2 + 32 × p + 42 × p + 52 × p2
1 4 16 25
= + +3+ +
9 9 3 9
105 35
= =
9 3
2
−
35 29 14
Var(X ) = =
3 9 81

Exemplo 1.12 Jogo de dados

Um jogador A paga R$5,00 a B e lança um dado. Se sair face 3, ganha R$20,00. Se sair face 4, 5,
ou 6, perde. Se sair face 1 ou 2, tem o direito de jogar novamente. Desta vez, lança dois dados. Se
saírem duas faces 6, ganha R$50,00. Se sair uma face 6, recebe o dinheiro de volta. Nos demais
casos, perde.
Seja L o lucro líquido do jogador A nesse jogo. Calcule a função de probabilidade de L e o

lucro esperado do jogador A.
1.5. EXERCÍCIOS PROPOSTOS 13
Solução:
Sabemos que o dado é honesto e que os lançamentos são independentes. O diagrama de árvore
para o espaço amostral desse experimento é dado na Figura 1.2.
Figura 1.2 – Espaço amostral para o Exemplo 1.12
Para calcular a probabilidade dos eventos associados aos lançamentos dos dois dados (parte
inferior da árvore), usamos o fato de que a probabilidade da interseção de eventos independentes é
o produto das probabilidades.
No cálculo da probabilidade de uma face 6, multiplicamos por 2, porque a face 6 pode estar em
qualquer um dos dois dados.
Vemos que os valores do lucro L são: -5; 0; 15; 45 e a função de probabilidade de L é
Lucro ` -5 0 15 45
P(L = `) 1
2 + 2
6 × 56 × 5
6
2
6 ×2× 1
6 × 5
6
1
6
2
6 × 16 × 1
6
ou
Lucro ` -5 0 15 45
(L = `) 158
216
20
216
36
216
2
216
E(L) = −5 × + 15 × + 45 × =− = −0, 74
158 36 2 160
216 216 216 216

1.5 Exercícios propostos
1. Cinco cartas são extraídas de um baralho comum (52 cartas, 13 de cada naipe) sem reposição.
Defina a v.a. X = número de cartas vermelhas sorteadas.
(a) Quais são os possíveis valores de X ?

(b) Encontre a função de probabilidade de X .
(c) Calcule a esperança de X .
2. Numa urna há sete bolas brancas e quatro bolas verdes. Cinco bolas são extraídas dessa urna
sem reposição. Defina a v.a. X = número de bolas verdes.
(a) Quais são os possíveis valores de X ?

(b) Encontre a função de probabilidade de X .
(c) Calcule a esperança e a variância de X .
3. Repita o exercício anterior para o caso de extrações com reposição.
4. Uma variável aleatória discreta X tem a seguinte função de distribuição de probabilidade

 k
 (x+2)! x = 0, 1
pX (x) =
x 6= 0 e x 6= 1

0
onde k é uma constante.
(a) Determine o valor de k para que pX seja uma função de probabilidade.

(b) Calcule a esperança e a variância de X .
5. Considere o lançamento de três moedas e denote por K a ocorrência de cara e por C a ocorrência
de coroa. Se ocorre o evento CCC , dizemos que temos uma sequência, ao passo que se ocorre
o evento C K C temos três sequências. Defina a v.a. X = “número de caras obtidas” e Y =
“número de sequências obtidas”.
(a) Obtenha as distribuições de X e Y .

(b) Calcule a esperança e a variância de X e Y .
6. Um vendedor de serviços de informática visita diariamente uma ou duas empresas, com

probabilidades 0,6 e 0,4. Em cada visita, ele pode ser malsucedido e não conseguir fechar
negócio com probabilidade 0,6 ou ser bem sucedido e conseguir fechar um contrato médio no
valor de 5.000 reais ou um contrato grande no valor de 20.000 reais com probabilidades 0,3 e
0,1, respectivamente. Seja X o valor das vendas diárias desse vendedor.
(a) Encontre a função de probabilidade de X .

(b) Calcule o valor esperado dos ganhos diários desse vendedor, bem como o desvio-padrão.
7. Uma empresa de aluguel de carros tem em sua frota 4 carros de luxo e ela aluga esses carros
por dia, segundo a seguinte função de distribuição de probabilidade:
No. de carros alugados/dia 0 1 2 3 4

Probabilidade de alugar 0,10 0,30 0,30 0,20 0,10
O valor do aluguel é de R$2000,00 por dia; a despesa total com manutenção é de R$500,00 por
dia quando o carro é alugado e de R$200,00 por dia quando o carro não é alugado. Calcule:
(a) o número médio de carros de luxo alugados por dia, bem como o desvio padrão;
(b) a média e o desvio padrão do lucro diário com o aluguel dos carros de luxo.
8. As chamadas diárias recebidas por um batalhão do Corpo de Bombeiros apresentam a seguinte

distribuição:
Número de chamadas/dia 0 1 2 3 4 5
Percentual (%) de dias 10 15 30 25 15 5
(a) Calcule o número médio de chamadas por dia, bem como o desvio padrão do número de
chamadas diárias.
(b) Em um ano de 365 dias, qual é o número total de chamadas?
9. As probabilidades de que haja 1, 2, 3, 4 ou 5 pessoas em cada carro que se dirige ao Barra

Shopping em um sábado são, respectivamente, 0,05; 0,20; 0,40; 0,25 e 0,10.
(a) Qual o número médio de pessoas por carro?

(b) Se chegam ao shopping 50 carros por hora, qual o número esperado de pessoas no período
das 13 às 18 horas?
Capítulo 2
Algumas Distribuições Discretas
2.1 Introdução
Considere as seguintes situações:
1. (a) Lança-se uma moeda viciada e observa-se o resultado obtido e (b) pergunta-se a um eleitor
se ele vai votar no candidato A ou B.
2. (a) Lança-se uma moeda n vezes e observa-se o número de caras obtidas e (b) de uma grande
população, extrai-se uma amostra de n eleitores e pergunta-se a cada um deles em qual dos
candidatos A ou B eles votarão e conta-se o número de votos do candidato A.
3. (a) De uma urna com P bolas vermelhas e Q bolas brancas, extraem-se n bolas sem reposição e
conta-se o número de bolas brancas e (b) de uma população com P pessoas a favor do candidato
A e Q pessoas a favor do candidato B, extrai-se uma amostra de tamanho n sem reposição e
conta-se o número de pessoas a favor do candidato A na amostra.
Em cada uma das situações anteriores, os experimentos citados têm algo em comum: em certo
sentido, temos a “mesma situação”, mas em contextos diferentes. Por exemplo, na situação 1, cada
um dos experimentos tem dois resultados possíveis e observamos o resultado obtido. Na situação 3,
temos uma população dividida em duas categorias e dela extraímos uma amostra sem reposição; o
interesse está no número de elementos de uma determinada categoria.
Na prática, existem muitas outras situações que podem se “encaixar” nos modelos acima e
mesmo em outros modelos. O que veremos nesse capítulo são alguns modelos de variáveis aleatórias
discretas que podem descrever situações como as listadas anteriormente. Nesse contexto, um modelo
será definido por uma variável aleatória e sua função de probabilidade, explicitando-se claramente as
hipóteses de validade. De posse desses elementos, poderemos analisar diferentes situações práticas
para tentar “encaixá-las” em algum dos modelos dados.
Neste capítulo, serão descritas as distribuições de probabilidade discretas mais usuais. A

introdução de cada uma delas será feita através de um exemplo clássico (moeda, urna, baralho
etc.) e, em seguida, serão explicitadas as características do experimento. Tais características são
a ferramenta necessária para sabermos qual modelo se aplica a uma determinada situação prática.
Definida a distribuição, calculam-se a média e a variância.
18 CAPÍTULO 2. ALGUMAS DISTRIBUIÇÕES DISCRETAS
2.2 Distribuição de Bernoulli
Considere o lançamento de uma moeda. A característica de tal experimento aleatório é que ele
possui apenas dois resultados possíveis. Uma situação análoga surge quando da extração da carta
de um baralho, em que o interesse está apenas na cor (preta ou vermelha) da carta sorteada.
Definição 2.1 Experimento de Bernoulli

Um experimento de Bernoulli é um experimento aleatório com apenas dois resultados possíveis;
por convenção, um deles é chamado “sucesso” e o outro, “fracasso”.
Definição 2.2 Variável aleatória de Bernoulli

A v.a. de Bernoulli é a v.a. X associada a um experimento de Bernoulli, em que se define

1 se ocorre sucesso
X=
0 se ocorre fracasso
Chamando de p a probabilidade de sucesso (0 < p < 1), a distribuição de Bernoulli é
x 0 1
fX (x) 1−p p
(2.1)
Obviamente, as condições definidoras de uma função de probabilidade são satisfeitas, uma vez
que
p > 0, 1 − p > 0 e p + (1 − p) = 1.
O valor de p é o único valor que precisamos conhecer para determinar completamente a distribuição;
ele é, então, chamado parâmetro da distribuição de Bernoulli. Vamos denotar a distribuição de
Bernoulli com parâmetro p por Bern(p).
Na Figura 2.1, temos o gráfico da função de probabilidade de uma distribuição de Bernoulli.
Figura 2.1 – A distribuição de Bernoulli com parâmetro p

2.3. DISTRIBUIÇÃO BINOMIAL 19
2.2.1 Esperança e Variância
Seja X ∼ Bern(p) (lê-se: a variável aleatória X tem distribuição de Bernoulli com parâmetro
p). Então,
E(X ) = 0 × (1 − p) + 1 × p = p
E(X 2 ) = 02 × (1 − p) + 12 × p = p
Var(X ) = E(X 2 ) − [E(X )]2 = p − p2
Em resumo: 
 E(X ) = p
X ∼ Bern(p) ⇒ (2.2)
Var(X ) = p(1 − p)

É comum denotar a probabilidade de fracasso por q, isto é, q = 1 − p.
Exemplo 2.1 Lançamento de uma moeda

Considere novamente o lançamento de uma moeda e a seguinte variável aleatória X associada a esse
experimento:
X=
1 se ocorre cara
0 se ocorre coroa
Solução:
Seja p a probabilidade de cara, 0 < p < 1. Então, X tem distribuição de Bernoulli com parâmetro p.

Exemplo 2.2 Auditoria da Receita Federal

Um auditor da Receita Federal examina declarações de Imposto de Renda de pessoas físicas, cuja
variação patrimonial ficou acima do limite considerado aceitável. De dados históricos, sabe-se que
10% dessas declarações são fraudulentas.
Vamos considerar o experimento correspondente ao sorteio aleatório de uma dessas

declarações.
Solução:
Esse é um experimento de Bernoulli, em que o sucesso equivale à ocorrência de declaração fraudulenta
e o parâmetro da distribuição de Bernoulli é p = 0, 1.
Esse exemplo ilustra o fato de que “sucesso”, no contexto probabilístico, nem sempre significa
uma situação feliz na vida real. Aqui, sucesso é definido de acordo com o interesse estatístico no
problema.

2.3 Distribuição Binomial
Vamos introduzir a distribuição binomial, uma das mais importantes distribuições discretas,
através de um exemplo. Em seguida, discutiremos as hipóteses feitas e apresentaremos os resultados
formais sobre tal distribuição e novos exemplos.
Exemplo 2.3 Lançamentos de uma moeda

Considere o seguinte experimento: uma moeda é lançada 4 vezes e sabe-se que p = P(cara). Vamos
definir a seguinte variável aleatória associada a este experimento:
X = número de caras
Solução:
Como visto antes, cada lançamento da moeda representa um experimento de Bernoulli e como o
interesse está no número de caras, vamos definir sucesso = cara.
Para encontrar a função de probabilidade de X , o primeiro fato a notar é que os valores possíveis
de X são: 0, que equivale à ocorrência de nenhuma cara e, portanto, de 4 coroas; 1, que equivale à
ocorrência de apenas 1 cara e, portanto, 3 coroas; 2, que equivale à ocorrência de 2 caras e, portanto,
2 coroas; 3, que equivale à ocorrência de 3 caras e 1 coroa e, finalmente, 4, que equivale à ocorrência
de 4 caras e nenhuma coroa. Assim, os possíveis valores de X são
X = 0, 1, 2, 3, 4
Vamos, agora, calcular a probabilidade de cada um desses valores, de modo a completar a

especificação da função de probabilidade de X . Para isso, vamos representar por Ki o evento “cara
no i-ésimo lançamento” e por Ci o evento “coroa no i-ésimo lançamento”.
• X =0
Temos a seguinte equivalência de eventos:
{X = 0} ≡ C1 ∩ C2 ∩ C3 ∩ C4
É razoável supor que os lançamentos da moeda sejam eventos independentes, ou seja, o

resultado de um lançamento não interfere no resultado de qualquer outro lançamento.
Dessa forma, os eventos Ci e Kj são independentes para i 6= j. (Note que os eventos Ci e Ki são
mutuamente exclusivos e, portanto, não são independentes – se sair cara em um lançamento
específico, não é possível sair coroa nesse mesmo lançamento e vice-versa).
Analogamente, os eventos Ci e Cj são independentes para i 6= j, bem como os eventos Ki e Kj ,
i 6= j. Pela regra da probabilidade da interseção de eventos independentes, resulta que
P (C1 ∩ C2 ∩ C3 ∩ C4 ) = P(C1 ) × P(C2 ) × P(C3 ) × P(C4 )

= (1 − p) × (1 − p) × (1 − p) × (1 − p)
= (1 − p)4
• X =1
O evento X = 1 corresponde à ocorrência de 1 cara e, consequentemente, de 3 coroas. Uma
sequência possível de lançamentos é
K1 ∩ C2 ∩ C3 ∩ C4 .
Vamos calcular a probabilidade desse resultado específico. Como antes, os lançamentos são
eventos independentes e, portanto,
P(K1 ∩ C2 ∩ C3 ∩ C4 ) = P(K1 ) × P(C2 ) × P(C3 ) × P(C4 )

= p × (1 − p) × (1 − p) × (1 − p)
= p(1 − p)3
Mas qualquer sequência com 1 cara resulta em X = 1, ou seja, a face cara pode estar em
qualquer uma das quatro posições e todas essas sequências resultam em X = 1. Além disso,
definida a posição da face cara, as posições das faces coroas já estão determinadas – são as
posições restantes. Então, temos a seguinte equivalência:
{X = 1} ≡ {K1 ∩ C2 ∩ C3 ∩ C4 } ∪ {C1 ∩ K2 ∩ C3 ∩ C4 } ∪
{C1 ∩ C2 ∩ K3 ∩ C4 } ∪ {C1 ∩ C2 ∩ C3 ∩ K4 }
Mas os eventos que aparecem no lado direito da expressão anterior são eventos mutuamente
exclusivos. Logo,
P(X = 1) = P(K1 ∩ C2 ∩ C3 ∩ C4 )
+ P(C1 ∩ K2 ∩ C3 ∩ C4 )
+ P(C1 ∩ C2 ∩ K3 ∩ C4 )
+ P(C1 ∩ C2 ∩ C3 ∩ K4 )
= p × (1 − p) × (1 − p) × (1 − p)
+(1 − p) × p × (1 − p) × (1 − p)
+(1 − p) × (1 − p) × p × (1 − p)
+(1 − p) × (1 − p) × (1 − p) × p
= 4p(1 − p)3
• X =2
O evento X = 2 corresponde à ocorrência de 2 caras e, consequentemente, de 2 coroas.
Qualquer uma dessas sequêcias tem probabilidade p2 (1 − p)2 .
As sequências de lançamentos com 2 caras e 2 coroas são as seguintes:
K1 K2 C3 C4
K1 C2 K3 C4
K1 C2 C3 K4
C1 C2 K3 K4
C1 K2 C3 K4
C1 K2 K3 C4
Todas essas 6 sequências têm a mesma probabilidade e correspondem a eventos mutuamente

exclusivos. Temos a seguinte equivalência:
{X = 2} ≡ (K1 ∩ K2 ∩ C3 ∩ C4 ) ∪ (K1 ∩ C2 ∩ K3 ∩ C4 ) ∪
(K1 ∩ C2 ∩ C3 ∩ K4 ) ∪ (C1 ∩ C2 ∩ K3 ∩ K4 ) ∪
(C1 ∩ K2 ∩ C3 ∩ K4 ) ∪ (C1 ∩ K2 ∩ K3 ∩ C4 )
e, portanto,
P(X = 2) = P(K1 ∩ K2 ∩ C3 ∩ C4 ) + P(K1 ∩ C2 ∩ K3 ∩ C4 ) +

P(K1 ∩ C2 ∩ C3 ∩ K4 ) + P(C1 ∩ C2 ∩ K3 ∩ K4 ) +
P(C1 ∩ K2 ∩ C3 ∩ K4 ) + P(C1 ∩ K2 ∩ K3 ∩ C4 )
= 6p2 (1 − p)2
• X =3eX =4
Os casos X = 3 e X = 4 são análogos aos casos X = 1 e X = 0, respectivamente; basta trocar
caras por coroas e vice-versa. Assim,
P(X = 3) = 4p3 (1 − p)
P(X = 4) = p4
É importante notar que a hipótese de independência dos lançamentos da moeda foi

absolutamente fundamental na solução do exemplo; foi ela que nos permitiu multiplicar as
probabilidades dos resultados de cada lançamento para obter a probabilidade da sequência completa
de n lançamentos. Embora essa hipótese seja muito razoável nesse exemplo, ainda assim é uma
hipótese “subjetiva”.
Outra propriedade utilizada foi a da probabilidade da união de eventos mutuamente exclusivos.

