Probabilidade

Distribuição Binomial
 Modelo Binomial
(Experimentos de Bernoulli)

Considere as seguintes experimentos/situações

práticas:
• uma peça é classificada como boa ou defeituosa;
• o resultado de um exame médico para detecção de uma doença
é positivo ou negativo;
• um entrevistado concorda ou não com a afirmação feita;
• no lançamento de um dado ocorre ou não a face “5”.
• respostas de pessoas à pergunta sobre se vai ou não viajar nas
próximas férias

O que estes experimentos têm em comum ?

 Modelo Binomial
(Experimentos de Bernoulli)
Em todas estas situações temos um conjunto de provas
que satisfazem as seguintes condições:

• as provas se realizam sob as mesmas condições

• cada prova comporta apenas dois resultados possíveis
(mutuamente exclusivos), designados por S (sucesso)
e F (falha).
• a probabilidade de sucesso P(S) é a mesma em cada
prova (a variável aleatória de interesse, X, representa o número de
sucessos em cada prova)
• as provas são independentes entre si
 Modelo Binomial
(Experimentos de Bernoulli)
• Esses experimentos recebem o nome de Ensaios de
Bernoulli e originam uma v.a. com distribuição de
Bernoulli.
• Variável aleatória de Bernoulli: É uma v.a. que
assume apenas dois valores
1 se ocorrer sucesso,
0 se ocorrer fracasso.
• Geralmente, a probabilidade de sucesso é
representada por p, 0 < p < 1.
 Modelo Binomial
(Experimentos de Bernoulli)
“X ~ Bernoulli (p)” indica uma v.a. com distribuição de
Bernoulli com parâmetro p, isto é,

e sua função de probabilidade pode ser representada

pela tabela

Repetições independentes de um ensaio de Bernoulli,

com a mesma probabilidade de ocorrência de “sucesso”,
dão origem ao modelo de probabilidade binomial.
 Modelo Binomial
Exemplo: Um dado equilibrado é lançado 3 vezes. Qual
é a probabilidade de se obter a face 5 duas vezes?
Denotamos,
S: “sucesso”, ocorrer face 5;
F: “fracasso”, não ocorrer face 5.

É fácil ver que p = P(sucesso) = 1/6 e

q = 1 – p = P(fracasso) = 5/6

W = {SSS, SSF, SFS, FSS, SFF, FSF, FFS, FFF}

 Modelo Binomial
Estamos interessados no número total de sucessos que,
no caso, é o número de vezes que a face 5 é observada
nos 3 lançamentos do dado.
 Modelo Binomial
Estamos interessados no número total de sucessos que,
no caso, é o número de vezes que a face 5 é observada
nos 3 lançamentos do dado.
 Modelo Binomial
A função de probabilidade de X é dada por:

• Podemos escrever essa função como

• No exemplo, para n = 3 e p = 1/6, P (X = 2) = 0,0694.

 Modelo Binomial

• Distribuição binomial:
A v.a. X correspondente ao número de sucessos em n
ensaios de Bernoulli independentes e com mesma
probabilidade p de sucesso tem distribuição binomial
com parâmetros n e p.
Sua função de probabilidade é dada por:

Notação: X ~ B (n, p)
 Modelo Binomial

Resultado:
Se X ~ B(n; p), então

Média: µ = E(X) = n.p

Variância : σ2 = Var(X) = n.p.q

Onde q= 1-p
 Modelo Binomial
Das variáveis abaixo descritas, assinale quais são binomiais.
Quando julgar que a variável não é binomial, aponte as razões
de sua conclusão.
1. De uma urna com 10 bolas brancas e 20 pretas, vamos
extrair, com reposição, cinco bolas. Seja X o número de bolas
brancas nas 5 extrações.
2. Refaça o problema anterior, mas desta vez as n extrações são
sem reposição.
3. Em uma indústria existem 100 máquinas que fabricam
determinada peça. Cada peça é classificada como sendo boa
ou defeituosa. Escolhemos ao acaso um instante de tempo, e
verificamos uma peça de cada uma das máquinas. Suponha
que X seja o número de peças defeituosas.
 Modelo Binomial

• Exemplo
Um fabricante de peças de automóveis garante que
uma caixa de suas peças conterá, no máximo, 2
defeituosas. Se a caixa contém 18 peças, e a
experiência tem demonstrado que esse processo de
fabricação produz 5% das peças defeituosas, qual a
probabilidade de que uma caixa satisfaça a garantia?
 Modelo Binomial
Seja X o número de peças defeituosas nas próximas 18
amostras analisadas.