Mas aqui essa propriedade é óbvia, ou seja, não há qualquer subjetividade: os eventos C1 ∩ K2 e
K1 ∩ C2 são mutuamente exclusivos, pois no primeiro lançamento ou sai cara ou sai coroa; não pode
sair cara e coroa no primeiro lançamento, ou seja, cada lançamento é um experimento de Bernoulli.

Exemplo 2.4 Bolas em uma urna

Uma urna contém quatro bolas brancas e seis bolas verdes. Três bolas são retiradas dessa urna, com
reposição, isto é, depois de tirada a primeira bola, ela é recolocada na urna e sorteia-se a segunda,
que também é recolocada na urna para, finalmente, ser sorteada a terceira bola. Vamos definir a
seguinte variável aleatória associada a esse experimento e calcular sua função de probabilidade:
X = “número de bolas brancas sorteadas”
Solução:
O importante a notar aqui é o seguinte: como cada bola sorteada é recolocada na urna antes da
próxima extração, a composição da urna é sempre a mesma e o resultado de uma extração não
afeta o resultado de outra extração qualquer. Dessa forma, podemos considerar as extrações como
independentes e, assim, temos uma situação análoga à do exemplo anterior: temos três repetições
de um experimento (sorteio de uma bola), essas repetições são independentes e em cada uma delas
há dois resultados possíveis: bola branca (sucesso) ou bola verde (fracasso). Assim, cada extração
equivale a um experimento de Bernoulli e como o interesse está nas bolas brancas, vamos considerar
sucesso = bola branca e da observação anterior resulta que
4
P(sucesso) =
10
Os valores possíveis de X são 0, 1, 2, 3, uma vez que são feitas três extrações. Vamos calcular a
probabilidade de cada um dos valores de X . Como antes, vamos denotar por Vi o evento “bola verde
na i-ésima extração” e por Bi o evento “bola branca na i-ésima extração”. Da discussão anterior,
resulta que, para i 6= j, os eventos Vi e Bj são independentes, assim como os eventos Bi e Bj e os
eventos Vi e Vj .
• X =0
Esse resultado equivale à extração de bolas verdes em todas as três extrações.
{X = 0} ≡ {V1 ∩ V2 ∩ V3 }
Logo,
P(X = 0) = P(V1 ∩ V2 ∩ V3 )
= P(V1 ) × P(V2 ) × P(V3 )
× ×
6 6 6
=
10 10 10
3
6
=
10
• X =1
Esse resultado equivale à extração de uma bola branca e, por consequência, duas bolas verdes.
A bola branca pode sair em qualquer uma das três extrações e, definida a posição da bola
branca, as posições das bolas verdes ficam totalmente estabelecidas. Logo,
2
4 6
P(X = 1) = 3
10 10
• X =2eX =3
Os casos X = 2 e X = 3 são análogos aos casos X = 1 e X = 0, respectivamente; basta trocar

bola branca por bola verde e vice-versa. Assim,

4 2 6
P(X = 2) = 3
10 10
3
4
P(X = 3) =
10

Esses dois exemplos ilustram a distribuição binomial, que depende de dois parâmetros: o
número de repetições e a probabilidade de sucesso de um experimento de Bernoulli. No Exemplo
2.3, n = 4 e temos uma probabilidade de sucesso qualquer p. No Exemplo 2.4, n = 3 e p =
4
.
10
2.3.1 A Distribuição Binomial
Nos dois exemplos anteriores, tínhamos repetições de um experimento de Bernoulli que podiam
ser consideradas independentes e a probabilidade de sucesso se mantinha constante ao longo de
todas as repetições. Essas são as condições definidoras de um experimento binomial.
Definição 2.3 Experimento binomial

Um experimento binomial consiste em repetições independentes de um experimento de Bernoulli
com probabilidade p de sucesso, probabilidade essa que permanece constante em todas as
repetições.
A variável aleatória que associamos aos experimentos binomiais dos dois exemplos foi
X = “número de sucessos”
Se o experimento binomial consiste em n repetições, então os valores possíveis de X são 0, 1, 2, · · · , n.

O evento X = x corresponde a todas as sequências de resultados com x sucessos e n − x fracassos.
Como as repetições são independentes, cada uma dessas sequências tem probabilidade px (1 − p)n−x .
n
O número total de tais sequências é dado pelo coeficiente binomial
x
, definido a seguir.
Definição 2.4 Coeficiente binomial

O coeficiente binomial é definido como

n n!
x x!(n − x)!
= (2.3)
em que n! representa o fatorial de n, definido como
n! = n × (n − 1) × (n − 2) × · · · × 2 × 1 (2.4)
Por definição, 0! = 1.
Temos condições, agora, de definir a variável aleatória binomial.
Definição 2.5 Variável aleatória binomial

Para um experimento binomial consistindo em n repetições independentes de um experimento
de Bernoulli com parâmetro p, defina a variável aleatória
X = “número de sucessos”
Então, X tem distribuição binomial com parâmetros n e p, cuja função de probabilidade é dada
por
n x
fX (x) = P(X = x) = p (1 − p)n−x x = 0, 1, 2, . . . , n
x
(2.5)
É imediato ver, da equação (2.5), que fX (x) ≥ 0 e usando-se o teorema do binômio de

n
P
Newton, pode-se provar que fX (x) = 1 . Assim, a equação (2.5) realmente define uma função
x=0
de probabilidade. Vamos denotar por X ∼ bin(n, p) o fato de a v.a. X ter distribuição binomial com
parâmetros n e p.
Pode-se mostrar que

 E (X ) = np
X ∼ bin(n, p) ⇒ (2.6)
Var (X ) = np (1 − p)

Note que a esperança e a variância da binomial são iguais à esperança e à variância da

distribuição de Bernoulli, multiplicadas por n, o número de repetições. Pode-se pensar na distribuição
de Bernoulli como uma distribuição binomial com parâmetros 1, p.
Exemplo 2.5 Tiro ao alvo

Um atirador acerta, na mosca do alvo, 20% dos tiros. Se ele dá 10 tiros, qual é a probabilidade de
ele acertar na mosca no máximo uma vez?
Solução:
Podemos pensar os tiros como experimentos de Bernoulli independentes, em que o sucesso é acertar
no alvo e a probabilidade de sucesso é 0,20. Então, o problema pede P(X ≤ 1), em que X = número
de acertos em 10 tiros. Logo, X ∼ bin(10; 0, 20) e
P(X ≤ 1) = P(X = 0) + P(X = 1)

10 10
= (0, 20)0 (0, 80)10 + (0, 20)1 (0, 80)9
0 1
= 0, 37581

Exemplo 2.6 Partidas de um jogo

Dois adversários A e B disputam uma série de oito partidas de um determinado jogo. A probabilidade
de A ganhar uma partida é 0,6 e não há empate. Qual é a probabilidade de A ganhar a série?
Solução:
Note que só podem ocorrer vitórias ou derrotas, o que significa que temos repetições de um
experimento de Bernoulli com probabilidade 0,6 de sucesso (vitória do jogador A). Assumindo a
independência das provas, se definimos X = número de vitórias de A, então X ∼ bin(8; 0, 6) e o
problema pede P (X ≥ 5) , isto é, probabilidade de A ganhar mais partidas que B.
P (X ≥ 5) = P (X = 5) + P (X = 6) + P (X = 7) + P (X = 8)

8 5 3 8
= (0, 6) (0, 4) + (0, 6)6 (0, 4)2 +
5 6

8 7 1 8
+ (0, 6) (0, 4) + (0, 6)8 (0, 4)0
7 8
= 0, 5940864

Exemplo 2.7
Em uma distribuição binomial, sabe-se que a média é 4,5 e a variância é 3,15. Encontre os valores
dos parâmetros da distribuição.
Solução:
Temos que
np = 4, 5
np(1 − p) = 3, 15
Substituindo a primeira equação na segunda, resulta
4, 5(1 − p) = 3, 15 ⇒
1 − p = 0, 7 ⇒
p = 0, 3
Substituindo na primeira equação, obtemos que
n = 4, 5/0, 3 = 15.

1. Na manufatura de certa peça, é sabido que uma entre dez peças é defeituosa. Uma amostra
de tamanho quatro é retirada com reposição, de um lote da produção. Qual a probabilidade de
que a amostra contenha
(a) nenhuma defeituosa?

(b) pelo menos uma defeituosa?
(c) exatamente uma defeituosa?
Na solução desse exercício, é importante que você identifique o experimento, a variável
aleatória de interesse e sua respectiva função de probabilidade.
2. Um supermercado faz a seguinte promoção: o cliente, ao passar pelo caixa, lança um dado. Se
sair a face 6 tem um desconto de 30% sobre o total de sua conta. Se sair a face 5, o desconto
é de 20%. Se sair a face 4, o desconto é de 10% e se ocorrerem as faces 1, 2 ou 3, o desconto é
de 5%. Seja X = desconto concedido.
(a) Encontre a função de probabilidade de X .

(b) Calcule o desconto médio concedido.
(c) Calcule a probabilidade de que, num grupo de cinco clientes, pelo menos um consiga um
desconto maior que 10%.
(d) Calcule a probabilidade de que o quarto cliente seja o primeiro a receber 30% de desconto.
3. Um atirador acerta na mosca do alvo 20% dos tiros.
(a) Qual é a probabilidade de ele acertar na mosca pela primeira vez no décimo tiro?
(b) Se ele dá 10 tiros, qual é a probabilidade de ele acertar na mosca exatamente uma vez?
Capítulo 3
Variáveis Aleatórias Contínuas
3.1 Introdução
Neste capítulo iremos estudar as variáveis aleatórias continuas. Como já visto, uma variável
aleatória é uma função que associa um número real a cada evento de Ω e se a imagem dessa função
for um conjunto não enumerável, então a variável aleatória é contínua.
Considere, agora, que retiremos várias amostras de 20 funcionários da empresa considerada

anteriormente e, para cada amostra, registremos a altura média. Na Figura 3.1 temos o histograma
e o polígono de frequência para essas alturas. Este histograma foi construído de forma que as áreas
de cada retângulo são iguais às frequências relativas das respectivas classes. Sabemos, então, que
a soma das áreas dos retângulos é 1.
Figura 3.1 – Histograma e polígono de frequência da altura média
Tendo em mente que cada frequência relativa é uma aproximação para a probabilidade de um
elemento pertencer à respectiva classe, podemos estimar a probabilidade de a altura média estar
entre dois valores quaisquer como a área dos retângulos envolvidos. Veja a Figura 3.2, onde a área
sombreada corresponde à frequência (probabilidade) de alturas entre os valores 168 e 178 cm. Esta
área pode ser aproximada também pela área sob o polígono de frequência, conforme ilustrado na
Figura 3.3. As áreas sombreadas de cinza mais escuro correspondem às diferenças; note que elas
tendem a se compensar.
28 CAPÍTULO 3. VARIÁVEIS ALEATÓRIAS CONTÍNUAS
Figura 3.2 – Probabilidade como frequência Figura 3.3 – Probabilidade como área sob
relativa o polígono de frequência
Como estamos trabalhando com uma variável aleatória contínua, faz sentido pensarmos em
reduzir, cada vez mais, o comprimento de classe δ, até a situação limite em que δ → 0. Nessa
situação limite, o polígono de frequências se transforma em uma curva na parte positiva (ou não-
negativa) do eixo vertical, tal que a área sob ela é igual a 1. Essa curva será chamada curva de
densidade de probabilidade. Na situação limite, a diferença entre as áreas sombreadas mais escuro
também tenderá a zero, o que nos permite concluir o seguinte: no limite, quando δ → 0, podemos
calcular a probabilidade de a variável de interesse estar entre dois valores A e B pela área sob
a curva de densidade de probabilidade, delimitada por esses pontos. Isso nos permitirá calcular
probabilidade de intervalos de valores de qualquer variável aleatória contínua.
3.2 Função densidade de probabilidade
O comportamento de uma variável aleatória contínua fica perfeitamente determinado pela

função densidade de probabilidade.
Definição 3.1 Função densidade de probabilidade

Uma função densidade de probabilidade é uma função f(x) que satisfaz as seguintes
propriedades:
1. f(x) ≥ 0
2. A área total sob o gráfico de f(x) é igual a 1
Dada uma função f(x) satisfazendo as propriedades acima, então f(x) representa alguma variável
aleatória contínua X , de modo que P(a ≤ X ≤ b) é a área sob a curva limitada pelos pontos a
e b (veja a Figura 3.4.
A definição anterior usa argumentos geométricos; no entanto, uma definição mais precisa
envolve o conceito de integral de uma função de uma variável. Apresentamos a seguir essa definição,
mas, neste curso, usaremos basicamente a interpretação geométrica da integral, que está associada
à área sob uma curva.
3.3. ESPERANÇA E VARIÂNCIA DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS 29
Figura 3.4 – Probabilidade como área sob a curva da função densidade de probabilidade
Definição 3.2 Função densidade de probabilidade

Uma função densidade de probabilidade é uma função f(x) que satisfaz as seguintes
propriedades:
1. f(x) ≥ 0
R∞
2. −∞ f(x)dx = 1
Dada uma função f(x) satisfazendo as propriedades acima, então f(x) representa alguma variável
aleatória contínua X , de modo que
Z b
P(a ≤ X ≤ b) = f(x)dx
a
Uma primeira observação importante que resulta da interpretação geométrica de probabilidade

como área sob a curva de densidade de probabilidade é a seguinte: se X é uma v.a. contínua, então
a probabilidade do evento {X = a} é zero, ou seja, a probabilidade de X ser exatamente igual a
um valor específico é nula. Isso pode ser visto na Figura 3.4: o evento {X = a} corresponde a um
segmento de reta, e tal segmento tem área nula. Como consequência, temos as seguintes igualdades:
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b)
Para deixar clara a relação entre a função densidade de probabilidade e a respectiva v.a. X ,
usaremos a notação fX (x) para indicar a função densidade da variável aleatória X .
3.3 Esperança e Variância de Variáveis Aleatórias Contínuas
Apresentamos, a seguir as definições de esperança e variância de variáveis continuas. Como

já dito antes, não entraremos em detalhes de cálculo dessas fórmulas; nosso enfoque será na
interpretação da média e da variância como medidas de centro e de dispersão. Para algumas
distribuições específicas, apresentaremos os valores de E(X ) e V ar(X ), mostrando a sua influência
sobre a distribuição.
Definição 3.3 Esperança e variância de uma variável aleatória contínua
Seja X uma variável aleatória contínua com função de densidade de probabilidade fX . A

esperança (ou média ou valor esperado) de X é definida como
Z +∞
E(X ) = xfX (x)dx
−∞
e a variância de X é definida como

Z +∞
V ar(X ) = [x − E(X )]2 fX (x)dx
−∞
O desvio padrão é definido como p

DP(X ) = V ar(X )
As mesmas propriedades vistas para variáveis aleatórias discretas continuam valendo no caso
contínuo:
Esperança Variância Desvio Padrão
E(a) = a Var (a) = 0 DP(a) = 0
E(X + a) = E(X ) + a Var (X + a) = Var (X ) DP (X + a) = DP (X )
E(bX ) = bE(X ) Var (bX ) = b2 Var (X ) DP (bX ) = |b| DP (X )
xmin ≤ E(X ) ≤ xmax Var(X ) ≥ 0 DP(X ) ≥ 0
Se interpretarmos a função densidade de probabilidade de X como uma distribuição de massa

na reta real, então E(X ) é o centro de massa desta distribuição. Essa interpretação nos permite
concluir, por exemplo, que se fX é simétrica, então E(X ) é o valor central, que define o eixo de
simetria.
3.4 Distribuição uniforme
Considere a função fX apresentada na Figura 3.5, em que a e b são números conhecidos.
Figura 3.5 – Função densidade uniforme
Qual deve ser o valor de k para que fX seja uma função de densidade de probabilidade de uma
v.a. X ?
3.4. DISTRIBUIÇÃO UNIFORME 31
A primeira condição é que k deve ser maior que zero e como a área tem que ser 1, resulta
1 = (b − a) × k ⇒ k =
1
b−a
Note que, para dois subintervalos de mesmo comprimento, a área será igual, uma vez que
temos áreas de retângulos com mesma altura. Esse fato leva à denominação de tal densidade como
densidade uniforme.
Definição 3.4 Distribuição uniforme

Uma v.a. contínua X tem distribuição uniforme no intervalo [a, b] se sua função densidade é
dada por

se x ∈ [a, b]
 1
b−a

f(x) = (3.1)


0 caso contrário
Os valores a e b são chamados parâmetros da distribuição uniforme; note que ambos têm de
ser finitos para que a área sob a curva seja igual a 1. Quando a = 0 e b = 1 temos a uniforme
padrão, denotada por U(0, 1).
Das propriedades da esperança e das características da densidade uniforme, sabemos que E(X )
é o ponto médio do intervalo [a, b] :
a+b
E (X ) =
2
O cálculo da variância requer cálculo integral, e pode-se mostrar que
(b − a)2
V ar (X ) =
12
Exemplo 3.1 Latas de coca-cola

Latas de coca-cola são enchidas num processo automático segundo uma distribuição uniforme no
intervalo (em ml) [345,355].
(a) Qual é a probabilidade de uma lata conter mais de 353 ml?
(b) Qual é a probabilidade de uma lata conter menos de 346 ml?
(c) Qualquer lata com volume 4 ml abaixo da média pode gerar reclamação do consumidor e com
volume 4 ml acima da média pode transbordar no momento de abertura, devido à pressão
interna. Qual é a proporção de latas problemáticas?
Solução:
Seja X = “conteúdo da lata de coca-cola”. Então, X ∼ U[345, 355]
(a) Pede-se
355 − 353
P(X > 353) =
355 − 345
= 0, 2
(b) Pede-se
346 − 345
P(X < 346) =
355 − 345
= 0, 1
(c) Pede-se
346 − 345 355 − 354
P(X < 350 − 4) + P(X > 350 + 4) =
355 − 345 355 − 345
+ = 0, 2
Logo, a proporção de latas problemáticas é de 20%. Note que essa é uma proporção bastante
alta!

3.5 Densidade linear
Considere a seguinte função :

 x

 se 0 ≤ x ≤ 2
f(x) =
2


0 caso contrário
cujo gráfico é exibido na Figura 3.6.
f(x) ≥ 0
Área sob a curva: A = ·2·1=1
1
2
Figura 3.6 – Densidade linear
Note que as duas condições de uma função densidade são satisfeitas; logo, essa é a função
densidade de alguma variável aleatória contínua X .
1. Calcule P(X > 1, 5).

2. Encontre a mediana de X .
Solução
1. Veja a Figura 3.7: a probabilidade pedida é a área sombreada de cinza, que pode ser calculada
como área de um trapézio, ou pela área de um triângulo usando a propriedade de eventos
complementares.
1 + f(1, 5)
P(X > 1, 5) = · 0, 5
2
1 + 0, 75
= = 0, 4375
4
ou
P(X > 1, 5) = 1 − 1, 5 · f(1, 5)
1
2
= 1 − 0, 752 = 0, 4375
Figura 3.7 – P(X > 1, 5)
2. Veja a Figura 3.8: temos que encontrar o valor da mediana Q2 tal que a área abaixo dela seja
0,5, ou seja, tal que a área do triângulo sombreado seja 0,5.
P(X ≤ Q2 ) = 0, 5 ⇔ Q2 · f(Q2 ) = 0, 5 ⇔
1
2
Q22 √
= 0, 5 ⇔ Q22 = 2 ⇔ Q2 = ± 2
4 √
A solução no domínio é Q2 = 2 = 1, 4142
Figura 3.8 – Cálculo da mediana
1. Considere a seguinte função:

K (2 − x) se 0 ≤ x ≤ 1
f(x) =
0 se x < 0 ou x > 1
(a) Esboce o gráfico de g(x) e encontre o valor de K para que f(x) seja uma função de densidade
de probabilidade.
(b) Calcule a mediana da distribuição.
2. O tempo de execução T (em minutos) de determinada tarefa pode ser descrito por uma variável
aleatória com distribuição uniforme no intervalo [20;40].
(a) Determine a função densidade de probabilidade de T .

(b) Qual é o tempo médio de execução dessa tarefa?
(c) Se uma pessoa já gastou 25 minutos na execução da tarefa, qual é a probabilidade de que
ela gaste menos de 30 minutos para executar a tarefa?
3. O comprimento real (em metros) de uma determinada barra de aço é uma variável aleatória
uniformemente distribuída no intervalo [10,12]. As barras com comprimento menor que 10,5m
não se ajustam às necessidades e devem ser vendidas como sucata. As barras com comprimento
maior que 11,5m têm que ser cortadas para se ajustarem às necessidades. Qual é a proporção
de barras colocadas à venda como sucata? Qual é a proporção de barras que precisam ser
cortadas? Qual é a proporção de barras perfeitas?
4. Na Figura 3.9 é dado o gráfico de uma função f(x).
(a) Calcule o valor de k para que f(x) seja a função de densidade de alguma variável aleatória
contínua X e encontre a expressão matemática de f(x).
(b) Calcule P(X ≥ 2, 5).
(c) Calcule P(X > 3, 0 | X ≥ 2, 5).
(d) Determine o valor de c tal que P(X < c) = 0, 6.
Figura 3.9 – Função densidade para a Questão 4
5. Devido aos engarrafamentos no trânsito, o tempo que Ricardo leva de casa até a universidade
é uma variável aleatória X que tem distribuição uniforme no intervalo [5, 25]. Seja fX a função
densidade de X .
(a) Esboce o gráfico de fX .

(b) Determine a expressão matemática de fX .
(c) Calcule a probabilidade de Ricardo levar mais de 18 minutos no trajeto.
(d) Ricardo já está há 10 minutos no trânsito, dirigindo para a universidade. Qual é a
probabilidade de que ele leve menos de 20 minutos no trajeto total?
Capítulo 4
A Distribuição Normal
Nesta seção, você estudará a distribuição normal, que é uma das mais importantes distribuições
contínuas. Você verá a definição geral desta distribuição, mas nos concentraremos, inicialmente, na
distribuição normal padrão, com ênfase no cálculo de probabilidades associadas a essa variável
normal específica. Depois estudaremos o caso geral, estabelecendo a relação entre a normal padrão
e uma distribuição normal qualquer.
4.1 Características gerais da distribuição normal
4.1.1 Função de densidade de probabilidade
Uma v.a. contínua X tem distribuição normal se sua função de densidade de probabilidade é
dada por

(x − µ)2
fX (x) = √ exp − , −∞ < x < ∞
1
(4.1)
2πσ 2 2σ 2
Analisando essa expressão, podemos ver que ela está definida para todo x ∈ R e depende de dois
parâmetros: µ e σ . Outras características importantes dessa função são as seguintes:
1. ela é simétrica em torno do ponto x = µ;
2. o gráfico da função tem forma de sino;
3. quando x → ±∞, fX (x) → 0;
4. o ponto x = µ é o ponto de máximo e nesse ponto, fX (x) = √ 1 ;

2πσ 2
5. os pontos x = µ − σ e x = µ + σ são pontos de inflexão, ou seja, nesses pontos, a curva

muda de concavidade. Para x < µ − σ ou x > µ + σ , a função é côncava para cima e para
µ − σ < x < µ + σ , a função é côncava para baixo.
Na Figura 4.1 ilustram-se essas características da densidade normal.
Pode-se mostrar, usando técnicas de cálculo integral, que a área sob a curva de densidade
normal é igual a 1 e, como a função exponencial é sempre não negativa, resulta que a função fX dada
na equação (4.1) realmente define uma função de densidade de probabilidade.
36 CAPÍTULO 4. A DISTRIBUIÇÃO NORMAL
Figura 4.1 – Principais características da densidade normal
Os parâmetros µ e σ da densidade normal definem a média e o desvio-padrão da distribuição,

respectivamente:

 E(X ) = µ
X ∼ N µ; σ ⇒
2
Var(X ) = σ 2
DP(X ) = σ

Vamos usar a seguinte notação: indicaremos o fato de a v.a. X ter distribuição normal com
média µ e variância σ pela notação X ∼ N µ; σ . Na Figura 4.2, temos os gráficos das seguintes
2 2
distribuições normais: N(0; 1) e N(2; 1), ou seja, duas distribuições normais com médias diferentes e
variâncias iguais. Note que o efeito de mudar a média é simplesmente deslocar o gráfico, mudando
o seu eixo de simetria.
Figura 4.2 – Distribuições normais com mesma variância e médias diferentes
Na Figura 4.3, temos duas distribuições normais com a mesma média, mas com variâncias
diferentes. Note que a distribuição continua em forma de sino, mas a dispersão muda – lembre-se de
que variância e desvio-padrão são medidas de dispersão. Como o máximo da função é √ 1 2 , quanto
2πσ
maior a variância, “mais achatada” é a curva; para compensar esse fato e continuar com área sob a
curva igual a 1, a curva fica mais “espalhada”, ou seja, mais dispersa.
4.2. A DENSIDADE NORMAL PADRÃO 37
Figura 4.3 – Distribuições normais com mesma media e variâncias diferentes
4.2 A Densidade Normal Padrão
Quando µ = 0 e σ 2 = 1, temos a densidade normal padrão, cuja função densidade é usualmente

representada pela letra grega fi:

φ(z) = √ exp − z , −∞ < z < +∞
1 1 2
2π 2
É comum, também, representar uma variável aleatória com distribuição normal padronizada pela letra
Z e seguiremos essa convenção aqui. Além de ser um caso especial, a densidade normal padrão tem
papel importante no cálculo de probabilidades associadas às densidades normais, como veremos na
próxima seção.
4.2.1 A Tabela da Normal Padrão
Vimos anteriormente que o cálculo de probabilidades associadas a variáveis aleatórias

contínuas envolve cálculo de áreas sob a curva de densidade (mais precisamente, cálculo de integral
da fdp). Isso, obviamente, continua valendo para a densidade normal. A diferença está no fato de que
o cálculo de áreas sob a curva normal envolve métodos numéricos mais complexos e, para facilitar
esses cálculos, podemos usar uma tabela em que alguns valores já se encontram calculados.
Este curso terá como base a Tabela 1 do Apêndice A, embora muitos livros utilizem a tabela da
distribuição acumulada dada na Tabela 2 do mesmo apêndice, que discutiremos no final desta seção.
Essas tabelas serão usadas para calcular probabilidades associadas a uma variável aleatória normal
padrão Z como P(Z > 1), P(Z ≤ 3), P(−1 ≤ Z ≤ 2) etc.
Vamos analisar cuidadosamente esta tabela. A partir do cabeçalho e do gráfico na tabela,

podemos ver que as entradas no corpo da tabela fornecem probabilidades do tipo P(0 ≤ Z ≤ z). Com
relação à abscissa z, seus valores são apresentados na tabela ao longo da coluna lateral à esquerda
em conjunto com a linha superior, ambas sombreadas de cinza. Na coluna à esquerda, temos a casa
inteira e a primeira casa decimal; na linha superior, temos a segunda casa decimal. Por exemplo, ao
longo da primeira linha da tabela, temos probabilidades associadas às abscissas 0,00; 0,01; 0,02, . . . ,
0,09; na segunda linha da tabela, temos probabilidades associadas às abscissas 0,10; 0,11; 0,12; . . . ,
0,19; na última linha da tabela, temos probabilidades associadas às abscissas 4,00; 4,01; 4,02; . . . ;
4,09.
A entrada 0,0000 no canto superior esquerdo da tabela corresponde à seguinte probabilidade:

P(0 ≤ Z ≤ 0, 00), ou seja, P(Z = 0) e, como visto, essa probabilidade é nula, uma vez que, para
qualquer variável aleatória contínua X , P(X = x0 ) = 0. A segunda entrada na primeira linha,

0,00399, corresponde a P(0 ≤ Z ≤ 0, 01), que é a área sob a curva de densidade normal padronizada
compreendida entre os valores 0 e 0,01 (veja o gráfico na tabela).
Note que esta tabela apresenta probabilidades correspondentes a abscissas positivas, ou seja,
esta tabela trata de área sob a curva no lado positivo do eixo. Para calcular áreas no lado negativo,
teremos de usar o fato de a curva da densidade normal ser simétrica. Sempre faça um esboço da
curva de densidade, sombreando a área correspondente à probabilidade desejada; isso lhe ajudará
no cálculo da probabilidade. Vamos terminar esta seção apresentando vários exemplos de cálculos de
probabilidades de uma v.a. Z com distribuição normal padrão, ou seja, no que segue, Z ∼ N(0; 1). Os
exemplos apresentados cobrem todas as situações possíveis. Assim, é importante que você entenda
bem a situação ilustrada por cada um dos exemplos, para poder aplicar o método de solução adequado
aos novos exercícios.
Para simplificar a solução dos exercícios, vamos adotar a seguinte notação para as entradas
da Tabela 1.
! Entradas da Tabela 1 do Apêndice A
tab(z) = P(0 ≤ Z ≤ z)
Exemplo 4.1
A partir da Tabela 1 do Apêndice A calcule P(0 ≤ Z ≤ 1, 22).
Solução:
Veja as Figuras 4.4a e 4.4b. Essa probabilidade é dada diretamente na Tabela as entradas da Tabela
1, utilizando a entrada correspondente à linha 1,2 e à coluna com o valor 2. O resultado é
P(0 ≤ Z ≤ 1, 22) = tab(1, 22) = 0, 3888
(a) Interpretação como área (b) Uso da tabela
Figura 4.4 – Cálculo de P(0 ≤ Z ≤ 1, 22)