p: probabilidade de uma peça selecionada ao acaso, ser

defeituosa; p=0,05.
X ~b (18; 0,05)

ou seja, a variável aleatória X tem distribuição binomial

com parâmetros n = 18 e p = 0,05 com função de
probabilidade dada por:
n k
P(X=k) =   p (1-p) n-k
k k=0, 1, ..., n
 Modelo Binomial

Assim, a probabilidade de no máximo 2 peças

defeituosas em uma caixa é:
P(X ≤ 2) = 0,9418
 Modelo Binomial

• Ex: Na manufatura de certo artigo, é sabido que 1

entre 10 artigos é defeituoso. Uma amostra de
tamanho 4 é retirada com reposição, de um lote da
produção. Qual a probabilidade de que a amostra
contenha

a. nenhum defeituoso?
b. pelo menos 1 defeituoso?
c. exatamente 1 defeituoso?
 Modelo Binomial

• Exemplo 3
Em uma distribuição binomial, sabe que a média é 4,5
e a variância é de 3,15. Encontre os valores dos
parâmetros da distribuição.
Distribuição Poisson
 Modelo Poisson

Em muitos casos, conhece-se o número de sucessos,

porém se torna difícil e, às vezes, sem sentido,
determinar o número de fracassos.
Por exemplo: automóveis que passam numa esquina.
Pode-se num determinado intervalo de tempo anotar
o número de carros que passaram, porém, o número
de carros que deixaram de passar pela esquina não
poderá ser determinado.
 Modelo Poisson

A distribuição de Poisson é largamente usada quando

de deseja contar o número de eventos de um certo
tipo, que ocorrem em um intervalo de tempo,
superfície, ou volume
 Modelo Poisson

Distribuição discreta de probabilidade aplicável a

ocorrências de um evento em um intervalo
especificado TAXA
 Modelo Poisson
Exemplos
• número de falhas de um computador em um dia de
operação;
• acidentes com automóveis em uma determinada
estrada
• número de carros que chegam a um posto de
gasolina
• número de requisições para um servidor em um
intervalo de tempo t
• número de peças defeituosas substituídas num
veículo durante o primeiro ano de vida
 Modelo Poisson
Em todas estas situações, temos um conjunto de ocorrências
que satisfazem as seguintes condições:

• o número de ocorrências de um evento em um intervalo de

tempo (espaço) é independente do número de ocorrências do
evento em qualquer outro intervalo – ocorrências
independentes umas das outras

• o número médio de ocorrências por unidade de tempo

(espaço) é constante ao longo do tempo (espaço)

• o número de ocorrências durante qualquer intervalo depende

somente da duração ou tamanho do intervalo; quanto maior o
intervalo, maior o número de ocorrências
 Modelo Poisson
Então:
• A variável aleatória X é o número de ocorrências do
evento no intervalo.

• O intervalo pode ser o tempo, a distância, a área, o

volume ou outra unidade análoga
 Modelo Poisson
• Esta distribuição representa a probabilidade de que um
evento ocorra um número especificado de vezes em um
intervalo de tempo (espaço), quando a taxa de ocorrência
é fixa.

• x = valor da v. a. número de ocorrências do evento em

um intervalo
• λ= taxa de ocorrência do evento x (número esperado de
eventos)
• e ≈2,71828 (constante natural)
 Modelo Poisson
EXEMPLO
• Uma central telefônica tipo PABX recebe uma média
de 5 chamadas por minuto. Qual a probabilidade
deste PABX não receber nenhuma chamada durante
um intervalo de 1 minuto?

• X = v. a. número de chamadas em um intervalo de tempo

• λ= taxa de ocorrência de chamadas (no esperado de
chamadas)
 Modelo Poisson
EXEMPLO
• Uma central telefônica tipo PABX recebe uma média
de 5 chamadas por minuto. Qual a probabilidade
deste PABX não receber nenhuma chamada durante
um intervalo de 1 minuto?