Exemplo 4.2
A partir da Tabela 1 do Apêndice A calcule P(1 ≤ Z ≤ 2).
Solução:
Note que este exemplo trata da probabilidade entre duas abscissas positivas. Na Figura 4.5a ilustra-
se a probabilidade desejada como a área sombreada, que pode ser obtida pela diferença entre as
áreas das Figuras 4.5b e 4.5d, cujos valores são encontrados na Tabela 1 conforme ilustram as Figuras
4.5c e 4.5e.
P(1 ≤ Z ≤ 2) = tab(2) − tab(1) = 0, 4772 − 0, 3413 − 0, 1359
(a) P(1 ≤ Z ≤ 2) (b) P(0 ≤ Z ≤ 2) (c) Uso da tabela
(d) P(0 ≤ Z ≤ 1) (e) Uso da tabela
Figura 4.5 – Cálculo de P(1 ≤ Z ≤ 2)

Exemplo 4.3
A partir da Tabela 1 do Apêndice A calcule P(Z ≥ 1).
Solução:
Note que este exemplo trata da probabilidade de Z ser maior que uma abscissa positiva. Na Figura
4.6a ilustra-se essa probabilidade como a área sombreada, que pode ser obtida pela diferença entre
as áreas das Figuras 4.6b e 4.6c. A primeira área corresponde à probabilidade P(Z ≥ 0) e é igual a
0,5, pois a média µ = 0 é o eixo de simetria e a área total é 1. Logo, P(Z ≥ 0) = P(Z ≤ 0) = 0, 5. A
segunda área vem direto da Tabela 1.
P(Z ≥ 1) = 0, 5 − tab(1, 0) = 0, 5 − 0, 3413 = 0, 1587
(a) P(Z ≥ 1) (b) P(Z ≥ 0) (c) P(0 ≤ Z ≤ 1)
Figura 4.6 – Cálculo de P(Z ≥ 1)

Exemplo 4.4
A partir da Tabela 1 do Apêndice A calcule P(Z ≤ 1).
Solução:
Note que este exemplo trata da probabilidade de Z ser menor que uma abscissa positiva. Na Figura
4.7a ilustra-se a probabilidade desejada como a área sombreada, que pode ser obtida pela soma das
áreas das Figuras 4.7b e 4.7c. A primeira área corresponde à probabilidade P(Z ≤ 0) e é igual a 0,5,
conforme visto no exemplo anterior.
P(Z ≤ 1) = P(Z ≤ 0) + tab(1, 0) = 0, 5 + 0, 3413 = 0, 8413
(a) P(Z ≤ 1) (b) P(Z ≤ 0) (c) P(0 ≤ Z ≤ 1)
Figura 4.7 – Cálculo de P(Z ≤ 1)

Exemplo 4.5
A partir da Tabela 1 do Apêndice A calcule P(Z ≤ −0, 5)
Solução:
Note que este exemplo trata da probabilidade de Z ser menor que uma abscissa negativa e, agora,
começamos a trabalhar com abscissas negativas. Na Figura 4.8a ilustra-se a probabilidade desejada
como a área sombreada. Pela simetria da curva de densidade normal, essa área é igual à área
sombreada na Figura 4.8b, que corresponde a P(Z ≥ 0, 5).
P(Z ≤ −0, 5) = P(Z ≥ 0, 5) = 0, 5 − tab(0, 5) = 0, 5 − 0, 1915 = 0, 3085
(a) P(Z ≤ −0, 5) (b) Simetria: P(Z ≥ 0, 5)
Figura 4.8 – Cálculo de P(Z ≤ −0, 5)

Exemplo 4.6
A partir da Tabela 1 do Apêndice A calcule P(Z ≥ −0, 5)
Solução:
Note que este exemplo trata da probabilidade de Z ser maior que uma abscissa negativa. Na Figura
4.9a ilustra-se essa probabilidade como a área sombreada, que é a soma das áreas sombreadas nas
Figuras 4.9b e 4.9c. Essa última área, por sua vez, é igual à área representada na Figura 4.9d, pela
simetria da curva de densidade.
P(Z ≥ −0, 5) = 0, 5 + tab(0, 5) = 0, 5 + 0, 1915 = 0, 6915

Exemplo 4.7
A partir da Tabela 1 do Apêndice A calcule calcule P(−2, 1 ≤ Z ≤ −1, 4)
(a) P(Z ≥ −0, 5) (b) P(Z ≥ 0)
(c) P(−0, 5 ≤ Z ≤ 0) (d) Simetria: P(Z ≤ Z ≤ 0, 5)
Figura 4.9 – Cálculo de P(Z ≥ −0, 5)
Solução:
Note que este exemplo trata da probabilidade de Z estar entre duas abscissas negativas. Na Figura
4.10a ilustra-se a probabilidade desejada como a area sombreada. Por simetria, essa área é igual à
área ilustrada na Figura 4.10b, já analisada no Exemplo 4.2.
P(−2, 1 ≤ Z ≤ −1, 4) = P(1, 4 ≤ Z ≤ 2, 1) = tab(2, 1) − tab(1, 4) = 0, 4821 − 0, 4192 = 0, 0629
(a) P(−2, 1 ≤ Z ≤ −1, 4) (b) Simetria: P(1, 4 ≤ Z ≤ 2, 1)
Figura 4.10 – Cálculo de P(−2, 1 ≤ Z ≤ −1, 4)

Exemplo 4.8
A partir da Tabela 1 do Apêndice A calcule P(−2, 1 ≤ Z ≤ 1, 4)
Solução:
Note que este exemplo trata da probabilidade de Z estar entre duas abscissas, uma negativa e outra
positiva. Na Figura 4.11a ilustra-se a probabilidade como a area sombreada, que é a soma das áreas
representadas nas Figuras 4.11b e 4.11c. Por simetria, essa última área é igual à área sombreada
na Figura 4.11d, o que nos leva à conclusão de que
P(−2, 1 ≤ Z ≤ 1, 4) = tab(2, 1) + tab(2, 4) = 0, 4821 + 0, 4192 = 0, 9013

(a) P(−2, 1 ≤ Z ≤ 1, 4) (b) P(0 ≤ Z ≤ 1, 4)
(c) P(−2, 1 ≤ Z ≤ 0) (d) Simetria: P(0 ≤ Z ≤ 2, 1)
Figura 4.11 – Cálculo de P(−2, 1 ≤ Z ≤ 1, 4)
4.2.2 A Tabela da Distribuição Acumulada da Normal Padrão
Muitos livros trabalham com uma outra tabela, que dá P(Z ≤ z). Essa função, que denotaremos
por Φ(z), é chamada função de distribuição acumulada, ou simplesmente função de distribuição, pois
a cada z ela associa a probabilidade acumulada à esquerda de z. Veja a Figura 4.12.
Figura 4.12 – Φ(z) = P(Z ≤ z)
A Tabela 2 do Apêndice 1 apresenta os valores de Φ(z) para z ≥ 0. Vamos usar essa tabela
para refazer os exemplos vistos anteriormente, que serão apresentados em uma ordem diferente, mais
didaticamente apropriada para esse contexto.
Exemplo 4.9
A partir da Tabela 2 do Apêndice A calcule P(Z ≤ 1)
Solução:
Essa probabilidade resulta diretamente da definição de distribuição acumulada:
P(Z ≤ 1) = Φ(1, 0) = 0, 8413

Exemplo 4.10
A partir da Tabela 2 do Apêndice A calcule P(Z ≥ 1)
Solução:
Pela lei do complementar, temos que
P(Z ≥ 1) = 1 − P(Z < 1) = 1 − P(Z ≤ 1) = 1 − Φ(1, 0) = 1 − 0, 8413 = 0, 1587
porque Z é uma variável aleatória contínua.
Exemplo 4.11
A partir da Tabela 2 do Apêndice A calcule P(Z ≤ −0, 5)
Solução:
Vimos, no Exemplo 4.5, que
P(Z ≤ −0, 5) = P(Z ≥ 0, 5)
Logo,
P(Z ≤ −0, 5) = P(Z ≥ 0, 5) = 1 − P(Z < 0, 5) = 1 − P(Z ≤ 0, 5) = 1 − Φ(0, 5) = 1 − 0, 6915 = 0, 3085

Exemplo 4.12
A partir da Tabela 2 do Apêndice A calcule P(Z ≥ −0, 5)
Solução:
Veja as Figuras 4.13a e 4.13b.
P(Z ≥ −0, 5) = 1 − P(Z < −0, 5) = 1 − P(Z > 0, 5) = P(Z ≤ 0, 5) = Φ(0, 5) = 0, 6915
(a) P(Z ≥ −0, 5) (b) Simetria: P(Z ≤ 0, 5)
Figura 4.13 – Cálculo de P(Z ≥ −0, 5)

Exemplo 4.13
A partir da Tabela 2 do Apêndice A calcule P(0 ≤ Z ≤ 1, 22)
Solução:
Veja as Figuras 4.4a, 4.14a e 4.14b.
P(0 ≤ Z ≤ 1, 22) = P(Z ≤ 1, 22) − P(Z ≤ 0) = Φ(1, 22) − 0, 5 = 0, 8888 − 0, 5 = 0, 3888

Exemplo 4.14
A partir da Tabela 2 do Apêndice A calcule P(1 ≤ Z ≤ 2)
(a) P(Z ≤ 1, 22) (b) P(Z ≤ 0)
Figura 4.14 – Cálculo de P(0 ≤ Z ≤ 1, 22)
Solução:
Veja as Figuras 4.5a, 4.15a e 4.15b.
P(1 ≤ Z ≤ 2) = P(Z ≤ 2) − P(Z < 1) = P(Z ≤ 2) − P(Z ≤ 1) = Φ(2, 0) − Φ(1, 0)

= 0, 9772 − 0, 8413 = 0, 1359
(a) P(Z ≤ 2, 0) (b) Simetria: P(Z ≤ 1, 0)
Figura 4.15 – Cálculo de P(1 ≤ Z ≤ 2)

Exemplo 4.15
A partir da Tabela 2 do Apêndice A calcule P(−2, 1 ≤ Z ≤ −1, 4)
Solução:
Usando os resultados do Exemplo 4.14, temos que
P(−2, 1 ≤ Z ≤ −1, 4) = P(1, 4 ≤ Z ≤ 2, 1) = Φ(2, 1) − Φ(1, 4) = 0, 9821 − 0, 9192 = 0, 0629

Exemplo 4.16
A partir da Tabela 2 do Apêndice A calcule P(−2, 1 ≤ Z ≤ 1, 4)
Solução:
Usando os resultados do Exemplo 4.11, temos que
P(−2, 1 ≤ Z ≤ 1, 4) = Φ(1, 4) − P(Z < −2, 1) = Φ(1, 4) − Φ(−2, 1)

= Φ(1, 4) − [1 − Φ(2, 1)] = 0, 9192 − [1 − 0, 9821] = 0, 9013

4.3. CÁLCULOS COM A DISTRIBUIÇÃO NORMAL 45
4.3 Cálculos com a distribuição normal
Nesta seção serão apresentados resultados básicos sobre a distribuição normal, que permitirão
que você calcule probabilidades associadas a qualquer variável aleatória normal, e isso ampliará o
escopo de aplicações práticas.
Na seção anterior, você viu como usar tabelas da distribuição normal padrão para calcular
probabilidades associadas à variável Z ∼ N(0; 1). Essas tabelas, ou softwares especializados, são
necessários para fazer os cálculos, pois não existem métodos diretos para calcular áreas sob a curva da
densidade normal padrão. Mas as tabelas vistas referiam-se à distribuição N(0; 1). Será que teremos
que usar uma tabela diferente para outros valores da média µ e do desvio-padrão σ ? Felizmente, a
resposta é NÃO, graças a uma propriedade muito interessante da distribuição normal que estabelece
o seguinte resultado:
! Padronização da distribuição normal N(µ; σ 2 )
X −µ
X ∼ N µ; σ 2 =⇒ Z = ∼ N(0; 1)
σ
(4.2)
Note que a transformação dada em (4.3) é uma transformação linear, que é biunívoca. Vejamos
como usar esse resultado para calcular probabilidades de uma v.a. normal qualquer. Suponhamos,
por exemplo, que se deseje calcular P(X ≤ 3), em que X ∼ N(1; 2), ou seja, X é uma v.a. normal com
média 1 e variância 2. Temos a seguinte equivalência de eventos
X −1 3−1
X ≤3 ⇔ √ ≤ √
2 2
uma vez que subtraímos a mesma constante e dividimos pela mesma constante positiva em ambos os
lados da desigualdade. Mas, pelo resultado acima, Z = X√−1
2
∼ N(0; 1). Logo,

X −1 3−1 3−1
P(X ≤ 3) = P √ ≤ √ =P Z ≤ √
2 2 2
e caímos novamente no cálculo de probabilidades da Normal padrão, que é feito com auxílio das
Tabelas 1 e 2, apresentadas na seção anterior. Completando o cálculo, obtemos:

3−1
P(X ≤ 3) = P Z ≤ √ = P(Z ≤ 1, 41)
2
= 0, 5 + tab(1, 41) = Φ(1, 41) = 0, 9207
Na Figura 4.16 representa-se a probabilidade P(X ≤ 3) e na Figura 4.17, P(Z ≤ 1, 41). Pelo
resultado acima, essas duas áreas são iguais.
Figura 4.16 – P(X ≤ 3) − X ∼ N(1; 2) Figura 4.17 – P(Z ≤ 1, 41)

É interessante lembrar que a transformação dada na equação (4.3) corresponde ao cálculo do

escore padronizado associado à abscissa x. Assim, cálculos de probabilidades de v.a. normais sempre
envolverão o cálculo do escore padronizado da(s) abscissa(s) de interesse.
Agora, vamos apresentar vários exemplos para fixar os conceitos e procedimentos. É importante
que você estabeleça a equivalência dos eventos definidos pela distribuição normal de interesse e
pela normal padrão. Como antes, faça um esboço do gráfico das curvas normais sombreando a área
desejada.
Exemplo 4.17
Se X ∼ N(3; 9), calcule P(−1 ≤ X ≤ 4).
Solução:

−1 − 3 X −3 4−3
P(−1 ≤ X ≤ 4) = P √ ≤ √ ≤ √
9 9 9
= P (−1, 33 ≤ Z ≤ 0, 33)
= Φ(0, 33) − Φ(−1, 33) = 0, 62930 − 0, 09176
= tab(0, 33) + tab(1, 33) = 0, 12930 + 0, 40824
= 0, 53754

Exemplo 4.18
Se X ∼ N(2; 5), calcule P(1 ≤ X ≤ 7).
Solução:

1−2 X −2 7−2
P(1 ≤ X ≤ 7) = P √ ≤ √ ≤ √
5 5 5
= P (−0, 45 ≤ Z ≤ 2, 24)
= Φ(2, 24) − Φ(−0, 45) = Φ(2, 24) − [1 − Φ(0, 45)] = 0, 9875 − [1 − 0, 6700]
= tab(2, 24) + tab(0, 45) = 0, 4875 + 0, 1700
= 0, 6575

Exemplo 4.19
Se X ∼ N(5, 1), calcule P(X > 7).
Solução:

X −5 7−5
P(X > 7) = P >
1 1
= P(Z > 2)
= 1, 0 − Φ(2, 0) = 1, 0 − 0, 97725
= 0, 5 − tab(2, 0) = 0, 5 − 0, 47725
= 0, 02275

Exemplo 4.20 A regra 68-95-99,7

Seja X ∼ N(µ; σ 2 ). Calcule P(µ − kσ < X < µ + kσ ) , para k = 1, 2, 3.
Solução:
Note que essa probabilidade corresponde à probabilidade de X estar a uma distância de k desvios-
padrão da média.

µ − kσ − µ X −µ µ + kσ − µ
P(µ − kσ ≤ X ≤ µ + kσ ) = P ≤ ≤
σ σ σ
= P(−k ≤ Z ≤ k)
Note que chegamos a uma probabilidade que não depende de µ ou σ , ou seja, esse resultado
vale qualquer que seja a distribuição normal.
• k =1
P(µ − σ ≤ X ≤ µ + σ ) = P(−1 ≤ Z ≤ 1) = 2 × tab(1, 0) = 2 × 0, 3414 = 0, 6828
• k =2
P(µ − 2σ ≤ X ≤ µ + 2σ ) = P(−2 ≤ Z ≤ 2) = 2 × tab(2, 0) = 2 × 0, 4772 = 0, 9544
• k =3
P(µ − 3σ ≤ X ≤ µ + 3σ ) = P(−3 ≤ Z ≤ 3) = 2 × tab(3, 0) = 2 × 0, 4987 = 0, 9974
Essas probabilidades nos dizem que, para qualquer distribuição normal, 68,28% dos valores
estão a um desvio-padrão da média, 95,44% estão a dois desvios-padrão e 99,73% dos valores estão
a três desvios-padrão da média. Veja a Figura ?? para uma ilustração desses resultados.
Lembre-se de que o teorema de Chebyshev fornecia percentuais análogos para qualquer

distribuição. Para distribuições normais, os resultados desses três exemplos mostram percentuais
mais precisos.
Figura 4.18 – Ilustração da regra 68-95-99,7

4.3.1 Encontrando a abscissa da normal para uma probabilidade específica
Nos exemplos vistos até o momento, consideramos situações em que tínhamos uma abscissa de
uma distribuição normal e queríamos a probabilidade associada a essa abscissa. Agora, vamos lidar
com a situação inversa: dada uma probabilidade, qual é a abscissa correspondente? Eis algumas
situações que envolvem esse tipo de problema:
• Em uma turma de Estatística, os 10% melhores alunos receberão um livro de presente.
• Em uma comunidade, as famílias com as 15% piores rendas irão receber um auxílio da prefeitura.
Como antes, vamos apresentar vários exemplos que ilustram essa situação.
Exemplo 4.21
Se Z ∼ N(0; 1), determine o valor de k tal que P(Z ≤ k) = 0, 90.
Solução:
Vamos “traduzir” esse problema em termos probabilísticos: queremos encontrar a abscissa k da
normal padrão tal que a probabilidade à esquerda dela seja 0,90. Como 0,90 é a área à esquerda
de k, resulta que k tem que ser maior que zero, isto é, temos que ter k > 0. Veja a Figura ??: à
esquerda de k temos área (probabilidade) 0,90 e à esquerda de 0 temos área (probabilidade) 0,5.
Logo, entre 0 e k temos que ter área (probabilidade) 0,40.
Figura 4.19 – k | P(Z ≤ k) = 0, 90
Escrevendo essas observações em termos de probabilidades, temos:
P(Z ≤ k) = 0, 90 ⇔
P(Z ≤ 0) + P(0 < Z ≤ k) = 0, 90 ⇔
0, 5 + P(0 < Z ≤ k) = 0, 90 ⇔
P(0 < Z ≤ k) = 0, 40
Esta última igualdade nos diz que k é a abscissa correspondente ao valor 0,40 na Tabela 1. Para
identificar k, temos que buscar, no corpo dessa tabela, o valor mais próximo de 0,40. Na linha
correspondente ao valor 1,2 encontramos as entradas 0,39973 e 0,40147. Como a primeira está mais
próxima de 0,40, olhamos qual é a abscissa correspondente: a linha é 1,2 e a coluna é 8, o que nos
dá a abscissa de 1,28, ou seja, k = 1, 28 e P(Z ≤ 1, 28) = 0, 90, completando a solução.

Agora vamos olhar o mesmo exemplo, mas para uma distribuição normal qualquer.
Exemplo 4.22
Se X ∼ N(3; 4), determine o valor de k tal que P(X ≤ k) = 0, 90.
Solução:
Como a probabilidade à esquerda de k é maior que 0,5, resulta que k tem que ser maior que a média.
O primeiro passo na solução é escrever a probabilidade dada em termos da normal padrão.
P(X ≤ k) = 0, 90 ⇔

X −3 k −3
P ≤ = 0, 90 ⇔
2 2

k −3
P Z≤ = 0, 90 ⇔
2

k −3
P(Z ≤ 0) + P 0 ≤ Z ≤ = 0, 90 ⇔
2

k −3
0, 5 + P 0 ≤ Z ≤ = 0, 90 ⇔
2

k −3
P 0≤Z ≤ = 0, 40 ⇔
2
k −3
= 1, 28 ⇔ k = 5, 56
2

Exemplo 4.23
Se X ∼ N(3; 4), determine o valor de k tal que P(X ≤ k) = 0, 05.
Solução:
À esquerda de k temos 5% da área total; logo, k tem que ser menor que a média, ou seja, temos que
ter k < 3 e a abscissa padronizada correspondente tem que ser negativa (menor que a média 0).
P(X ≤ k) = 0, 05 ⇔

X −3 k −3
P ≤ = 0, 05 ⇔
2 2

k −3
P Z≤ = 0, 05
2
Como a área (probabilidade) à esquerda de k−3 k−3

2 é menor que 0, 5, isso significa que 2 tem que ser
negativo. Veja a Figura 4.20a. Para nos adequarmos às tabelas disponíveis, temos que trabalhar com
abscissas positivas, ou seja, temos que usar a simetria da curva. Veja a Figura 4.20b e note que a
k −3 k −3 3−k
abscissa simétrica a é− = .
2 2 2
k−3
(b) Simetria: P Z ≥ − k−3

(a) P Z ≤ 2 = 0, 05 2 = 0, 05
Figura 4.20 – k | P(X ≤ k) = 0, 05

Temos, então, a seguinte equivalência de probabilidades:

k −3
P Z≤ = 0, 05 ⇔
2

k −3
P Z ≥− = 0, 05 ⇔
2

k −3
P 0≤Z ≤− = 0, 45
2
O menor valor mais próximo de 0,45 no corpo da Tabela 1 é 0,4495, que corresponde à abscissa 1,64,
e isso nos dá que
k −3
− = 1, 64 ⇒ k = −0, 28
2

Exemplo 4.24
Se X ∼ N(3; 4), determine o valor de k tal que P(| X − 3 | ≤ k) = 0, 95.
Solução:
Pelas propriedades da função módulo, sabemos que
P(| X − 3 | ≤ k) = 0, 95 ⇔
P(−k ≤ X − 3 ≤ k) = 0, 95 ⇔
P (3 − k ≤ X ≤ k + 3) = 0, 95 ⇔

3−k −3 X −3 k +3−3
P ≤ ≤ = 0, 95 ⇔
2 2 2

k k
P − ≤Z ≤ = 0, 95
2 2
Veja a Figura 4.21 para entender que

k k
P − ≤Z ≤ = 0, 95 ⇔
2 2

k k
P − ≤Z ≤0 +P 0≤Z ≤ = 0, 95 ⇔
2 2

k
2×P 0≤Z ≤ = 0, 95 ⇔
2

k
P 0≤Z ≤ = 0, 475 ⇔
2
k
= 1, 96 ⇔ k = 3, 92
2
4.4. EXEMPLOS DE APLICAÇÃO DA DISTRIBUIÇÃO NORMAL 51
k

Figura 4.21 – k | P |Z | ≤ 2 = 0, 95
Note que, de forma mais direta,
P(| X − 3 | ≤ k) = 0, 95 ⇔

|X − 3| k
P ≤ = 0, 95 ⇔
2 2

k
P |Z | ≤ = 0, 95 ⇔
2

k k
P − ≤Z ≤ = 0, 95 ⇔
2 2

k
P 0≤Z ≤ = 0, 475 ⇔
2
k
= 1, 96 ⇔ k = 3, 92
2
Na desigualdade inicial | X − 3 | ≤ k, a média µ = 3 já está subtraída; assim, só falta dividir

pelo desvio-padrão para completar a operação de padronização.

4.4 Exemplos de Aplicação da Distribuição Normal
A distribuição normal é um modelo probabilístico que se aplica a diversas situações práticas.

Vamos finalizar este capítulo com alguns exemplos práticos, mas, na última parte do curso, você verá
mais aplicações no contexto da inferência estatística, em que decisões têm de ser tomadas com base
nos resultados obtidos a partir de uma amostra.
Exemplo 4.25 Saldo bancário

O saldo médio dos clientes de um banco é uma variável aleatória com distribuição normal com média
R$ 2.000, 00 e desvio-padrão R$ 250,00. Os clientes com os 10% maiores saldos médios recebem
tratamento VIP, enquanto aqueles com os 5% menores saldos médios receberão propaganda extra
para estimular maior movimentação da conta.
(a) Quanto você precisa de saldo médio para se tornar um cliente VIP?
(b) Abaixo de qual saldo médio o cliente receberá a propaganda extra?
Solução:
Seja X = “saldo médio”; é dado que X ∼ N(2000; 2502 ).
(a) Temos que determinar o valor de k tal que P(X ≥ k) = 0, 10. Note que isso equivale a calcular
o 90o percentil da distribuição. A área à esquerda de k tem de ser 0,90; logo, k tem que ser
maior que a média.

X − 2000 k − 2000 k − 2000
P(X ≥ k) = 0, 10 ⇔ P ≥ = 0, 10 ⇔ P Z ≥ = 0, 10 ⇔
250 250 250

k − 2000 k − 2000
P Z≤ = 0, 90 ⇔ P(Z ≤ 0) + P 0 ≤ Z ≤ = 0, 90 ⇔
250 250

k − 2000 k − 2000
P 0≤Z ≤ = 0, 90 − 0, 50 = 0, 40 ⇔ = 1, 28 ⇔ k = 2320
250 250
Os clientes com saldo médio maior ou igual a R$ 2.320, 00 terão tratamento VIP.
(b) Temos que determinar o valor de k tal que P(X ≤ k) = 0, 05. Note que isso equivale a calcular
o 5o percentil da distribuição. A área à esquerda de k tem que ser 0,05; logo, k tem que ser
menor que a média. Na solução, teremos que usar a simetria da distribuição, invertendo o sinal
da abscissa, para lidarmos com abscissas positivas da distribuição normal padrão.

X − 2000 k − 2000
P(X ≤ k) = 0, 05 ⇔ P ≤ = 0, 05 ⇔
250 250

k − 2000 2000 − k
P Z ≥− = 0, 05 ⇔ P Z ≥ = 0, 05 ⇔
250 250

2000 − k 2000 − k
P 0≤Z ≤ = 0, 45 ⇔ = 1, 64 ⇔ k = 1590
250 250
Os clientes com saldo médio inferior a R$ 1.590,00 receberão a propaganda extra.

Na Figura 4.22 ilustra-se a solução do exercício.
Figura 4.22 – Solução do Exemplo 4.25

Exemplo 4.26 Regulagem de máquinas

Uma máquina de empacotar determinado produto oferece variações de peso que se distribuem
segundo uma distribuição normal com desvio-padrão de 20 gramas. Em quanto deve ser regulado o
peso médio desses pacotes para que apenas 10% deles tenham menos que 500 gramas?
Solução:
Esse é um exemplo clássico de aplicação da distribuição normal. Seja X o peso dos pacotes em
gramas. Então, X ∼ N(µ; 400). Temos que ter P(X ≤ 500) = 0, 10. Note que o peso médio tem que
ser superior a 500 g. Veja, na solução, a inversão do sinal da abscissa!

X −µ 500 − µ
P(X ≤ 500) = 0, 10 ⇔ P ≤ = 0, 10 ⇔
20 20

500 − µ 500 − µ
P Z≤ = 0, 10 ⇔ P Z ≥ − = 0, 10 ⇔
20 20

µ − 500 µ − 500
P Z≥ = 0, 10 ⇔ P 0 ≤ Z ≤ = 0, 40 ⇔
20 20
µ − 500
= 1, 28 ⇔ µ = 525, 6
20
A máquina tem que ser regulada com um peso médio de 525,6g para que apenas 10% dos
pacotes tenham peso inferior a 500g. Veja a Figura 4.23.

Exemplo 4.27 Mais sobre regulagem de máquinas

Uma máquina fabrica tubos metálicos cujos diâmetros podem ser considerados uma variável aleatória
normal com média 200mm e desvio-padrão 2mm. Verifica-se que 15% dos tubos estão sendo rejeitados
como grandes e 10% como pequenos.
(a) Quais são as tolerâncias de especificação para esse diâmetro?
(b) Mantidas essas especificações, qual deverá ser a regulagem média da máquina para que a
rejeição por diâmetro grande seja praticamente nula? Nesse caso, qual será a porcentagem de
rejeição por diâmetro pequeno?
Solução:
Seja D = diâmetro dos tubos. Então D ∼ N(200, 22 ).
(a) Sejam kI e kS as especificações inferior e superior, respectivamente. Isso significa que tubos
com diâmetro menor que kI são rejeitados como pequenos e tubos com diâmetro maior que kS
são rejeitados como grandes.

D − 200 kI − 200 kI − 200
P(D < kI ) = 0, 10 ⇒ P < = 0, 10 ⇒ P Z < = 0, 10 ⇒
2 2 2

kI − 200 200 − kI 200 − kI
P Z >− = 0, 10 ⇒ P Z > = 0, 10 ⇒ P 0 ≤ Z < = 0, 40 ⇒
2 2 2
200 − kI
= 1, 28 ⇒ kI = 197, 44
2

D − 200 kS − 200
P(D > kS ) = 0, 15 ⇒ P > = 0, 15 ⇒
2 2

kS − 200 kS − 200
P 0≤Z < = 0, 35 ⇒ = 1, 03 ⇒ kS = 202, 06
2 2
Logo, tubos com diâmetro menor que 197,44 cm são rejeitados como pequenos e tubos com
diâmetros maiores que 202,06 cm são rejeitados como grandes.
(b) Com a nova regulagem, temos que D ∼ N(µ; 22 ) e µ deve ser tal que

D−µ 202, 06 − µ
P(D > 202, 06) = 0 ⇒ P > =0⇒
2 2

202, 06 − µ 202, 06 − µ
P Z > =0⇒P 0≤Z ≤ = 0, 5 ⇒
2 2
202, 06 − µ
' 4, 5 ⇒ µ ' 193, 06
2
Com essa média, a porcentagem de rejeição por diâmetro pequeno é

D − 193, 06 197, 44 − 193, 06
P(D < 197, 44) = P <
2 2
= P(Z < 2, 19) = P(Z ≤ 0) + P(0 < Z < 2, 19) = 0, 9857
Com essa nova regulagem, a rejeição por diâmetro grande é nula, mas a rejeição por diâmetro
pequeno é muito alta! Veja as Figuras 4.24a e 4.24b, nas quais ficam claros os resultados
obtidos.
(a) Regulagem original (b) Regulagem com 0% de tubos grandes
Figura 4.24 – Exemplo 4.27 - Regulagem de máquinas

Exemplo 4.28 Troca de lâmpadas

Em um grande complexo industrial, o departamento de manutenção tem instruções para substituir
as lâmpadas antes que se queimem. Os registros indicam que a duração das lâmpadas, em horas,
tem distribuição normal, com média de 900 horas e desvio-padrão de 75 horas. Quando devem ser
trocadas as lâmpadas, de modo que no máximo 5% delas queimem antes de serem trocadas?
Solução:
Seja T = “tempo de duração (em horas) das lâmpadas”; então, T ∼ N(900; 752 ). Temos que determinar
t tal que P(T ≤ t) = 0, 05.

T − 900 t − 900
P(T ≤ t) = 0, 05 ⇔ P ≤ = 0, 05 ⇔
75 75

t − 900 900 − t
P Z ≥− = 0, 05 ⇔ P Z ≥ = 0, 05 ⇔
75 75

900 − t 900 − t
P 0≤Z ≤ = 0, 45 ⇔ = 1, 64 ⇔ t = 777
75 75
As lâmpadas devem ser trocadas com 777 horas de uso para que apenas 5% se queimem antes da
troca.