• X = v. a. número de chamadas em um intervalo de tempo

• λ= taxa de ocorrência de chamadas (no esperado de
chamadas)
 Modelo Poisson
• Relembrando

A distribuição de Poisson exige que:

• a variável aleatória X seja o no de ocorrências de um
evento em um intervalo
• as ocorrências sejam aleatórias
• as ocorrências sejam independentes umas das outras
• as ocorrências tenham a mesma probabilidade sobre
o intervalo considerado
 Modelo Poisson
Os parâmetros da Distribuição de Poisson são:
 Modelo Poisson
• A distribuição de Poisson DIFERE da Distribuição
Binomial em dois aspectos:

• a binomial é afetada pelo tamanho da amostra n e

pela probabilidade p, enquanto a Poisson é afetada
apenas pela taxa de ocorrência (média) λ
• em uma binomial, os valores possíveis da variável
aleatória X são 0, 1, 2, ..., n (limite máximo),
enquanto que em uma Poisson os valores possíveis de
X são 0,1,2,3 ... (sem limite superior)
 Modelo Poisson
Exemplo 2:
Numa determinada estrada ocorrem em média 2
acidentes para cada 100km. Qual a probabilidade de que:

a. Em 250km ocorram pelo menos 2 acidentes?

b. Em 300km ocorram 5 acidente?
 Exercícios
Um fabricante afirma que apenas 5% de todas as válvulas que
produz tem duração inferior a 20 horas. Uma indústria
compra semanalmente um grande lote de válvulas desse
fabricante, mas sob a seguinte condição: ela aceita o lote se,
em 10 válvulas escolhidas ao acaso, no máximo uma tiver
duração inferior a 20 horas; caso contrário o lote é rejeitado.

a) Se o fabricante de fato tem razão, qual a probabilidade de

um lote ser rejeitado?
b) Suponha agora que o fabricante esteja mentindo, isto é, na
verdade a proporção de válvulas com duração inferior a 20
horas é de 10%. Qual a probabilidade do lote ser aceito,
segundo o critério acima?
 Exercícios
O numero de insucessos de um instrumento de teste para
partículas de contaminação no produto é uma variável
aleatória de Poisson, com media de 0,02 insucessos por hora.

a) Qual a probabilidade de que o instrumento não falhe em um

turno de 8 horas?
b) Qual a probabilidade de no mínimo um insucesso em um dia
de 24 horas?
Algumas distribuições contínua

 Distribuição Normal
 Distribuição Exponencial
 Distribuição Weibul
Distribuição Normal – Modelo Normal

• Uma variável aleatória X, que assume valores em R,

tem distribuição Normal com parâmetros  e 2 se
sua função de densidade probabilidade é dada por:

1  1  x  μ 2 
f(x)  exp    ,    x  ,    μ   e σ  0
2π  2
 2  σ  
Distribuição Normal – Modelo Normal
Representação gráfica da curva normal

• Propriedades da densidade Normal:

 A curva normal é simétrica com relação a sua média ;

 A área total sob a curva normal é igual a 1
 A curva normal aproxima-se mais do eixo x à medida que se
afasta da média em ambos os lados, mas nunca toca o eixo
Distribuição Normal – Modelo Normal
Distribuição Normal
N(2 )
médias diferentes, desvios padrão iguais (  = 10 cm)

0.045

0.04 

0.035 

de 0.03
nsi
da
de
0.025
de
fre
q.
0.02


0.015

0.01

0.005

 0 

123 130 137 144 151 158 165 172 179 186 193 200 207
-4 -3 -2 -1 1 2 3 4
altura (cm)

mesma média, desvios padrão distintos

 = 172 cm
0.09

0.08

0.07


0.06
de 
ns
id 0.05
ad
e
de
0.04
fre
q.

0.03

0.02

0.01

0
128 132 136 140 144 148 152 156 160 164 168 172 176 180 184 188 192 196 200 204 208

altura (cm)
Distribuição Normal – Modelo Normal

Cálculo das probabilidades de uma distribuição Normal

A probabilidade de uma variável aleatória normal X
assumir valores entre dois números a e b (a < b) é igual
a área sob a curva e acima do intervalo [a,b], isto é,
b  2
1 1  x   
P(a < X < b) =  22
exp 
 2   

 dx

a

• Esta probabilidade pode ser obtida através de uma

transformação na variável aleatória X
Distribuição Normal – Modelo Normal

Cálculo das probabilidades de uma distribuição Normal

Se queremos, por exemplo, P(a < X < b) ou P (X ≥ a) ou

P(X ≤ b), devemos procurar pelas seguintes áreas:
Distribuição Normal – Modelo Normal

Normal Padrão

Se a v.a X é tal que X ~N (μ, σ2), então a variável Z é

obtida como uma transformação linear da v.a X da
seguinte forma:

E dizemos que a v.a Z tem distribuição normal com

media 0 e variância 1, Z ~ N(0,1). A curva normal
padrão é também conhecida como normal reduzida ou
normal “zero-um”.
Distribuição Normal – Modelo Normal