Aqui cabe a seguinte observação: em geral, não é apropriado utilizar-se a distribuição normal
para modelar o tempo de sobrevivência de lâmpadas ou equipamentos em geral. Modelos tipo
exponencial ou gama são mais adequados, pois atribuem probabilidade alta de sobrevivência no
início da vida do equipamento e probabilidade decrescente à medida que o equipamento envelhece.
Exemplo 4.29 Regulagem de máquinas – controle da variabilidade

Uma enchedora automática enche garrafas de acordo com uma distribuição normal de média 100 ml.
Deseja-se que no máximo uma garrafa em cada 100 saia com menos de 90ml. Qual deve ser o maior
desvio padrão tolerável?
Solução:
Se X = “conteúdo da garrafa (em ml)”, então X ∼ N(100; σ 2 ) e queremos que P(X < 90) ≤ 0, 01.
Seja σ0 o valor do desvio padrão de X tal que P(X < 90) = 0, 01. Então, qualquer valor de σ
tal que σ < σ0 resulta em P(X < 90) < 0, 01. Veja a Figura 4.29.
A área sombreada corresponde a P(X < 90) = 0, 01 quando X ∼ N(100; σ02 ) (curva de densidade
mais espessa). As duas outras densidades correspondem a distribuições normais com desvios-padrão
menores. Note que para essas distribuições, P(X < 90) < 0, 01. Assim, o desvio-padrão máximo
tolerável é tal que:

90 − 100 90 − 100
P(X < 90) ≤ 0, 01 ⇔ P Z < ≤ 0, 01 ⇔ P Z > − ≤ 0, 01 ⇔
σ σ

P Z > ≤ 0, 01 ⇔ 0, 5 − P 0 ≤ Z ≤ ≤ 0, 01 ⇔ P 0 ≤ Z ≤ ≥ 0, 49 ⇔
10 10 10
σ σ σ
≥ 2, 33 ⇔ σ ≤
10 10
σ
= 4, 2918
2, 33

4.5 Exercícios propostos Feito dia 27/10/18
1. Seja Z ∼ N(0; 1). Calcule as seguintes probabilidades:
(a) P(0 < Z < 1, 86)

(b) P(1, 23 < Z < 2, 35)
(c) P(Z < 1, 5)
(d) P(Z > 2)
(e) P(−1, 86 < Z < 0)
(f) P(−2, 5 < Z < −1, 2)
(g) P(−2 < Z < 3)
(h) P(Z > −1, 32)
(i) P(Z < −1, 65)
(j) P(Z < −5)
(k) P(Z > −5)
2. Seja Z ∼ N(0; 1). Encontre a abscissa k que satisfaz as seguintes condições:
(a) P(Z < k) = 0, 8

(b) P(Z > k) = 0, 05
(c) P(−k < Z < k) = 0, 7
(d) P(Z < k) = 0, 1
(e) P(Z > k) = 0, 69
(f) P(|Z | > k) = 0, 05
3. Usando a Tabela 1, calcule as seguintes probabilidades:
(a) Pr(−2, 34 ≤ 1, 02)

(b) Pr(1, 36 ≤ Z ≤ 4, 50)
(c) Pr(Z ≥ −2, 35)
(d) Pr(Z > 4, 80)
(e) Pr(Z ≤ −4, 89)
(f) Pr(1, 54 ≤ Z < 3, 12)
(g) Pr(−1, 22 < Z < −0, 89)
(h) Pr(Z < −2)
(i) Pr(Z > −2)

(j) Pr(−2, 56 < Z < 5, 00)
4. Calcule as probabilidades do exercício anterior usando a Tabela 2.
5. Seja X ∼ N(5; 4). Calcule
(a) P(X < 3)

(b) P(X ≥ 1, 8)
(c) P(X < 6)
(d) P(X > 2, 5)
(e) P(1, 7 ≤ X ≤ 6, 3)
(f) P(X ≥ 5)
6. Seja X ∼ N(5; 4). Encontre o valor de k tal que
(a) P(X > k) = 0, 80

(b) P(|X − 5| < k) = 0, 80
(c) P(X < k) = 0, 75
(d) P(X < k) = 0, 05
(e) P(X > k) = 0, 05
7. A quantidade de sabão em pó contida em um certo tipo de embalagem tem peso distribuído

normalmente, com média de 995g e desvio padrão de 10g. Uma embalagem é rejeitada no
comércio se tiver peso menor que 976g.
(a) Qual é a porcentagem de latas rejeitadas no comércio?

(b) Se observamos uma sequência aleatória destas embalagens em uma linha de produção,
qual é a probabilidade de que a 10a embalagem seja a primeira rejeitada?
(c) Se observamos uma sequência aleatória destas latas em uma linha de produção, qual é a
probabilidade de que, em 20 latas observadas, três sejam rejeitadas?
8. Latas de refrigerante são enchidas segundo uma distribuição normal com média 342 ml e desvio
padrão 4 ml. Uma lata é rejeitada no comércio se tiver menos que 333 ml.
(a) Qual é a porcentagem de latas rejeitadas no comércio?

(b) Se observamos uma sequência aleatória destas latas em uma linha de produção, qual é a
probabilidade de que a quinta lata seja a primeira rejeitada?
(c) Se observamos uma sequência aleatória destas latas em uma linha de produção, qual é a
probabilidade de que, em 10 latas observadas, duas sejam rejeitadas?
9. Em um grande escritório de contabilidade, o tempo de execução de determinada tarefa segue

uma distribuição Normal com média de 12 minutos e desvio padrão de 2 minutos. Para o
andamento do serviço dentro das metas estabelecidas pelo escritório, o tempo de execução
dessa tarefa deve estar entre 10 e 17 minutos. A probabilidade de erro entre os funcionários
que executam a tarefa em menos de 10 minutos é de 15%. Essa probabilidade cai para 4% entre
os que executam a tarefa em mais de 17 minutos e para os que executam dentro dos limites de
10 e 17 minutos, a probabilidade de erro é de 7%. Sorteia-se um registro referente à execução
dessa tarefa. Certifique-se de definir claramente os eventos em análise.
(a) Qual é a probabilidade de a tarefa ter sido executada em menos de 10 minutos?

(b) Qual é a probabilidade de a tarefa ter sido executada em mais de 17 minutos?

(c) Qual é a probabilidade de o registro ser de uma tarefa executada com erro?
(d) Se o registro refere-se a uma tarefa executada com erro, qual é a probabilidade de que
tenha sido executada em mais de 17 minutos?
Capítulo 5
Solução dos exercícios
5.1 Capítulo 1
1. (a) No baralho há 26 cartas vermelhas, 13 de ouros e 13 de copas. Logo, os possíveis valores

de X são 0, 1, 2, 3, 4, 5.
(b) O espaço amostral desse experimento consiste em todos os possíveis subconjuntos de
5 cartas. Como a ordem não interessa, o número de elementos do espaço amostral é
nΩ = 525 .
26

5
P(X = 0) = P(5 pretas) = 52

5
26 × 25 × 24 × 23 × 22
52 × 51 × 50 × 49 × 48
=
23 × 22
2 × 51 × 2 × 49 × 2
= = 0, 0253
26
26

4 1
P (X = 1) = P(4 pretas, 1 vermelha) = 52

5
26 × 25 × 24 × 23
× 26 26 × 25 × 23 × 26
4×3×2
52 × 51 × 50 × 49 × 48 52 × 51 × 10 × 49 × 2
= =
5×4×3×2
5 × 23 × 13 65 × 23
2 × 51 × 2 × 49 4 × 51 × 49
= = = 0, 1496
26
26

3 2
P (X = 2) = P(3 pretas, 2 vermelhas ) = 52

5
26 × 25 × 24 26 × 25
× 26 × 25 × 4 × 13 × 25
3×2 2
52 × 51 × 50 × 49 × 48 52 × 51 × 5 × 49 × 4
= =
5×4×3×2
5 × 13 × 25 65 × 25
2 × 51 × 49 2 × 51 × 49
= = = 0, 3251
Como o número de cartas pretas e vermelhas é o mesmo, resulta que

26 26
2
P(X = 3) = P(2 pretas,3 vermelhas ) = 52
3 = 0, 3251
5
60 CAPÍTULO 5. SOLUÇÃO DOS EXERCÍCIOS
26
26

1 4
P (X = 4) = P(1 preta,4 vermelhas) = 52
= 0, 1496
5
26

5
P(X = 5) = P(5 vermelhas) = 52
= 0, 0253
5
Logo, a distribuição de probabilidade de X é
x 0 1 2 3 4 5
pX (x) 0, 0253 0, 1496 0, 3251 0, 3251 0, 1496 0, 0253
(c) Analisando a distribuição de probabilidade de X , vemos que ela é simétrica em torno do

valor 2,5. Como a esperança (ou média) é o centro de gravidade da distribuição, resulta
que E(X ) = 2, 5. Vamos fazer os cálculos para confirmar:
E(X ) = 0 × 0, 0253 + 1 × 0, 1496 + 2 × 0, 3251 + 3 × 0, 3251 + 4 × 0, 1496 + 5 × 0, 0253 = 2, 5
2. Note que temos bolas brancas em quantidade suficiente para podermos tirar todas brancas
(X = 0), mas não temos bolas verdes suficientes para tirar todas verdes.
(a) Como há apenas 4 verdes, os valores de X são 0, 1, 2, 3, 4.

(b) O número de elementos do espaço amostral é

11 × 10 × 9 × 8 × 7
= 11 × 6 × 7 = 462
11
5×4×3×2
#Ω = =
5
7

5
P(X = 0) = P(5 brancas) = 11

5
× × × × =
7 6 5 4 3 1 3
= =
11 10 9 8 7 22 66
4
7
1 4
11 × 6 × 7
P(X = 1) = P(1 verde, 4 brancas) =
7×6×5
4×
3 × 2 = 10 = 20
11 × 6 × 7
=
33 66
4
7
2 3
11 × 6 × 7
P(X = 2) = P(2 verdes, 3 brancas) =
4×3 7×6×5
×
2 3 × 2 = 5 = 30
11 × 6 × 7
=
11 66
4
7
3 2
11 × 6 × 7
P(X = 3) = P(3 verdes, 2 brancas) =
7×6
4× 2 12
2
11 × 6 × 7
= = =
11 66
4
7
4 1
11 × 6 × 7
P(X = 4) = P(4 verdes, 1 branca) =
1×7 1
11 × 6 × 7
= =
66
5.1. CAPÍTULO 1 61
Logo, a distribuição de probabilidade de X é
x 0 1 2 3 4
pX (x) 3
66
20
66
30
66
12
66
1
66
(c)
E(X ) = 1 × +2× +3× +4×

20 30 12 1 120
= = 1, 818181
66 66 66 66 66
E(X 2 ) = 12 × + 22 × + 32 × + 42 ×
20 30 12 1 264
=
66 66 66 66 66
2
264 × 66 − 120 2
−
264 120
Var(X ) = = = 0, 694214876
66 66 662
3. (a) Se as extrações são feitas com reposição, em cada extração podemos tirar bola branca ou
verde. Logo, os possíveis valores de X são 0, 1, 2, 3, 4, 5.
(b) Com reposição, sempre temos na urna 7 brancas e 4 verdes e em cada extração, temos que
7
P(branca) = 11 4
e P(verde) = 11 . Como as extrações são independentes, resulta que
5
7 16807
P(X = 0) = P(5 brancas) = =
11 115
P(X = 1) = P(1 verde, 4 brancas)

4 1
5 7 4 48020
= =
1 11 11 161051
P(X = 2) = P(2 verdes, 3 brancas)

3 2
5 7 4 54880
= =
2 11 11 161051
P(X = 3) = P(3 verdes, 2 brancas)

2 3
5 7 4 31360
= =
3 11 11 161051
P(X = 4) = P(4 verdes, 1 branca)

1 4
5 7 4 8960
= =
4 11 11 161051
5
4 1024
P(X = 5) = P(5 verdes) = =
11 161051
Logo, a distribuição de probabilidade de X é:
x 0 1 2 3 4 5
pX (x) 16807
161051
48020
161051
54880
161051
31360
161051
8960
161051
1024
161051
A razão de multiplicarmos pelos números combinatórios se deve ao fato de que a(s) bola(s)
verde(s) pode(m) sair em qualquer uma das extrações.
(c)
E(X ) = 1 × +2× +3× +4× +5×

48020 54880 31360 8960 1024
161051 161051 161051 161051 161051
292820
= = 1, 818181
161051
12 × + 22 × + 32 × + 42 × + 52 ×
48020 54880 31360 8960 1024
E(X 2 ) =
161051 161051 161051 161051 161051
718740
=
161051

292820 2 161051 × 718740 − 2928202
−
718740
Var(X ) = = = 1, 15702479
161051 161051 1610512
4. (a) Os valores possíveis da v.a. são 0 e 1. Então, temos que ter

k k
fX (0) + fX (1) = 1 ⇒+ =1⇒
2! 3!
k k 3k + k
= 1⇒ =1⇒k = =
6 3
+
2 6 6 4 2
Logo,
3
fX (0) = 2 3
=
2 4
3
fX (1) = 2 1
=
6 4
(b) A função de distribuição de X é

 0 se x < 0
FX (x) = 3
4 se 0 ≤ x < 1
se x ≥ 1

1
(c)
E(X ) = 0 × +1× =
3 1 1
4 4 4
E(X 2 ) = 02 × + 12 × =
3 1 1
4 4 4
2
−
1 1 3
Var(X ) = =
4 4 16
5. (a) Na tabela a seguir, listam-se todos os elementos do espaço amostral, bem como os valores
das variáveis aleatórias.
w P(w) X Y
CCC 1
8 3 1
CC K 1
8 2 2
CKC 1
8 2 3
K CC 1
8 2 2
CKK 1
8 1 2
KCK 1
8 1 3
KKC 1
8 1 2
KKK 1
8 0 1
Logo, as distribuições de probabilidade de X e Y são:
x 0 1 2 3
fX (x) 1
8
3
8
3
8
1
8
5.1. CAPÍTULO 1 63
y 1 2 3
fY (y) 2
8
4
8
2
8
(b) As duas distribuições são simétricas. Logo,
3
E(X ) = 1, 5 =
2
E(Y ) = 2
E(X 2 ) = 12 × + 22 × + 32 × =
3 3 1 24
=3
8 8 8 8
2
Var(X ) = 3 −
3 3
=
2 4
E(Y 2 ) = 12 × + 22 × + 32 × =
2 4 2 36 9
=
8 8 8 8 2
− 22 =
9 1
Var(Y ) =
2 2
6. Veja a Figura 5.1 com o espaço amostral deste experimento. Daí, podemos ver que o vendedor
pode
• não vender qualquer projeto,

• vender apenas um projeto médio,
• vender apenas um projeto grande,
• vender um projeto médio e um projeto grande,
• vender dois projetos médios ou
• vender dois projetos grandes.
0 0,6 0
M 0,3 5000
G 0,1 20000
0,6 0 0,6 0
1
M 0,3 5000
G 0,1 20000
0,6
2 0
0,4 0 0,6 5000
M 0,3 M 0,3 10000
G 0,1 25000
G
0,1
0 0,6 20000
M 0,3 25000
G 0,1 40000
Figura 5.1 – Espaço amostral para o exercício 6
Seja V a v.a. “valor das vendas diárias”. Usando a regra da multiplicação, que diz que P(A∩B) =
P(A) P(B|A) e o axioma da probabilidade da união de eventos mutuamente exclusivos, podemos
calcular:
P(V = 0) = 0, 6 × 0, 6 + 0, 4 × 0, 6 × 0, 6 = 0, 504
P(V = 5000) = 0, 6 × 0, 3 + 2 × 0, 4 × 0, 6 × 0, 3 = 0, 324
P(V = 10000) = 0, 4 × 0, 3 × 0, 3 = 0, 036
P(V = 20000) = 0, 6 × 0, 1 + 2 × 0, 4 × 0, 6 × 0, 1 = 0, 108
P(V = 25000) = 2 × 0, 4 × 0, 3 × 0, 1 = 0, 024
P(V = 40000) = 0, 4 × 0, 1 × 0, 1 = 0, 004
E(V ) = 5000 × 0.324 + 10000 × 0.036 + 20000 × 0.108