Tabela da distribuição Normal Padrão

Distribuição Normal – Modelo Normal

Tabela da distribuição Normal Padrão

Distribuição Normal – Modelo Normal

Tabela da distribuição Normal Padrão

Distribuição Normal – Modelo Normal

Distribuição Normal Padrão

Graficamente, a probabilidade fornecida pela tabela é a
seguinte:

A área sombreada no gráfico corresponde à seguinte

probabilidade:
Distribuição Normal – Modelo Normal

Distribuição Normal Padrão

A área total sob a curva vale “um”, pois esta área
representa a soma das probabilidades. Como a curva é
simétrica, cada metade vale 0,5 ,ou seja,

P(z0 > 0) = P (z0 < 0) = 0,5

Distribuição Normal – Distribuição Normal Padrão

Alguns Exemplos:
Áreas Simples
P(0 ≤ Z ≤ 0,51) =

P(-2,35 ≤ Z ≤ 0) =
Distribuição Normal – Distribuição Normal Padrão

Alguns Exemplos:
Áreas Duplas
P(-1 ≤ Z ≤ 1) =
Distribuição Normal – Distribuição Normal Padrão

Alguns Exemplos:
Áreas Duplas
P(-1 ≤ Z ≤ 1) =

Esta área pode ser separada em duas sub áreas

 Distribuição Normal – Distribuição Normal Padrão

Alguns Exemplos:
Áreas Complementares
P(Z ≥ 1,62) =
 Distribuição Normal – Distribuição Normal Padrão

Alguns Exemplos:
Áreas Complementares
P(Z ≥ 1,62) =

Esta área pode ser pensada como:

 Distribuição Normal – Distribuição Normal Padrão

Alguns Exemplos:
Áreas Intermediarias
P(1,03 ≤ Z ≤2,01) =
 Distribuição Normal – Distribuição Normal Padrão

Alguns Exemplos:
Áreas Intermediarias
P(1,03 ≤ Z ≤2,01) =

Esta área pode ser pensada como:

Distribuição Normal – Distribuição Normal Padrão

Alguns Exemplos:
Determinação do Ponto

P(0 ≤ Z ≤ z0) = 0,475

P(0 ≤ Z ≤ z0) = 0,450
 Distribuição Normal – Distribuição Normal Padrão

Exercícios:
a) P(0 ≤ Z ≤ 0,83)
b) P(-2,01 ≤ Z ≤ 0)
c) P(-0,43 ≤ Z ≤ 1,24)
d) P(Z ≤ 1,69)
e) P(Z > 2,4)
f) P(Z > -0,03)
g) P(Z < -1,94)
h) P(1,09 ≤ Z ≤ 2,45)
i) P(-2,37 ≤ Z ≤ -0,01)
j) z0 tal que P(0 ≤ Z ≤ z0) = 0,4901
k) z0 tal que P(Z < - z0) = 0,2932
Distribuição Normal – Distribuição Normal Padrão

Exercícios:

A altura de uma determinada classe é uma v.a normal

com média 175cm e variancia 225cm2. Qual a
probabilidade de encontrarmos alunos com altura
entre 165 e 187 cm?
Distribuição Normal – Distribuição Normal Padrão

Exercícios:

A vida média de certo aparelho é de oito anos, com

desvio padrão de 1,8 ano. O fabricante substitui os
aparelhos que acusam defeito dentro do prazo de
garantia. Se ele deseja substituir no máximo 5% dos
aparelhos que apresentem defeito, qual deve ser o
prazo de garantia?
Distribuição Normal – Distribuição Normal Padrão

Exercícios:
A característica da qualidade de interesse, associada a um
processo que está sob controle estatístico, é normalmente
distribuída com uma média 100 e desvio padrão 5. As
especificações estabelecidas para esta característica da
qualidade são 95 ± 10.

a) Qual é a proporção de não conformidade referente a esta

característica?
b) Qual é a proporção de não conformidade a esta característica,
se o processo passasse a operar centrado no valor 95,
chamado valor nominal da especificação.
Distribuição Normal – Distribuição Normal Padrão

Exercícios:
As notas de Estatística dos alunos de uma determinada
Universidade comportam-se de acordo com uma distribuição
normal com média 6,4 e desvio padrão de 0,8. O professor
atribuiu grau “C” para as notas menores que 5; “B”para notas
entre 5 e 7,5 e “A” para notas maiores que 7,5. Qual a
proporção de alunos em cada grau? Em uma classe de 80
alunos qual o numero esperado de alunos no grau C?