+25000 × 0.024 + 40000 × 0.004 = 4900
7. Na tabela a seguir temos os resultados pertinentes para a solução do problema.
Número de carros Probabilidade Lucro por dia

alugados/dia de alugar
0 0, 10 4 × (−200) = −800
1 0, 30 2000 − 500 − 3 × 200 = 900
2 0, 30 4000 − 2 × 500 − 2 × 200 = 2600
3 0, 20 6000 − 3 × 500 − 200 = 4300
4 0, 10 8000 − 4 × 500 = 6000
Sejam X = “número de carros de luxo alugados por dia” e L = “lucro diário com aluguel de
carros de luxo”.
(a)
E(X ) = 1 × 0, 30 + 2 × 0, 30 + 3 × 0, 20 + 4 × 0, 10 = 1, 9 carros por dia

E(X 2 ) = 12 × 0, 30 + 22 × 0, 30 + 32 × 0, 20 + 42 × 0, 10 = 4, 9
Var(X ) = E(X 2 ) − [E(X )]2 = 4, 9 − (1, 9)2 = 1, 29
DP(X ) = 1, 1356 carros por dia
(b)
E(L) = (−800) × 0.10 + 900 × 0.30 + 2600 × 0.30 + 4300 × 0.20 +

+6000 × 0.10 = 2430 reais
E(L ) = (−800)2 × 0.10 + 9002 × 0.30 + 26002 × 0.30 + 43002 × 0.20
2
+60002 × 0.10 = 9633000

Var(L) = E(L2 ) − [E(L)]2 = 9633000 − 24302 = 3728100
DP(L) = 1930, 83 reais
8. (a) Seja X = “número de chamadas por dia”.
E(X ) = 1 × 0, 15 + 2 × 0, 30 + 3 × 0, 25 + 4 × 0, 15 + 5 × 0, 05 = 2, 35 chamadas por dia

Var(X ) = 1 × 0, 15 + 4 × 0, 30 + 9 × 0, 25 + 16 × 0, 15 +
+25 × 0, 05 − (2, 35)2 = 1, 7275
DP(X ) = 1, 3143 chamadas por dia
(b) Seja T = “número de chamadas em um ano”. Então,

T = 365X e E(T ) = 2, 35 × 365 = 857, 75
5.2. CAPÍTULO 2 65
9. (a) Seja X = “número de pessoas em cada carro”. Então, sua distribuição de probabilidades
é dada por
x 1 2 3 4 5
p 0, 05 0, 20 0, 40 0, 25 0, 10
e
E(X ) = 0, 05 + 0, 40 + 1, 20 + 1, 0 + 0, 5 = 3, 15 pessoas por carro
(b) Seja Y = “número de pessoas em 50 carros em 5 horas de contagem”. Então, Y = 50 ×
5 × X = 250X e
E(Y ) = 250 E(X ) = 250 × 3, 15 = 787, 5 pessoas
5.2 Capítulo 2
1. Temos uma variável aleatória de Bernoulli, a saber:

X=
1 se peça é defeituosa
0 se peça é não defeituosa
e P(X = 1) = 0, 10, o que implica que P(X = 0) = 0, 9.
Seja Y = “número de peças defeituosas na amostra de tamanho 4”. Como as peças são sorteadas
com reposição, resulta que as extrações são independentes e a probabilidade de sucesso (“peça
defeituosa”) permanece constante. Logo, Y ∼ bin(4; 0, 1) e

(a) P(Y = 0) = 40 (0, 10)0 (0, 9)4 = 0, 6501
(b) P(Y ≥ 1) = 1 − P(Y = 0) = 1 − 0, 6501 = 0, 3439

(c) P(Y = 1) = 41 (0, 10)(0, 9)3 = 0, 2916
2. (a) Supondo que o dado seja honesto, a distribuição de probabilidade de X é
Valor do desconto x 0, 30 0, 20 0, 10 0, 05
P(X = x) 1/6 1/6 1/6 3/6
(b) Temos que

0, 30 + 0, 20 + 0, 10 + 3 × 0, 05
E(X ) = = 0, 125
6
ou um desconto médio de 12,5%.
(c) A probabilidade de se ter um desconto maior que 10% (20% ou 30%) é de 26 . Seja Y =
número de clientes,
em um grupo de cinco, que recebem desconto maior que 10%. Então,
Y ∼ bin 5; 6 . Logo,
2
P (Y ≥ 1) = 1 − P(Y < 1)
= 1 − P (Y = 0)
0 5
= 1−
5 2 4
= 0, 868313
0 6 6
(d) Seja Z = número de clientes que passam pelo caixa até primeiro desconto de 30%. O evento
{Z = 4} corresponde a 3 clientes que não têm desconto de 30% seguidos do primeiro que
tem desconto de 30%. Logo,
3
5 1
P (Z = 4) = = 0, 09645
6 6
3. Temos uma variável aleatória de Bernoulli, a saber:

X=
1 se acerta no alvo
0 se não acerta no alvo
e P(X = 1) = 0, 20, o que implica que P(X = 0) = 0, 8.
(a) Seja Z = “número de tiros até primeiro acerto no alvo”. Então, {Z = 10} significa que o
atirador erra os 9 primeiros e acerta o décimo tiro:
P(Z = 10) = (0, 8)9 (0, 20) = 0, 026844
(b) Seja Y = “número de acertos em 10 tiros”. Então, Y ∼ bin(10; 0, 2) e

P(Y = 1) = 10 9
1 (0, 20)(0, 8) = 0, 26844
5.3 Capítulo 3
1. (a) Veja o gráfico de f(x) na Figura 5.2 e note que f(0) = 2K e f(1) = K e f(x) é uma função
linear.
A área total, que deve ser igual a 1, é a área de um trapézio com altura h = 1, base maior
igual a 2K e base menor igual a K , conforme ilustrado na Figura 5.3. Logo,
K + 2K
×1⇒K =
2
1=
2 3
Figura 5.2 – Gráfico da função densidade Figura 5.3 – Área sob a curva de densidade
(b) A área abaixo da mediana Q2 é 0,50 e essa é a área de um trapézio com altura Q2 e bases
4/3 e f(Q2 ) = 32 (2 − Q2 ). Veja a Figura 5.4.
Figura 5.4 – Cálculo da mediana
Logo, temos que ter

5.3. CAPÍTULO 3 67
√
4
+ 23 (2 − Q2 ) 8 ± 40
· Q2 ⇒ 1 = Q2 − Q2 ⇒ 2Q2 − 8Q2 − 3 = 0 ⇒ Q2 =
3 8 2 2 2
0, 5 =
2 3 3 2
A raiz que fornece solução no domínio de X é:
√
8 − 40
Q2 = = 0, 41886
4
2. Faça desenhos!
(a) O comprimento do intervalo (base do retângulo) é 20; logo, para a área ser 1, temos que
1
ter altura igual a 20 = 0, 05. (Veja a Figura 5.5.) Logo,

0, 05 20 ≤ x ≤ 40
f(x) =
0 caso contrário
Figura 5.5 – Função de densidade Unif[10, 20]
(b) Por simetria, a média é o ponto médio:

E(X ) = 30 minutos
(c) O problema pede P(X < 30|X ≥ 25) (veja a Figura 5.6).
P(25 ≤ X < 30) 5 × 0, 05

P(X < 30|X ≥ 25) =
5 1
P(X ≥ 25) 15 × 0, 05
= = =
15 3
Um erro comum na solução desse tipo de problema é vocês se esquecerem de dividir pela
probabilidade do “novo” espaço amostral. Note que foi dito que a pessoa já esperou 25
minutos; logo, o novo espaço amostral passa ser o intervalo [25, 40] e temos que analisar
a probabilidade pedida nesse novo espaço. Veja a Figura 5.6.
3. Seja X o comprimento da barra. Então, X ∼ Unif(10; 12). Vamos definir os seguintes eventos:
S = barra vendida como sucata
C = barra tem que ser cortada
P = barra perfeita
Temos as seguintes equivalências:
10, 5 − 10
P(S) = P(X < 10, 5) =
12 − 10
= 0, 25
12 − 11, 5
P(C ) = P(X > 11, 5) =
12 − 10
= 0, 25
11, 5 − 10, 5
P(P) = P(10, 5 ≤ X ≤ 11, 5) =
12 − 10
= 0, 5
Figura 5.6 – Cálculo da probabilidade P(X < 30|X ≥ 25)
4. (a) k ≥ 0 e a área sob a curva tem que ser 1 – essa é a área de um trapézio. Logo
(k + 0, 25) · 2
= 1 ⇒ k = 0, 75
2
O gráfico de f(x) = a + bx é um segmento de reta determinado pelos pontos (2; 0, 25) e
(4; 0, 75). Logo,

a + 2b = 0, 25
⇒ 2b = 0, 5 ⇒ b = 0, 25 ⇒ a = −0, 25
a + 4b = 0, 75
ou seja,
f(x) = −0, 25 + 0, 25x 2≤x≤4
(b) Veja a Figura 5.7. A probabilidade pedida é a área de um trapézio de bases f(2, 5) e 0, 75
e altura 1, 5. Logo,
0, 75 + (−0, 25 + 0, 25 · 2, 5)
P(X ≥ 2, 5) = × 1, 5 = 0, 84375.
2
(c)
P(X > 3, 0)
P(X > 3, 0 | X ≥ 2, 5) =
P(X ≥ 2, 5)
De maneiroa análoga, a probabilidade no numerador é a área do trapézio de bases 0,75 e
f(3) e altura 1. Logo,
(−0, 25 + 0, 25 · 3) + 0, 75
P(X > 3) = = 0, 625 ⇒ P(X > 3, 0 | X ≥ 2, 5) = ≈ 0, 741
0, 625
2 0, 84375
(d) Veja a Figura 5.8. A área do trapézio sombreado tem que ser 0,6; esse é um trapézio de
bases 0,25 e f(c) e altura c − 2. Logo,
P(X < c) = 0, 6 ⇔ × (c − 2) = 0, 6 ⇔ 0, 25c 2 − 0, 5c − 1, 2 = 0 ⇔

0, 25 + (−0, 25 + 0, 25c)
√ 2
0, 5 ± 0, 25 + 1, 2
c=
0, 5
5.4. CAPÍTULO 4 69
√
A solução no domínio de f é c = ≈ 3, 408.
0, 5 + 0, 25 + 1, 2
0, 5
Figura 5.7 – P(X ) ≥ 2, 5 Figura 5.8 – P(X < c) = 0, 6
5.4 Capítulo 4
1. (a) Veja Figura 5.9.

P(0 < Z < 1, 86) = tab(1, 86) = 0, 4686
(b) Veja Figura 5.10.
P(1, 23 < Z < 2, 35) = P(0 < Z < 2, 35) − P(0 < Z < 1, 23)
= tab(2, 35) − tab(1, 23) = 0, 0999
(c) Veja Figura 5.11.
P(Z < 1.5) = P(0 < Z < 1, 5) + P(Z ≤ 0) = tab(1, 5) + 0, 5 = 0, 9332
(d) Veja Figura 5.12.
P(Z > 2) = P(0 < Z < ∞) − P(0 < Z < 2) = 0, 5 − tab(2) = 0, 0228
(e) Veja a Figura 5.13.
P(−1, 86 < Z < 0) = P(0 < Z < 1, 86) = tab(1, 86) = 0, 4686
(f) Veja a Figura 5.14.
P(−2, 5 < Z < −1, 2) = P(1, 2 < Z < 2, 5) = tab(2, 5) − tab(1, 2) = 0, 1089
(g) Veja a Figura 5.15.
P(−2 < Z < 3) = P(−2 < Z < 0) + P(0 ≤ Z < 3)

= P(0 < Z < 2) + P(0 ≤ Z < 3) = tab(2, 0) + tab(3, 0) = 0, 9759
(h) Veja a Figura 5.16.
P(Z > −1, 32) = P(−1, 32 < Z < 0) + P(Z ≥ 0) = P(0 < Z < 1, 32) + P(Z ≥ 0)
= tab(1, 32) + 0, 5 = 0, 9066
(i) Veja a Figura 5.17.
P(Z < −1, 65) = P(Z > 1, 65) = 0, 5 − P(0 < Z ≤ 1, 65) = 0, 5 − tab(1, 65) = 0, 0495
(j) A característica relevante na solução desse item é a seguinte: a curva da densidade normal
tende a zero, ou seja, o gráfico se aproxima de zero nas duas caudas, sem, no entanto,
tocar o eixo. Isso significa que para valores grandes, a probabilidade nas 2 caudas é
aproximadamente 0.
P(Z < −5) = P(Z > 5) = 0
(k)
P(Z > −5) = 1 − P(Z ≤ 5) = 1 − 0 = 1
Figura 5.9 – P(0 < Z < 1, 86) Figura 5.10 – P(1, 23 < Z < 2, 35)
Figura 5.11 – P(Z < 1, 5) Figura 5.12 – P(Z > 2)
Figura 5.13 – P(−1, 86 < Z < 0)

Figura 5.14 – P(−2, 5 < Z < −1, 2)
5.4. CAPÍTULO 4 71
Figura 5.15 – P(−2 < Z < 3) Figura 5.16 – P(Z > −1, 32)
Figura 5.17 – P(Z < −1, 65)
2. (a) Veja a Figura 5.18. Traduzindo em palavras: à esquerda de k temos que ter 80% da área.
Como até 0 temos 50% da área, para completar 80 a abscissa k tem que ser positiva. A
abscissa k é tal que
tab(k) = 0, 30
Para resolver essa equação, procuramos no corpo da tabela o valor mais próximo de 0,30.
Na parte inferior da Figura 5.18 apresenta-se a parte pertinente da tabela da normal
padrão. Daí concluimos que k = 0, 84.
(b) Veja a Figura 5.19. Traduzindo em palavras: à direita de k temos que ter 5% da área e,
portanto, à esquerda de k temos que ter 95% da área. Logo, a abscissa k tem que ser
positiva. Veja a Figura 5.19. A abscissa k é tal que
tab(k) = 0, 45
Para resolver essa equação, procuramos no corpo da tabela o valor mais próximo de 0,45.
Da Figura 5.19 concluimos que k = 1, 645.
(c) Veja a Figura 5.20. Como as abscissas são simétricas em torno do 0, cada metade tem 35%
de área. A abscissa k é tal que
tab(k) = 0, 35
Para resolver essa equação procuramos no corpo da tabela o valor mais próximo de 0,35.
Da Figura 5.20 concluimos que k = 1, 04.
0,3=30%
0,5=50%
Figura 5.18 – Resolvendo P(Z < k) = 0, 80 e tab(k) = 0, 30
(d) Traduzindo em palavras: à esquerda de k temos que ter 1% da área e, portanto, a abscissa
k tem que ser negativa. Por simetria, temos que ter P(Z > −k) = 0, 1. Da Figura 5.21,
concluimos que a abscissa k é tal que
tab(−k) = 0, 40
Para resolver essa equação, procuramos no corpo da tabela o valor mais próximo de 0, 40.
Da Figura 5.21 concluimos que −k = 1, 28 e, portanto, k = −1, 28.
(e) Traduzindo em palavras: à direita de k temos que ter 69% da área e, portanto, a abscissa
k tem que ser negativa. Veja a Figura 5.22.
Por simetria, temos que ter P(0 < Z < −k) = 0, 19. A abscissa k é tal que
tab(−k) = 0, 19
Para resolver essa equação, procuramos, no corpo da tabela, o valor mais próximo de 0.19.
Da Figura 5.22 resulta que −k = 0, 50 e, portanto, k = −0, 50.
(f) Note a equivalência:
P(|Z | > k = 0, 05) ⇔ P(|Z | ≤ k) = 0, 95 ⇔ P(−k ≤ Z ≤ k) = 0, 95
e veja ilustração dada na Figura 5.23.

A abscissa k é tal que.
tab(k) = 0, 475
Procurando no corpo da tabela obtemos que k = 1, 96 (veja Figura 5.23).
3. Faça desenhos! Compare a probabilidade pedida com probabilidades equivalentes dadas como
exemplos na apostila ou nos exercícios anteriores.
5.4. CAPÍTULO 4 73
45%
5%
Figura 5.19 – Resolvendo P(Z > k) = 0, 05 e tab(k) = 0, 45
(a) Pr(−2, 34 ≤ Z ≤ 1, 02) = tab(1, 02) + tab(2, 34) =

= 0, 34614 + 0, 49036 = 0, 83650
(b) Pr(1, 36 ≤ Z ≤ 4, 50) = tab(4, 50) − tab(1, 36) =
0, 5 − 0, 41308 = 0, 08692
(c) Pr(Z ≥ −2, 35) = 0, 5 + tab(2, 35) = 0, 5 + 0, 49061 =
0, 990 61
(d) Pr(Z > 4, 80) = 0, 5 − tab(4, 80) = 0, 5 − 0, 5 = 0
(e) Pr(Z ≤ −4, 89) = Pr(Z ≥ 4, 89) = 0, 5 − tab(4, 89) =
= 0, 5 − 0, 5 = 0
(f) Pr(1, 54 ≤ Z < 3, 12) = tab(3, 12) − tab(1, 54) =
0, 49910 − 0, 43822 = 0, 060 88
(g) Pr(−1, 22 < Z < −0, 89) = Pr(0, 89 < Z < 1, 22) =
tab(1, 22) − tab(0, 89) = 0, 38877 − 0, 31327 = 0, 07550
(h) Pr(Z < −2) = Pr(Z > 2) = 0, 5 − tab(2, 0) = 0, 5 − 0, 47725 = 0, 022 75
(i) Pr(Z > −2) = 0, 5 + tab(2, 0) = 0, 5 + 0, 47725 = 0, 977 25
(j) Pr(−2, 56 < Z < 5, 00) = tab(5, 00) + tab(2, 56) =
0, 5 + 0, 49477 = 0, 994 77
4. (a) P(−2, 34 ≤ Z ≤ 1, 02) = Φ(1, 02) − Φ(−2, 34) =

0, 84614 − 0, 00964 = 0, 83650
(b) P(1, 36 ≤ Z ≤ 4, 50) = Φ(4, 50) − Φ(1, 36) = 1, 0 − 0, 91308 = 0, 08692
(c) P(Z ≥ −2, 35) = 1, 0 − Φ(−2, 35) = 1, 0 − 0, 00939 = 0, 990 61
(d) P(Z > 4, 80) = 1, 0 − Φ(4, 80) = 1, 0 − 1, 0 = 0
(e) P(Z ≤ −4, 89) = Φ(−4, 89) = 0
70%
15% 15%
-k k
Figura 5.20 – Resolvendo P(−k < Z < k) = 0, 7 e tab(k) = 0, 35
(f) P(1, 54 ≤ Z < 3, 12) = Φ(3, 12)− Φ(1, 54) =

0, 99910 − 0, 93822 = 0, 060 88
(g) P(−1, 22 < Z < −0, 89) = Φ(−0, 89) − Φ(−1, 22) =
0, 18673 − 0, 11123 = 0, 07550
(h) P(Z < −2) = P(Z ≤ −2) = Φ(−2, 0) = 0, 022 75
(i) P(Z > −2) = 1, 0 − Φ(−2, 0) = 1, 0 − 0, 02275 = 0, 97725
(j) P(−2, 56 < Z < 5, 00) = Φ(5, 00) − Φ(−2, 56) =
1, 0 − 0, 00523 = 0, 994 77
5. Na solução de problemas envolvendo a distribuição normal, é FUNDAMENTAL que você

explicite a relação entre os eventos da variável normal X e a variável normal padronizada
Z . Veja a expressão em negrito na solução dos exercícios. Faça gráficos! Sombreie a área
correspondetne à probabilidade pedida.
(a) Veja a Figura 5.24.

3−5
P(X < 6) = P Z < = P(Z < −1) = P(Z > 1) = 0, 5 − tab(1) = 0.158 66
2
(b) Veja a Figura 5.25.

1, 8 − 5
P(X ≥ 1, 8) = P Z ≥ = P(Z ≥ −1, 6) = 0, 5 + tab(1, 6) = 0, 94520
2
(c) Veja a Figura 5.26.

6−5
P(X < 6) = P Z < = P(Z < 0, 5) = 0, 5 + tab(0, 5) = 0, 69146
2
5.4. CAPÍTULO 4 75
0,4
0,1 0,1
k -k
Figura 5.21 – Resolvendo P(Z < k) = 0, 1 e tab(−k) = 0, 40
(d) Veja a Figura 5.27.

2, 5 − 5
P(X > 2, 5) = P Z > = P(Z > −1, 25) = 0, 5 + tab(1, 25) = 0, 89435
2
(e) Veja a Figura 5.28.

1.7 − 5 6.3 − 5
P(1, 7≤ X ≤ 6, 3) = P ≤Z≤ = P(−1, 65 ≤ Z ≤ 0, 65)
2 2
= tab(0.65) + tab(1, 65) = 0.24245 + 0.45053 = 0.692 98
(f) Note que 5 é a média e como a média coincide com a mediana (distribuição simétrica)
acima e abaixo dela tem 50% da probabilidade.
P(X ≥ 5) = P(Z ≥ 0) = 0, 5
P(Z < -1) P(Z > 1)
-1 1 -1,6
Figura 5.24 – P(X < 3) = P(Z < −1) Figura 5.25 – P(X ≥ 1, 8) = P(Z ≥ −1, 6)
0,19
0,50
Figura 5.22 – Resolvendo P(Z > k) = 0, 69 e tab(−k) = 0, 19
0,5 -1,25
Figura 5.26 – P(X < 6) = P(Z < 0, 5) Figura 5.27 – P(X ≥ 2, 5) = P(Z ≥ −1, 25)
5.4. CAPÍTULO 4 77
47,5% 47,5%
2,5% 2,5%
-k k
Figura 5.23 – Resolvendo P(|Z | > k) = 0, 05 e tab(k) = 0, 475
-1,65 0,65
Figura 5.28 – P(1, 7 ≤ X ≤ 6, 3) = P(−1, 65 ≤

Z ≤ 0, 65
6. (a) Como a área à direita de k é maior que 0,5, k tem que ser menor que a média; em termos
da abscissa padronizada, esta deve ser negativa!

k −5 k −5
P(X > k) = 0, 80 ⇔ P Z > = 0, 80 ⇔ tab − = 0, 30
2 2
5−k
⇔ = 0, 84 ⇔ k = 3, 32
2
(b)
|x| > k ⇔ x > k ou x < −k

|x| < k ⇔ −k < x < k

X − 5 k
P(|X − 5| < k) = 0, 80 ⇔ P < = 0, 80
2 2

k k k
⇔ P |Z | < = 0, 80 ⇔ P − < Z < = 0, 80
2 2 2

k k
⇔ 2 × tab = 0, 80 ⇔ tab = 0, 40
2 2
k
⇔ = 1, 28 ⇔ k = 2, 56
2
(c) k tem que ser maior que média, pois a probabilidade à esquerda dele é maior que 0,5.

k −5 k −5
P(X < k) = 0, 75 ⇔ P Z < = 0, 75 ⇔ 0, 5 + tab = 0, 75
2 2

k −5 k −5
⇔ tab = 0, 25 ⇔ = 0, 67 ⇔ k = 6, 34
2 2
(d) k tem que ser menor que a média!

k −5 k −5
P(X < k) = 0, 05 ⇔ P Z < = 0, 05 ⇔ P Z > − = 0, 05
2 2

k −5 5−k
⇔ tab − = 0, 45 ⇔ = 1, 64 ⇔ k = 72
2 2
(e) k tem que ser maior que a média!

k −5
P(X > k) = 0, 05 ⇔ P Z > = 0, 05
2

k −5 k −5
⇔ tab = 0, 45 ⇔ = 1, 64 ⇔ k = 8, 28
2 2
7. (a) Seja X a v.a. que representa o peso (em gramas) das latas; então, X ∼ N(995; 102 ).

976 − 995
P(X < 976) = P Z < = P(Z < −1, 9) = P(Z > 1, 9)
10
= 0, 5 − tab(1, 9) = 0.5 − 0.4713 = 0.0287
ou seja, 2,87% das embalagens são rejeitados.

(b) Vamos denotar por Ri o evento “embalagem i é rejeitada” e por Ai o evento “embalagem i
não é rejeitada”. Então, P(Ri ) = 0, 0287 e P(Ai ) = 1 − 0.0287 = 0.971 3. Se D é o evento
“décima embalagem é a primeira rejeitada”, temos que
D = A1 ∩ A2 ∩ · · · ∩ A9 ∩ R10
Supondo independência entre os sorteios (hipótese bastante razoável), temos que
P(D) = P(A1 ) × P(A2 ) × · · · × P(A9 ) × P(R10 )

= (1 − 0.0287)9 × 0.0287 = 0, 02208
(c) Seja X o número de latas rejeitadas na sequência de 20; então, X ∼ bin(20; 0, 0287) e

P(X = 3) = 20
3 (0.0287)3 (1 − 0.0287)17 = 0, 01643
5.4. CAPÍTULO 4 79
8. (a) Seja X a v.a. que representa o volume (em ml) das latas; então, X ∼ N(342; 42 )

333 − 342
P(X < 333) = P Z < = P(Z < −2, 25) = P(Z > 2, 25)
4
= 1 − Φ(2, 25) = 1 − 0, 98778 = 0, 01222
1,22% das latas são rejeitadas.

(b) Vamos denotar por Ri o evento “lata i é rejeitada” e por Ai o evento “lata i não é rejeitada”.
Do item anterior, resulta que P(Ri ) = 0, 01222 e P(Ai ) = 1 − 0.01222 = 0.98778. Se D é o
evento “quinta lata é a primeira rejeitada”, temos que
D = A 1 ∩ A 2 ∩ A 3 ∩ A 4 ∩ R5
Supondo independência entre os sorteiros (hipótese bastante razoável), temos que
P(D) = P(A1 ) × P(A2 ) × P(A3 ) × P(A4 ) × P(R5 )

= 0.987784 × 0.01222 = 0, 01163
(c) Seja X o número de latas rejeitadas na sequência de 10; então, X ∼ bin(10; 0, 01222) e

P(X = 2) = 10 2 × (0, 01222) × (1 − 0, 01222) = 0, 006090273
2 8
9. Seja T a variável que representa o tempo de execução da tarefa. Então, T ∼ N(12; 22 ).

Sejam os eventos R = “tempo de execução menor que 10 minutos”; N =“tempo de execução
entre 10 minutos e 17 minutos”; L =“tempo de execução maior que 17 minutos”; E =“tarefa com
erro”; C =“tarefa certa”. O diagrama de árvore da Figura 5.29 auxilia na solução da questão.
Figura 5.29 – Espaço amostral para a questão 5
No enunciado temos as seguintes probabilidades:
P(E|R) = 0, 15 P(E|N) = 0, 07 P(E|L) = 0, 04
(a)
P(R) = P(T < 10) = P(Z < −1) = P(Z > 1) = 0, 5 − tab(1) = 0, 15866
(b)
P(L) = P(T > 17) = P(Z > 2, 5) = 0, 5 − tab(2, 5) = 0, 5 − 0, 49379 = 0, 00621
(c)
P(E) = P(R ∩ E) + P(L ∩ E) + P(N ∩ E) =

= 0.15866 × 0.15 + 0.00621 × 0.04 + (1 − 0.15866 − 0.00621) × 0.07
= 0.023799 + 0, 000248 + 0, 058459 = 0, 082506
(d)
P(L ∩ E) 0.00621 × 0.04
P(L|E) = = = 0, 003011
P(E) 0.082506
Apêndice A
Tabelas
Tabela 1 Distribuição normal padrão – p = P(0 ≤ Z ≤ z)
Tabela 2 Função de distribuição da normal padrão – Φ(z) = P(Z ≤ z), z ≥ 0
81
82 APÊNDICE A. TABELAS
.
83
Tabela 1 Distribuição normal padrão
p = P(0 ≤ Z ≤ z)
Casa inteira 2a. casa decimal

e 1a.decimal 0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4,0 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
84 APÊNDICE A. TABELAS
Tabela 2 Função de distribuição da normal padrão
p = P(Z ≤ z)
Casa inteira 2a. casa decimal

e 1a.decimal 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4,0 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000

Apostila - Variáveis Aleatórias

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila - Variáveis Aleatórias

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Federal Fluminense

Instituto de Matemática e Estatística

Fundamentos de Estatística Aplicada

Ana Maria Lima de Farias

1 Variáveis aleatórias discretas 1

1.1 Variável Aleatória . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Função de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3 Esperança de Variáveis Aleatórias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.3.1 Esperança de Funções de Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . 8

1.3.2 Propriedades da Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.4 Variância e desvio-padrão de uma variável aleatória . . . . . . . . . . . . . . . . . . . . . 9

1.4.1 Propriedades da variância e do desvio-padrão . . . . . . . . . . . . . . . . . . . . 10

1.5 Exercícios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Algumas Distribuições Discretas 17

2.2 Distribuição de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.2.1 Esperança e Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.3 Distribuição Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.3.1 A Distribuição Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.3.2 Esperança e Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.4 Exercícios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3 Variáveis Aleatórias Contínuas 27

3.2 Função densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.3 Esperança e Variância de Variáveis Aleatórias Contínuas . . . . . . . . . . . . . . . . . . 29

3.4 Distribuição uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.5 Densidade linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.6 Exercícios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

4.1 Características gerais da distribuição normal . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.1.1 Função de densidade de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.1.2 Esperança e Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2 A Densidade Normal Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.2.1 A Tabela da Normal Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.2.2 A Tabela da Distribuição Acumulada da Normal Padrão . . . . . . . . . . . . . . 42

4.3 Cálculos com a distribuição normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4.3.1 Encontrando a abscissa da normal para uma probabilidade específica . . . . . . 47

4.4 Exemplos de Aplicação da Distribuição Normal . . . . . . . . . . . . . . . . . . . . . . . . 51

4.5 Exercícios propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

5 Solução dos exercícios 59

Variáveis aleatórias discretas

Neste capítulo, você aprenderá um conceito muito importante da teoria de probabilidade:

1.1 Variável Aleatória

Consideremos o seguinte experimento aleatório: sorteio de uma amostra de 20 funcionários de

Definição 1.1 Variável aleatória

Continuando com o exemplo da amostra de funcionários, podemos, então, definir as seguintes

Definição 1.2 Variáveis aleatórias discretas e contínuas

Exemplo 1.1 Dois dados

Tabela 1.1 – Variável aleatória X = “máximo das faces de 2 dados”

Pontos do espaço amostral Valor de X

{X = 2} ≡ A = {(1, 2), (2, 1), (2, 2)}

Dessa forma, podemos definir

De maneira análoga, obtemos

1.2 Função de probabilidade

O comportamento de uma variável aleatória discreta fica perfeitamente determinado através da

Definição 1.3 Função de probabilidade

Seja X uma variável aleatória discreta. A função de probabilidade de X é a função pX (x)

Para não sobrecarregar o texto, omitiremos os colchetes oriundos da notação de evento

Das propriedades (axiomas) da probabilidade resultam os seguintes fatos sobre a função de

Cálculo da função de probabilidade

Da definição de função de probabilidade, resulta que o seu cálculo se dá em três etapas:

• primeiro, temos que identificar todos os possíveis valores x da v.a. X ;

Exemplo 1.2 Dois dados: máximo das faces

Exemplo 1.3 Dois dados: soma das faces

Como todos os pontos do espaço amostral são equiprováveis, a função de probabilidade de X é:

Exemplo 1.4 Chaves